Scopo del corso e' fornire un'introduzione all'intelligenza artificiale e al machine learning. Le tecniche discusse nel corso sono diventate di uso comune in molte aree di ricerca scientifica pura e applicata. Implementazioni delle reti neurali e di tecniche di machine learning sono state sviluppate da compagnie commerciali gigantesche come Google e Facebook e sono presenti in una varieta' di strumenti come smartphones, navigatori satellitari, strumenti per la diagnosi medica e per la rilevazione di radiazioni e di particelle. Il corso vuole mettere queste tecniche all'interno dello schema piu' ampio dei problemi e delle tecniche dell'intelligenza artificiale, anche discutendo la relazione fra queste strutture artificiali e simili strutture presenti nel cervello. Alla fine del corso lo studente avra' acquisito l'abilita' ad usare alcune delle principali tecniche di AI e la conoscenza generale delle problematiche relative.
Prerequisiti
I prerequisiti sono minimi, la matematica utilizzata e' principalmente l'algebra lineare e l'analisi matematica piu' semplice. Nessuna conoscenza preventiva degli argomenti discussi nel corso e' richiesta. E' utile se gli studenti hanno una qualche esperienza di programmazione, ma non e' un requisito indispensabile.
Metodi didattici
Le lezioni si divideranno fra lezioni piu' strettamente teoriche nelle quali le idee generali vengono presentate e lezioni pratiche in cui vengono discussi ed usati algoritmi che implementano quelle idee. Saranno utilizzati strumenti computazionali quali Mathematica e Python.
Verifica Apprendimento
Gli studenti dovranno preparare un'implementazione concreta di una delle tecniche studiate durante il corso, mostrando di aver acquisito l'abilita' di usarla. L'esame orale comincera' con una discussione di quella implementazione e continuera' con altre domande miranti a verificare la conoscenza di alcuni degli argomenti presentati nel corso.
Testi
• Artificial Intelligence: an introduction. Russell-Norvig, Prentice Hall • Numerical Recipes. Press et al. • Neural Networks: an introduction. Mueller-Reinhardt-Strickland, Springer • Theoretical Neuroscience. Dayan-Abbott, The MIT Press.
Contenuti
Il corso e' diviso in tre moduli:
Parte 1 - Soluzione di problemi tramite ricerca non-informata e informata (circa 15 ore) - Agenti intelligenti - Ricerca non-informata - Funzioni euristiche e ricerca informata
Parte 2 - Tecniche Montecarlo (circa 12 ore) - Breve riassunto di statistica - Generazione di numeri pseudo-casuali - Algoritmo di Metropolis - Problema del commesso viaggiatore
Parte 3 - Reti neurali (circa 27 ore) - Introduzione elementare alle neuroscienze - Il perceptron - Perceptron multistrato - Apprendimento rafforzato
