ARTIFICIAL INTELLIGENCE I

Obiettivi formativi

Obiettivi generali: Conoscere i principi di base dell'intelligenza artificiale, in particolare la modellazione di sistema intelligente tramite la nozione di agente intelligente. Conoscere le tecniche di base dell'Intelligenza Artificiale con particolare riferimento alla manipolazione di simboli e, più in generale, a modelli discreti. Obiettivi specifici: Conoscenza e comprensione: Metodi di ricerca automatica nello spazio degli stati: metodi generali, metodi basati su euristiche, ricerca locale. Rappresentazioni fattorizzate: problemi di soddisfacimento di vincoli, modelli di pianificazione. Rappresentazione della conoscenza attraverso sistemi formali: logica proposizionale, logica del primo ordine, cenni alle logiche descrittive ad alle forme di ragionamento non monotono. Uso della logica come linguaggio di programmazione: PROLOG. Applicare conoscenza e comprensione: Modellazione di problemi con i diversi metodi di rappresentazione acquisiti. Analisi del comportamento degli algoritmi di ragionamento di base. Capacità critiche e di giudizio: Essere in grado di valutare la qualità di un modello di rappresentazione di un problema e dei risultati ottenuti applicando su di esso tecniche di ragionamento automatico. Capacità comunicative: Le capacità di comunicazione orale dello studente vengono stimolate attraverso l'interazione durante le lezioni tradizionali mentre le capacità espositive nello scritto vengono sviluppate attraverso la discussione di esercizi e delle domande a risposta aperta previste nelle prove di esame. Capacità di apprendimento: Oltre alle classiche capacità di apprendimento fornite dallo studio teorico del materiale didattico, attraverso gli esercizi relativi all'applicazione dei modelli appresi, il corso contribuisce a sviluppare le capacità di risoluzione di problemi dello studente.

Canale 1
FABIO PATRIZI Scheda docente

Programmi - Frequenza - Esami

Programma
Introduzione. Rappresentazione della Conoscenza: modellazione del dominio di interesse; autonomia; il ruolo della logica. Logica Proposizionale: sintassi e semantica; valutazione, soddisfacibilità, validità, implicazione logica; tableaux proposizionali; DPLL. Logica del Primo Ordine: sintassi, semantica; valutazione, soddisfacibilità, validità, implicazione logica; tableaux per la logica del primo ordine. Pianificazione Classica: domini deterministici; STRIPS, ADL, PDDL, transition system, ricerca in avanti, euristiche, Best-First, ricerca A*. Pianificazione Condizionale (FOND): domini non deterministici, PDDL con operatore oneof, pianificazione non deterministica tramite AND-OR Search. Ragionamento sulle Azioni: modellazione di domini dinamici (discreti), precondizioni delle azioni, effetti, il frame problem. Situation Calculus: precondition axioms e successor-state axioms; albero delle situazioni; regressione; executability e projection. Modellazione e pianificazione in domini dinamici stocastici: MDP, Policy Evaluation, Policy Iteration.
Prerequisiti
Conoscenza di analisi, modellazione e progettazione object-oriented. Basi di dati. Nozioni di base di probabilità e statistica, studiate in corsi introduttivi di livello accademico.
Testi di riferimento
Artificial Intelligence: A Modern Approach, Global Edition, 4th Edition by Stuart Russell, Peter Norvig, Pearson 2020 (selected chapters).
Frequenza
La frequenza non è obbligatoria ma fortemente consigliata.
Modalità di esame
L'esame consiste in una prova scritta contenente domande riguardanti: - Modellazione di un sistema dinamico. - Ragionamento sul sistema modellato, es., progressione, regressione o pianificazione. - Ragionamento su conoscenza proposizionale e/o al prim'ordine (es., soddisfacibilità, validità o implicazione logica di formula/knowledge bases). - Tecniche di modellazione e pianificazione su domini stocastici .
Modalità di erogazione
La modalità di svolgimento è in presenza. Le lezioni vengono registrate e rese disponibili in modalità differita. Video con esercitazioni e lezioni di approfondimento vengono resi disponibili.
FABIO PATRIZI Scheda docente

Programmi - Frequenza - Esami

Programma
Introduzione. Rappresentazione della Conoscenza: modellazione del dominio di interesse; autonomia; il ruolo della logica. Logica Proposizionale: sintassi e semantica; valutazione, soddisfacibilità, validità, implicazione logica; tableaux proposizionali; DPLL. Logica del Primo Ordine: sintassi, semantica; valutazione, soddisfacibilità, validità, implicazione logica; tableaux per la logica del primo ordine. Pianificazione Classica: domini deterministici; STRIPS, ADL, PDDL, transition system, ricerca in avanti, euristiche, Best-First, ricerca A*. Pianificazione Condizionale (FOND): domini non deterministici, PDDL con operatore oneof, pianificazione non deterministica tramite AND-OR Search. Ragionamento sulle Azioni: modellazione di domini dinamici (discreti), precondizioni delle azioni, effetti, il frame problem. Situation Calculus: precondition axioms e successor-state axioms; albero delle situazioni; regressione; executability e projection. Modellazione e pianificazione in domini dinamici stocastici: MDP, Policy Evaluation, Policy Iteration.
Prerequisiti
Conoscenza di analisi, modellazione e progettazione object-oriented. Basi di dati. Nozioni di base di probabilità e statistica, studiate in corsi introduttivi di livello accademico.
Testi di riferimento
Artificial Intelligence: A Modern Approach, Global Edition, 4th Edition by Stuart Russell, Peter Norvig, Pearson 2020 (selected chapters).
Frequenza
La frequenza non è obbligatoria ma fortemente consigliata.
Modalità di esame
L'esame consiste in una prova scritta contenente domande riguardanti: - Modellazione di un sistema dinamico. - Ragionamento sul sistema modellato, es., progressione, regressione o pianificazione. - Ragionamento su conoscenza proposizionale e/o al prim'ordine (es., soddisfacibilità, validità o implicazione logica di formula/knowledge bases). - Tecniche di modellazione e pianificazione su domini stocastici .
Modalità di erogazione
La modalità di svolgimento è in presenza. Le lezioni vengono registrate e rese disponibili in modalità differita. Video con esercitazioni e lezioni di approfondimento vengono resi disponibili.
FEDERICO FUSCO Scheda docente

Programmi - Frequenza - Esami

Prerequisiti
Sono necessarie nozioni di base di probabilità e di analisi multivariata, come studiate nei corsi introduttivi al calcolo della probabilità e statistica e all'analisi matematica.
Testi di riferimento
Understanding Machine Learning: From Theory to Algorithms. Shai Shalev-Shwartz and Shai Ben-David. Cambridge University Press. 2014.
Frequenza
La frequenza è opzionale ma fortemente incoraggiata.
Modalità di esame
L'esame consiste in una prova scritta riguardante tutti gli argomenti del corso..
Modalità di erogazione
La modalità di svolgimento è in presenza. Video con esercitazioni e lezioni di approfondimento possono essere resi disponibili.
FEDERICO FUSCO Scheda docente

Programmi - Frequenza - Esami

Prerequisiti
Sono necessarie nozioni di base di probabilità e di analisi multivariata, come studiate nei corsi introduttivi al calcolo della probabilità e statistica e all'analisi matematica.
Testi di riferimento
Understanding Machine Learning: From Theory to Algorithms. Shai Shalev-Shwartz and Shai Ben-David. Cambridge University Press. 2014.
Frequenza
La frequenza è opzionale ma fortemente incoraggiata.
Modalità di esame
L'esame consiste in una prova scritta riguardante tutti gli argomenti del corso..
Modalità di erogazione
La modalità di svolgimento è in presenza. Video con esercitazioni e lezioni di approfondimento possono essere resi disponibili.
  • Codice insegnamento1022771
  • Anno accademico2025/2026
  • CorsoIngegneria aeronautica - Aeronautical engineering
  • CurriculumGestione ed operazioni nell'aviazione civile e sistemi di volo
  • Anno2º anno
  • Semestre1º semestre
  • SSDING-INF/05
  • CFU6