Corso di laurea

Artificial Intelligence

Università degli Studi di Verona · 5 materie · 0 file condivisi

Ecco tutti i dettagli sul corso di laurea selezionato. Sul UniDocs troverai gli appunti condivisi dagli altri studenti del tuo corso di laurea, ordinati per materia. Ricordati che per poter visualizzare il materiale devi essere registrato al sito e possedere un numero di crediti sufficiente.

Sfoglia il materiale didattico

Con UniDocs hai l'opportunità di studiare insieme a tutto il tuo corso di laurea. Guadagna subito dei crediti, carica il materiale del tuo ultimo esame!
Più condividi, più tempo avrai per studiare con tutta la community!

Materie del corso

Automated Reasoning 1° anno · 6 CFU · INFO-01/A · 0 file

Il corso presenta una selezione di sistemi d'inferenza, piani di ricerca, e sistemi di transizione per la dimostrazione automatica di teoremi e la soddisfacibilità modulo teorie e assegnamenti. Le studentesse e gli…

Scheda dell'insegnamento

Obiettivi formativi

Il corso presenta una selezione di sistemi d'inferenza, piani di ricerca, e sistemi di transizione per la dimostrazione automatica di teoremi e la soddisfacibilità modulo teorie e assegnamenti. Le studentesse e gli studenti imparano a progettare, applicare, e valutare algoritmi, procedure, e strategie per problemi formulati come quesiti di validità o di soddisfacibilità. Alla fine del corso le studentesse e gli studenti padroneggiano i principali metodi del ragionamento automatico, sanno come scegliere il metodo più appropriato per un dato problema, e sono preparati ad applicare il ragionamento automatico per realizzare intelligenza artificiale in svariati campi di applicazione.

Programma

Sistemi di inferenza e piani di ricerca per strategie di dimostrazione automatica in logica del primo ordine. Strategie di dimostrazione automatica basate su ordinamenti (risoluzione e paramodulazione/sovrapposizione), generazione di istanze, o riduzione di sotto-goal (risoluzione lineare). Sistemi di transizione e piani di ricerca per soddisfacibilità modulo teorie: teorie al primo ordine, procedure di decisione per il frammento senza quantificatori di teorie al primo ordine, combinazione di teorie.

Modalità d'esame

Primo appello: due prove scritte a lezione. Appelli successivi: una prova scritta.
Le/gli studentesse/studenti con disabilità o disturbi specifici di apprendimento (DSA), che intendano richiedere l'adattamento della prova d'esame, devono seguire le indicazioni riportate QUI

Testi di riferimento

Vai alla bibliografia Visualizza la bibliografia con Leganto, strumento che il Sistema Bibliotecario mette a disposizione per recuperare i testi in programma d'esame in modo semplice e innovativo.

Codice insegnamento 4S013604

Machine Learning & Deep Learning 1° anno · 12 CFU · IINF-05/A · 0 file

Il corso si propone di fornire le basi teoriche e descrivere le principali metodologie relative all'area dell'apprendimento automatico e riconoscimento di pattern, insieme alle più recenti tecniche di apprendimento…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di fornire le basi teoriche e descrivere le principali metodologie relative all'area dell'apprendimento automatico e riconoscimento di pattern, insieme alle più recenti tecniche di apprendimento profondo. È infatti suddiviso in 2 moduli: Machine Learning e Deep Learning. In particolare, il corso si occuperà di descrivere i metodi di analisi, riconoscimento e classificazione automatica di dati di qualsiasi tipo, tipicamente chiamati pattern. Queste discipline sono alla base, sono utilizzate e spesso integrano molte altre discipline e ambiti applicativi di ampia diffusione, come la computer vision, la robotica, l'elaborazione delle immagini, il data mining, l'analisi e l'interpretazione di dati medici e biologici, la bioinformatica, la biometria, la videosorveglianza, le previsioni e molti altri. Più precisamente, le metodologie che saranno introdotte nel corso sono spesso parte integrante degli ambiti applicativi sopra menzionati e ne costituiscono la parte "intelligente" con l'obiettivo finale di comprendere (classificare, riconoscere, analizzare) i dati provenienti dai processi di interesse (siano essi segnali, immagini, stringhe, categoriali o di altro tipo). Partendo dal tipo di dati misurati, verrà considerata l'intera pipeline di analisi, come l'estrazione e la selezione di caratteristiche, metodi di apprendimento automatico supervisionato e non supervisionato, tecniche di analisi parametrica e non parametrica e protocolli di convalida. Il modulo Deep Learning illustrerà gli approcci più recenti e rilevanti sviluppati negli ultimi anni, come le reti convoluzionali, reti ricorrenti, trasformers, modelli generativi, metodi di apprendimento auto-supervisionati, nonché argomenti di transfer learning e adattamento di dominio, sistemi multimodali e fondazionali (testo/linguaggio + dati visuali). Nella parte di laboratorio verranno presentati casi di studio reali e non solo benchmark accademici, affrontati con opportuni strumenti di programmazione. In conclusione, il corso si propone di fornire agli studenti un set di fondamenti teorici e strumenti algoritmici per affrontare le problematiche che possono essere riscontrate in settori industriali strategici e innovativi come quelli che coinvolgono l'elaborazione di grandi quantità di dati (big data), la multimedialità, l'ispezione visiva dei prodotti, l'automazione e predizione.

Programma

Il corso si propone di fornire le basi teoriche e descrivere le principali metodologie relative all'area dell'apprendimento automatico e riconoscimento di pattern, insieme alle più recenti tecniche di apprendimento profondo. È infatti suddiviso in 2 moduli: Machine Learning e Deep Learning. In particolare, il corso si occuperà di descrivere i metodi di analisi, riconoscimento e classificazione automatica di dati di qualsiasi tipo, tipicamente chiamati pattern. Queste discipline sono alla base, sono utilizzate e spesso integrano molte altre discipline e ambiti applicativi di ampia diffusione, come la computer vision, la robotica, l'elaborazione delle immagini, il data mining, l'analisi e l'interpretazione di dati medici e biologici, la bioinformatica, la biometria, la videosorveglianza, le previsioni e molti altri. Più precisamente, le metodologie che saranno introdotte nel corso sono spesso parte integrante degli ambiti applicativi sopra menzionati e ne costituiscono la parte "intelligente" con l'obiettivo finale di comprendere (classificare, riconoscere, analizzare) i dati provenienti dai processi di interesse (siano essi segnali, immagini, stringhe, categoriali o di altro tipo). Partendo dal tipo di dati misurati, verrà considerata l'intera pipeline di analisi, come l'estrazione e la selezione di caratteristiche, metodi di apprendimento automatico supervisionato e non supervisionato, tecniche di analisi parametrica e non parametrica e protocolli di convalida. Il modulo Deep Learning illustrerà gli approcci più recenti e rilevanti sviluppati negli ultimi anni, come le reti convoluzionali, reti ricorrenti, trasformers, modelli generativi, metodi di apprendimento auto-supervisionati, nonché argomenti di transfer learning e adattamento di dominio, sistemi multimodali e fondazionali (testo/linguaggio + dati visuali). Nella parte di laboratorio verranno presentati casi di studio reali e non solo benchmark accademici, affrontati con opportuni strumenti di programmazione. In conclusione, il corso si propone di fornire agli studenti un set di fondamenti teorici e strumenti algoritmici per affrontare le problematiche che possono essere riscontrate in settori industriali strategici e innovativi come quelli che coinvolgono l'elaborazione di grandi quantità di dati (big data), la multimedialità, l'ispezione visiva dei prodotti, l'automazione e predizione.

Modalità d'esame

Il voto finale risulterà come media dei voti dei singoli moduli

Testi di riferimento

Vai alla bibliografia Visualizza la bibliografia con Leganto, strumento che il Sistema Bibliotecario mette a disposizione per recuperare i testi in programma d'esame in modo semplice e innovativo.

Codice insegnamento 4S010673

Planning & Reinforcement Learning 1° anno · 12 CFU · INFO-01/A · 0 file

Il corso è composto di due moduli: Planning e Reinforcement Learning. Il modulo Planning presenta una selezione di metodi simbolici per la pianificazione. Studentesse e studenti imparano a progettare, applicare, e…

Scheda dell'insegnamento

Obiettivi formativi

Il corso è composto di due moduli: Planning e Reinforcement Learning. Il modulo Planning presenta una selezione di metodi simbolici per la pianificazione. Studentesse e studenti imparano a progettare, applicare, e valutare algoritmi, procedure, e strategie per la ricerca in uno spazio di stati e per problemi di pianificazione in diversi contesti. Alla fine del corso studentesse e studenti sanno scegliere le tecniche di soluzione più adatte per diversi problemi, e sono preparati a continuare gli studi in Intelligenza Artificiale. Il modulo Reinforcement Learning introduce le studentesse e gli studenti all'apprendimento per rinforzo. In particolare, il modulo si concentra sulla progettazione di algoritmi che consentono alle macchine di apprendere in base al concetto di rinforzo, cioè da feedback parziali, impliciti e con effetti estesi nel tempo, ottenuti interagendo ripetutamente con l'ambiente o gli utenti. Al termine del corso, le studentesse e gli studenti dovranno dimostrare di aver acquisito capacità di i) affrontare problemi di decisione sequenziale con tecniche di apprendimento per rinforzo, ii) identificare ed applicare gli algoritmi più efficaci ed efficienti per risolvere specifici problemi di decisione sequenziale, iii) progettare nuovi algoritmi di apprendimento per rinforzo. In particolare, le conoscenze acquisite riguardano tecniche avanzate per la risoluzione dei processi decisionali di Markov (e.g., ricerca con metodi Monte Carlo), i problemi di tipo bandit, l’apprendimento per rinforzo con e senza modello, l’apprendimento per rinforzo Bayesiano, l’apprendimento per rinforzo utilizzando reti neurali profonde (DQN, Reinforce, A2C, PPO, DDPG, SAC) e cenni di tecniche avanzate di apprendimento (e.g., miglioramento sicuro delle policy, ambienti parzialmente osservabili, apprendimento gerarchico, per imitazione, inverso, e meta-apprendimento).

Programma

Il corso è composto di due moduli: Planning e Reinforcement Learning. Il modulo Planning presenta una selezione di metodi simbolici per la pianificazione. Studentesse e studenti imparano a progettare, applicare, e valutare algoritmi, procedure, e strategie per la ricerca in uno spazio di stati e per problemi di pianificazione in diversi contesti. Alla fine del corso studentesse e studenti sanno scegliere le tecniche di soluzione più adatte per diversi problemi, e sono preparati a continuare gli studi in Intelligenza Artificiale. Il modulo Reinforcement Learning introduce le studentesse e gli studenti all'apprendimento per rinforzo. In particolare, il modulo si concentra sulla progettazione di algoritmi che consentono alle macchine di apprendere in base al concetto di rinforzo, cioè da feedback parziali, impliciti e con effetti estesi nel tempo, ottenuti interagendo ripetutamente con l'ambiente o gli utenti. Al termine del corso, le studentesse e gli studenti dovranno dimostrare di aver acquisito capacità di i) affrontare problemi di decisione sequenziale con tecniche di apprendimento per rinforzo, ii) identificare ed applicare gli algoritmi più efficaci ed efficienti per risolvere specifici problemi di decisione sequenziale, iii) progettare nuovi algoritmi di apprendimento per rinforzo. In particolare, le conoscenze acquisite riguardano tecniche avanzate per la risoluzione dei processi decisionali di Markov (e.g., ricerca con metodi Monte Carlo), i problemi di tipo bandit, l’apprendimento per rinforzo con e senza modello, l’apprendimento per rinforzo Bayesiano, l’apprendimento per rinforzo utilizzando reti neurali profonde (DQN, Reinforce, A2C, PPO, DDPG, SAC) e cenni di tecniche avanzate di apprendimento (e.g., miglioramento sicuro delle policy, ambienti parzialmente osservabili, apprendimento gerarchico, per imitazione, inverso, e meta-apprendimento).

Modalità d'esame

Il voto finale è rappresentato dalla media aritmetica dei voti delle due parti (Planning/RL) del corso.

Testi di riferimento

Vai alla bibliografia Visualizza la bibliografia con Leganto, strumento che il Sistema Bibliotecario mette a disposizione per recuperare i testi in programma d'esame in modo semplice e innovativo.

Codice insegnamento 4S014024

Explainable AI 2° anno · 6 CFU · INFO-01/A · 0 file

Questo corso approfondisce i metodi di intelligenza artificiale (AI), con l'obiettivo di fornire i mezzi per comprendere il """"perché"""" e il """"come"""" dei loro risultati. Dopo aver introdotto i concetti di base…

Scheda dell'insegnamento

Obiettivi formativi

Questo corso approfondisce i metodi di intelligenza artificiale (AI), con l'obiettivo di fornire i mezzi per comprendere il """"perché"""" e il """"come"""" dei loro risultati. Dopo aver introdotto i concetti di base dell'AI spiegabile, inclusa una tassonomia dei metodi esistenti, verranno illustrati in dettaglio i principali approcci e algoritmi allo stato dell'arte. Particolare enfasi sarà data alle tecniche di AI che possono essere spiegate o interpretate per costruzione, ovvero che garantiscono una facile leggibilità da parte degli esseri umani, aumentando la fiducia nell'AI. In questo contesto, l'attenzione sará focalizzata su analisi causale e approcci simbolici e neurosimbolici. La parte teorica sarà integrata da sessioni pratiche in cui concetti e algoritmi saranno implementati e/o applicati in specifici casi di studio.
Offerta formativa 2026/2027 ATTENZIONE: I dettagli dell'insegnamento (docente, programma, periodo di svolgimento, modalità d'esame, ecc.) saranno pubblicati nell'anno accademico in cui sar� attivato. Puoi vedere la scheda informativa di questo insegnamento erogato in un anno accademico passato, cliccando uno dei seguenti link: Explainable AI (attivo nel 2026/2027)

Programma

Questo corso approfondisce i metodi di intelligenza artificiale (AI), con l'obiettivo di fornire i mezzi per comprendere il """"perché"""" e il """"come"""" dei loro risultati. Dopo aver introdotto i concetti di base dell'AI spiegabile, inclusa una tassonomia dei metodi esistenti, verranno illustrati in dettaglio i principali approcci e algoritmi allo stato dell'arte. Particolare enfasi sarà data alle tecniche di AI che possono essere spiegate o interpretate per costruzione, ovvero che garantiscono una facile leggibilità da parte degli esseri umani, aumentando la fiducia nell'AI. In questo contesto, l'attenzione sará focalizzata su analisi causale e approcci simbolici e neurosimbolici. La parte teorica sarà integrata da sessioni pratiche in cui concetti e algoritmi saranno implementati e/o applicati in specifici casi di studio.
Offerta formativa 2026/2027 ATTENZIONE: I dettagli dell'insegnamento (docente, programma, periodo di svolgimento, modalità d'esame, ecc.) saranno pubblicati nell'anno accademico in cui sar� attivato. Puoi vedere la scheda informativa di questo insegnamento erogato in un anno accademico passato, cliccando uno dei seguenti link: Explainable AI (attivo nel 2026/2027)

Codice insegnamento 4S010683

Final exam 2° anno · 24 CFU · 0 file

Recensioni del corso

Studi qui? Accedi per lasciare la tua recensione e aiutare altri studenti a scegliere.

★

Nessuna recensione per ora — e la prima è la più preziosa. Condividi la tua esperienza e orienta le future matricole.