PolyU | Concetti di Intelligenza Artificiale
Questo corso completo offre un'introduzione rigorosa ma accessibile all'Intelligenza Artificiale, pensato per studenti post-laurea e professionisti. Colma il divario tra le fondamenta storiche e le innovazioni più avanzate, il programma si sviluppa da AI simbolica e algoritmi di ricerca fino a Deep Learning moderno e AI 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 Grandi Dimensioni (LLM). Il corso enfatizza sia la teoria che la pratica, utilizzando Python e framework standard del settore come PyTorch per implementare algoritmi, interagire con API moderne e affrontare questioni critiche riguardanti etica e sicurezza nell'IA.
Panoramica del corso
📚 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
- 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.
- 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.
- 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).
- 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.
Lezioni
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.
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.
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.
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.
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.
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.
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.
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.
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.
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).
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.
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.