INTELLIGENZA ARTIFICIALE E LABORATORIO

Anno accademico 2019/2020 - 2° anno - Curriculum Data Science
Docenti Crediti: 9
SSD: INF/01 - Informatica
Organizzazione didattica: 225 ore d'impegno totale, 153 di studio individuale, 36 di lezione frontale, 24 di esercitazione, 12 di laboratorio
Semestre:

Obiettivi formativi

  • INTELLIGENZA ARTIFICIALE

    Conoscenza e capacità di comprensione (knowledge and understanding): saranno acquisite le conoscenze relative agli Agenti Intelligent ed alle loro caratteristiche principali.
    Capacità di applicare conoscenza e comprensione (applying knowledge and understanding): saranno acquisite le capacità per applicare le nozioni imparate in vari campi come: risoluzione di problemi combinatorialmente difficili, giochi e teoria delle decisioni, deduzione e ragionamento automatico.
    Autonomia di giudizio (making judgements): Lo studente sarà in grado di valutare la possibilità di sviluppare algoritmi e sistemi intelligenti per l'automazione di processi decisionali in diversi ambiti applicativi.
    Abilità comunicative (communication skills): saranno acquisite le necessarie abilità comunicative ed un'adeguata appropriatezza espressiva nella comunicazione di problematiche inerenti i sistemi intelligenti e le loro applicazioni.
    Capacità di apprendimento (learning skills): lo studente avrà la capacita di adattare le conoscenze acquisite anche a nuovi contesti e di comprendere i limiti di applicabilità delle tecniche di intelligenza artificiale.

  • LABORATORIO

    Conoscenza e capacità di comprensione (knowledge and understanding): saranno acquisite le conoscenze relative agli aspetti implementativi e progettuali di varie metodologie di algoritmi per la risoluzione di problemi computazionalmente molto complessi.

    Capacità di applicare conoscenza e comprensione (applying knowledge and understanding): saranno acquisite le capacità necessarie per affrontare e risolvere problemi complessi, attraverso una corretta analisi algoritmica ed una adeguata scelta della metodologia di risoluzione da adottare.

    Autonomia di giudizio (making judgements): lo studente sarà in grado di valutare la migliore e/o più adatta metodologia algoritmica da utilizzare nel contesto della risoluzione di un qualunque problema complesso.

    Abilità comunicative (communication skills): saranno acquisite le necessarie abilità comunicative ed un'adeguata appropriatezza espressiva nella comunicazione di problematiche inerenti i sistemi intelligenti e le loro applicazioni.

    Capacità di apprendimento (learning skills): lo studente avrà la capacita di adattare le conoscenze acquisite in nuovi contesti e di comprendere vantaggi e svantaggi delle diverse tecniche di risoluzione intelligenti.


Modalità di svolgimento dell'insegnamento

  • INTELLIGENZA ARTIFICIALE

    Lezioni frontali

  • LABORATORIO

    Le lezioni saranno prettamente frontali e si svolgeranno in aula. Potranno, altresì, essere previste specifiche lezioni in laboratorio.

    Il corso può prevedere seminari tenuti da esperti esterni su argomenti correlati e d'attualità.


Prerequisiti richiesti

  • INTELLIGENZA ARTIFICIALE

    Il corso presuppone una buona conoscenza di strumenti matematici discreti e continui, ed una conoscenza approfondita di algoritmi e complessita' di problemi.

  • LABORATORIO

    Il corso presuppone una buona conoscenza di linguaggi di programmazione, analisi e applicazioni di algoritmi.


Frequenza lezioni

  • INTELLIGENZA ARTIFICIALE

    La frequenza è consigliata. Le lezioni permettono di cogliere meglio gli argomenti trattati e l'idea generale che tiene legati i diversi temi e forniscono riferimenti e digressioni utili.

  • LABORATORIO

    La frequenza è consigliata. Le lezioni permettono di cogliere meglio gli argomenti trattati e l'idea generale che tiene legati i diversi temi e forniscono riferimenti e digressioni utili.


Contenuti del corso

  • INTELLIGENZA ARTIFICIALE

    Il corso è suddiviso in 2 parti fondamentali. La prima parte su Risoluzione di Problemi e la seconda su Conoscenza e Ragionamento

    Contenuti dettagliati del Corso:

    PRIMA PARTE: Risoluzione di Problemi

    • Fondamenti e Storia dell'Intelligenza Artificiale
    • Agenti Intelligenti e loro classificazione
    • Ricerca e risoluzione di problemi
    • RIcerca nei giochi
    • Problemi con soddisfacimento di vincoli
    • Ricerca per mezzo di algoritmi naturali

    SECONDA PARTE: Conoscenza e Ragionamento

    • Agenti Logici e puzzles
    • Logica del primo ordine
    • Inferenze
    • Utilita' e valore dell'informazione
    • Decisioni semplici e complesse
  • LABORATORIO

    La parte di Laboratorio si concentrerà in particolare sugli aspetti implementativi di (i) strategie di ricerca non informata (BFS, Ricerca a costo uniforme, DFS, Ricerca a profondità’ limitata, etc.); (ii) strategie di ricerca informata (Greedy BFS, A*, Ricerca euristica a memoria limitata, etc.); (iii) strategie di ricerca locale; (iv) tecniche algoritmiche per giochi (Minimax, Alfa-beta, etc.); (v) algoritmi per problemi con vincoli (Colorazione di mappe, etc.); (vi) metodi esatti; (vii) metaheuristiche e hyper-heuristiche; (viii) tecniche di computazione naturale.


Testi di riferimento

  • INTELLIGENZA ARTIFICIALE

    Il Libro di testo adottato è, Artificial Intelligence, a modern approach, 3rd Edition, S. Russel, P. Norvig, Disponibile anche in versione italiana. Altro materiale sara' fornito dal docente a lezione.

  • LABORATORIO

    Artificial Intelligence, a modern approach, 3rdEdition, S. Russel, P. Norvig.

    Metaheuristics: From Design to Implementation, E.G. Talbi, 2009.

    Hybrid Metaheuristics: Powerful Tools for Optimization, C. Blum and G.R. Raidl, 2016.

    Ulteriore materiale e/o riferimenti forniti dal docente.


Programmazione del corso

INTELLIGENZA ARTIFICIALE
 ArgomentiRiferimenti testi
1Fondamenti e Storia dell'Intelligenza ArtificialeCap. 1 e 27 
2Agenti IntelligentiCap. 2 
3Risoluzione dei problemi per mezzo di ricercaCap. 3 
4Oltre la ricerca classicaCap. 4 
5Ricerca con avversari e giochiCap. 5 
6Problemi con soddisfacimento di vincoliCap. 6 
7Agenti LogiciCap. 7 
8Logica del primo ordineCap. 8 
9Inferenza nella logica del primo ordineCap. 9 
10Quantificare l'incertezzaCap. 13 
11Ragionamento ProbabilisticoCap. 14 
12Decisioni SempliciCap. 16 
LABORATORIO
 ArgomentiRiferimenti testi
1Strategie di ricerca non informata (BFS, Ricerca a costo uniforme, DFS, Ricerca a profondità’ limitata, etc.) 
2Strategie di ricerca informata (Greedy BFS, A*, Ricerca euristica a memoria limitata, etc.) 
3Algoritmi di Ricerca Locale (Local Search, Hill Climbing, etc.) 
4Tecniche algoritmiche per la game theory (Minimax, Alfa-beta, etc.) 
5Algoritmi per problemi con vincoli (Colorazione di mappe, etc.) 
6Metodi esatti (branch and cut, branch and bound, etc.) 
7Metaheuristics and Hyper-HeuristicsE.G. Talbi, ''Metaheuristics: From Design to Implementation'', Wiley, 2009 - C. Blum and G.R. Raidl, ''Hybrid Metaheuristics: Powerful Tools for Optimization'', Artificial Intelligence: Foundations, Theory, and Algorithms, 2016 
8Population-based algorithms 

Verifica dell'apprendimento

Modalità di verifica dell'apprendimento

  • INTELLIGENZA ARTIFICIALE

    L'esame si svolge oralmente.

    I quesiti riguardano tutte le parti del programma. In aggiunta, gli studenti presenteranno alla prova orale un progetto implementativo su uno degli argomenti del corso approfondito durante il Laboratorio.

  • LABORATORIO

    L'esame consiste nella valutazione di un progetto implementativo su una delle metodologie descritte durante il corso. Si lascia libera facoltà allo studente circa l'utilizzo del linguaggio di programmazione da adottare tra i seguenti: C++, Java, Python e Matlab.