Studiare

In questa sezione è possibile reperire le informazioni riguardanti l'organizzazione pratica del corso, lo svolgimento delle attività didattiche, le opportunità formative e i contatti utili durante tutto il percorso di studi, fino al conseguimento del titolo finale.

Piano Didattico

A.A. 2024/2025 A.A. 2023/2024 A.A. 2022/2023

Queste informazioni sono destinate esclusivamente agli studenti e alle studentesse già iscritti a questo corso.
Se sei un nuovo studente interessato all'immatricolazione, trovi le informazioni sul percorso di studi alla pagina del corso:

Laurea magistrale in Artificial Intelligence - Immatricolazione dal 2025/2026

Il piano didattico è l'elenco degli insegnamenti e delle altre attività formative che devono essere sostenute nel corso della propria carriera universitaria.
Selezionare il piano didattico in base all'anno accademico di iscrizione.

1° Anno

InsegnamentiCreditiTAFSSD
12
B
ING-INF/05
12
B
INF/01
12
B
ING-INF/05

2° Anno  Attivato nell'A.A. 2023/2024

InsegnamentiCreditiTAFSSD
6
C
INF/01
Final exam
18
E
-
Attivato nell'A.A. 2023/2024
InsegnamentiCreditiTAFSSD
6
C
INF/01
Final exam
18
E
-
Insegnamenti Crediti TAF SSD
Tra gli anni: 1°- 2°
1 module among the following
6
C
SECS-S/06
6
C
M-FIL/02
6
C
IUS/17
6
C
IUS/02
6
C
IUS/08
6
C
IUS/04
6
C
IUS/01
6
C
IUS/07
Tra gli anni: 1°- 2°
2 modules among the following (1st year: Knowledge representation, Natural language processing, HCI Intelligent interfaces - 2nd year:  AI & Cloud, Visual intelligence, Statistical learning - 1st and 2nd year: Computer Vision & Deep Learning)
6
C
INF/01
6
C
INF/01
6
C
ING-INF/05
6
C
INF/01
6
C
ING-INF/05
6
C
INF/01
6
C
ING-INF/06
Tra gli anni: 1°- 2°
2 modules among the following (1st year: Knowledge representation, Natural language processing, HCI Intelligent interfaces - 2nd year: AI & Cloud - 1st and 2nd year: Computer Vision & Deep Learning)
6
B
INF/01
6
B
INF/01
6
B
ING-INF/05
6
B
INF/01
6
B
ING-INF/05
Tra gli anni: 1°- 2°
2 modules among the following (A.A. 2022/23 Quantum computing not activated; A.A. 2023/24: Complex systems not activated)
6
C
ING-INF/05
6
C
INF/01
6
C
FIS/02
6
C
INF/01
6
C
MAT/08
6
C
MAT/09
6
C
INF/01 ,ING-INF/05
6
C
INF/01
6
C
FIS/02
6
C
INF/01
6
C
MAT/06
Tra gli anni: 1°- 2°
Further activities: 3 CFU training and 3 CFU further language skill or 6 CFU training. International students (i.e. students who do not have an Italian bachelor’s degree) must compulsorily gain 3 CFU of Italian language skills (at least A2 level) and 3 CFU training.
6
F
-
Tra gli anni: 1°- 2°
12
D
-

Legenda | Tipo Attività Formativa (TAF)

TAF (Tipologia Attività Formativa) Tutti gli insegnamenti e le attività sono classificate in diversi tipi di attività formativa, indicati da una lettera.

A Attività di base
B Attività caratterizzanti
C Attività formative affini o integrative
D Attività a scelta dello studente
E Prova finale
F Altre attività formative
S Stage e tirocini presso imprese, enti pubblici o privati, ordini professionali

Reinforcement learning and Advanced programming for AI (2022/2023)

Codice insegnamento

4S010675

Crediti

12

Coordinatore

Alberto Castellini

Lingua di erogazione

Inglese en

Settore Scientifico Disciplinare (SSD)

ING-INF/05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI

MoodleMoodle Seminari 0

L'insegnamento è organizzato come segue:

Advanced programming for AI

Crediti

6

Periodo

Primo semestre, Secondo semestre

Docenti

Francesco Setti

Orario Lezioni
Reinforcement Learning

Crediti

6

Periodo

Primo semestre, Secondo semestre

Docenti

Alberto Castellini

Orario Lezioni

Obiettivi di apprendimento

Il modulo di Reinforcement Learning introduce le studentesse e gli studenti all'apprendimento per rinforzo. In particolare, il modulo si concentra sulla progettazione di algoritmi che consentono alle macchine di apprendere in base al concetto di rinforzo, cioè da feedback parziali, impliciti e con effetti estesi nel tempo, ottenuti interagendo ripetutamente con l'ambiente o gli utenti. Al termine del corso, le studentesse e gli studenti dovranno dimostrare di aver acquisito capacità di i) affrontare problemi di decisione sequenziale con tecniche di apprendimento per rinforzo, ii) identificare ed applicare gli algoritmi più efficaci ed efficienti per risolvere specifici problemi di decisione sequenziale, iii) progettare nuovi algoritmi di apprendimento per rinforzo. In particolare, le conoscenze acquisite riguardano tecniche avanzate per la risoluzione dei processi decisionali di Markov (e.g., ricerca con metodi Monte Carlo), i problemi di tipo bandit, l’apprendimento per rinforzo con e senza modello, l’apprendimento per rinforzo Bayesiano, l’apprendimento per rinforzo utilizzando reti neurali profonde, e tecniche avanzate di apprendimento per rinforzo (miglioramento sicuro delle policy, ambienti parzialmente osservabili, apprendimento gerarchico, per imitazione, inverso, e meta-apprendimento). Il modulo di Advanced Programming for AI mira a fornire informazioni sui linguaggi di programmazione, gli strumenti e le architetture software emerse nel campo dello sviluppo di sistemi software (SW) basati sull'intelligenza artificiale. L'obiettivo è quello di fornire alle studentesse ed agli studenti la comprensione delle caratteristiche specifiche e dei principi chiave alla base di diversi linguaggi e strumenti avanzati e per risolvere alcune classi di problemi in AI. Le studentesse e gli studenti acquisiranno competenze di programmazione in Python, saranno in grado di scrivere programmi per risolvere problemi tipici e di assemblare moduli software, gestire modelli, patterns, e operare deployment su Cloud, con particolare riferimento a interoperabilità ed explainability.

Prerequisiti e nozioni di base

Essendo un esame di primo anno, primo semestre, non vi sono prerequisiti specifici differenti da quelli richiesti per l’accesso al corso di laurea.

Programma

REINFORCEMENT LEARNING
- Processi decisionali di Markov
- Ricerca con metodi Monte Carlo
- Problemi di tipo bandit
- Apprendimento per rinforzo con e senza modello
- Apprendimento per rinforzo Bayesiano
- Apprendimento per rinforzo con reti neurali profonde
- Tecniche avanzate di apprendimento per rinforzo
--- miglioramento sicuro delle policy
--- ambienti parzialmente osservabili
--- apprendimento gerarchico
--- apprendimento per imitazione
--- apprendimento inverso
--- meta-apprendimento


ADVANCED PROGRAMMING FOR AI

Bibliografia

Vai alla bibliografia
Visualizza la bibliografia con Leganto, strumento che il Sistema Bibliotecario mette a disposizione per recuperare i testi in programma d'esame in modo semplice e innovativo.

Modalità didattiche

Lezioni frontali, esperienze di laboratorio, esercitazioni.

Modalità di verifica dell'apprendimento

Per superare l'esame gli studenti dovranno dimostrare di:
- aver compreso i principi alla base del funzionamento dell’apprendimento per rinforzo e dei metodi per la programmazione di moduli basati su intelligenza artificiale
- essere in grado di esporre concetti di apprendimento per rinforzo e programmazione di moduli basati su intelligenza artificiale in modo preciso e organico senza divagazioni,
- saper applicare le conoscenze acquisite per risolvere problemi applicativi presentati sotto forma di esercizi, domande e progetti.

L'esame è costituito da una prova orale sugli argomenti trattati nella corso. In caso di elevata partecipazione la prova orale sarà sostituita da un esame scritto con domande equivalenti. Le domande potranno riguardare sia la parte teorica che le esercitazioni svolte in laboratorio.

Le/gli studentesse/studenti con disabilità o disturbi specifici di apprendimento (DSA), che intendano richiedere l'adattamento della prova d'esame, devono seguire le indicazioni riportate QUI

Criteri di valutazione

Conoscenza teorica ed applicata delle tecniche insegnate nel corso; capacità critica di selezione delle tecniche in base al problema; capacità di utilizzo delle tecniche insegnate nel corso.

Criteri di composizione del voto finale

Il voto finale è rappresentato dalla media aritmetica dei voti delle due parti (RL/Advanced programming for AI) del corso.

Lingua dell'esame

Inglese