INTELLIGENZA ARTIFICIALE E LABORATORIO

9 CFU - 1° semestre

Docenti titolari dell'insegnamento

VINCENZO CUTELLO - Modulo INTELLIGENZA ARTIFICIALE - INF/01 - 6 CFU
MARIO FRANCESCO PAVONE - Modulo LABORATORIO - INF/01 - 3 CFU

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.

Altro materiale didattico

INTELLIGENZA ARTIFICIALE
Tutto il materiale didattico riguardante il corso sarà pubblicato su Studium.
LABORATORIO
Materiale fornito dal docente.

Programmazione del corso

INTELLIGENZA ARTIFICIALE
	Argomenti	Riferimenti testi
1	Fondamenti e Storia dell'Intelligenza Artificiale	Cap. 1 e 27
2	Agenti Intelligenti	Cap. 2
3	Risoluzione dei problemi per mezzo di ricerca	Cap. 3
4	Oltre la ricerca classica	Cap. 4
5	Ricerca con avversari e giochi	Cap. 5
6	Problemi con soddisfacimento di vincoli	Cap. 6
7	Agenti Logici	Cap. 7
8	Logica del primo ordine	Cap. 8
9	Inferenza nella logica del primo ordine	Cap. 9
10	Quantificare l'incertezza	Cap. 13
11	Ragionamento Probabilistico	Cap. 14
12	Decisioni Semplici	Cap. 16
LABORATORIO
	Argomenti	Riferimenti testi
1	Strategie di ricerca non informata (BFS, Ricerca a costo uniforme, DFS, Ricerca a profondità’ limitata, etc.)
2	Strategie di ricerca informata (Greedy BFS, A*, Ricerca euristica a memoria limitata, etc.)
3	Algoritmi di Ricerca Locale (Local Search, Hill Climbing, etc.)
4	Tecniche algoritmiche per la game theory (Minimax, Alfa-beta, etc.)
5	Algoritmi per problemi con vincoli (Colorazione di mappe, etc.)
6	Metodi esatti (branch and cut, branch and bound, etc.)
7	Metaheuristics and Hyper-Heuristics	E.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
8	Population-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.

Apri in formato Pdf English version