Il Corso è offerto in Italiano, ma tutto il materiale didattico è in Inglese, dal momento che la letteratura nel campo è interamente in questa lingua, e quindi è essenziale prendere dimestichezza con la terminologia specifica in questa lingua. 

Di seguito trovate un breve riassunto del programma del corso in Italiano. Un programma più dettagliato può essere reperito a questo link. 

Il Corso è costituito da 3 moduli principali dei quali i primi due, uno teorico ed uno pratico, sono relativi all’approccio degli Agenti, mentre l’ultimo è relativo all’approccio del Machine Learning e del Deep Learning: 

    0. Introduzione all’Intelligenza Artificiale ed al Corso 

    1. Agent Based Models (ABM) e Multi Agent Systems (MAS): approccio teorico 

      1.1. Introduzione: concetti fondamentali per un approccio Agent Based, considerando sia i sistemi composti da pochi agenti (ABM) sia quelli basati su società di agenti (MAS) 

      1.2. Agenti intelligenti: concetti base per il disegno di un agente intelligente e descrizione delle più semplici architetture per un agente 

      1.3. Agenti con ragionamento deduttivo: un approccio al disegno di agenti basato su logica e ragionamento deduttivo 

      1.4. Agenti con ragionamento pratico: un approccio al disegno di agenti basato sul ragionamento pratico, cioè sull’integrazione tra deliberazione e ragionamento mezzi-fini 

      1.5. Agenti reattivi ed ibridi: un approccio al disegno di agenti basato su architetture sussuntive e/o ibride 

      1.6. Interazione tra agenti: concetti base delle società di agenti, introdotti utilizzando i fondamenti di Teoria dei Giochi 

      1.7. Accordi tra agenti: concetti base della negoziazione (tra agenti e non), introdotti utilizzando la teoria delle aste e dei protocolli di negoziazione 

      1.8. Comunicazione tra agenti: concetti base della comunicazione tra agenti, introdotti utilizzando la Teoria degli Atti Linguistici 

      1.9. Collaborazione tra Agenti: concetti base della collaborazione tra agenti e la coordinazione nelle società di agenti

    2. Agent Based Models (ABM) e Multi Agent Systems (MAS): approccio pratico 

      2.1. Introduzione a NetLogo: introduzione al framework ad agenti NetLogo, con concetti base di programmazione e disegno di modelli in NetLogo e disanima di un modello specifico di una società di agenti 

      2.2. Definizione delle attività pratiche: formazione dei gruppi e definizione con il Docente dell’attività di ricerca 

    3. Machine Learning (ML) e Deep Learning (DL) 

      3.1. Introduzione: concetti fondamentali e tipologie di Machine Learning e Deep Learning 

      3.2. Apprendimento Supervisionato – Introduzione: concetti fondamentali dell’Apprendimento Supervisionato, con introduzione alle varie tipologie (Classificazione ed Apprendimento Induttivo) ed applicazioni 

      3.3. Apprendimento Supervisionato – Classificazione con Alberi Decisionali: concetti fondamentali dell’utilizzo degli Alberi Decisionali per la Classificazione 

      3.4. Apprendimento Supervisionato – Classificazione Bayesiana: concetti fondamentali della Classificazione Bayesiana e dell’approccio probabilistico all’estrazione dell’informazione dai dati 

      3.5. Artificial Neural Networks (ANN): concetti fondamentali alla base delle Reti Neurali Artificiali ed al loro utilizzo per classificazione ed apprendimento 

      3.6. Apprendimento Non Supervisionato: concetti fondamentali ed applicazioni dell’Apprendimento Non Supervisionato, con un focus particolare sull’analisi multivariata dei dati utilizzando tecniche di analisi dei cluster

Il concetto di Intelligenza Artificiale ha assunto negli ultimi decenni assoluta preminenza in una pletora di applicazioni industriali, scientifiche, economiche e sociali. Tuttavia per la sua stessa natura è di difficile comprensione al profano e viene declinato in molte modalità differenti, così differenti da rischiare talvolta di creare “ghetti” scientifici e veri e proprio dialetti nella letteratura. 

Questo Corso ha lo scopo di introdurre gli studenti alle differenti tipologie di approccio basate sull’Intelligenza Artificiale, dai sistemi composti da poche entità intelligenti, ed al limite da una singola entità, ai sistemi complessi costituiti da vere e proprie società di agenti, dove l’intelligenza può risiedere nel singolo agente o palesarsi come un’intelligenza collettiva e quindi sociale. Verranno quindi descritti differenti approcci per l’implementazione di (società di) istanze di Intelligenza Artificiale, con un focus particolare su quegli approcci che storicamente e per la loro stessa natura sono ideali per la modellizzazione di sistemi complessi economici o sociali, e che in questo Corso di Laurea possono fornire un alto valore aggiunto. Senza tuttavia trascurare, nell’ultimo modulo del corso, gli approcci del Machine Learning e del Deep Learning che sono nell’immaginario collettivo più comunemente associati all’Intelligenza Artificiale. 

Considerata la complessità e la vastità del campo e l’elevato livello di competenze logico-matematiche e di programmazione necessari ad un analisi approfondita dei concetti trattati nel corso, il Corso punterà più che a fornire le singole competenze specifiche piuttosto a fornire agli studenti la capacità di riconoscere l’approccio più promettente per le differenti problematiche da affrontare, in modo da poter identificare, una volta sul campo e nella vita lavorativa, in base all’approccio selezionato, quali siano le competenze specifiche da costruirsi per aggredire il problema specifico.

Per questo motivo il Corso include un modulo, il secondo, che temporalmente si dipanerà per l’intera seconda metà del corso, che permetterà agli studenti suddivisi in gruppi un approccio pratico alla modellizzazione ad agenti, utilizzando un framework di simulazione (NetLogo) che richiede competenze pregresse di programmazione estremamente limitate, applicato ad un fenomeno specifico economico, sociale, o biologico già delineato in letteratura e concordato con il Docente. 

Il materiale didattico sarà caricato man mano anche su questa area del Google Drive IUSTO.

Il materiale relativo ai primi due moduli del Corso è già interamente disponibile. 

NB: Per la preparazione dell'esame del Corso non è necessario fare riferimento a 'altro oltre alle slides del corso fornite dal Docente. I testi riportati qui di seguito sono da considerarsi come suggerimenti per eventuali approfondimenti.

Testi di riferimento: 

    1. “An Introduction to MultiAgent Systems”, Michael Wooldridge, John Wiley & Sons, 2nd Ed., 2009, 484 pages

    2. “Agent-based Models of the Economy, From Theories to Applications”, Riccardo Boero, Maytteo Morini, Michele Sonnessa, Pietro Terna, Palgrave Macmillan, 2015, 210 pages 

    3. “Economics for a Fairer Society: Going Back to Basics using Agent-Based Models”, T. Gooding, Palgrave Pivot, 2019, 204 pages 

Letture raccomandate: 

    1. “Multiagent Systems, A Modern Approach to Distributed Modern Approach to Artificial Intelligence”, Gerhard Weiss, The MIT Press, 2000, 619 pages 

    2. “A Semantic Web Primer”, G. Antoniou, F. van Harmelen, MIT Press, 2012, 3rd Ed., 287 pages 

    3. “Artificial Intelligence: A Modern Approach”, S. Russell, P. Norvig, 4th Ed., Global Ed., Prentice College Div.2020, 1115 pages 

    4. “Agent-Based Models in Economics, A Toolkit”, D. Delli Galli, G. Fagiolo, M. Gallegati, M. Richiardi, A. Russo, Cambridge University Press, 2018, 241 pages 

    5. https://github.com/gama-platform, GitHub Project GAMA Home Page