20810515 - FONDAMENTI DI INTELLIGENZA ARTIFICIALE

Obiettivi

Gli obiettivi sono quelli di presentare i modelli, i metodi e le tecniche di base impiegate nelle aree del Intelligenza Artificiale, quali problem-solving, ricerca in ambienti complessi, ricerca con avversari, rappresentazione della conoscenza e gestione di vincoli. Saranno studiati alcuni domini didattici utili per comprendere l’applicazione pratica dei concetti trattati nel corso.
Le lezioni e le esercitazioni pratiche svolte durante il corso consentiranno allo studente di acquisire capacità base di analisi e di problem solving su vari domìni d’interesse per la disciplina.

Risultati Apprendimento Attesi

Al termine del corso lo studente sarà in grado di:

- comprendere i principi teorici della Computer Vision e dell’elaborazione delle immagini digitali;
- descrivere i principali metodi di acquisizione, rappresentazione e trasformazione delle immagini;
- conoscere gli algoritmi fondamentali per estrazione di feature, segmentazione, classificazione e riconoscimento;
- comprendere i principi geometrici della visione artificiale, inclusi modelli di camera, calibrazione e ricostruzione 3D;
- conoscere le principali tecniche basate su Deep Learning per problemi di Computer Vision.

Programma

RUSSO PAOLO

Elementi di Proiezione Prospettica
Calibrazione della fotocamera
Elementi di Geometria Epipolare
Elementi di Ricostruzione 3D
Filtraggio delle immagini
Elementi di Deep Learning applicato alle immagini

SANSONETTI GIUSEPPE

1. Introduzione al corso
- Aree di interesse dell’Intelligenza Artificiale.
- Potenzialità dei modelli e dei metodi di IA.

2. Soluzione di Problemi mediante Ricerca nello Spazio degli Stati
- Ricerca non informata (in ampiezza, guidata dal costo, in profondità, iterative deepening).
- Ricerca euristica (Best First, Algoritmo A*, funzioni euristiche).
- Algoritmi approssimati (Hill Climbing, Simulated Annealing, ecc.).
- Ricerca in presenza di avversari (MiniMax, Alfa-Beta pruning).

3. Introduzione al linguaggio Python
- Ambienti di sviluppo, Jupyter Notebook, Colab.
- Python base. Strutture dati in Pyhton.
- Librerie Python: NumPy, Pandas, Matplotlib, ScikitLearn.

4. Evolutionary Computation
- Soft Computing e “No Free Lunch Theorem”.
- Algoritmi Genetici e loro applicazioni.
- Particle Swarm Optimization e applicazioni.

5. Comunicazione e Percezione
- Visione Artificiale:
• Luce e colore
• Formazione immagini
• Elaborazione flusso visuale
• Tecniche di object recognition

Prerequisiti

RUSSO PAOLO

Nozioni di base di analisi matematica e di algebra lineare.

SANSONETTI GIUSEPPE

Fondamenti di programmazione e data analytics.

Testi Adottati

RUSSO PAOLO

Computer Vision, a modern approach, David Forsyth e Jean Ponce

SANSONETTI GIUSEPPE

Lucidi delle lezioni.

Modalità Frequenza

RUSSO PAOLO

frequenza libera

SANSONETTI GIUSEPPE

La frequenza non è obbligatoria, ma è fortemente consigliata.

Modalità Valutazione

RUSSO PAOLO

Domande a risposta aperta.

SANSONETTI GIUSEPPE

Prova scritta.

Esempi Domande

Spiegare l'algoritmo tipico di calibrazione della fotocamera.