INTELLIGENZA ARTIFICIALE E LABORATORIO

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, 3^rd 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

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.