Gli obiettivi sono quelli di presentare i modelli, i metodi e le tecniche di base impiegate nelle aree del Intelligenza Artificiale, quali problem-solving, ricerca in ambienti complessi, ricerca con avversari, rappresentazione della conoscenza e gestione di vincoli. Saranno studiati alcuni domini didattici utili per comprendere l’applicazione pratica dei concetti trattati nel corso.
Le lezioni e le esercitazioni pratiche svolte durante il corso consentiranno allo studente di acquisire capacità base di analisi e di problem solving su vari domìni d’interesse per la disciplina.
Le lezioni e le esercitazioni pratiche svolte durante il corso consentiranno allo studente di acquisire capacità base di analisi e di problem solving su vari domìni d’interesse per la disciplina.
Curriculum
scheda docente materiale didattico
Calibrazione della fotocamera
Elementi di Geometria Epipolare
Elementi di Ricostruzione 3D
Filtraggio delle immagini
Elementi di Deep Learning applicato alle immagini
Programma
Elementi di Proiezione ProspetticaCalibrazione della fotocamera
Elementi di Geometria Epipolare
Elementi di Ricostruzione 3D
Filtraggio delle immagini
Elementi di Deep Learning applicato alle immagini
Testi Adottati
Computer Vision, a modern approach, David Forsyth e Jean PonceModalità Frequenza
frequenza liberaModalità Valutazione
Domande a risposta aperta. 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. Comunicazione e Percezione
- 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. Comunicazione e Percezione
- Visione Artificiale:
• Luce e colore
• Formazione immagini
• Elaborazione flusso visuale
• Tecniche di object recognition
Testi Adottati
Lucidi delle lezioni.Modalità Frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.Modalità Valutazione
Prova scritta. scheda docente materiale didattico
Calibrazione della fotocamera
Elementi di Geometria Epipolare
Elementi di Ricostruzione 3D
Filtraggio delle immagini
Elementi di Deep Learning applicato alle immagini
Mutuazione: 20810515 FONDAMENTI DI INTELLIGENZA ARTIFICIALE in Ingegneria Informatica e dell'Intelligenza Artificiale L-8 R RUSSO PAOLO, SANSONETTI GIUSEPPE
Programma
Elementi di Proiezione ProspetticaCalibrazione della fotocamera
Elementi di Geometria Epipolare
Elementi di Ricostruzione 3D
Filtraggio delle immagini
Elementi di Deep Learning applicato alle immagini
Testi Adottati
Computer Vision, a modern approach, David Forsyth e Jean PonceModalità Frequenza
frequenza liberaModalità Valutazione
Domande a risposta aperta. 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. Comunicazione e Percezione
- Visione Artificiale:
• Luce e colore
• Formazione immagini
• Elaborazione flusso visuale
• Tecniche di object recognition
Mutuazione: 20810515 FONDAMENTI DI INTELLIGENZA ARTIFICIALE in Ingegneria Informatica e dell'Intelligenza Artificiale L-8 R RUSSO PAOLO, SANSONETTI GIUSEPPE
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. Comunicazione e Percezione
- Visione Artificiale:
• Luce e colore
• Formazione immagini
• Elaborazione flusso visuale
• Tecniche di object recognition
Testi Adottati
Lucidi delle lezioni.Modalità Frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.Modalità Valutazione
Prova scritta. scheda docente materiale didattico
Calibrazione della fotocamera
Elementi di Geometria Epipolare
Elementi di Ricostruzione 3D
Filtraggio delle immagini
Elementi di Deep Learning applicato alle immagini
Mutuazione: 20810515 FONDAMENTI DI INTELLIGENZA ARTIFICIALE in Ingegneria Informatica e dell'Intelligenza Artificiale L-8 R RUSSO PAOLO, SANSONETTI GIUSEPPE
Programma
Elementi di Proiezione ProspetticaCalibrazione della fotocamera
Elementi di Geometria Epipolare
Elementi di Ricostruzione 3D
Filtraggio delle immagini
Elementi di Deep Learning applicato alle immagini
Testi Adottati
Computer Vision, a modern approach, David Forsyth e Jean PonceModalità Frequenza
frequenza liberaModalità Valutazione
Domande a risposta aperta. 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. Comunicazione e Percezione
- Visione Artificiale:
• Luce e colore
• Formazione immagini
• Elaborazione flusso visuale
• Tecniche di object recognition
Mutuazione: 20810515 FONDAMENTI DI INTELLIGENZA ARTIFICIALE in Ingegneria Informatica e dell'Intelligenza Artificiale L-8 R RUSSO PAOLO, SANSONETTI GIUSEPPE
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. Comunicazione e Percezione
- Visione Artificiale:
• Luce e colore
• Formazione immagini
• Elaborazione flusso visuale
• Tecniche di object recognition
Testi Adottati
Lucidi delle lezioni.Modalità Frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.Modalità Valutazione
Prova scritta. scheda docente materiale didattico
Calibrazione della fotocamera
Elementi di Geometria Epipolare
Elementi di Ricostruzione 3D
Filtraggio delle immagini
Elementi di Deep Learning applicato alle immagini
Mutuazione: 20810515 FONDAMENTI DI INTELLIGENZA ARTIFICIALE in Ingegneria Informatica e dell'Intelligenza Artificiale L-8 R RUSSO PAOLO, SANSONETTI GIUSEPPE
Programma
Elementi di Proiezione ProspetticaCalibrazione della fotocamera
Elementi di Geometria Epipolare
Elementi di Ricostruzione 3D
Filtraggio delle immagini
Elementi di Deep Learning applicato alle immagini
Testi Adottati
Computer Vision, a modern approach, David Forsyth e Jean PonceModalità Frequenza
frequenza liberaModalità Valutazione
Domande a risposta aperta. 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. Comunicazione e Percezione
- Visione Artificiale:
• Luce e colore
• Formazione immagini
• Elaborazione flusso visuale
• Tecniche di object recognition
Mutuazione: 20810515 FONDAMENTI DI INTELLIGENZA ARTIFICIALE in Ingegneria Informatica e dell'Intelligenza Artificiale L-8 R RUSSO PAOLO, SANSONETTI GIUSEPPE
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. Comunicazione e Percezione
- Visione Artificiale:
• Luce e colore
• Formazione immagini
• Elaborazione flusso visuale
• Tecniche di object recognition
Testi Adottati
Lucidi delle lezioni.Modalità Frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.Modalità Valutazione
Prova scritta.