Politecnico di Torino
Politecnico di Torino
   
Login  
en
Politecnico di Torino
Anno Accademico 2016/17
01BITOV
Intelligenza artificiale
Corso di Laurea Magistrale in Ingegneria Informatica (Computer Engineering) - Torino
Docente Qualifica Settore Lez Es Lab Tut Anni incarico
Piccolo Elio ORARIO RICEVIMENTO     50 10 0 0 7
SSD CFU Attivita' formative Ambiti disciplinari
ING-INF/05 6 D - A scelta dello studente A scelta dello studente
Presentazione
The course is taught in Italian.

Insegnamento facoltativo dell'orientamento Software della Laurea Magistrale in Ingegneria Informatica, collocato al II 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.
Risultati di apprendimento attesi
- Conoscenza delle tecniche di problem solving; capacità di analisi e di - 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.
Prerequisiti / Conoscenze pregresse
Nessuno. Sono utili, ma non indispensabili, conoscenze su Linguaggi e Sistemi Formali e su Algoritmi e Strutture Dati.
Programma
• 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)
Programma (Prof. E. Piccolo)
• 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 ore):
- 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)


Organizzazione dell'insegnamento
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.
Organizzazione dell'insegnamento (Prof. E. Piccolo)
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, Interpreti 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 richiesti o raccomandati: letture, dispense, altro materiale didattico
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.
Testi richiesti o raccomandati: letture, dispense, altro materiale didattico (Prof. E. Piccolo)
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 sono resi disponibili su Web nel sito del corso.

I testi, scelti tra quelli elencati, saranno comunicati a lezione dal docente titolare dell'insegnamento.


Criteri, regole e procedure per l'esame

È prevista una prova scritta e un eventuale colloquio ad integrazione della prova scritta. L'allievo potrà approfondire uno degli argomenti del corso, a sua scelta, svolgendo una tesina che verrà valutata in sede di esame.
Criteri, regole e procedure per l'esame (Prof. E. Piccolo)
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, libri, appunti, ecc.. Le domande della prova scritta (domande aperte e/o esercizi numerici, solitamente in numero di 4) 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 per un massimo di 3 punti (se si sviluppa del software). Nel caso lo studente opti per svolgere una tesina, il voto dello scritto resta congelato fino alla presentazione e discussione della tesina.


Orario delle lezioni
Statistiche superamento esami

Programma definitivo per l'A.A.2016/17
Indietro



© Politecnico di Torino
Corso Duca degli Abruzzi, 24 - 10129 Torino, ITALY
WCAG 2.0 (Level AA)
Contatti