Lezioni frontali, esercitazioni pratiche, discussione di casi di studio.
Qualora l'insegnamento venisse impartito in modalità mista o a distanza potranno essere introdotte le necessarie variazioni rispetto a quanto dichiarato in precedenza, al fine di rispettare il programma previsto e riportato nel syllabus.
Conoscenza del linguaggio di programmazione Python.
Obbligatoria.
Intelligenza Artificiale “classica”: Ragionamento e Problem-solving
Machine learning e data mining
Applicazioni
Dispense fornite dal docente tramite la piattaforma Studium.
Capitoli selezionati da:
Documentazione tecnica sulle librerie di machine learning utilizzate.
Si ricorda che, ai sensi dell’art. 171 della legge 22 aprile 1941, n. 633 e successive disposizioni, fotocopiare libri in commercio, in misura superiore al 15% del volume o del fascicolo di rivista, è reato penale.
Per ulteriori informazioni sui vincoli e sulle sanzioni all’uso illecito di fotocopie, è possibile consultare le Linee guida sulla gestione dei diritti d’autore nelle università (a cura della Associazione Italiana per i Diritti di Riproduzione delle opere dell’ingegno - AIDRO).
I testi di riferimento possono essere consultati in Biblioteca.
Argomenti | Riferimenti testi | |
1 | • Definizione di agente autonomo intelligente in relazione all’ambiente | cap 1 e cap 2 Norvig & Russell |
2 | • Architettura di un sistema cognitivo (percezione, memoria, ragionamento, azione, metacognizione) | Dispense: Soar Article |
3 | • Tecniche di rappresentazione della conoscenza | Dispense del docente |
4 | • Tipologie di ragionamento: ragionamento analogico, basato su casi, probabilistico. Incertezza e inferenza Bayesiana | Dispense del docente |
5 | • Tecniche di problem-solving: problem solving “by search” e problem solving “by description” | cap 3 Norvig & Russell, Dispense del docente |
6 | Machine learning: Classificazione, regressione e modelli predittivi. Tecniche di apprendimento supervisionato (alberi decisionali, Support Vector Machines, KNN). Tecniche di apprendimento non supervisionato: clustering | Dispense del docente |
7 | • Reti Neurali. • Il “deep learning”: Reti neurali convoluzionali (CNN) e Reti neurali ricorrenti (RNN). | Dispense del docente |
8 | • “Knowledge discovery from data”: il processo di data mining, creazione e testing dei modelli, valutazione dei modelli. Tecniche di visualizzazione dei dati. Problematiche di scalabilità | Dispense del docente |
9 | • La libreria PyTORCH per il Deep Learning. Applicazioni: • Recommender systems • Sentiment analysis • Progetto di agenti conversazionali (chatbot) | Dispense del docente e documentazione tecnica |
Prova orale finale
Prova pratica: sviluppo di un progetto
L'esame orale verificherà l'acquisizione delle competenze e dei contenuti del corso, tenendo in considerazione gli aspetti teorici e tecnici della disciplina.
Per la valutazione dell’esame si terrà conto della padronanza dei contenuti e delle competenze acquisite, dell’accuratezza linguistica e proprietà lessicale, nonché della capacità argomentativa dimostrata dal candidato.
La verifica dell’apprendimento potrà essere effettuata anche per via telematica, qualora le condizioni lo dovessero richiedere.