Il corso consentirà agli studenti di approfondire i metodi, le tecniche e gli algoritmi fondamentali in varie aree dell'Intelligenza Artificiale e dell'Apprendimento Automatico. Si farà particolare riferimento ai metodi di ricerca automatica nello spazio degli stati e alla rappresentazione della conoscenza. Nell'ambito dell'Apprendimento Automatico si approfondiranno tecniche di regressione, classificazione e clustering. Verranno infine introdotti i principi delle reti neurali deep (deep learning). Oltre alle lezioni, il corso prevede esercitazioni pratiche che consentiranno allo studente di acquisire capacità di analisi e di problem solving su vari domini d’interesse relativi al corso di studi.
scheda docente
materiale didattico
- Gli Agenti Intelligenti.
- L'IA come "Representation and Search".
2. Risoluzione di Problemi:
- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, Iterative deepening).
- Ricerca euristica (Best First, A*, Heuristic Functions).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.)
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta Pruning).
- Introduzione alla Evolutionary Computation.
3. Introduzione al linguaggio Python:
- Ambienti di sviluppo; Jupiter Notebook.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, matplotlib, ScikitLearn.
4. Machine Learning:
- Regressione (lineare semplice, multipla).
- Classificazione (Logistic Regression, Decision Trees, Naïve Bayes).
- Clustering.
- Reti Neurali Artificiali.
- Reinforcement Learning.
- Introduzione al Deep Learning.
- Casi di studio.
Fruizione: 20810322 Intelligenza artificiale e machine learning in Ingegneria gestionale e dell'automazione LM-32 SANSONETTI GIUSEPPE, MICARELLI ALESSANDRO
Programma
1. Introduzione:- Gli Agenti Intelligenti.
- L'IA come "Representation and Search".
2. Risoluzione di Problemi:
- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, Iterative deepening).
- Ricerca euristica (Best First, A*, Heuristic Functions).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.)
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta Pruning).
- Introduzione alla Evolutionary Computation.
3. Introduzione al linguaggio Python:
- Ambienti di sviluppo; Jupiter Notebook.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, matplotlib, ScikitLearn.
4. Machine Learning:
- Regressione (lineare semplice, multipla).
- Classificazione (Logistic Regression, Decision Trees, Naïve Bayes).
- Clustering.
- Reti Neurali Artificiali.
- Reinforcement Learning.
- Introduzione al Deep Learning.
- Casi di studio.
Testi Adottati
Lucidi delle lezioni.Modalità Erogazione
Lezioni ed esercitazioni in aula.Modalità Frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.Modalità Valutazione
Prova scritta e prova pratica di laboratorio.
scheda docente
materiale didattico
- Gli Agenti Intelligenti.
- L'IA come "Representation and Search".
2. Risoluzione di Problemi:
- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, Iterative deepening).
- Ricerca euristica (Best First, A*, Heuristic Functions).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.)
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta Pruning).
- Introduzione alla Evolutionary Computation.
3. Introduzione al linguaggio Python:
- Ambienti di sviluppo; Jupiter Notebook.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, matplotlib, ScikitLearn.
4. Machine Learning:
- Regressione (lineare semplice, multipla).
- Classificazione (Logistic Regression, Decision Trees, Naïve Bayes).
- Clustering.
- Reti Neurali Artificiali.
- Reinforcement Learning.
- Introduzione al Deep Learning.
- Casi di studio.
Fruizione: 20810322 Intelligenza artificiale e machine learning in Ingegneria gestionale e dell'automazione LM-32 SANSONETTI GIUSEPPE, MICARELLI ALESSANDRO
Programma
1. Introduzione:- Gli Agenti Intelligenti.
- L'IA come "Representation and Search".
2. Risoluzione di Problemi:
- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, Iterative deepening).
- Ricerca euristica (Best First, A*, Heuristic Functions).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.)
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta Pruning).
- Introduzione alla Evolutionary Computation.
3. Introduzione al linguaggio Python:
- Ambienti di sviluppo; Jupiter Notebook.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, matplotlib, ScikitLearn.
4. Machine Learning:
- Regressione (lineare semplice, multipla).
- Classificazione (Logistic Regression, Decision Trees, Naïve Bayes).
- Clustering.
- Reti Neurali Artificiali.
- Reinforcement Learning.
- Introduzione al Deep Learning.
- Casi di studio.
Testi Adottati
Lucidi delle lezioni.Modalità Erogazione
Lezioni ed esercitazioni in aula.Modalità Frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.Modalità Valutazione
Prova scritta e prova pratica di laboratorio.