- Mathematics and Physics
- Master's Degree in MATHEMATICS
- ALGORITMI PER L'INTELLIGENZA ARTIFICIALE
ALGORITMI PER L'INTELLIGENZA ARTIFICIALE
- Teaching in italian
- ALGORITMI PER L'INTELLIGENZA ARTIFICIALE
- Teaching
- Subject area
- INFO-01/A
- Reference degree course
- MATHEMATICS
- Course type
- Master's Degree
- Credits
- 6.0
- Teaching hours
- Frontal Hours: 42.0
- Academic year
- 2026/2027
- Year taught
- 2027/2028
- Course year
- 2
- Language
- ITALIAN
- Curriculum
- TEORICO-MODELLISTICO
Teaching description
Conoscenze di base di analisi matematica, algebra lineare, teoria della probabilità e programmazione. È consigliabile possedere nozioni preliminari di analisi e progettazione di algoritmi e strutture dati.
Il corso introduce alcune delle principali tecniche algoritmiche utilizzate nell’Intelligenza Artificiale, con particolare attenzione agli algoritmi impiegati per la risoluzione di problemi decisionali, di ottimizzazione e strategici.
La prima parte del corso introduce gli approcci classici dell’IA, affrontando agenti intelligenti, algoritmi di ricerca, tecniche euristiche, problemi di soddisfacimento di vincoli (CSP) e ricerca avversaria in ambienti strategici e giochi. Successivamente, il corso si focalizza sul Reinforcement Learning, introducendo i concetti di Bandit Algorithms, exploration vs exploitation, regret, Processi Decisionali di Markov (MDP), algoritmi di ottimizzazione delle policy e metodi di apprendimento basati su Monte Carlo e Temporal Difference Learning.
Al termine del corso, lo studente:
-
sarà in grado di riconoscere e modellare problemi decisionali, di ottimizzazione e strategici, individuando le tecniche algoritmiche più appropriate per la loro risoluzione;
-
avrà acquisito la capacità di analizzare, comprendere e applicare algoritmi di Intelligenza Artificiale, valutandone caratteristiche, limiti e prestazioni in diversi contesti applicativi;
-
sarà in grado di approfondire autonomamente nuovi algoritmi e metodologie, sviluppando capacità critiche nella scelta e nell’adattamento delle soluzioni algoritmiche ai problemi affrontati.
Lezioni frontali corredate da esempi pratici, con l’ausilio di implementazioni e applicazioni degli algoritmi trattati.
Realizzazione di un seminario su un argomento di approfondimento inerente alle tematiche affrontate nel corso, seguito da una discussione orale finalizzata ad accertare la comprensione dei concetti teorici e degli aspetti algoritmici trattati nel corso.
Intelligenza Artificiale Classica: Agenti e Problem Solving
- Introduzione all’IA e agenti intelligenti.
- Problem solving tramite algoritmi di ricerca:
- ricerca non informata;
- ricerca informata;
- funzioni euristiche e algoritmo A*.
- Ricerca in ambienti complessi:
- ricerca locale;
- ottimizzazione;
- ambienti non deterministici.
- Adversarial Search e Teoria dei Giochi:
- Minimax;
- Alpha-Beta pruning;
- Monte Carlo Tree Search (MCTS).
- Constraint Satisfaction Problems (CSP).
Multi-Armed Bandits
- Problemi multi-armed bandits.
- Paradigma Exploration vs Exploitation.
- Minimizzazione del regret.
- Algoritmi per la selezione delle azioni:
- ε-greedy;
- Upper Confidence Bound (UCB);
- Thompson Sampling.
- Cenni ad altre varianti: Adversarial Bandits e Contextual Bandits.
Reinforcement Learning
- Introduzione al Reinforcement Learning (RL):
- agenti, stati, azioni, ricompense;
- relazione con i multi-armed bandits.
- Markov Decision Processes (MDP).
- Policy Iteration e Value Iteration.
- Metodi Monte Carlo in RL.
- Temporal Difference Learning:
- SARSA;
- Q-Learning.
- Cenni di Deep Reinforcement Learning.
Testi di riferimento
- S. Russell, P. Norvig, Artificial Intelligence: A Modern Approach, 4th Edition, Pearson, 2021. (Per gli argomenti relativi all’Intelligenza Artificiale classica)
- A. Slivkins, Introduction to Multi-Armed Bandits, Foundations and Trends in Machine Learning, Vol. 12, No. 1–2, Now Publishers, 2019. (Per gli argomenti relativi ai Multi-Armed Bandits)
- S. Zhao, Mathematical Foundations of Reinforcement Learning, Springer Singapore, 2025. (Per gli argomenti relativi al Reinforcement Learning)
Altri testi consigliati
- R. S. Sutton, A. G. Barto, Reinforcement Learning: An Introduction, 2nd Edition, MIT Press, 2018.
- C. Szepesvári, Algorithms for Reinforcement Learning, Morgan & Claypool Publishers, 2010.
- T. Lattimore, C. Szepesvári, Bandit Algorithms, Cambridge University Press, 2020.
Semester
Exam type
Optional - Related/Supplementary
Type of assessment
Oral - Final grade