L’obiettivo è quello di presentare i modelli, i metodi e le tecniche fondamentali di varie aree dell'Intelligenza Artificiale, con particolare riferimento ai metodi di ricerca automatica nello spazio degli stati, alla rappresentazione della conoscenza e ragionamento automatico, all'apprendimento automatico, all'elaborazione del linguaggio naturale, alla visione artificiale. Le lezioni e le esercitazioni pratiche svolte durante il corso consentiranno allo studente di acquisire capacità di analisi e di problem solving su vari domìni d’interesse per la disciplina.
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 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 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 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 Valutazione
Prova scritta.