Vincenzo MATTA | ARTIFICIAL INTELLIGENCE

cod. 0623300012

ARTIFICIAL INTELLIGENCE

	0623300012
	DIPARTIMENTO DI INGEGNERIA DELL'INFORMAZIONE ED ELETTRICA E MATEMATICA APPLICATA
	CORSO DI LAUREA MAGISTRALE
	ELECTRICAL ENGINEERING FOR DIGITAL ENERGY
	2024/2025

PERCORSO COMUNE Coorte 2023/2024

	OBBLIGATORIO
	ANNO CORSO 2
	ANNO ORDINAMENTO 2023
	ANNUALE

MODULI

SSD	CFU	ORE	ATTIVITÀ	TIPO DI ATTIVITÁ FORMATIVA
ING-INF/05	6	48	LEZIONE	CARATTERIZZANTE
ING-INF/05	2	16	ESERCITAZIONE	CARATTERIZZANTE
ING-INF/05	4	32	LABORATORIO	CARATTERIZZANTE

DOCENTI

	VINCENZO MATTA T Curriculum
	ALESSIA SAGGESE Curriculum
	ANTONIO DELLA CIOPPA Curriculum

	Obiettivi
	L’INSEGNAMENTO HA CARATTERE SIA METODOLOGICO CHE APPLICATIVO/PROGETTUALE. IL CORSO MIRA A ILLUSTRARE DAPPRIMA LE PRINCIPALI METODOLOGIE DI INTERESSE PER L'ANALISI STATISTICA DEI DATI. SUCCESSIVAMENTE, AD APPLICARE TALI METODOLOGIE A PROBLEMI DI RILEVANZA PRATICA, ATTRAVERSO L'IMPIEGO DI STRUMENTI PER L’ANALISI STATISTICA, LA VISUALIZZAZIONE E L’ELABORAZIONE DEI DATI. CONOSCENZE E COMPRENSIONE •ACQUISIZIONE DELLE PRINCIPALI TECNICHE DI INFERENZA STATISTICA E ANALISI DEI DATI. •APPROCCIO PARAMETRICO VS. APPROCCIO NON PARAMETRICO, METODI SUPERVISIONATI VS. METODI NON SUPERVISIONATI. •ACQUISIZIONE DELLE TECNICHE E DEI PRINCIPALI STRUMENTI PER L’ANALISI DI BIG DATA. APPLICAZIONE DELLE CONOSCENZE E DELLA COMPRENSIONE •CAPACITÀ DI APPLICARE LE PRINCIPALI METODOLOGIE DI ANALISI DEI DATI E INFERENZA STATISTICA A PROBLEMI PRATICI (ES., ANALISI DI DATI SOCIALI, BIOMEDICI). •CAPACITÀ DI ANALIZZARE GRANDI MOLI DI DATI, ORGANIZZATI IN STRUTTURE COMPLESSE, ETEROGENEE, E A ELEVATA DIMENSIONALITÀ. •CAPACITÀ DI UTILIZZARE STRUMENTI (ES., LINGUAGGIO R, PYTHON, MATLAB) PER L’ANALISI STATISTICA, LA VISUALIZZAZIONE E L’ELABORAZIONE DEI DATI. MODULO 2: OBIETTIVI FORMATIVI L'OBIETTIVO DEL MODULO 2 DEL CORSO È INTRODURRE GLI STUDENTI AI PROBLEMI, AI MODELLI E ALLE TECNICHE DI BASE DELL'INTELLIGENZA ARTIFICIALE (IA) E METTERLI IN GRADO DI MODELLARE ED IMPLEMENTARE APPLICAZIONI DI AI PER LA RISOLUZIONE DI PROBLEMI SPECIFICI DEL SETTORE ENERGETICO. IL MODULO 2 DEL CORSO COPRE I CONCETTI FONDAMENTALI, GLI APPROCCI DI MODELLAZIONE E I METODI DI RISOLUZIONE PROPRI DELL'IA CLASSICA PER L'IMPLEMENTAZIONE DI AGENTI ARTIFICIALI CAPACI DI RISOLVERE PROBLEMI DI APPRENDIMENTO, OTTIMIZZAZIONE E PREVISIONE, CON PARTICOLARE RIFERIMENTO AL SETTORE ENERGETICO. MODULO 2: CONOSCENZE E CAPACITÀ DI COMPRENSIONE METODOLOGIE E STRUMENTI PER LA MODELLAZIONE DI AGENTI INTELLIGENTI. PARADIGMA DI RISOLUZIONE DEI PROBLEMI COME RICERCA IN UNO SPAZIO DI STATI E DELLE SOLUZIONI. RICERCA LOCALE. APPRENDIMENTO AUTOMATICO: METODI SUPERVISIONATI, NON SUPERVISIONATI. RETI NEURALI. COMPUTAZIONE EVOLUTIVA. MODULO 2: CONOSCENZA E CAPACITÀ DI COMPRENSIONE APPLICATE INDIVIDUARE I MODELLI E GLI STRUMENTI PIÙ ADATTI PER LA RAPPRESENTAZIONE E LA SOLUZIONE DI PROBLEMI COMPLESSI SECONDO I DIVERSI APPROCCI DELL'IA E STIMARNE I COSTI COMPUTAZIONALI E LE PRESTAZIONI. FORMULARE LA SOLUZIONE DI UN PROBLEMA IN TERMINI DI RICERCA IN UNO SPAZIO DEGLI STATI APPOSITAMENTE DEFINITO. PROGETTARE AGENTI INTELLIGENTI USANDO TECNICHE APPROPRIATE DI RISOLUZIONE DEI PROBLEMI COME ISTANZE DI CLASSI GENERALI CON PARTICOLARE RIFERIMENTO AL SETTORE ENERGETIC0.

L’INSEGNAMENTO HA CARATTERE SIA METODOLOGICO CHE APPLICATIVO/PROGETTUALE.
IL CORSO MIRA A ILLUSTRARE DAPPRIMA LE PRINCIPALI METODOLOGIE DI INTERESSE PER L'ANALISI STATISTICA DEI DATI. SUCCESSIVAMENTE, AD APPLICARE TALI METODOLOGIE A PROBLEMI DI RILEVANZA PRATICA, ATTRAVERSO L'IMPIEGO DI STRUMENTI PER L’ANALISI STATISTICA, LA VISUALIZZAZIONE E L’ELABORAZIONE DEI DATI.

CONOSCENZE E COMPRENSIONE
•ACQUISIZIONE DELLE PRINCIPALI TECNICHE DI INFERENZA STATISTICA E ANALISI DEI DATI.
•APPROCCIO PARAMETRICO VS. APPROCCIO NON PARAMETRICO, METODI SUPERVISIONATI VS. METODI NON SUPERVISIONATI.
•ACQUISIZIONE DELLE TECNICHE E DEI PRINCIPALI STRUMENTI PER L’ANALISI DI BIG DATA.

APPLICAZIONE DELLE CONOSCENZE E DELLA COMPRENSIONE
•CAPACITÀ DI APPLICARE LE PRINCIPALI METODOLOGIE DI ANALISI DEI DATI E INFERENZA STATISTICA A PROBLEMI PRATICI (ES., ANALISI DI DATI SOCIALI, BIOMEDICI).
•CAPACITÀ DI ANALIZZARE GRANDI MOLI DI DATI, ORGANIZZATI IN STRUTTURE COMPLESSE, ETEROGENEE, E A ELEVATA DIMENSIONALITÀ.
•CAPACITÀ DI UTILIZZARE STRUMENTI (ES., LINGUAGGIO R, PYTHON, MATLAB) PER L’ANALISI STATISTICA, LA VISUALIZZAZIONE E L’ELABORAZIONE DEI DATI.

MODULO 2: OBIETTIVI FORMATIVI

L'OBIETTIVO DEL MODULO 2 DEL CORSO È INTRODURRE GLI STUDENTI AI PROBLEMI, AI MODELLI E ALLE TECNICHE DI BASE DELL'INTELLIGENZA ARTIFICIALE (IA) E METTERLI IN GRADO DI MODELLARE ED IMPLEMENTARE APPLICAZIONI DI AI PER LA RISOLUZIONE DI PROBLEMI SPECIFICI DEL SETTORE ENERGETICO.
IL MODULO 2 DEL CORSO COPRE I CONCETTI FONDAMENTALI, GLI APPROCCI DI MODELLAZIONE E I METODI DI RISOLUZIONE
PROPRI DELL'IA CLASSICA PER L'IMPLEMENTAZIONE DI AGENTI ARTIFICIALI CAPACI DI RISOLVERE PROBLEMI DI APPRENDIMENTO, OTTIMIZZAZIONE E PREVISIONE, CON PARTICOLARE RIFERIMENTO AL SETTORE ENERGETICO.

MODULO 2: CONOSCENZE E CAPACITÀ DI COMPRENSIONE

METODOLOGIE E STRUMENTI PER LA MODELLAZIONE DI AGENTI INTELLIGENTI. PARADIGMA DI RISOLUZIONE DEI
PROBLEMI COME RICERCA IN UNO SPAZIO DI STATI E DELLE SOLUZIONI. RICERCA LOCALE.
APPRENDIMENTO AUTOMATICO: METODI SUPERVISIONATI, NON SUPERVISIONATI. RETI NEURALI. COMPUTAZIONE EVOLUTIVA.

MODULO 2: CONOSCENZA E CAPACITÀ DI COMPRENSIONE APPLICATE

INDIVIDUARE I MODELLI E GLI STRUMENTI PIÙ ADATTI PER LA RAPPRESENTAZIONE E LA SOLUZIONE DI PROBLEMI
COMPLESSI SECONDO I DIVERSI APPROCCI DELL'IA E STIMARNE I COSTI COMPUTAZIONALI E LE PRESTAZIONI.
FORMULARE LA SOLUZIONE DI UN PROBLEMA IN TERMINI DI RICERCA IN UNO SPAZIO DEGLI STATI APPOSITAMENTE DEFINITO.
PROGETTARE AGENTI INTELLIGENTI USANDO TECNICHE APPROPRIATE DI RISOLUZIONE DEI PROBLEMI COME ISTANZE DI CLASSI GENERALI
CON PARTICOLARE RIFERIMENTO AL SETTORE ENERGETIC0.

	Prerequisiti
	PREREQUISITI: ADEGUATE CONOSCENZE MATEMATICHE E DEGLI ELEMENTI DI BASE DI PROBABILITÀ E STATISTICA. PREREQUISITI MODULO 2: L'INSEGNAMENTO RICHIEDE LA CONOSCENZA DEL LINGUAGGIO PYTHON.

	Contenuti
	UNITÀ DIDATTICA 1: INTRODUZIONE AL CORSO E METODI PARAMETRICI (ORE LEZIONE/ESERCITAZIONE/LABORATORIO: 6/0/2) - 1 (ORE LEZIONE 2): INTRODUZIONE ALL’ANALISI DEI DATI. DIFFERENZA TRA APPRENDIMENTO, PREDIZIONE E INFERENZA. DIFFERENZE TRA REGRESSIONE E CLASSIFICAZIONE. METODI DI STIMA PARAMETRICI. MASSIMA VEROSIMIGLIANZA. - 2 (ORE LEZIONE 2): APPROCCIO BAYESIANO E STIMATORI A MINIMO ERRORE QUADRATICO MEDIO. FUNZIONI DI COSTO RILEVANTI PER I PROBLEMI DI STIMA E REGRESSIONE. - 3 (ORE LEZIONE 2): CALCOLO DI STIMATORI A MASSIMA VEROSIMIGLIANZA E A MINIMO ERRORE QUADRATICO MEDIO IN UN CLASSICO PROBLEMA GAUSSIANO. - 4 (ORE LABORATORIO 2): SIMULAZIONE AL CALCOLATORE E VALUTAZIONE DELLE PRESTAZIONI DEGLI STIMATORI ILLUSTRATI NELLE LEZIONI PRECEDENTI. CONOSCENZE E CAPACITÀ DI COMPRENSIONE: TECNICHE PARAMETRICHE PER LA RISOLUZIONE DI PROBLEMI DI STATISTICAL LEARNING. CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: PROGETTARE E REALIZZARE ALGORITMI DI STIMA PARAMETRICI. UNITÀ DIDATTICA 2 – METODI SUPERVISIONATI PER LA REGRESSIONE (ORE LEZIONE/ESERCITAZIONE/LABORATORIO: 16/0/6) - 5 (ORE LEZIONE 2): FUNZIONE DI REGRESSIONE, NESSI E DIFFERENZE TRA MODELLI SUPERVISIONATI E MODELLI PARAMETRICI. - 6 (ORE LEZIONE 2): REGRESSIONE LINEARE. - 7 (ORE LEZIONE 2): INFERENZA STATISTICA. TEST DI IPOTESI E P-VALUE. - 8 (ORE LEZIONE 2): SELEZIONE DEI MODELLI. SELEZIONE STEPWISE. - 9 (ORE LEZIONE 2): NORMALIZZAZIONE DEI DATI. REGOLARIZZAZIONE/SHRINKAGE. COLLINEARITÀ E PROBLEMI AD ELEVATA DIMENSIONALITÀ. RIDGE REGRESSION. - 10 (ORE LEZIONE 2): TECNICA LASSO. RIDUZIONE DELLA DIMENSIONALITÀ. - 11 (ORE LABORATORIO 2): IMPLEMENTAZIONE AL CALCOLATORE DI ALGORITMI DI REGRESSIONE LINEARE SEMPLICE E MULTIPLA. - 12 (ORE LABORATORIO 2): IMPLEMENTAZIONE AL CALCOLATORE DI TECNICHE DI INFERENZA, RIDGE E LASSO. - 13 (ORE LEZIONE 2): CROSS-VALIDATION. - 14 (ORE LEZIONE 2): APPROCCI NON PARAMETRICI SUPERVISIONATI. METODI LOCALI. NAÏVE-KERNEL. METODO K-NEAREST-NEIGHBOR. - 15 (ORE LABORATORIO 2): IMPLEMENTAZIONE AL CALCOLATORE DEI METODI NAÏVE-KERNEL E K-NEAREST-NEIGHBOR. CONOSCENZE E CAPACITÀ DI COMPRENSIONE TECNICHE DI RISOLUZIONE DI PROBLEMI DI REGRESSIONE. STIMA DEI PARAMETRI DI UN MODELLO, VARIABLE SELECTION, E TEST DI SIGNIFICATIVITÀ PER LA DETERMINAZIONE DEI FATTORI DI INFLUENZA E L’INTERPRETAZIONE DEI MODELLI. TECNICHE DI REGOLARIZZAZIONE/SHRINKAGE PER L’ANALISI DI DATI AD ELEVATA DIMENSIONALITÀ. CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE PROGETTARE E REALIZZARE ALGORITMI DI REGRESSIONE E DI INFERENZA STATISTICA, PER LA PREDIZIONE, L’INTERPRETAZIONE DEI DATI E LA VALUTAZIONE DELLA SIGNIFICATIVITÀ STATISTICA DEI RISULTATI. UNITÀ DIDATTICA 3: CLASSIFICAZIONE (ORE LEZIONE/ESERCITAZIONE/LABORATORIO: 10/0/8) - 16 (ORE LEZIONE 2): TECNICHE DI DECISIONE PARAMETRICHE. CRITERIO DI NEYMAN-PEARSON E APPROCCIO BAYESIANO. - 17 (ORE LEZIONE 2): DECISORI PARAMETRICI PER UN CLASSICO PROBLEMA GAUSSIANO. - 18 (ORE LABORATORIO 2): SIMULAZIONE AL CALCOLATORE DI DECISORI PARAMETRICI PER IL PROBLEMA GAUSSIANO ILLUSTRATO NELLA PRECEDENTE LEZIONE. - 19 (ORE LEZIONE 2): METODI SUPERVISIONATI. NAÏVE-BAYES. REGRESSIONE LOGISTICA. - 20 (ORE LEZIONE 2): ALGORITMI DEL GRADIENTE PER LA RISOLUZIONE DI PROBLEMI DI REGRESSIONE E CLASSIFICAZIONE. - 21 (ORE LABORATORIO 2): RISOLUZIONE DEL PROBLEMA DI REGRESSIONE LOGISTICA ATTRAVERSO L’UTILIZZO DI ALGORITMI DEL GRADIENTE. - 22 (ORE LEZIONE 2): LINEAR DISCRIMINANT ANALYSIS (LDA). - 23 (ORE LABORATORIO 2): IMPLEMENTAZIONE AL CALCOLATORE DEI METODI DI CLASSIFICAZIONE INTRODOTTI NELLE LEZIONI PRECEDENTI. - 24 (ORE LABORATORIO 2): IMPLEMENTAZIONE AL CALCOLATORE DEI METODI DI CLASSIFICAZIONE INTRODOTTI NELLE LEZIONI PRECEDENTI. CONOSCENZE E CAPACITÀ DI COMPRENSIONE TECNICHE DI RISOLUZIONE DI PROBLEMI DI CLASSIFICAZIONE. ALGORITMI DI OTTIMIZZAZIONE (ES., ALGORITMI DEL GRADIENTE E DEL GRADIENTE STOCASTICO) PER LO STATISTICAL LEARNING. CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE PROGETTARE E REALIZZARE ALGORITMI DI CLASSIFICAZIONE. IMPLEMENTARE ALGORITMI DISTRIBUITI PER L’ANALISI DEI DATI ATTRAVERSO FRAMEWORK DEDICATI. TOTALE ORE LEZIONE/ESERCITAZIONE/LABORATORIO 32/0/16 MODULO 2 - UNITÀ DIDATTICA 1: INTRODUZIONE ALLA ARTIFICIAL INTELLIGENCE (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 2/0/0) - 1 (2 ORE LEZIONE): CONCETTI FONDAMENTALI: AGENTE, AMBIENTE, AUTONOMIA, VALUTAZIONE E FEEDBACK, APPRENDIMENTO. MODELLO PEAS CONOSCENZE E CAPACITÀ DI COMPRENSIONE: COMPRENSIONE DEI CONCETTO DI AGENTE ARTIFICIALE E DEL MODELLO PEAS CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: SAPER DEFINIRE IL MODELLO PEAS DI AGENTI INTELLIGENTI PER SPECIFICHE APPLICAZIONI, CON PARTICOLARE RIFERIMENTO AL SETTORE ENERGETIC0 MODULO 2 - UNITÀ DIDATTICA 2: RISOLUZIONE DI PROBLEMI CON LA RICERCA (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 4/0/2) - 2 (2 ORE LEZIONE): PROBLEM SOLVING: STRATEGIE DI RICERCA NON INFORMATE, INFORMATE E FUNZIONI EURISTICHE - 3 (2 ORE LEZIONE): RICERCA LOCALE E PROBLEMI DI OTTIMIZZAZIONE: HILL CLIMBER E SIMULATED ANNEALING - 4 (2 ORE LABORATORIO): USO DELLA RICERCA LOCALE LA RISOLUZIONE DI PROBLEMI DI OTTIMIZZAZIONE CONOSCENZE E CAPACITÀ DI COMPRENSIONE: CONOSCERE LE VARIE STRATEGIE DI RICERCA PER LA RISOLUZIONE DI PROBLEMI DI RICERCA E OTTIMIZZAZIONE, CON PARTICOLARE RIFERIMENTO AL SETTORE ENERGETIC0 CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: SAPER SCEGLIERE LA STRATEGIA PIÙ ADATTA PER LA RISOLUZIONE DI PROBLEMI DI RICERCA E OTTIMIZZAZIONE, CON PARTICOLARE RIFERIMENTO AL SETTORE ENERGETIC0 MODULO 2 - UNITÀ DIDATTICA 3: APPRENDIMENTO AUTOMATICO (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 6/0/4) - 5 (2 ORE LEZIONE): APPRENDIMENTO AUTOMATICO SUPERVISIONAT0 E NON SUPERVISIONAT0. REGRESSIONE, CLASSIFICAZIONE, PREVISIONE - 6 (2 ORE LEZIONE): LINEAR REGRESSION E LOGISTIC REGRESSION - 7 (2 ORE LEZIONE): DECISION TREES E RANDOM FOREST - 8 (2 ORE LABORATORIO): APPLICAZIONE DELLE TECNICHE DI APPRENDIMENTO AUTOMATICO A PROBLEMI DI REGRESSIONE, CLASSIFICAZIONE E PREVISIONE - 9 (2 ORE LABORATORIO): APPLICAZIONE DELLE TECNICHE DI APPRENDIMENTO AUTOMATICO A PROBLEMI DI REGRESSIONE, CLASSIFICAZIONE E PREVISIONE CONOSCENZE E CAPACITÀ DI COMPRENSIONE: CONOSCERE LE VARIE STRATEGIE DI APPRENDIMENTO PER LA RISOLUZIONE DI PROBLEMI DI REGRESSIONE, CLASSIFICAZIONE E PREVISIONE, CON PARTICOLARE RIFERIMENTO AL SETTORE ENERGETIC0 CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: SAPER SCEGLIERE LA STRATEGIA PIÙ ADATTA PER LA RISOLUZIONE DI PROBLEMI DI APPRENDIMENTO, CON PARTICOLARE RIFERIMENTO AL SETTORE ENERGETIC0 MODULO 2 - UNITÀ DIDATTICA 4: COMPUTAZIONE EVOLUTIVA (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 6/4/4) - 10 (2 ORE LEZIONE): FONDAMENTI DI BIOLOGIA EVOLUTIVA: SELEZIONE, RICOMBINAZIONE E MUTAZIONE - INTRODUZIONE AGLI ALGORITMI EVOLUTIVI - 11 (2 ORE LEZIONE): ALGORITMI GENETICI E DIFFERENTIAL EVOLUTION - 12 (2 ORE LEZIONE): GENETIC PROGRAMMING - 13 (2 ORE LABORATORIO): APPLICAZIONE DI ALGORITMI GENETICI E DELLA DIFFERENTIAL EVOLUTION A PROBLEMI DI OTTIMIZZAZIONE - 14 (2 ORE LABORATORIO): APPLICAZIONE DEL GENETIC PROGRAMMING A PROBLEMI DI OTTIMIZZAZIONE E APPRENDIMENTO - 15 (2 ORE ESERCITAZIONE): DISCUSSIONE PROJECT WORK. - 16 (2 ORE ESERCITAZIONE): DISCUSSIONE PROJECT WORK. CONOSCENZE E CAPACITÀ DI COMPRENSIONE: ACQUISIRE LE CONOSCENZE RELATIVE AGLI ELEMENTI FONDAMENTALI DELLA COMPUTAZIONE EVOLUTIVA CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: SAPER APPLICARE LA COMPUTAZIONE EVOLUTIVA ALLE VARIE TIPOLOGIE DI PROBLEMI DEL MONDO REALE, CON PARTICOLARE RIFERIMENTO AL SETTORE ENERGETIC0. SAPER USARE IL FRAMEWORKS PYTHON PER LA REALIZZAZIONE DI ALGORITMI EVOLUTIVI, E SCEGLIERE IN MANIERA APPROPRIATA I PARAMETRI DI TALI RETI. MODULO 2 - UNITÀ DIDATTICA 5: RETI NEURONICHE (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 8/2/6) - 17 (2 ORE LEZIONE): INTRODUZIONE ALLE RETI NEURONICHE: IL NEURONE DI MCCULLOCH E PITTS. IL PERCETTRONE DI ROSENBLATT. ARCHITETTURE FEED-FORWARD. RETI FULLY-CONNECTED E A CONNESSIONI SPARSE. MULTI-LAYER PERCEPTRON. - 18 (2 ORE LEZIONE): ARCHITETTURA FEEDFORWARD, FUNZIONI DI ATTIVAZIONE E LORO CARATTERISTICHE, BACKPROPAGATION E ALGORITMO STOCHASTIC GRADIENT DESCENT - 19 (2 ORE LEZIONE): EARLY STOPPING, MOMENTUM, ADAPTIVE LEARNING RATE, REGOLARIZZAZIONE. - 20 (2 ORE LEZIONE): RETI NEURALI COMPETITIVE. RETI LEARNING VECTOR QUANTIZATION. - 21 (2 ORE LABORATORIO): USO DI RETI MLP IN PROBLEMI DI CLASSIFICAZIONE, CON PARTICOLARE RIFERIMENTO AL SETTORE ENERGETIC0. - 22 (2 ORE LABORATORIO): USO DI RETI MLP IN PROBLEMI DI REGRESSIONE, CON PARTICOLARE RIFERIMENTO AL SETTORE ENERGETIC0. - 23 (2 ORE LABORATORIO): USO DI RETI LVQ IN PROBLEMI DI CLASSIFICAZIONE, CON PARTICOLARE RIFERIMENTO AL SETTORE ENERGETIC0. - 24 (2 ORE ESERCITAZIONE): DISCUSSIONE AVANZAMENTO PROJECT WORK. CONOSCENZE E CAPACITÀ DI COMPRENSIONE: IL PARADIGMA DI APPRENDIMENTO NEURALE. ARCHITETTURA E FUNZIONAMENTO DELLE RETI MLP ED LVQ. CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: SAPER PROGETTARE SOLUZIONI DI APPRENDIMENTO AUTOMATICO BASATE SUL PARADIGMA NEURALE, CON PARTICOLARE RIFERIMENTO AL SETTORE ENERGETIC0 SAPER USARE IL FRAMEWORK PYTHON PER LA REALIZZAZIONE RETI NEURALI, E SCEGLIERE IN MANIERA APPROPRIATA I PARAMETRI DI TALI RETI. TOTALE ORE MODULO 2 LEZIONE/ESERCITAZIONE/LABORATORIO 26/6/16

Contenuti

UNITÀ DIDATTICA 1: INTRODUZIONE AL CORSO E METODI PARAMETRICI (ORE LEZIONE/ESERCITAZIONE/LABORATORIO: 6/0/2)

- 1 (ORE LEZIONE 2): INTRODUZIONE ALL’ANALISI DEI DATI. DIFFERENZA TRA APPRENDIMENTO, PREDIZIONE E INFERENZA. DIFFERENZE TRA REGRESSIONE E CLASSIFICAZIONE. METODI DI STIMA PARAMETRICI. MASSIMA VEROSIMIGLIANZA.
- 2 (ORE LEZIONE 2): APPROCCIO BAYESIANO E STIMATORI A MINIMO ERRORE QUADRATICO MEDIO. FUNZIONI DI COSTO RILEVANTI PER I PROBLEMI DI STIMA E REGRESSIONE.
- 3 (ORE LEZIONE 2): CALCOLO DI STIMATORI A MASSIMA VEROSIMIGLIANZA E A MINIMO ERRORE QUADRATICO MEDIO IN UN CLASSICO PROBLEMA GAUSSIANO.
- 4 (ORE LABORATORIO 2): SIMULAZIONE AL CALCOLATORE E VALUTAZIONE DELLE PRESTAZIONI DEGLI STIMATORI ILLUSTRATI NELLE LEZIONI PRECEDENTI.

CONOSCENZE E CAPACITÀ DI COMPRENSIONE:
TECNICHE PARAMETRICHE PER LA RISOLUZIONE DI PROBLEMI DI STATISTICAL LEARNING.
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE:
PROGETTARE E REALIZZARE ALGORITMI DI STIMA PARAMETRICI.

UNITÀ DIDATTICA 2 – METODI SUPERVISIONATI PER LA REGRESSIONE (ORE LEZIONE/ESERCITAZIONE/LABORATORIO: 16/0/6)

- 5 (ORE LEZIONE 2): FUNZIONE DI REGRESSIONE, NESSI E DIFFERENZE TRA MODELLI SUPERVISIONATI E MODELLI PARAMETRICI.
- 6 (ORE LEZIONE 2): REGRESSIONE LINEARE.
- 7 (ORE LEZIONE 2): INFERENZA STATISTICA. TEST DI IPOTESI E P-VALUE.
- 8 (ORE LEZIONE 2): SELEZIONE DEI MODELLI. SELEZIONE STEPWISE.
- 9 (ORE LEZIONE 2): NORMALIZZAZIONE DEI DATI. REGOLARIZZAZIONE/SHRINKAGE. COLLINEARITÀ E PROBLEMI AD ELEVATA DIMENSIONALITÀ. RIDGE REGRESSION.
- 10 (ORE LEZIONE 2): TECNICA LASSO. RIDUZIONE DELLA DIMENSIONALITÀ.
- 11 (ORE LABORATORIO 2): IMPLEMENTAZIONE AL CALCOLATORE DI ALGORITMI DI REGRESSIONE LINEARE SEMPLICE E MULTIPLA.
- 12 (ORE LABORATORIO 2): IMPLEMENTAZIONE AL CALCOLATORE DI TECNICHE DI INFERENZA, RIDGE E LASSO.
- 13 (ORE LEZIONE 2): CROSS-VALIDATION.
- 14 (ORE LEZIONE 2): APPROCCI NON PARAMETRICI SUPERVISIONATI. METODI LOCALI. NAÏVE-KERNEL. METODO K-NEAREST-NEIGHBOR.
- 15 (ORE LABORATORIO 2): IMPLEMENTAZIONE AL CALCOLATORE DEI METODI NAÏVE-KERNEL E K-NEAREST-NEIGHBOR.

CONOSCENZE E CAPACITÀ DI COMPRENSIONE
TECNICHE DI RISOLUZIONE DI PROBLEMI DI REGRESSIONE. STIMA DEI PARAMETRI DI UN MODELLO, VARIABLE SELECTION, E TEST DI SIGNIFICATIVITÀ PER LA DETERMINAZIONE DEI FATTORI DI INFLUENZA E L’INTERPRETAZIONE DEI MODELLI. TECNICHE DI REGOLARIZZAZIONE/SHRINKAGE PER L’ANALISI DI DATI AD ELEVATA DIMENSIONALITÀ.
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE
PROGETTARE E REALIZZARE ALGORITMI DI REGRESSIONE E DI INFERENZA STATISTICA, PER LA PREDIZIONE, L’INTERPRETAZIONE DEI DATI E LA VALUTAZIONE DELLA SIGNIFICATIVITÀ STATISTICA DEI RISULTATI.

UNITÀ DIDATTICA 3: CLASSIFICAZIONE (ORE LEZIONE/ESERCITAZIONE/LABORATORIO: 10/0/8)

- 16 (ORE LEZIONE 2): TECNICHE DI DECISIONE PARAMETRICHE. CRITERIO DI NEYMAN-PEARSON E APPROCCIO BAYESIANO.
- 17 (ORE LEZIONE 2): DECISORI PARAMETRICI PER UN CLASSICO PROBLEMA GAUSSIANO.
- 18 (ORE LABORATORIO 2): SIMULAZIONE AL CALCOLATORE DI DECISORI PARAMETRICI PER IL PROBLEMA GAUSSIANO ILLUSTRATO NELLA PRECEDENTE LEZIONE.
- 19 (ORE LEZIONE 2): METODI SUPERVISIONATI. NAÏVE-BAYES. REGRESSIONE LOGISTICA.
- 20 (ORE LEZIONE 2): ALGORITMI DEL GRADIENTE PER LA RISOLUZIONE DI PROBLEMI DI REGRESSIONE E CLASSIFICAZIONE.
- 21 (ORE LABORATORIO 2): RISOLUZIONE DEL PROBLEMA DI REGRESSIONE LOGISTICA ATTRAVERSO L’UTILIZZO DI ALGORITMI DEL GRADIENTE.
- 22 (ORE LEZIONE 2): LINEAR DISCRIMINANT ANALYSIS (LDA).
- 23 (ORE LABORATORIO 2): IMPLEMENTAZIONE AL CALCOLATORE DEI METODI DI CLASSIFICAZIONE INTRODOTTI NELLE LEZIONI PRECEDENTI.
- 24 (ORE LABORATORIO 2): IMPLEMENTAZIONE AL CALCOLATORE DEI METODI DI CLASSIFICAZIONE INTRODOTTI NELLE LEZIONI PRECEDENTI.

CONOSCENZE E CAPACITÀ DI COMPRENSIONE
TECNICHE DI RISOLUZIONE DI PROBLEMI DI CLASSIFICAZIONE. ALGORITMI DI OTTIMIZZAZIONE (ES., ALGORITMI DEL GRADIENTE E DEL GRADIENTE STOCASTICO) PER LO STATISTICAL LEARNING.
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE
PROGETTARE E REALIZZARE ALGORITMI DI CLASSIFICAZIONE. IMPLEMENTARE ALGORITMI DISTRIBUITI PER L’ANALISI DEI DATI ATTRAVERSO FRAMEWORK DEDICATI.

TOTALE ORE LEZIONE/ESERCITAZIONE/LABORATORIO 32/0/16

MODULO 2 - UNITÀ DIDATTICA 1: INTRODUZIONE ALLA ARTIFICIAL INTELLIGENCE
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 2/0/0)
- 1 (2 ORE LEZIONE): CONCETTI FONDAMENTALI: AGENTE, AMBIENTE, AUTONOMIA, VALUTAZIONE E FEEDBACK, APPRENDIMENTO. MODELLO PEAS
CONOSCENZE E CAPACITÀ DI COMPRENSIONE: COMPRENSIONE DEI CONCETTO DI AGENTE ARTIFICIALE E DEL MODELLO PEAS
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: SAPER DEFINIRE IL MODELLO PEAS DI AGENTI INTELLIGENTI PER SPECIFICHE APPLICAZIONI, CON PARTICOLARE RIFERIMENTO AL SETTORE ENERGETIC0

MODULO 2 - UNITÀ DIDATTICA 2: RISOLUZIONE DI PROBLEMI CON LA RICERCA
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 4/0/2)
- 2 (2 ORE LEZIONE): PROBLEM SOLVING: STRATEGIE DI RICERCA NON INFORMATE, INFORMATE E FUNZIONI EURISTICHE
- 3 (2 ORE LEZIONE): RICERCA LOCALE E PROBLEMI DI OTTIMIZZAZIONE: HILL CLIMBER E SIMULATED ANNEALING
- 4 (2 ORE LABORATORIO): USO DELLA RICERCA LOCALE LA RISOLUZIONE DI PROBLEMI DI OTTIMIZZAZIONE
CONOSCENZE E CAPACITÀ DI COMPRENSIONE: CONOSCERE LE VARIE STRATEGIE DI RICERCA PER LA RISOLUZIONE DI PROBLEMI DI RICERCA E OTTIMIZZAZIONE, CON PARTICOLARE RIFERIMENTO AL SETTORE ENERGETIC0
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: SAPER SCEGLIERE LA STRATEGIA PIÙ ADATTA PER LA RISOLUZIONE DI PROBLEMI DI RICERCA E OTTIMIZZAZIONE, CON PARTICOLARE RIFERIMENTO AL SETTORE ENERGETIC0

MODULO 2 - UNITÀ DIDATTICA 3: APPRENDIMENTO AUTOMATICO
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 6/0/4)
- 5 (2 ORE LEZIONE): APPRENDIMENTO AUTOMATICO SUPERVISIONAT0 E NON SUPERVISIONAT0. REGRESSIONE, CLASSIFICAZIONE, PREVISIONE
- 6 (2 ORE LEZIONE): LINEAR REGRESSION E LOGISTIC REGRESSION
- 7 (2 ORE LEZIONE): DECISION TREES E RANDOM FOREST
- 8 (2 ORE LABORATORIO): APPLICAZIONE DELLE TECNICHE DI APPRENDIMENTO AUTOMATICO A PROBLEMI DI REGRESSIONE, CLASSIFICAZIONE E PREVISIONE
- 9 (2 ORE LABORATORIO): APPLICAZIONE DELLE TECNICHE DI APPRENDIMENTO AUTOMATICO A PROBLEMI DI REGRESSIONE, CLASSIFICAZIONE E PREVISIONE
CONOSCENZE E CAPACITÀ DI COMPRENSIONE: CONOSCERE LE VARIE STRATEGIE DI APPRENDIMENTO PER LA RISOLUZIONE DI PROBLEMI DI REGRESSIONE, CLASSIFICAZIONE E PREVISIONE, CON PARTICOLARE RIFERIMENTO AL SETTORE ENERGETIC0
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: SAPER SCEGLIERE LA STRATEGIA PIÙ ADATTA PER LA RISOLUZIONE DI PROBLEMI DI APPRENDIMENTO, CON PARTICOLARE RIFERIMENTO AL SETTORE ENERGETIC0

MODULO 2 - UNITÀ DIDATTICA 4: COMPUTAZIONE EVOLUTIVA
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 6/4/4)
- 10 (2 ORE LEZIONE): FONDAMENTI DI BIOLOGIA EVOLUTIVA: SELEZIONE, RICOMBINAZIONE E MUTAZIONE - INTRODUZIONE AGLI ALGORITMI EVOLUTIVI
- 11 (2 ORE LEZIONE): ALGORITMI GENETICI E DIFFERENTIAL EVOLUTION
- 12 (2 ORE LEZIONE): GENETIC PROGRAMMING
- 13 (2 ORE LABORATORIO): APPLICAZIONE DI ALGORITMI GENETICI E DELLA DIFFERENTIAL EVOLUTION A PROBLEMI DI OTTIMIZZAZIONE
- 14 (2 ORE LABORATORIO): APPLICAZIONE DEL GENETIC PROGRAMMING A PROBLEMI DI OTTIMIZZAZIONE E APPRENDIMENTO
- 15 (2 ORE ESERCITAZIONE): DISCUSSIONE PROJECT WORK.
- 16 (2 ORE ESERCITAZIONE): DISCUSSIONE PROJECT WORK.
CONOSCENZE E CAPACITÀ DI COMPRENSIONE: ACQUISIRE LE CONOSCENZE RELATIVE AGLI ELEMENTI FONDAMENTALI DELLA COMPUTAZIONE EVOLUTIVA
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: SAPER APPLICARE LA COMPUTAZIONE EVOLUTIVA ALLE VARIE TIPOLOGIE DI PROBLEMI DEL MONDO REALE, CON PARTICOLARE RIFERIMENTO AL SETTORE ENERGETIC0. SAPER USARE IL FRAMEWORKS PYTHON PER LA REALIZZAZIONE DI ALGORITMI EVOLUTIVI, E SCEGLIERE IN MANIERA APPROPRIATA I PARAMETRI DI TALI RETI.

MODULO 2 - UNITÀ DIDATTICA 5: RETI NEURONICHE
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 8/2/6)
- 17 (2 ORE LEZIONE): INTRODUZIONE ALLE RETI NEURONICHE: IL NEURONE DI MCCULLOCH E PITTS. IL PERCETTRONE DI ROSENBLATT. ARCHITETTURE FEED-FORWARD. RETI FULLY-CONNECTED E A CONNESSIONI SPARSE. MULTI-LAYER PERCEPTRON.
- 18 (2 ORE LEZIONE): ARCHITETTURA FEEDFORWARD, FUNZIONI DI ATTIVAZIONE E LORO CARATTERISTICHE, BACKPROPAGATION E ALGORITMO STOCHASTIC GRADIENT DESCENT
- 19 (2 ORE LEZIONE): EARLY STOPPING, MOMENTUM, ADAPTIVE LEARNING RATE, REGOLARIZZAZIONE.
- 20 (2 ORE LEZIONE): RETI NEURALI COMPETITIVE. RETI LEARNING VECTOR QUANTIZATION.
- 21 (2 ORE LABORATORIO): USO DI RETI MLP IN PROBLEMI DI CLASSIFICAZIONE, CON PARTICOLARE RIFERIMENTO AL SETTORE ENERGETIC0.
- 22 (2 ORE LABORATORIO): USO DI RETI MLP IN PROBLEMI DI REGRESSIONE, CON PARTICOLARE RIFERIMENTO AL SETTORE ENERGETIC0.
- 23 (2 ORE LABORATORIO): USO DI RETI LVQ IN PROBLEMI DI CLASSIFICAZIONE, CON PARTICOLARE RIFERIMENTO AL SETTORE ENERGETIC0.
- 24 (2 ORE ESERCITAZIONE): DISCUSSIONE AVANZAMENTO PROJECT WORK.
CONOSCENZE E CAPACITÀ DI COMPRENSIONE: IL PARADIGMA DI APPRENDIMENTO NEURALE. ARCHITETTURA E FUNZIONAMENTO DELLE RETI MLP ED LVQ.
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: SAPER PROGETTARE SOLUZIONI DI APPRENDIMENTO AUTOMATICO BASATE SUL PARADIGMA NEURALE, CON PARTICOLARE RIFERIMENTO AL SETTORE ENERGETIC0
SAPER USARE IL FRAMEWORK PYTHON PER LA REALIZZAZIONE RETI NEURALI, E SCEGLIERE IN MANIERA APPROPRIATA I PARAMETRI DI TALI RETI.

TOTALE ORE MODULO 2 LEZIONE/ESERCITAZIONE/LABORATORIO 26/6/16

	Metodi Didattici
	L’INSEGNAMENTO PREVEDE LEZIONI TEORICHE ED ESERCITAZIONI IN AULA E AL CALCOLATORE. SUGLI ARGOMENTI PROPOSTI. METODI DIDATTICI - MODULO 2 L’INSEGNAMENTO CONTEMPLA LEZIONI TEORICHE, ESERCITAZIONI IN AULA ED ESERCITAZIONI PRATICHE DI LABORATORIO.

	Verifica dell'apprendimento
	L’ESAME CONSISTE NELLA DISCUSSIONE DI UN ELABORATO PROGETTUALE, ED È FINALIZZATO A VALUTARE NEL SUO COMPLESSO: LA CONOSCENZA E LA CAPACITÀ DI COMPRENSIONE DEI CONCETTI PRESENTATI AL CORSO; LA CAPACITÀ DI RISOLVERE PROBLEMI DI STATISTICAL DATA ANALYSIS ATTRAVERSO LE METODOLOGIE E GLI STRUMENTI ILLUSTRATI DURANTE IL CORSO. VENGONO ANCHE VALUTATE: L’AUTONOMIA DI GIUDIZIO, LA CAPACITÀ ESPOSITIVA E LA CAPACITÀ DI APPRENDERE. MODULO 2 - VERIFICA DELL'APPRENDIMENTO IL RAGGIUNGIMENTO DEGLI OBIETTIVI DELL’INSEGNAMENTO E CERTIFICATO MEDIANTE IL SUPERAMENTO DI UN ESAME CON VALUTAZIONE IN TRENTESIMI. L'ESAME PREVEDE LA DISCUSSIONE DI UN PROGETTO REALIZZATO IN GRUPPO (CON GRUPPI DI 2-3 PERSONE) E UN COLLOQUIO ORALE INDIVIDUALE. LA DISCUSSIONE DEL PROGETTO È VOLTA A DIMOSTRARE LA CAPACITÀ DI APPLICARE LE CONOSCENZE E LA CAPACITÀ DI COMPRENSIONE MEDIANTE LA REALIZZAZIONE UNA SEMPLICE APPLICAZIONE DEGLI STRUMENTI DI MACHINE LEARNING O BIG DATA ANALYTICS PRESENTATI NEL CORSO A UN PROBLEMA PROPOSTO DAL DOCENTE CON RIFERIMENTO AL SETTORE ENERGETIC0. LA DISCUSSIONE DEL PROGETTO PREVEDE UNA DIMOSTRAZIONE PRATICA DEL FUNZIONAMENTO DELL'APPLICAZIONE REALIZZATA, LA PRESENTAZIONE DELLA VALUTAZIONE DELLE PRESTAZIONI DELL'APPLICAZIONE MEDIANTE INDICATORI QUANTITATIVI, E UNA DESCRIZIONE DELLE SCELTE TECNICHE EFFETTUATE, EVENTUALMENTE CON L'AUSILIO DI SLIDE. IL COLLOQUIO ORALE MIRA A VERIFICARE IL LIVELLO DELLE CONOSCENZE E DELLA CAPACITÀ DI COMPRENSIONE DEGLI ARGOMENTI AFFRONTATI NEL CORSO, NONCHÉ LA CAPACITÀ DI ESPOSIZIONE DELLO STUDENTE.

Verifica dell'apprendimento

L’ESAME CONSISTE NELLA DISCUSSIONE DI UN ELABORATO PROGETTUALE, ED È FINALIZZATO A VALUTARE NEL SUO COMPLESSO: LA CONOSCENZA E LA CAPACITÀ DI COMPRENSIONE DEI CONCETTI PRESENTATI AL CORSO; LA CAPACITÀ DI RISOLVERE PROBLEMI DI STATISTICAL DATA ANALYSIS ATTRAVERSO LE METODOLOGIE E GLI STRUMENTI ILLUSTRATI DURANTE IL CORSO.
VENGONO ANCHE VALUTATE: L’AUTONOMIA DI GIUDIZIO, LA CAPACITÀ ESPOSITIVA E LA CAPACITÀ DI APPRENDERE.

MODULO 2 - VERIFICA DELL'APPRENDIMENTO

IL RAGGIUNGIMENTO DEGLI OBIETTIVI DELL’INSEGNAMENTO E CERTIFICATO MEDIANTE IL SUPERAMENTO DI UN ESAME CON VALUTAZIONE IN TRENTESIMI. L'ESAME PREVEDE LA DISCUSSIONE DI UN PROGETTO REALIZZATO IN GRUPPO (CON GRUPPI DI 2-3 PERSONE) E UN COLLOQUIO ORALE INDIVIDUALE.
LA DISCUSSIONE DEL PROGETTO È VOLTA A DIMOSTRARE LA CAPACITÀ DI APPLICARE LE CONOSCENZE E LA CAPACITÀ DI COMPRENSIONE MEDIANTE LA REALIZZAZIONE UNA SEMPLICE APPLICAZIONE DEGLI STRUMENTI DI MACHINE LEARNING O BIG DATA ANALYTICS PRESENTATI NEL CORSO A UN PROBLEMA PROPOSTO DAL DOCENTE CON RIFERIMENTO AL SETTORE ENERGETIC0. LA DISCUSSIONE DEL PROGETTO PREVEDE UNA DIMOSTRAZIONE PRATICA DEL FUNZIONAMENTO DELL'APPLICAZIONE REALIZZATA, LA PRESENTAZIONE DELLA VALUTAZIONE DELLE PRESTAZIONI DELL'APPLICAZIONE MEDIANTE INDICATORI QUANTITATIVI, E UNA DESCRIZIONE DELLE SCELTE TECNICHE EFFETTUATE, EVENTUALMENTE CON L'AUSILIO DI SLIDE.
IL COLLOQUIO ORALE MIRA A VERIFICARE IL LIVELLO DELLE CONOSCENZE E DELLA CAPACITÀ DI COMPRENSIONE DEGLI ARGOMENTI AFFRONTATI NEL CORSO, NONCHÉ LA CAPACITÀ DI ESPOSIZIONE DELLO STUDENTE.

	Testi
	AN INTRODUCTION TO STATISTICAL LEARNING, G. JAMES, D. WITTEN, T. HASTIE, R. TIBSHIRANI, SPRINGER, 2013. MODULO 2 - S. RUSSELL, P. NORVIG, ARTIFICIAL INTELLIGENCE: A MODERN APPROACH, VOLUME I, PEARSON, 4 ED., 2022 - A. BRABAZON, M. O'NEILL AND S. MCGARRAGHY, NATURAL COMPUTING ALGORITHMS, SPRINGER, 2015 MATERIALE DIDATTICO INTEGRATIVO SARÀ DISPONIBILE NELLA SEZIONE DEDICATA DELL'INSEGNAMENTO ALL'INTERNO DELLA PIATTAFORMA E-LEARNING DI ATENEO (HTTP://ELEARNING.UNISA.IT) ACCESSIBILE AGLI STUDENTI DEL CORSO TRAMITE LE CREDENZIALI UNICHE DI ATENEO.

Testi

AN INTRODUCTION TO STATISTICAL LEARNING,
G. JAMES, D. WITTEN, T. HASTIE, R. TIBSHIRANI,
SPRINGER, 2013.

MODULO 2

- S. RUSSELL, P. NORVIG, ARTIFICIAL INTELLIGENCE: A MODERN APPROACH, VOLUME I, PEARSON, 4 ED., 2022
- A. BRABAZON, M. O'NEILL AND S. MCGARRAGHY, NATURAL COMPUTING ALGORITHMS, SPRINGER, 2015

MATERIALE DIDATTICO INTEGRATIVO SARÀ DISPONIBILE NELLA SEZIONE DEDICATA DELL'INSEGNAMENTO ALL'INTERNO DELLA PIATTAFORMA E-LEARNING DI ATENEO (HTTP://ELEARNING.UNISA.IT) ACCESSIBILE AGLI STUDENTI DEL CORSO TRAMITE LE CREDENZIALI UNICHE DI ATENEO.

	Altre Informazioni
	L'INSEGNAMENTO È EROGATO IN INGLESE.

Orari Lezioni

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

Vincenzo MATTA | ARTIFICIAL INTELLIGENCE