Intelligenza Artificiale

1. Introduzione al corso

- Aree di interesse dell’Intelligenza Artificiale.
- Potenzialità dei modelli e dei metodi di IA.

2. Soluzione di Problemi mediante Ricerca nello Spazio degli Stati

- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, iterative deepening).
- Ricerca euristica (Best First, Algoritmo A*, funzioni euristiche).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.).
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta pruning).

3. Introduzione al linguaggio Python

- Ambienti di sviluppo, Jupyter Notebook, Colab.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, Matplotlib, ScikitLearn.

4. Evolutionary Computation

- Soft Computing e “No Free Lunch Theorem”.
- Algoritmi Genetici e loro applicazioni.
- Particle Swarm Optimization e applicazioni.

5. Comunicazione e Percezione

- Visione Artificiale:
• Luce e colore
• Formazione immagini
• Elaborazione flusso visuale
• Tecniche di object recognition

Fondamenti di Informatica.

Dispense a cura del docente.

S.J.Russel, P.Norvig "Artificial Intelligence: A Modern Approach", 4/Ed (2020). Pearson Education.

Lezioni ed esercitazioni.

La frequenza non è obbligatoria, ma è fortemente consigliata.

Prova scritta.

Fondamenti di Intelligenza Artificiale simbolica e problem solving mediante ricerca in spazi di stato: formulazione dei problemi, algoritmi di ricerca non informata e informata, progettazione euristica, metaeuristiche (hill climbing, simulated annealing, algoritmi genetici). Giochi avversariali: minimax e alpha-beta pruning. Cenni a sistemi basati su regole e rappresentazione della conoscenza.
Fondamenti di NLP e reti neurali per sequenze (embeddings, RNN, LSTM) con introduzione al meccanismo di attenzione. Architettura Transformer: self-attention, multi-head attention, positional encoding (incl. RoPE), architetture encoder-decoder e decoder-only.
Modelli linguistici di grandi dimensioni (LLM): architettura, prompting, in-context learning, strategie di campionamento. Addestramento e adattamento (pretraining, fine-tuning, LoRA, quantizzazione). Allineamento (RLHF, DPO) e cenni al ragionamento.
Sistemi agentici e RAG: retrieval-augmented generation, function calling e framework agentici (ReAct). Valutazione dei modelli (LLM-as-a-judge), limiti, bias e principali direzioni di ricerca.

Conoscenze di base di programmazione (preferibilmente in Python), strutture dati e algoritmi fondamentali. Nozioni di matematica di base, in particolare algebra lineare elementare, calcolo delle probabilità e matematica discreta.

Stuart Russell, Peter Norvig: Artificial Intelligence: A Modern Approach - Pearson Education.
Dispense del docente.

Lezioni frontali integrate da attività di laboratorio dedicate alla parte di modelli linguistici di grandi dimensioni (LLM) e alle relative applicazioni pratiche.

Non obbligatoria, ma assolutamente consigliata.

La verifica dell’apprendimento prevede una prova scritta e una prova pratica. La prova scritta valuta la comprensione dei fondamenti teorici dell’Intelligenza Artificiale, degli algoritmi di ricerca e ottimizzazione e dei modelli generativi. La prova pratica verifica la capacità di applicare le conoscenze a problemi concreti, attraverso la progettazione e/o implementazione di algoritmi o modelli di IA. Il voto finale è determinato dalla valutazione complessiva delle due prove.

1. Introduzione al corso

- Aree di interesse dell’Intelligenza Artificiale.
- Potenzialità dei modelli e dei metodi di IA.

2. Soluzione di Problemi mediante Ricerca nello Spazio degli Stati

- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, iterative deepening).
- Ricerca euristica (Best First, Algoritmo A*, funzioni euristiche).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.).
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta pruning).

3. Introduzione al linguaggio Python

- Ambienti di sviluppo, Jupyter Notebook, Colab.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, Matplotlib, ScikitLearn.

4. Evolutionary Computation

- Soft Computing e “No Free Lunch Theorem”.
- Algoritmi Genetici e loro applicazioni.
- Particle Swarm Optimization e applicazioni.

5. Comunicazione e Percezione

- Visione Artificiale:
• Luce e colore
• Formazione immagini
• Elaborazione flusso visuale
• Tecniche di object recognition

Fondamenti di Informatica.

Dispense a cura del docente.

S.J.Russel, P.Norvig "Artificial Intelligence: A Modern Approach", 4/Ed (2020). Pearson Education.

Lezioni ed esercitazioni.

La frequenza non è obbligatoria, ma è fortemente consigliata.

Prova scritta.

Fondamenti di Intelligenza Artificiale simbolica e problem solving mediante ricerca in spazi di stato: formulazione dei problemi, algoritmi di ricerca non informata e informata, progettazione euristica, metaeuristiche (hill climbing, simulated annealing, algoritmi genetici). Giochi avversariali: minimax e alpha-beta pruning. Cenni a sistemi basati su regole e rappresentazione della conoscenza.
Fondamenti di NLP e reti neurali per sequenze (embeddings, RNN, LSTM) con introduzione al meccanismo di attenzione. Architettura Transformer: self-attention, multi-head attention, positional encoding (incl. RoPE), architetture encoder-decoder e decoder-only.
Modelli linguistici di grandi dimensioni (LLM): architettura, prompting, in-context learning, strategie di campionamento. Addestramento e adattamento (pretraining, fine-tuning, LoRA, quantizzazione). Allineamento (RLHF, DPO) e cenni al ragionamento.
Sistemi agentici e RAG: retrieval-augmented generation, function calling e framework agentici (ReAct). Valutazione dei modelli (LLM-as-a-judge), limiti, bias e principali direzioni di ricerca.

Conoscenze di base di programmazione (preferibilmente in Python), strutture dati e algoritmi fondamentali. Nozioni di matematica di base, in particolare algebra lineare elementare, calcolo delle probabilità e matematica discreta.

Stuart Russell, Peter Norvig: Artificial Intelligence: A Modern Approach - Pearson Education.
Dispense del docente.

Lezioni frontali integrate da attività di laboratorio dedicate alla parte di modelli linguistici di grandi dimensioni (LLM) e alle relative applicazioni pratiche.

Non obbligatoria, ma assolutamente consigliata.

La verifica dell’apprendimento prevede una prova scritta e una prova pratica. La prova scritta valuta la comprensione dei fondamenti teorici dell’Intelligenza Artificiale, degli algoritmi di ricerca e ottimizzazione e dei modelli generativi. La prova pratica verifica la capacità di applicare le conoscenze a problemi concreti, attraverso la progettazione e/o implementazione di algoritmi o modelli di IA. Il voto finale è determinato dalla valutazione complessiva delle due prove.

1. Introduzione al corso

- Aree di interesse dell’Intelligenza Artificiale.
- Potenzialità dei modelli e dei metodi di IA.

2. Soluzione di Problemi mediante Ricerca nello Spazio degli Stati

- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, iterative deepening).
- Ricerca euristica (Best First, Algoritmo A*, funzioni euristiche).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.).
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta pruning).

3. Introduzione al linguaggio Python

- Ambienti di sviluppo, Jupyter Notebook, Colab.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, Matplotlib, ScikitLearn.

4. Evolutionary Computation

- Soft Computing e “No Free Lunch Theorem”.
- Algoritmi Genetici e loro applicazioni.
- Particle Swarm Optimization e applicazioni.

5. Comunicazione e Percezione

- Visione Artificiale:
• Luce e colore
• Formazione immagini
• Elaborazione flusso visuale
• Tecniche di object recognition

Fondamenti di Informatica.

Dispense a cura del docente.

S.J.Russel, P.Norvig "Artificial Intelligence: A Modern Approach", 4/Ed (2020). Pearson Education.

Lezioni ed esercitazioni.

La frequenza non è obbligatoria, ma è fortemente consigliata.

Prova scritta.

Fondamenti di Intelligenza Artificiale simbolica e problem solving mediante ricerca in spazi di stato: formulazione dei problemi, algoritmi di ricerca non informata e informata, progettazione euristica, metaeuristiche (hill climbing, simulated annealing, algoritmi genetici). Giochi avversariali: minimax e alpha-beta pruning. Cenni a sistemi basati su regole e rappresentazione della conoscenza.
Fondamenti di NLP e reti neurali per sequenze (embeddings, RNN, LSTM) con introduzione al meccanismo di attenzione. Architettura Transformer: self-attention, multi-head attention, positional encoding (incl. RoPE), architetture encoder-decoder e decoder-only.
Modelli linguistici di grandi dimensioni (LLM): architettura, prompting, in-context learning, strategie di campionamento. Addestramento e adattamento (pretraining, fine-tuning, LoRA, quantizzazione). Allineamento (RLHF, DPO) e cenni al ragionamento.
Sistemi agentici e RAG: retrieval-augmented generation, function calling e framework agentici (ReAct). Valutazione dei modelli (LLM-as-a-judge), limiti, bias e principali direzioni di ricerca.

Conoscenze di base di programmazione (preferibilmente in Python), strutture dati e algoritmi fondamentali. Nozioni di matematica di base, in particolare algebra lineare elementare, calcolo delle probabilità e matematica discreta.

Stuart Russell, Peter Norvig: Artificial Intelligence: A Modern Approach - Pearson Education.
Dispense del docente.

Lezioni frontali integrate da attività di laboratorio dedicate alla parte di modelli linguistici di grandi dimensioni (LLM) e alle relative applicazioni pratiche.

Non obbligatoria, ma assolutamente consigliata.

La verifica dell’apprendimento prevede una prova scritta e una prova pratica. La prova scritta valuta la comprensione dei fondamenti teorici dell’Intelligenza Artificiale, degli algoritmi di ricerca e ottimizzazione e dei modelli generativi. La prova pratica verifica la capacità di applicare le conoscenze a problemi concreti, attraverso la progettazione e/o implementazione di algoritmi o modelli di IA. Il voto finale è determinato dalla valutazione complessiva delle due prove.

1. Introduzione al corso

- Aree di interesse dell’Intelligenza Artificiale.
- Potenzialità dei modelli e dei metodi di IA.

2. Soluzione di Problemi mediante Ricerca nello Spazio degli Stati

- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, iterative deepening).
- Ricerca euristica (Best First, Algoritmo A*, funzioni euristiche).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.).
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta pruning).

3. Introduzione al linguaggio Python

- Ambienti di sviluppo, Jupyter Notebook, Colab.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, Matplotlib, ScikitLearn.

4. Evolutionary Computation

- Soft Computing e “No Free Lunch Theorem”.
- Algoritmi Genetici e loro applicazioni.
- Particle Swarm Optimization e applicazioni.

5. Comunicazione e Percezione

- Visione Artificiale:
• Luce e colore
• Formazione immagini
• Elaborazione flusso visuale
• Tecniche di object recognition

Fondamenti di Informatica.

Dispense a cura del docente.

S.J.Russel, P.Norvig "Artificial Intelligence: A Modern Approach", 4/Ed (2020). Pearson Education.

Lezioni ed esercitazioni.

La frequenza non è obbligatoria, ma è fortemente consigliata.

Prova scritta.

Fondamenti di Intelligenza Artificiale simbolica e problem solving mediante ricerca in spazi di stato: formulazione dei problemi, algoritmi di ricerca non informata e informata, progettazione euristica, metaeuristiche (hill climbing, simulated annealing, algoritmi genetici). Giochi avversariali: minimax e alpha-beta pruning. Cenni a sistemi basati su regole e rappresentazione della conoscenza.
Fondamenti di NLP e reti neurali per sequenze (embeddings, RNN, LSTM) con introduzione al meccanismo di attenzione. Architettura Transformer: self-attention, multi-head attention, positional encoding (incl. RoPE), architetture encoder-decoder e decoder-only.
Modelli linguistici di grandi dimensioni (LLM): architettura, prompting, in-context learning, strategie di campionamento. Addestramento e adattamento (pretraining, fine-tuning, LoRA, quantizzazione). Allineamento (RLHF, DPO) e cenni al ragionamento.
Sistemi agentici e RAG: retrieval-augmented generation, function calling e framework agentici (ReAct). Valutazione dei modelli (LLM-as-a-judge), limiti, bias e principali direzioni di ricerca.

Conoscenze di base di programmazione (preferibilmente in Python), strutture dati e algoritmi fondamentali. Nozioni di matematica di base, in particolare algebra lineare elementare, calcolo delle probabilità e matematica discreta.

Stuart Russell, Peter Norvig: Artificial Intelligence: A Modern Approach - Pearson Education.
Dispense del docente.

Lezioni frontali integrate da attività di laboratorio dedicate alla parte di modelli linguistici di grandi dimensioni (LLM) e alle relative applicazioni pratiche.

Non obbligatoria, ma assolutamente consigliata.

La verifica dell’apprendimento prevede una prova scritta e una prova pratica. La prova scritta valuta la comprensione dei fondamenti teorici dell’Intelligenza Artificiale, degli algoritmi di ricerca e ottimizzazione e dei modelli generativi. La prova pratica verifica la capacità di applicare le conoscenze a problemi concreti, attraverso la progettazione e/o implementazione di algoritmi o modelli di IA. Il voto finale è determinato dalla valutazione complessiva delle due prove.