Gli obiettivi sono quelli di introdurre tecnologie avanzate di intelligenza articiale, quali i sistemi ad agente e multi-agente, il ragionamento basato sulla probabilità e i fondamenti del ragionamento basato su logica e dei sistemi di supporto alle decisioni.
Saranno discussi gli sviluppi dei più recenti modelli e tecnologie di intelligenza artificiale e le relative applicazioni nei domini di maggiore interesse, quali robotica, assistenti AI-powered, AI in education, finanza, health-care e gaming.
Saranno citate le principali e recenti questioni etiche, sociali ed epistemologiche associate all’impiego di strumenti di intelligenza artificiale su larga scala e alla generative Artificiale general intelligence.
Saranno discussi gli sviluppi dei più recenti modelli e tecnologie di intelligenza artificiale e le relative applicazioni nei domini di maggiore interesse, quali robotica, assistenti AI-powered, AI in education, finanza, health-care e gaming.
Saranno citate le principali e recenti questioni etiche, sociali ed epistemologiche associate all’impiego di strumenti di intelligenza artificiale su larga scala e alla generative Artificiale general intelligence.
Curriculum
scheda docente
materiale didattico
- Aree di interesse dell’Intelligenza Artificiale.
- Potenzialità dei modelli e dei metodi di IA.
2. Soluzione di Problemi mediante Ricerca nello Spazio degli Stati
- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, iterative deepening).
- Ricerca euristica (Best First, Algoritmo A*, funzioni euristiche).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.).
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta pruning).
3. Introduzione al linguaggio Python
- Ambienti di sviluppo, Jupyter Notebook, Colab.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, Matplotlib, ScikitLearn.
4. Evolutionary Computation
- Soft Computing e “No Free Lunch Theorem”.
- Algoritmi Genetici e loro applicazioni.
- Particle Swarm Optimization e applicazioni.
5. Machine Learning
- Introduzione al Machine Learning.
- Cenni sulle tecniche di regressione, classificazione, clustering, ecc.
- Applicazioni del Machine Learning.
6. Comunicazione e Percezione
- Elaborazione del linguaggio naturale, Information Retrieval.
- Visione Artificiale:
• Luce e colore
• Formazione immagini
• Elaborazione flusso visuale
• Tecniche di object recognition
Programma
1. Introduzione al corso- Aree di interesse dell’Intelligenza Artificiale.
- Potenzialità dei modelli e dei metodi di IA.
2. Soluzione di Problemi mediante Ricerca nello Spazio degli Stati
- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, iterative deepening).
- Ricerca euristica (Best First, Algoritmo A*, funzioni euristiche).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.).
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta pruning).
3. Introduzione al linguaggio Python
- Ambienti di sviluppo, Jupyter Notebook, Colab.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, Matplotlib, ScikitLearn.
4. Evolutionary Computation
- Soft Computing e “No Free Lunch Theorem”.
- Algoritmi Genetici e loro applicazioni.
- Particle Swarm Optimization e applicazioni.
5. Machine Learning
- Introduzione al Machine Learning.
- Cenni sulle tecniche di regressione, classificazione, clustering, ecc.
- Applicazioni del Machine Learning.
6. Comunicazione e Percezione
- Elaborazione del linguaggio naturale, Information Retrieval.
- Visione Artificiale:
• Luce e colore
• Formazione immagini
• Elaborazione flusso visuale
• Tecniche di object recognition
Testi Adottati
Dispense a cura del docente.Bibliografia Di Riferimento
S.J.Russel, P.Norvig "Artificial Intelligence: A Modern Approach", 4/Ed (2020). Pearson Education.Modalità Erogazione
Lezioni ed esercitazioni.Modalità Frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.Modalità Valutazione
Prova scritta.
scheda docente
materiale didattico
- Aree di interesse dell’Intelligenza Artificiale.
- Potenzialità dei modelli e dei metodi di IA.
2. Soluzione di Problemi mediante Ricerca nello Spazio degli Stati
- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, iterative deepening).
- Ricerca euristica (Best First, Algoritmo A*, funzioni euristiche).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.).
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta pruning).
3. Introduzione al linguaggio Python
- Ambienti di sviluppo, Jupyter Notebook, Colab.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, Matplotlib, ScikitLearn.
4. Evolutionary Computation
- Soft Computing e “No Free Lunch Theorem”.
- Algoritmi Genetici e loro applicazioni.
- Particle Swarm Optimization e applicazioni.
5. Machine Learning
- Introduzione al Machine Learning.
- Cenni sulle tecniche di regressione, classificazione, clustering, ecc.
- Applicazioni del Machine Learning.
6. Comunicazione e Percezione
- Elaborazione del linguaggio naturale, Information Retrieval.
- Visione Artificiale:
• Luce e colore
• Formazione immagini
• Elaborazione flusso visuale
• Tecniche di object recognition
Programma
1. Introduzione al corso- Aree di interesse dell’Intelligenza Artificiale.
- Potenzialità dei modelli e dei metodi di IA.
2. Soluzione di Problemi mediante Ricerca nello Spazio degli Stati
- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, iterative deepening).
- Ricerca euristica (Best First, Algoritmo A*, funzioni euristiche).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.).
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta pruning).
3. Introduzione al linguaggio Python
- Ambienti di sviluppo, Jupyter Notebook, Colab.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, Matplotlib, ScikitLearn.
4. Evolutionary Computation
- Soft Computing e “No Free Lunch Theorem”.
- Algoritmi Genetici e loro applicazioni.
- Particle Swarm Optimization e applicazioni.
5. Machine Learning
- Introduzione al Machine Learning.
- Cenni sulle tecniche di regressione, classificazione, clustering, ecc.
- Applicazioni del Machine Learning.
6. Comunicazione e Percezione
- Elaborazione del linguaggio naturale, Information Retrieval.
- Visione Artificiale:
• Luce e colore
• Formazione immagini
• Elaborazione flusso visuale
• Tecniche di object recognition
Testi Adottati
Dispense a cura del docente.Bibliografia Di Riferimento
S.J.Russel, P.Norvig "Artificial Intelligence: A Modern Approach", 4/Ed (2020). Pearson Education.Modalità Erogazione
Lezioni ed esercitazioni.Modalità Frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.Modalità Valutazione
Prova scritta.
scheda docente
materiale didattico
- Aree di interesse dell’Intelligenza Artificiale.
- Potenzialità dei modelli e dei metodi di IA.
2. Soluzione di Problemi mediante Ricerca nello Spazio degli Stati
- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, iterative deepening).
- Ricerca euristica (Best First, Algoritmo A*, funzioni euristiche).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.).
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta pruning).
3. Introduzione al linguaggio Python
- Ambienti di sviluppo, Jupyter Notebook, Colab.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, Matplotlib, ScikitLearn.
4. Evolutionary Computation
- Soft Computing e “No Free Lunch Theorem”.
- Algoritmi Genetici e loro applicazioni.
- Particle Swarm Optimization e applicazioni.
5. Machine Learning
- Introduzione al Machine Learning.
- Cenni sulle tecniche di regressione, classificazione, clustering, ecc.
- Applicazioni del Machine Learning.
6. Comunicazione e Percezione
- Elaborazione del linguaggio naturale, Information Retrieval.
- Visione Artificiale:
• Luce e colore
• Formazione immagini
• Elaborazione flusso visuale
• Tecniche di object recognition
Programma
1. Introduzione al corso- Aree di interesse dell’Intelligenza Artificiale.
- Potenzialità dei modelli e dei metodi di IA.
2. Soluzione di Problemi mediante Ricerca nello Spazio degli Stati
- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, iterative deepening).
- Ricerca euristica (Best First, Algoritmo A*, funzioni euristiche).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.).
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta pruning).
3. Introduzione al linguaggio Python
- Ambienti di sviluppo, Jupyter Notebook, Colab.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, Matplotlib, ScikitLearn.
4. Evolutionary Computation
- Soft Computing e “No Free Lunch Theorem”.
- Algoritmi Genetici e loro applicazioni.
- Particle Swarm Optimization e applicazioni.
5. Machine Learning
- Introduzione al Machine Learning.
- Cenni sulle tecniche di regressione, classificazione, clustering, ecc.
- Applicazioni del Machine Learning.
6. Comunicazione e Percezione
- Elaborazione del linguaggio naturale, Information Retrieval.
- Visione Artificiale:
• Luce e colore
• Formazione immagini
• Elaborazione flusso visuale
• Tecniche di object recognition
Testi Adottati
Dispense a cura del docente.Bibliografia Di Riferimento
S.J.Russel, P.Norvig "Artificial Intelligence: A Modern Approach", 4/Ed (2020). Pearson Education.Modalità Erogazione
Lezioni ed esercitazioni.Modalità Frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.Modalità Valutazione
Prova scritta.
scheda docente
materiale didattico
- Aree di interesse dell’Intelligenza Artificiale.
- Potenzialità dei modelli e dei metodi di IA.
2. Soluzione di Problemi mediante Ricerca nello Spazio degli Stati
- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, iterative deepening).
- Ricerca euristica (Best First, Algoritmo A*, funzioni euristiche).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.).
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta pruning).
3. Introduzione al linguaggio Python
- Ambienti di sviluppo, Jupyter Notebook, Colab.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, Matplotlib, ScikitLearn.
4. Evolutionary Computation
- Soft Computing e “No Free Lunch Theorem”.
- Algoritmi Genetici e loro applicazioni.
- Particle Swarm Optimization e applicazioni.
5. Machine Learning
- Introduzione al Machine Learning.
- Cenni sulle tecniche di regressione, classificazione, clustering, ecc.
- Applicazioni del Machine Learning.
6. Comunicazione e Percezione
- Elaborazione del linguaggio naturale, Information Retrieval.
- Visione Artificiale:
• Luce e colore
• Formazione immagini
• Elaborazione flusso visuale
• Tecniche di object recognition
Programma
1. Introduzione al corso- Aree di interesse dell’Intelligenza Artificiale.
- Potenzialità dei modelli e dei metodi di IA.
2. Soluzione di Problemi mediante Ricerca nello Spazio degli Stati
- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, iterative deepening).
- Ricerca euristica (Best First, Algoritmo A*, funzioni euristiche).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.).
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta pruning).
3. Introduzione al linguaggio Python
- Ambienti di sviluppo, Jupyter Notebook, Colab.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, Matplotlib, ScikitLearn.
4. Evolutionary Computation
- Soft Computing e “No Free Lunch Theorem”.
- Algoritmi Genetici e loro applicazioni.
- Particle Swarm Optimization e applicazioni.
5. Machine Learning
- Introduzione al Machine Learning.
- Cenni sulle tecniche di regressione, classificazione, clustering, ecc.
- Applicazioni del Machine Learning.
6. Comunicazione e Percezione
- Elaborazione del linguaggio naturale, Information Retrieval.
- Visione Artificiale:
• Luce e colore
• Formazione immagini
• Elaborazione flusso visuale
• Tecniche di object recognition
Testi Adottati
Dispense a cura del docente.Bibliografia Di Riferimento
S.J.Russel, P.Norvig "Artificial Intelligence: A Modern Approach", 4/Ed (2020). Pearson Education.Modalità Erogazione
Lezioni ed esercitazioni.Modalità Frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.Modalità Valutazione
Prova scritta.