Intelligenza artificiale

Crediti Formativi	8 CFU	Durata	10 settimane
Docenti Video	Prof. Giovanni Felici (Istituto di Analisi dei Sistemi ed Informatica “A. Ruberti” - CNR)
Docente d’area	Giovanni Felici
Tutor	Emanuel Weitschek

Ritorno all'Elenco

Il corso intende descrivere le metodologie basate sull'intelligenza artificiale. In particolare si tratteranno i modelli base del comportamento intelligente, la costruzione di macchine che li simulano, la rappresentazione della conoscenza, la valutazione di regole, l'inferenza, la deduzione e i pattern. Sono prese in esame le architetture dei sistemi di apprendimento e come questi rappresentano la loro conoscenza del mondo esterno.

Videolezioni e sottoargomenti

Lezione n. 1: Intelligenza Artificiale. Introduzione Objectives What is AI Foundations of AI History of AI
Lezione n. 2: Agenti intelligenti Agents and Environments The Nature of Environments The Structure of Agents
Lezione n. 3: Searching Example problems Tree search and graph search Uninformed search
Lezione n. 4: Informed search - Ricerca con Informazione Greedy search A* search Heuristic functions Local Search
Lezione n. 5: Constraints satisfaction problems - Soddisfacimento di vincoli Definition of CSP Constraint Propagation Search in CSP Structure of CSP
Lezione n. 6: Logica proposizionale Logical Agents Logic, Formally Propositional Logic Theorem Proving Special CNF Systems Satisfiability
Lezione n. 7: Logica del primo ordine Semantic & Syntax Quantifiers Numbers, Sets, Lists
Lezione n. 8: Inferenza in logica del primo ordine Reducing to propositional inference Unification Forward chaining Backward chaining Resolution
Lezione n. 9: Planning - Pianificazione Definitions Complexity of Planning Algorithms for Planning Heuristics for Planning The Planning Graph
Lezione n. 10: Applicazioni del planning Planning And Scheduling Critical Path Method Hierarchical Planning Planning in Other Domains
Lezione n. 11: Quantificazione dell’incertezza Uncertainty Probability Inference Bayes’ Theorem
Lezione n. 12: Reti Bayesiane Introduction to Bayesian Networks Conditional independence in BN Exact Inference Approximated Inference
Lezione n. 13: Probabilistic reasoning over time Time and uncertainty Four tasks of temporal models Hidden Markov Models Kalman Filters Dynamic Bayesian Networks
Lezione n. 14: Making simple decisions Utility Theory Decision Networks The Value of Information
Lezione n. 15: Complex decision making - Prima parte Sequential Decision Problems The Bellman Equation Partially Observable Markov Decision Processes
Lezione n. 16: Complex decision making - Seconda parte Decisions With Multiple Agents Dominance and Equilibrium Mechanism Design and Auctions
Lezione n. 17: Apprendimento & alberi di decisione Forms of Learning Supervised Learning Decision Trees
Lezione n. 18: Regressione e classificazione - Prima parte Linear Regression Linear Classification Logistic Regression Neural Networks
Lezione n. 19: Regressione e classificazione - Seconda parte Support Vector Machines Non Parametric Models Nearest Neighbor Non Parametric Regression Ensamble Learning Computational Learning Theory
Lezione n. 20: Learning with knowledge & statistical learning Knowledge in learning Learning with background Statistical learning with complete knowledge Statistical learning with uncomplete knowledge