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.

I prerequisiti necessari sono la conoscenza di Python a livello base e nozioni di statistica e probabilità.

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.

Il corso utilizzerà principalmente software open. Gli studenti dovranno possedere un computer personale sul quale eseguire gli esercizi pratici.

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/

Lecture slides; Exercises; Simulation tools; Student collaboration tools;

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.