Insegnamento obbligatorio della Laurea Magistrale in Ingegneria Informatica, collocato al II anno. Il corso intende descrivere le metodologie basate sull'intelligenza artificiale. In particolare si tratteranno i modelli base del comportamento intelligente, la costruzione di macchine che li simulano, la rappresentazione della conoscenza, la valutazione di regole, l'inferenza, la deduzione e i pattern. Sono prese in esame le architetture dei sistemi di apprendimento e come questi rappresentano la loro conoscenza del mondo esterno. |
Il presente corso, che fornisce 9 crediti formativi, è composto da 20 ore di videolezione, da vedere due
volte, per un totale minimo di 40 ore di attività dello studente.
Le videolezioni trattano i seguenti argomenti:
• Lezione n. 1: Intelligenza Artificiale. Introduzione
• Lezione n. 2: Agenti intelligenti
• Lezione n. 3: Searching
• Lezione n. 4: Informed search - Ricerca con Informazione
• Lezione n. 5: Constraints satisfaction problems - Soddisfacimento di vincoli
• Lezione n. 6: Logica proposizionale
• Lezione n. 7: Logica del primo ordine
• Lezione n. 8: Inferenza in logica del primo ordine
• Lezione n. 9: Planning - Pianificazione
• Lezione n. 10: Applicazioni del planning
• Lezione n. 11: Quantificazione dell’incertezza
• Lezione n. 12: Reti Bayesiane
• Lezione n. 13: Probabilistic reasoning over time
• Lezione n. 14: Making simple decisions
• Lezione n. 15: Complex decision making - Prima parte
• Lezione n. 16: Complex decision making - Seconda parte
• Lezione n. 17: Apprendimento & alberi di decisione
• Lezione n. 18: Regressione e classificazione - Prima parte
• Lezione n. 19: Regressione e classificazione - Seconda parte
• Lezione n. 20: Learning with knowledge & statistical learning
|
Sono inoltre presenti materiali didattici collegati agli argomenti delle video lezioni, che si compongono di
testi di approfondimento teorico e dispense; tali materiali didattici compongono lo studio individuale dello
studente di circa 125 ore.
In dettaglio, i materiali didattici collegati sono:
- Slide del corso, le slide utilizzate dai docenti autori delle videolezioni, che gli studenti potrannoscaricare e stampare per crearsi il proprio "quaderno del corso"
- Libri&Articoli: testi, saggi, schede descrittive, approfondimenti,
- Bibliografia: riferimenti ragionati a fonti bibliografiche associati ai singoli argomenti di ogni videolezione
- Sitografia: selezioni ragionate di Siti web collegate agli argomenti della videolezione
Testi d'esame:
I testi d'esame per il corso di Intelligenza artificiale sono:
S.J. Russell, P. Norvig, “Intelligenza Artificiale. Un approccio Moderno” , Vol. 1 e 2, Pearson, Milano
Tom Mitchell - Machine Learning
E. Rich, "Intelligenza artificiale", McGraw Hill, Milano
N.J. Nilsson, "Metodi per la risoluzione dei problemi nell'intelligenza artificiale", Angeli, Milano
S. Haykin, “Neural Networks – A comprehensive foundation”, 2a edizione, Prentice-Hall |
Le esercitazioni presentate durante il corso coprono l'intero programma. |
Titolare dell'insegnamento |
Nessun Docente attualmente disponibile per questo corso
|
Prof.
Giovanni Felici
- Istituto di Analisi dei Sistemi ed Informatica “A. Ruberti” - CNR (Roma - Italia)
|
|
|
Giovanni Felici
|
|
- Objectives
- What is AI
- Foundations of AI
- History of AI
|
|
|
Giovanni Felici
|
|
- Agents and Environments
- The Nature of Environments
- The Structure of Agents
|
|
|
Giovanni Felici
|
|
- Example problems
- Tree search and graph search
- Uninformed search
|
|
|
Giovanni Felici
|
|
- Greedy search
- A* search
- Heuristic functions
- Local Search
|
|
|
Giovanni Felici
|
|
- Definition of CSP
- Constraint Propagation
- Search in CSP
- Structure of CSP
|
|
|
Giovanni Felici
|
|
- Logical Agents
- Logic, Formally
- Propositional Logic
- Theorem Proving
- Special CNF Systems
- Satisfiability
|
|
|
Giovanni Felici
|
|
- Semantic & Syntax
- Quantifiers
- Numbers, Sets, Lists
|
|
|
Giovanni Felici
|
|
- Reducing to propositional inference
- Unification
- Forward chaining
- Backward chaining
- Resolution
|
|
|
Giovanni Felici
|
|
- Definitions
- Complexity of Planning
- Algorithms for Planning
- Heuristics for Planning
- The Planning Graph
|
|
|
Giovanni Felici
|
|
- Planning And Scheduling
- Critical Path Method
- Hierarchical Planning
- Planning in Other Domains
|
|
|
Giovanni Felici
|
|
- Uncertainty
- Probability
- Inference
- Bayes’ Theorem
|
|
|
Giovanni Felici
|
|
- Introduction to Bayesian Networks
- Conditional independence in BN
- Exact Inference
- Approximated Inference
|
|
|
Giovanni Felici
|
|
- Time and uncertainty
- Four tasks of temporal models
- Hidden Markov Models
- Kalman Filters
- Dynamic Bayesian Networks
|
|
|
Giovanni Felici
|
|
- Utility Theory
- Decision Networks
- The Value of Information
|
|
|
Giovanni Felici
|
|
- Sequential Decision Problems
- The Bellman Equation
- Partially Observable Markov Decision Processes
|
|
|
Giovanni Felici
|
|
- Decisions With Multiple Agents
- Dominance and Equilibrium
- Mechanism Design and Auctions
|
|
|
Giovanni Felici
|
|
- Forms of Learning
- Supervised Learning
- Decision Trees
|
|
|
Giovanni Felici
|
|
- Linear Regression
- Linear Classification
- Logistic Regression
- Neural Networks
|
|
|
Giovanni Felici
|
|
- Support Vector Machines
- Non Parametric Models
- Nearest Neighbor
- Non Parametric Regression
- Ensamble Learning
- Computational Learning Theory
|
|
|
Giovanni Felici
|
|
- Knowledge in learning
- Learning with background
- Statistical learning with complete knowledge
- Statistical learning with uncomplete knowledge
|
|