Il corso di Fondamenti di Intelligenza Artificiale fornisce agli studenti e alle studentesse le conoscenze teoriche, metodologiche e applicative necessarie per comprendere i principi fondamentali dell'Intelligenza Artificiale nelle sue molteplici declinazioni. Il corso introduce i metodi fondamentali per la risoluzione di problemi mediante ricerca nello spazio degli stati, i paradigmi di apprendimento automatico, le tecniche di rappresentazione e analisi di sistemi complessi e le considerazioni etiche nell'implementazione di sistemi intelligenti. L'insegnamento integra gli aspetti teorici con attività di laboratorio pratico in Python, finalizzate all'implementazione di algoritmi di ricerca di soluzioni di problemi, modelli di machine learning e analisi di reti complesse su dati e problemi reali.
Il corso è strutturato in unità di apprendimento tra loro progressivamente integrate, finalizzate a fornire una preparazione organica sui fondamenti teorici, metodologici e applicativi dell’Intelligenza Artificiale.
Il percorso accompagna gli studenti e le studentesse introducendo all’evoluzione storica della disciplina ed alle principali applicazioni e fornendo un inquadramento generale nei settori: Risoluzione automatica di problemi per sistemi ad agenti autonomi; Sistemi di apprendimento automatico.; Reti neurali artificiali e deep learning; Sistemi Generativi Multimodali e Analisi di Big Data e Reti Complesse.
Dopo la parte introduttiva, nel corso verranno approfondite in particolare 1) le metodologie per modellazione e la risoluzione di problemi nello spazio degli stati, 2) i principali concetti e modelli di machine learning per la classificazione, 3) concetti fondamentali metriche e metodologie per l’analisi di reti complesse digitali derivanti da fenomeni sociali, artificiali e naturali ed infine verranno 4)mintrodotti problematiche ed aspetti etici derivanti dal contesto e dall’impatto sociale delle applicazioni AI. Attività di Laboratorio trasversale e parallela a tutti i moduli ha lo scopo di
Unità 1. Introduzione all’intelligenza Artificiale.
Modellazione e Risoluzione di Problemi con Ricerca nello Spazio degli Stati,
Introduzione.
Origini ed evoluzione della riceca in AI. Principali applicazioni ed applicazioni avanzate.
Caratteristiche dei principali settori: Rappresentazione della conoscenza e risoluzione automatica di problemi per sistemi ad agenti autonomi. Sistemi di apprendimento automatico: apprendimento supervisionato, non supervisionato, reinforcement learning. Reti neurali artificiali e deep learning. Sistemi Generativi Multimodali. Analisi di Big Data e Reti Complesse.
Modellazione e Risoluzione di Problemi con Ricerca nello Spazio degli Stati.
Agenti autonomi. Tipologie di Agenti. Problemi di Ricerca nello Spazio degli Stati. Problem Solving. Rappresentazione e navigazione dello spazio degli stati.
Algoritmi di Ricerca non informata. Ricerca in profondità (Dept-First) e in ampiezza (Breadth-First), a profondita limitata.
Ricerca Euristica: euristiche definizione. Ricerca A*. Proprietà e valutazione degli algoritmi di ricerca informata e non informata. Generazione di Euristiche. Ambienti multiagente con avversari: Algoritmi min-max, completi, approssimazione euristica. Modellazione e sviluppo di applicazioni per problemi di ricerca nello spazio degli stati. Cenni su automated planning.,
Unità 2. Introduzione all’Apprendimento Automatico
Concetti fondamentali e metriche.
Introduzione ai principali paradigmi di apprendimento automatico: apprendimento supervisionato, non supervisionato e reinforcement learning. Ruolo di dati, feature, modelli, parametri e iperparametri Pipeline di Machine Learning. Dataset suddivisione in training, validation e test set e principi della cross-validation.
Metriche di classificazione per la valutazione dei modelli: accuracy, precision, recall, specificity, F1-score, curva ROC e AUC. Classificatori degeneri e bilanciamento delle classi. Generalizzazione, underfitting e overfitting e bias-variance trade-off. Cenni sulle Metriche di regressione, tra cui MAE, MSE, RMSE e R².
Principali modelli machine learning supervisionato per problemi di classificazione.
I modelli lineari e non lineari Support Vector Machines e i metodi kernel, k-Nearest Neighbors, Bayes, Alberi decisionali, metodi di ensemble learning: bagging, Random Forest.
Unità 3. Introduzione all’Analisi di Reti Complesse.
Reti, Network, Grafi sociali. Definizioni e proprietà dei gradi.
Misure di centralità dei nodi.
Random Network ed evoluzione dei grafi. Modello Erdos-Renyi. Modello Watts- Strogatz Modello Barabasi-Albert. Preferential Attachment. Proprietà dei grafi: Distribuzione del grado; Grafi Scale Free; Connettività; Average Path Length; Coefficiente di Clustering.e cluster.
Grafi reali proprietà. Multigrafi eterogenei.
Metodologie e strumenti di analisi di grafi complessi.
Modelli e applicazioni basati su reti di IA.
Unità 4. Aspetti Etici dell’Intelligenza Artificiale.
Impatto e contesto sociale di Modelli e sistemi. Bias di appredimento, bias intrinsechi, classi minoritarie. Tecniche di ribilanciamento. Filtri e guard-rail nei sistemi generativi. Standard etici IEEE9000.
Unità 5. Laboratorio di AI con Python
Questo modulo verrà svolto in parallelo agli altri moduli è dedicato all’applicazione pratica delle metodologie affrontate durante il corso. Tali competenze verranno acquisite mediante l’utilizzo di Python e delle principali librerie per la ricerca nello Spazio degli Stati, il Machine Learning, e l’analisi di Complex Network, tra cui AIMAPythin, NumPy, pandas, Matplotlib e scikit-learn. Neo4J, NetworkX e le applicazioni NetLogo e Gephi. Le attività comprendono l’implementazione e la modellazione di problemi di ricerca nello spazio degli stati, problemi di classificazione supervisiona, problemi di analisi di reti complesse.
Prerequisiti: È richiesta una conoscenza di base della programmazione in Python (variabili, strutture dati, cicli, funzioni, input/output) e dei concetti fondamentali di matematica discreta, algebra lineare (vettori, matrici, prodotto scalare, autovalori) e analisi matematica (derivate, integrali), necessari per la comprensione degli argomenti trattati durante il corso.
Metodi didattici: L'insegnamento prevede:
- Lezioni frontali dedicate alla presentazione dei fondamenti teorici, metodologici e concettuali dell'Intelligenza Artificiale, con focus su algoritmi di ricerca, machine learning e analisi di reti complesse.
- Esercitazioni teoriche con lavagna/proiezione finalizzate al consolidamento dei concetti e alla discussione di casi di studio applicativi.
- Attività di laboratorio pratico realizzate in ambiente computazionale, dedicate all'implementazione e all'applicazione pratica dei concetti trattati mediante Python e le principali librerie specializzate (AIMAPython, scikit-learn, NetworkX, Gephi).
- Discussioni interattive su problemi aperti, limitazioni degli algoritmi, bias nei dati e considerazioni etiche nell'implementazione di sistemi intelligenti.
- Letture di articoli scientifici e documentazione tecnica per il consolidamento e l'approfondimento autonomo.
L’esame finale prevede una prova scritta composta dallo svolgimento e dalla presentazione orale di progetto di laboratorio in Python precedentemente assegnato dal docente sugli argomenti della ricerca nello spazio degli stato, del machine e dell’analisi di un grafo complesso, durante la presentazione orale il docente verificherà l’acquisizione delle conoscenze relative ai concetti, alle metodologie e agli algoritmi affrontati durante il corso. Le domande del docente valuteranno la capacità di comprendere, descrivere e discutere criticamente i diversi approcci e le relative modalità di applicazione. La prova scritta del progetto di laboratorio verifica la capacità di applicare le conoscenze acquisite mediante Python e le principali librerie per l’implementazione di modelli ad agenti,,modelllidi apprendimento e analisis di grafi.
La prova riguarda l’intero programma dell’insegnamento e consente di valutare congiuntamente la preparazione teorica, la capacità di analisi e le competenze applicative maturate durante il corso.
È fortemente consigliato prepararsi all'esame integrando i materiali didattici (slides, note, codice di esempio) messi a disposizione dal docente con i seguenti testi di riferimento
Testi Principali:
- Russell, S. J., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th Edition, Global Edition). Pearson.
- Raschka, S. (2019). Machine Learning con Python. Costruire algoritmi per generare conoscenza. Apogeo
- Barabási, A.-L. (2016). Network Science. Cambridge University Press. (disponibile online: http://networksciencebook.com/)
Risorse Supplementari:•
Documentazione ufficiale Python: https://docs.python.org/3/
Documentazione ufficiale GoogleColab:
https://colab.research.google.com/notebooks/welcome.ipynb?hl=it
Documentazione scikit-learn: https://scikit-learn.org/
Documentazione NetworkX: https://networkx.org/
Documentazione Gephi: https://gephi.org/
Documentazione AIMAPython: https://github.com/aimacode/aima-python
Il corso ha l’obiettivo di far conseguire i seguenti risultati di apprendimento:
1. CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Gli studenti e le studentesse acquisiranno conoscenze relative ai principi fondamentali dell'Intelligenza Artificiale, ai paradigmi di risoluzione di problemi mediante ricerca nello spazio degli stati, ai principali paradigmi di apprendimento automatico (supervisionato, non supervisionato e reinforcement learning), alle metodologie di analisi di reti complesse, alle tecniche di rappresentazione dei dati, alle metriche di valutazione delle prestazioni e alle considerazioni etiche nell'implementazione di sistemi intelligenti.
2. CONOSCENZA E CAPACITÀ DI COMPRENSIONE APPLICATE: Gli studenti e le studentesse saranno in grado di modellare e risolvere problemi di ricerca nello spazio degli stati utilizzando algoritmi di ricerca non informata e informata (DFS, BFS, A*); di applicare metodologie di machine learning alla risoluzione di problemi di classificazione, regressione e clustering; di implementare e validare modelli predittivi utilizzando dataset reali; di analizzare la struttura e le proprietà di reti complesse; di identificare algoritmi e strategie di valutazione adeguati alle caratteristiche del problema considerato. Utilizzeranno Python e le principali librerie dedicate (AIMAPython, scikit-learn, NetworkX, Gephi) per l'implementazione pratica dei concetti teorici.
3. AUTONOMIA DI GIUDIZIO: Gli studenti e le studentesse svilupperanno un approccio critico all'analisi dei problemi di intelligenza artificiale, alla valutazione e comparazione di differenti metodologie risolutive, alla interpretazione dei risultati prodotti da algoritmi di ricerca e modelli di machine learning. Saranno in grado di identificare i limiti, i bias potenziali e i vincoli computazionali delle soluzioni proposte, e di sviluppare una consapevolezza critica rispetto all'impatto etico e sociale delle applicazioni di intelligenza artificiale.
4. ABILITÀ COMUNICATIVE: Gli studenti e le studentesse saranno in grado di utilizzare correttamente la terminologia propria dell'Intelligenza Artificiale e di descrivere in maniera chiara e rigorosa i principali algoritmi, le metodologie di ricerca, i modelli di apprendimento automatico, le procedure di valutazione e i criteri utilizzati per l'analisi di sistemi complessi. Sapranno interpretare e presentare i risultati ottenuti attraverso metriche numeriche, tabelle comparative e rappresentazioni grafiche appropriate.
5. CAPACITÀ DI APPRENDIMENTO: Gli studenti e le studentesse svilupperanno le competenze necessarie per approfondire autonomamente metodologie e strumenti di intelligenza artificiale, utilizzare la documentazione tecnica delle principali librerie software, applicare le conoscenze acquisite a nuovi problemi e dataset, e rimanere aggiornati sugli sviluppi della disciplina attraverso la consultazione di articoli scientifici e documentazione tecnica specializzata.
I criteri di valutazione, in linea con i descrittori di Dublino, riguardano:
1. CONOSCENZA E COMPRENSIONE: l’esame finale valuterà il livello di acquisizione dei principi fondamentali dell’Intelligenza Artificiale, dei principali paradigmi di soluzione di problemi, delle metodologie di analisi e degli algoritmi affrontati durante il corso.
2. CONOSCENZA E CAPACITÀ DI COMPRENSIONE APPLICATE: l’esame finale valuterà la capacità di applicare le conoscenze acquisite alla modellazione dei problemi di agenti, alla scelta, all’implementazione, all’addestramento e alla valutazione di modelli di ricerca nello spazio degli stati, di Machine Learning, e di analisi di grafi complessi anche attraverso lo svolgimento dell’esercizio di laboratorio in Python.
3. AUTONOMIA DI GIUDIZIO: l’esame finale valuterà la capacità di individuare soluzioni appropriate rispetto al problema considerato, confrontare differenti modelli e strategie e interpretare criticamente i risultati ottenuti.
4. ABILITÀ DI COMUNICAZIONE: l’esame finale valuterà la capacità di utilizzare correttamente la terminologia propria della disciplina e di descrivere in maniera chiara e rigorosa algoritmi, metodologie, procedure di valutazione e risultati.
5. CAPACITÀ DI APPRENDIMENTO: l’esame finale valuterà la capacità di rielaborare autonomamente le conoscenze acquisite e di utilizzarle nell’analisi e nella risoluzione di problemi di ricerca nello spazio degli stati, di Machine Learning, di analisi di grafi complessi.
La valutazione finale è espressa in trentesimi ed è determinata tenendo conto delle conoscenze teoriche e metodologiche e le competenze applicative dimostrate nello svolgimento nella prova scritta di progetto, e della capacità di presentare con chiarezza e argomentare correttamente e criticamente il progetto svolto e rispondere con correttezza e completezza alle domande poste dal docente.
La prova si intende superata con una valutazione pari o superiore a 18/30..
Per ottenere una valutazione eccellente (28-30/30 e lode), lo studente deve dimostrare una comprensione profonda dei concetti, una soluzione elegante e efficiente dei problemi, e una consapevolezza critica dei temi affrontati, incluendo gli aspetti etici e i limiti degli approcci proposti.