ITALIANO

Problem Solving mediante Ricerca
Teoria dei Giochi
Rappresentazione della Conoscenza
Semantic Web
Logica e Sistemi Esperti a Produzione di Regole
Multi Agenti
Natural Language Processing
Process Mining
Deep Learning Generative AI

George Luger - Artificial Intelligence - Addison Wesley;
Leon Sterling, Ehud Shapiro - The Art of Prolog - MIT press;
Semantic Web Primer - Antoniou van Harmelen;
dispense disponibili sulla piattaforma eLearning Moodle di Ateneo.

Acquisire solide conoscenze e competenze nell' ambito dell' Intelligenza Artificiale, con particolare riguardo a:
Problem Solving mediante Ricerca,
Teoria dei Giochi,
Rappresentazione della Conoscenza,
Semantic Web,
Logica e Sistemi Esperti a Produzione di Regole,
Multi Agenti,
Natural Language Processing,
Process Mining,
Deep Learning e Generative AI.

Machine Learning

Lezioni, esercitazioni pratiche in classe, seminari.

Prova Scritta (eventualmente sostituita da Progettino per chi frequenta il Corso) ed esame Orale.

No

Sfide dell’ Intelligenza artificiale: Esempi di Sistemi intelligenti: Il sistema di deep answering WATSON, Deep Blue ed AlphaGO.
Genesi dell’ Intelligenza Artificiale. Il test di Turing. IA Forte e Debole. The Human Brain Project.
Problem Solving mediante Ricerca. State Space Search; S.S. Model, S.S. Graph, Search Tree; Tecniche di Ricerca: Disinformata ed Informata. Tecniche Uninformed: Depth First e Breadth First. Depth Limited, Bidirectional.
Tecniche Informed ed euristiche: pesi (costi) per i percorsi; Ricerca di Cammino Minimo, Uniform Cost Search (algoritmo di Dijkstra), Best First; Hill Climbing (Greedy); Algoritmo A*. Euristiche Ammissibili, Monotone, Informate.
Tecniche di Ricerca e Giochi: Albero di Gioco; funzioni di valutazione e utilità; tecnica Minimax; Alpha-Beta pruning. Esempi: NIM, Tic-tac-toe, scacchi. Comolessità ed Efficienza dell' Alpha-Beta. Iterative Deepening. Funzioni di Valutazione euristiche. Funzioni lineari pesate. Machine Learning dei Pesi. Giochi e Strategie.
Esempi di applicazione degli Algoritmi A*: Robot Navigation, Map Navigation (Navigatore Strade Romene). Esempi di applicazione dell' Algoritmo MIN-MAX ed Alpha-beta.
Rappresentazione della Conoscenza ed Inferenza. Tipologie di Conoscenza (Procedure Dichiarativa, tacita, meta-conoscenza). Tipologie di Inferenza (Deduzione, Induzione, Abduzione, Euristica, Generate and test, Nonmonotonica, Intuizione). Forward e Backward chaining.
Modelli di Rappresentazione dei Dati. Dati Strutturati, Non strutturati, Semi-Strutturati. Modello Relazionale e Modelli Non-Relazionali (cenni): Key-Value, Document, Object, Tabular, Tuple, Triple, Graph. Formati per i modelli non-relazionali: Csv, Tsv, jSON, SGML e XML-based. Modelli a Grafo. Graph Databases. Modello a Triple: Linked Open Data. Modelli Semantici.
Reti semantiche. Esempi. Vantaggi e limitazioni. Partitioned Semantic Networks. Case Frames; Conceptual Dependencies. Triple oggetto-attributo-valore. Grafi Concettuali. Canonical CG. Operatori sui CG. Propositional e Nested Concepts. CG Schema.
Frames. Componenti dei Frames: Slots, Descriptors, Relationships, Procedures e Daemons, Class ed Instance frames. Esempi di Frames: Cars, Boarding passes, Computers, Credit Evaluation, EarthQuake. Spatial Frames. Scripts. Esempio: Restaurant Scripts.
Introduzione ad XML, descrizione del metalinguaggio di mark-up con validazione. Linguaggi di Descrizione per il WEB Semantico; Resource Description Framework (RDF). RDF Schema. Proprietà dei linguaggi per il web semantico. Esempi di descrizione di risorse.
Semantic Web. Limiti del Web attuale; approccio, e potenzialità e prospettive del Semantic Web. La Reference Architecture del Semantic Web. Linguaggi, tecnologie e strumenti del Semantic Web.
Linguaggi di Descrizione per il WEB Semantico; Resource Description Framework (RDF). RDF Schema.
Linguaggi di Descrizione per il WEB Semantico: Ontology Web Language (OWL). Limitazioni di RDF. Semantica Formale, Espressività, supporto per il Reasoning, Compatibilità tra RDF ed OWL. OWL "Full", OWL DL (Description Logic) ed OWL "Lite".
Elementi di OWL: Header (imports). Classi: disgiunzione, equivalenza, subClassOf. Proprietà: Object e Data Property, Domain e Range, subPropertyOf, proprietà equivalenti ed inverse; properties speciali: transitive, simmetriche, funzionali, funzionali inverse. Restrizioni: hasValue, allValuesFrom, someValuesFrom; Restrizioni sulle Cardinalità. Combinazioni booleane di classi: unione, intersezione, complemento.
Elementi di OWL: Enumerazioni, Tipi dati user-defined (XML). Istanze: definizione, istanze distinte (differentFrom, allDifferent). Non-Unique Name Assumption (UMA) ed Open World Assumption (OWA). Protegè: uno strumento per la creazione e gestione di Ontologie in OWL. Demo: Ontologia delle Pizze.
Linquaggi di Querying per il Web Semantico: SPARQL. Descrizione della logica a triple, esempi di interrogazioni su database online. Creazione di query complesse.
Linguaggi di Inferenza su OWL: SWRL - Semantic Web Rule Language.
Traduzione di ontologie OWL in prolog tramite la libreria Thea. Introduzione alla libreria OWLReady2: gestione di ontologie, popolamento di ontologie, reasonining con SWRL da API, querying da API attraverso RDFlib e Native SPARQL engine.
Semantic Web Services: OWL-S. Conceptual model e Service Profile e Process. illustrazione delle sue componenti: Profile, Grounding e Model. Interoperabilità, composizione, orchestrazione e coreografia dei Web Services mediante la semantica. Cenni su WSMO, SA Rest e SAWSDL.Sistemi Formali. Sistemi MIU e pg- (Hofstadter). Logica Proposizionale: Soddisfacibilità e validità; modello; correttezza e completezza; deduzione naturale.
Tecnica della risoluzione nella logica Proposizionale.
Logica del primo ordine: sintassi e semantica. Esempi di sentenze in Logica del Primo Ordine.
Unificazione, Most General Unifier. Tecnica della risoluzione nella logica del primo ordine. Esercitazione: Financial Advisor.
Traduzione in forma normale congiuntiva, Skolemizzazione. Esempi. State space search per il calcolo dei predicati. Introduzione all’ ambiente di sviluppo Prolog SWI.
Clausole di Horn. Introduzione al linguaggio Prolog. Sintassi. Fatti, regole. Il meccanismo di inferenza (tramite unificazione e backtracking) del Prolog. Ricorsione in Prolog; Esempio: albero genealogico e predicato Ancestor.
Liste in Prolog; predicati per la gestione delle liste: member, append, lenght. Strutture dati composte in Prolog. Esempi: distanza di punti, circuiti elettrici; circuiti elettronici.
Rappresentazione in prolog di alberi, alberi binari e relativi algoritmi; membro di un albero; isomorfismo di alberi. Attraversamento di alberi in preorder, inorder e postorder e relative strutture di attraversamento. Rappresentazione in prolog di grafi. Attraversamento di un grafo. Connessione tra nodi. Regola del taglio in Prolog; green e red cut. Esempi: riconoscimento di polinomi.
Predicati per l’ ispezione di strutture (compound terms): funtor, arg, univ. Esempi: subtermine di un termine, sostituzione di un sub termine e verifica di termine ground. Programmazione logica del secondo ordine in Prolog: predicati bag_of, set_of, forall, findall, map_list, has_property. Tecniche avanzate di programmazione in Prolog. Programmazione non-deterministica. Generate-and-test. Esempi: Map coloring, Puzzle Solver. Planner per il Mondo dei Blocchi. Definite Clause Grammars. Esempio: grammatica per il linguaggio naturale in Prolog.
Multi Agenti. Multi-Agent Reinforcement Learning.
Natural Language Processing. Introduzione al Text Mining, Information Retrieval e Natural Language Processing, Espressioni Regolari, Pre-processing di testi (tokenizzazione, rimozione stop-words, lemmatizzazione, stemming), analisi di testi (POS-Tagging, Named Entity Recognition). Word Embedding.
Deep Learning e Generative AI.
Variational Auto-Encoders and Generative Adversarial Networks.
Introduzione al Proces Mining, Process Mining come Missing Link tra Data Science e Process Science, Process Mining Manifest, Tecniche di Process Mining, Civlo di Vita di un Progetto di Process Mining, Process Minining Perspectives, Struttura di un Events Log, Play-in, Play-out e Replay, Modelli di Processo (Reti Petri, Workflow-net, C-nets, BPMN, EPCs, YAWL, Transition Systems, Process Tree, Directly-Follows Graph), Process Mining Discovery Criteria (fitness, Simplicity, Generalization e Precision), Problemi di Rumore/Incompletezza e Underfitting/Overfitting nei registri di eventi. Esempi di Utilizzo del tool ProM.

Italian

Problem Solving with State Space Search
Game Theory
Knowledge Representation
Semantic Web
Logic
Rule based Expert Systems
Multi Agents
Natural Language Processing
Process Mining
Deep Learning Generative AI

George Luger - Artificial Intelligence - Addison Wesley;
Leon Sterling, Ehud Shapiro - The Art of Prolog - MIT press;
Semantic Web Primer - Antoniou van Harmelen;
Lecture notes available on the Moodle eLearning platform of the University.

TO gain knowledge and competences suitable to understand and master methodologies, pronciples and practice of Artificial Intelligence, with specific focus on: Problem Solving with State Space Search,
Game Theory,
Knowledge Representation,
Semantic Web,
Logic,
Rule based Expert Systems,
Multi Agents,
Natural Language Processing,
Process Mining,
Deep Learning and Generative AI.

Machine Learning

Lectures, practical classroom exercitations, seminars.

Written and oral exam.

No

Ai Challenges. Examples of Ai systems: deep answering system WATSON, Deep Blue and AlphaGO.
The Human Brain Project.
AI genesys. The Turing Test. IA Weak and Strong.
Problem Solving through Search.
State Space Search; S.S. Model, S.S. Graph, Search Tree; Uninformed and Informed techniques. Uninformed: Depth First e Breadth First. Depth Limited, Bidirectional.
Informed and heuristics: Uniform Cost Search, Best First; Hill Climbing (Greedy); Algoritmo A*. Heuristics.
Game Theory: Minimax; Alpha-Beta pruning. Examples: NIM, Tic-tac-toe, Chess. Complexity and effectiveness of Alpha-Beta. Iterative Deepening. Evaluation functions and heuristics. Learning of weigths. Examples of application of A* and Min-max: Robot Navigation, Map Navigation.
Knowledge Representation.
Typologies of Knowledge and Inference.
Forward and Backward chaining.
Data Representation models. Dati Strutturati, Non strutturati, Semi-Strutturati. Modello Relazionale e Modelli Non-Relazionali (cenni): Key-Value, Document, Object, Tabular, Tuple, Triple, Graph. Formati per i modelli non-relazionali: Csv, Tsv, jSON, SGML e XML-based. Modelli a Grafo. Graph Databases. Modello a Triple: Linked Open Data. Semantic models.
Semantic Networks. Partitioned Semantic Networks. Case Frames; Conceptual Dependencies. Triple oggetto-attributo-valore.
Conceptual Graphs. Canonical CG. Propositional and Nested Concepts. CG Schema.
Frames. Slots, Descriptors, Relationships, Procedures e Daemons, Class ed Instance frames. Examples of Frames: Cars, Boarding passes, Computers, Credit Evaluation, EarthQuake. Spatial Frames. Scripts. Example: Restaurant Scripts.
Semantic Web.
Semantic Web Reference Architecture.
Resource Description Framework (RDF). RDF Schema.
Ontology Web Language (OWL).
OWL "Full", OWL DL (Description Logic) and OWL "Lite".
Protegè tool for creation and management of Ontologies in OWL.
Inference Languages for OWL: SPARQL and SWRL - Semantic Web Rule Language.
Thea Library for translation OWL - Prolog.
Semantic Web Services: OWL-S. Conceptual model and Service Profile and Process. Profile, Grounding e Model. Elements of WSMO, SA Rest e SAWSDL.
Logic and Formal Systems.
Systems MIU e pg- (Hofstadter). Propositional Logic.
Soddisfacibilità e validità; modello; correttezza e completezza; deduzione naturale.
Tecnica della risoluzione nella logica Proposizionale.
Logica del primo ordine: sintassi e semantica. Esempi di sentenze in Logica del Primo Ordine.
Unificazione, Most General Unifier. Tecnica della risoluzione nella logica del primo ordine. Esercitazione: Financial Advisor.
Traduzione in forma normale congiuntiva, Skolemizzazione. Esempi. State space search per il calcolo dei predicati. Introduzione all’ ambiente di sviluppo Prolog SWI.
Clausole di Horn. Introduzione al linguaggio Prolog. Sintassi. Fatti, regole. Il meccanismo di inferenza (tramite unificazione e backtracking) del Prolog. Ricorsione in Prolog; Esempio: albero genealogico e predicato Ancestor.
Liste in Prolog; predicati per la gestione delle liste: member, append, lenght. Strutture dati composte in Prolog. Esempi: distanza di punti, circuiti elettrici; circuiti elettronici.
Rappresentazione in prolog di alberi, alberi binari e relativi algoritmi; membro di un albero; isomorfismo di alberi. Attraversamento di alberi in preorder, inorder e postorder e relative strutture di attraversamento. Rappresentazione in prolog di grafi. Attraversamento di un grafo. Connessione tra nodi. Regola del taglio in Prolog; green e red cut. Esempi: riconoscimento di polinomi.
Predicati per l’ ispezione di strutture (compound terms): funtor, arg, univ. Esempi: subtermine di un termine, sostituzione di un sub termine e verifica di termine ground. Programmazione logica del secondo ordine in Prolog: predicati bag_of, set_of, forall, findall, map_list, has_property. Tecniche avanzate di programmazione in Prolog. Programmazione non-deterministica. Generate-and-test. Esempi: Map coloring, Puzzle Solver. Planner per il Mondo dei Blocchi. Definite Clause Grammars. Esempio: grammatica per il linguaggio naturale in Prolog.
Multi Agenti. Multi-Agent Reinforcement Learning.
Natural Language Processing. Introduzione al Text Mining, Information Retrieval e Natural Language Processing, Espressioni Regolari, Pre-processing di testi (tokenizzazione, rimozione stop-words, lemmatizzazione, stemming), analisi di testi (POS-Tagging, Named Entity Recognition). Word Embedding.
Deep Learning e Generative AI.
Variational Auto-Encoders and Generative Adversarial Networks.
Introduzione al Proces Mining, Process Mining come Missing Link tra Data Science e Process Science, Process Mining Manifest, Tecniche di Process Mining, Civlo di Vita di un Progetto di Process Mining, Process Minining Perspectives, Struttura di un Events Log, Play-in, Play-out e Replay, Modelli di Processo (Reti Petri, Workflow-net, C-nets, BPMN, EPCs, YAWL, Transition Systems, Process Tree, Directly-Follows Graph), Process Mining Discovery Criteria (fitness, Simplicity, Generalization e Precision), Problemi di Rumore/Incompletezza e Underfitting/Overfitting nei registri di eventi. Esempi di Utilizzo del tool ProM.