Per seguire con profitto il corso, si consiglia agli studenti di possedere le seguenti conoscenze di base:

- Concetti fondamentali di algebra lineare (vettori e matrici), probabilità e statistica.
- Familiarità con l’uso di un linguaggio di programmazione e concetti basilari di programmazione.
- Conoscenza generale di segnali biologici e loro significato in ambito medico (es. EEG, ECG).

Durante il corso verranno comunque forniti gli strumenti e i richiami necessari utili per affrontare le lezioni teoriche e le esercitazioni pratiche.

Il corso introduce i concetti fondamentali dell’Intelligenza Artificiale (IA) e del Machine Learning (ML), con particolare attenzione alle applicazioni in ambito biomedico. Verranno esplorati i principali approcci di apprendimento automatico (supervisionato, non supervisionato e per rinforzo) e le principali tecniche di ML, analizzando come questi possano essere utilizzati per l’elaborazione e l’interpretazione di dati biomedici e biosegnali.

Successivamente, verrà fornita un'introduzione alla teoria dei biosegnali, necessaria per comprendere le caratteristiche dei dati che verranno utilizzati nelle esercitazioni pratiche.

Le prove pratiche consisteranno nell’applicazione di algoritmi di Machine Learning per l’analisi di biosegnali e dati biomedici, con particolare attenzione alla loro interpretazione in contesto clinico.

Infine, verrà fornito un primo sguardo al Deep Learning, introducendo le reti neurali artificiali e il loro ruolo nell’intelligenza artificiale moderna.

Al termine del corso, gli studenti saranno in grado di:

- Comprendere i concetti fondamentali dell'Intelligenza Artificiale e del Machine Learning, con particolare attenzione agli approcci di apprendimento supervisionato, non supervisionato e per rinforzo.

- Conoscere e applicare alcune delle principali tecniche di Machine Learning per l'analisi di dati biomedici e biosegnali

- Acquisire conoscenze teoriche di base sui biosegnali, comprendendo le principali caratteristiche, il loro trattamento e le metodologie per l’estrazione di informazioni rilevanti per applicazioni di AI in ambito medico.

- Familiarizzare con le basi del Deep Learning, comprendendo il ruolo delle reti neurali artificiali e le loro differenze rispetto ai modelli tradizionali di Machine Learning.

- Valutare criticamente i risultati ottenuti con gli algoritmi applicati, interpretando le performance dei modelli e la loro affidabilità nel contesto medico.

Il corso prevede una combinazione di:

• Lezioni frontali con spiegazioni teoriche.
• Esercitazioni pratiche guidate.
• Attività applicative di gruppo.

- Attività di gruppo, in cui gli studenti approfondiranno un tema assegnato e lo presenteranno in forma strutturata.

- Prova scritta, finalizzata a verificare la comprensione dei concetti trattati nel corso.

1. Introduzione all'Intelligenza Artificiale e al Machine Learning
- Differenze tra AI, ML e Deep Learning
- Storia dell'Intelligenza Artificiale

2. Tipologie di apprendimento
- Supervisionato, non supervisionato e per rinforzo
- Applicazioni in ambito medico

3. Teoria dei biosegnali

- Classificazione dei segnali (periodici e aperiodici, continui e discreti, deterministici e aleatori)

- Segnali fondamentali e loro caratterizzazione 

- Feature extraction dai biosegnali per l’analisi con algoritmi di ML

4. Esercitazioni pratiche con algoritmi di ML applicati a biosegnali
- K-Means per clustering
- Alberi decisionali per classificazione

5. Deep Learning: panoramica ed introduzione alle reti neurali e all'apprendimento profondo.

- Materiale didattico fornito durante il corso
- AI in Clinical Medicine: A Practical Guide for Healthcare Professionals, Michael F. Byrne (Editor), ISBN: 978-1-119-79064-8, February 2023