96150 - LABORATORY OF ARTIFICIAL INTELLIGENCE APPLICATIONS M

Anno Accademico 2022/2023

  • Docente: Federico Chesani
  • Crediti formativi: 6
  • Lingua di insegnamento: Inglese
  • Moduli: Federico Chesani (Modulo 1) Michele Lombardi (Modulo 2)
  • Modalità didattica: Convenzionale - Lezioni in presenza (Modulo 1) Convenzionale - Lezioni in presenza (Modulo 2)
  • Campus: Bologna
  • Corso: Laurea Magistrale in Ingegneria gestionale (cod. 0936)

Conoscenze e abilità da conseguire

Fornire le conoscenze, ad ampio spettro, sulle tecniche e metodologie di base dell’Intelligenza Artificiale (IA) e su come possano fornire soluzioni innovative ai problemi ICT in aziende, industrie e organizzazioni. Fornire una panoramica introduttiva sugli aspetti filosofici e etici dell'IA. Presentare i modelli e le tecniche dell'Intelligenza Artificiale (IA) maggiormente utilizzati nello sviluppo di sistemi software avanzati. Sperimentare in laboratorio l’utilizzo di strumenti specifici per applicare alcune delle tecniche introdotte in precedenza a casi di studio in ambito aziendale e industriale, anche attraverso testimonianze aziendali.

Contenuti

Prerequisiti/Propedeuticità consigliate

E' propedeutico al corso l'aver seguito (e possibilmente sostenuto con esito positivo) l'insegnamento di "METODI E MODELLI DI DATA ANALYTICS M". Si assume poi che gli studenti posseggano già competenze di base nella programmazione orientata agli oggetti.
Tutte le lezioni, i materiali, e l'esame saranno tenuti in Inglese.

Programma

Il programma è sviluppato prevalentemente in tre parti:

  • Introduzione al linguaggio Python, e al framework Jupyter/JupyterLab
  • Introduzione/esercitazione agli algoritmi di AI per la ricerca di soluzioni nello spazio degli stati (Risoluzione di problemi nello spazio degli stati; Problemi a vincoli)
  • Introduzione/esercitazione ad alcuni algoritmi di Machine Learning e Intelligenza Artificiale (Modelli lineari e Modelli Lineari Generalizzati;Alberi Decisionali e Metodi Ensemble; Reti Neurali semplici; Density Estimation)

Testi/Bibliografia

La fonte principale è data dalle slides del corso, che saranno accessibili tramite piattaforma virtuale.unibo.it

  • S. Russel. P. Norvig. Artificial Intelligence A Modern Approach. Fourth Edition, 2022, Pearson.
  • Flach, Peter. Machine learning: the art and science of algorithms that make sense of data. Cambridge university press, 2012.

Metodi didattici

La didattica si svolge in modalità prevalentemente "frontale", con lezioni ed esercitazioni che si svolgeranno in aula, svolte dal docente con l'ausilio di PC e proiettore.

Parte delle lezioni si svolgerà in laboratorio, dove gli studenti saranno invitati a svolgere esercitazioni pratiche.

In considerazione della tipologia di attività e dei metodi didattici adottati, la frequenza di questa attività formativa richiede la preventiva partecipazione di tutti gli studenti ai Moduli 1 e 2 di formazione sulla sicurezza nei luoghi di studio, [https://elearning-sicurezza.unibo.it/] in modalità e-learning.

Modalità di verifica e valutazione dell'apprendimento

L'esame finale mira ad accertare la conoscenza acquisita dallo studente, relativamente ai contenuti specifici del corso, dei principali strumenti e metodi per l'applicazione di algoritmi di AI all'analisi di dati e alla risoluzione di problemi.


Le prove saranno strutturate in due parti: una prima parte nella forma di esame scritto, con domande aperte ed esercizi, ed una seconda nella forma di un esercizio pratico da svolgere al calcolatore.

Le prove avranno una durata indicativa di 120 minuti, durante i quali è espressamente vietato consultare libri e appunti. La prova si intende superata con un punteggio di 18/30 su un totale di 32/30.

Ulteriori dettagli verranno comunicati a lezione e nelle "note" abbinate agli appelli pubblicati su AlmaEsami.

Per sostenere la prova d'esame è necessaria l'iscrizione tramite AlmaEsami, nel rispetto delle scadenze previste. Coloro che non riuscissero a iscriversi entro la data prevista, sono tenuti a comunicare tempestivamente (e comunque prima della chiusura ufficiale delle liste di iscrizione) il problema al docente. Una volta pubblicato il risultato della prova, ciascuno studente avrà circa una settimana di tempo per comunicare via email al docente se intende rifiutare il voto conseguito.



Strumenti a supporto della didattica

  • Materiale didattico scaricabile dalla piattaforma Virtuale.
  • Piattaforma Teams per la didattica a distanza (se previsto).

Ulteriori strumenti che verranno utilizzati nel corso:

  • Python3
  • VSCode
  • Thonny
  • Jupyter/JupyterLab

Orario di ricevimento

Consulta il sito web di Federico Chesani

Consulta il sito web di Michele Lombardi

SDGs

Istruzione di qualità Lavoro dignitoso e crescita economica Imprese innovazione e infrastrutture

L'insegnamento contribuisce al perseguimento degli Obiettivi di Sviluppo Sostenibile dell'Agenda 2030 dell'ONU.