Insegnamento INTRODUZIONE ALL'INTELLIGENZA ARTIFICIALE
- Corso
- Informatica
- Codice insegnamento
- A000701
- Curriculum
- Comune a tutti i curricula
- Docente
- Valentina Poggioni
- Docenti
-
- Valentina Poggioni
- Ore
- 47 ore - Valentina Poggioni
- CFU
- 6
- Regolamento
- Coorte 2020
- Erogato
- 2022/23
- Attività
- Caratterizzante
- Ambito
- Discipline informatiche
- Settore
- INF/01
- 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.
Il processo KDD. Data mining e machine learning. Classificazione. 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 dovrà conosce i concetti fondamentali dei sistemi di intelligenza artificiale e dei modelli di agente. Dovrà conoscere i principali algoritmi di ricerca nello spazio degli stati, non informati ed euristici. Lo studente dovrà essere in grado di modellare ed implementare un sistema ad agente come problema di ricerca nello spazio degli stati. Lo studente dovrà conoscere le principali tecniche e e gli algoritmi fondamentali per il data mining e più in particolare per la classificazione dei dati. Dovrà essere in grado di progettare un sistema di KDD.
- 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
- 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.
Il processo Knowledge Discovery in Databases (KDD). Introduzione al data mining; data mining e machine learning.
Classificazione: alberi di decisione (tipi e gestione degli attributi, algoritmi di costruzione); NN classifiers; classificatori bayesiani; classificatori basati su reti neurali. Costruzione e analisi degli insiemi di training e di test.