L’obiettivo è quello di presentare i modelli, i metodi e le tecniche fondamentali di alcune aree rilevanti dell'Intelligenza Artificiale, con particolare riferimento ai metodi di ricerca automatica di soluzioni nello spazio degli stati e all'Apprendimento Automatico (Machine Learning), e di utilizzarli come strumenti per lo sviluppo di tecnologie innovative. Per quanto riguarda il Machine Learning, il corso consentirà agli studenti di apprendere i principali metodi e algoritmi tipici della disciplina, ossia quelli supervisionati, non supervisionati e per rinforzo. 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
- Gli Agenti Intelligenti.
- L'IA come "Representation and Search".
2. Risoluzione di Problemi:
- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, Iterative deepening).
- Ricerca euristica (Best First, A*, Heuristic Functions).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.)
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta Pruning).
- Introduzione alla Evolutionary Computation.
3. Introduzione al linguaggio Python:
- Ambienti di sviluppo; Jupiter Notebook.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, matplotlib, ScikitLearn.
4. Machine Learning:
- Regressione (lineare semplice, multipla).
- Classificazione (Logistic Regression, Decision Trees, Naïve Bayes).
- Clustering.
- Reti Neurali Artificiali.
- Reinforcement Learning.
- Introduzione al Deep Learning.
- Casi di studio.
Dispense a cura del docente.
Mutuazione: 20810322 Intelligenza artificiale e machine learning in Ingegneria gestionale e dell'automazione LM-32 SANSONETTI GIUSEPPE, MICARELLI ALESSANDRO, SANZARI MARTA
Programma
1. Introduzione:- Gli Agenti Intelligenti.
- L'IA come "Representation and Search".
2. Risoluzione di Problemi:
- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, Iterative deepening).
- Ricerca euristica (Best First, A*, Heuristic Functions).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.)
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta Pruning).
- Introduzione alla Evolutionary Computation.
3. Introduzione al linguaggio Python:
- Ambienti di sviluppo; Jupiter Notebook.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, matplotlib, ScikitLearn.
4. Machine Learning:
- Regressione (lineare semplice, multipla).
- Classificazione (Logistic Regression, Decision Trees, Naïve Bayes).
- Clustering.
- Reti Neurali Artificiali.
- Reinforcement Learning.
- Introduzione al Deep Learning.
- Casi di studio.
Testi Adottati
S.J.Russel, P.Norvig "Artificial Intelligence: A Modern Approach", 4/Ed (2021). Pearson Education.Dispense a cura del docente.
Modalità Erogazione
Lezioni ed esercitazioni in aula (salvo in periodi di emergenza sanitaria).Modalità Frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.Modalità Valutazione
Prova scritta e prova pratica di laboratorio. scheda docente materiale didattico
- Gli Agenti Intelligenti.
- L'IA come "Representation and Search".
2. Risoluzione di Problemi:
- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, Iterative deepening).
- Ricerca euristica (Best First search, A*, Heuristic Functions).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.)
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta Pruning).
- Introduzione alla Evolutionary Computation.
3. Introduzione al linguaggio Python:
- Ambienti di sviluppo; Jupiter Notebook.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, matplotlib, ScikitLearn.
4. Machine Learning:
- Regressione (lineare semplice, multipla).
- Classificazione (Logistic Regression, Decision Trees, Naïve Bayes).
- Clustering.
- Reti Neurali Artificiali.
- Reinforcement Learning.
- Introduzione al Deep Learning.
- Casi di studio.
Dispense a cura del docente.
Mutuazione: 20810322 Intelligenza artificiale e machine learning in Ingegneria gestionale e dell'automazione LM-32 SANSONETTI GIUSEPPE, MICARELLI ALESSANDRO, SANZARI MARTA
Programma
1. Introduzione:- Gli Agenti Intelligenti.
- L'IA come "Representation and Search".
2. Risoluzione di Problemi:
- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, Iterative deepening).
- Ricerca euristica (Best First search, A*, Heuristic Functions).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.)
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta Pruning).
- Introduzione alla Evolutionary Computation.
3. Introduzione al linguaggio Python:
- Ambienti di sviluppo; Jupiter Notebook.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, matplotlib, ScikitLearn.
4. Machine Learning:
- Regressione (lineare semplice, multipla).
- Classificazione (Logistic Regression, Decision Trees, Naïve Bayes).
- Clustering.
- Reti Neurali Artificiali.
- Reinforcement Learning.
- Introduzione al Deep Learning.
- Casi di studio.
Testi Adottati
S.J.Russel, P.Norvig "Artificial Intelligence: A Modern Approach", 4/Ed (2021). Pearson Education.Dispense a cura del docente.
Modalità Erogazione
Tradizionale. Nel periodo di emergenza COVID-19 l’esame di profitto sarà svolto secondo quanto previsto all’art.1 del Decreto Rettorale n°. 703 del 5 maggio 2020.Modalità Valutazione
Prova scritta e prova pratica di laboratorio.Mutuazione: 20810322 Intelligenza artificiale e machine learning in Ingegneria gestionale e dell'automazione LM-32 SANSONETTI GIUSEPPE, MICARELLI ALESSANDRO, SANZARI MARTA
scheda docente materiale didattico
- Gli Agenti Intelligenti.
- L'IA come "Representation and Search".
2. Risoluzione di Problemi:
- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, Iterative deepening).
- Ricerca euristica (Best First, A*, Heuristic Functions).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.)
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta Pruning).
- Introduzione alla Evolutionary Computation.
3. Introduzione al linguaggio Python:
- Ambienti di sviluppo; Jupiter Notebook.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, matplotlib, ScikitLearn.
4. Machine Learning:
- Regressione (lineare semplice, multipla).
- Classificazione (Logistic Regression, Decision Trees, Naïve Bayes).
- Clustering.
- Reti Neurali Artificiali.
- Reinforcement Learning.
- Introduzione al Deep Learning.
- Casi di studio.
Dispense a cura del docente.
Programma
1. Introduzione:- Gli Agenti Intelligenti.
- L'IA come "Representation and Search".
2. Risoluzione di Problemi:
- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, Iterative deepening).
- Ricerca euristica (Best First, A*, Heuristic Functions).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.)
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta Pruning).
- Introduzione alla Evolutionary Computation.
3. Introduzione al linguaggio Python:
- Ambienti di sviluppo; Jupiter Notebook.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, matplotlib, ScikitLearn.
4. Machine Learning:
- Regressione (lineare semplice, multipla).
- Classificazione (Logistic Regression, Decision Trees, Naïve Bayes).
- Clustering.
- Reti Neurali Artificiali.
- Reinforcement Learning.
- Introduzione al Deep Learning.
- Casi di studio.
Testi Adottati
S.J.Russel, P.Norvig "Artificial Intelligence: A Modern Approach", 4/Ed (2021). Pearson Education.Dispense a cura del docente.
Modalità Erogazione
Lezioni ed esercitazioni in aula (salvo in periodi di emergenza sanitaria).Modalità Frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.Modalità Valutazione
Prova scritta e prova pratica di laboratorio. scheda docente materiale didattico
- Gli Agenti Intelligenti.
- L'IA come "Representation and Search".
2. Risoluzione di Problemi:
- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, Iterative deepening).
- Ricerca euristica (Best First search, A*, Heuristic Functions).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.)
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta Pruning).
- Introduzione alla Evolutionary Computation.
3. Introduzione al linguaggio Python:
- Ambienti di sviluppo; Jupiter Notebook.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, matplotlib, ScikitLearn.
4. Machine Learning:
- Regressione (lineare semplice, multipla).
- Classificazione (Logistic Regression, Decision Trees, Naïve Bayes).
- Clustering.
- Reti Neurali Artificiali.
- Reinforcement Learning.
- Introduzione al Deep Learning.
- Casi di studio.
Dispense a cura del docente.
Programma
1. Introduzione:- Gli Agenti Intelligenti.
- L'IA come "Representation and Search".
2. Risoluzione di Problemi:
- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, Iterative deepening).
- Ricerca euristica (Best First search, A*, Heuristic Functions).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.)
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta Pruning).
- Introduzione alla Evolutionary Computation.
3. Introduzione al linguaggio Python:
- Ambienti di sviluppo; Jupiter Notebook.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, matplotlib, ScikitLearn.
4. Machine Learning:
- Regressione (lineare semplice, multipla).
- Classificazione (Logistic Regression, Decision Trees, Naïve Bayes).
- Clustering.
- Reti Neurali Artificiali.
- Reinforcement Learning.
- Introduzione al Deep Learning.
- Casi di studio.
Testi Adottati
S.J.Russel, P.Norvig "Artificial Intelligence: A Modern Approach", 4/Ed (2021). Pearson Education.Dispense a cura del docente.
Modalità Erogazione
Tradizionale. Nel periodo di emergenza COVID-19 l’esame di profitto sarà svolto secondo quanto previsto all’art.1 del Decreto Rettorale n°. 703 del 5 maggio 2020.Modalità Valutazione
Prova scritta e prova pratica di laboratorio.