Servizi per la didattica
PORTALE DELLA DIDATTICA

Machine Learning and Artificial Intelligence

01SQIOV, 02SQING

A.A. 2019/20

Course Language

English

Course degree

Master of science-level of the Bologna process in Computer Engineering - Torino
Master of science-level of the Bologna process in Mathematical Engineering - Torino

Course structure
Teaching Hours
Lezioni 54
Esercitazioni in laboratorio 6
Teachers
Teacher Status SSD h.Les h.Ex h.Lab h.Tut Years teaching
Tommasi Tatiana   Ricercatore a tempo det. L.240/10 art.24-B ING-INF/05 27 0 0 0 1
Teaching assistant
Espandi

Context
SSD CFU Activities Area context
ING-INF/05 6 D - A scelta dello studente A scelta dello studente
2018/19
The course is taught in Italian. Insegnamento facoltativo dell'orientamento Software della Laurea Magistrale in Ingegneria Informatica, collocato al I periodo didattico del II anno. Il corso si propone di illustrare le problematiche connesse all'intelligenza artificiale e relative metodologie. I temi fondamentali riguardano i modelli base del comportamento intelligente, la costruzione di macchine che li simulino, la rappresentazione della conoscenza, i limiti per cui l'intelligenza è descritta dalla valutazione di regole, dall'inferenza e dalla deduzione. Si prenderanno in esame le architetture dei sistemi di apprendimento e come essi rappresentano la loro conoscenza del mondo esterno.
The course, optional for the Master degree in computer engineering, is offered on the I semester of the II year. The course is taught in English. The course addresses the core issues in modern Artificial intelligence and machine learning, with a special focus on algorithms and theory of statistical machine learning, and modern techniques for deep learning. Lab activities will quip students with first-hand experience on modern optimization methods and programming framework most used in advance research and companies as of today, and to have first hand experiences on the properties of such algorithms on specific case studies.
- Conoscenza delle tecniche di problem solving; capacità di analisi e di progetto di programmi per la soluzione di problemi complessi (pianificazione, problemi con vincoli, giochi). - Conoscenza della logica proposizionale e del primo ordine; capacità di modellare aspetti differenti del mondo (dimostrazione, pianificazione, verifica di circuiti, ecc.) mediante la logica. - Conoscenza dei metodi di rappresentazione della conoscenza; capacità di progettare sistemi basati sulla conoscenza (Web Semantico, ecc.). - Conoscenza dei metodi per trattare sistemi in presenza di incertezza; capacità di progettare sistemi di ragionamento in situazioni complesse (Sistemi Esperti, ecc.). - Conoscenza dei metodi di base per il riconoscimento di pattern; capacità di realizzare sistemi per la classificazione. - Conoscenza dei modelli di reti neurali e delle tecniche di addestramento; capacità di applicare le reti neurali alla soluzione di problemi di categorizzazione e al riconoscimento di forme.
- Knowledge of the main characteristics of artificial Intelligence: historical overview and modern definition; role of Machine and deep learning - Knowledge of the main characteristics of Statistical Machine Learning: theory and algorithms - Knowledge of the main characteristics of Artificial Neural Networks - Knowledge of the main characteristics of modern Deep Learning techniques
Nessuno. Sono utili, ma non indispensabili, conoscenze su Linguaggi e Sistemi Formali e su Algoritmi e Strutture Dati.
Probability
• Strategie per la risoluzione di problemi (14 ore): - Soluzioni nello spazio degli stati - Soluzione per decomposizione in sotto-problemi - Ricerca in ampiezza, profondità e mediante euristica • Logica (12 ore): - La logica proposizionale - La logica del primo ordine - La logica non monotona (cenni) - Procedure di decisione • Rappresentazione della conoscenza (12 ore): - Le reti semantiche - Le regole di produzione - I frame - Gli approcci ibridi - Confronti in termini di espressività, potere deduttivo, applicabilità • Modelli di ragionamento e di apprendimento: incertezza, inferenza bayesiana, belief (4 ore) • Sistemi basati sulla conoscenza (4): - I sistemi esperti: problematiche e classificazioni, con particolare riguardo alle applicazioni degli stessi in ambiti tecnico-ingegneristici; - L'apprendimento automatico; interfaccia utente nell'ambito dei sistemi basata sulla conoscenza (cenni); • Riconoscimento di configurazioni (pattern recognition) (6 ore): - preelaborazione ed estrazione delle caratteristiche distintive (features) - funzioni di decisione - metodi di classificazione - confronto mediante programmazione dinamica • Architetture che imitano i sistemi biologici: reti neurali, connessionismo, memoria distribuita sparsa (8 ore)
Class topics - Artificial Intelligence: historical definition, brief overview, modern definition and current role of machine and deep learning. - Overview of fundamental knowledge of probability. - Generative and discriminative methods. - Perceptron. - Artificial Neural Networks. - Support Vector Machines. - Kernel functions. - Learning theory. - Convolutional Neural Networks. - Stochastic Gradiant Descent. - Batch Normalization. - Recurrent Neural Networks.
Introduzione di progetti di varia natura, tramite le metodologie presentate a lezione, legati ad applicazioni tecnico-ingegneristiche: tecniche per la valutazione di regole; tecniche facenti uso di sistemi esperti in domini ristretti e shell di sistemi esperti; sistemi di riconoscimento di pattern (linguaggio e/o immagini); reti neurali; giochi intelligenti. Il software di supporto per lo sviluppo delle esercitazioni (Tools per lo sviluppo di Sistemi Esperti, Compilatori Prolog, tools per l'addestramento e la simulazione di reti neurali, ecc.) sono resi disponibili presso il Labinf e in Web. Sono previsti seminari di approfondimento, tenuti da esperti del settore, sugli argomenti più innovativi: Algoritmi Genetici, WEB Semantico, Pattern Recognition, Machine Learning, Deep Learning.
Testi di riferimento: • Stuart J. Russell, Peter Norvig, "Intelligenza Artificiale. Un approccio Moderno", Vol. 1 e 2, Pearson, Milano. • E. Rich, "Intelligenza artificiale", McGraw Hill, Milano. • N.J. Nilsson, "Metodi per la risoluzione dei problemi nell'intelligenza artificiale", Angeli, Milano. Testi ausiliari: • Nils J. Nilsson, "Intelligenza Artificiale", Apogeo, Milano. • I. Bratko, "Programmare in prolog per l'intelligenza artificiale", Masson Addison Wesley, Milano. I lucidi del corso saranno resi disponibili su Web. I testi, scelti tra quelli elencati, saranno comunicati a lezione dal docente titolare dell'insegnamento.
I. Goodfellow, Y. Bengio, A. Courville. Deep Learning. MIT press. K. P. Murphy. Machine Learning: a probabilistic perspective. MIT Press
Modalità di esame: prova scritta; prova orale obbligatoria;
È prevista una prova scritta di 2 ore, seguita subito dopo da colloquio ad integrazione della prova scritta. Durante la prova scritta non si può consultare materiale didattico. Le domande della prova scritta (4 o 5) mirano a valutare la comprensione dei concetti teorici e la capacità di applicarli a concreti casi pratici. Il successivo colloquio permette all’esaminando di motivare le scelte fatte ed eventualmente approfondire ed ampliare. L'allievo potrà approfondire uno degli argomenti del corso, a sua scelta, svolgendo prima o dopo la prova scritta una tesina, concordata col docente, che concorrerà alla valutazione finale.
Exam: written test; compulsory oral exam;
The exam includes a written part, which lasts 2 hours, a mandatory oral part, and the evaluation of the report on the individual practices assigned during the course.


© Politecnico di Torino
Corso Duca degli Abruzzi, 24 - 10129 Torino, ITALY
m@il