Seleziona l'Anno Accademico:     2016/2017 2017/2018 2018/2019 2019/2020 2020/2021 2021/2022
Docente
GIORGIO FUMERA (Tit.)
Periodo
Primo Semestre 
Modalità d'Erogazione
Convenzionale 
Lingua Insegnamento
INGLESE 



Informazioni aggiuntive

Corso Percorso CFU Durata(h)
[70/83]  INGEGNERIA ELETTRONICA [83/15 - Ord. 2018]  EMBEDDED ELECTRONICS 6 60
[70/90]  COMPUTER ENGINEERING, CYBERSECURITY AND ARTIFICIAL INTELLIGENCE [90/00 - Ord. 2018]  PERCORSO COMUNE 6 60

Obiettivi

Il corso, svolto in inglese, fornisce conoscenze di base sui alcuni dei principali approcci e metodi dell'intelligenza artificiale di interesse per l'ingegneria dell'informazione, e sui relativi settori di applicazione.

Gli obiettivi formativi in termini dei descrittori di Dublino sono i seguenti:

Conoscenza e comprensione
Lo studente conoscerà e comprenderà alcuni dei principali approcci, modelli e algoritmi dell'intelligenza artificiale nei seguenti ambiti: problemi di ricerca su grafi e di soddisfacimento di vincoli; rappresentazione della conoscenza e ragionamento con linguaggi logici e con metodi probabilistici; apprendimento automatico (machine learning).

Capacità di applicare conoscenza e comprensione
Lo studente sarà in grado di risolvere semplici problemi negli ambiti sopra indicati, e di implementare e sperimentare su calcolatore algoritmi di media complessità per la loro risoluzione.

Autonomia di giudizio
Lo studente sarà in grado di analizzare e progettare sistemi per la soluzione di semplici problemi negli ambiti sopra indicati, tenendo conto del compromesso tra complessità computazionale e qualità della soluzione, in termini di criteri quali accuratezza e ottimalità.

Abilità comunicative
Lo studente acquisirà la capacità di comunicare ed esprimere problematiche inerenti all'intelligenza artificiale, di evidenziare problemi e di proporre soluzioni.

Prerequisiti

Buona conoscenza di elementi di matematica discreta (calcolo combinatorio), dell'architettura dei calcolatori, e di almeno un linguaggio di programmazione di alto livello.

Contenuti

- Introduzione e cenni storici (1 ora).
- Problemi di ricerca su grafi (lezioni: 10 ore; esercitazioni: 2 ore)
Formulazione di un problema di ricerca: spazio degli stati, operatori, obiettivo, costo della soluzione, alberi di ricerca. Strategie di ricerca non informata: ricerca in ampiezza, a costo uniforme, in profondità; cenni ad altre strategie: limitata in profondità, ad approfondimento iterativo, bidirezionale. Strategie di ricerca informata "best-first": greedy search, A*; funzioni euristiche. Complessità computazionale degli algoritmi di ricerca.
- Problemi di soddisfacimento di vincoli (lezioni: 2 ore; esercitazioni: 1 ora)
- Rappresentazione della conoscenza e ragionamento mediante linguaggi logici e algoritmi d'inferenza (lezioni: 10 ore; esercitazioni: 2 ore)
Introduzione: linguaggi logici, inferenza. Logica proposizionale e logica dei predicati: sintassi e semantica. Principali algoritmi di inferenza: model checking, regole d'inferenza, forward e backward chaining, cenno all'algoritmo di risoluzione.
- Rappresentazione della conoscenza e ragionamento in presenza d'incertezza (lezioni: 10 ore; esercitazioni: 2 ore)
Richiami di teoria della probabilità. Reti bayesiane: definizione della struttura, algoritmi d'inferenza.
- Apprendimento automatico (lezioni: 14 ore; esercitazioni: 6 ore)
Concetti di base. Problemi di classificazione supervisionata, algoritmi di classificazione. Alberi di decisione, algoritmi di apprendimento. Reti neurali: il perceptron, reti feed-forward multi-layer, algoritmo di back-propagation; cenni alle reti neurali profonde (deep neural network).

Metodi Didattici

Lezioni frontali: 47 ore.
Esercitazioni in aula: 13 ore.

Verifica dell'apprendimento

L'esame consiste in una prova scritta oppure orale e in un progetto.
La prova scritta/orale consiste in domande a risposta aperta ed esercizi su tutti gli argomenti del corso.
Il progetto può essere svolto individualmente o da gruppi di due studenti, e consiste nell'approfondimento di uno dei metodi presentati nel corso e nella sua applicazione a specifiche istanze di un problema mediante un programma per calcolatore sviluppato dagli stessi studenti.
Per superare l'esame sarà necessario raggiungere la sufficienza in entrambe le prove; il voto finale, espresso in trentesimi, sarà dato dalla media pesata dei voti conseguiti nelle due prove: fino a 20 punti per la prova scritta/orale, fino a 10 punti per il progetto.
Per raggiungere la sufficienza nella prova scritta/orale lo studente dovrà dovrà essere in grado di formulare semplici problemi negli ambiti considerati nel corso usando modelli appropriati, dovrà conoscere gli aspetti essenziali dei principali approcci e algoritmi per la loro risoluzione, e dovrà saperli applicare a semplici istanze di tali problemi.
Il voto della prova scritta/orale, espresso in ventesimi, sarà determinato dal livello di conoscenza degli approcci e algoritmi oggetto del corso, e dal livello di complessità dei problemi che lo studente sarà in grado di affrontare e risolvere.
Per raggiungere la sufficienza nel progetto lo studente dovrà dimostrare di possedere una sufficiente padronanza di modelli, metodi e algoritmi relativi alla categoria di problemi considerata nel progetto, la capacità di implementare al calcolatore semplici versioni di alcuni di tali algoritmi, e la capacità di applicarli per la risoluzione di specifiche istanze dei problemi in esame. Il voto del progetto, anch'esso espresso in decimi, sarà determinato dal livello di complessità degli algoritmi che lo studente sarà in grado di implementare, e dalla capacità di analizzare e discutere i risultati della loro applicazione a specifiche istanze dei problemi in esame.

Testi

S. Russell and P. Norvig, "Artificial Intelligence - A Modern Approach", 3rd Ed., Prentice Hall, 2009.

Altre Informazioni

Il materiale didattico si trova nel sito web del corso (in lingua inglese):
https://www.unica.it/unica/page/it/giorgio_fumera_mat_artificial_intelligence
Il sito web include una versione estesa del materiale proiettato a lezione, i testi e le soluzioni di tutte le esercitazioni svolte in aula, e l'indicazione di risorse aggiuntive sull'intelligenza artificiale (testi, link a siti Web di interesse, ecc.).

Questionario e social

Condividi su: