- Engineering for Innovation
- Master's Degree in COMPUTER ENGINEERING
- AUTOMATIC PLANNING
AUTOMATIC PLANNING
- Teaching in italian
- PIANIFICAZIONE AUTOMATICA
- Teaching
- AUTOMATIC PLANNING
- Subject area
- MAT/09
- Reference degree course
- COMPUTER ENGINEERING
- Course type
- Master's Degree
- Credits
- 9.0
- Teaching hours
- Frontal Hours: 81.0
- Academic year
- 2024/2025
- Year taught
- 2024/2025
- Course year
- 1
- Language
- ITALIAN
- Curriculum
- PERCORSO COMUNE
- Reference professor for teaching
- GHIANI GIANPAOLO
- Location
- Lecce
Teaching description
Conoscenze approfondite di Analisi Matematica, Algebra Lineare, Calcolo delle Probabilità, programmazione in linguaggi procedurali e a oggetti. Conoscenze di base di Statistica.
Il corso fornisce i fondamenti metodologici e la conoscenza delle soluzioni tecnologiche per realizzare e mettere in opera sistemi intelligenti che supportino o automatizzino decisioni complesse. Le applicazioni trattate spaziano dalla promozione delle vendite nell'e-commerce alla pianificazione della produzione nel settore manifatturiero, dall'ottimizzazione di portafogli di asset nel settore finanziario alla gestione real-time di AGV (veicoli a guida automatica) in magazzini automatizzati, ... Le metodologie presentate spaziano dalla Ricerca Operativa alla Statistica fino all'Intelligenza Artificiale.
Knowledge and understanding. Lo studente acquisirà le conoscenze di base per progettare e mettere in opera sistemi intelligenti che supportino o automatizzino decisioni complesse.
Applying knowledge and understanding. Al termine del corso, lo studente sarà in grado di progettare e implementare in C++ o Python un mock-up dei più comuni sistemi di supporto alle decisioni.
Il corso consiste di lezioni frontali, esercitazioni in classe e assegni a casa (home assignments). Le lezioni frontali forniscono i fondamenti metodologici con l'utilizzo della lavagna e/o slide. Le esercitazioni in classe e gli assegni a casa richiedono l'uso di applicativi SW o lo sviluppo di brevi codici in C++ o Python. Gli studenti sono invitati a partecipare attivamente al corso risolvendo i problemi assegnati dal docente.
L'esame consiste di due parti:
- una prova scritta con 15 domande a risposta breve (15 punti);
- una prova orale in cui lo studente illustri lo svolgimento dei problemi/esercizi/approfondimenti assegnati dal docente a lezione (reperibili su www.elearning.unisalento.it)
Disponibili su www.studenti.unisalento.it
Ricevimento studenti
Gli studenti sono caldamente invitati a chiedere spiegazioni in caso di dubbi, ... Il docente riceve, di regola, tutti i martedì alle 11:00, in presenza (Corpo O, 2° piano, Studio O-202) o su piattaforma Teams. Prima di venire a ricevimento, verificare con una e-mail (a gianpaolo.ghiani@unisalento.it) che il docente sia effettivamente in sede nella data richiesta.
PART I – INTRODUZIONE (6 ore)
1.1 Introduzione: dati, informazioni, conoscenza; tassonomia delle decisioni, classificazione dei metodi di supporto alle decisioni
1.2 Agenti intelligenti
PART II – TUTORIAL SUL LINGUAGGIO PYTHON (6 ore)
2.1 La sintassi del linguaggio. Librerie. Ambienti di sviluppo.
PART III – OTTIMIZZAZIONE (27 ore)
3.1 Concetti fondamentali. Rassegna di modelli di ottimizzazione nei settori della logistica, della produzione, dei trasporti, dell'e-commerce, della finanza. Ottimizzazione Convessa. Programmazione Lineare. Programmazione Lineare a Variabili Intere.
PART IV – SIMULAZIONE (21 ore)
4.1 Valutazione delle prestazioni: sperimentazione, simulazione e metodi analitici. Simulazione Monte Carlo. Simulazione ad Eventi Discreti.
4.2 Cenni su alcuni metodi analitici
4.3 Richiami su stima e test di ipotesi
4.4 Generazione di numeri pseudocasuali
4.5 Simulazione ad eventi discreti: analisi dell'output, cenni sui metodi di riduzione della varianza
PART V - PLANNING (27 ore)
5.1 Search. Search uninformed e informed. A* algorithm. Action languages e linguaggio STRIPS.
5.2 Dynamic Programming (DP)
5.3 Algoritmi euristici. Local search. Tabu Search. Simulated Annealing. Algoritmi Genetici. GRASP
5.4 Elementi di Adversarial Search e Game Theory.
5.5 Elementi di logica proposizionale e del I ordine. Elementi di Constraint Programming.
PART VI - PLANNING IN CONDIZIONI DI INCERTEZZA (21 ore)
6.1 Matrice dei reward. Criterio del max-min, del min-max. di Bayes. Valore atteso della perfetta informazione
6.2 Attitudine del decisore al rischio. Downside risk.
6.3 Processi Decisionali Sequenziali
6.4 Cenni sulla DP in condizioni di incertezza e Reinforcement Learning
Slides e snippets utilizzati a lezione (disponibili su http://elearning.unisalento.it/)
Per consultazione:
- Russell, Stuart J., and Peter Norvig. Artificial intelligence: a modern approach. Malaysia; Pearson Education Limited, 2016.
Semester
First Semester (dal 16/09/2024 al 20/12/2024)
Exam type
Compulsory - Related/Supplementary
Type of assessment
Oral - Final grade
Course timetable
https://easyroom.unisalento.it/Orario