Programma

1. SPECIFICHE GENERALI

Grado : Intelligenza Artificiale
Codice di Grado : 207008
Durata di Grade : 17 settimana
Metodologia Didattica: Tecnico - Sperimentale
Ore alla settimana: Teoria: 3h - Laboratorio: 2h
Natura: Formazione Professionale
Numero di crediti: Quattro (04)
Prerequisiti: 205007 - Ricerca Operativa I
Semestre Accademico : 2012 – I
Coordinatore:

2. RIASSUNTO

Intelligenza Artificiale, concetti, paradigmi e applicazione nell'industria e nei servizi. Rappresentazione della conoscenza. AI rappresentazione del problema come ricerca nello spazio degli stati. Metodi di ricerca non vedenti e informati. Man-machine giochi intelligenti. Expert Systems, l'architettura, la tassonomia e le applicazioni. Inference motore. Ingegneria della Conoscenza, concetti, evoluzione, Metodologia CommonKADS. Qualità e validazione di sistemi esperti, Introduction to Machine Learning (apprendimento automatico) ed euristici.

3. OBIETTIVO GENERALE

Gli studenti potranno acquisire conoscenze nel campo della Intelligenza Artificiale, in generale, e svilupperanno aspetti fondamentali nello sviluppo di giochi intelligenti e sistemi esperti, e la sua applicationn nella risoluzione dei problemi nei settori dell'industria e dei servizi.

4. OBIETTIVI SPECIFICI

Al termine del corso gli studenti saranno in grado di:
1. Capire che è l'Intelligenza Artificiale e la complessità dei loro problemi.
2. Rappresentare e risolvere umana gioco - macchina attraverso tecniche di ricerca in uno spazio degli stati.
3. Conoscere le diverse strategie di ricerca cieca e informato.
4. Progettare e sviluppare software intelligente gioco di interazione uomo-macchina e le tecniche di intelligence usingartificial.
5. Capire che cosa sono i sistemi esperti e sapere quando usarli.
6. Sapendo che è l'ingegneria della conoscenza e un metodo per developingknowledge sistemi basati
7. Valutare la qualità della soluzione di sistemi esperti.
8. Progettare e sviluppare sistemi esperti basati su diversi motori di inferenza (methodschaining), in considerazione criteri di qualità.
9. Comprendere i concetti di apprendimento automatico e euristico, la sua importanza e le sue applicazioni nell'industria e nei servizi.

5. CONTENUTI ANALITICI AL SETTIMANE

Settimana	Tema	Compito di Teoria	Compito di Laboratorio
1	Classificazione dei problemi Algoritmi Presentazione del corso. Classificazione dei problemi algoritmici, problemi P e NP. Problemi decisionali, localizzazione e ottimizzazione. Descrizione di alcuni problemi NP-hard. Referenze: [4]  Capitolo 1, [1] Annex A.
2	Principi di Intelligenza Artificiale Definizione di Intelligenza Artificiale. Macchina intelligente. Differenza tra i sistemi operativi ei sistemi intelligenti. Le applicazioni nell'industria e nei servizi (robotica, pianificazione, gestione dei rifiuti). Test di Turing. Referenze: [1]  Capitolo 1, [2]  Capitolo 1, [9]  Capitolo 1.
3	Rappresentazione di problemi umani gioco di macchine come ricerca in uno spazio di stato Definizione dei problemi di AI come problemi di ricerca in uno spazio degli stati. Rappresentazione di problemi umani di gioco della macchina. Referenze: [1]  Capitolo 3, [3]  Capitolo 2, [4]  Capitolo 3.
4	Metodi di ricerca Segnalato La valutazione della funzione, i metodi che utilizzano informazioni aggiuntive: in primo luogo il meglio, scalare la collina, A *, branch and bound. Referenze: [1]  Capitolo 4, [2]  Capitolo 5, [3]  Capitolo 3, [4]  Capitolo 5, [9] Capitolo
5	Metodi di ricerca per l'uomo-macchina giochi Algoritmo umana gioco - macchina. Strategie di gioco della macchina: no deterministica best-first, min-max differenza e betterprofits. Algoritmo min-max e alfa-beta. Referenze: [1]  Capitolo 5, [2]  Capitolo 6, [3]  Capitolo 4, [4]  Capitolo 6, [9]  Capitolo 12.
6	Principi di Sistemi Esperti Definizione dei sistemi esperti. Architettura di un sistema esperto. Tassonomia e sistemi esperti applicazioni. Requisiti per lo sviluppo di sistemi esperti e vantaggi dell'uso di sistemi esperti. Alcuni problemi basata sulla conoscenza. Referenze: [6]  Capitolo 1
7	Ingegneria della Conoscenza Introduzione. Acquisizione di conoscenze. CommonKADS metodologia. Progettazione di Sistemi Esperti (ES). Ciclo di vita di una SE. Referenze: [6]  Capitolo 6, [7]  Capitolo 19.
8	Esame Parziale
9	Presentazione del lavoro di calcolo Gli studenti mostrano le loro abilità nello sviluppo di software di gioco basati su tecniche di ricerca intelligenti. È necessario presentare una relazione e software, e si esibiscono le loro opere.
10	Acquisizione di Conoscenze Acquisizione di conoscenze. La costruzione della base dei fatti e base di conoscenze. Conoscenza strutture di rappresentanza (regole di inferenza, cornici, oggetti, ontologie, metadati, thesaurus). Referenze: [6]  Capitolo 6, [7]  Capitolo 19.
11	Sviluppo di sistemi basati su regole esperti La costruzione della base dei fatti e base di conoscenze. Il motore di inferenza. Metodi di concatenamento a ritroso, progressive e reversibili. Tecniche di matching, l'algoritmo RETE. Tecniche di risoluzione dei conflitti. Referenze: [1]  Capitolo 6 and 8, [2]  Capitolo 7 [6]  Capitolo  3, [7]  Capitolo 3
12	Qualità e validazione di sistemi esperti Errori importante nello sviluppo di un sistema esperto. La qualità di un sistema esperto. Convalida dei sistemi intelligenti, i metodi di validazione quantitativa. Efficienza sistemi esperti e di errore. Rivedere la funzionalità di lavoro SE 2. Referenze: [4], [7]  Capitolo 21.
13	Introduzione alla Apprendimento Automatico. Concetti di apprendimento e di machine learning. Vs. machine learning sistemi esperti. Imparare le tecniche e fasi di sviluppo del machine learning. Applicazioni di apprendimento della macchina dell'industria e dei servizi . Referenze: [5] Capitolo 1, [8]  Capitolo 1
14	Introduzione alle euristiche e metaeuristiche Il problema di ottimizzazione combinatoria. Complessità dei problemi combinatori. Concetti di euristiche e meta-euristiche. Algoritmi euristici vs algoritmi esatti. Euristiche e meta-euristiche. Problemi di ottimizzazione combinatoria dell'industria e dei servizi. Referenze: [10], [11].
15	Presentazione del lavoro di calcolo Gli studenti mostrano le loro abilità nello sviluppo di sistemi esperti e delle loro applicazioni nel settore e di servizio. Gli studenti potranno presentare una relazione e software.
16	Esame finale.
17	Sostituto esame (Solo per chi non ha dato prova parziale o finale).

6.METODOLOGIA

Il corso si sviluppa attraverso attività teoriche - pratiche emphasizingapplications dell'industria e dei servizi. Gli studenti sono stati divisi in squadre di tre andando a sviluppare due opere computazionali. Durante le sessioni di teoria discuterà la proposta di risoluzione dei problemi. Durante le letture sesciones dei laboratori, nonché valutare i progressi del computer di lavoro.
7. VALUTAZIONE
La media finale (PF) è determinata come segue:
PF = 0.025 (CL1 + CL2 + CL3 + CL4) + 0.075 (TB1 + TB2) + 0.15 * 0.30 * LA + (EA +EB)

Dove:
CLx: Controlli Lettura (CL1, CL2, CL3 e CL4)
TB1: lavoro di gruppo (Man Games Smart - Machine)
TB2: lavoro di gruppo (Sistemi Esperti)
EA: Esame parziale
EB: Esame finale
LA: Laboratorio
Lo studente può sostituire l'esame parziale o definitiva, se in grado di fornire una qualsiasi di queste tests.Students saranno valutati solo mostrando al 70% o più assist.

8. BIBLIOGRAFIA

STUART, RUSSELL, PETER, Norvig
2010 Artificial Intelligence: A Modern Approach (3rd Edition). Prentice Hall Ed.
ISBN-13: 978-0136042594
PATRICK, WINSTON
Artificial Intelligence 1984. Ed Addison-Wesley
ISBN 0-201-51876-7
ELAINE RICH
Artificial Intelligence 1988. Ed McGraw-Hill
ISBN 0-07-450364-2
DAVID, Mauritius
Notes in Artificial Intelligence 2000.
BONIFACE, MARTIN, ALFREDO, SANZ
2002 Neural Networks and Fuzzy Systems. Ed Alfaomega
ISBN 84-7897-466-0
Giarratano RILEY
2001 Expert systems, principles and programming. Ed Thomson Science
ISBN 970-686-059-2