ARTIFICIAL INTELLIGENCE: KNOWLEDGE REPRESENTATION AND PLANNING

Anno accademico 2019/2020 Programmi anni precedenti
Titolo corso in inglese ARTIFICIAL INTELLIGENCE: KNOWLEDGE REPRESENTATION AND PLANNING
Codice insegnamento CM0472 (AF:306567 AR:166134)
Modalità In presenza
Crediti formativi universitari 6 su 12 di ARTIFICIAL INTELLIGENCE
Livello laurea Laurea magistrale (DM270)
Settore scientifico disciplinare INF/01
Periodo II Semestre
Anno corso 1
Sede VENEZIA
Inquadramento dell'insegnamento nel percorso del corso di studio
L'insegnamento è progettato come attività formativa di base caratterizzante l'indirizzo in Data Science. Il corso si propone di fornire un'introduzione ai principi, alle tecniche e alle principali applicazioni dell'intelligenza artificiale. L'obiettivo è quello di portare gli studenti ad avere competenze critiche nella scelta ed implementazione di una soluzione basata su tecniche di intelligenza artificiale.
Risultati di apprendimento attesi
1. Conoscenza e comprensione
1.1. acquisire i modelli principali di rappresentazione e l'utilizzo automatico della conoscenza;
1.2. acquisire i modelli principali di classificazione automatica e comprenderne la relazione con la rappresentazione del dato;

2. Capacità di applicare conoscenza e comprensione
2.1. saper applicare i modelli studiati a cproblemi reali;
2.2. sapere valutare criticamente a performance ed il comportamento di un modello applicato ad un problema concreto;

3. Capacità di giudizio
3.1. sapere comprendere quali caratteristiche dei vari modelli di intelligenza artificiale meglio si adattano ad un problema dato;
3.2. saper valutare criticamente le caratteristiche teoriche dei modelli proposti;
Prerequisiti
Il corso richiede conoscenze di analisi matematica, ottimizzazione lineare e non-lineare, calcolo delle probabilità e statistica inferenziale.
Contenuti
Problem solving and planning:
Informed search and exploration
Constraint satisfaction problems
Adversarial search.
Knowledge representation and reasoning:
Logic and theorem proving
Expert Systems
Semantic Networks
Learning:
Vector Model
Discriminative/generative classification
unsupervised classification
kernel methods
feature synthesis/selection
manifold learning
similarity & structural representations
Testi di riferimento
S. Russell, P. Norvig. Artificial Intelligence: A Modern Approach (second edition). Prentice-Hall (traduzione italiana: Intelligenza Artificiale: Un approccio moderno), 2002.
Modalità di verifica dell'apprendimento
L'apprendimento è volto a permettere allo studente di acquisire competenze pratiche nella scelta, implementazione ed analisi di sistemi ad intelligenza artificiale.

La verifica dell'apprendimento avviene attraverso una serie di progetti con consegna in itinere o un progetto finale.

Entrambe le forme progettuali sono corredate da una analisi del comportamento degli algoritmi utilizzati ed ha lo scopo di permettere allo studente di acquisire e dimostrare competenze pratiche nella scelta, implementazione ed analisi di sistemi ad intelligenza artificiale.
Metodi didattici
Tutta la didattica è rivolta a permettere allo studente di acquisire competenze pratiche nella scelta ed analisi critica delle tecniche e metodologie di intelligenza artificiale.
La verifica dell'apprendimento avviene attraverso una serie di progetti in itinere ed una prova orale o un unico progetto ed una prova orale. L'obiettivo dei progetti è quello di permettere allo studente di applicare e verificare immediatamente le competenze acquisite, in particolar modo la capacità di analisi critica del comportamento e dell'applicabilità degli algoritmi studiati.
Lingua di insegnamento
Inglese
Modalità di esame
orale
Programma definitivo.
Data ultima modifica programma
07/06/2019