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
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 Ingegneria e scienze informatiche - Immatricolazione dal 2025/2026Il 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
Insegnamenti | Crediti | TAF | SSD |
---|
2° Anno Attivato nell'A.A. 2020/2021
Insegnamenti | Crediti | TAF | SSD |
---|
Insegnamenti | Crediti | TAF | SSD |
---|
Insegnamenti | Crediti | TAF | SSD |
---|
Insegnamenti | Crediti | TAF | SSD |
---|
Due insegnamenti a scelta
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.
Fondamenti - INTELLIGENZA ARTIFICIALE (2019/2020)
Codice insegnamento
4S02789
Crediti
6
Coordinatore
Non ancora assegnato
Lingua di erogazione
Italiano
Settore Scientifico Disciplinare (SSD)
INF/01 - INFORMATICA
L'insegnamento è organizzato come segue:
Teoria
Laboratorio
Obiettivi formativi
Il corso si propone di fornire paradigmi e tecniche risolutive relative alle rappresentazioni simbolica e probabilistica per la soluzione automatica di problemi. L'obbiettivo è dare allo studente strumenti per ideare, applicare e valutare algoritmi per problemi difficili, nel senso che la loro soluzione meccanica cattura aspetti di intelligenza artificiale o razionalità computazionale.
Al termine del corso lo studente dovrà dimostrare di conoscere e comprendere le principali tecniche di ricerca nello spazio degli stati, comprendere i concetti fondamentali relativi alle reti a vincoli, conoscere i concetti di base relativi al ragionamento probabilistico ed apprendimento per rinforzo.
Queste conoscenze consentiranno allo studente di: i) applicare le tecniche di ricerca nello spazio degli stati a problemi di diversa natura; ii) applicare i principali algoritmi risolutivi per reti a vincoli sia nel contesto della soddisfacibilità che ottimizzazione; iii) utilizzare le principali tecniche risolutive relative al ragionamento probabilistico, con particolare enfasi su reti Bayesiane, processi decisionali di Markov ed apprendimento per rinforzo.
Alla fine del corso lo studente sarà in grado di: i) saper scegliere la tecnica risolutiva adeguata per problemi di diversa natura; ii) proseguire gli studi in modo autonomo nell’ambito dell’Intelligenza Artificiale, approfondendo argomenti trattati a lezione, sia su altri testi che su pubblicazioni scientifiche.
Programma
Risoluzione di problemi come ricerca in uno spazio di stati: procedure di ricerca non informate; procedure di ricerca euristiche; ricerca con avversario.
Risoluzione di problemi basata sull'elaborazione di vincoli (soddifacibilita' ed ottimizzazione);
Tecniche risolutive basate su ricerca (Backtracking, Branch and Bound) e su inferenza (Join Tree Clustering, Bucket Elimination).
Agenti intelligenti: sistemi multi-agente, coordinamento.
Ragionamento probabilistico: i) reti Bayesiane (definizioni, concetti principali, metodi di inferenza); ii) processi decisionali di Markov (definizione e metodi risolutivi principali); iii) apprendimento per rinforzo (concetti di base e metodi risolutivi, e.g. Q-Learning).
Implementazione (tramite produzione assistita di software in laboratorio didattico) delle principali tecniche risolutive discusse a lezione, ed in particolare quelle relative alla ricerca nello spazio degli stati ed al ragionamento probabilistico.
Il materiale didattico e maggiori informazioni sul corso sono reperibili a questo link: http://profs.sci.univr.it/~farinelli/courses/ia/ia.html
Bibliografia
Attività | Autore | Titolo | Casa editrice | Anno | ISBN | Note |
---|---|---|---|---|---|---|
Teoria | Stuart Russell, Peter Norvig | Artificial Intelligence: A Modern Approach (Edizione 2) | Prentice Hall | 2003 | 0137903952 | |
Teoria | Rina Dechter | Constraint Processing (Edizione 1) | Morgan Kaufmann | 2003 | ISBN 978-1-55860-890-0 | |
Teoria | Richard S. Satto and Andrew G. Barto | Reinforcement Learning: an introduction | MIT press | 1998 | ISBN 0-262-19398-1 |
Modalità d'esame
Il voto finale del modulo di IA può essere conseguito con un'unica prova scritta o con le prove parziali.
La prova scritta verrà svolta nelle prove di Appello.
Le prove parziali sono costituite da due compiti (svolti durante la durata del corso ed al termine del corso) oppure da un compito (svolto durante la durata del corso) ed un progetto (tipicamente con una parte di programmazione). La modalita' con prove parziali permette inoltre di sostenere una prova in laboratorio (opzionale). Questa prova ha lo scopo di valutare il software prodotto dagli studenti durante il corso.