PolyU | Concetti di Intelligenza Artificiale

📚 Riepilogo del Contenuto

Questo corso completo offre un'introduzione rigorosa ma accessibile all'Intelligenza Artificiale (IA), pensata per studenti post-laurea e professionisti. Colma il divario tra fondamenti storici e innovazioni di punta, il curriculum si sviluppa dai sistemi simbolici e dagli algoritmi di ricerca fino ai moderni Deep Learning e IA Generativa. Gli studenti esploreranno argomenti essenziali come la rappresentazione della conoscenza, il ragionamento probabilistico e l'apprendimento automatico classico prima di approfondire reti neurali, Transformers e Modelli Linguistici di Grande Dimensione (LLM). Con un'enfasi sia sulla teoria che sulla pratica, il corso utilizza Python e framework standard dell'industria come PyTorch per implementare algoritmi, interagire con API moderne e affrontare questioni criticali riguardanti etica e sicurezza nell'IA.

Colmare 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 necessarie per progettare, implementare ed esaminare eticamente sistemi intelligenti.

🎯 Obiettivi di Apprendimento

1. Padroneggiare le Fondamenta dell'IA: Analizzare e implementare paradigmi fondamentali per la risoluzione dei problemi, inclusi ricerca euristica, ragionamento basato sulla logica e modellazione probabilistica.
2. Implementare Architetture di Deep Learning: Progettare e addestrare reti neurali avanzate usando PyTorch, che vanno da Multi-layer Perceptrons a Reti Neurali Convolutionali e Transformers.
3. Attuare Soluzioni di IA Generativa: Progettare applicazioni che sfruttano Modelli Linguistici di Grande Dimensione (LLM), impiegando tecniche come fine-tuning, ingegneria di prompt e Generazione Aumentata con Recupero (RAG).
4. Garantire uno Sviluppo Etico dell'IA: Valutare criticamente i sistemi IA per bias, sicurezza e allineamento, applicando strategie di spiegabilità e robustezza in scenari reali.

🔹 Lezione 1: Storia e Fondamenti dell'IA

Panoramica: Un'esplorazione delle origini dell'Intelligenza Artificiale, che copre il Test di Turing, la Conferenza di Dartmouth e il ciclo ciclico dello sviluppo dell'IA noto come "Inverni dell'IA".

Risultati dell'Apprendimento:

• Tracciare l'evoluzione storica dell'IA dal 1956 a oggi.
• Confrontare e contrapporre i paradigmi dell'IA Simbolica (GOFAI) e del Connectionismo.
• Discutere l'impatto della Rivoluzione del Deep Learning e degli ultimi progressi generativi.

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

Panoramica: Introduzione agli agenti risolutivi di problemi fondamentali tramite algoritmi di ricerca, distinguendo tra ricerca cieca e approcci basati su euristiche.

Risultati dell'Apprendimento:

• Implementare metodi di ricerca non informata come BFS, DFS e ricerca con costo uniforme.
• Applicare tecniche di ricerca euristica come A* e ricerca Best-First Greedy.
• Analizzare complessità e ottimalità di diverse strategie di ricerca.

🔹 Lezione 3: Ricerca Avversaria e Soddisfacimento di Vincoli

Panoramica: Un'analisi approfondita della decisione in ambienti competitivi (giochi) e della risoluzione di problemi definiti da vincoli.

Risultati dell'Apprendimento:

• Padronizzare l'algoritmo Minimax e il pruning Alpha-Beta per il gioco.
• Comprendere il Monte Carlo Tree Search (MCTS) usato nei sistemi avanzati come AlphaGo.
• Risolvere Problemi di Soddisfacimento di Vincoli (CSP) con backtracking e ricerca locale.

🔹 Lezione 4: Rappresentazione della Conoscenza e Ragionamento

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

Risultati dell'Apprendimento:

• Utilizzare la Logica Proposizionale e la Logica del Primo Ordine per rappresentazione e inferenza.
• Confrontare i vecchi Sistemi Esperti con le moderne Grafiche della Conoscenza e Ontologie.
• Esplorare l'IA Neuro-Simbolica come ponte tra logica e reti neurali.

🔹 Lezione 5: Incertezza nell'Era dell'IA Generativa

Panoramica: Superare i calcoli probabilistici classici per comprendere come l'incertezza guidi l'IA moderna. Questa lezione esplora perché i LLM "allucinano" (e perché questo è un vantaggio, non un difetto), come i modelli di Diffusione creano arte da pura casualità e come gli Agenti Autonomi prendono decisioni in mondi aperti imprevedibili.

Risultati dell'Apprendimento:

• Da Bayes ai "Vibes": Acquisire una comprensione intuitiva della confidenza e della calibrazione, imparando perché una probabilità del "99%" può comunque essere sbagliata senza perdersi nei complessi calcoli matematici.
• Il Motore della Creatività: Analizzare i meccanismi di campionamento probabilistico (Temperatura, Top-P) che rendono creativa l'IA Generativa e portano alle allucinazioni.
• Prendere Decisioni da Agente: Comprendere le strategie decisionali in condizioni di incertezza, concentrandosi sul dilemma "Esplorazione vs. Sfruttamento" nell'Apprendimento per Rinforzo e nei Sistemi Multi-Agente.

🔹 Lezione 6: Apprendimento Automatico Classico

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

Risultati dell'Apprendimento:

• Implementare modelli di apprendimento supervisionato come Alberi Decisionali e SVM.
• Applicare tecniche non supervisionate come clustering K-means e PCA.
• Usare Scikit-learn per risolvere problemi analitici di base.

🔹 Lezione 7: Fondamenti delle Reti Neurali

Panoramica: Il passaggio al calcolo ispirato alla biologia, trattando architettura e meccanismi di addestramento delle reti neurali artificiali.

Risultati dell'Apprendimento:

• Spiegare la struttura di neuroni artificiali e delle Reti Perceptron Multilivello (MLP).
• Padronizzare l'algoritmo di Backpropagation e diverse funzioni di attivazione (ReLU, GELU).
• Costruire una rete neurale di base usando PyTorch.

🔹 Lezione 8: Visione Artificiale e CNN

Panoramica: Focus sul processamento di dati visivi attraverso architetture deep learning specializzate.

Risultati dell'Apprendimento:

• Comprendere il funzionamento delle Reti Neurali Convolutionali (CNN).
• Analizzare architetture avanzate come ResNet e Vision Transformers (ViT).
• Implementare un modello di classificazione immagini di base.

🔹 Lezione 9: Modellazione di Sequenze e il Transformer

Panoramica: Evoluzione del processamento di sequenze dalle Reti Neurali Ricorrenti al rivoluzionario meccanismo di Attenzione.

Risultati dell'Apprendimento:

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

🔹 Lezione 10: Modelli Linguistici di Grande Dimensione (LLM)

Panoramica: Studio approfondito delle tecnologie più avanzate di IA Generativa con focus sulla generazione di testo e adattamento del modello.

Risultati dell'Apprendimento:

• Descrivere il ciclo di pre-addestramento e fine-tuning dei LLM.
• Esplorare l'Apprendimento per Rinforzo da Feedback Umano (RLHF).
• Praticare l'ingegneria di prompt e metodi di fine-tuning efficienti dal punto di vista dei parametri (PEFT/LoRA).

🔹 Lezione 11: Applicazioni Avanzate di IA Generativa

Panoramica: Espansione oltre il testo verso sistemi di recupero e media generativa usando API moderne.

Risultati dell'Apprendimento:

• Implementare la Generazione Aumentata con Recupero (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 dell'IA, Sicurezza e Allineamento

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

Risultati dell'Apprendimento:

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