Vai al contenuto principale
Oggetto:
Oggetto:

Sistemi Intelligenti

Oggetto:

Intelligent Systems

Oggetto:

Anno accademico 2022/2023

Codice dell'attività didattica
MFN0607
Docente
Cristina Baroglio (Docente)
Corso di studi
[008707] Laurea in Informatica
Anno
3° anno
Periodo didattico
Secondo semestre
Tipologia
Caratterizzante
Crediti/Valenza
6 CFU - Numero di ore - Number of hours: 48 (in aula)
SSD dell'attività didattica
INF/01 - informatica
Modalità di erogazione
Tradizionale
Lingua di insegnamento
Italiano
Modalità di frequenza
Facoltativa
Tipologia d'esame
Orale
Prerequisiti

Poiché Sistemi Intelligenti è il primo insegnamento che tratta argomenti di Intelligenza Artificiale, le competenze attese in ingresso riguardano competenze nel settore informatico. In particolare:
  • conoscenza di algoritmi su alberi e grafi con relative nozioni di complessità
  • esperienza di programmazione con particolare riferimento a programmazione ad oggetti (organizzazione in classi e sottoclassi, ereditarietà)
  • nozioni di logica (calcolo proposizionale e calcolo dei predicati del primo ordine)
  • nozioni di modelli semantici dei dati nelle basi dati.

Gli studenti che sono iscritti al corso di laurea di Informatica di Torino acquisiscono le competenze in ingresso sopra elencate seguendo gli insegnamenti di:

  • “Algoritmi e strutture dati”,
  • “Programmazione I e II”,
  • “Basi di dati”,
  • “Matematica Discreta e Logica” (e sostenendo i relativi esami).
    Insegnamenti propedeutici (forniscono le competenze attese in ingresso): L'insegnamento fornisce competenze di base di intelligenza artificiale e costituisce un fondamento di tutti gli insegnamenti di intelligenza artificiale della laurea magistrale
Since Intelligent Systems is an introductory course to the field of Artificial Intelligence, the required competence refers to basic knowledge for Computer Science , with particular attention to:
  • algorithms on trees and graphs
  • programming experience (in particular knowledge on Object oriented programming)
  • basic knowledge in mathematical logic.

For students attending University of Torino, the courses providing the necessary background are:

  • Algorithms and data structures
  • Programming I and Programming II
  • Data base
  • Discrete Mathematics and Logic.
    Preparatory Courses (providing the expected entry skills): The lectures provide basic knowledge about artificial intelligence, thus the course is fundamental to all those students who mean to study artificial intelligence in their master degree.

.

Oggetto:

Sommario insegnamento

Oggetto:

Obiettivi formativi

Il corso si propone di fornire una introduzione generale alle problematiche nel settore dell'Intelligenza Artificiale, con particolare attenzione a come sia possibile costruire un sistema dotato di capacità autonome di risoluzione di problemi, di ragionamento e di apprendimento quando abbia a disposizione una rappresentazione simbolica del mondo. Il corso si articola in quattro parti principali:

  • Risoluzione automatica di problemi
  • Rappresentazione della conoscenza e ragionamento
  • Nozione di agente intelligente che agisce, ragiona ed apprende
  • Apprendimento automatico

Questo insegnamento concorre agli obiettivi formativi specifici dell'ambito delle conoscenze di approfondimento del Corso di Laurea in Informatica (L31) e fa parte dell’area Informatica caratterizzante. Data la natura introduttiva dell’insegnamento e la sua durata, molte problematiche avanzate di Intelligenza Artificiale trovano collocazione negli insegnamenti offerti per la Laurea magistrale in intelligenza artificiale “Pietro Torasso".

Intelligent Systems is an introductory course to the field of Artificial Intelligence. particular attention is devoted how it is possible di develop a system with autonomous capabilities of problem solving, reasoning and learning when the system has at disposal a symbolic representation of the world. The main topics covered in the course are

  • Automated problem solving
  • knowledge representation and reasoning
  • notion of intelligent agent which acts, reasons and learns
  • machine learning

The training objectives of this course are part of the objectives of the Computer Science Bachelor Program (Corso di Laurea in Informatica (L31)), in particular of the area “Informatica caratterizzante”. More advanced topics in the field of Artificial Intelligence are covered in specialized courses offered in the “Laurea magistrale in intelligenza artificiale Pietro Torasso".

Oggetto:

Risultati dell'apprendimento attesi

  CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Dal punto di vista della acquisizione di contenuti metodologici, gli studenti conosceranno le principali strategie di ricerca per la risoluzione automatica di problemi, i fondamenti della rappresentazione della conoscenza mediante formalismi logici e approcci strutturati (ontologie) e relativi meccanismi inferenziali. Avranno inoltre acquisito le nozioni di base su architettura di un agente intelligente e su apprendimento automatico di conoscenza a partire da esempi. 


CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: l'esposizione dei contenuti del corso utilizza numerosi esempi sia di problemi artificiali, finalizzati a evidenziare determinate complessità,sia di contesti reali. In entrambi i casi i partecipanti sono incoraggiati a ragionare sulla possibilità e sulle conseguenze dell'applicazione di algoritmi e approcci.


AUTONOMIA DI GIUDIZIO: acquisizione di una prima forma di consapevolezza sulla necessità di fare dei trade-off (in termini di qualità della soluzione e costo computazionale). tra strategie e metodologie alternative che risolvono la stessa classe di problemi. 


ABILITÀ COMUNICATIVE: L’esame orale richiede inoltre l'acquisizione di una buona capacità espositiva unita all’uso corretto della terminologia del settore (e più in generale dell’informatica).


CAPACITÀ DI APPRENDIMENTO: acquisizione di capacità autonome di apprendimento e di autovalutazione.

KNOWLEDGE AND UNDERSTANDING: For what concerns the acquisition of methodological skills, students will learn the main search strategies for problem solving, basic knowledge about knowledge representation through logic formalisms and structered approaches (ontologies) and also the corresponding inference mechanisms. They will also learn basic notions on agent architectures and on supervised machine learning.

APPLYING KNOWLEDGE AND UNDERSTANDING: the lectures will make use of many example domains, either artificial and aimed at highlighting specific complexities or from the real world. In both cases participants are encouraged to reason about the possibility to apply algorithms and approaches.

MAKING JUDGEMENTS: Students will gain awareness of the need of a trade-off (in terms of solution quality and computational cost) between alternative strategies and methodologies for solving a same class of problems.

COMMUNICATION SKILLS: The oral examination requires also that students acquire good presentation skills and that they acquire competence in the correct use of the specialized vocabulary of the sector as well as of computer science in general.

LEARNING SKILLS: enhancement of self-evaluation and autonomous learning skills.

Oggetto:

Modalità di insegnamento

Oltre alle lezione tipiche in cui il docente illustra gli aspetti metodologici, nell’insegnamento numerose ore sono dedicate ad esempi ed esercitazioni (svolte dal docente). Vengono anche illustrati alcuni esempi significativi di strumenti software e di applicazioni di Intelligenza artificiale a problemi complessi del mondo reale. Vengono anche messe in evidenza possibili problematiche etiche. 

Lectures concern both explanation of methodological aspects as well as exercises, solved collaboratively under the lead of the teacher, and discussions of many examples. Some relevant tools are shown and their basic functioning is explained; some more complex tools that are/were used for tackling real world problems are also explained. Ethical concerns are also underlined.

Oggetto:

Modalità di verifica dell'apprendimento

L'esame consiste in una interrogazione individuale sugli argomenti trattati nel corso. Sarà possibile, compatibilmente con la disponibilità delle strutture, la predisposizione di prove di esonero, sostitutive di parte dell'esame orale. Tipicamente una delle domande richiede la capacità di applicare una metodologia/strategia per risolvere un semplice problema simile a quelli illustrati a lezione. Pertanto nell’esame orale, oltre a verificare la conoscenza dei concetti e delle metodologie, si intende verificare la capacità di applicazione dei concetti e metodologie a problemi specifici. Sarà inoltre verificata la chiarezza di esposizione e l’uso corretto della terminologia. Un contributo alla valutazione finale è dato dal risultato degli esoneri svolti. 

The exam consists of an individual interview on the course topics. Depending on the availability of resources, written verifications, that substitute part of the oral exam, will be possible. Typically one of the questions concerns the application of one of the methodologies/approaches studied during the course on a problem similar to one of those studied. Thus, the exam does not only verify the conceptual knowledge students have built but also the ability of practically using that knowledge. Moreover, the nature of the examination allows verifying presentation clarity and the correct use of terminology. A contribution to the final evaluation is given by the results of verification activities along the course.

Oggetto:

Programma

Come già detto l'insegnamemnto è una introduzione ai concetti basilari di Intelligenza articiaicile e si articola in tre parti strettamente connesse. Parte 1) RISOLUZIONE AUTOMATICA DI PROBLEMI In questa parte si affronta la problematica di come definire il concetto di problema e di soluzione, di distinguere tra soluzione e soluzione ottima. Sono studiati tre approcci alla risoluzione di problemi: ricerca nello spazio degli stati, ricerca in spazi con avversario (giochi ad informazione completa), risoluzione di problemi mediante soddisfacimento di vincoli. Per ciascun approccio si discutono le principali strategie di ricerca: ampiezza, profondità, iterative deepening (per le ricerche cieche nello spazio degli stati), A* e Recursive Best First Strategy (per le ricerche euristiche), Min-Max e Alfa-beta (per i giochi con avversario), backtracking, forward propagation e arc consistency per meccanismi basati su soddisfacimento di vincoli. Particolare attenzione viene data alla garanzie offerte dalle diverse strategie in termini di qualità della soluzione e di complessità computazionale. Parte 2) RAPPRESENTAZIONE DELLA CONOSCENZA E RAGIONAMENTO Il problema della rappresentazione della conoscenza e dei relativi meccanismi inferenziali viene affrontato studiando due principali famiglie di approcci alla rappresentazione della conoscenza: formalismi logici e rappresentazioni strutturate. Per quanto riguarda i formalismi logici si vede come sia il calcolo proposizionale che il calcolo dei predicati del primo ordine possano essere utilizzati per rappresentare conoscenza sul mondo e si vede come i meccanismi inferenziali (modus ponens, resolution, etc.) possano essere adoperati per fornire servizi utili (es. risposta a domande, verifica consistenza, ecc.). Si analizza anche come una rappresentazione a regole permetta meccanismi di ragionamento più efficienti (forward e backward chaining). Notevole attenzione viene data alla rappresentazione della conoscenza strutturata introducendo tassonomie, classi, individui, ereditarietà singola e multipla, inferenze specializzate. Queste nozioni vengono analizzate ed esemplificate mediante uso del linguaggio ontologico OWL2 (proposto e supportato da W3C). Parte 3 ) AGENTI E APPRENDIMENTO AUTOMATICO In questa parte conclusiva si introduce la nozione di agente intelligente che opera in un ambiente e si fa vedere come l’agente possa avere sia comportamenti reattivi che deliberativi a seconda del compito assegnato. Si illustra come agente debba avere capacità di risoluzione automatica di problemi e di ragionamento sullo stato del mondo e sul suo stato. Si descrive brevemente come l’apprendimento automatico sia una delle caratteristiche essenziali per ottenere un agente intelligente. Vengono introdotte solo nozioni elementari con particolare riguardo all'apprendimento da esempi (in particolare apprendimento di alberi di decisione). Viene infine fatta una introduzione alle reti neuronali come strumento per passare dal livello sub simbolico a quello simbolico.
The course is an introduction to Artificial Intelligence and covers the basic methodologies useful for understanding and designing an intelligent system. The course is organized around three main topics. 1) Automated problem solving. In this first part of the course the notion of problem and solution of problem is introduced. Three main approaches are described: search in the state space covering both blind search and heuristic search, Adversarial search (MinMax, Alpha Beta to be used for games), Constraint satisfaction problem (backtracking, constraint propagation, arc consistency). These methods will be explained by using classical problems (e.g block world). 2) Knowledge representation and reasoning. The problem of knowledge representation and related reasoning mechanisms is approached according two main paradigms: logical formalism and structured representation. As concerns logical formalism we will briefly review propositional calculus and first order predicate calculus, we will show examples how to represent domain knowledge in these formalisms and we will examine some of the reasoning mechanisms (resolution, modus ponens, forward and backward chaining). As concerns structural representation we will discuss taxonomies, classes, individuals, properties and inheritance. These notion are examined with particular attention to the ontological language OWL2. 3) Agents and machine learning. In the third part of the course, the notion of intelligent agent acting in a real or virtual environment is introduced. Reactive and deliberative behaviors of agents are briefly discussed. The role of learning for an intelligent agent is discussed and some basic algorithms for learning from examples are discussed (e.g. learning of decision trees, neural networks).

.

Testi consigliati e bibliografia



Oggetto:
Libro
Titolo:  
Artificial Intelligence: a modern approach
Anno pubblicazione:  
2010
Editore:  
Pearson
Autore:  
S. J. Russell e P. Norvig
Capitoli:  
i capitoli sono indicati nella pagina moodle del corso
Note testo:  
Utilizzeremo prevalentemente il volume 1
Obbligatorio:  
Si


Oggetto:
Altro
Titolo:  
OWL 2 Web Ontology Language Primer (Second Edition)
URL:  
Obbligatorio:  
No


Oggetto:
Ultimo aggiornamento: 22/06/2023 12:30
Location: https://laurea.informatica.unito.it/robots.html
Non cliccare qui!