Intelligenza Artificiale (Modulo di Fondamenti)

Anno Accademico 2017/18


Corso di studi offerto per:


Orario Lezioni

Date (Dates): Lun. 08.30 - 10.30 Aula I; Giov. 08:30 - 11:30 Aula I (o Lab. Didattico Alpha); Ven. 8:30--09:30 Aula I.
(Mon. 08:30 - 11:30 Room I, Wed. 08:30 - 10:30 Room I (or Programming lab Alpha); Fri. 8:30--9:30 Room I.)


Luogo(Place): Strada Le grazie 15, Ca' Vignal.


Informazioni sulla Valutazione del corso

Gli studenti sono invitati a compilare il questionario per la valutazione della didattica dell'Università di Verona. Potete trovare maggiori informazioni in questo video


Informazioni sulle lezioni

Data Prima Prova Parziale
  • Giov. 19 Aprile

Data Seconda Prova Parziale (Da Confermare)
  • Lun. 4 Giugno
Lezioni cancellate
  • Ven. 16 Marzo
  • Lun. 19 Marzo
  • Lun. 30 Aprile
  • Lun. 7 Maggio
  • Giov. 10 Maggio
  • Ven. 11 Maggio
  • Ven. 18 Maggio
  • Ven. 25 Maggio
  • Ven. 1 Giugno
Lezioni in laboratorio
  • Giov. 15 Marzo
  • Giov. 29 Marzo
  • Giov. 03 Maggio
  • Giov. 24 Maggio
  • Giov. 31 Maggio
  • Giov. 07 Giugno

Obiettivi

Il modulo presenta paradigmi e tecniche principali relative alle rappresentazioni simbolica e probabilistica per la soluzione automatica di problemi. L'obbiettivo è dare allo studente strumenti per ideare, applicare e valutare algoritmi per problemi difficili, nel senso che la loro soluzione meccanica cattura aspetti di intelligenza artificiale o razionalità computazionale. Al termine dell'insegnamento lo studente dovrà dimostrare di:

  • conoscere le principali tecniche di ricerca nello spazio degli stati ed essere in grado di applicare tali tecniche a problemi di diversa natura;
  • comprendere i concetti fondamentali per le reti di vincoli e saper applicare gli algoritmi risolutivi principali relativi sia a problemi di soddisfacibilita' che di ottimizzazione;
  • conoscere i concetti di base e saper usare le principali tecniche risolutive relative al ragionamento probabilistico, con particolare enfasi su reti bayesiane, processi decisionali di Markov ed apprendimento per rinforzo.

Educational Objectives

The class presents the main techniques for problem solving, based on the central paradigm of symbolic and probabilistic representations. The objective is to provide the students with the ability to design, apply and evaluate algorithms for difficult problems, meaning that their mechanical solution captures aspects of artificial intelligence or computational rationality. At the end of the class the student is expected to:

  • know the main techniques for state space search and be able to apply such techniques to problems of various nature;
  • understand the fundamental concepts related to constraint networks and be able to apply the main solution techniques for both satifiability and optimization problems;
  • know the basic concept and key solution techniques related to probabilistic reasoning, focusing on bayesian networks, Markov decision processes and reinforcement learning.


Programma
Risoluzione di problemi come ricerca in uno spazio di stati: procedure di ricerca non informate; procedure di ricerca euristiche; ricerca con avversario.
Risoluzione di problemi basata sull'elaborazione di vincoli (soddifacibilita' ed ottimizzazione); Tecniche risolutive basate su ricerca (Backtracking, Branch and Bound) e su inferenza (Join Tree Clustering, Bucket Elimination).<>br Agenti intelligenti: sistemi multi-agente, coordinamento.
Ragionamento probabilistico: i) reti bayesiane (definizioni, concetti principali metodi di inferenza), ii) processi decisionali di Markov (definizione e metodi risolutivi principali), iii) apprendimento per rinforzo (concetti di base e metodi risolutivi, e.g. Q-Learning).
Implementazione (tramite produzione assistita di software in laboratorio didattico) delle principali tecniche risolutive discusse a lezione, relative alla ricerca nello spazio degli stati e al ragionamento probabilistico.

Syllabus
Problem solving as search in a state space; un-informed search procedures; heuristic search procedures; adversarial search.
Problem solving based on constraint processing (satisfaction and optimization); Solution techniques based on search (Backtracking, Branch and Bound) and inference (Join Tree Clustering, Bucket Elimination).
Intelligent agents: multi-agent systems, coordination.
Probabilistic reasoning: bayesian networks (definitions, main concepts and inference methods); ii) Markov decision processes (definitions and main solution techniques); iii) reinforcement learning (basic concepts and solution techniques, e.g. Q-Learning).
Implement (through assisted software development) the main solution techniques presented during the course related to state space search and probabilistic reasoning.


Modalita' d'esame
Il voto finale del modulo di IA può essere conseguito con un'unica prova scritta o con le prove parziali.
La prova scritta verrà svolta nelle prove di Appello.
Le prove parziali sono costituite da due compiti (svolti durante la durata del corso ed al termine del corso) oppure da un compito (svolto durante la durata del corso) ed un progetto (tipicamente con una parte di programmazione). La modalita' con prove parziali permette inoltre di sostenere una prova in laboratorio (opzionale). Questa prova ha lo scopo di valutare il software prodotto dagli studenti durante il corso.

Exam Modalities
The final grade for the IA module can be achieved with a single test or with partial tests.
The single written test will be done at the exam date.
The partial tests includes two written tests (one during the course and one at the end of the course) or a written test (done during the course) and a project (usually with a consistent programming part). The partial tests modalities includes a test in the programming laboratory (optional). This test aims at evaluating the software produced by the students during the course.

 

Docente/Teacher: Alessandro Farinelli