INTELLIGENZA ARTIFICIALE
cod. 06149

Anno accademico 2024/25
1° anno di corso - Secondo semestre
Docente
Monica MORDONINI
Settore scientifico disciplinare
Sistemi di elaborazione delle informazioni (ING-INF/05)
Ambito
Ingegneria informatica
Tipologia attività formativa
Caratterizzante
48 ore
di attività frontali
6 crediti
sede: PARMA
insegnamento
in ITALIANO

Obiettivi formativi

Il corso si propone di presentare agli studenti le tecniche e le tecnologie progettate per riprodurre sul computer comportamenti intelligenti, tipici degli esseri viventi, con particolare attenzione all'ingegneria della conoscenza

Conoscenza e comprensione

In particolare il corso si propone di illustrare
- le principali tecniche di rappresentazione della conoscenza utilizzate nell'intelligenza artificiale,
- le metodologie per la formulazione di problemi e soluzioni ben definite
- la gestione della conoscenza (certa o incerta) attraverso la logica e il ragionamento


Applicazione di conoscenza e comprensione

L'obiettivo principale ovviamente è fornire agli studenti le competenze per:
- formulare un problema che può essere risolto da un agente logico
- descrivere e rappresentare la conoscenza attraverso l'uso della logica
- analizzare le conoscenze presenti in un dominio e scegliere il metodo che è ritenuto più appropriato per la sua gestione
- risolvere un problema del mondo reale usando una o più tecniche di AI

Esprimere giudizi

Per realizzare il progetto finale, lo studente dovrà analizzare lo stato dell'arte in letteratura per motivare le scelte che vengono fatte nello sviluppo del compito.

Capacità comunicative

Le esercitazioni di laboratorio e il progetto possono essere realizzati in piccoli gruppi, promuovendo lo scambio di opinioni. Inoltre, la stesura del rapporto richiede una buona organizzazione logica e chiarezza nella comunicazione di dati e risultati.

Capacità di apprendimento

La capacità dello studente di guardare le cose da diverse prospettive è stimolata dall'integrazione di lezioni di teoria e attività di discussione con gli studenti stessi.

Prerequisiti

Nessun corso propedeutico. Tuttavia, ci si aspetta che gli studenti possiedano buone capacità di base nella programmazione informatica e abilità analitiche.

Contenuti dell'insegnamento

1 Definizioni e storia di AI: punti salienti e crisi dell’AI
2 Formalizzazione del problema e risoluzione dei problemi mediante la ricerca
3 Rappresentazione della conoscenza
4 Logica del primo ordine
5 Ontologie e logica descrittiva
6 Embedding the Knowledge: gli spazi semantici e i grafi della conoscenza
7 Conoscenza incerta e ragionamento
8 Reti bayesiane (e classificatore Nave bayes)
9 Logica fuzzy
10 La decisione razionale in presenza di incertezza e cenni di RL
11 Cenni di Reinforcement learning
12 Learning e XAI 6.1 Imparare dagli esempi
13 Sviluppo di un‘applicazione AI
14 AI e etica

Programma esteso

1 Introduzione (4 ore)
1.1 Definizioni e approcci di base
1.2 Storia di AI: punti salienti e crisi dell’AI

2 Formalizzazione del problema e risoluzione dei problemi mediante la ricerca (4 ore)
2.1 Problemi e soluzioni ben definiti
2.2 Tecniche di ricerca non informate o cieche
2.3 Tecniche di ricerca parzialmente informate
2.4 Strategie di ricerca informate (euristiche)

3 Intelligenza artificiale e giochi (4 ore)
3.1 Giochi
3.2 Ricerca contraddittoria
3.3 Decisioni ottimali nei giochi multiplayer

4 Rappresentazione della conoscenza (22 ore)
4.1 Agenti logici
4.2 Logica del primo ordine
4.3 Inferenza nella logica del primo ordine
4.4 Ingegneria della conoscenza nella logica del primo ordine
4.5 Logica di descrizione
4.6 Inferenza nella logica della descrizione
4.7 Ingegneria ontologica
4.8 Embedding the Knowledge: gli spazi semantici e i grafi della conoscenza
4.8 Conoscenza incerta e ragionamento
4.9 Reti bayesiane
4.10 Classificatore naive Bayes
4.11 Logica fuzzy
4.12 Sistemi fuzzy

5 La decisione razionale in presenza di incertezza e cenni di RL (8 ore)
5.1 teoria delle decisioni e utilità
5.2 i processi markoviani
5.3 Reinforcement learning

6 Learning e XAI (6 ore)
6.1 Imparare dagli esempi
6.2 La teoria del learning
6.3 Sviluppo di un‘applicazione AI
6.4 XAI definizioni
6.5 Moral machine e problemi di etica in AI

Bibliografia

Russell & Novirg, Intelligenza Artificiale: Un Aprroccio Moderno, terzaEditione. Pr entice Hall, 2010

Metodi didattici

Lezioni frontali ed esercitazioni .
Le lezioni frontali copriranno gli aspetti teorici delle materie del corso.
Esercitazioni pratiche su problemi reali saranno discusse e svolte in classe.

Modalità verifica apprendimento

C'è una prova intermedia.
L'esame si compone di due parti:
i) una prova scritta composta da quattro domande aperte sugli argomenti teorici del corso trattati in classe con l'obiettivo di valutare le conoscenze acquisite su tali argomenti.

ii) una relazione scritta (e la sua presentazione orale) su un lavoro di progetto che esplora uno degli argomenti trattati in classe

L'esame viene superato se, in ciascuna delle due parti, lo studente raggiunge almeno la sufficienza.
Il voto finale è un punteggio medio ponderato ottenuto nella prova scritta (75%) e quello ottenuto nel lavoro di progetto (25%).
La lode viene data in caso di raggiungimento del punteggio più alto su tutti i parziali.

Altre informazioni

Slide del corso e materiale didattico verranno distribuiti durante il corso in formato elettronico

Obiettivi agenda 2030 per lo sviluppo sostenibile

- - -

Referenti e contatti

Numero verde

800 904 084

Segreteria studenti

E. segreteria.ingarc@unipr.it

Servizio per la qualità della didattica

Manager della didattica: 
Elena Roncai
T.+39 0521 903663
E. servizio dia.didattica@unipr.it
E. del manager elena.roncai@unipr.it

 

Presidente del corso di studio

Stefano Cagnoni
E. stefano.cagnoni@unipr.it
 

Delegato orientamento in ingresso

Agostino Poggi
E. agostino.poggi@unipr.it
 

Delegato orientamento in uscita

Francesco Zanichelli
E. francesco.zanichelli@unipr.it
 

Docenti tutor

Agostino Poggi
E. agostino.poggi@unipr.it

Delegati Erasmus

Luca Consolini
E. luca.consolini@unipr.it
 

Responsabile assicurazione qualità

Francesco Zanichelli
E. francesco.zanichelli@unipr.it

Studenti tutor

Andrea Tagliavini
E. andrea.tagliavini@unipr.it