Insegnamento INTRODUZIONE ALL'INTELLIGENZA ARTIFICIALE
| Nome del corso di laurea | Informatica |
|---|---|
| Codice insegnamento | A000701 |
| Curriculum | Comune a tutti i curricula |
| Docente responsabile | Valentina Poggioni |
| Docenti |
|
| Ore |
|
| CFU | 6 |
| Regolamento | Coorte 2018 |
| Erogato | Erogato nel 2020/21 |
| Attività | Caratterizzante |
| Ambito | Discipline informatiche |
| Settore | INF/01 |
| Anno | 3 |
| Periodo | Primo Semestre |
| Tipo insegnamento | Opzionale (Optional) |
| Tipo attività | Attività formativa monodisciplinare |
| Lingua insegnamento | ITALIANO |
| Contenuti | Introduzione alla intelligenza artificiale. Test di Turing. Approccio Ragionamento-Agente. Modelli di Agente. Ricerca nello spazio degli stati. Ricerca non informata. Ricerca euristica informata, A*. Proprietà euristiche. Agenti distribuiti. Elementi di logica. Giochi a due giocatori: minimax. Data mining e machine learning. Apprendimento supervisionato. Classificazione. Introduzione alle reti neurali. Tecniche e misure di valutazione dei modelli. Costruzione e analisi degli insiemi di training e di test. |
| Testi di riferimento | Stuart Russel, Peter Norvig, Artificial Intelligence: A Modern Approach, Global Edition - Pearson - 2016 Pang-Ning Tan, M. Steinbach, A. Karpatne, V. Kumar - Introduction to data mining - Pearson - 2019 |
| Obiettivi formativi | Lo studente acquisirà i concetti introduttivi e fondamentali dei sistemi di intelligenza artificiale e dei modelli di agente. Conoscerà i principali algoritmi di ricerca nello spazio degli stati, non informati ed euristici. Conoscerà lo schema base dei giochi a due giocatori e l'algoritmo minimax. Lo studente sarà in grado di modellare ed implementare un sistema ad agente come problema di ricerca nello spazio degli stati. Lo studente conoscerà le principali tecniche e gli algoritmi fondamentali per il machine learning e più in particolare per la classificazione automatica dei dati. Lo studente sarà in grado di progettare implementare e testare un sistema di apprendimento supervisionato basato su vari algoritmi, incluse le reti neurali. |
| Prerequisiti | Conoscenza di base del linguaggio di programmazione Python. |
| Metodi didattici | Lezioni in aula e in laboratorio. |
| Altre informazioni | https://unistudium.unipg.it |
| Modalità di verifica dell'apprendimento | Esame orale e progetto. Sono previste prove parziali durante il corso. |
| Programma esteso | Introduzione alla intelligenza artificiale. Test di Turing. Ragionamento-Agente/Razionale-Umano. Modelli di Agente: agente reattivo, agente con stato, agente pianificatore, agente con utilità. Ricerca nello spazio degli stati: modellazione dei problemi. Ricerca non informata: BFS,DFS, a profondità limitatà, a costo uniforme. Ricerca euristica informata, greedy, A*. Complessità in tempo e in spazio degli algoritmi, Fattore di ramificazione effettivo. Proprietà euristiche. Agenti distribuiti: swarm behaviour, proprietà emergenti. Elementi di logica. Introduzione al machine learning. Approccio supervisionato. Classificazione: alberi di decisione (tipi e gestione degli attributi, algoritmi di costruzione); classificatori lazy con approccio nearest neighbor; classificatori bayesiani; classificatori basati su reti neurali. Costruzione e analisi degli insiemi di training e di test. |