Intelligenza Artificiale
Appunti del corso di intelligenza artificiale: agenti intelligenti, algoritmi di ricerca, CSP, logica e KRR nel modulo di ricerca e ragionamento; machine learning, reti neurali profonde, RNN, transformer e LLM nel modulo di machine learning e deep learning.
Intelligenza Artificiale
Appunti del corso, suddivisi in un'introduzione generale e due moduli tematici.
La nota introduttiva ripercorre la storia dell'AI, le sue tipologie (Narrow AI vs AGI), le principali tecniche (AI simbolica, machine learning, deep learning) e le applicazioni in visione artificiale, NLP e robotica.
Il modulo Ricerca e Ragionamento copre i fondamenti classici dell'AI: la definizione di agente intelligente e del framework PEAS, gli algoritmi di ricerca uninformed (BFS, DFS, IDS, UCS) e informed (A*), la ricerca locale (hill climbing, simulated annealing), la ricerca in ambienti parzialmente osservabili con belief state e alberi AND-OR, i Constraint Satisfaction Problems con backtracking e propagazione dei vincoli (AC-3), i giochi zero-sum con minimax e alpha-beta pruning, e infine la rappresentazione della conoscenza tramite logica proposizionale e del primo ordine con inferenza e resolution.
Il modulo Machine Learning e Deep Learning tratta l'apprendimento automatico in senso moderno: paradigmi supervised/unsupervised/reinforcement, classificazione, regressione, bias-varianza e cross-validation; reti neurali artificiali (percettrone, MLP), funzioni di attivazione, loss function, gradient descent e back propagation; sequence modeling con RNN e LSTM; architetture seq2seq con encoder-decoder e meccanismo di attention; transformer e infine LLM con fine-tuning, in-context learning e RAG.
Contenuti
- Introduzione all'Intelligenza Artificiale Panoramica storica e concettuale dell'AI: definizioni, tipologie (Narrow AI vs AGI), tecniche principali (AI simbolica, machine learning, deep learning) e applicazioni in visione artificiale, NLP e robotica.
- Ricerca e Ragionamento Fondamenti classici dell'AI: agenti intelligenti, algoritmi di ricerca uninformed e informed (A*), ricerca locale, CSP con backtracking e arc-consistency, giochi zero-sum con minimax e alpha-beta, e rappresentazione della conoscenza in logica proposizionale e del primo ordine.
- Machine Learning e Deep Learning Apprendimento automatico moderno: paradigmi supervised, unsupervised e reinforcement learning; reti neurali artificiali (MLP) con gradient descent e back propagation; sequence modeling con RNN, LSTM, architettura encoder-decoder con attention, transformer e Large Language Models.
- Domande e risposte per l'esame Raccolta di domande tipiche d'esame con relative risposte su agenti intelligenti, algoritmi di ricerca, CSP, giochi, logica proposizionale e primo ordine, machine learning e reti neurali.