Fondamenti di Intelligenza Artificiale

• Ven. 23 Ottobre
• Ven. 30 Ottobre
• Gio. 10 Dicembre
• Gio. 17 Dicembre
• Gio. 7 Dicembre

Obiettivi

Il corso si propone di fornire paradigmi e tecniche risolutive 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 del corso lo studente dovrà dimostrare di conoscere e comprendere le principali tecniche di ricerca nello spazio degli stati, comprendere i concetti fondamentali relativi alle reti a vincoli, conoscere i concetti di base relativi al ragionamento probabilistico ed apprendimento per rinforzo.

Queste conoscenze consentiranno allo studente di: i) applicare le tecniche di ricerca nello spazio degli stati a problemi di diversa natura; ii) applicare i principali algoritmi risolutivi per reti a vincoli sia nel contesto della soddisfacibilità che ottimizzazione; iii) utilizzare le principali tecniche risolutive relative al ragionamento probabilistico, con particolare enfasi su reti Bayesiane, processi decisionali di Markov ed apprendimento per rinforzo.

Alla fine del corso lo studente sarà in grado di: i) saper scegliere la tecnica risolutiva adeguata per problemi di diversa natura; ii) proseguire gli studi in modo autonomo nell’ambito dell’Intelligenza Artificiale, approfondendo argomenti trattati a lezione, sia su altri testi che su pubblicazioni scientifiche.

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 course the student must demonstrate to know and understand the main techniques for state space search, to understand the fundamental concepts related to constrained networks and to know the basic concepts related to probabilistic reasoning and reinforcement learning.

This knowledge will allow the student to: i) apply the state space search techniques to problems of different nature; ii) apply the main solution algorithms for constrained networks both in the context of satisfiability and optimization; iii) use the main solution techniques related to probabilistic reasoning, with particular emphasis on Bayesian networks, Markov decision processes and reinforcement learning.

At the end of the course the student will be able to: i) choose the most appropriate solution technique for different problems; ii) continue independently the studies in Artificial Intelligence, deepening the topics covered in class, both on other texts and on scientific publications.

Programma

• Risoluzione di problemi come ricerca in uno spazio di stati: procedure di ricerca non informate; procedure di ricerca euristiche.
• 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).
• 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, Deep Reinforcement 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.
• 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).
• 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 viene conseguito con una prova orale.
La prova orale può essere svolta secondo due modalità: i) prova orale sugli argomenti del corso e sulla parte di laboratorio; ii) prova orale su un progetto assegnato dal docente e sulla parte di laboratorio. Per la prova orale sugli argomenti del corso il docente chiede alle studentesse ed agli studenti di svolgere alcuni esercizi e pone delle domande al fine di valutare la comprensione degli argomenti trattati durante il corso.
Per la prova orale sul progetto, il docente concorda con la studentessa/studente un progetto che prevede una parte sostanziale di programmazione. La studentessa/studente svolge il progetto e durante la prova orale illustra lo svolgimento al docente che pone delle domande per valutare la comprensione degli argomenti trattati.
Gli argomenti del progetto e le date per le prove orali delle singole studentesse e dei singoli studenti vengono concordate con il docente alla fine delle lezioni.
Per la parte di laboratorio, durante il corso le studentesse e gli studenti implementeranno alcuni degli algoritmi visti durante lo svolgimento delle lezioni. La comprensione della parte di laboratorio viene valutata durante la prova orale. Per questa valutazione le studentesse e gli studenti consegnano al docente il software sviluppato ed il docente pone alcune domande volte a valutare il livello di comprensione del software presentato.

Exam Modalities

The final grade for the AI ​​module will be achieved with a single oral exam.
The oral exam can follow two modalities: i) oral exam on topics studied during the course (including the programming lab.); ii) oral exam on a specific project assigned by the teacher (and on the programming lab.)
For what concerns the oral exam on topics studied during the course, the teacher asks the students to carry out some exercises and asks questions to evaluate the level of comprehension of the topics covered during the course.
For what concerns the oral exam on the project, the teacher and the student agree on a topic for the project includes a substantial programming part. The student will carry out the project and during the oral exam she/he will explain the project to the teacher that will ask questions to evaluate the level of comprehension of the topic. The topic for the project and the exact date and time for the oral test of each student are agreed with the teacher at the end of the course.
For what concerns the progamming lab, during the course duration the students will implement some of the algorithms studied in class. The laboratory part is evaluated during the oral exam. For this evaluation, the students will deliver the software they developed to the teacher and the teacher will ask questions to assess the level of understanding of the delivered software.

Docente/Teacher: Alessandro Farinelli