Intelligenza artificiale LM 2010/2011

principale

laboratorio

pagine

principale • laboratorio

Course materials

Course outline.
Lecture slides can be downloaded from AMS Campus.
Lab page

Additional teaching materials

The following papers are available only for teaching purposes.

AI history

Dartmouth summer research project proposal. The proposal for a project that has been the origin of AI.

Search

Search strategies exercises (in Italian). Credits Prof. Paola Mello.

CSP

A brief introduction to mainstream techniques of constraint satisfaction. R.Barták. Constraint propagation and backtracking-based search. CP Summer school 2005.
Incomplete depth-first search techniques: a short survey. R.Barták, Proceedings of CPDC 2004.
Where the Really Hard Problems Are. P.Cheesman et al., Proc. 12th IJCAI, 1991.
Phase transitions and the search problem. T.Hogg et al., Artificial Intelligence, n.81, 1996.

Metaheuristics

Introduction to metaheuristics. C.Blum, A.Roli. Metaheuristics in Combinatorial Optimization: Overview and Conceptual Comparison. ACM Computing Surveys, Vol.35, N.3, 2003. (preprint available)
A multi-agent architecture for metaheuristics. M.Milano, A.Roli. MAGMA: A Multiagent Architecture for Metaheuristics. IEEE Trans. on Systems, Man and Cybernetics - Part B, Vol.34, Issue 2, April 2004. (preprint available)
A formal model of local search. A.Roli. A note on a model of local search. Technical report TR/IRIDIA/2004/23.01, IRIDIA, Université Libre de Bruxelles, Belgium.
On the relation between complete and incomplete search. M.Milano, A.Roli. Proceedings of CPAIOR 2002.
An introduction to Hybrid metaheuristics (slides).
Large Neighbourhood Search Algorithms for the Founder Sequence Reconstruction Problem. A. Roli, S. Benedettini, T. Stuetzle and C. Blum. TR/IRIDIA/2010-012.
Comet source code of examples of stochastic local search algorithms for the N-queens problem.

Evolutionary computation

Book (free download, Creative Commons) on genetic programming. R. Poli, W.B. Langdon, N.F. McPhee, J. Koza. A Field Guide to Genetic Programming.

Swarm intelligence

M. Dorigo, E. Bonabeau, G. Theraulaz. Ant algorithms and stigmergy. Future Generation Computer Systems, Vol.16, n.9, 2000.
C. Blum. Ant colony optimization: Introduction and recent trends. Physics of Life Reviews, 2(4):353-373, 2005.
H. Labella, M. Dorigo, J.-L. Deneubourg. Division of Labour in a Group of Robots Inspired by Ants' Foraging Behaviour. Technical Report IRIDIA-TR-2004-13, IRIDIA, Université Libre de Bruxelles, Brussels, Belgium, 2005.

Logics

Alcune considerazioni sulla logica proposizionale. D. Palladino, 2003.
Introduction to SAT solving algorithms. C.P. Gomes, H. Kautz, A. Sabharwal and B. Selman. Satisfiability solvers. Book chapter draft, 2007.
Introduction to fuzzy system. B. Kosko and S. Isaka, Fuzzy Logic. Scientific American, July 1993.1.1.1 Software

Acknowledgements

I thank Prof. Paola Mello, Prof. Michela Milano and Prof. Giorgio Buttazzo for giving me the permission of using part of their teaching material, which was revised and emended for this course.

AI*IA - Italian association for artificial intelligence

The Italian association for artificial intelligence is a non profit association promoting AI research. Website: www.aixia.it L'Associazione Italiana per l'Intelligenza Artificiale è un'associazione non profit per la promozione dello studio e della ricerca nel campo dell'intelligenza artificiale. Offre ogni anno premi per tesi sull'Intelligenza Artificiale e borse di studio per la partecipazione ad eventi ai suoi iscritti. Per informazioni, gli studenti possono rivolgersi al docente di questo corso o ai referenti indicati sul sito dell'associazione (www.aixia.it).

conoscenze e abilità da conseguire

Al termine del corso, lo studente possiede le conoscenze relative ai fondamenti delle tecniche di intelligenza artificiale ed, in particolare: tecniche di risoluzione di problemi modellati in uno spazio di ricerca, di problemi di soddisfacimento di vincoli e per giochi a due giocatori; logica proposizionale e del prim'ordine e sistemi esperti; tecniche di intelligenza collettiva; pianificazione. In particolare, lo studente è in grado di:

Modellare problemi e individuarne le tecniche risolutive più promettenti;
Adattare, progettare e sviluppare algoritmi e sistemi software per la soluzione di problemi tramite tecniche di intelligenza artificiale.

contenuti

Introduzione
- I fondamenti dell'intelligenza artificiale
- Inquadramento storico dell'intelligenza artificiale
- Problemi tipici affrontati nell'ambito dell'intelligenza artificiale
Risoluzione di problemi
- Problemi definiti nello spazio degli stati
- Strategie di ricerca non informata
- Strategie di ricerca euristica
- Problemi di soddisfacimento di vincoli
- Tecniche di soluzione di problemi di soddisfacimento di vincoli (tecniche di ricerca complete e incomplete: standard backtracking, tecniche con propagazione di vincoli, ricerca locale)
- Giochi a due giocatori (caso a conoscenza perfetta deterministico e caso con elementi casuali)
Conoscenza e ragionamento
- Rappresentazione della conoscenza
- Inferenza nella logica proposizionale e del primo ordine
- Sistemi esperti
Pianificazione
- Introduzione ai problemi di pianificazione e problematiche relative
- Pianificazione con ricerca nello spazio degli stati
Apprendimento
- Apprendimento per rinforzo
- Computazione evolutiva
- Reti neurali

testi / bibliografia

Russell, Norvig, "Intelligenza artificiale: un approccio moderno", Vol.1 e Vol.2 (in parte), seconda edizione, Pearson/Prentice Hall

metodi didattici

Lezioni in aula (con eventuale uso di lucidi e programmi dimostrativi)
Esercitazioni in laboratorio

modalità di verifica e valutazione dell'apprendimento

Esame scritto e orale.

strumenti a supporto della didattica

Pagina web del corso con lucidi e schemi delle lezioni in formato PDF, articoli e altro materiale e link utili
Software per lo sviluppo di applicazioni relative ai principali argomenti del corso