INTELLIGENZA ARTIFICIALE

Informatica INTELLIGENZA ARTIFICIALE

0522500093
DIPARTIMENTO DI INFORMATICA
CORSO DI LAUREA MAGISTRALE
INFORMATICA
2022/2023



ANNO ORDINAMENTO 2016
PRIMO SEMESTRE
CFUOREATTIVITÀ
972LEZIONE
Obiettivi
L'OBIETTIVO PRINCIPALE DELL'INSEGNAMENTO CONSISTE NEL FORNIRE AGLI STUDENTI LE BASI TEORICHE ED APPLICATIVE PER L’ANALISI, LA PROGETTAZIONE E LO SVILUPPO DI SISTEMI INTELLIGENTI.

LE PRINCIPALI CONOSCENZE ACQUISITE SARANNO:
- AGENTI INTELLIGENTI;
- RAPPRESENTAZIONE DI CONOSCENZA INCERTA E METODI PROBABILISTICI DI INFERENZA, CON PARTICOLARE RIFERIMENTO ALLE RETI BAYESIANE;
- TECNICHE DI APPRENDIMENTO AUTOMATICO;
- TECNICHE DI APPRENDIMENTO PER RINFORZO;
- TECNICHE DI ELABORAZIONE DEL LINGUAGGIO NATURALE.

LE PRINCIPALI ABILITÀ (OSSIA LA CAPACITÀ DI APPLICARE LE CONOSCENZE ACQUISITE) SARANNO:
- ANALIZZARE PROBLEMI RISOLVIBILI TRAMITE TECNICHE DI INTELLIGENZA ARTIFICIALE;
- IDENTIFICARE TRA LE TECNICHE DI INTELLIGENZA ARTIFICIALE STUDIATE QUELLE PIÙ IDONEE ALLA RISOLUZIONE DEL PROBLEMA;
- INDIVIDUARE LE TECNOLOGIE SOFTWARE DI SUPPORTO ALLE TECNICHE DI INTELLIGENZA ARTIFICIALE SCELTE PER LA RISOLUZIONE DI UN PROBLEMA;
- PROGETTARE SISTEMI INTELLIGENTI PER LA RISOLUZIONE DI UN PROBLEMA.
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)
- APPRENDIMENTO PER TRASFERIMENTO (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 (6 ORE DI TEORIA)

NATURAL LANGUAGE PROCESSING
- MODELLI N-GRAM E TAGGING (6 ORE DI TEORIA)
- VECTOR SEMANTICS ED EMBEDDINGS (6 ORE DI TEORIA)
- NEURAL LANGUAGE MODELS (6 ORE DI TEORIA)
- ARCHITETTURE DEEP LEARNING PER SEQUENCE PROCESSING (6 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 UN PROGETTO PER INCREMENTARE IL VOTO FINALE.
IL PROGETTO PUÒ ESSERE INDIVIDUALE O SVOLTO IN GRUPPO DI MASSIMO 3 PERSONE, NELL’AMBITO DI UN PROBLEMA RISOLVIBILE CON TECNICHE DI INTELLIGENZA ARTIFICIALE. GLI STUDENTI POSSONO PROPORRE UNA TEMATICA DI PROGETTO DA SOTTOPORRE ALL’APPROVAZIONE DEL DOCENTE O, IN ALTERNATIVA, SCEGLIERE TRA UN VENTAGLIO DI PROPOSTE FATTE DAL DOCENTE. AL TERMINE DEL 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.

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
  BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2022-08-05]