INTELLIGENZA ARTIFICIALE

Anno accademico 2020/2021 - 2° anno
Docente: Daniela GIORDANO
Crediti: 6
Modalità di erogazione: Tradizionale
Organizzazione didattica: 150 ore d'impegno totale, 114 di studio individuale, 36 di lezione frontale
Semestre:
ENGLISH VERSION

Obiettivi formativi

  • 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.

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

  • 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 Bayesiana
  • 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). Problematiche computazionali
  • “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
  • 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)

Testi di riferimento

Dispense fornite dal docente tramite la piattaforma Studium.

 

Capitoli selezionati da:

  • Artificial intelligence: a modern approach. Stuart Russell, Peter Norvig, 3rd edition, 2010

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.



Programmazione del corso

 ArgomentiRiferimenti testi
1• Definizione di agente autonomo intelligente in relazione all’ambientecap 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 conoscenzaDispense del docente 
4• Tipologie di ragionamento: ragionamento analogico, basato su casi, probabilistico. Incertezza e inferenza BayesianaDispense del docente 
5• Tecniche di problem-solving: problem solving “by search” e problem solving “by description”cap 3 Norvig & Russell, Dispense del docente 
6Machine learning: Classificazione, regressione e modelli predittivi. Tecniche di apprendimento supervisionato (alberi decisionali, Support Vector Machines, KNN). Tecniche di apprendimento non supervisionato: clusteringDispense 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 scalabilitàDispense 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 

Verifica dell'apprendimento

Modalità di verifica dell'apprendimento

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.