Intelligenza Artificiale

• Leggere il capitolo 19 di AIMA
• Assicurarsi di essere in grado di svolgere in modo disinvolto tutte le esercitazioni disponibili, anche con l'ausilio dei software proposti. Ulteriori esercizi sulle diverse parti di programma possono essere facilmente reperiti su web.
• Leggere MA.X.2 - European Commission High-Level Expert Group on AI. European Ethics Guidelines for Trustworthy AI, 2019 (fuori programma)
• Esplorare il libro MA.B.5.4 - Quinlan, J.R. C4.5 Programs for Machine Learning, 1993 (dettagli fuori programma)
• Esplorare il libro MA.B.3.1 - Judea Pearl: Causality (fuori programma)
• Guardare i Distinguished seminars on Explainable AI
• Leggere MA.B.5.6 - Adi Shamir, Odelia Melamed, Oriel BenShmuel: The Dimpled Manifold Model of Adversarial Examples in Machine Learning, arXiv:2106.10151v1

Avviso: La lezione non si terrà.

Per non annoiarsi, si consiglia di:

• Prendere un buon caffè
• Leggere le slide S.B.5 - Apprendimento dalle Osservazioni
• Leggere l'articolo MA.B.5.1 - Heaver, D. Deep trouble for deep learning, Nature, 2019
• Leggere l'articolo MA.B.5.2 - Ky, V.K. et al. Surrogate-based methods for black-box optimization, Int Trans Op Res, 2016
• Installare ed esplorare il software D.B.5.1 - RapidMiner, a platform for machine-learning
• Guardare il seminario della prof.ssa Michela Milano (Università di Bologna): Integrating Learning, Optimization and Reasoning (AI*IA Spotlight Seminars, 2023)

Per non annoiarsi, si consiglia di:

• Prendere un buon caffè
• Leggere le slide S.B.4 - Agenti Basati sulla Teoria delle Decisioni
• Esercitazione E.B.2.7 - PDDL, Torri di Hanoi, codifica Situation Calculus: svolgerla in autonomia, confrontarsi con colleghi di corso per migliorare il proprio svolgimento, studiare la soluzione proposta. Nessuna soluzione disponibile, attendo Tue proposte!
• Esercitazione E.B.3.2.2.3 - Tumori, modelling e inferenza: svolgerla in autonomia, confrontarsi con colleghi di corso per migliorare il proprio svolgimento. Nessuna soluzione disponibile, attendo Tue proposte!
• Esercitazione E.B.5.1 - Clienti Bancari: svolgerla in autonomia, confrontarsi con colleghi di corso per migliorare il proprio svolgimento, studiare la soluzione proposta
• Consultare il materiale seguente per approfondimenti su ragionamento in presenza di incertezza:
  • PS.B.3.1 - Ilaria Gagliardi: Ragionamento in Presenza di Incertezza in Logica del Primo Ordine [video]
  • PS.B.3.2 - Alessandro Pecchini, Alessandro Torri: Apprendimento di Reti Bayesiane da Dati [video]
• Leggere MA.B.5.5 - W.Y. Loh: Classification and regression trees, Wiley interd. reviews: data mining and knowledge discovery 1.1 (2011) per una panoramica su alcuni degli algoritmi disponibili per l'induzione di alberi di decisione per la classificazione e la regressione

Avviso: La parte mattutina della lezione si terrà, come al solito, aula G50 (terzo piano) della palazzina G di viale Regina Elena 295.
La parte pomeridiana invece si terrà presso l'aula S1 (piano interrato) della palazzina E della sede di viale Regina Elena 295.

Prima della lezione si consiglia di:

• Prendere un buon caffè
• Leggere i capitoli 12, 13 e 15 di AIMA
• Esercitazione E.A.6.12 - SAT, Rostering: svolgerla in autonomia, confrontarsi con colleghi di corso per migliorare il proprio svolgimento. Nessuna soluzione disponibile, attendo Tue proposte!
• Leggere (almeno la prima parte di) MA.B.5.3 - Shannon, C. A Mathematical Theory of Communication, 1948

Argomenti trattati nella lezione:

• S.B.5 - Apprendimento dalle Osservazioni
  • B.5.7 - Apprendimento Ensemble
    • B.5.7.1 - Bootstrap Aggregating (Bagging)
    • B.5.7.2 - Random Forest
    • B.5.7.3 - Stacked Generalisation
    • B.5.7.4 - Boosting
    • B.5.9 - Apprendimento di Modelli Parametrici vs. Apprendimento di modelli non Parametrici
    • B.5.10 - Algoritmo k-Nearest Neighbours per la Classificazione
    • B.5.11 - Apprendimento non Supervisionato
      • B.5.11.1 - Il Problema del Clustering
      • B.5.11.2 - Algoritmo k-Means
      • B.5.11.3 - Altri Algoritmi per il Clustering (cenni)
    • B.5.12 - Punti di Forza degli Approcci basati sull’Apprendimento Automatico
    • B.5.13 - Limiti degli Approcci basati sull’Apprendimento Automatico
      • B.5.13.1 - Rischio di Sotto- e Sovra-adattamento
      • B.5.13.2 - Correlazione vs. Causalità
      • B.5.13.3 - (Mancanza di) Esplicabilità (Explainability)
      • B.5.13.4 - Presenza di Esempi Avversari (Adversarial Examples)
  • B.5.8 - Cenni su Altre Tipologie di Modelli, tra cui: Support Vector Machines e Reti Neurali

Prima della lezione si consiglia di:

• Prendere un buon caffè
• Leggere le slide S.B.4 - Agenti Basati sulla Teoria delle Decisioni
• Esercitazione E.B.2.8 - PDDL, Charlie, modelling: svolgerla in autonomia, confrontarsi con colleghi di corso per migliorare il proprio svolgimento, studiare la soluzione proposta
• Esercitazione E.B.2.5 - PDDL e azioni di durata diversa: svolgerla in autonomia, confrontarsi con colleghi di corso per migliorare il proprio svolgimento. Nessuna soluzione disponibile, attendo Tue proposte!
• Prendere dimestichezza con il software Lighthouse presente in D.X.1 - AI Docker per la modellazione e risoluzione di problemi di planning. Si raccomanda di usare il software per risolvere tutte le esercitazioni sul planning, sia riducendo il problema a SAT sia utilizzando pianificatori allo stato dell'arte (disponibili nel sito della MA.B.2.1 - ICAPS International Planning Competition)
• Esercitazione E.B.3.2.2.2 - I Rossi, inferenza: svolgerla in autonomia, confrontarsi con colleghi di corso per migliorare il proprio svolgimento, studiare la soluzione proposta
• Seguire la "Lezione di Recupero 3":
  • B.5 - Apprendimento dalle Osservazioni [slides]
    • B.5.3 - Alberi di Decisione
      • B.5.3.2 - Apprendimento Induttivo di Alberi di Decisione
        • B.5.3.2.1 - Cenni di teoria dell'informazione
          • B.5.3.2.1.1 - Valore dell'Informazione
            • B.5.3.2.1.1.1 - Sorgenti di Informazione a Simboli Indipendenti ed Equiprobabili
            • B.5.3.2.1.1.2 - Sorgenti di Informazione a Simboli Indipendenti ma Non Equiprobabili
          • B.5.3.2.1.2 - Entropia
          • B.5.3.2.1.3 - Massimo Guadagno Informativo

Argomenti trattati nella lezione:

• S.B.5 - Apprendimento dalle Osservazioni
  • B.5.3 - Alberi di Decisione
    • B.5.3.2 - Apprendimento Induttivo di Alberi di Decisione
      • B.5.3.2.2-3 - Algoritmi ID3 e C4.5
        • B.5.3.2.2 - Algoritmo Iterative Dichotomiser 3 (ID3)
        • B.5.3.2.3 - Algoritmo C4.5
        • B.5.3.2.4 - Algoritmo CART per Problemi di Regressione
  • B.5.4 - Valutazione delle Performance di un Algoritmo di Apprendimento
    • B.5.4.1 - Stabilità, Bias, Varianza
    • B.5.4.2 - Ipotesi di Stazionarietà
    • B.5.4.3 - Metriche di Errore: Tasso di Errore, Perdita di Utilità Attesa, Perdita Empirica di Utilità
    • B.5.4.4 - Cross-Validazione
  • B.5.5 - Model (Class) Selection
  • B.5.6 - k-Fold Cross-Validation

Avviso: La didattica della facoltà è sospesa per consentire agli studenti di partecipare alla cerimonia per il conferimento della laurea Honoris Causa in Cybersecurity a Silvio Micali.
La lezione è dunque spostata allo stesso giorno, dalle 16:00 alle 17:30, presso l'aula S1 (piano interrato) della palazzina E della sede di viale Regina Elena 295.

Prima della lezione si consiglia di:

• Prendere un buon caffè
• Leggere le slide S.B.3 - Ragionamento in Presenza di Incertezza fino al punto affrontato a lezione
• Esercitazione E.B.2.3 - PDDL, Water Buckets, modelling: svolgerla in autonomia, confrontarsi con colleghi di corso per migliorare il proprio svolgimento, studiare la soluzione proposta
• Esercitazione E.B.3.2.2.1 - I Rossi, modelling: svolgerla in autonomia, confrontarsi con colleghi di corso per migliorare il proprio svolgimento, studiare la soluzione proposta
• Seguire la lezione "Recupero 2":
  • B.4 - Teoria delle Decisioni [slides]
    • B.4.1 - Funzioni di Utilità
    • B.4.2 - Utilità Attesa
    • B.4.3 - Principio della Massima Utilità Attesa (Maximum Expected Utility, MEU)
    • B.4.4 - Teoria dell'Utilità
      • B.4.4.1 - Preferenze Razionali
      • B.4.4.2 - Progettare Funzioni di Utilità
      • B.4.4.3 - L'utilità del Denaro
      • B.4.4.4 - Utilità Normalizzate
      • B.4.4.5 - Micromort e QALY
      • B.4.4.6 - Funzioni di Utilità Multi-Attributo
    • B.4.5 - Reti di Decisione
      • B.4.5.1 - Sintassi e Semantica
      • B.4.5.2 - Inferenza nelle Reti di Decisione

Argomenti trattati nella lezione:

• B.5 - Apprendimento dalle Osservazioni
  • B.5.1 - Apprendimento Supervisionato, Non Supervisionato e Per Rinforzo
  • Classificazione e Regressione
  • B.5.3 - Alberi di Decisione
    • B.5.3.1 - Sintassi e Semantica
    • B.5.3.2 - Apprendimento Induttivo di Alberi di Decisione

Prima della lezione si consiglia di:

• Prendere un buon caffè
• Esercitazione E.A.5.10 - CSP, HP 2D-Protein Folding: svolgerla in autonomia, confrontarsi con colleghi di corso per migliorare il proprio svolgimento
• Esercitazione E.B.2.2 - PDDL, Domino, modelling: svolgerla in autonomia, confrontarsi con colleghi di corso per migliorare il proprio svolgimento, guardare il webinar, studiare la soluzione proposta
• Definire la codifica SATPlan di una generica istanza del problema del Domino (soluzione volutamente non disponibile: Ti chiedo di definire un encoder usando SATCodec e di validare la correttezza delle istanze SAT generate su casi di test).
• Riconsiderare i problemi di planning visti fino ad ora e implementare, usando il framework D.A.3.1 - SearchStateExplorer, dei solver di ricerca informata per tali problemi, sperimentando l'uso di diversi algoritmi e di diverse euristiche. Attendo Tue proposte!
• Esplorare il sito della MA.B.2.1 - ICAPS International Planning Competition
• Esercitazione E.B.2.6 - PDDL, Torri di Hanoi, codifica CSP: svolgerla in autonomia, confrontarsi con colleghi di corso per migliorare il proprio svolgimento, studiare la soluzione proposta
• Esercitazione E.A.6.11 - SAT, Meetings: svolgerla in autonomia, confrontarsi con colleghi di corso per migliorare il proprio svolgimento, studiare la soluzione proposta

Argomenti trattati nella lezione:

• B.3 - Ragionamento in Presenza di Incertezza
  • B.3.2 - Ragionamento Probabilistico
    • B.3.2.2 - Reti Bayesiane (inferenza)
      • B.3.2.2.4.1-2 - Inferenza in Reti Bayesiane
        • B.3.2.2.4.1 - Algoritmo di Enumerazione della Distribuzione Congiunta
        • B.3.2.2.4.2 - Algoritmo di Eliminazione di Variabili

Prima della lezione si consiglia di:

• Prendere un buon caffè
• Leggere il capitolo 11 di AIMA fino al punto affrontato a lezione
• Leggere le slide S.B.2 - Pianificazione Classica
• Esercitazione E.A.6.10 - SAT, Cards 2: svolgerla in autonomia, confrontarsi con colleghi di corso per migliorare il proprio svolgimento e contattare il docente in caso di dubbi
• Esercitazione E.B.2.4 - PDDL, Torri di Hanoi, codifica SATPlan: svolgerla in autonomia, confrontarsi con colleghi di corso per migliorare il proprio svolgimento, studiare la soluzione proposta
• Seguire la lezione "Recupero 1":
  • B.3 - Ragionamento in Presenza di Incertezza [slides]
    • B.3.2 - Ragionamento Probabilistico
      • B.3.2.1 - Calcolo delle probabilità
        • B.3.2.1.1 - Richiami di calcolo delle probabilità
        • B.3.2.1.2 - Indipendenza Statistica e Condizionale

Valutazione dell'insegnamento:

• Complimenti, sei arrivata/o a 2/3 delle lezioni! Prima di procedere oltre, Ti raccomando di compilare il questionario OPIS per la valutazione di questo insegnamento, seguendo queste istruzioni. Riceverai il codice OPIS per questo insegnamento durante la lezione.

  Ti ricordo che, al fine di garantire la massima qualità del servizio, la compilazione del questionario OPIS da parte degli studenti è fondamentale, e va effettuata dopo aver fruito dei primi 2/3 di ogni insegnamento o modulo.

  A nome di Sapienza Università di Roma, Ti ringrazio vivamente per la collaborazione, preziosissima per permetterci di offrire un servizio sempre all'altezza delle aspettative.

  Per commenti e suggerimenti più puntuali (ad es., su singole unità) ti raccomando invece di scrivermi direttamente (cosa che può essere fatta anche anonimamente), di modo che io possa affrontare i problemi segnalati e migliorare la qualità del servizio offerto agli studenti al più presto.

Argomenti trattati nella lezione:

• B.3 - Ragionamento in Presenza di Incertezza
  • B.3.2 - Ragionamento Probabilistico
    • B.3.2.2.1-3 - Reti Bayesiane (modellazione)
      • B.3.2.2.1 - Sintassi e Semantica
      • B.3.2.2.2 - Assunzioni di Indipendenza Condizionale Implicite nella Struttura della Rete
      • B.3.2.2.3 - Modellazione di Reti Bayesiane

Prima della lezione si consiglia di:

• Prendere un buon caffè
• Leggere il capitolo 9 di AIMA
• Leggere le slide S.B.1 - Agenti Basati su Conoscenza in Logica del Primo Ordine
• Esplorare MA.B.1.2 - The TPTP Problem Library for Automated Theorem Proving
• Installare uno o più theorem provers e/o ricercatori di modelli FOL, ad esempio:
  • D.B.1.1 - The Vampire FOL Theorem Prover (vincitore delle ultime competizioni CASC)
  • D.B.1.2 - Prover9 e Mace4 (theorem prover e sintetizzatore di modelli FOL meno recenti, ma con comoda sintassi)

Argomenti trattati nella lezione:

• B.1 - Agenti Basati su Conoscenza in Logica del Primo Ordine
  • B.1.2.12-14 - Concatenazione in Avanti e Risoluzione
• B.2 - Pianificazione Classica
  • B.2.1 - Planning Domain Definition Language (PDDL)
  • B.2.2 - Domini e Problemi di Pianificazione

Prima della lezione si consiglia di:

• Prendere un buon caffè
• Leggere il capitolo 8 di AIMA
• Esercitazione E.A.6.6 - SAT: Edge Colouring: svolgerla in autonomia, confrontarsi con colleghi di corso per migliorare il proprio svolgimento, guardare il webinar
• Esercitazione E.B.1.1 - Studenti ansiosi, modelling: svolgerla in autonomia, confrontarsi con colleghi di corso per migliorare il proprio svolgimento, studiare la soluzione proposta

Argomenti trattati nella lezione:

• B.1 - Agenti Basati su Conoscenza in Logica del Primo Ordine
  • B.1.2.1-11 - Inferenza nella Logica del Primo Ordine

Prima della lezione si consiglia di:

• Prendere un buon caffè
• Prendere possesso del software SATCodec: [video] [slides] [repository software]
• Esercitazione E.A.6.4 - SAT, n-Queens: studiare la soluzione proposta e l'implementazione del relativo encoder SAT realizzato con SATCodec
• Esercitazione E.A.6.5 - SAT: Schur's Lemma: svolgerla in autonomia, confrontarsi con colleghi di corso per migliorare il proprio svolgimento, guardare il webinar, studiare la soluzione proposta, studiare l'implementazione fornita
• Esercitazione E.A.6.8 - SAT, Graph Colouring with Red Self-Loops: svolgerla in autonomia, confrontarsi con colleghi di corso per migliorare il proprio svolgimento, studiare la soluzione proposta

Argomenti trattati nella lezione:

• S.B.1 - Agenti Basati su Conoscenza in Logica del Primo Ordine
  • B.1.1 - Logica del Primo Ordine
  • B.1.1.5-6 - Modellazione nella Logica del Primo Ordine

Prima della lezione si consiglia di:

• Prendere un buon caffè
• Definire una base di conoscenza in logica proposizionale che modelli completamente la fisica del Mondo del Wumpus, estendendo il frammento mostrato nella slide S.A.6.39 (servirà per l'esercitazione E.A.6.13, che sarà proposta prossimamente).

Argomenti trattati nella lezione:

• A.6 - Agenti basati su conoscenza in logica proposizionale
  • A.6.6 - SAT: DPLL
  • A.6.7 - SAT: WalkSAT
  • A.6.8 - SAT: problemi combinatori
  • E.A.6.4 - SAT, n-Queens [soluzione] [codice]

Prima della lezione si consiglia di:

• Prendere un buon caffè
• Esercitazione E.A.5.7 - CSP, Cards 2: svolgerla in autonomia, confrontarsi con colleghi di corso per migliorare il proprio svolgimento, guardare il webinar, studiare la soluzione proposta
• Leggere il capitolo 7 di AIMA fino al punto affrontato a lezione
• Leggere le slide S.A.6 - Agenti Basati su Conoscenza in Logica Proposizionale fino al punto affrontato a lezione
• Esercitazione E.A.6.1 - Logica proposizionale, Risoluzione: svolgerla in autonomia, confrontarsi con colleghi di corso per migliorare il proprio svolgimento, guardare il webinar

Argomenti trattati nella lezione:

• A.6 - Agenti basati su conoscenza in logica proposizionale
  • A.6.4 - Teorema di completezza della risoluzione
  • A.6.5 - Inferenza efficiente nella logica proposizionale

La lezione non si terrà.

Per non annoiarsi si consiglia di: