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

Download teaching card (Apre una nuova finestra)(Apre una nuova finestra)