INTELLIGENZA ARTIFICIALE
Anno accademico 2022/2023 - Docente: Daniela GIORDANORisultati di apprendimento attesi
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.
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”:
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”
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
Recommender systems Sentiment analysis
Testi di riferimento
“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.
Programmazione del corso
| Argomenti | Riferimenti 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: clustering | Dispense 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 |
| 7 | The PyTORCH library for Deep Learning. Transformers | S&A - Cap 2 (pp.15-37) Cap 3 (pp-39-60). |
| 8 | Applications 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.