Insegnamento ARTIFICIAL INTELLIGENT SYSTEMS
- Corso
- Informatica
- Codice insegnamento
- A002037
- Curriculum
- Artificial intelligence
- Docente
- Alfredo Milani
- CFU
- 12
- Regolamento
- Coorte 2024
- Erogato
- 2024/25
- Tipo insegnamento
- Obbligatorio (Required)
- Tipo attività
- Attività formativa integrata
INTELLIGENT APPLICATION DEVELOPMENT
| Codice | A002039 |
|---|---|
| CFU | 6 |
| Docente | Stefano Marcugini |
| Docenti |
|
| Ore |
|
| Attività | Caratterizzante |
| Ambito | Discipline informatiche |
| Settore | INF/01 |
| 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 www.informatica.unipg.it |
| 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. |
INTELLIGENT MODELS
| Codice | A002038 |
|---|---|
| CFU | 6 |
| Docente | Alfredo Milani |
| Docenti |
|
| Ore |
|
| Attività | Caratterizzante |
| Ambito | Discipline informatiche |
| Settore | INF/01 |
| Tipo insegnamento | Obbligatorio (Required) |
| Lingua insegnamento | INGLESE |
| Contenuti | 0 Introduction to AI 1 Agent models 2 State space search, adversarial search and automated planning 3 Reactive systems and multiagent models 4 Reinforcement learning agents 5 Interactive agents 6 Complex networks 7 AI network based models and applications 8 Ethical Aspects of AI |
| Testi di riferimento | Appunti del docente disponibili sulla piattaforma www.unistudium.unipg.it Artificial Intelligence: A Modern Approach, 4th Edition Stuart Russell and Peter Norvig Pearson, 2020 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 ) |
| 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 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. |
| Prerequisiti | Prerequisiti per un apprendimento efficace dei contenuti di questo insegnamento includono conoscenza estesa di algoritmi e concetti di base della complessita' 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 scritta e pratica progetto Materiale, informazioni dettagliate e messaggi urgenti sulle lezioni e gli esoneri su http://www.unistudium.unipg.it |
| 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 scritta e un progetto da sviluppare in gruppo e presentare oralmente al docente durante il quale potranno essere chiesti argomenti del corso. Per gli studenti frequentanti alcune delle prove o parti di esse possono essere sostituite da prove in itinere (esoneri). La prova scritta 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 in gruppo assegnato dal 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 e' acquisire esperienza pratica ed attitudine al lavoro di gruppo affrontando un problema reale. Le prove in itinere vengono programmate durante il periodo di svolgimento delle lezioni e sono riservate agli studenti frequentanti. 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-Introduction to AI Historical, current and future perspective 1-Agent models,Autonomous agents Reflexive, state based, inference based, learning agents, 2-State space search, adversarial search and automated planning State space search model, non informed, informed search, local search, adversarial search, automated planning, logic based actions representation, PDDL 3-Reactive systems and multiagent models Cellular automata, strategy driven agents, behavioural agents, emerging collective behaviours 4-Reinforcement learning agents Markov Decision Processes, Policy evaluation, Q-learning, Integrating planning and learning 5-Interactive agents interaction, chatbot, basics for NLP based systems, affective computing 6-Complex networks Graph rheory, random and scale free networks, Barabasi-Albert model, metrics, communities 7-AI network based models and applications knowledge networks, social networks, information diffusion, network agents, link prediction 8-Ethical Aspects of AI |
| Obiettivi Agenda 2030 per lo sviluppo sostenibile | Istruzione di qualità Industria, innovazione e infrastrutture Città e comunità sostenibili |