Formazione e ricerca

Attività Formative del Corso di Dottorato

This page shows the courses and classes of the PhD programme for the academic year 2023/2024. Additional courses and classes will be added during the year. Please check for updates regularly!

Non monotonic reasoning

Crediti: 3

Lingua di erogazione: English

Docente:  Matteo Cristani

Sustainable Embodied Mechanical Intelligence

Crediti: 3

Lingua di erogazione: English

Docente:  Giovanni Gerardo Muscolo

Brain Computer Interfaces

Crediti: 3

Lingua di erogazione: English

Docente:  Silvia Francesca Storti

A practical interdisciplinary PhD course on exploratory data analysis

Crediti: 4

Lingua di erogazione: Inglese

Docente:  Prof. Vincenzo Bonnici (Università di Parma)

Multimodal Learning and Applications

Crediti: 5

Lingua di erogazione: Inglese

Docente:  Cigdem Beyan

Introduction to Blockchain

Crediti: 3

Lingua di erogazione: English

Docente:  Sara Migliorini

Autonomous Agents and Multi-Agent Systems

Crediti: 5

Lingua di erogazione: English

Docente:  Alessandro Farinelli

Cyber-Physical System Security

Crediti: 3

Lingua di erogazione: English/Italian

Docente:  Massimo Merro

Foundations of quantum languages

Crediti: 3

Lingua di erogazione: English

Docente:  Margherita Zorzi

Advanced Data Structures for Textual Data

Crediti: 3

Lingua di erogazione: English

Docente:  Zsuzsanna Liptak

AI and explainable models

Crediti: 5

Lingua di erogazione: English

Docente:  Gloria Menegaz, Lorenza Brusini

Automated Software Testing

Crediti: 4

Lingua di erogazione: English

Docente:  Mariano Ceccato

Elements of Machine Teaching: Theory and Appl.

Crediti: 3

Lingua di erogazione: English

Docente:  Ferdinando Cicalese

Introduction to Quantum Machine Learning

Crediti: 4

Lingua di erogazione: English

Docente:  Alessandra Di Pierro

Laboratory of quantum information in classical wave-optics analogy

Crediti: 3

Lingua di erogazione: English

Docente:  Claudia Daffara

Crediti

5

Lingua di erogazione

English

Frequenza alle lezioni

Scelta Libera

Sede

VERONA

Obiettivi di apprendimento

Il corso illustra le principali problematiche relative allo sviluppo di agenti intelligenti che riescono a percepire, pianificare, agire ed interagire con altri agenti ed esseri umani. L'obiettivo è fornire alle studentesse ed agli studenti strumenti per ideare, applicare e valutare algoritmi che permettano ad agenti intelligenti di interagire con l'ambiente circostante eseguendo compiti complessi con un elevato livello di autonoma. Al termine del corso le studentesse e gli studenti dovranno dimostrare di comprendere i concetti fondamentali relativi a: i) Intelligenza Artificiale Cooperativa ed in particolare ottimizzazione in contesti multi-agente; ii) Apprendimento automatico con particolare enfasi sull'apprendimento per rinforzo; iii) tecniche di Intelligenza Artificiale per sistemi robotici.
Le studentesse e gli studenti, dovranno dimostrare di conoscere, ed essere in grado di usare i principali strumenti per lo sviluppo di agenti autonomi e sistemi multi-agente.
Le studentesse e gli studenti dovranno inoltre conoscere le sfide aperte e le limitazioni delle tecniche allo stato dell'arte per l'area relativa agli agenti autonomi e sistemi multi-agente ed avere la capacità di proseguire gli studi in modo autonomo sviluppando approcci innovativi volti a migliorare lo stato dell’arte.

Prerequisiti e nozioni di base

Il corso non ha nessun requisito specifico. Per la buona fruizione del corso è utile una buona conoscenza nelle aree dell'Informatica e della Matematica.

Programma

i) Introduzione alle aree relative a agenti autonomi e sistemi multi-agente e intelligenza artificiale cooperativa;
ii) algoritmi e tecniche per ottimizzazione nel contesto di sistemi multi-agente (con particolare enfasi su approcci di ottimizzazione a vincoli distribuita);
ii) tecniche e metodologie per apprendere come operare in un ambiente incerto e dinamico, con una enfasi specifica su apprendimento per rinforzo, apprendimento per rinforzo in scenari multi-agente e apprendimento per rinforzo sicuro;
iii) tecniche di Intelligenza Artificiale per robot mobili e sistemi multi-robot, e.g., coordinamento per sistemi multi-robot, apprendimento per rinforzo profondo (Deep Reinforcement Learning) per sistemi robotici.

Modalità didattiche

Lezioni frontali in aule didattiche e discussione su articoli e pubblicazioni rilevanti.

Modalità di verifica dell'apprendimento

L'esame può essere svolto scegliendo tra due opzioni: i) un progetto che prevede una parte sperimentale incentrato sulle tecniche studiate durante il corso; ii) una presentazione orale basata su articoli e pubblicazioni allo stato dell'arte che approfondisce alcune delle tematiche studiate durante il corso.

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

Valutazione

Per superare l'esame le studentesse e gli studenti dovranno dimostrare di:
- avere una conoscenza approfondita dell'area degli Agenti Autonomi e Sistemi Multi-Agente;
- essere in grado di esporre e tematiche del corso in modo preciso e organico;
- saper individuare le limitazioni ed i problemi aperti relativi alle tematiche studiate durante il corso.

Criteri di composizione del voto finale

Il voto sarà di tipo passato/non passato.

Lezioni Programmate

Quando Aula Docente Argomenti
martedì 03 settembre 2024
10:30 - 12:30
Durata: 02:00
Ca' Vignal 2 - I [94 - terra] Alessandro Farinelli Cooperative Games, main topics, techniques and solution concepts.
mercoledì 04 settembre 2024
10:30 - 12:30
Durata: 02:00
Ca' Vignal 2 - I [94 - terra] Alessandro Farinelli Sequential decision making, Reinforcement Learning and Deep RL, basic topics and main concepts.
giovedì 05 settembre 2024
10:30 - 12:30
Durata: 02:00
Ca' Vignal 2 - I [94 - terra] Alessandro Farinelli Reinforcement Learning and Deep Reinforcement Learning for Coalition formation.
lunedì 09 settembre 2024
10:30 - 13:30
Durata: 03:00
Ca' Vignal 3 - Laboratorio Ciberfisico [103 - ] Alessandro Farinelli Introduction to teams of intelligent agents and market based control for task assignment. Decentralised Optimization Problems for coordinating teams of agents: exact approaches.
martedì 10 settembre 2024
10:30 - 13:30
Durata: 03:00
Ca' Vignal 3 - Laboratorio Ciberfisico [103 - ] Alessandro Farinelli Decentralised Optimization Problems for coordinating teams of agents: heuristics methods.
giovedì 12 settembre 2024
10:30 - 13:30
Durata: 03:00
Ca' Vignal 3 - Laboratorio Ciberfisico [103 - ] Alessandro Farinelli Approximate approaches that can provide optimality guarantees for Distributed Constrained Optimization Problems; Planning under uncertainty and Reinforcement Learning: Markov Decision Problems Partially Observable MDPs, main solution techniques and Monte-Carlo Tree Search based solution methods. Deep Reinforcement Learning, Value based methods: Deep Q-Networks.
martedì 17 settembre 2024
10:30 - 13:30
Durata: 03:00
Ca' Vignal 3 - Laboratorio Ciberfisico [103 - ] Alessandro Farinelli Deep Reinforcement Learning, policy based approaches (Reinforce), actor-critic methods (A2C), Deterministic Policy Gradient, Trust Region optimization approaches (TRPO, PPO).
mercoledì 18 settembre 2024
10:30 - 12:30
Durata: 02:00
Ca' Vignal 3 - Laboratorio Ciberfisico [103 - ] Alessandro Farinelli Student presentations on selected topics related to the course.