PORTALE DELLA DIDATTICA

PORTALE DELLA DIDATTICA

PORTALE DELLA DIDATTICA

Elenco notifiche



GeoAI: intelligenza artificiale e dati geospaziali

01OTTMH, 01OTTJM, 01OTTLH, 01OTTLI, 01OTTLM, 01OTTLN, 01OTTLP, 01OTTLS, 01OTTLU, 01OTTLX, 01OTTLZ, 01OTTMA, 01OTTMB, 01OTTMC, 01OTTMK, 01OTTMN, 01OTTMO, 01OTTMQ, 01OTTNX, 01OTTOA, 01OTTOD, 01OTTPC, 01OTTPI, 01OTTPL, 01OTTPM, 01OTTPW, 01OTTTR

A.A. 2026/27

Lingua dell'insegnamento

Italiano

Corsi di studio

Corso di Laurea in Ingegneria Edile - Torino
Corso di Laurea in Ingegneria Meccanica (Mechanical Engineering) - Torino
Corso di Laurea in Design E Comunicazione - Torino
Corso di Laurea in Ingegneria Dell'Autoveicolo (Automotive Engineering) - Torino
Corso di Laurea in Ingegneria Informatica (Computer Engineering) - Torino
Corso di Laurea in Ingegneria Dell'Autoveicolo - Torino
Corso di Laurea in Electronic And Communications Engineering (Ingegneria Elettronica E Delle Comunicazioni) - Torino
Corso di Laurea in Ingegneria Dei Materiali - Torino
Corso di Laurea in Architettura (Architecture) - Torino
Corso di Laurea in Ingegneria Elettrica - Torino
Corso di Laurea in Ingegneria Aerospaziale - Torino
Corso di Laurea in Ingegneria Biomedica - Torino
Corso di Laurea in Ingegneria Chimica E Alimentare - Torino
Corso di Laurea in Ingegneria Civile - Torino
Corso di Laurea in Ingegneria Energetica - Torino
Corso di Laurea in Ingegneria Meccanica - Torino
Corso di Laurea in Ingegneria Per L'Ambiente E Il Territorio - Torino
Corso di Laurea in Matematica Per L'Ingegneria - Torino
Corso di Laurea in Ingegneria Elettronica - Torino
Corso di Laurea in Ingegneria Informatica - Torino
Corso di Laurea in Ingegneria Fisica - Torino
Corso di Laurea in Ingegneria Del Cinema E Dei Mezzi Di Comunicazione - Torino
Corso di Laurea in Ingegneria Gestionale - Torino
Corso di Laurea in Ingegneria Gestionale - Torino
Corso di Laurea in Architettura - Torino
Corso di Laurea in Pianificazione Territoriale, Urbanistica E Paesaggistico-Ambientale - Torino
Corso di Laurea in Civil And Environmental Engineering - Torino

Organizzazione dell'insegnamento
Didattica Ore
Docenti
Docente Qualifica Settore h.Lez h.Es h.Lab h.Tut Anni incarico
Collaboratori
Espandi

Didattica
SSD CFU Attivita' formative Ambiti disciplinari
ICAR/06
ING-INF/05
3
3
D - A scelta dello studente
D - A scelta dello studente
A scelta dello studente
A scelta dello studente
2024/25
L’utilizzo dell’Intelligenza Artificiale sta trasformando il volto di molti settori, tra cui quello dell’ingegneria e dell’architettura. Molte applicazioni in questi settori hanno un forte legame con lo spazio e l’ambiente che ci circondano, richiedendo l’utilizzo di dati spaziali e geospaziali. Da tali dati si possono cogliere e dedurre aspetti e interconnessioni complesse non chiaramente visibili o facilmente indagabili con le consuete tecniche di analisi. I dati geospaziali, infatti, ricoprono un ruolo fondamentale per lo studio di fenomeni quali il cambiamento climatico e il rischio ambientale o per la gestione delle città, del patrimonio costruito e delle infrastrutture o per aspetti legati all’avanzamento tecnologico quali la navigazione autonoma e l’agricoltura di precisione. Questo insegnamento si propone di descrivere gli strumenti, i metodi e le procedure operative per applicare gli algoritmi di machine e deep learning ai dati geospaziali. I dati studiati, analizzati e utilizzati nel corso saranno sia 2D (immagini digitali) che 3D (nuvole di punti) e potranno essere applicati per task di object detection, classificazione o segmentazione semantica nell’ambito di (e non solo): - monitoraggio di infrastrutture; - cambiamento climatico (dati terrestri e underwater); - land cover e cartografia; - modellazione 3D e patrimonio architettonico; - navigazione autonoma; - robotica; - smart cities.
Artificial Intelligence is transforming many sectors, including engineering and architecture. Many applications in these sectors have a strong connection with space and the environment around us, requiring the use of spatial and geospatial data. From such data, it is possible to grasp and deduce complex aspects, patterns and interconnections that are not clearly visible or easily investigated with usual analysis techniques. Geospatial data, in fact, play a fundamental role in the study of phenomena such as climate change and environmental risk, the management of cities, built heritage, and infrastructures, and aspects linked to technological advancements such as autonomous navigation and precision agriculture. This course aims to describe the tools, methods and operational procedures for applying machine and deep learning algorithms to geospatial data. The data studied, analyzed and used in the course will be both 2D (digital images) and 3D (point clouds) and can be applied for object detection, classification or semantic segmentation tasks in the context of (and not only): - infrastructure monitoring; - climate change (terrestrial and underwater data); - land cover and cartography; - 3D modeling and architectural heritage; - autonomous navigation; - robotics; - smart cities.
Le lezioni forniranno agli studenti conoscenze teoriche e pratiche di soluzioni di machine learning per dati geospaziali. Gli studenti acquisiranno: - nozioni di base su dati geospaziali 2D e 3D, dalla modalità di acquisizione (mobile mapping systems, laser scanner, satelliti), struttura e gestione, alle finalità, opzioni di scarico e disponibilità online (geoportali); - nozioni di base su metodi di machine learning e fondamenti di deep learning, dai metodi di addestramento e le tecniche di ottimizzazione, fino ad architetture specializzate per dati 2D e 3D come PointNet o YOLO; - conoscenza di tecniche e metodi di machine learning per l’elaborazione di dati geospaziali 2D e 3D, con applicazione per le attività di segmentazione, classificazione e/o localizzazione tramite ArcGIS Pro o Python; - conoscenza di base su come elaborare quesiti di ricerca, come organizzare un progetto e preparare una relazione di attività di ricerca; - capacità di lavorare in gruppo, collaborazione e valutazione tra pari; - autonomia decisionale, attraverso la lettura e utilizzo di articoli scientifici, report, piattaforme di condivisione dati come GitHub e geoportali. - proprietà di linguaggio e chiarezza di presentazione. Dal punto di vista della capacità di apprendimento, gli studenti, al termine dell'insegnamento, saranno in grado di applicare le conoscenze acquisite a ulteriori casi applicativi, eventualmente utilizzando altri software o linguaggi di programmazione, sfruttando le fasi progettuali descritte durante l'insegnamento.
Le lezioni forniranno agli studenti conoscenze teoriche e pratiche di soluzioni di machine learning per dati geospaziali. Gli studenti acquisiranno: - nozioni di base su dati geospaziali 2D e 3D, come la modalità di creazione, gestione, struttura, finalità di questi dati, opzioni di scarico e disponibilità online; - nozioni di base su metodi di machine learning e fondamenti di deep learning, dai metodi di addestramento e le tecniche di ottimizzazione, fino ad architetture specializzate per dati 2D e 3D; - conoscenza di tecniche e metodi di machine learning per l’elaborazione di dati geospaziali 2D e 3D, con applicazione per le attività di segmentazione, classificazione e/o localizzazione; - conoscenza di base su come elaborare quesiti di ricerca, come organizzare un progetto e preparare una relazione di attività di ricerca. L'organizzazione del corso stimola l'autonomia decisionale, guidando gli studenti alla lettura e all'utilizzo di report e geoportali che coinvolgono diversi formati di scambio dati (interoperabilità). Le esercitazioni pratiche, assegnate durante il corso attraverso lavori di gruppo, favoriscono l'interazione con colleghi di diverse discipline e lo scambio di informazioni, costringendo gli studenti ad acquisire proprietà di linguaggio e chiarezza di presentazione visiva. Dal punto di vista della capacità di apprendimento, gli studenti, al termine del corso, saranno in grado di applicare le conoscenze acquisite ad altri casi applicativi, eventualmente utilizzando altri software o linguaggi di programmazione, sfruttando le fasi progettuali descritte durante l'insegnamento.
Conoscenza di Python a livello base e nozioni di statistica e probabilità.
I prerequisiti necessari sono la conoscenza di Python a livello base e nozioni di statistica e probabilità.
Le tematiche analizzate sono: - Dati geospaziali (12h di teoria): o dati 2D: dati raster o vettoriali, shapefile, dati termici, struttura, gestione; o immagini digitali: struttura, contenuto, bande spettrali; o dati 3D: nuvole di punti, struttura geometrica, metodi di acquisizione, caratteristiche geometriche locali; o software e plugin per il processamento di dati geospaziali con algoritmi di machine o deep learning. - Fondamenti di machine learning: (15h teoria + 15h esercizi) o principi di Python ed il framework Pytorch o concetti di reti neurali: percettrone, loss function, ottimizzazione o reti neurali convoluzionali (Convolutional Neural Networks): architettura, backpropagation, stochastic gradient descent o allenamento di una CNN: preprocessing dei dati, inizializzazione dei pesi, scelta degli iperparametri o visualizzazione dei risultati o architetture convoluzionali per classification, detection e segmentation (su dati 2D o 3D) - Geospatial AI (3h di teoria + 15h di esercitazione): o ambiti ed esempi applicativi; o algoritmi di apprendimento supervisionato e non supervisionato; o potenzialità e criticità e aspetti etici della GeoAI.
Le tematiche principali analizzate nell’insegnamento sono: Dati geospaziali: - dati 2D: dati raster o vettoriali, shapefile, dati termici, struttura, gestione; - immagini digitali: struttura, contenuto, bande spettrali; - dati 3D: nuvole di punti, struttura geometrica, metodi di acquisizione, caratteristiche geometriche locali; Fondamenti di machine learning: - Machine Learning survival kit percettrone e reti neurali - Convolutional Neural Networks: principi e algoritmi di base (backpropagation, stochastic gradient descent) - attention mechanisms Geospatial AI: - ambiti ed esempi applicativi; - potenzialità e criticità; - uno sguardo al futuro; - aspetti etici delle GeoAI.
L'insegnamento utilizzerà principalmente software open. Gli studenti dovranno possedere un computer personale sul quale eseguire gli esercizi pratici.
Il corso utilizzerà principalmente software open. Gli studenti dovranno possedere un computer personale sul quale eseguire gli esercizi pratici.
L'insegnamento prevede circa 30 ore di lezione frontale e 30 ore dedicate alla realizzazione di un’esercitazione da svolgere in team. La tematica dell’esercitazione potrà essere scelta tra le opzioni proposte dai docenti su diversi ambiti applicativi, a seconda dell’interesse del gruppo (3-4 componenti). Il progetto di gruppo viene assegnato durante le prime settimane di lezione e le revisioni saranno svolte durante tutta la durata del corso. Gli studenti sono fortemente incoraggiati a prendere parte alle revisioni settimanali. Le lezioni di teoria sono registrate, per quelle pratiche la registrazione non è assicurata.
Il corso prevede circa 30 ore di lezione frontale e 30 ore dedicate alla realizzazione di un’esercitazione da svolgere in team. La tematica dell’esercitazione potrà essere scelta tra le opzioni proposte dai docenti su diversi ambiti applicativi, a seconda dell’interesse del gruppo (3-4 componenti). Il progetto di gruppo viene assegnato durante le prime settimane di lezione e le revisioni saranno svolte durante tutta la durata del corso. Gli studenti sono fortemente incoraggiati a prendere parte alle revisioni settimanali. Le lezioni di teoria sono registrate, per quelle pratiche la registrazione non è assicurata.
Le slide fornite a lezione costituiscono il principale materiale di studio. Per ulteriori approfondimenti, si consultino: - Fatimazahra Barramou, El Hassan El Brirchi, Khalifa Mansouri, Youness Dehbi, Geospatial Intelligence. Applications and Future Trends, Springer Link, 2022; - Pierdicca, R. and Paolanti, M., 2022. GeoAI: a review of artificial intelligence approaches for the interpretation of complex geomatics data. Geoscientific Instrumentation, Methods and Data Systems, 11(1), pp.195-218; - https://www.agendadigitale.eu/cultura-digitale/geo-ai-cose-e-come-ci-aiuta-a-comprendere-i-fenomeni-naturali/ - https://www.agendadigitale.eu/cultura-digitale/geoai-intelligenza-artificiale-e-digital-humanities-per-una-nuova-comprensione-dei-beni-culturali/
Le slide fornite a lezione costituiscono il principale materiale di studio. Per ulteriori approfondimenti, si consultino: - Fatimazahra Barramou, El Hassan El Brirchi, Khalifa Mansouri, Youness Dehbi, Geospatial Intelligence. Applications and Future Trends, Springer Link, 2022; - Pierdicca, R. and Paolanti, M., 2022. GeoAI: a review of artificial intelligence approaches for the interpretation of complex geomatics data. Geoscientific Instrumentation, Methods and Data Systems, 11(1), pp.195-218; - https://www.agendadigitale.eu/cultura-digitale/geo-ai-cose-e-come-ci-aiuta-a-comprendere-i-fenomeni-naturali/ - https://www.agendadigitale.eu/cultura-digitale/geoai-intelligenza-artificiale-e-digital-humanities-per-una-nuova-comprensione-dei-beni-culturali/
Slides; Esercizi; Strumenti di simulazione; Strumenti di collaborazione tra studenti;
Lecture slides; Exercises; Simulation tools; Student collaboration tools;
Modalità di esame: Prova orale obbligatoria; Elaborato scritto prodotto in gruppo; Elaborato progettuale in gruppo;
Exam: Compulsory oral exam; Group essay; Group project;
... L’esame è strutturato in 2 parti: 1. valutazione dell’esercitazione di gruppo sulla base della partecipazione e applicazione in classe durante il corso, dell’elaborato finale (report) e dell’esposizione orale (lessico, proprietà di linguaggio e capacità espositive), con votazione espressa in 30/30; 2. valutazione individuale sulla base di alcune domande sui principi teorici descritti nell’insegnamento, con votazione espressa in 30/30. Criteri di valutazione Per superare con esito positivo la valutazione dell'apprendimento, lo studente deve dimostrare, attraverso l’esposizione orale, di aver ben compreso i concetti esposti nel corso, possedendo quindi una conoscenza di base delle metodologie trattate nel corso, nonché avendo sviluppato una adeguata familiarità con metodi e librerie esposti nel corso, al fine di risolvere in autonomia un problema inerente la GeoAI. Criteri di misurazione dell'apprendimento Il voto complessivo, in trentesimi, è dato dalla media dei voti ottenuti dalla valutazione dell’esercitazione di gruppo e dalla valutazione individuale. Criteri di attribuzione del voto finale Affinchè l'esito complessivo della valutazione sia positivo, lo studente deve conseguire almeno la sufficienza, pari a diciotto punti, in ognuna delle due valutazioni. La valutazione massima è raggiunta dimostrando una conoscenza approfondita dei contenuti dell’insegnamento nell'ambito delle due valutazioni. La lode è riservata agli studenti che abbiano dimostrato una particolare brillantezza nella esposizione orale e nello svolgimento dell’esercitazione.
Gli studenti e le studentesse con disabilità o con Disturbi Specifici di Apprendimento (DSA), oltre alla segnalazione tramite procedura informatizzata, sono invitati a comunicare anche direttamente al/la docente titolare dell'insegnamento, con un preavviso non inferiore ad una settimana dall'avvio della sessione d'esame, gli strumenti compensativi concordati con l'Unità Special Needs, al fine di permettere al/la docente la declinazione più idonea in riferimento alla specifica tipologia di esame.
Exam: Compulsory oral exam; Group essay; Group project;
L’esame è strutturato in 2 parti: 1. valutazione dell’esercitazione di gruppo sulla base della partecipazione e applicazione in classe durante il corso, dell’elaborato finale e dell’esposizione orale, con votazione espressa in 30/30; 2. valutazione individuale sulla base di alcune domande sui principi teorici descritti nell’insegnamento, con votazione espressa in 30/30. Criteri di valutazione Per superare con esito positivo la valutazione dell'apprendimento, lo studente deve dimostrare, attraverso l’esposizione orale, di aver ben compreso i concetti esposti nel corso, possedendo quindi una conoscenza di base delle metodologie trattate nel corso, nonché avendo sviluppato una adeguata familiarità con metodi e librerie esposti nel corso, al fine di risolvere in autonomia un problema inerente la GeoAI. Criteri di misurazione dell'apprendimento Il voto complessivo, in trentesimi, è dato dalla media dei voti ottenuti dalla valutazione dell’esercitazione di gruppo e dalla valutazione individuale. Criteri di attribuzione del voto finale Affinchè l'esito complessivo della valutazione sia positivo, lo studente deve conseguire almeno la sufficienza, pari a diciotto punti, in ognuna delle due valutazioni. La valutazione massima è raggiunta dimostrando una conoscenza approfondita dei contenuti dell’insegnamento nell'ambito delle due valutazioni. La lode è riservata agli studenti che abbiano dimostrato una particolare brillantezza nella esposizione orale e nello svolgimento dell’esercitazione.
In addition to the message sent by the online system, students with disabilities or Specific Learning Disorders (SLD) are invited to directly inform the professor in charge of the course about the special arrangements for the exam that have been agreed with the Special Needs Unit. The professor has to be informed at least one week before the beginning of the examination session in order to provide students with the most suitable arrangements for each specific type of exam.
Esporta Word