Fabio PALOMBA | FONDAMENTI DI INTELLIGENZA ARTIFICIALE
Fabio PALOMBA FONDAMENTI DI INTELLIGENZA ARTIFICIALE
cod. 0512100055
FONDAMENTI DI INTELLIGENZA ARTIFICIALE
| 0512100055 | |
| DIPARTIMENTO DI INFORMATICA | |
| CORSO DI LAUREA | |
| INFORMATICA | |
| 2022/2023 |
| ANNO CORSO 3 | |
| ANNO ORDINAMENTO 2017 | |
| PRIMO SEMESTRE |
| SSD | CFU | ORE | ATTIVITÀ | |
|---|---|---|---|---|
| INF/01 | 6 | 48 | LEZIONE |
| Obiettivi | |
|---|---|
| L’INSEGNAMENTO SI PROPONE DI INTRODURRE I PRINCIPI E I METODI CHE STANNO ALLA BASE DELLA RISOLUZIONE DI PROBLEMI DI INTELLIGENZA ARTIFICIALE (CON PARTICOLARE RIFERIMENTO A SISTEMI BASATI SULLA CONOSCENZA E METODOLOGIE BASATE SULLA LOGICA). CONOSCENZA E CAPACITÀ DI COMPRENSIONE LO STUDENTE DOVRÀ AVERE CONOSCENZA E PADRONANZA DEI CONCETTI PRINCIPALI E DEI METODI CHE STANNO ALLA BASE DELLA RISOLUZIONE DI PROBLEMI DI INTELLIGENZA ARTIFICIALE. CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE LO STUDENTE DOVRÀ ESSERE CAPACE DI DEFINIRE E REALIZZARE RISOLUTORI PER SISTEMI BASATI SULLA CONOSCENZA MEDIANTE LINGUAGGI IMPERATIVI O DICHIARATIVI. LO STUDENTE DOVRÀ ESSERE CAPACE DI DEFINIRE E REALIZZARE RISOLUTORI PER SISTEMI BASATI SULLA CONOSCENZA MEDIANTE LINGUAGGI IMPERATIVI O DICHIARATIVI: - CAPACITÀ DI RICONOSCERE PROBLEMI RISOLVIBILI ATTRAVERSO L’UTILIZZO DI ALGORITMI DI INTELLIGENZA ARTIFICIALE; - CAPACITÀ DI IDENTIFICARE QUALE, TRA LE POSSIBILI ALTERNATIVE, RAPPRESENTI LA SOLUZIONE PIÙ ADATTA ALLA RISOLUZIONE DI UN PROBLEMA DI INTELLIGENZA ARTIFICIALE; - CAPACITÀ DI MODELLARE E RISOLVERE UN PROBLEMA DI INTELLIGENZA ARTIFICIALE; - CAPACITÀ DI IMPLEMENTARE UNA SOLUZIONE DI UN PROBLEMA DI INTELLIGENZA ARTIFICIALE TRAMITE L'UTILIZZO DI METODOLOGIE E STRUMENTI DISPONIBILI SUL MERCATO. |
| Prerequisiti | |
|---|---|
| LO STUDENTE DEVE AVER ACQUISITO CONOSCENZE BASE DI LOGICA MATEMATICA, PROBABILITÀ E PROGRAMMAZIONE. |
| Contenuti | |
|---|---|
| LO STUDENTE ACQUISIRA' CONOSCENZA E PADRONANZA DEI CONCETTI PRINCIPALI E DEI METODI CHE STANNO ALLA BASE DELLA RISOLUZIONE DI PROBLEMI DI INTELLIGENZA ARTIFICIALE. IN PARTICOLARE: - AGENTI INTELLIGENTI; - ALGORITMI DI RICERCA; - ALGORITMI DI RICERCA CON AVVERSARI; - ALGORITMI EURISTICI E METAEURISTICI; - ALGORITMI DI APPRENDIMENTO SUPERVISIONATO; - ALGORITMI DI APPRENDIMENTO NON SUPERVISIONATO; - METODI DI INGEGNERIZZAZIONE E VALIDAZIONE DI ALGORITMI DI INTELLIGENZA ARTIFICIALE; - USABILITA' DI ALGORITMI DI INTELLIGENZA ARTIFICIALE. IL CORSO FORNIRÀ LE CONOSCENZE DI BASE SUI SEGUENTI ARGOMENTI: RAPPRESENTAZIONE DELLA CONOSCENZA (6 ORE): - CENNI STORICI SULLA PSICOLOGIA COGNITIVA, SULLA NASCITA DELL’INTELLIGENZA ARTIFICIALE, E SUL RAPPORTO TRA LA PSICOLOGIA COGNITIVA ED INTELLIGENZA ARTIFICIALE - AGENTI INTELLIGENTI E, QUINDI, RAPPRESENTAZIONE DELLA CONOSCENZA A PARTIRE DA DESCRIZIONI TESTUALI; RISOLUZIONE DI PROBLEMI TRAMITE ALGORITMI DI RICERCA (16 ORE): - TECNICHE DI RICERCA NON INFORMATE (RICERCA IN AMPIEZZA, RICERCA A COSTO UNIFORME, RICERCA IN PROFONDITA', RICERCA IN PROFONDITA' LIMITATA, RICERCA CON APPROFONDIMENTO ITERATIVO, RICERCA BIDIREZIONALE); - TECNICHE DI RICERCA INFORMATE (RICERCA BEST-FIRST GREEDY, RICERCA A*, BEAM SEARCH, ITERATIVE A DEEPENING A*, SIMPLIFIED MEMORY BOUNDED A*) - TECNICHE DI RICERCA LOCALE (ALGORITMO HILL-CLIMBING, ALGORITMO SIMULATED ANNEALING, LOCAL BEAM, ALGORITMI GENETICI); - TECNICHE DI RICERCA CON AVVERSARI (EQUILIBRIO DI NASH E OTTIMO DI PARETO, ALGORITMO MINIMAX, POTATURA ALFA-BETA, ADATTAMENTO DI ALGORITMI DI TEORIA DEI GIOCHI A GIOCHI CON PIU' GIOCATORI). RISOLUZIONE DI PROBLEMI TRAMITE ALGORITMI DI APPRENDIMENTO (20 ORE): - TEORIA DELL'APPRENDIMENTO (ALGORITMI DI APPRENDIMENTO SUPERVISIONATO E NON SUPERVISIONATO, ALGORITMI DI CLUSTERING); - TEORIA DELLA DECISIONE E DELL'ERRORE (ERRORE, BIAS, VARIANZA); - ESTRAZIONE, PRE-ELABORAZIONE E QUALITA' DEI DATI (ALGORITMI DI PULIZIA E PRE-PROCESSAMENTO DEI DATI); - ESTRAZIONE DI CARATTERISTICHE DAI DATI (TECNICHE DI FEATURE EXTRACTION E SELECTION); - ALGORITMI DI CLASSIFICAZIONE (ALBERI DI DECISIONE, RETI BAYESIANE); - ALGORITMI DI REGRESSIONE (REGRESSIONE LINEARE SINGOLA, REGRESSIONE LINEARE MULTIPLA); - ALGORITMI DI CLUSTERING (K-MEANS, VARIANTI DEL K-MEANS, DBSCAN); - ANALISI DELLE PRESTAZIONI (MATRICE DI CONFUSIONE, METRICHE DI VALUTAZIONE DI SISTEMI DI INTELLIGENZA ARTIFICIALE); USABILITA' DI ALGORITMI DI INTELLIGENZA ARTIFICIALE (6 ORE): - NOZIONI DI BASE SULLA FRUIZIONE DI INFORMAZIONI PROVENIENTI DA ALGORITMI DI INTELLIGENZA ARTIFICIALE; - PROGETTAZIONE E SVILUPPO DI CONVERSATIONAL AGENT. ULTERIORI ATTIVITA' DI LABORATORIO CHE SARANNO INCLUSE NEL CORSO: - INTRODUZIONE AL LINGUAGGIO DI PROGRAMMAZIONE E FRAMEWORK PYTHON PER LA RISOLUZIONE DI PROBLEMI DI INTELLIGENZA ARTIFICIALE; - INTRODUZIONE AL FRAMEWORK WEKA PER LA RISOLUZIONE DI PROBLEMI DI INTELLIGENZA ARTIFICIALE; - PRESENTAZIONE E DISCUSSIONE IN AULA DI CASI DI STUDIO; |
| Metodi Didattici | |
|---|---|
| L’INSEGNAMENTO PREVEDE 48 ORE DI DIDATTICA TRA LEZIONI FRONTALI ED ESERCITAZIONI IN AULA (6 CFU), CON L’OBIETTIVO DI PRESENTARE I CONCETTI E SVILUPPARE LE CAPACITÀ NECESSARIE ALLA RISOLUZIONE DI PROBLEMI DI INTELLIGENZA ARTIFICIALE TRAMITE L’UTILIZZO DEGLI STRUMENTI (SEMI-)AUTOMATICI DISCUSSI NELL’AMBITO DEL CORSO. |
| Verifica dell'apprendimento | |
|---|---|
| IL RAGGIUNGIMENTO DEGLI OBIETTIVI DELL’INSEGNAMENTO È CERTIFICATO MEDIANTE IL SUPERAMENTO DI UN ESAME CON VALUTAZIONE IN TRENTESIMI. L’ESAME PREVEDE UNA PROVA SCRITTA E UNA PROVA PROGETTUALE. - LA PROVA SCRITTA HA L’OBIETTIVO DI VALUTARE LE CAPACITÀ TEORICHE ACQUISITE DAGLI STUDENTI RELATIVAMENTE ALL’UTILIZZO DELLE METODOLOGIE E DELLE TECNICHE DI INTELLIGENZA ARTIFICIALE; - LA PROVA PROGETTUALE HA L’OBIETTIVO DI VALUTARE LA COMPLETEZZA E CORRETTEZZA DI UN PROGETTO RIGUARDANTE L’APPLICAZIONE DI METODOLOGIE E TECNICHE DI INTELLIGENZA ARTIFICIALE IN CONTESTI REALI, NONCHÉ LA PROPRIETÀ DI LINGUAGGIO E LA CAPACITÀ DI MOTIVARE OPPORTUNAMENTE LE SCELTE DURANTE LA DISCUSSIONE DEL PROGETTO. AL TERMINE DEL PROGETTO, GLI STUDENTI SARANNO TENUTI A CONSEGNARE AL DOCENTE UNA TESINA CONTENENTE LA DOCUMENTAZIONE DI PROGETTO (SVILUPPATA UTILIZZANDO LATEX) COSÌ COME UNA PRESENTAZIONE (SVILUPPATA UTILIZZANDO KEYNOTE, POWERPOINT O GOOGLE PRESENTATION) DELLA DURATA DI 15 MINUTI. LA VALUTAZIONE FINALE TERRÀ CONTO DELL’ESITO DELLE DUE PROVE. |
| Testi | |
|---|---|
| PER LA PARTE INERENTE GLI ALGORITMI DI RICERCA, IL LIBRO CONSIGLIATO E': - S. J. RUSSELL, P. NORVIG. “INTELLIGENZA ARTIFICIALE: UN APPROCCIO MODERNO”, VOLUME 1 (TERZA EDIZIONE, 2010) E VOLUME 2 (SECONDA EDIZIONE, 2005), PEARSON EDUCATION ITALIA. PER LA PARTE INERENTE GLI ALGORITMI DI APPRENDIMENTO, I LIBRI CONSIGLIATI SONO: - S. J. RUSSELL, P. NORVIG. “INTELLIGENZA ARTIFICIALE: UN APPROCCIO MODERNO”, VOLUME 1 (TERZA EDIZIONE, 2010) E VOLUME 2 (SECONDA EDIZIONE, 2005), PEARSON EDUCATION ITALIA. - A. GERON. "HANDS-ON MACHINE LEARNING WITH SKIKIT-LEARN, KERAS & TENSORFLOW", 2ND EDITION, O'REALLY. - A. BURKOV, “MACHINE LEARNING ENGINEERING”, PAPERBACK. ALTRE LETTURE CONSIGLIATE: 1. C. M. BISHOP. “PATTERN RECOGNITION AND MACHINE LEARNING”, SPRINGER SCIENCE, NEW YORK, 2006. 2. DUDA, R. O., HART, P. E., & STORK, D. G. (2012). PATTERN CLASSIFICATION. JOHN WILEY & SONS. |
| Altre Informazioni | |
|---|---|
| LA FREQUENZA AL CORSO NON È OBBLIGATORIA MA, TUTTAVIA, FORTEMENTE CONSIGLIATA. GLI STUDENTI DOVRANNO ESSERE PREPARATI AD AFFRONTARE ATTIVAMENTE IL CORSO, TRAMITE INTERAZIONE CON I DOCENTI IN AULA E TEMPO DEDICATO ALLA FORMAZIONE INDIVIDUALE. UNA PREPARAZIONE SODDISFACENTE, CHE PORTI AL SUPERAMENTO DELL’ESAME, CONSISTERÀ IN UNA MEDIA DI STUDIO INDIVIDUALE DI DUE ORE PER CIASCUNA ORA TRASCORSA IN AULA OLTRE CHE UNA MEDIA DI UN’ORA DEDICATA ALL’ATTIVITÀ PROGETTUALE ASSOCIATA. IL CORSO PREVEDE UNA FORTE PREDISPOSIZIONE ALL’APPRENDIMENTO DI STRUMENTI SOFTWARE PER LO SVILUPPO DI MODULI DI INTELLIGENZA ARTIFICIALE. IL MATERIALE DIDATTICO SARÀ DISPONIBILE SULLA PIATTAFORMA E-LEARNING DIPARTIMENTALE. |
BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2024-08-21]
