INTELLIGENZA ARTIFICIALE

ING-INF/05 - 6 CFU - 2° semestre

Docente titolare dell'insegnamento

DANIELA GIORDANO


Obiettivi formativi


Modalità di svolgimento dell'insegnamento

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.


Prerequisiti richiesti

Conoscenza del linguaggio di programmazione Python.



Frequenza lezioni

Obbligatoria



Contenuti del corso

Intelligenza Artificiale “classica”: Ragionamento e Problem-solving

Machine learning e data mining

Applicazioni



Testi di riferimento

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

 

Capitoli selezionati da:

 

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.


Altro materiale didattico

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



Programmazione del corso

 ArgomentiRiferimenti testi
1“Classical” Artificial Intelligence: Reasoning and Problem-solving • Autonomous agents and their environments • Cognitive systems architecture (perception, memory, reasoning, action and metacognition) R&N - Capitolo 1 (pp 29-39, 63-93) Cap 2 (pp. 95-140),  
2“Classical” Artificial Intelligence: • Knowledge representation techniques • Reasoning: analogical, case-based, probabilistic. • Problem-solving: problem solving “by search” and problem solving “by description”R&N - Cap 3 ( pp. 147-179, 189-199) 
3"Machine learning e data mining": •Classification, regression and predictive models. • Supervised learning (decision trees, Support Vector Machines) • Unsupervised learning: clusteringDispense del docente (pp.1-60) 
4''Machine learning e data mining'': Neural networks Trask - Capitoli 3,4,5,6 
5“Deep learning”: Convolutional neural networks (CNN) and Recurrent Neural networks (RNN). Transformers. Trask - Capitoli 9,10,11,12 
6“Knowledge discovery from data”: the data mining process, model development and testing, evaluation. Data visualization. • Model limitations (explainability, and Bias in dataset)P&F- Capitoli 7 & 8 (Decision analytic thinking: what is a good model; and Model Visualization), pp. 187-122. Trask - Capitoli 7,8 
7The PyTORCH library for Deep Learning. TransformersS&A - Cap 2 (pp.15-37) Cap 3 (pp-39-60).  
8Applications and ethical issues: •Recommender systems • Sentiment analysis • Design of conversational agents (chatbot)B&K&H - Cap 9: IBM Watson as a cognitive system, pp. 137-155. Trask- cap 14 


Verifica dell'apprendimento


MODALITÀ DI VERIFICA DELL'APPRENDIMENTO

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.




Apri in formato Pdf English version