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 [83/00 - Ord. 2016]  PERCORSO COMUNE 5 50
[70/90]  COMPUTER ENGINEERING, CYBERSECURITY AND ARTIFICIAL INTELLIGENCE [90/00 - Ord. 2018]  PERCORSO COMUNE 6 60

Obiettivi

Il corso 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: problemi di ricerca su grafi; problemi di soddisfacimento di vincoli; rappresentazione della conoscenza e ragionamento in assenza d'incertezza con linguaggi logici, e in presenza d'incertezza con metodi probabilistici; apprendimento automatico (machine learning). La presentazione dei fondamenti teorici è sempre seguita dall'applicazione pratica dei vari metodi attraverso esercizi in aula e lo sviluppo di una tesina facente parte dell'esame finale.

Lo studente:
- conoscerà alcuni dei principali approcci, modelli e metodi dell'intelligenza artificiale per la risoluzione di problemi complessi nell'ambito dell'ingegneria dell'informazione;
- sarà in grado di individuare i modelli e i metodi più appropriati per la soluzione di semplici istanze di tali problemi;
- sarà in grado di implementare e sperimentare su calcolatore programmi per la soluzione di tali problemi, tenendo conto della complessità computazionale;
- acquisirà la capacità di comunicare ed esprimere problematiche inerenti all'intelligenza artificiale, e sarà in grado di confrontarsi su tematiche oggetto del corso, di evidenziare problemi e di proporre soluzioni.

Prerequisiti

Elementi di matematica discreta (calcolo combinatorio), architettura dei calcolatori, almeno un linguaggio di programmazione.

Contenuti

- Introduzione e cenni storici (1 ora).
- Problemi di ricerca su grafi (lezioni: 8 ore; esercitazioni: 4 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 search": 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 in assenza d'incertezza (lezioni: 10 ore; esercitazioni: 4 ore)
Introduzione: linguaggi logici, inferenza. Logica proposizionale e logica dei predicati: sintassi, 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: 8 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, reti feed-forward multi-layer, algoritmo di back-propagation; cenni alle reti neurali profonde (deep neural network).

Metodi Didattici

Lezioni frontali: 43 ore.
Esercitazioni in aula: 17 ore.

Verifica dell'apprendimento

L'esame consiste in una prova scritta e in una tesina.
La prova scritta contiene domande a risposta aperta ed esercizi su tutti gli argomenti del programma.
La tesina può essere svolta 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 o già disponibile.
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 nella due prove: 2/3 per la prova scritta, 1/3 per la tesina.
Per raggiungere la sufficienza nella prova scritta lo studente dovrà dovrà dimostrare di: saper formulare semplici problemi delle categorie considerate nel corso (per esempio, problemi di ricerca su grafi) in termini dei rispettivi modelli; conoscere gli aspetti essenziali dei principali approcci e algoritmi per la soluzione di tali problemi; saper applicare metodi e algoritmi opportuni a semplici istanze di problemi.
Il voto della prova scritta, espresso in trentesimi, sarà determinato dal livello di comprensione dei vari argomenti del corso, e dal livello di complessità dei problemi che lo studente sarà in grado di formulare con i modelli appropriati e di risolvere con i corrispondenti metodi e algoritmi.
Per raggiungere la sufficienza nella tesina lo studente dovrà dimostrare una sufficiente padronanza di modelli, metodi e algoritmi relativi alla categoria di problemi oggetto della tesina, la capacità di implementare al calcolatore semplici versioni degli algoritmi risolutivi o di saper usare a livello elementare programmi già esistenti, e la capacità di applicare tali programmi per la risoluzione di problemi concreti. Il voto della tesina, anch'esso espresso in trentesimi, sarà determinato dal livello di complessità degli algoritmi che lo studente sarà in grado di implementare, o dal livello di conoscenza e comprensione di eventuali programmi già esistenti, e dalla capacità di sperimentare l'applicazione di tali programmi a specifiche istanze di problemi e di analizzare e discutere i risultati.

Testi

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

Altre Informazioni

Il sito web del corso (in lingua inglese) contiene il programma dettagliato, l'indicazione dei testi di riferimento, 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.):
http://people.unica.it/giorgiofumera/didattica/materiale-didattico/artificial-intelligence/

Questionario e social

Condividi su: