PRESENTAZIONE

Il corso si prefigge di approfondire gli aspetti di Intelligenza Artificiale di tipo Induttivo e Deduttivo.
Il corso affronta sia aspetti teoriche aspetti implementativi legati all'utilizzo di tecniche avanzate di pianificazione e di apprendimento automatico.

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

The course aims at providing to the students knowledge of advanced inductive and deduction artificial intelligence both from a theoretical and practical perspective.

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

The course aims at providing to the students knowledge of advanced inductive and deduction artificial intelligence both from a theoretical and practical perspective.

During the course the following skills will be developed
- personal competence
- social competence
- ability to learn to learn
- competence in project creation
- competence in project management

PREREQUISITI

- ARTIFICIAL INTELLIGENCE (cod. 111103)
- MACHINE LEARNING AND DATA ANALYSIS (cod. 86798)

MODALITA' DIDATTICHE

- Lezioni frontali (approx. 50% per sviluppare capacità di imparare a imparare)
- Esercitazioni (approx. 50% per sviluppare competenza personale)
- Possibility of a final project in pairs (per sviluppare competenza sociale, competenza in creazione progettuale e competenza in gestione progettuale)

Si consigliano gli studenti lavoratori e gli studenti con certificazione di DSA, di disabilità o di altri bisogni educativi speciali di contattare il docente all’inizio del corso per concordare modalità didattiche e d’esame che, nel rispetto degli obiettivi dell’insegnamento, tengano conto delle modalità di apprendimento individuali.

PROGRAMMA/CONTENUTO

Gli ultimi 3 crediti del corso di ARTIFICIAL INTELLIGENCE FOR ROBOTICS I (104734)
- pianificazione automatica in presenza di incertezza
- apprendimento per rinforzo in domini discreti
- apprendimento per rinforzo in domini continui
Gli ultimi 3 crediti del corso di MACHINE LEARNING AND DATA ANALYSIS (cod. 86798)
- Reti neurali profonde (Convuluzioni, Attenzione, Memoria)
- Modelli generativi

TESTI/BIBLIOGRAFIA

[1] Sutton, R. S., and Andrew G. B. Reinforcement learning: An introduction. MIT press, 2018.
[2] Goodfellow, I. and Bengio, Y. and Courville, A. Deep learning. MIT press, 2016.
[3] Aggarwal, C. C. Neural networks and deep learning. Springer, 2018.

DOCENTI E COMMISSIONI

Commissione d'esame

DAVIDE ANGUITA (Presidente)

LUCA ONETO (Presidente)

ENRICO GIUNCHIGLIA (Presidente Supplente)

ARMANDO TACCHELLA (Presidente Supplente)

LEZIONI

INIZIO LEZIONI

https://easyacademy.unige.it/portalestudenti/index.php?view=easycourse&_lang=it&include=corso

Orari delle lezioni

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

ESAMI

MODALITA' D'ESAME

Orale su appuntamento

MODALITA' DI ACCERTAMENTO

Lo studente risolverà un problema reale a piacere applicando le tecniche apprese durante il corso.

Calendario appelli