Artificial intelligence and decision making for health and medicine
A.A. 2024/2025
Obiettivi formativi
The course aims to equip students with knowledge and tools to develop a critical understanding of artificial
intelligence techniques and decision-making processes in healthcare and medicine. Students will gain the capability
to discern the potential applications of these methods for both research and practical purposes.
intelligence techniques and decision-making processes in healthcare and medicine. Students will gain the capability
to discern the potential applications of these methods for both research and practical purposes.
Risultati apprendimento attesi
At the conclusion of the course, students will attain the following learning outcomes:
· Gain insight into the methodological aspects associated with machine learning techniques.
· Establish connections between artificial intelligence and decision making.
· Show a thorough understanding of the differences between supervised and unsupervised learning
techniques.
· Grasping the applications of artificial intelligence and decision making in the domains of health and
medicine
· Gain insight into the methodological aspects associated with machine learning techniques.
· Establish connections between artificial intelligence and decision making.
· Show a thorough understanding of the differences between supervised and unsupervised learning
techniques.
· Grasping the applications of artificial intelligence and decision making in the domains of health and
medicine
Periodo: Secondo semestre
Modalità di valutazione: Esame
Giudizio di valutazione: voto verbalizzato in trentesimi
Corso singolo
Questo insegnamento può essere seguito come corso singolo.
Programma e organizzazione didattica
Edizione unica
Responsabile
Programma
Processo decisionale. La programmazione lineare. L'ottimizzazione quadratica e non lineare. Modelli a criteri multipli. Applicazioni in sanità e medicina.
Introduzione all'intelligenza artificiale e alle tecniche di apprendimento automatico. Definizioni chiave e concetti fondamentali. Apprendimento supervisionato e minimizzazione della funzione di perdita. Algoritmi di apprendimento automatico: addestramento e il test. Applicazioni nella diagnosi delle malattie e nel monitoraggio dei pazienti.
Introduzione all'intelligenza artificiale e alle tecniche di apprendimento automatico. Definizioni chiave e concetti fondamentali. Apprendimento supervisionato e minimizzazione della funzione di perdita. Algoritmi di apprendimento automatico: addestramento e il test. Applicazioni nella diagnosi delle malattie e nel monitoraggio dei pazienti.
Prerequisiti
Fondamenti di base di matematica e statistica.
Metodi didattici
Le modalità di insegnamento includono lezioni frontali regolari, tutorial, compiti a casa, lavoro di squadra su casi studio e articoli di ricerca.
Materiale di riferimento
1. Lecture notes and slides.
2. Pardalos, P.M., A Romeijn, H.E, Handbook of Optimization in Medicine, 2014, Springer.
3. Ben David, S., Curigliano, G., Koff, D., Jereczek-Fossa B., La Torre, D., Pravettoni, G., Artificial Intelligence for Medicine: An Applied Reference for Methods and Applications, 2024, Elsevier.
2. Pardalos, P.M., A Romeijn, H.E, Handbook of Optimization in Medicine, 2014, Springer.
3. Ben David, S., Curigliano, G., Koff, D., Jereczek-Fossa B., La Torre, D., Pravettoni, G., Artificial Intelligence for Medicine: An Applied Reference for Methods and Applications, 2024, Elsevier.
Modalità di verifica dell’apprendimento e criteri di valutazione
La valutazione (per gli studenti frequentanti) si basa su attività in aula (presentazioni di gruppo) e un test finale a scelta multipla. La valutazione per gli studenti non frequentanti si basa esclusivamente su un esame orale.
INF/01 - INFORMATICA - CFU: 6
Lezioni: 40 ore
Docente:
La Torre Davide
Turni:
Turno
Docente:
La Torre DavideDocente/i