L'obiettivo principale del corso è l'introduzione agli aspetti matematici di alcune aree dell’Intelligenza Artificiale.

- Comprensione e conoscenza delle tecniche presentate (conoscenza dettagliata della matematica sottostante; consapevolezza delle limitazioni delle tecniche presentate; coscienza dei problemi strutturali quali, ad esempio, la "curse of dimensionality"). - Capacità di applicazione pratica delle conoscenze acquisite (capacità di identificare il dominio di applicazione delle varie tecniche in rapporto alla natura dei dati; abilità nell'estrarre informazioni da dati reali e simulati attraverso l'applicazione delle tecniche apprese attraverso l'uso di software appositi o di codice autoprodotto).

Si richiede la pregressa conoscenza dei contenuti dei corsi matematici standard della laurea triennale in Ingegneria. Inoltre, è richiesta una buona conoscenza della probabilità e della statistica: pdf, distribution normal, media, varianza-covarianza. Infine, il metodo del gradiente, anche coniugato, è dato per acquisito.

- Che cosa è l'Intelligenza Artificiale (IA - AI)? Fondamenti di Intelligenza Artificiale. Cenni di storia della IA. Stato dell'arte. - Richiami di Algebra Lineare, Probabilità, Statistica e Ottimizzazione. - Cosa è lo "Statistical Learning"? Apprendimento supervisionato, non-supervisionato, con rinforzo, semi-supervisionato:esempi. Bilancio bias- varianza. Accuratezza vs interpretabilità. Validazione e cross-validation. - Spazi metrici, normati e topologici. Curse of dimensionality. Legge dei grandi numeri e la geometria alto dimensionale: palla unitaria, proiezioni randomiche e il Lemma di Johnson-Lindenstrauss. - SVD e le sue applicazioni all'analisi a componenti principali e all'analisi discriminante di Fisher. - Classification Using a Separating Hyperplane. The Maximal Margin Classifier. Construction of the Maximal Margin Classifier. The Non-separable Case. Support Vector Classifiers. Support Vector Machines. Kernel Methods, representer and Mercer’s theorems. - Classification con iperpiani. Il classificatore a margine massimale e la sua costruzione. Il caso non separabile e non lineare. Support Vector Machines, metodi di kernel, representers, Teorema di Mercer. - Basi di teoria dei giochi. Multi-agent systems; Adversarial Learning; Reinforcement Learning: Q-learning, Nash equilibria.

Lezioni, esercitazioni e laboratori. Ci saranno 3 ore di lezione la settimana più 1.5 ore di esercitazioni/laboratorio.

Stuart J. Russell, Stuart Jonathan Russell, Peter Norvig, Ernest Davis Prentice Hall, 2010 An Introduction to Statistical Learning with Applications in R JAMES GARETH; WITTEN DANIELA; HASTIE TREVOR; TIBSHIRANI ROBERT Data Science and Machine Learning: Mathematical and Statistical Methods Dirk P. Kroese, Zdravko I. Botev, Thomas Taimre, Radislav Vaisman CRC Press, 2019 - 510 pagine

Modalità di esame: Prova orale obbligatoria; Elaborato scritto individuale; Elaborato scritto prodotto in gruppo;

L'obiettivo dell'esame è l'accertamento della conoscenza dei contenuti teorici del corso e della capacità di declinarli nell'analisi dei dati. L'esame consiste di due party: dapprima il candidate scriverà una relazione, la "tesina", sull'analisi di un dataset eseguita usando i metodi appresi a lezione. Dopo che la tesina viene approvata dal docente, lo studente la presenterà in un esame orale di circa 15 minuti durante il quale potrà essere interrogato anche sugli aspetti teorici.

Modalità di esame: Prova orale obbligatoria; Elaborato scritto individuale; Elaborato scritto prodotto in gruppo;

L'obiettivo dell'esame è l'accertamento della conoscenza dei contenuti teorici del corso e della capacità di declinarli nell'analisi dei dati. L'esame consiste di due party: dapprima il candidate scriverà una relazione, la "tesina", sull'analisi di un dataset eseguita usando i metodi appresi a lezione. Dopo che la tesina viene approvata dal docente, lo studente la presenterà in un esame orale di circa 15 minuti durante il quale potrà essere interrogato anche sugli aspetti teorici.