ITALIANO

Metodologie e strumenti per una rappresentazione comprensibile alle macchine della conoscenza, volta alla sua elaborazione ed espansione automatica.
Uso di tecniche avanzate di inferenza e Deep Learning.

1) George Luger - Artificial Intelligence - Addison Wesley
2) Leon Sterling, Ehud Shapiro - The Art of Prolog - MIT press

Lezioni frontali con supporto di Slide.
Presentazione di esempi pratici e applicativi con l'ausilio del calcolatore.
Esercitazioni mirate all'uso dei linguaggi descritti durante il corso.

L'esame finale verte sulla discussione di un elaborato sotto forma di progetto, che ricopra parte delle tematiche presentate durante il corso, con orale volto a verificare le conoscenze acquisite su tematiche non affrontate dall'elaborato.

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.

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.
Introduzione al Prolog, con esercizi pratici.

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.
Modelli a Grafo. Graph Databases.
Modello a Triple: RDF, RDFs, Linked Open Data.
Modelli Semantici: OWL e OWL-S. Uso della semantica per la rappresentazione di concetti complessi.
Linguaggi applicati alla semantica: SPARQL e SWRL

Concetti avanzati di Deep Learning: Reti Generative Avversarie (GAN) e Reti Ricorrenti (RNN). Reinforcement Learning

Italian