 |
Stefania MONICA
Professore Associato
Dipartimento di Scienze e Metodi dell'Ingegneria
|
Insegnamento: Artificial Intelligence and Data Science
Digital Automation Engineering (Offerta formativa 2023)
Obiettivi formativi
Il corso vuole fornire le conoscenze e le competenze necessarie per affrontare problemi nell’ambito dell’Intelligenza Artificiale e della Data Science. Uno degli obiettivi del corso consiste nel far apprendere agli studenti i concetti fondamentali legati ai vari aspetti dell’Intelligenza Artificiale, sia dal punto di vista teorico che pratico. Un altro obiettivo del corso è quello di introdurre gli argomenti legati alla Data Science e le principali tecniche usate in questo ambito.
Per una più completa comprensione degli obiettivi formativi si rimanda alla lettura dei risultati di apprendimento attesi.
Prerequisiti
Conoscenze di programmazione e di matematica di base.
Programma del corso
La scansione dei contenuti per CFU è da intendersi come indicativa e può subire lievi variazioni nel corso dell’insegnamento, anche alla luce dei feedback degli studenti.
Introduzione all’Intelligenza Artificiale (2 CFU)
- Introduzione all'Intelligenza Artificiale. Introduzione agli agenti e ai sistemi multi-agente. Introduzione ai problemi di soddisfacimento di vincoli: risoluzione mediante backtracking; consistenza e algoritmi di arc-consistency; forward checking e algoritmi di mantenimento della consistenza locale.
Problemi di ricerca, giochi, e soluzione di problemi con avversari (2 CFU)
- Soluzione di problemi basata sulla ricerca nello spazio degli stati. Ricerca in ampiezza e ricerca in profondità. Metodi di ricerca informata: algoritmo A*. Metodi di ricerca locale: algoritmi genetici ed evolutivi.
Risoluzione di giochi basata sulla ricerca: algoritmo minimax e potatura alfa-beta.
- Elaborazione delle immagini (1 CFU)
Rappresentazione di immagini e visione artificiale di basso livello. Filtri di smoothing e filtri di sharpening.
- Teorie logiche e programmazione logica (1 CFU)
Logica proposizionale, clausole e risoluzione. Logica del primo ordine e cenni alla risoluzione. Programmazione logica e Prolog.
- Introduzione alla Data Science (1 CFU)
Introduzione alla Data Science: obiettivi e concetti generali. Richiami di statistica. Data visualization: tipologie di grafici, metodologie, limiti e problematiche.
- Apprendimento automatico (3 CFU)
Apprendimento supervisionato e non supervisionato. Misura delle performance per problemi di classificazione e regressione. Alberi di decisione, macchine a vettori di supporto, reti neurali, clustering, tecniche di regressione.
- Data science con Python (2 CFU)
Librerie Python per l'analisi e la visualizzazione dei dati (pandas, numpy, scipy, matplotlib). Librerie Python per l'apprendimento automatico (scikit-learn, keras).
Metodi didattici
L’insegnamento viene erogato in presenza. I metodi didattici prevedono lezioni frontali. Nel corso delle lezioni frontali saranno affrontati gli aspetti teorici degli argomenti oggetto del corso e saranno inoltre mostrati opportuni esempi ed esercizi. Le lezioni frontali si svolgono con l’ausilio di presentazioni Power Point e/o PDF. Il materiale utilizzato durante tutto il corso (presentazioni, esercizi, programmi, …) sarà reso disponibile per gli studenti sulla piattaforma Moodle.
Le informazioni riportate in precedenza sono valide qualora la situazione sanitaria consenta di effettuare tutte le lezioni completamente in presenza. Se l’emergenza sanitaria continuerà, verranno adottate le misure suggerite dal Dipartimento e dall’Ateneo per consentire di svolgere le lezioni in modalità mista o completamente a distanza.
L’insegnamento è erogato in lingua inglese e la frequenza non è obbligatoria, ma consigliata.
Testi di riferimento
Le slide mostrate a lezione e il materiale utilizzato durante le lezioni saranno condivisi con gli studenti sulla piattaforma Moodle.
Gli studenti potranno approfondire i contenuti del corso attraverso i testi consigliati di seguito.
The slides and other useful material used during classes will be made available to the students through the Moodle platform.
The following books can be useful to explore the topics addressed during the course more in details.
- Russell, Stuart J. and Peter Norvig. Artificial Intelligence: A Modern Approach. Vol. 1. Pearson, 2010.
- J. VanderPlas, Python Data Science Notebook: https://jakevdp.github.io/PythonDataScienceHandbook/
- D. Poole, A. Mackworth. Artificial Intelligence: Foundations of Computational Agents. Cambridge University Press, 2017
https://artint.info/2e/html/ArtInt2e.html
Verifica dell'apprendimento
La prova finale consiste in un esame orale che si svolge in presenza. La prova si tiene in lingua inglese e ha una durata di circa 30/40 minuti. Lo studente dovrà saper rispondere a domande teoriche su tutto il programma del corso e dovrà essere in grado di risolvere esercizi legati alle tematiche affrontate durante il corso. Alla prova orale sarà assegnato un punteggio tra 0 e 30 e lode. L'esame si ritiene superato se il voto è maggiore o uguale a 18.
Per accedere alla prova orale è necessario avere consegnato una tesina su un progetto concordato in precedenza con i docenti. Le modalità di svolgimento e di consegna del progetto saranno presentate in modo approfondito a lezione e saranno indicate sulla pagina Moodle dell’insegnamento. Il progetto può essere consegnato una sola volta nell’anno accademico e rimane valido per tutto l’anno accademico (appelli da gennaio a settembre inclusi).
E' prevista una prova parziale durante l'interruzione delle lezioni tra ottobre e novembre. La prova riguarderà metà degli argomenti dell'insegnamento. Gli studenti che superano tale prova, saranno interrogati solo sulla restante metà degli argomenti nel corso della prova finale. Per accedere alla prova parziale non è necessario aver svolto il progetto.
Le informazioni riportate in precedenza sono valide qualora la situazione sanitaria consenta di effettuare gli esami in presenza. Se l’emergenza sanitaria continuerà, verranno adottate le misure suggerite dal Dipartimento e dall’Ateneo per consentire di svolgere gli esami nel modo migliore possibile.
Gli esami si svolgono secondo il calendario ufficiale degli appelli d’esame. Lo studente che intenda sostenere l’esame in un dato appello è tenuto a iscriversi per tempo all’appello stesso, utilizzando la piattaforma Esse3. Al termine di ogni appello i voti verranno caricati su Esse3. Gli studenti potranno decidere di rifiutare il voto entro la data che sarà comunicata contestualmente all’invio dei risultati. In caso di mancato rifiuto del voto entro i termini previsti, il voto sarà considerato accettato e verrà verbalizzato.
Risultati attesi
- Conoscenza e capacità di comprensione Al termine del corso, si auspica che gli studenti:
-- Abbiano solide conoscenze e capacità di comprensione delle principali tematiche nell'ambito dell’Intelligenza Artificiale
-- Sappiano affrontare problemi e proporre soluzioni adeguate in relazione a vari aspetti dell’Intelligenza Artificiale
-- Conoscano e comprendano le tecniche utilizzate nell’ambito della Data Science
-- Conoscano e comprendano le principali tecniche legate al Machine Learning
- Capacità di applicare conoscenza e comprensione: Al termine del corso, si auspica che gli studenti:
-- Sappiano applicare le conoscenze acquisite nell'ambito dell’Intelligenza Artificiale
-- Sappiano applicare le conoscenze acquisite in diversi contesti della Data Science
-- Sappiano applicare le conoscenze acquisite per risolvere problemi legati all’Intelligenza Artificiale e alla Data Science, anche attraverso l’uso di specifici linguaggi di programmazione
- Autonomia di giudizio: Al termine del corso, si auspica che gli studenti:
-- Siano in grado di verificare il proprio grado di apprendimento e comprensione dei concetti esposti durante il corso, grazie alla risoluzione di esercizi proposti durante il corso
-- Siano in grado di valutare soluzioni nell’ambito dell’Intelligenza Artificiale e della Data Science
- Abilità comunicative Al termine del corso, si auspica che gli studenti:
-- Siano in grado di esprimere le proprie conoscenze in modo corretto e logico, rispondendo in modo puntuale alle domande d’esame
-- Siano in grado di presentare gli argomenti oggetto dell’insegnamento con chiarezza e con un linguaggio tecnico appropriato
- Capacità di apprendimento: Al termine del corso, si auspica che gli studenti:
-- Abbiano acquisito gli strumenti metodologici per proseguire con profitto il proprio percorso universitario
-- Abbiano acquisito le competenze necessarie per provvedere autonomamente al proprio aggiornamento, particolarmente cruciale nell’ambito dell’Intelligenza Artificiale e della Data Science, dove la tecnologia è in continua evoluzione