Il corso, svolto in inglese, fornisce conoscenze di base su alcuni dei principali approcci e metodi dell'intelligenza artificiale di interesse per l'ingegneria dell'informazione, e sui relativi settori di applicazione.…
Scheda dell'insegnamento
Obiettivi formativi
Il corso, svolto in inglese, fornisce conoscenze di base su alcuni dei principali approcci e metodi dell'intelligenza artificiale di interesse per l'ingegneria dell'informazione, e sui relativi settori di applicazione. Gli obiettivi formativi in termini dei descrittori di Dublino sono i seguenti: Conoscenza e comprensione Lo studente conoscerà alcuni dei principali approcci, modelli e algoritmi dell'intelligenza artificiale nei seguenti ambiti: ricerca su grafi; rappresentazione della conoscenza e inferenza: linguaggi logici e modelli probabilistici (reti bayesiane); apprendimento automatico (machine learning). Capacità di applicare conoscenza e comprensione Lo studente sarà in grado di risolvere semplici problemi negli ambiti sopra indicati, e di implementare e sperimentare su calcolatore algoritmi per la loro risoluzione. Autonomia di giudizio Lo studente sarà in grado di valutare diversi metodi per la soluzione di semplici problemi negli ambiti sopra indicati, tenendo conto del compromesso tra complessità computazionale e qualità della soluzione, quest'ultima valutata con criteri quali accuratezza o ottimalità. Abilità comunicative Lo studente acquisirà la capacità di comunicare ed esprimere problematiche inerenti all'intelligenza artificiale, di evidenziare problemi e di proporre soluzioni.
Programma
- Introduzione e cenni storici (1 ora) - Ricerca su grafi (lezioni: 8 ore; esercizi in aula: 3 ore) Formulazione di un problema di ricerca: spazio degli stati, operatori, obiettivo, costo della soluzione, albero di ricerca. Strategie di ricerca non informata: ricerca in ampiezza, in profondità, a costo uniforme; cenni ad altre strategie: ricerca limitata in profondità, ad approfondimento iterativo, bidirezionale. Strategie di ricerca informata "best-first": greedy search, A*; funzioni euristiche. Complessità computazionale degli algoritmi di ricerca. - Rappresentazione della conoscenza e inferenza: linguaggi logici (lezioni: 6 ore; esercizi in aula: 3 ore) Introduzione: linguaggi logici, inferenza. Logica proposizionale e logica dei predicati: sintassi e semantica. Inferenza nella logica proposizionale: algoritmi di model checking, risoluzione, forward chaining, backward chaining. - Rappresentazione della conoscenza e inferenza: modelli probabilistici, reti bayesiane (lezioni: 7 ore; esercitazioni: 2 ore) Richiami di teoria della probabilità. Reti bayesiane: struttura e interpretazione; algoritmi d'inferenza: inferenza esatta e approssimata (rejection sampling). - Introduzione e concetti generali riguardo all’apprendimento automatico (lezioni: 3 ore) Applicazioni dell'apprendimento automatico. Principali paradigmi di apprendimento automatico. Classificazione supervisionata. Capacità di generalizzazione. Overfitting. - Alberi di decisione (lezioni: 6 ore; esercitazioni: 1 ora) Struttura degli alberi di decisione. Algoritmi di apprendimento: algoritmi 'naive' e ID3. Pruning. - Valutazione delle prestazioni di un classificatore (lezioni: 1 ora) Metriche e grafici per la valutazione delle prestazioni: accuratezza, matrice di confusione, cenni alle curve ROC, precision e recall. Tecniche di stima delle prestazioni: re-substitution, hold-out, cross-validation. - Reti neurali (lezioni: 8 ore; esercitazioni: 1 ora; laboratorio: 3 ore) Cenni storici riguardo alle reti neurali. Il percettrone e l'algoritmo di apprendimento di Rosenblatt. Reti di tipo Multilayer-Feedforward; algoritmo di backpropagation. Implementazione di una rete neurale mediante la libreria Python scikit-learn. - Insiemi di classificatori (lezioni: 4 ore) Bias e varianza di un classificatore. Bagging, Random Forest, Boosting, AdaBoost. - Esercizi di riepilogo sull’apprendimento automatico (esercitazioni: 3 ore)
Elementi di matematica discreta (calcolo combinatorio), organizzazione e principi di funzionamento dei calcolatori, almeno un linguaggio di programmazione di alto livello.
Lezioni frontali: 44 ore. Esercitazioni in aula: 16 ore.
Modalità d'esame
L'esame consiste in una prova scritta, in un'eventuale prova orale a integrazione della prova scritta, se ritenuta necessaria dai docenti per una valutazione più adeguata della preparazione dello studente, e in un progetto. La prova scritta e l'eventuale prova orale consistono in domande a risposta aperta ed esercizi su tutti gli argomenti del corso. Il progetto può essere svolto individualmente o in gruppi di due studenti, e consiste nell'approfondimento di un metodo di intelligenza artificiale e nella sua applicazione a specifiche istanze di un problema, per esempio mediante un programma per calcolatore sviluppato dagli stessi studenti. Per superare l'esame sarà necessario raggiungere la sufficienza in entrambe le prove; il voto finale, espresso in trentesimi, sarà dato dalla somma dei voti conseguiti nelle due prove: fino a 20 punti per la prova scritta, fino a 10 punti per il progetto. Per raggiungere la sufficienza nella prova scritta lo studente dovrà dimostrare una conoscenza di base di tutti gli argomenti del corso; in particolare, dovrà essere in grado di modellare semplici problemi negli ambiti considerati nel corso usando metodi appropriati, dovrà conoscere gli aspetti essenziali dei principali approcci e algoritmi per la loro risoluzione, e dovrà saperli applicare a semplici istanze di tali problemi. Il voto della prova scritta, espresso in ventesimi, sarà determinato dal livello di conoscenza di approcci, metodi e algoritmi oggetto del corso, e dal livello di complessità dei problemi che lo studente sarà in grado di modellare e risolvere. Per raggiungere la sufficienza nel progetto lo studente dovrà dimostrare di possedere una sufficiente padronanza dei metodi e degli algoritmi oggetto della prova, la capacità di implementare al calcolatore semplici versioni di alcuni di tali algoritmi, e la capacità di applicarli per la risoluzione di specifiche istanze dei problemi in esame. Il voto del progetto, espresso in decimi, sarà determinato dal livello di complessità degli algoritmi che lo studente sarà in grado di implementare, e dalla capacità di analizzare e discutere i risultati della loro applicazione a specifiche istanze dei problemi in esame.
Testi di riferimento
S. Russell and P. Norvig, "Artificial Intelligence - A Modern Approach", 4th Ed., Pearson, 2021, o edizioni precedenti.
Codice insegnamento 19989