53861 - INTELLIGENZA ARTIFICIALE

Coerentemente con i descrittori di Dublino studenti e studentesse, alla fine del corso, dovranno:

• Comprendere le differenze fra i paradigmi di sviluppo di sistemi basati sull’intelligenza artificiale classica e sul “machine learning”.

• Sapere autonomamente progettare, prototipare e validare sistemi che apprendono dai dati

• Conoscere i servizi cognitivi disponibili in cloud

• Essere consapevoli dei limiti e delle problematiche 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”:

• 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
• 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, K-Nearest Neighbours, Reti neurali)
• Tecniche di apprendimento non supervisionato: clustering
• Il “deep learning”: Reti neurali convoluzionali (CNN) e Reti neurali ricorrenti (RNN). Cenni sui Transformers
• “Knowledge discovery from data”: Tecniche di analisi, visualizzazione e pre-elaborazione dei dati. Creazione e testing dei modelli, metriche di valutazione dei modelli.
• Limiti dei modelli (ispezionabilità e comprensibilità dei modelli, Bias nei dataset)
• La libreria PyTORCH per il Deep Learning e il wrapper Lightning
• L’ambiente di sviluppo RAPID MINER

Applicazioni

• Recommender systems
• Sentiment analysis

“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)- Disponibili su STUDIUM.

Documentazione tecnica sulle librerie di machine learning utilizzate e sugli operatori di Rapid Miner. - Disponibili su STUDIUM.

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.

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.