Materiale didattico per l'anno accademico 2009 - 2010

1.1 - Introduzione: cosa è l'Intelligenza Artificiale.

1.2 - Rappresentare Conoscenza.

1.3 - La logica: generalità e riferimenti storici.

2.1 - Agenti che risolvono problemi attraverso ricerca nello spazio degli stati. Il modello di computazione: i sistemi a regole. La strategia di controllo: il recognize-act cycle, il matching e la soluzione dei conflitti. Ragionamento in avanti e ragionamento all'indietro. L'applicazione: i sistemi esperti.

2.2 - I linguaggi e gli ambienti di sviluppo del software in Intelligenza Artificiale.

2.3 - I principi della Programmazione Euristica: ricercare la soluzione nello spazio degli stati del problema. Strategie irrevocabili e strategie tentative. Ricerca cieca e ricerca informata.

2.4 - La ricerca della soluzione come ricerca su grafo. La procedura GRAPH-SEARCH generalizzata. Ricerca informata e l'uso di euristiche: l'algoritmo A*, ammissibilità di A*, confronto tra algoritmi di ricerca ammissibili. Misure di prestazione.

3.1 - La Logica e il PROLOG: un tutorial

4.1 - L'Ingegneria della conoscenza: dall'agente risolutore di problemi all'agente basato su conoscenza. Le dimensioni delle rappresentazioni.

4.2 - Ontologie.

4.3 - Schemi per la rappresentazione della conoscenza: frames e scripts.

4.4 - La qualità della conoscenza. Ragionamento automatico: ragionamento modale e temporale, ragionamento non monotono.

4.5 - Introduzione alle Ontologie e Linguaggio OWL.

4.6 - Logiche Descrittive: Sintassi, Semantica e Servizi di Ragionamento.

5.1 - Tecniche di Apprendimento Automatico (ML) per l'acquisizione automatica di conoscenza.

5.2 - Apprendimento Automatico di conoscenza in forma dichiarativa.

5.3 - Le Origini: Apprendimento induttivo concettuale guidato in domini non strutturati. Alberi di decisione, apprendimento di regole con la metodologia STAR.

5.4 - Le Origini: Apprendimento induttivo concettuale guidato in domini strutturati. Il sistema ARCH e la versione della metodologia STAR in domini strutturati (INDUCE).

5.5 - Apprendimento induttivo concettuale e formazione di concetti: una formalizzazione in logica. Il Candidate Elimination Algorithm e lo spazio delle versioni.

5.6 - Apprendimento induttivo concettuale da osservazioni: il clustering concettuale.

5.7 - Apprendimento logico induttivo.

5.8 - Confronto di algoritmi di apprendimento con task di classificazione.

A. Newell - The knowledge level

N. J. Nilsson - Human-Level Artificial Intelligence? Be Serious!

W. A. Woods - Meaning and Links

R. Cordeschi - AI turns fifty: revisiting its origins

M. Minsky - A Framework for Representing Knowledge

R. S. Michalski - A theory and methodology of Inductive Learning

J.G. Carbonell, R.S. Michalski, T.M. Mitchell - Machine Learning: A historical and methodological analysis

J. Hong, I. Mozetic, R.S. Michalski - AQ15: Incremental Learning of attribute-based descriptions from examples, the method and user's guide

M. Kubat, I. Bratko, R.S. Michalski - A review of Machine Learning methods

R.S. Michalski, R. Stepp - Clustering

R. Stepp, R.S. Michalski - Conceptual clustering of structured objects: a goal-oriented approach

R.S. Michalski, R. Stepp - Automated construction of classifications conceptual clustering versus numerical taxonomy

CYGWIN: Linux-like environment for Windows

Sistemi

     Version Space -- Linguaggio: Prolog

     AQ21 -- Eseguibili

     CN2 -- Linguaggio: C -- Eseguibili

     C4.5 -- Linguaggio: C -- Eseguibili

     FOIL -- Linguaggio: C -- Eseguibile

     Progol -- Linguaggio: C -- Eseguibile

     Aleph (A Learning Engine for Proposing Hypotheses) -- Linguaggio: Prolog

     Altri sistemi: 1 - 2

     ILP Network of Excellence: sistemi, dataset, ...

Dataset

     UCI Machine Learning Repository

[Top of this page]