| Intelligenza artificiale e machine learning
(obiettivi)
L’obiettivo è quello di presentare i modelli, i metodi e le tecniche fondamentali di alcune aree rilevanti dell'Intelligenza Artificiale, con particolare riferimento ai metodi di ricerca automatica di soluzioni nello spazio degli stati e all'Apprendimento Automatico (Machine Learning), e di utilizzarli come strumenti per lo sviluppo di tecnologie innovative. Per quanto riguarda il Machine Learning, il corso consentirà agli studenti di apprendere i principali metodi e algoritmi tipici della disciplina, ossia quelli supervisionati, non supervisionati e per rinforzo. Le lezioni e le esercitazioni pratiche svolte durante il corso consentiranno allo studente di acquisire capacità di analisi e di problem solving su vari domìni d’interesse per la disciplina
|
|
Codice
|
20810322 |
|
Lingua
|
ITA |
|
Tipo di attestato
|
Attestato di profitto |
|
Crediti
|
6
|
|
Settore scientifico disciplinare
|
ING-INF/05
|
|
Ore Aula
|
54
|
|
Attività formativa
|
Attività formative caratterizzanti
|
Canale Unico
|
Docente
|
SANSONETTI GIUSEPPE
(programma)
1. Introduzione:
- Gli Agenti Intelligenti.
- L'IA come "Representation and Search".
2. Risoluzione di Problemi:
- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, Iterative deepening).
- Ricerca euristica (Best First, A*, Heuristic Functions).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.)
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta Pruning).
- Introduzione alla Evolutionary Computation.
3. Introduzione al linguaggio Python:
- Ambienti di sviluppo; Jupiter Notebook.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, matplotlib, ScikitLearn.
4. Machine Learning:
- Regressione (lineare semplice, multipla).
- Classificazione (Logistic Regression, Decision Trees, Naïve Bayes).
- Clustering.
- Reti Neurali Artificiali.
- Reinforcement Learning.
- Introduzione al Deep Learning.
- Casi di studio.
(testi)
S.J.Russel, P.Norvig "Artificial Intelligence: A Modern Approach", 4/Ed (2021). Pearson Education.
Dispense a cura del docente.
|
|
Date di inizio e termine delle attività didattiche
|
Dal 01/03/2023 al 12/06/2023 |
|
Modalità di erogazione
|
Tradizionale
|
|
Modalità di frequenza
|
Non obbligatoria
|
|
Metodi di valutazione
|
Prova scritta
|
|
Docente
|
MICARELLI ALESSANDRO
(programma)
1. Introduzione:
- Gli Agenti Intelligenti.
- L'IA come "Representation and Search".
2. Risoluzione di Problemi:
- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, Iterative deepening).
- Ricerca euristica (Best First search, A*, Heuristic Functions).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.)
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta Pruning).
- Introduzione alla Evolutionary Computation.
3. Introduzione al linguaggio Python:
- Ambienti di sviluppo; Jupiter Notebook.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, matplotlib, ScikitLearn.
4. Machine Learning:
- Regressione (lineare semplice, multipla).
- Classificazione (Logistic Regression, Decision Trees, Naïve Bayes).
- Clustering.
- Reti Neurali Artificiali.
- Reinforcement Learning.
- Introduzione al Deep Learning.
- Casi di studio.
(testi)
S.J.Russel, P.Norvig "Artificial Intelligence: A Modern Approach", 4/Ed (2021). Pearson Education.
Dispense a cura del docente.
|
|
Date di inizio e termine delle attività didattiche
|
Dal 01/03/2023 al 12/06/2023 |
|
Modalità di erogazione
|
Tradizionale
|
|
Modalità di frequenza
|
Non obbligatoria
|
|
Metodi di valutazione
|
Prova scritta
|
|
Docente
|
SANZARI MARTA
|
|
Date di inizio e termine delle attività didattiche
|
Dal 01/03/2023 al 12/06/2023 |
|
Modalità di frequenza
|
Non obbligatoria
|
|
|
Università Roma Tre