Argomenti dell'insegnamento
Foundations of Artificial Intelligence introduce gli studenti alla progettazione di agenti computazionali intelligenti ed esplora l'emergere dell'intelligenza artificiale come scienza integrata. Il corso è incentrato sul concetto di agente intelligente che opera all'interno di un ambiente, iniziando con agenti semplici in ambienti statici e aumentando progressivamente la complessità per affrontare scenari più impegnativi. Nel corso del corso, gli studenti esaminano la natura multiforme della costruzione di sistemi intelligenti, scoprendo gradualmente e modularmente ciò che rende complesso questo compito. Le idee chiave sono illustrate con esempi concreti, come un robot per le consegne e un assistente diagnostico, mescolando principi scientifici e applicazioni ingegneristiche. L'obiettivo finale è che gli studenti concepiscano un agente progettato gerarchicamente in grado di agire in modo intelligente in un ambiente stocastico e parzialmente osservabile: un agente che ragiona sugli individui e sulle loro relazioni, che ha preferenze complesse, che impara dalle sue azioni, che considera la presenza di altri agenti e che opera efficacemente all'interno di vincoli computazionali. Machine Learning in Practice si concentra sulle tecniche fondamentali di Machine Learning, combinando istruzione teorica e applicazione pratica. Il corso copre i metodi di base dell'apprendimento supervisionato e non supervisionato, con lezioni dedicate alla comprensione concettuale e laboratori finalizzati all'implementazione pratica utilizzando set di dati reali. Gli studenti iniziano imparando a rappresentare i dati e a gestire vari tipi di caratteristiche, per poi passare alla costruzione di modelli predittivi attraverso l'apprendimento supervisionato e alla scoperta di raggruppamenti di dati attraverso l'apprendimento non supervisionato. L'accento è posto sulla valutazione della qualità del modello e sulla risoluzione delle sfide legate alla generalizzazione. Una parte significativa del corso prevede l'implementazione di algoritmi utilizzando librerie Python come Scikit-learn e SciPy, consentendo agli studenti di affrontare una varietà di compiti di apprendimento automatico in diversi ambiti applicativi.

Modalità di insegnamento
Si tratta di un modulo basato su progetti e laboratori. Consiste in lezioni frontali, esercitazioni in laboratorio, analisi di casi di studio e sviluppo di un progetto.

Obiettivi formativi
Conoscenza e comprensione - D1.13 Conoscere i principi dell'intelligenza artificiale e le potenzialità e i limiti dei sistemi intelligenti in vari ambiti applicativi. Applicare conoscenza e comprensione - D2.15 Essere in grado di adottare le tecniche di programmazione dell'intelligenza artificiale per risolvere problemi di informatica. Capacità di formulare giudizi - D3.1 Essere in grado di raccogliere e interpretare dati utili e di giudicare i sistemi informativi e la loro applicabilità. - D3.2 Essere in grado di lavorare autonomamente in base al proprio livello di conoscenza e comprensione. Abilità comunicative - D4.1 Essere in grado di utilizzare una delle tre lingue, inglese, italiano e tedesco, e di usare in modo appropriato termini tecnici e di comunicazione. Capacità di apprendimento - D5.1 Avere sviluppato capacità di apprendimento per proseguire gli studi con un elevato grado di autonomia. - D5.3 Essere in grado di seguire la rapida evoluzione tecnologica e di apprendere tecnologie informatiche all'avanguardia e aspetti innovativi dei sistemi informativi di ultima generazione.

Obiettivi formativi e risultati di apprendimento (ulteriori info.)
NA

Modalità d'esame
Esame finale: L'esame copre i contenuti di Foundations of Artificial Intelligence e Machine Learning in Practice, ciascuno dei quali contribuisce per il 50% al voto finale. La parte di Foundations of Artificial Intelligence consiste in un esame scritto che comprende domande di verifica, compiti di trasferimento delle conoscenze ed esercizi di risoluzione dei problemi. Valuta la capacità dello studente di applicare i concetti e di dimostrare una solida comprensione dei principi fondamentali dei sistemi intelligenti. La parte Machine Learning in Practice comprende un esame scritto, del valore del 40% del voto del modulo, con domande di verifica e risoluzione di problemi, e una serie di compiti, del valore del 60%, che prevedono l'implementazione di algoritmi di apprendimento automatico su insiemi di dati reali, la conduzione di esperimenti e la presentazione dei risultati.

Criteri di valutazione
L'esame viene valutato in base alla correttezza e alla chiarezza delle risposte, alla capacità di riassumere e valutare criticamente i contenuti, alla capacità di stabilire relazioni tra gli argomenti, alla qualità dell'argomentazione e alla capacità di risolvere i problemi. Per superare l'esame, gli studenti devono ottenere un punteggio minimo di 18 su 30 in ogni modulo. Ogni modulo contribuisce in egual misura al voto finale, con Foundations of Artificial Intelligence per il 50% e Machine Learning in Practice per il restante 50%. Una valutazione positiva in un modulo rimane valida per tutte e tre le sessioni d'esame regolari dell'anno accademico.

Bibliografia obbligatoria

• David L. Poole e Alan K. Mackworth. Intelligenza artificiale. Cambridge University Press, Cambridge, 3a edizione rivista, luglio 2023. ISBN 978-1-009-25819-7.
• Pang-Ning Tan, Michael Steinbach e Vipin Kumar. Introduzione al Data Mining. Pearson, NY NY, seconda edizione, gennaio 2018. ISBN 978-0-13-312890-1. 

Bibliografia facoltativa

• Stuart Russell e Peter Norvig. Intelligenza artificiale: A Modern Approach. Pearson, Hoboken, quarta edizione, aprile 2020. ISBN 978-0-13-461099-3.
• Aurélien Géron. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O'Reilly Media, Beijing China ; Sebastopol, CA, 2a edizione, ottobre 2019. ISBN 978-1-4920-3264-9. 

Altre informazioni
- Python (https://www.python.org) - Scikit-learn (https://scikit-learn.org/stable/) - SciPy (https://scipy.org)