PRESENTAZIONE

Il corso introduce ai principali temi dell'Intelligenza Artificiale su base deduttiva.

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

The goal of the course is to provide the foundations of knowledge-based intelligent autonomous agents.

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Il corso introduce i linguaggi e le tecniche mediante i quali gli agenti intelligenti possono operare autonomamente su base deduttiva. L'obiettivo del corso è quello di fornire agli studenti la capacità di formalizzare domini di interesse applicativo in modo da poterli trattare nel contesto di agenti intelligenti autonomi, con particolare riferimento alla logica proposizionale, le logiche del primo ordine e i linguaggi per la pianificazione automatica. Il principale risultato dell'apprendimento sarà la capacità dello studente di inquadrare problemi in modo formale e astrarne le caratteristiche saliente in una specifica trattabile in modo computazionale per realizzare agenti autonomi.

PREREQUISITI

Conoscenze preliminari di calcolo combinatorico, algebra e informatica teorica sono utili per una migliore comprensione del materiale del corso.

MODALITA' DIDATTICHE

Lezioni in frontali (eventualmente registrate) per la parte di teoria; esercitazioni in presenza (eventualmente per via telematica) per la soluzione di problemi.

PROGRAMMA/CONTENUTO

• Agenti logici: agenti basati su conoscenza, logica, logica proposizionale (sintassi, semantica, basi di conoscenza proposizionali, procedure di inferenza, forme normali, risoluzione).
   
• Logica del primo ordine: rappresentazione, sintassi e semantica, ingegnerizzazione della conoscenza in logica del primo ordine.
   
• Inferenza in logica del primo ordine: logica proposizionale vs. logica del primo ordine, unificazione e lifting, risoluzione.
   
• Pianificazione automatica classica: definizione, linguaggio PDDL/STRIPS, esempi, pianificazione come ricerca nello spazio degli stati
   
• Introduzione al Reinforcement Learning: problemi dei "banditi", processi decisionali di Markov, programmazione dinamica, metodi Monte Carlo, apprendimento basato su differenze temporali, pianificazione e apprendimento.

TESTI/BIBLIOGRAFIA

Stuart Russell, Peter Norvig - Artificial Intelligence, a Modern Approach (third edition) - Prentice Hall

Richard S. Sutton, Andrew G. Barto - Reinforcement Learning, an Introduction (second edition) - MIT Press

DOCENTI E COMMISSIONI

Commissione d'esame

ARMANDO TACCHELLA (Presidente)

FULVIO MASTROGIOVANNI

RENATO UGO RAFFAELE ZACCARIA (Presidente Supplente)

LEZIONI

INIZIO LEZIONI

https://corsi.unige.it/10635/p/studenti-orario

Orari delle lezioni

L'orario di questo insegnamento è consultabile all'indirizzo: Portale EasyAcademy

ESAMI

MODALITA' D'ESAME

Test scritto sugli argomenti del corso, eventualmente in forma telematica.

MODALITA' DI ACCERTAMENTO

Capacità di formalizzare semplici problemi e risolverli adottando le tecniche spiegate durante il corso.

Calendario appelli