ECTS - University of Pisa
Scheda programma d'esame
ARTIFICIAL INTELLIGENCE FUNDAMENTALS
MARIA SIMI
Academic year2020/21
CourseCOMPUTER SCIENCE
Code643AA
Credits6
PeriodSemester 1
LanguageEnglish

ModulesAreaTypeHoursTeacher(s)
ARTIFICIAL INTELLIGENCE FUNDAMENTALSINF/01LEZIONI48
MARIA SIMI unimap
Obiettivi di apprendimento
Learning outcomes
Conoscenze

Al termine del corso lo studente avrà acquisito conoscenze in merito alle principali teorie e tecniche per la costruzione di sistemi di AI “basati su conoscenza”, in accordo ad una visione di “agente” in grado di operare in un ambiente sulla base di conoscenze acquisite dall’esperienza o da fonti esterne e opportunamente immagazzinate in maniera esplicita.
Knowledge

At the end of the course the student will acquire knowledge about the main theories and techniques for building "knowledge-based" AI systems, according to the AI vision of "agents" able to act in an environment on the basis of knowledge acquired from experience or from external sources and explicitly stored.
Modalità di verifica delle conoscenze

Per l'accertamento delle conoscenze sarà valutata la capacità di capire e di presentare i contenuti delle lezioni e delle letture assegnate.
Assessment criteria of knowledge

We will assess the ability to understand and present the contents of the lessons and readings assigned.
Capacità

Al termine del corso lo studente sarà in grado di formalizzare un problema di AI utilizzando i formalismi di rappresentazione e le tecniche più appropriate alla natura e complessità del problema e sarà in grado di proporre soluzioni efficienti nell’ambito dei problemi studiati.
Skills

At the end of the course, the student will be able to formalize an AI problem by using the formalisms for representation and the techniques most appropriate to the nature and complexity of the problem and will be able to propose efficient solutions within the range of problems studied.
Modalità di verifica delle capacità

Allo studente sarà chiesto di cimentarsi nella risoluzione di piccoli problemi e presentare in forma scritta i risultati.
Assessment criteria of skills

The student will be asked to solve small problems and to discuss the solutions in class or present the results in writing.
Comportamenti

Il corso contribuirà a fornire allo studente consapevolezza dei vari approcci che concorrono nella costruzione di una intelligenza artificiale, i limiti dei sistemi attuali, nonostante i grossi successi recenti, e quanto l’obiettivo di costruire “macchine intelligenti” sia ancora una delle più grosse sfide che abbiamo davanti.
Behaviors

The course will help to provide the student with awareness of the various approaches involved in building “artificial intelligence” agents, the limits of current systems, despite major recent achievements, and how the goal of building "intelligent machines" is still one of the biggest challenges we are facing.
Modalità di verifica dei comportamenti

Alcune letture suggerite avranno un aspetto più speculativo e potranno essere oggetto di domande all'esame.
Assessment criteria of behaviors

Some suggested readings will have a more speculative nature and may be the topic of further questions at the exam.
Prerequisiti (conoscenze iniziali)

Logica formale. Algoritmi e complessità. Computabilità. Elementi di calcolo di probabilità. Un corso di base in Intelligenza Artificiale (problem solving come ricerca, rappresentazione e ragionamento nella logica classica) è utile ma non necessario.
Prerequisites

Formal logic. Algorithms and complexity. Computability. Elements of probability calculus. A basic course in Artificial Intelligence (problem solving as search, representation and reasoning in classical logic) is useful but not necessary.
Indicazioni metodologiche

Il corso è suddiviso in cinque sezioni.

Per ciascuna sezione del corso ci sarà un nucleo di lezioni tradizionali con il supporto di lucidi forniti in anticipo e approfondimenti sul contenuto delle stesse. Le attività assegnate agli studenti in forma di piccoli problemi da risolvere, esperienze di programmazione o letture di articoli seminali sono funzionali alla preparazione dell'esame finale.

Alla fine di ogni sezione verranno discussi esempi di esercizi e domande da affrontare nell'esame finale.

Tutto il materiale e i compiti assegnati saranno resi disponibili attraverso la piattaforma di elearning Moodle.
Teaching methods

The course is divided in five sections.

For each section of the course there will be a body of face to face lectures with the support of slides, made available beforehand. Activities assigned to students in the form of small problems to be solved, programming tasks or readings of seminal papers serve the purpose to prepare for the final exam.

At the end of each section we will discuss examples of exercises and questions to be dealt with in the final exam.

All the material and assignments will be made available through Moodle elearning platform.
Programma (contenuti dell'insegnamento)

Intelligenza Artificiale e agenti (2)

  1. Una introduzione al corso
  2. Architetture agente.

I – Problem solving e soddisfacimento di vincoli (CSP) (4)

  1. Richiamo al problem solving come ricerca in uno spazio di stati.Formulazione di problemi CSP.
  2. Riduzione di problemi, tecniche per controlli di consistenza.
  3. Ricerca euristica ed efficiente, metodi locali di riparazione euristica; struttura del problema.

 II – Rappresentazione della conoscenza e ragionamento (6)

  1. Caratterizzazione dei sistemi KB. Relazione tra espressività e complessità. ragionamento nella logica classica.
  2. “Knowledge engineering” e “Ontology engineering”.
  3. Ragionamento sul cambiamento: il calcolo di situazioni e il “frame problem”. Ragionamento temporale.
  4. Ragionamento su conoscenze e credenze.
  5. Reti semantiche e rappresentazioni strutturate (frame)
  6. Ragionamento su ontologie e logiche descrittive.

III - Ragionamento in presenza di incertezza (4)

  1. Rappresentazione di conoscenza incerta e probabilistica. Ragionamento probabilistico.
  2. Reti di credenze e inferenza.
  3. Ragionamento su sequenze temporali.

IV – Sistemi a regole (4)

  1. Sistemi a regole e sistemi di produzione basati su regole.
  2. Incertezza nei sistemi a regole. Implementazione efficiente.
  3. Programmazione logica con vincoli
  4. Answer set programming

V - Pianificazione (4)  

  1. Il problema della pianificazione. Rappresentazione delle azioni. Pianificazione come ricerca in uno spazio di stati.
  2. Pianificazione a regressione. Pianificazione con ordinamento parziale. Grafi di pianificazione.
  3. Pianificazione nel mondo reale: trattamento di vincoli temporali e di risorse. Pianificazione gerarchica. Pianificazione in domini non-deterministici. Pianificazione multi-agente.
Syllabus

Artificial Intelligence and agents (2)

  1. An introduction to the course
  2. Agent architectures.

I – Problem solving and Constraint satisfaction (4)

  1. Review of problem solving as search. CSP Problem formulation.
  2. Problem reduction, consistency checking techniques.
  3. Heuristic and efficient search, local repair methods; problem structure.

 II - Knowledge representation and reasoning (6)

  1. Introduction to KB systems. Expressivity and computational complexity. Review of reasoning in classical logic.
  2. “Knowledge engineering” and “Ontology engineering”.
  3. Non-monotonic reasoning. Reasoning about change. Situation calculus and the “frame problem”. Temporal reasoning.
  4. Reasoning about knowledge and belief
  5. Semantic networks and structured representations (frames).
  6. Reasoning about ontologies and description logics

III - Reasoning under uncertainty (4)

  1. Representing uncertain knowledge and probabilistic reasoning.
  2. Belief networks and inference
  3. Reasoning over time

IV - Rule based systems (4)

  1. Logic programming and rule based production systems.
  2. Uncertainty in rule based systems. Efficient implementation.
  3. Constraint logic programming
  4. Answer set programming

V - Planning (4)            

  1. The planning problem, representation for actions. Planning as state-space search, regressive planning
  2. Partial order planning, planning graphs
  3. Planning in the real world: dealing with temporal and resource constraints, hierarchical planning, planning in non-deterministic domains, multi-agent planning.
Bibliografia e materiale didattico

David L. Poole,  Alan K. Mackworth. Artificial Intelligence: foundations of computational agents, Cambridge University Press, Apr 19, 2010 – Computers. http://artint.info/html/ArtInt.html

Stuart J. Russell and Peter Norvig. Artificial Intelligence: A Modern Approach (3rd edition). Pearson Education 2010. http://aima.cs.berkeley.edu/

Edward Tsang. Foundations of Constraint Satisfaction, Computation in Cognitive Science. Elsevier Science. Kindle Edition, 2014.

Ronald Brachman and Hector Levesque. Knowledge Representation and Reasoning. Morgan Kaufmann Publishers Inc., San Francisco, CA, USA. 2004.

Genesereth, M., and Nilsson, N., Logical Foundations of Artificial Intelligence, San Francisco: Morgan Kaufmann, 1987.

Nils Nilsson, N., Artificial Intelligence: A New Synthesis, San Francisco: Morgan Kaufmann, 1998.

David Barber, Bayesian Reasoning and Machine Learning, Online version February 2017.

Other materials will be made available through Moodle.
Bibliography

David L. Poole,  Alan K. Mackworth. Artificial Intelligence: foundations of computational agents, Cambridge University Press, Apr 19, 2010 – Computers. https://artint.info/2e/html/ArtInt2e.html

Stuart J. Russell and Peter Norvig. Artificial Intelligence: A Modern Approach (3rd edition). Pearson Education 2010. http://aima.cs.berkeley.edu/

Edward Tsang. Foundations of Constraint Satisfaction, Computation in Cognitive Science. Elsevier Science. Kindle Edition, 2014.

Ronald Brachman and Hector Levesque. Knowledge Representation and Reasoning. Morgan Kaufmann Publishers Inc., San Francisco, CA, USA. 2004.

Genesereth, M., and Nilsson, N., Logical Foundations of Artificial Intelligence, San Francisco: Morgan Kaufmann, 1987.

Nils Nilsson, N., Artificial Intelligence: A New Synthesis, San Francisco: Morgan Kaufmann, 1998.

David Barber, Bayesian Reasoning and Machine Learning, Online version February 2017.

Other materials will be made available through Moodle.
Indicazioni per non frequentanti

Tutti i materiali suggeriti per la lettura, lucidi delle lezioni, esercizi e domande tipo, saranno resi disponibili sul sito Moodle del corso. La docente è disponibile a fornire assistenza a distanza durante il corso, rispondendo a domande e fornendo suggerimenti per approfondimenti.
Non-attending students info

All the reading material, lecture slides, exercises and questions, will be made available in the Moodle web site of the course. The lecturer is available to provide remote support by answering questions and suggesting further readings.

 
Modalità d'esame

Esame scritto finale da svolgersi durante i normali periodi di esame (prima opportunità a gennaio 2021).
Assessment methods

Final written exam to be taken during regular exam sessions (first opportunity on January 2021).

 
Altri riferimenti web

 

 
Additional web pages

 

 
Updated: 21/08/2020 19:32