2. Docenti
  3. Didattica

ARTIFICIAL INTELLIGENCE

Genoveffa TORTORA ARTIFICIAL INTELLIGENCE

0522700006
DIPARTIMENTO DI INFORMATICA
CORSO DI LAUREA MAGISTRALE
SICUREZZA INFORMATICA E TECNOLOGIE CLOUD
2024/2025

OBBLIGATORIO
ANNO CORSO 1
ANNO ORDINAMENTO 2023
PRIMO SEMESTRE
CFUOREATTIVITÀ
432LEZIONE
216LABORATORIO
GENOVEFFA TORTORA T Curriculum
LOREDANA CARUCCIO Curriculum
Obiettivi
L’INSEGNAMENTO HA L’OBIETTIVO DI INTRODURRE I FONDAMENTI TEORICI DEGLI AGENTI INTELLIGENTI E LA LORO INTERAZIONE CON L’AMBIENTE CIRCOSTANTE, NONCHÉ LE PRINCIPALI TECNICHE DI RAPPRESENTAZIONE DELLA CONOSCENZA ED INFERENZA SEMANTICA, PER LA COSTRUZIONE DI SISTEMI INTELLIGENTI. INOLTRE, L’INSEGNAMENTO MIRA A FAR COMPRENDERE I CONCETTI FONDAMENTALI DEL MACHINE LEARNING OLTRE A QUELLI RELATIVI AD ASPETTI ETICI E DI EXPLAINABILITY DELL’INTELLIGENZA ARTIFICIALE.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE
- CONOSCERE I FONDAMENTI DISCIPLINARI DELL’INTELLIGENZA ARTIFICIALE;
- COMPRENDERE QUALI SONO LE TECNICHE DI RAPPRESENTAZIONE DELLA CONOSCENZA, INFERENZA E MACHINE LEARNING PIÙ APPROPRIATE DA UTILIZZARE NELLE DIVERSE APPLICAZIONI DEL MONDO REALE;
- COMPRENDERE LE QUESTIONI ETICHE E DI EXPLAINABILITY CONNESSE ALL’UTILIZZO DELL’INTELLIGENZA ARTIFICIALE IN UN DOMINIO APPLICATIVO.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE
- PROGETTARE E IMPLEMENTARE UN SISTEMA INTELLIGENTE, SAPENDO INDIVIDUARE LE TECNICHE DI RAPPRESENTAZIONE DELLA CONOSCENZA INFERENZA E MACHINE LEARNING PIÙ APPROPRIATE;
- UTILIZZARE PROCEDURE FORMALI PER LA VALUTAZIONE E L’ANALISI DEI RISULTATI RAGGIUNTI E LA LORO GENERALIZZAZIONE NELLE APPLICAZIONI DEL MONDO REALE.

AUTONOMIA DI GIUDIZIO
- SVILUPPARE IN AUTONOMIA ALGORITMI DI INTELLIGENZA ARTIFICIALE E ANALIZZARNE CRITICAMENTE I RISULTATI PRODOTTI;
- APPROFONDIRE AUTONOMAMENTE ULTERIORI METODI PRESENTI IN LETTERATURA, GRAZIE AD UN’ACQUISITA PADRONANZA DEI CONCETTI FONDAMENTALI.

ABILITÀ COMUNICATIVE
-ACQUISIRE UN'ADEGUATA APPROPRIATEZZA ESPRESSIVA NELLA COMUNICAZIONE DI PROBLEMATICHE INERENTI I SISTEMI INTELLIGENTI E LE LORO APPLICAZIONI.

CAPACITÀ DI APPRENDIMENTO
-ADATTARE LE CONOSCENZE ACQUISITE ANCHE A NUOVI CONTESTI E DI COMPRENDERE I LIMITI DI APPLICABILITÀ DELLE TECNICHE DI INTELLIGENZA ARTIFICIALE.
Prerequisiti
LO STUDENTE DEVE AVER ACQUISITO CONOSCENZE BASE DI PROBABILITÀ E STATISTICA, PROGRAMMAZIONE E MACHINE LEARNING. NON SONO PREVISTI INSEGNAMENTI PROPEDEUTICI.
Contenuti
DOPO AVER INTRODOTTO L'INTELLIGENZA ARTIFICIALE SIA DA UN PUNTO DI VISTA STORICO CHE APPLICATIVO, IL CORSO SI CONCENTRERÀ SUI SEGUENTI ARGOMENTI:

AGENTI INTELLIGENTI (2 ORE)

PROBLEM SOLVING
- PROBLEMI DI RICERCA (1 ORA)
- PROBLEMI DI SODDISFACIMENTO DEI VINCOLI (1 ORE)
- RICERCA CON AVVERSARI E GIOCHI (2 ORE)

CONOSCENZA, RAGIONAMENTO E PIANIFICAZIONE
- AGENTI LOGICI (1 ORA)
- LOGICA DEL PRIMO ORDINE (2 ORE)
- INFERENZA NELLA LOGICA DEL PRIMO ORDINE (1 ORA)

RAPPRESENTAZIONE DELLA CONOSCENZA
- RETI SEMANTICHE, DESCRIPTION LOGIC, ONTOLOGIE (2 ORE)
- RAPPRESENTARE AZIONI, SITUAZIONI ED EVENTI (1 ORA)
- RAGIONAMENTO NON MONOTONO E RAGIONAMENTO CON INFOMAZIONI DI DEFAULT (1 ORA)
- TRUTH MAINTENANCE SYSTEM (2 ORE)

CONOSCENZA INCERTA E RAGIONAMENTO
- RAGIONAMENTO PROBABILISTICO (1 ORA)
- PRENDERE DECISIONI (1 ORA)
- MULTIAGENT DECISION MAKING (1 ORA)
- PROGRAMMAZIONE PROBABILISTICA (2 ORE)

MACHINE LEARNING
- LEARNING DI MODELLI PROBABILISTICI (2 ORE)
- DEEP LEARNING (2 ORE)
- REINFORCEMENT LEARNING (2 ORE)

COMUNICARE, PERCEPIRE E AGIRE
- NATURAL LANGUAGE PROCESSING (1 ORA)
- ROBOTICA (1 ORA)
- COMPUTER VISION (1 ORA)

ETICA
- FILOSOFIA E ETICA (1 ORA)
- EXPLAINABILITY E AI SAFETY (1 ORA)

LABORATORIO
- INTRODUZIONE AL LINGUAGGIO PYTHON (2 ORE)
- IMPLEMENTARE AGENTI INTELLIGENTI E GIOCHI IN PYTHON (4 ORE)
- INTRODUZIONE A PROLOG E ALLE SUE ESTENSIONI (4 ORE)
- MACHINE LEARNING CON PYTHON (4 ORE)
- ESEMPI DI APPLICAZIONI (2 ORE)
Metodi Didattici
L’INSEGNAMENTO PREVEDE:
-LEZIONI FRONTALI A CARATTERE TEORICO-METODOLOGICO PER IL TRASFERIMENTO DELLE CONOSCENZE RELATIVE AI CONTENUTI DELL’INSEGNAMENTO (4 CFU/32 ORE)
-LEZIONI DI LABORATORIO DI ASPETTI PRATICI, CON ESERCITAZIONI E SEMINARI SVOLTI IN COLLABORAZIONE TRA GLI STUDENTI E CON LA PRESENZA E L’INTERAZIONE DEL DOCENTE (2 CFU/16 ORE)
-CIASCUN INCONTRO CON GLI STUDENTI PREVEDE SIA LA PRESENTAZIONE DEL MATERIALE DIDATTICO DA PARTE DEL DOCENTE CHE LE ESERCITAZIONI SULLE RELATIVE APPLICAZIONI.
Verifica dell'apprendimento
IN CIASCUN APPELLO L’ESAME DI PROFITTO CONSISTE IN UNA PROVA SCRITTA PROPEDEUTICA ALLA PROVA ORALE FINALE IN CUI VERRANNO ACCERTATE LE CONOSCENZE ACQUISITE E DISCUSSE LE ATTIVITÀ SVOLTE DURANTE IL CORSO. LE ATTIVITÀ COMPRENDONO LA REALIZZAZIONE DI UN PROGETTO DI GRUPPO.
LA PROVA SCRITTA PUÒ ESSERE SOSTITUITA DA PROVE IN ITINERE DURANTE IL CORSO DELLE LEZIONI ED INCLUDE DOMANDE CHE RIGUARDANO SIA LA CONOSCENZA E LA COMPRENSIONE DEGLI ARGOMENTI SVOLTI IN CLASSE CHE LA CAPACITÀ DI APPLICARLE ATTRAVERSO GLI ESERCIZI.

PROVA SCRITTA (2 ORE)
PER ACCERTARE LE CONOSCENZE ACQUISITE SULLE TECNICHE DI INTELLIGENZA ARTIFICIALE, LE TRACCE CONTERRANNO DOMANDE APERTE ED ESERCIZI. I PUNTEGGI SONO ASSEGNATI A SECONDA DELLA COMPLESSITÀ DELLE DOMANDE O DEGLI ESERCIZI (TRA I 4 E I 10 PUNTI). I CRITERI DI VALUTAZIONE RIGUARDERANNO LA CORRETTEZZA E LA COMPLETEZZA DELL'APPRENDIMENTO E LA CHIAREZZA ESPOSITIVA. IL VOTO FINALE SARÀ RIPORTATO IN TRENTESIMI.

PROVE INTERCORSO
VERRANNO EROGATE PROVE INTERCORSO NON CUMULATIVE VALUTATE IN TRENTESIMI. GLI STUDENTI CHE SUPERERANNO LE PROVE SARANNO ESENTATI DALLA PROVA SCRITTA. LO SCOPO È QUELLO DI INCENTIVARE GLI STUDENTI A SEGUIRE IN MODO PROFICUO IL CORSO.

PROGETTO
IL PROGETTO PERMETTERÀ ALLO STUDENTE DI ESERCITARSI SUGLI ARGOMENTI APPRESI DURANTE IL CORSO. IN SEDE DI ESAME, IL PROGETTO VERRÀ DISCUSSO DIRETTAMENTE CON IL DOCENTE CHE VERIFICHERÀ SOPRATTUTTO:
-ADESIONE ALLE RICHIESTE DELLA TRACCIA
-FUNZIONAMENTO DEL SOFTWARE PRODOTTO
-COMPRENSIONE DEGLI ARGOMENTI IMPLEMENTATI
-CAPACITÀ DI MODIFICA DEL SOFTWARE PRODOTTO E GRADO DI FAMILIARITÀ CON IL SOFTWARE.

PROVA ORALE
PER ACCERTARE LE CONOSCENZE ACQUISITE. I CRITERI DI VALUTAZIONE RIGUARDERANNO LA COMPLETEZZA E LA CORRETTEZZA DELL'APPRENDIMENTO E LA CHIAREZZA ESPOSITIVA.

VALUTAZIONE
LA VALUTAZIONE FINALE SARÀ DATA DAL PUNTEGGIO MEDIO DELLE PROVE INTERCORSO (O VOTO DELL'APPELLO) E DEI PUNTI OTTENUTI CON LA DISCUSSIONE DEL PROGETTO E DALLA PROVA ORALE.
Testi
LIBRO DI TESTO:
S.J. RUSSELL, P. NORVIG, “ARTIFICIAL INTELLIGENCE, A MODERN APPROACH”, 4TH EDITION, PEARSON EDUCATION, 2020.

LETTURE CONSIGLIATE:
- R. J. BRACHMAN, H. J. LEVESQUE, “KNOWLEDGE REPRESENTATION AND REASONING”, ELSEVIER, 2004.
- F. BAADER, D. CALVANESE, D.L. MCGUINNESS, D. NARDI, P.F. PATEL-SCHNEIDER (EDITORS), “THE DESCRIPTION LOGIC HANDBOOK: THEORY, IMPLEMENTATION, AND APPLICATIONS”, CAMBRIDGE UNIVERSITY PRESS NEW YORK, NY, USA, 2007
- P. DERANSART, A. ED-DBALI, L. CERVONI. “PROLOG: THE STANDARD: REFERENCE MANUAL”, SPRINGER SCIENCE & BUSINESS MEDIA, 1996.
- AURÉLIEN GÉRON, “HANDS-ON MACHINE LEARNING WITH SCIKIT-LEARN, KERAS, AND TENSORFLOW: CONCEPTS, TOOLS, AND TECHNIQUES TO BUILD INTELLIGENT SYSTEMS”, 2ND EDITION, O REILLY ED, 2019.
Altre Informazioni
LA FREQUENZA DELL’INSEGNAMENTO È FORTEMENTE CONSIGLIATA. GLI STUDENTI DEVONO ESSERE PREPARATI A TRASCORRERE UNA BUONA QUANTITÀ DI TEMPO NELLO STUDIO AL DI FUORI DELLE LEZIONI E NELLO SVILUPPO DEL PROGETTO.
LE INFORMAZIONI RELATIVE AL CORSO SONO DISPONIBILI SULLA PIATTAFORMA DI E-LEARNING DEL DIPARTIMENTO DI INFORMATICA ALL’INDIRIZZO HTTP://ELEARNING.INFORMATICA.UNISA.IT/EL-PLATFORM/

CONTATTI
PROF.SSA GENOVEFFA TORTORA
TORTORA@UNISA.IT

PROF.SSA LOREDANA CARUCCIO
LCARUCCIO@UNISA.IT
Orari Lezioni

  BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2024-11-18]