Ingegneria Informatica e Intelligenza artificiale L-8

================================================================

MODULO 1 — AGENTI INTELLIGENTI

================================================================

Lezione 1 — Introduzione all'Intelligenza Artificiale

  Definizioni di IA (pensare/agire, umanamente/razionalmente); storia e

  fondamenti disciplinari; stato dell'arte e ambiti applicativi.

Lezione 2 — Agenti intelligenti e ambienti

  Concetto di agente razionale; misure di prestazione; proprietà degli

  ambienti (osservabile, deterministico, episodico, statico, discreto,

  singolo/multi-agente); nozione PEAS.

Lezione 3 — Struttura degli agenti

  Programmi-agente; agenti reattivi semplici, basati su modello, basati

  su obiettivi, basati su utilità; agenti che apprendono.

================================================================

MODULO 2 — RISOLUZIONE DI PROBLEMI MEDIANTE RICERCA

================================================================

Lezione 4 — Agenti risolutori di problemi

  Formulazione del problema; spazio degli stati; grafo di ricerca;

  misure di prestazione (completezza, ottimalità, complessità).

Lezione 5 — Algoritmi di ricerca

  Struttura generale della ricerca ad albero e su grafo; frontiera,

  espansione, insieme esplorato.

Lezione 6 — Ricerca non informata

  BFS, ricerca a costo uniforme, DFS, depth-limited, iterative

  deepening; confronto costi e completezza.

Lezione 7 — Ricerca informata

  Euristiche; best-first greedy; algoritmo A*; ammissibilità e

  consistenza; progettazione di euristiche.

================================================================

MODULO 3 — LOGICA E RAPPRESENTAZIONE DELLA CONOSCENZA

================================================================

Lezione 8 — Agenti basati su conoscenza

  Base di conoscenza; ciclo TELL/ASK; il mondo del Wumpus; entailment.

Lezione 9 — Logica proposizionale

  Sintassi e semantica; modelli; equivalenza, validità, soddisfacibilità;

  inferenza per enumerazione e risoluzione.

Lezione 10 — Logica del primo ordine (FOL)

  Oggetti, relazioni, funzioni; quantificatori; sintassi e semantica;

  espressività rispetto alla logica proposizionale.

Lezione 11 — Usare la logica del primo ordine

  Assiomatizzazione di domini; asserzioni e query; ingegneria della

  conoscenza in FOL.

Lezione 12 — Introduzione all'inferenza

  Regole di inferenza; forward e backward chaining; clausole di Horn.

Lezione 13 — Inferenza nella logica del primo ordine

  Unificazione; forward/backward chaining in FOL; risoluzione e forma a

  clausole; teorema di completezza.

Lezione 14 — Rappresentazione della conoscenza

  Ontologie; categorie e oggetti; eventi; ragionamento con default;

  reti semantiche e sistemi a frame.

================================================================

MODULO 4 — FONDAMENTI PROBABILISTICI E INTRODUZIONE AL ML

================================================================

Lezione 15 — Basi di probabilità

  Incertezza; assiomi di probabilità; probabilità congiunta e

  condizionata; indipendenza; teorema di Bayes.

Lezione 16 — Introduzione al Machine Learning

  Forme di apprendimento (supervisionato, non supervisionato, per

  rinforzo); ipotesi e generalizzazione; overfitting/underfitting.

================================================================

MODULO 5 — APPRENDIMENTO SUPERVISIONATO

================================================================

Lezione 17 — Apprendimento supervisionato

  Classificazione e regressione; spazio delle ipotesi; funzione di

  perdita; rischio empirico e atteso.

Lezione 18 — Selezione del modello e ottimizzazione

  Trade-off bias-varianza; validazione incrociata; regolarizzazione;

  ricerca degli iperparametri.

Lezione 19 — Metriche di valutazione

  Accuratezza, precisione, recall, F1; matrice di confusione; curve

  ROC e AUC; metriche per la regressione (MSE, MAE, R²).

Lezione 20 — Alberi di decisione

  Apprendimento induttivo; entropia e guadagno informativo; algoritmo

  ID3/C4.5; potatura (pruning).

Lezione 21 — Apprendimento bayesiano

  Massima verosimiglianza e MAP; Naive Bayes; stima delle densità;

  classificazione probabilistica.

Lezione 22 — Regressione lineare

  Modello lineare; minimi quadrati; discesa del gradiente; regressione

  logistica per la classificazione.

Lezione 23 — Nearest Neighbor

  k-NN; metriche di distanza; effetto di k; costo computazionale e

  strutture dati (k-d tree).

Lezione 24 — Support Vector Machines

  Margine massimo; iperpiano separatore; kernel trick; soft margin;

  SVM non lineari.

================================================================

MODULO 6 — METODI DI ENSEMBLE E ALTA DIMENSIONALITÀ

================================================================

Lezione 25 — Ensemble Learning

  Combinazione di modelli; bagging; random forest; voto di maggioranza.

Lezione 26 — Ensemble Learning avanzato

  Boosting; AdaBoost; gradient boosting; stacking.

Lezione 27 — Machine Learning in dimensioni elevate

  Maledizione della dimensionalità; selezione delle feature;

  regolarizzazione L1/L2; sparsità.

================================================================

MODULO 7 — APPRENDIMENTO NON SUPERVISIONATO

================================================================

Lezione 28 — Clustering

  k-means; clustering gerarchico; modelli a miscela gaussiana (EM);

  valutazione dei cluster.

Lezione 29 — Riduzione della dimensionalità

  PCA; SVD; proiezioni; t-SNE; apprendimento di rappresentazioni.

================================================================

MODULO 8 — TEORIA E PARADIGMI AVANZATI DI APPRENDIMENTO

================================================================

Lezione 30 — Teoria dell'apprendimento

  Apprendimento PAC; dimensione di Vapnik-Chervonenkis; limiti di

  generalizzazione; complessità del campione.

Lezione 31 — Apprendimento incrementale e online

  Apprendimento online; discesa del gradiente stocastica; concept

  drift; algoritmi a passaggio singolo.

Lezione 32 — Apprendimento per rinforzo

  Processi decisionali di Markov (MDP); funzione valore e policy;

  Q-learning; esplorazione vs sfruttamento.

================================================================

MODULO 9 — IL PROCESSO DI MACHINE LEARNING NELLA PRATICA

================================================================

Lezione 33 — Pipeline e processo di Machine Learning

  Raccolta e preparazione dati; feature engineering; addestramento,

  validazione, test; ciclo di vita del modello.

Lezione 34 — Bias nei dati e fairness

  Fonti di bias; equità algoritmica; metriche di fairness; mitigazione

  e implicazioni etiche.

Lezione 35 — Conduzione, monitoraggio e manutenzione dei modelli

  Deployment; monitoraggio delle prestazioni; degrado e drift;

  ri-addestramento; MLOps di base.

================================================================

MODULO 10 — FONDAMENTI DI DEEP LEARNING

================================================================

Lezione 36 — Introduzione al Deep Learning

  Dal percettrone alle reti multistrato; funzioni di attivazione;

  motivazioni e differenze rispetto al ML classico.

Lezione 37 — Backpropagation

  Grafo computazionale; regola della catena; propagazione in avanti e

  all'indietro; calcolo dei gradienti.

Lezione 38 — Architetture di Deep Learning

  Reti feedforward profonde; scelte progettuali; profondità e capacità

  rappresentativa.

Lezione 39 — Convolutional Neural Networks

  Operazione di convoluzione; filtri; campi recettivi; condivisione dei

  pesi; architetture per immagini.

Lezione 40 — Pooling, tensori e connessioni residue

  Strati di pooling; rappresentazione tensoriale; blocchi residui

  (ResNet); reti profonde.

Lezione 41 — Ottimizzazione e backpropagation

  SGD e varianti (Momentum, Adam); learning rate; batch; problemi di

  gradiente evanescente/esplosivo.

Lezione 42 — Generalizzazione nelle reti neurali

  Regolarizzazione; dropout; early stopping; data augmentation;

  capacità e overfitting nelle reti profonde.

================================================================

MODULO 11 — SEQUENZE, APPRENDIMENTO NON SUPERVISIONATO

              PROFONDO E MODELLI GENERATIVI

================================================================

Lezione 43 — Reti neurali ricorrenti

  RNN; elaborazione di sequenze; backpropagation nel tempo; cenni a

  LSTM/GRU.

Lezione 44 — Apprendimento non supervisionato nel Deep Learning

  Autoencoder; rappresentazioni latenti; pre-addestramento;

  apprendimento di feature.

Lezione 45 — Modelli generativi

  Modelli generativi ================================================================

MODULO 1 — AGENTI INTELLIGENTI

================================================================

Lezione 1 — Introduzione all'Intelligenza Artificiale

  Definizioni di IA (pensare/agire, umanamente/razionalmente); storia e

  fondamenti disciplinari; stato dell'arte e ambiti applicativi.

Lezione 2 — Agenti intelligenti e ambienti

  Concetto di agente razionale; misure di prestazione; proprietà degli

  ambienti (osservabile, deterministico, episodico, statico, discreto,

  singolo/multi-agente); nozione PEAS.

Lezione 3 — Struttura degli agenti

  Programmi-agente; agenti reattivi semplici, basati su modello, basati

  su obiettivi, basati su utilità; agenti che apprendono.

================================================================

MODULO 2 — RISOLUZIONE DI PROBLEMI MEDIANTE RICERCA

================================================================

Lezione 4 — Agenti risolutori di problemi

  Formulazione del problema; spazio degli stati; grafo di ricerca;

  misure di prestazione (completezza, ottimalità, complessità).

Lezione 5 — Algoritmi di ricerca

  Struttura generale della ricerca ad albero e su grafo; frontiera,

  espansione, insieme esplorato.

Lezione 6 — Ricerca non informata

  BFS, ricerca a costo uniforme, DFS, depth-limited, iterative

  deepening; confronto costi e completezza.

Lezione 7 — Ricerca informata

  Euristiche; best-first greedy; algoritmo A*; ammissibilità e

  consistenza; progettazione di euristiche.

================================================================

MODULO 3 — LOGICA E RAPPRESENTAZIONE DELLA CONOSCENZA

================================================================

Lezione 8 — Agenti basati su conoscenza

  Base di conoscenza; ciclo TELL/ASK; il mondo del Wumpus; entailment.

Lezione 9 — Logica proposizionale

  Sintassi e semantica; modelli; equivalenza, validità, soddisfacibilità;

  inferenza per enumerazione e risoluzione.

Lezione 10 — Logica del primo ordine (FOL)

  Oggetti, relazioni, funzioni; quantificatori; sintassi e semantica;

  espressività rispetto alla logica proposizionale.

Lezione 11 — Usare la logica del primo ordine

  Assiomatizzazione di domini; asserzioni e query; ingegneria della

  conoscenza in FOL.

Lezione 12 — Introduzione all'inferenza

  Regole di inferenza; forward e backward chaining; clausole di Horn.

Lezione 13 — Inferenza nella logica del primo ordine

  Unificazione; forward/backward chaining in FOL; risoluzione e forma a

  clausole; teorema di completezza.

Lezione 14 — Rappresentazione della conoscenza

  Ontologie; categorie e oggetti; eventi; ragionamento con default;

  reti semantiche e sistemi a frame.

================================================================

MODULO 4 — FONDAMENTI PROBABILISTICI E INTRODUZIONE AL ML

================================================================

Lezione 15 — Basi di probabilità

  Incertezza; assiomi di probabilità; probabilità congiunta e

  condizionata; indipendenza; teorema di Bayes.

Lezione 16 — Introduzione al Machine Learning

  Forme di apprendimento (supervisionato, non supervisionato, per

  rinforzo); ipotesi e generalizzazione; overfitting/underfitting.

================================================================

MODULO 5 — APPRENDIMENTO SUPERVISIONATO

================================================================

Lezione 17 — Apprendimento supervisionato

  Classificazione e regressione; spazio delle ipotesi; funzione di

  perdita; rischio empirico e atteso.

Lezione 18 — Selezione del modello e ottimizzazione

  Trade-off bias-varianza; validazione incrociata; regolarizzazione;

  ricerca degli iperparametri.

Lezione 19 — Metriche di valutazione

  Accuratezza, precisione, recall, F1; matrice di confusione; curve

  ROC e AUC; metriche per la regressione (MSE, MAE, R²).

Lezione 20 — Alberi di decisione

  Apprendimento induttivo; entropia e guadagno informativo; algoritmo

  ID3/C4.5; potatura (pruning).

Lezione 21 — Apprendimento bayesiano

  Massima verosimiglianza e MAP; Naive Bayes; stima delle densità;

  classificazione probabilistica.

Lezione 22 — Regressione lineare

  Modello lineare; minimi quadrati; discesa del gradiente; regressione

  logistica per la classificazione.

Lezione 23 — Nearest Neighbor

  k-NN; metriche di distanza; effetto di k; costo computazionale e

  strutture dati (k-d tree).

Lezione 24 — Support Vector Machines

  Margine massimo; iperpiano separatore; kernel trick; soft margin;

  SVM non lineari.

================================================================

MODULO 6 — METODI DI ENSEMBLE E ALTA DIMENSIONALITÀ

================================================================

Lezione 25 — Ensemble Learning

  Combinazione di modelli; bagging; random forest; voto di maggioranza.

Lezione 26 — Ensemble Learning avanzato

  Boosting; AdaBoost; gradient boosting; stacking.

Lezione 27 — Machine Learning in dimensioni elevate

  Maledizione della dimensionalità; selezione delle feature;

  regolarizzazione L1/L2; sparsità.

================================================================

MODULO 7 — APPRENDIMENTO NON SUPERVISIONATO

================================================================

Lezione 28 — Clustering

  k-means; clustering gerarchico; modelli a miscela gaussiana (EM);

  valutazione dei cluster.

Lezione 29 — Riduzione della dimensionalità

  PCA; SVD; proiezioni; t-SNE; apprendimento di rappresentazioni.

================================================================

MODULO 8 — TEORIA E PARADIGMI AVANZATI DI APPRENDIMENTO

================================================================

Lezione 30 — Teoria dell'apprendimento

  Apprendimento PAC; dimensione di Vapnik-Chervonenkis; limiti di

  generalizzazione; complessità del campione.

Lezione 31 — Apprendimento incrementale e online

  Apprendimento online; discesa del gradiente stocastica; concept

  drift; algoritmi a passaggio singolo.

Lezione 32 — Apprendimento per rinforzo

  Processi decisionali di Markov (MDP); funzione valore e policy;

  Q-learning; esplorazione vs sfruttamento.

================================================================

MODULO 9 — IL PROCESSO DI MACHINE LEARNING NELLA PRATICA

================================================================

Lezione 33 — Pipeline e processo di Machine Learning

  Raccolta e preparazione dati; feature engineering; addestramento,

  validazione, test; ciclo di vita del modello.

Lezione 34 — Bias nei dati e fairness

  Fonti di bias; equità algoritmica; metriche di fairness; mitigazione

  e implicazioni etiche.

Lezione 35 — Conduzione, monitoraggio e manutenzione dei modelli

  Deployment; monitoraggio delle prestazioni; degrado e drift;

  ri-addestramento; MLOps di base.

================================================================

MODULO 10 — FONDAMENTI DI DEEP LEARNING

================================================================

Lezione 36 — Introduzione al Deep Learning

  Dal percettrone alle reti multistrato; funzioni di attivazione;

  motivazioni e differenze rispetto al ML classico.

Lezione 37 — Backpropagation

  Grafo computazionale; regola della catena; propagazione in avanti e

  all'indietro; calcolo dei gradienti.

Lezione 38 — Architetture di Deep Learning

  Reti feedforward profonde; scelte progettuali; profondità e capacità

  rappresentativa.

Lezione 39 — Convolutional Neural Networks

  Operazione di convoluzione; filtri; campi recettivi; condivisione dei

  pesi; architetture per immagini.

Lezione 40 — Pooling, tensori e connessioni residue

  Strati di pooling; rappresentazione tensoriale; blocchi residui

  (ResNet); reti profonde.

Lezione 41 — Ottimizzazione e backpropagation

  SGD e varianti (Momentum, Adam); learning rate; batch; problemi di

  gradiente evanescente/esplosivo.

Lezione 42 — Generalizzazione nelle reti neurali

  Regolarizzazione; dropout; early stopping; data augmentation;

  capacità e overfitting nelle reti profonde.

================================================================

MODULO 11 — SEQUENZE, APPRENDIMENTO NON SUPERVISIONATO

              PROFONDO E MODELLI GENERATIVI

================================================================

Lezione 43 — Reti neurali ricorrenti

  RNN; elaborazione di sequenze; backpropagation nel tempo; cenni a

  LSTM/GRU.

Lezione 44 — Apprendimento non supervisionato nel Deep Learning

  Autoencoder; rappresentazioni latenti; pre-addestramento;

  apprendimento di feature.

Lezione 45 — Modelli generativi

  Modelli generativi profondi; VAE; GAN; cenni ai modelli di

  diffusione; generazione di dati.

; VAE; GAN; cenni ai modelli di

  diffusione; generazione di dati.

Non sono previste propedeuticità formali.

Per il proficuo raggiungimento degli obiettivi formativi del corso, è auspicabile che lo studente possegga conoscenze pregresse relative ai fondamenti di programmazione, ai concetti elementari di probabilità e statistica, nonché alle nozioni fondamentali di algebra lineare e analisi matematica, indispensabili per la comprensione degli algoritmi di apprendimento automatico e delle reti neurali.

Previa prenotazione tramite mail al docente. 

Attività didattiche previste
Le attività di didattica, suddivise tra didattica erogativa (DE) e didattica sincrona (DS), saranno costituite da 7 ore per CFU e ripartite secondo una struttura di almeno 2,5 ore di DE (tenuta in considerazione la necessità di riascolto) e di 2 ore di DS sincrona per ciascun CFU.
Attività didattica erogativa (45 ore incluso il riascolto)
· 45 lezioni frontali videoregistrate, della durata di circa 30 minuti ciascuna (tenuta in considerazione la necessità di riascolto) sempre disponibili in piattaforma.
Attività didattica sincrona (18 ore):
· Lezioni frontali svolte in sincrono, della durata di 60 o 120 minuti ciascuna, per un totale di 18 ore di didattica sincrona. 

Conoscenza e capacità di comprensione - dei fondamenti dell'Intelligenza Artificiale, degli agenti intelligenti e delle tipologie di ambiente; - degli algoritmi di ricerca non informata e informata per la risoluzione di problemi; - della logica proposizionale e del primo ordine, dei metodi di inferenza e della rappresentazione della conoscenza; - dei principali paradigmi di apprendimento automatico (supervisionato, non supervisionato, per rinforzo) e dei relativi algoritmi; - dei fondamenti del Deep Learning: reti neurali, backpropagation, reti convoluzionali, reti ricorrenti e modelli generativi. Capacità di applicare conoscenza e comprensione - alla formulazione di problemi in termini di agenti, stati e spazi di ricerca e alla scelta dell'algoritmo di ricerca appropriato; - alla formalizzazione della conoscenza mediante logica e all'applicazione dei metodi di inferenza; - all'addestramento e alla valutazione di modelli di classificazione e regressione (alberi di decisione, metodi bayesiani, SVM, nearest neighbor, ensemble); - all'applicazione di tecniche di clustering e di riduzione della dimensionalità; - alla progettazione di una pipeline completa di Machine Learning, dal preprocessing dei dati al monitoraggio del modello in produzione. Abilità di giudizio - nella scelta del modello di apprendimento più adeguato al problema e ai dati disponibili; - nella valutazione delle prestazioni dei modelli mediante metriche appropriate, riconoscendo fenomeni di overfitting e underfitting; - nell'analisi delle implicazioni etiche legate a bias nei dati, fairness e affidabilità dei sistemi di apprendimento automatico. Abilità di comunicare - esporre concetti, algoritmi e modelli con linguaggio tecnico appropriato e rigoroso; - motivare le scelte metodologiche compiute nella costruzione di un sistema di apprendimento automatico; - presentare e discutere risultati sperimentali con chiarezza espositiva. Capacità di apprendimento - proseguire negli studi avanzati in intelligenza artificiale, deep learning e data science; - aggiornare e approfondire le proprie conoscenze attraverso lo studio di articoli scientifici e testi specialistici; - sviluppare un metodo di apprendimento fondato sulla comprensione concettuale e sull'analisi critica degli algoritmi di apprendimento. Conoscenza e capacità di comprensione - dei fondamenti dell'Intelligenza Artificiale, degli agenti intelligenti e delle tipologie di ambiente; - degli algoritmi di ricerca non informata e informata per la risoluzione di problemi; - della logica proposizionale e del primo ordine, dei metodi di inferenza e della rappresentazione della conoscenza; - dei principali paradigmi di apprendimento automatico (supervisionato, non supervisionato, per rinforzo) e dei relativi algoritmi; - dei fondamenti del Deep Learning: reti neurali, backpropagation, reti convoluzionali, reti ricorrenti e modelli generativi. Capacità di applicare conoscenza e comprensione - alla formulazione di problemi in termini di agenti, stati e spazi di ricerca e alla scelta dell'algoritmo di ricerca appropriato; - alla formalizzazione della conoscenza mediante logica e all'applicazione dei metodi di inferenza; - all'addestramento e alla valutazione di modelli di classificazione e regressione (alberi di decisione, metodi bayesiani, SVM, nearest neighbor, ensemble); - all'applicazione di tecniche di clustering e di riduzione della dimensionalità; - alla progettazione di una pipeline completa di Machine Learning, dal preprocessing dei dati al monitoraggio del modello in produzione. Abilità di giudizio - nella scelta del modello di apprendimento più adeguato al problema e ai dati disponibili; - nella valutazione delle prestazioni dei modelli mediante metriche appropriate, riconoscendo fenomeni di overfitting e underfitting; - nell'analisi delle implicazioni etiche legate a bias nei dati, fairness e affidabilità dei sistemi di apprendimento automatico. Abilità di comunicare - esporre concetti, algoritmi e modelli con linguaggio tecnico appropriato e rigoroso; - motivare le scelte metodologiche compiute nella costruzione di un sistema di apprendimento automatico; - presentare e discutere risultati sperimentali con chiarezza espositiva. Capacità di apprendimento - proseguire negli studi avanzati in intelligenza artificiale, deep learning e data science; - aggiornare e approfondire le proprie conoscenze attraverso lo studio di articoli scientifici e testi specialistici; - sviluppare un metodo di apprendimento fondato sulla comprensione concettuale e sull'analisi critica degli algoritmi di apprendimento.

La valutazione finale avverrà nelle date d’appello previste dall’Ateneo e pubblicate in piattaforma, in modalità scritta online (prova in itinere), scritta in presenza.

L’insegnamento si propone di far acquisire agli studenti i concetti fondamentali dell’Intelligenza Artificiale con particolare riferimento alle tecniche di ricerca, rappresentazione della conoscenza e ragionamento automatico. Saranno inoltre introdotti i fondamenti teorici, le proprietà computazionali e gli usi delle principali tecniche di apprendimento supervisionato e non supervisionato. In particolare, gli studenti esploreranno argomenti come Machine Learning  saranno in grado di impostare problemi di classificazione, regressione e clustering usando algoritmi e strumenti condivisi dalla comunità scientifica e industriale.

L’insegnamento include un modulo pratico dedicato all’implementazione di modelli con Python utilizzando librerie come scikit-learn e TensorFlow

L’insegnamento contribuisce anche al potenziamento delle capacità trasversali Autonomia di giudizio, Abilità comunicative e Capacità di apprendimento degli studenti.

Bishop, C.M. (2006). Pattern Recognition and Machine Learning. Springer.

L'acquisizione dei risultati di apprendimento previsti viene accertata attraverso: le attività di autovalutazione associate ad ogni video-lezione, i test associati alla didattica sincrona, la prova intermedia online e la prova finale in presenza.
Test di autovalutazione: i test di autovalutazione permettono allo studente di monitorare la comprensione degli argomenti somministrati ed eventualmente di attivarsi per colmare le lacune.
Test post-didattica sincrona: I test successivi alla didattica sincrona verificano l’applicazione delle conoscenze in situazione guidata e la capacità di apprendimento autonomo. Consentono di osservare l’uso operativo dei saperi e la capacità di trasferimento.
La prova intermedia online e la prova finale in presenza: consente una verifica sistematica e standardizzata delle conoscenze disciplinari e della comprensione concettuale e permette di valutare l’autonomia di giudizio, ovvero la capacità di formulare valutazioni motivate e sostenere argomentazioni critiche.