FOUNDATIONS OF ARTIFICIAL INTELLIGENCE

L'insegnamento è progettato come attività formativa di base caratterizzante l'indirizzo in Artificial Intelligence and Data Engineering. 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.

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;

Il corso richiede conoscenze di analisi matematica, ottimizzazione lineare e non-lineare, calcolo delle probabilità e statistica inferenziale.

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

S. Russell, P. Norvig. Artificial Intelligence: A Modern Approach (second edition). Prentice-Hall (traduzione italiana: Intelligenza Artificiale: Un approccio moderno), 2002.

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.

orale

Il/la docente ha il dovere di vigilare affinché siano rispettate le regole di autenticità e originalità delle prove d'esame. Di conseguenza, nei casi in cui vi sia il sospetto di un comportamento irregolare, l'esame può prevedere un ulteriore approfondimento, contestuale alla prova d'esame, che potrà essere realizzato anche in modalità differente rispetto alle modalità sopra riportate.

La valutazione degli assignment e dei progetti prevede:
- 50% codice: correttezza e strutturazione;
- 30% background: correttezza, completezza e proprietà del linguaggio;
- 20% analisi: descrizione del protocollo sperimentale, illustrazione dei risultati, analisi e conclusioni;

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. Gli assignment prevedono l’implementazione e la comparazioni di vari approcci ad uno stesso problema. Agli studenti viene richiesto di produrre del codice ed un report in cui specifichino il background degli approcci utilizzati, il setup sperimentale, i risultati della sperimentazione e la loro analisi, e delle conclusioni.