Insegnamento ARTIFICIAL INTELLIGENT SYSTEMS
| Nome del corso di laurea | Informatica |
|---|---|
| Codice insegnamento | A002037 |
| Curriculum | Artificial intelligence |
| Docente responsabile | Valentina Franzoni |
| CFU | 12 |
| Regolamento | Coorte 2026 |
| Erogato | Erogato nel 2026/27 |
| Erogato altro regolamento | |
| Anno | 1 |
| Periodo | Annuale |
| Tipo insegnamento | Obbligatorio (Required) |
| Tipo attività | Attività formativa integrata |
| Suddivisione |
INTELLIGENT APPLICATION DEVELOPMENT
| Codice | A002039 |
|---|---|
| CFU | 6 |
| Docente responsabile | Stefano Marcugini |
| Docenti |
|
| Ore |
|
| Attività | Caratterizzante |
| Ambito | Discipline informatiche |
| Settore | INFO-01/A |
| Tipo insegnamento | Obbligatorio (Required) |
| Lingua insegnamento | Inglese |
| Contenuti | Paradigma programmazione funzionale. Linguaggio Ocaml. Ricorsione. Pattern matching. Liste. Backtracking. Grafi. Algoritmi di ricerca. Cenni di lambda-calcolo. Realizzazione di un parser. |
| Testi di riferimento | M. Cialdea Mayer, C. Limongelli. Introduzione alla Programmazione Funzionale. Esculapio. http://caml.inria.fr/ (per scaricare interprete e documentazionein inglese) |
| Obiettivi formativi | Risultati d'apprendimento previsti. Orientati alle conoscenze. Conoscenza delle principali tecniche di modellazione di problemi basate su agenti nel settore dell'intelligenza artificiale. Conoscenza delle principali tecniche di ricerca nello spazio degli stati, non informata, informata, di ricerca locale, basate su ragionamento automatico, inferenza, pianificazione automatica. Apprendimento con rinforzo e ottimizzazione di politiche. Conoscenza delle principali tecniche di modellazione di problemi basate su reti complesse ed applicazioni al settore dell'intelligenza artificiale. Conoscenza delle problematiche etiche nell'intelligenza artificiale Conoscenza del paradigma di programmazione funzionale e aspetti di base del lambda calcolo, tecniche di backtracking, pattern matching Orientati alle abilita'. Capacita' di utilizzare le conoscenze apprese per modellare, progettare e implementare soluzioni di problemi applicativi reali caratterizzati da agenti artificiali e/o reti complesse. Capacità di modellare ed implementare applicazioni intelligenti utilizzando tecniche di pattern matching, ed il paradigma funzionale Capacità di progettare strutture dati complesse. Capacità di realizzare applicazioni basate sul paradigma funzionale |
| Prerequisiti | Nessuno |
| Metodi didattici | lezioni frontali, esercitazioni |
| Altre informazioni | Sito del Corso: www.unistudium.unipg.it Calendario esami: consultare il sito https://www.dmi.unipg.it/didattica/corsi-di-studio-in-informatica/informatica-magistrale/calendario-esami |
| Modalità di verifica dell'apprendimento | Progetto assegnato dal docente e prova orale. Lo svolgimento del progetto è finalizzato a verificare la capacità di applicare correttamente le conoscenza teoriche e la capacità di comprensione delle problematiche proposte. La prova orale consiste in una discussione della durata di circa 30 minuti finalizzata a accertare il livello di conoscenza e di comprensione sui contenuti teorici del corso raggiunto dallo studente. Inoltre la prova orale consentirà di verificare la capacità di comunicazione dello studente con proprietà di linguaggio ed organizzazione autonoma dell'esposizione. Su richiesta dello studente l'esame puo' essere sostenuto anche in lingua Inglese. Per informazioni sui servizi di supporto agli studenti con disabilità e/o DSA visita la pagina http://www.unipg.it/disabilita-e-dsa |
| Programma esteso | Paradigma programmazione funzionale. Linguaggio Ocaml. Ricorsione. Pattern matching. Liste. Backtracking. Grafi. Algoritmi di ricerca. Ricerca in profondita', ricerche in ampiezza, ricerche euristiche. Branch and bound, algoritmo A*. Cenni di lambda-calcolo. Implementazione di un parser. |
| Obiettivi Agenda 2030 per lo sviluppo sostenibile |
INTELLIGENT MODELS
| Codice | A002038 |
|---|---|
| CFU | 6 |
| Docente responsabile | Valentina Franzoni |
| Docenti |
|
| Ore |
|
| Attività | Caratterizzante |
| Ambito | Discipline informatiche |
| Settore | INFO-01/A |
| Tipo insegnamento | Obbligatorio (Required) |
| Lingua insegnamento | INGLESE |
| Contenuti | 0 Introduzione all'IA 1 Modelli di agenti 2 Ricerca nello spazio degli stati, pianificazione 3 Modelli e sistemi multiagente 4 Apprendimento rinforzato 5 Simulazione di sistemi complessi 6 Analisi di reti sociai |
| Testi di riferimento | Testi di riferimento: Appunti del docente disponibili sulla piattaforma www.unistudium.unipg.it Artificial Intelligence: A Modern Approach, Stuart Russell and Peter Norvig Pearson, last edition Network Science Albert Lazlo Barabasi (disponibile online) http://networksciencebook.com/ Reinforcement Learning: An Introduction, Richard S. Sutton and Andrew G. Barto, Second Edition, MIT Press, 2018 (disponibile online http://incompleteideas.net/book/RLbook2018.pdf ) Lectures notes made available on www.unistudium.unipg.it |
| Obiettivi formativi | Risultati di apprendimento orientati alla conoscenza: Conoscenza delle principali tecniche di modellazione di problemi basate su agenti nel settore dell'intelligenza artificiale. Conoscenza delle principali tecniche di ricerca nello spazio degli stati, non informata, informata, di ricerca locale, basate su ragionamento automatico, inferenza, pianificazione automatica. Apprendimento con rinforzo e policy di ottimizzazione. Conoscenza delle principali tecniche di modellazione di problemi basate su reti complesse ed applicazioni al settore dell'intelligenza artificiale. Risultati di apprendimento orientati alle abilità: Capacita' di utilizzare le conoscenze apprese per modellare, progettare e implementare soluzioni di problemi applicativi reali caratterizzati da agenti artificiali e/o reti complesse. |
| Prerequisiti | Prerequisiti per un apprendimento efficace dei contenuti di questo insegnamento includono conoscenza estesa di algoritmi e concetti di base della complessità computazionale, dei modelli di grammatiche e linguaggi e dei connettivi logici elementari, strutture dati, database e problematiche relative ai sistemi concorrenti. |
| Metodi didattici | Lezioni frontali. Esercitazioni, discussioni interattive su casi di studio. Valutazione continua attraverso progetti ed esercizi di esonero. Valutazione finale tramite prova orale e pratica (progetto). Materiale, informazioni dettagliate sugli esoneri verranno forniti a tempo debito su http://www.unistudium.unipg.it, allo studente è richiesto di conoscere il syllabus dell'insegnamento e di seguire gli aggiornamenti del docente su Unistudium. |
| Altre informazioni | Piattaforma di e-learning del corso con materiale e altre informazioni su http://www.unistudium.unipg.it |
| Modalità di verifica dell'apprendimento | L'esame consiste in una prova orale sul programma completo e la presentazione di un progetto (singolo o di gruppo) da presentare oralmente al docente. Ai soli studenti che seguono assiduamente le lezioni, l'interrogazione orale o parti di essa possono essere sostituite da prove in itinere (esoneri), lasciando come prova finale la presentazione del progetto. Le prove in itinere vengono progettate durante il corso in base al livello della classe e possono variare in numero, da 2 (classe con buon livello, capace di interagire con la docente ed eventuali tutor e di lavoro autonomo) a 4 (classe con livello più basso , che ha bisogno di essere seguita ad ogni passo). La prova orale verte sui principali argomenti affrontati durante il corso. Gli esercizi proposti ai candidati consistono in domande ed esercizi teorico formali sugli argomenti del corso e nella risoluzione di problemi di analisi, modellazione di domini applicativi reali tramite tecniche di intelligenza artificiale apprese. Il progetto consiste nello sviluppo di un progetto software concordato con la docente su applicazioni dell'intelligenza artificiale a problemi reali attraverso l'approfondimento di tecniche presentate nel corso. Il progetto prevede una relazione finale ed una presentazione da parte dei partecipanti che forma parte integrante della valutazione. Scopo del progetto è acquisire e dimostrare esperienza nell'applicazione delle conoscenze apprese ad un problema reale o simluato. Per informazioni sui servizi di supporto agli studenti con disabilità e/o DSA visita la pagina http://www.unipg.it/disabilita-e-dsa |
| Programma esteso | 0-Introduzione all'intelligenza artificiale Prospettive storiche, attuali e future sull'intelligenza artificiale e l'apprendimento automatico 1-Modelli di agenti, agenti autonomi Agenti riflessivi, basati sullo stato, basati sull'inferenza e agenti che apprendono, 2-Ricerca nello spazio degli stati, pianificazione Modelli di ricerca nello spazio degli stati applicati alla ricerca non informata e informata, ricerca locale, ricerca avversaria, pianificazione automatizzata, rappresentazione delle azioni basata sulla logica, PDDL 3-Sistemi e modelli multiagente Automi cellulari, agenti guidati da strategie, agenti comportamentali, comportamenti collettivi emergenti 4-Apprendimento per rinforzo Processi decisionali markoviani, valutazione delle politiche, Q-learning, integrazione tra pianificazione e apprendimento, IRL, RLHU 5-Simulazione di sistemi complessi Nozioni di base sui sistemi complessi di IA, NetLogo 6-Analisi dei social network Teoria dei grafi, reti casuali e senza scala, modello di Barabási-Albert, metriche, comunità, reti di conoscenza, social network, diffusione dell’informazione, agenti di rete, previsione dei collegamenti |
| Obiettivi Agenda 2030 per lo sviluppo sostenibile | Istruzione di qualità Industria, innovazione e infrastrutture Città e comunità sostenibili |