FONDAMENTI DI INTELLIGENZA ARTIFICIALE

Informatica FONDAMENTI DI INTELLIGENZA ARTIFICIALE

0512100055
DIPARTIMENTO DI INFORMATICA
CORSO DI LAUREA
INFORMATICA
2020/2021

ANNO CORSO 3
ANNO ORDINAMENTO 2017
PRIMO SEMESTRE
CFUOREATTIVITÀ
648LEZIONE
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' LA CONOSCENZA E PADRONANZA DEI CONCETTI PRINCIPALI E DEI METODI CHE STANNO ALLA BASE DELLA RISOLUZIONE DI PROBLEMI DI INTELLIGENZA ARTIFICIALE.
MODELLAZIONE E RAPPRESENTAZIONE DI PROBLEMI DI INTELLIGENZA ARTIFICIALE;
- AGENTI INTELLIGENTI;
- ALGORITMI DI RICERCA;
- ALGORITMI DI RICERCA CON AVVERSARI;
- ALGORITMI EURISTICI E METAEURISTICI;
- ALGORITMI DI APPRENDIMENTO NON SUPERVISIONATO;
- ALGORITMI DI APPRENDIMENTO SUPERVISIONATO;
- METODI DI VALIDAZIONE DI ALGORITMI DI INTELLIGENZA ARTIFICIALE.

IL CORSO FORNIRÀ LE CONOSCENZE DI BASE SUI SEGUENTI ARGOMENTI:

RAPPRESENTAZIONE DELLA CONOSCENZA:
- 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.

TEORIA BAYESIANA DELLA DECISIONE:
- INTRODUZIONE ALLA PROBABILITÀ;
- LA DECISIONE BAYESIANA;
- IL RISCHIO BAYESIANO;
- DENSITÀ NORMALI E CLASSIFICATORE BAYESIANO.
- RISOLUZIONE DI PROBLEMI TRAMITE ALGORITMI DI RICERCA:

TECNICHE DI RICERCA INFORMATE;
- TECNICHE DI RICERCA NON INFORMATE;
- TECNICHE DI RICERCA CON AVVERSARI;
- TECNICHE DI RICERCA EURISTICI;
- TECNICHE DI RICERCA METAEURISTICI;

TECNICHE DI APPRENDIMENTO:
- ESTRAZIONE E RIDUZIONE DELLE CARATTERISTICHE DAI DATI;
- ALGORITMI DI APPRENDIMENTO SUPERVISIONATO, COME ALGORITMI DI MACHINE LEARNING CHE COMPRENDONO TECNICHE DI CLASSIFICAZIONE, VALIDAZIONE E QUALITÀ DEI DATI.
- ALGORITMI DI APPRENDIMENTO NON SUPERVISIONATO, COME ALGORITMI DI CLUSTERING E REGOLE DI ASSOCIAZIONE;
- ANALISI DELLE PRESTAZIONI (ACCURATEZZA VS PRECISIONE, MATRICE DI CONFUSIONE, CURVE ROC, CURVE CMC ECC).

APPLICAZIONE DI TECNICHE DI INTELLIGENZA ARTIFICIALE IN CONTESTI REALI: PER LO SVOLGIMENTO DI TALI ATTIVITÀ PRATICHE, LO STUDENTE ACQUISIRÀ CONOSCENZE RELATIVE ALL’USO DI VARI STRUMENTI, COME R, PYTHON SKLEARN, WEKA ED ALTRI.
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 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
S. J. RUSSELL, P. NORVIG. “INTELLIGENZA ARTIFICIALE: UN APPROCCIO MODERNO”, VOLUME 1 (TERZA EDIZIONE, 2010) E VOLUME 2 (SECONDA EDIZIONE, 2005), PEARSON EDUCATION ITALIA.

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: 2020-11-20]