PolyU | Artificial Intelligence Concepts

📚 Sommario dei Contenuti

Questo corso completo fornisce un'introduzione rigorosa ma accessibile all'Intelligenza Artificiale, progettato per studenti post-laurea e professionisti. Colma il divario tra le fondamenta storiche e le innovazioni all'avanguardia, il curriculum progredisce dall'IA simbolica e dagli algoritmi di ricerca al moderno Deep Learning e all'IA Generativa. Gli studenti esploreranno argomenti essenziali come la rappresentazione della conoscenza, il ragionamento probabilistico e il machine learning classico prima di approfondire reti neurali, Transformer e Large Language Models (LLM). Enfatizzando sia la teoria che la pratica, il corso utilizza Python e framework standard del settore come PyTorch per implementare algoritmi, interagire con API moderne e affrontare questioni critiche nell'etica e nella sicurezza dell'IA.

Colmando il divario tra l'IA simbolica classica e l'IA generativa moderna, questo corso fornisce agli studenti la profondità teorica e le competenze pratiche in Python per progettare, implementare e valutare eticamente sistemi intelligenti.

🎯 Obiettivi di Apprendimento

1. Padroneggiare le Fondamenta dell'IA: Analizzare e implementare paradigmi fondamentali di risoluzione dei problemi, tra cui la ricerca euristica, il ragionamento basato sulla logica e la modellazione probabilistica.
2. Implementare Architetture di Deep Learning: Progettare e addestrare reti neurali avanzate utilizzando PyTorch, dalle reti multistrato (MLP) alle reti neurali convoluzionali (CNN) e ai Transformer.
3. Distribuire Soluzioni di IA Generativa: Realizzare applicazioni che utilizzano Large Language Models (LLM), impiegando tecniche come il fine-tuning, il prompt engineering e il Retrieval-Augmented Generation (RAG).
4. Garantire lo Sviluppo Etico dell'IA: Valutare criticamente i sistemi di IA per bias, sicurezza e allineamento, applicando strategie di interpretabilità e robustezza in scenari reali.

---

🔹 Lezione 1: Storia e Fondamenta dell'IA

Panoramica: Un'esplorazione delle origini dell'Intelligenza Artificiale, coprendo il Test di Turing, la Conferenza di Dartmouth e la natura ciclica dello sviluppo dell'IA nota come 'Inverni dell'IA'.

Risultati di Apprendimento:

• Tracciare l'evoluzione storica dell'IA dal 1956 ad oggi.
• Confrontare e contrapporre i paradigmi dell'IA Simbolica (GOFAI) e del Connessionismo.
• Discutere l'impatto della Rivoluzione del Deep Learning e delle recenti scoperte generative.

---

🔹 Lezione 2: Strategie di Ricerca: Non Informate e Informate

Panoramica: Introduzione agli agenti fondamentali per la risoluzione dei problemi utilizzando algoritmi di ricerca, distinguendo tra ricerca cieca e approcci basati su euristiche.

Risultati di Apprendimento:

• Implementare metodi di ricerca non informata, inclusi BFS, DFS e Uniform Cost search.
• Applicare tecniche di ricerca euristica come A* e Greedy Best-First search.
• Analizzare la complessità e l'ottimalità di diverse strategie di ricerca.

---

🔹 Lezione 3: Ricerca Avversaria e Soddisfacimento di Vincoli

Panoramica: Un'immersione approfondita nel processo decisionale in ambienti competitivi (giochi) e nella risoluzione di problemi definiti da vincoli.

Risultati di Apprendimento:

• Padroneggiare l'algoritmo Minimax e il potatura Alfa-Beta per il gioco.
• Comprendere il Monte Carlo Tree Search (MCTS) utilizzato in sistemi avanzati come AlphaGo.
• Risolvere problemi di soddisfazione di vincoli (CSP) utilizzando il backtracking e la ricerca locale.

---

🔹 Lezione 4: Rappresentazione della Conoscenza e Ragionamento

Panoramica: Studio di come i sistemi di IA rappresentano le informazioni logicamente per eseguire inferenze, passando dalla logica classica alle moderne strutture di conoscenza.

Risultati di Apprendimento:

• Utilizzare la logica proposizionale e la logica del primo ordine per la rappresentazione e l'inferenza.
• Confrontare i sistemi esperti legacy con i moderni Knowledge Graph e le Ontologie.
• Esplorare l'IA Neuro-Simbolica come ponte tra logica e reti neurali.

---

🔹 Lezione 5: Incertezza nell'Era del GenAI

Panoramica: Andare oltre i calcoli probabilistici classici per comprendere come l'incertezza guida l'IA moderna. Questa lezione esplora perché gli LLM allucinano (e perché è una caratteristica, non un difetto), come i modelli Diffusion creano arte dal puro rumore e come gli Agenti Autonomi prendono decisioni in mondi aperti imprevedibili.

Risultati di Apprendimento:

• Da Bayes ai "Vibe": ottenere una comprensione intuitiva della confidenza e della calibrazione, imparando perché una "probabilità del 99%" può comunque essere errata senza perdersi in complesse formule matematiche.
• Il Motore della Creatività: Analizzare come i meccanismi di campionamento probabilistico (Temperatura, Top-P) abilitano la creatività dell'IA Generativa e portano ad allucinazioni.
• Processo Decisionale degli Agenti: Comprendere le strategie decisionali in condizioni di incertezza, concentrandosi sul dilemma "Esplorazione vs. Sfruttamento" nel Reinforcement Learning e nei Sistemi Multi-Agente.

---

🔹 Lezione 6: Machine Learning Classico

Panoramica: Un'introduzione pratica agli algoritmi basati sui dati per l'apprendimento supervisionato e non supervisionato utilizzando Python.

Risultati di Apprendimento:

• Implementare modelli di apprendimento supervisionato, inclusi alberi decisionali e SVM.
• Applicare tecniche non supervisionate come il clustering K-means e la PCA.
• Utilizzare Scikit-learn per risolvere problemi di analisi dati di base.

---

🔹 Lezione 7: Fondamenta delle Reti Neurali

Panoramica: La transizione al calcolo ispirato alla biologia, coprendo l'architettura e i meccanismi di addestramento delle reti neurali artificiali.

Risultati di Apprendimento:

• Spiegare la struttura dei neuroni artificiali e dei modelli multistrato (MLP).
• Padroneggiare l'algoritmo Backpropagation e varie funzioni di attivazione (ReLU, GELU).
• Costruire una rete neurale di base utilizzando PyTorch.

---

🔹 Lezione 8: Visione Artificiale e CNN

Panoramica: Focus sull'elaborazione di dati visivi attraverso architetture specializzate di deep learning.

Risultati di Apprendimento:

• Comprendere i meccanismi delle Reti Neurali Convoluzionali (CNN).
• Analizzare architetture avanzate come ResNet e Vision Transformers (ViT).
• Implementare un modello di base per la classificazione delle immagini.

---

🔹 Lezione 9: Modellazione di Sequenze e il Transformer

Panoramica: Evoluzione dell'elaborazione delle sequenze dalle Reti Neurali Ricorrenti (RNN) al rivoluzionario meccanismo di Attenzione.

Risultati di Apprendimento:

• Distinguere tra RNN, LSTM e l'architettura Transformer.
• Spiegare il paper 'Attention Is All You Need' e i meccanismi di auto-attenzione.
• Comprendere il ruolo di Encoder e Decoder in modelli come BERT e GPT.

---

🔹 Lezione 10: Large Language Models (LLM)

Panoramica: Studio approfondito dell'IA Generativa all'avanguardia focalizzato sulla generazione di testo e sull'adattamento del modello.

Risultati di Apprendimento:

• Descrivere il ciclo di vita di Pre-training e Fine-tuning degli LLM.
• Esplorare il Reinforcement Learning from Human Feedback (RLHF).
• Praticare tecniche di Prompt Engineering e di fine-tuning efficiente in termini di parametri (PEFT/LoRA).

---

🔹 Lezione 11: Applicazioni Avanzate di IA Generativa

Panoramica: Espansione oltre il testo verso sistemi di recupero e media generativi utilizzando API moderne.

Risultati di Apprendimento:

• Implementare il Retrieval-Augmented Generation (RAG) per ridurre le allucinazioni.
• Comprendere la matematica dietro i Modelli di Diffusione (es. Stable Diffusion) e i VAE.
• Interagire con API di IA moderne per costruire un'applicazione generativa.

---

🔹 Lezione 12: Etica, Sicurezza e Allineamento dell'IA

Panoramica: Analisi critica dell'impatto sociale dell'IA, focalizzata su responsabilità e protocolli di sicurezza.

Risultati di Apprendimento:

• Identificare le fonti di bias e garantire l'equità nei modelli di IA.
• Discutere la Sicurezza dell'IA, la Robustezza e il problema dell'Allineamento.
• Valutare l'Interpretabilità (XAI) e le strategie di mitigazione per le allucinazioni degli LLM.

---