Introduzione all'Intelligenza Artificiale

Introduzione all'Intelligenza Artificiale e Machine Learning

• Il corso si concentra su Informatica per la Comunicazione, Marketing e Digital Media
• Il corso affronta l'Introduzione all'Intelligenza Artificiale e il Machine Learning
• Il docente è la Prof.ssa Alessandra Musolino
• L'anno accademico è 2024-2025

Storia dell'Intelligenza Artificiale

• Nel 1956, al Dartmouth College nel New Hampshire, un gruppo di scienziati si è riunito per discutere di concetti che potevano essere riassunti come Intelligenza Artificiale (AI)
• I principali temi erano l'Elaborazione del Linguaggio Naturale, le Reti Neurali, i Principi e le Tecniche di Astrazione, la Teoria della Computabilità e la Costruzione di Modelli Creativi.
• Lo studio si concentrerà sull'ipotesi che l'apprendimento e le altre caratteristiche dell'intelligenza possano essere descritte con una precisione tale da permettere la costruzione di una macchina per simularli.
• La costruzione di macchine in grado di risolvere problemi normalmente esclusivi dell'uomo e di migliorare autonomamente.

Prima Definizione di AI

• L'Intelligenza Artificiale (AI) è la teoria e lo sviluppo di un sistema informatico in grado di svolgere compiti che normalmente richiedono l'intelligenza umana, come la percezione visiva, il riconoscimento del parlato e il processo decisionale. (English Oxford Living Dictionary)

Intelligenza Naturale

• Riferimento all'ambiente circostanze: Percezione sensoriale, Osservazione, Ragionamento e Problem-solving
• Il dato descritto in modo elementare (fatto, oggetto, evento) tramite simboli o combinazioni di simboli.
• Il dato diventa informazione quando consente di scegliere; l'Informazione diventa conoscenza quando consente di capire; la Conoscenza diventa competenza quando consente di agire
• Processo di apprendimento, comunicazione tra entità intelligenti e comprensione.

Paradosso di Moravec

• La scoperta da parte di ricercatori in Intelligenza Artificiale e Robotica che il ragionamento di alto livello richiede una quantità minima di calcolo, mentre capacità di basso livello (sensomotorie) richiedono enormi risorse computazionali.
• Es. facilità di far eseguire a un computer attività di livello adulto (giochi da tavolo), ma difficoltà nel riprodurre competenze di un bambino piccolo (percezione e mobilità).
• Enfatizzare la difficoltà di riprodurre abilità umane complesse.

Interdisciplinarietà

• L'applicazione congiunta di competenze provenienti da diverse discipline scientifiche (Informatica, Biologia, Psicologia, Matematica, Statistica, Calcolo delle Probabilità) è fondamentale.
• Necessità di un background interdisciplinare per lo sviluppo di strumenti e di una cooperazione efficace nei team.

Algoritmo e Fondamenti della Disciplina

• Gli algoritmi sono fondamentali nell'informatica, trasformano il mondo ed è necessario per governarne il futuro.
• Soluzione ai problemi tramite una sequenza di passaggi o istruzioni.

Algoritmi di IA

• Le tecniche di apprendimento automatico sono state sviluppate fin dagli anni '80.
• L'enorme aumento della potenza di calcolo e della disponibilità dei grandi dataset hanno reso possibili molte applicazioni moderne.
• Tecniche come il percettrone di Rosenblatt (reti neurali) aiutano a comprendere molte tecnologie moderne.

Deep Blue e AlphaGo: Differenze

• Confronto tra il programma Deep Blue dell'IBM (1997) e il programma AlphaGo (2016): programmazione esplicita vs. apprendimento automatico.
• Deep Blue utilizzava la programmazione esplicita basata sulla conoscenza esistente riguardo alle regole degli scacchi.
• AlphaGo, invece, sfruttava le tecniche di apprendimento automatico con enormi quantità di dati.

Machine Learning: Appunti

• Ruolo del Machine Learning nel passare dalla programmazione esplicita a processi di apprendimento basati sui dati.
• L'apprendimento supervisionato si concentra sull'addestrare un sistema per un compito specifico tramite dati "etichettati".
• L'apprendimento non supervisionato esplora dati per individuare pattern e strutture senza "etichette".
• Ruolo dell'input e dell'output.

Machine Learning: Apprendimento Supervisionato

• Descrizione generale dell'apprendimento supervisionato
• Rappresentazione dei dati di input e output.
• La valutazioni del risultato per ottimizzare l'algoritmo.

Elementi Caratteristici dell'Apprendimento Supervisionato

• Importanza dei dati di input correttamente rappresentati.
• L'algoritmo individua relazioni e pattern nei dati.
• Feedback di valutazione per migliorare l'algoritmo.

Apprendimento Supervisionato: Classificazione

• Applicazione dell'inferenza per classificazione di dati.
• Metodologia chiave: target, valori loss, classificazione, etichette.
• Classificazione multi-etichetta: elaborazione di dati con più di un'etichetta possibile.

Albero Decisionale

• Metodo di classificazione basato su albero decisionale per prendere decisioni.
• Il processo parte dalla radice dell'albero e si sviluppa in base alle domande poste.
• I dati possono essere sia discreti che continui.
• Questo metodo impiega classificazione booleana (vero o falso).

Apprendimento degli alberi decisionali

• Descrizione del problema di decisione in un ristorante.
• Attributi utilizzabili per la scelta (ad esempio, tempo di attesa, presenza di un bar, tipo di ristorante).

Rappresentazioni basate su Attributi

• Tabelle, o esempi, di dati su cui applicare l'analisi degli alberi decisionali.

Apprendimento Supervisionato: Regressione

• Predizione di variabili target a scala continua, attraverso l'analisi di tendenze e previsioni.
• Differenziazione tra regressione lineare (una sola variabile descrittiva) e regressione multipla o non lineare (più variabili descrittive).
• Focus su concetti chiave (target, regressione scalare, regressione vettoriale).

Apprendimento Supervisionato VS Apprendimento Non Supervisionato

• Introduzione delle differenze tra apprendimento supervisionato e non supervisionato.
• Apprendimento supervisionato: relazione tra attributi del dataset e attributo target.
• Apprendimento non supervisionato: esplorazione di strutture intrinseche nei dati senza attributo target.

Apprendimento non Supervisionato: Analisi dei Cluster

• Metodologia per raggruppare elementi simili in base a proprietà comuni.
• Minimizzazione delle distanze all'interno di ciascun cluster.
• Massimizzazione delle distanze fra i diversi cluster.

Applicazioni dell'analisi dei cluster

• Diverse applicazioni dell'analisi dei cluster in diverse aree.
• Compresione di documenti correlati, identificazione di funzioni biologiche simili, analisi di stock.
• Riepilogo di dataset di grandi dimensioni per miglioramento dell'efficienza.

Reinforcement Learning

• Apprendimento per ottimizzazione della ricompensa attraverso azioni interattive in un ambiente.
• Processi di feedback non sono noti per ogni singola azione.