2. Docenti
  3. DEUFEMIA Vincenzo
  4. Didattica

INTELLIGENZA ARTIFICIALE

Vincenzo DEUFEMIA INTELLIGENZA ARTIFICIALE

0522500093
DIPARTIMENTO DI INFORMATICA
CORSO DI LAUREA MAGISTRALE
INFORMATICA
2024/2025



ANNO ORDINAMENTO 2016
PRIMO SEMESTRE
CFUOREATTIVITÀ
972LEZIONE
VINCENZO DEUFEMIA T Curriculum
Obiettivi
IL CORSO HA L'OBIETTIVO DI FORNIRE AGLI STUDENTI LE BASI TEORICHE ED APPLICATIVE PER L’ANALISI, LA PROGETTAZIONE E LO SVILUPPO DI SISTEMI INTELLIGENTI.

LO STUDENTE:
- CONOSCERÀ I CONCETTI DI AGENTI INTELLIGENTI E LE LORO CARATTERISTICHE PRINCIPALI.
- COMPRENDERÀ LE METODOLOGIE DI RAPPRESENTAZIONE DELLA CONOSCENZA INCERTA E L'USO DI METODI PROBABILISTICI DI INFERENZA, FOCALIZZANDOSI IN PARTICOLARE SULLE RETI BAYESIANE.
- ACQUISIRÀ CONOSCENZE SULLE TECNICHE DI APPRENDIMENTO AUTOMATICO, COMPRENDENDONE I PRINCIPI FONDAMENTALI E LE APPLICAZIONI.
- CONOSCERÀ LE TECNICHE DI APPRENDIMENTO PER RINFORZO E LE LORO IMPLEMENTAZIONI PRATICHE IN CONTESTI DI INTELLIGENZA ARTIFICIALE.
- COMPRENDERÀ LE METODOLOGIE E LE TECNICHE UTILIZZATE NELLE GRAPH NEURAL NETWORKS (GNN), COMPRESE LE LORO ARCHITETTURE E I MECCANISMI DI APPRENDIMENTO.
- AVRÀ FAMILIARITÀ CON LE TECNICHE DI ELABORAZIONE DEL LINGUAGGIO NATURALE, COMPRENDENDO COME VENGONO UTILIZZATE PER INTERPRETARE E GENERARE TESTO IN MODO AUTOMATICO.

LO STUDENTE SARÀ IN GRADO DI:
- ANALIZZARE IN MODO CRITICO PROBLEMI CHE POSSONO ESSERE RISOLTI ATTRAVERSO TECNICHE DI INTELLIGENZA ARTIFICIALE, IDENTIFICANDO LE LORO CARATTERISTICHE E COMPLESSITÀ.
- IDENTIFICARE TRA LE VARIE TECNICHE DI INTELLIGENZA ARTIFICIALE STUDIATE QUELLE PIÙ ADATTE ALLA RISOLUZIONE DI UN DETERMINATO PROBLEMA, VALUTANDONE VANTAGGI, SVANTAGGI E LIMITAZIONI.
- SELEZIONARE LE TECNOLOGIE SOFTWARE NECESSARIE PER IMPLEMENTARE LE TECNICHE DI INTELLIGENZA ARTIFICIALE SCELTE, COMPRENDENDONE LE FUNZIONALITÀ E ADATTANDOLE ALLE ESIGENZE SPECIFICHE DEL PROBLEMA DA RISOLVERE.
- PROGETTARE SISTEMI INTELLIGENTI EFFICACI PER AFFRONTARE PROBLEMI SPECIFICI, INTEGRANDO LE CONOSCENZE TEORICHE ACQUISITE CON LE TECNOLOGIE SOFTWARE APPROPRIATE E CONSIDERANDO VINCOLI E REQUISITI DI PRESTAZIONE.

LO STUDENTE SARÀ IN GRADO DI:
- VALUTARE CRITICAMENTE L'EFFICACIA DELLE TECNICHE DI INTELLIGENZA ARTIFICIALE NELL'AFFRONTARE PROBLEMI SPECIFICI, CONSIDERANDO FATTORI COME LA COMPLESSITÀ DEL PROBLEMA, LA DISPONIBILITÀ DEI DATI E LE LIMITAZIONI DELLE TECNICHE STESSE.
- DISCERNERE TRA LE DIVERSE SOLUZIONI PROPOSTE PER UN PROBLEMA, VALUTANDONE LA COERENZA CON I PRINCIPI TEORICI E LA LORO ADATTABILITÀ ALLE ESIGENZE SPECIFICHE DEL CONTESTO.
- SELEZIONARE LE STRATEGIE E LE METODOLOGIE PIÙ APPROPRIATE PER AFFRONTARE UN DETERMINATO PROBLEMA, CONSIDERANDO LE CARATTERISTICHE DEL PROBLEMA STESSO E LE RISORSE DISPONIBILI.
- RIFLETTERE IN MODO CRITICO SULLE SCELTE FATTE DURANTE IL PROCESSO DI PROGETTAZIONE E SVILUPPO DI SISTEMI INTELLIGENTI, IDENTIFICANDO EVENTUALI MIGLIORAMENTI E ADATTAMENTI NECESSARI PER OTTIMIZZARE I RISULTATI.
- SVILUPPARE RAGIONAMENTI E RIFLESSIONI AUTONOME E INDIPENDENTI SUI TEMI TRATTATI NEL CORSO DI IA.

LO STUDENTE SARÀ IN GRADO DI:
- COMUNICARE IN MODO CHIARO ED EFFICACE CONCETTI COMPLESSI LEGATI ALL'INTELLIGENZA ARTIFICIALE, SIA VERBALMENTE CHE PER ISCRITTO, ADATTANDO IL LINGUAGGIO AL LIVELLO DI COMPRENSIONE DEL PUBBLICO DI RIFERIMENTO.
- COLLABORARE IN MODO COSTRUTTIVO E ASSERTIVO CON COLLEGHI E TEAM MULTIDISCIPLINARI, CONTRIBUENDO ATTIVAMENTE ALLE DISCUSSIONI E ALLA RICERCA DI SOLUZIONI CONDIVISE.
- PRESENTARE IN MODO PERSUASIVO RISULTATI DI PROGETTI E ANALISI NELL'AMBITO DELL'INTELLIGENZA ARTIFICIALE, UTILIZZANDO SUPPORTI VISIVI E ARGOMENTAZIONI CONVINCENTI PER COINVOLGERE E INFLUENZARE GLI STAKEHOLDER.

LO STUDENTE SARÀ IN GRADO DI:
- ORGANIZZARE IN MODO CRITICO E SISTEMATICO IL PROPRIO APPRENDIMENTO, PIANIFICANDO E GESTENDO EFFICACEMENTE IL TEMPO E LE RISORSE DISPONIBILI PER MASSIMIZZARE I RISULTATI.
- RIFLETTERE IN MODO METACOGNITIVO SULLA PROPRIA ESPERIENZA DI APPRENDIMENTO, IDENTIFICANDO PUNTI DI FORZA E DI DEBOLEZZA E ADOTTANDO STRATEGIE CORRETTIVE PER MIGLIORARE LE PROPRIE PRESTAZIONI.
- RICONOSCERE LA NECESSITÀ DI CONTINUARE L'APPRENDIMENTO E DI APPROFONDIRE LE PROPRIE CONOSCENZE IN MATERIA DI INTELLIGENZA ARTIFICIALE, SIA ATTRAVERSO ULTERIORI STUDI ACCADEMICI CHE TRAMITE ATTIVITÀ DI RICERCA E FORMAZIONE CONTINUA.
Prerequisiti
LO STUDENTE DEVE AVER ACQUISITO CONOSCENZE BASE DI STATISTICA E ANALISI DEI DATI.
Contenuti
DOPO UN’INTRODUZIONE SULL’INTELLIGENZA ARTIFICIALE, INCLUSI CENNI STORICI SULLE ATTIVITÀ DI RICERCA SVOLTE IN QUESTO SETTORE, IL CORSO FORNIRÀ LE CONOSCENZE DI BASE DEGLI AGENTI INTELLIGENTI, IN QUANTO PROPEDEUTICI AI SEGUENTI ARGOMENTI SU CUI SI CONCENTRERÀ IL CORSO:

CONOSCENZA INCERTA E RAGIONAMENTO
- INCERTEZZA (3 ORE DI TEORIA)
- RAGIONAMENTO PROBABILISTICO (3 ORE DI TEORIA)
- RETI BAYESIANE (3 ORE DI TEORIA)
- TECNICHE DI INFERENZA BASATE SU RETI BAYESIANE (3 ORE DI TEORIA)

APPRENDIMENTO
- APPRENDIMENTO DA ESEMPI (3 ORE DI TEORIA)
- APPRENDIMENTO DI MODELLI PROBABILISTICI (3 ORE DI TEORIA)
- DEEP LEARNING (3 ORE DI TEORIA)
- RETI NEURALI RICORRENTI (3 ORE DI TEORIA)
- INTRODUZIONE ALL'EXPLAINABLE AI (3 ORE DI TEORIA)

APPRENDIMENTO PER RINFORZO
- PROBLEMI DI DECISIONE DI MARKOV (3 ORE DI TEORIA)
- APPRENDIMENTO FUNZIONE VALORE (3 ORE DI TEORIA)
- APPRENDIMENTO POLITICA (3 ORE DI TEORIA)
- APPRENDIMENTO PER RINFORZO MODEL-FREE E MODEL-BASED (6 ORE DI TEORIA)
- ESPLORAZIONE E SFRUTTAMENTO (3 ORE DI TEORIA)

NATURAL LANGUAGE PROCESSING
- MODELLI N-GRAM E TAGGING (3 ORE DI TEORIA)
- VECTOR SEMANTICS ED EMBEDDINGS (3 ORE DI TEORIA)
- CLASSIFICAZIONE DEL TESTO (3 ORE DI TEORIA)
- ARCHITETTURE TRANSFORMER (3 ORE DI TEORIA)
- LARGE LANGUAGE MODELS (3 ORE DI TEORIA)
- PROMPT ENGINEERING (3 ORE DI TEORIA)

GRAPH REPRESENTATION LEARNING
- MACHINE LEARNING CON GRAFI (3 ORE DI TEORIA)
- NODE EMBEDDINGS (3 ORE DI TEORIA)
- GRAPH NEURAL NETWORK (3 ORE DI TEORIA)
Metodi Didattici
L’INSEGNAMENTO PREVEDE 72 ORE DI DIDATTICA TRA LEZIONI FRONTALI ED ESERCITAZIONI IN AULA (9 CFU), CON L’OBIETTIVO DI PRESENTARE I CONCETTI E SVILUPPARE LE CAPACITÀ DI RISOLVERE PROBLEMI MEDIANTE L’UTILIZZO DI STRUMENTI E TECNICHE DI INTELLIGENZA ARTIFICIALE.
Verifica dell'apprendimento
IL RAGGIUNGIMENTO DEGLI OBIETTIVI DELL’INSEGNAMENTO E CERTIFICATO MEDIANTE IL SUPERAMENTO DI UN ESAME CON VALUTAZIONE IN TRENTESIMI. L'ESAME PREVEDE UNA PROVA SCRITTA ED UNA PROVA ORALE. PER ACCEDERE ALLA PROVA ORALE OCCORRE SUPERARE LA PROVA SCRITTA CON UN VOTO MINIMO DI 18/30.
LA PROVA SCRITTA HA L’OBIETTIVO DI VALUTARE LE CAPACITÀ ACQUISITE DAGLI STUDENTI RELATIVAMENTE ALL’UTILIZZO DELLE TECNICHE DI IA PRESENTATE DURANTE IL CORSO.
LA PROVA ORALE CONSISTE IN UN COLLOQUIO CON DOMANDE E DISCUSSIONE SUI CONTENUTI TEORICI E METODOLOGICI TRATTATI A LEZIONE ED E FINALIZZATA AD ACCERTARE LA CAPACITA DI CONOSCENZA E COMPRENSIONE, NONCHÉ LA CAPACITA DI ESPOSIZIONE DEI CONCETTI.
IL VOTO FINALE SCATURISCE, GENERALMENTE, DALLA MEDIA DELLE DUE PROVE. LO STUDENTE HA LA POSSIBILITÀ DI SVOLGERE DEI PROGETTI PER INCREMENTARE IL VOTO FINALE.
I PROGETTI POSSONO ESSERE INDIVIDUALI O SVOLTI IN GRUPPO DI MASSIMO 3 PERSONE, NELL’AMBITO DI PROBLEMI RISOLVIBILE CON TECNICHE DI INTELLIGENZA ARTIFICIALE. GLI STUDENTI POSSONO PROPORRE TEMATICHE DEI PROGETTI DA SOTTOPORRE ALL’APPROVAZIONE DEL DOCENTE O, IN ALTERNATIVA, SCEGLIERE TRA UN VENTAGLIO DI PROPOSTE FATTE DAL DOCENTE. PER OGNI PROGETTO GLI STUDENTI DEVONO CONSEGNARE AL DOCENTE UNA TESINA CONTENENTE LA DOCUMENTAZIONE DI PROGETTO ED UNA PRESENTAZIONE POWERPOINT DEL PROGETTO DELLA DURATA DI CIRCA 30 MINUTI.
Testi
S. J. RUSSELL, P. NORVIG, INTELLIGENZA ARTIFICIALE. UN APPROCCIO MODERNO, VOLUME 1 (4/ED, 2021) E VOLUME 2 (4/ED, 2022), PEARSON EDUCATION ITALIA.

RICHARD S. SUTTON AND ANDREW G. BARTO, REINFORCEMENT LEARNING: AN INTRODUCTION, SECOND EDITION (2020), MIT PRESS.

WILLIAM L. HAMILTON, GRAPH REPRESENTATION LEARNING, SYNTHESIS LECTURES ON ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING, VOL. 14, NO. 3 , PAGES 1-159.

D. JURAFSKY AND J. MARTIN. SPEECH AND LANGUAGE PROCESSING, PRENTICE HALL, THIRD EDITION (2021).

LETTURE CONSIGLIATE:
C. M. BISHOP. PATTERN RECOGNITION AND MACHINE LEARNING, SPRINGER SCIENCE, NEW YORK, 2011.

I. GOODFELLOW, Y. BENGIO, A. COURVILLE, “DEEP LEARNING”, MIT PRESS, 2016.
Altre Informazioni
LA FREQUENZA DEL CORSO È FORTEMENTE CONSIGLIATA. GLI STUDENTI DEVONO ESSERE PREPARATI A TRASCORRERE UNA CONGRUA QUANTITÀ DI TEMPO NELLO STUDIO AL DI FUORI DELLE LEZIONI. UNA PREPARAZIONE SODDISFACENTE RICHIEDE IN MEDIA DUE ORE DI STUDIO PER CIASCUNA ORA TRASCORSA IN AULA. PER LE CARATTERISTICHE DEL CORSO È NECESSARIO ACQUISIRE UNA SUFFICIENTE ABILITÀ CON STRUMENTI SOFTWARE PER LO SVILUPPO DI MODULI DI SISTEMI INTELLIGENTI.
IL MATERIALE DELLE LEZIONI SARÀ DISPONIBILE SULLA PIATTAFORMA E-LEARNING DIPARTIMENTALE HTTP://ELEARNING.INFORMATICA.UNISA.IT/EL-PLATFORM/

CONTATTI
PROF. VINCENZO DEUFEMIA
DEUFEMIA@UNISA.IT
Orari Lezioni

  BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2024-11-29]