INTELLIGENZA ARTIFICIALE

• Comprendere le differenze fra i paradigmi di sviluppo di sistemi basati sull’intelligenza artificiale classica e sul “machine learning”.
• Sapere progettare, prototipare e validare sistemi che apprendono da dati eterogenei (dal testo al dato multimediale)
• Conoscere i servizi cognitivi disponibili in cloud per analizzare big data
• Essere consapevoli dei limiti e delle problematiche etiche connesse allo sviluppo di algoritmi e sistemi intelligenti.

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

• Definizione di agente autonomo intelligente in relazione all’ambiente
• Architettura di un sistema cognitivo (percezione, memoria, ragionamento, azione, metacognizione)
• Tecniche di rappresentazione della conoscenza
• Tipologie di ragionamento: ragionamento analogico, basato su casi, probabilistico. Incertezza e inferenza
• Tecniche di problem-solving: problem solving “by search” e problem solving “by description”

Machine learning e data mining

• Classificazione, regressione e modelli predittivi.
• Tecniche di apprendimento supervisionato (alberi decisionali, Support Vector Machines, Reti neurali)
• Tecniche di apprendimento non supervisionato: clustering
• Il “deep learning”: Reti neurali convoluzionali (CNN) e Reti neurali ricorrenti (RNN). Transformers
• “Knowledge discovery from data”: il processo di data mining, creazione e testing dei modelli, metriche di valutazione dei modelli. Tecniche di visualizzazione dei dati.
• Limiti dei modelli (ispezionabilità e comprensibilità dei modelli, Bias nei dataset)
• Aspetti etici
• La libreria PyTORCH per il Deep Learning

Applicazioni

• Recommender systems
• Sentiment analysis
• Progetto di agenti conversazionali (chatbot)

“Grokking Deep Learning”. Andrew W. Trask - Manning Publications (2019), pp. 336.

Capitoli selezionati da:

• “Artificial intelligence: a modern approach”. Stuart Russell, Peter Norvig, 4th edition, 2020. Capitolo 1 (pp 29-39, 63-93) Cap 2 (pp. 95-140), Cap 3 ( pp. 147-179, 189-199), Cap 24 (pp. 856-878).
• “Data science for Business”, Provost & Fawcwtt, O’Reilly media 2013. Capitoli 7 & 8 (Decision analytic thinking: what is a good model; and Model Visualization), pp. 187-122.
• “Cognitive computing and big data analytics”. Hurwits et al. Wiley (2013): Cap 9: IBM Watson as a cognitive system, pp. 137-155.
• “Deep Learning With Pytorch.” Eli Stevens, Luca Antiga, - Manning (2019). Cap 2 (pp.15-37) Cap 3 (pp. 39-60).

Dispense del docente (pp. 1-60)

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.

Altri materiali per lo studio e l'approfondimento dei contenuti trattati durante il corso potranno essere forniti attraverso la piattaforma Studium.

Prova orale

Prova pratica (sviluppo di un progetto)

Gli studenti svilupperanno un progetto, concordato con il docente, nel quale applicheranno le tecniche apprese a lezione. Il progetto dovrà essere corredato da una relazione sui risultati ottenuti e verrà presentato e discusso in sede di esame orale. Durante l’esame orale verranno anche poste alcune domande riguardanti la teoria. Il progetto incide per il 70% sulla valutazione finale, e la teoria per il 30%. I criteri di valutazione del progetto includono: correttezza dell’approccio tecnico e metodologico, capacità di giustificare le scelte progettuali e i livelli di prestazione ottenuti, presenza di elementi innovativi.

Per la valutazione complessiva 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.