Programma del corso:
Cenni storici sull'evoluzione dell'IA: dai theorem prover agli agenti.
Aspetti avanzati della pianificazione automatica.
Rappresentazione della conoscenza: reti semantiche, cenni su altri formalismi (frame, regole di produzione). Il sistema CYC per la modellazione del ragionamento di senso comune. Introduzione alle ontologie formali: logiche descrittive e ragionamento ontologico. Esempi di ontologie upper-level (Sumo e Milo, Dolce). L'editor Protégé per lo sviluppo di ontologie.
Apprendimento automatico. Problemi di classificazione e nozioni di base. Apprendimento come ricerca nello spazio delle ipotesi. Alberi di decisione e induzione di alberi di decisione. Esempi: interfacce online per l'apprendimento di alberi di decisione.
Sistemi simbolici e sub-simbolici. Reti neurali: nozioni di base. Il percettrone e le reti con unità nascoste. Addestramento di reti neurali.
Modelli di agenti: modello BDI e cenni su architetture cognitive (Soar, ACT).

Bibliografia:
- Danilo Fum, Intelligenza Artificiale, Il Mulino, Bologna, 1994. Cap.4 (solo paragrafi 4.2 e 4.5); Cap.5 (tutto); Cap.6 (solo fino a paragrafo 4.1 incluso, no paragrafi 5 e 6); Cap.7 (tutto tranne paragrafi 2 e 4.3).
Intelligenza Artificiale, S. Russell e P. Norvig, Pearson Education Italia 2005 (edizione in due volumi): Cap. 1 (solo paragrafi 1.3, pp. 24-41); Cap. 10, "Rappresentazione della conoscenza" (paragrafi 1.1 e 1.2, pp. 407-417; paragrafo "Logiche Descrittive", pp.448-449; paragrafo "Circoscrizione", pp. 454-457); Cap. 11,"Pianificazione" (paragrafo 1.1, pp. 477-486; paragrafo 1.3, pp. 492-501); Capitolo 20, "Metodi di apprendimento statistico", paragrafo 20.5 fino a pag. 429, il resto solo in lettura (concetti generali di reti multistrato alimentate in avanti e algoritmo di back-propagation).