Programma del Corso

Testo di riferimento: S. Russell, P. Norvig. Artificial Intelligence: A Modern Approach (2nd edition), Prentice-Hall. Versione Italiana Intelligenza Artificiale: un approccio moderno (vol 1, vol 2), Pearson Education Italia, 2005.

• Introduzione all'Intelligenza Artificiale (Cap. 1)
• Nozione di Agente Intelligente (Cap. 2)
• Problem Solving
  • Ricerca cieca (Cap. 3)
    • Breadth-First
    • Depth-First
    • Iterative Deepening
  • Ricerca Euristica (Cap. 4)
    • Uniform-Cost (nel cap. 3)
    • Greedy
    • A*
    • IDA*
  • Iterative Improvement
    • Hill-climbing
    • Simulated Annealing
  • Problemi CSP - cenni (Cap. 5)
  • Giochi a Due Concorrenti (Cap. 6)
    • MIN-MAX
    • Alfa-Beta Pruning
• Rappresentazione della Conoscenza e Ragionamento
• Cenni di logica proposizionale, del primo ordine e meccanismi di deduzione
• Case-Based Reasoning (lucidi-dispense)
• Rappresentazione Conoscenza Incerta
• Calcolo Probabilita': richiami (Cap. 13)
• Bayesian Networks (Cap. 14)
• Dipendenza Condizionale
• Rappresentazione Probabilita' Congiunta
• Algoritmi di Inferenza
• Message-passing
• Clustering
• Conditioning
• Stochastic Simulation
• Fuzzy Logic (cenni)
• Teoria delle Decisioni (Cap 16)
• Influence Diagrams
• Strumenti di Sviluppo (cenni)
• CBR Works, ColibriStudio, MyCBR
• Esempi di Tool per Reti Bayesiane:
  • Genie (http://genie.sis.pitt.edu), Microsoft Belief Network (MSBNx), HUGIN (www.hugin.dk), Netica (www.norsys.com).

Modalita' di Esame

• L'esame prevede una prova scritta (saturata a 27/30) ed un'eventuale prova orale sugli argomenti del programma.