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. 2026/2027 A.A. 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
6
B
INF/01
12
B
ING-INF/05
12
B
INF/01

2° Anno  Sarà attivato nell'A.A. 2026/2027

InsegnamentiCreditiTAFSSD
6
B
INF/01
Final exam
24
E
-
InsegnamentiCreditiTAFSSD
6
B
INF/01
12
B
ING-INF/05
12
B
INF/01
Sarà attivato nell'A.A. 2026/2027
InsegnamentiCreditiTAFSSD
6
B
INF/01
Final exam
24
E
-
Insegnamenti Crediti TAF SSD
Tra gli anni: 1°- 2°
2 modules among:
- 1st year - Knowledge representation, Natural Language Processing, HCI - Multimodal Systems - delivered in 2025/2026
- 2nd year - AI & cloud - delivered in 2026/2027
- 1st and 2nd year - Advanced programming for AI, Computer vision & deep learning - delivered in 2025/2026 and in 2026/2027
6
B
ING-INF/05
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 courses among (mutually exclusive with the previous ones):
- 1st year - Knowledge representation, Natural language processing, HCI - multimodal systems - delivered in 2025/2026
- 2nd year - AI & cloud, Visual intelligence - delivered in 2026/2027
- 1st and 2nd year - Advanced programming for AI, Computer Vision & deep learning, Statistical learning - delivered in 2025/2026 and in 2026/2027
6
C
ING-INF/05
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 courses among the following
- A.A. 2025/2026 Network Science not activated
- A.A. 2026/2027: 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
6
C
INF/01
Tra gli anni: 1°- 2°
1 course 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°
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

Planning & Reinforcement Learning (2025/2026)

Codice insegnamento

4S014024

Crediti

12

Coordinatore

Alberto Castellini

Lingua di erogazione

Inglese en

Offerto anche nei corsi:

Corsi Singoli

Autorizzato

MoodleMoodle Seminari 0

L'insegnamento è organizzato come segue:

PLANNING en

Crediti

6

Periodo

I semestre

Docenti

Maria Paola Bonacina
Alessandro Farinelli

Orario Lezioni
REINFORCEMENT LEARNING en

Crediti

6

Periodo

II semestre

Docenti

Alberto Castellini

Orario Lezioni

Obiettivi di apprendimento

Il corso è composto di due moduli: Planning e Reinforcement Learning. Il modulo Planning presenta una selezione di metodi simbolici per la pianificazione. Studentesse e studenti imparano a progettare, applicare,
e valutare algoritmi, procedure, e strategie per la ricerca in uno
spazio di stati e per problemi di pianificazione in diversi contesti.
Alla fine del corso studentesse e studenti sanno scegliere le tecniche
di soluzione più adatte per diversi problemi, e sono preparati a
continuare gli studi in Intelligenza Artificiale. Il modulo 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 (DQN, Reinforce, A2C, PPO, DDPG, SAC) e cenni di tecniche avanzate di apprendimento (e.g., miglioramento sicuro delle policy, ambienti parzialmente osservabili, apprendimento gerarchico, per imitazione, inverso, e meta-apprendimento).

Prerequisiti e nozioni di base

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

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.

Criteri di composizione del voto finale

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