Docsity
Docsity

Prepara i tuoi esami
Prepara i tuoi esami

Studia grazie alle numerose risorse presenti su Docsity


Ottieni i punti per scaricare
Ottieni i punti per scaricare

Guadagna punti aiutando altri studenti oppure acquistali con un piano Premium


Guide e consigli
Guide e consigli


intelligenza artificiale e informatica, Schemi e mappe concettuali di Informatica

intelligenza artificiale su tanti fronti, adatto soprattutto al quinto anno e per collegamenti all'esame di maturità

Tipologia: Schemi e mappe concettuali

2024/2025

In vendita dal 30/06/2025

asia-camilla-califano
asia-camilla-califano 🇮🇹

15 documenti

1 / 6

Toggle sidebar

Questa pagina non è visibile nell’anteprima

Non perderti parti importanti!

bg1
INTELLIGENZA ARTIFICIALE (sigla IA o AI in inglese)
- Si vuole copiare il cervello umano, mettere le sue funzionalità su una
macchina
- Macchina in grado di eseguire attività che richiedono intelligenza come
apprendimento o soluzione di problemi
- Già con Turing durante la II guerra mondiale si parla di IA (FILM THE
IMITATION GAME)
- LE DEFINIZIONI DI IA SONO VARIE E NON C’E’ UNA PRECISA DATA D’INIZIO
Consideriamo nel 1956 John McCarthy in un congresso la definisce la scienza e
ingegneria di creare macchine intelligenti
- COSA SIGNIFICA EFFETTIVAMENTE INTELLIGENZA? (sul pino
filosofico/psicologico)
Psicologa Gottfred: capacità di imparare dall’esperienza
Docente Dehaene: imparare è comprendere, i dati che colpiscono i nostri
sensi diventano idee
- 1950 ALAN TURING in “Computing Machinery and Intelligence” si pone una
domanda con cui definisce e introduce IA “Le macchine possono pensare?” e
introduce il
TEST DI TURING: un interrogatore fa delle domande e quando gli viene fornita
una risposta che è testuale, deve capire se è di un umano o di un PC
- Ne parla Turing ma gli anni ’60 e ’90 sono definiti l’inverno dell’IA e la
massima diffusione c’è adesso, perché? Perché dietro IA c’è statistica, internet
e mas media che si sono diffusi ai giorni nostri con la crescita di quantità di big
data
- CLASSIFICAZIONE
Computer con dati deve saperci
lavorare
se non distingue vuol dire
che PC ha raggiunto livello
umano
Da qui prende spunto il CHAPTA (T viene da
Turing) che ti chiede spunta se non sei un robot
IA FORTE o GENERALE, in filosofia ESSERE
INTELLIGENTE
Applicazioni in cui non si distingue più l’uomo dalla
macchina, a cui ancora non siamo arrivati, è teoria
teorica, un pc con intelligenza emotiva, che i
ricercatori stanno studiando
IA DEBOLE o RISTRETTA, in filosofia
AGIRE IN MODO INTELLIGENTE
Applicazioni che agiscono in modo
intelligente ma che non eguagliano
mai l’essere umano, sono tutte le
attuali applicazioni di IA che abbiamo
(come PC)
pf3
pf4
pf5

Anteprima parziale del testo

Scarica intelligenza artificiale e informatica e più Schemi e mappe concettuali in PDF di Informatica solo su Docsity!

INTELLIGENZA ARTIFICIALE (sigla IA o AI in inglese)

  • Si vuole copiare il cervello umano, mettere le sue funzionalità su una macchina
  • Macchina in grado di eseguire attività che richiedono intelligenza come apprendimento o soluzione di problemi
  • Già con Turing durante la II guerra mondiale si parla di IA (FILM THE IMITATION GAME)
  • LE DEFINIZIONI DI IA SONO VARIE E NON C’E’ UNA PRECISA DATA D’INIZIO Consideriamo nel 1956 John McCarthy in un congresso la definisce la scienza e ingegneria di creare macchine intelligenti
  • COSA SIGNIFICA EFFETTIVAMENTE INTELLIGENZA? (sul pino filosofico/psicologico) Psicologa Gottfred: capacità di imparare dall’esperienza  Docente Dehaene: imparare è comprendere, i dati che colpiscono i nostri sensi diventano idee
  • 1950 ALAN TURING in “Computing Machinery and Intelligence” si pone una domanda con cui definisce e introduce IA “Le macchine possono pensare?” e introduce il TEST DI TURING: un interrogatore fa delle domande e quando gli viene fornita una risposta che è testuale, deve capire se è di un umano o di un PC
  • Ne parla Turing ma gli anni ’60 e ’90 sono definiti l’inverno dell’IA e la massima diffusione c’è adesso, perché? Perché dietro IA c’è statistica, internet e mas media che si sono diffusi ai giorni nostri con la crescita di quantità di big data
  • CLASSIFICAZIONE Computer con dati deve saperci lavorare se non distingue vuol dire che PC ha raggiunto livello umano Da qui prende spunto il CHAPTA (T viene da Turing) che ti chiede spunta se non sei un robot IA FORTE o GENERALE, in filosofia ESSERE INTELLIGENTE Applicazioni in cui non si distingue più l’uomo dalla macchina, a cui ancora non siamo arrivati, è teoria teorica, un pc con intelligenza emotiva, che i ricercatori stanno studiando IA DEBOLE o RISTRETTA, in filosofia AGIRE IN MODO INTELLIGENTE Applicazioni che agiscono in modo intelligente ma che non eguagliano mai l’essere umano, sono tutte le attuali applicazioni di IA che abbiamo (come PC)
  • APPLICAZIONI REALI: Riconoscimento vocale (Alexa, Siri), Servizio clienti automatico, Computer vision (cioè ricavare informazioni da input visivi), Motori di raccomandazione (consigli per comprare cose affini ai nostri interessi), Trading azionario automatico (operazioni in banca).

STORIA

  • 1950 : Alan Turing pubblica Computing Machinery and Intelligence.
  • 1956 : DATA UFFICIALE DI INIZIO. John McCarthy conia il termine “intelligenza artificiale” in occasione della prima conferenza sull’AI al Dartmouth College
  • 1967 : Frank Rosenblatt costruisce il Mark 1 Perceptron, il primo computer basato su una rete neurale che "impara" per tentativi ed errori.
  • Anni ’80 : le reti neurali che utilizzano un algoritmo di backpropagation per addestrarsi diventano ampiamente utilizzate nelle applicazioni di intelligenza artificiale.
  • 1997: IBM Deep Blue (IA) batte l'allora campione del mondo di scacchi Garry Kasparov, in una partita a scacchi (e rivincita).
  • 2011 : IBM watson batte i campioni Ken Jennings e Brad Rutter a Jeopardy! (gioco)
  • 2015 : il supercomputer Minwa di Baidu utilizza un tipo speciale di rete neurale profonda, chiamata rete neurale convolutiva, per identificare e categorizzare le immagini con un tasso di accuratezza superiore alla media umana.
  • 2016 : il programma AlphaGo di DeepMind, alimentato da una rete neurale profonda, batte Lee Sodol, il campione del mondo di Go, in un incontro di cinque partite.La vittoria è significativa se si considera l'enorme numero di mosse possibili nel corso del gioco (oltre 14,5 trilioni dopo solo quattro mosse!).
  • 2023 : l'aumento dei modelli di linguaggio di grandi dimensioni, o LLM, come ChatGPT, crea un enorme cambiamento nelle prestazioni dell’AI e nel suo potenziale di generare valore aziendale. Con queste nuove pratiche di AI generativa, è possibile pre-addestrare i modelli di apprendimento profondo su grandi quantità di dati non elaborati e non etichettati.

L’IA E’ UNA MACROAEREA CON SOTTOSISTEMI

punti che gli ho assegnato), trovando nuovi centroidi. Adesso iterativamente ricalcolo le distanze dal nuovo centroide, quindi i gruppi possono cambiare, e ricalcolo centroide e così via, iterando algoritmo. Ci si ferma quando nonostante che io cambio centroidi gli elementi del dataset non cambiano più. Questo algoritmo crea cluster secondo calcolo di punti medi, cioè centroidi. Sicuro i centroidi sono minimo 2, per capire che numero mi serve c’è il metodo del gomito (elbow method): calcolo l’errore (cioè distanza di punti con ogni centroide) per 2, 3, 4 centroidi e così via, fino a quando l’errore non migliora all’aumentare dei claster e capisco che non mi servono più centroidi, se invece vedo che migliora vuol dire che utilizzando quei cluster ho soluzione migliore.  CON RINFORZO: quando addestro do un feedback, utente gli dice questo è giusto (positivo) e questo no (negativo). (PREVISIONE è utilizzo algoritmo, ADDESTRAMENTO è come lo preparo, CLUSTER sono insiemi) DEFINIZIONI cosa può accadere utilizzando questi algoritmi?

  • OVERFITTING: il nostro algoritmo funziona benissimo (affidabilità vicino 100%) con i dati dell’addestramento, cioè del training set, ma nel momento in cui gli vengono dati dati di test (non nel training test) funziona male (affidabilità bassa)
  • UNDERFITTING: sia nei dati di addestramento che nei dati di test non abbiamo buoni risultati, algoritmo non funziona TRE SOLUZIONI POSSIBILI PER ENTRAMBI: aumentare dati del training set (di addestramento) (sono troppo simili, o troppo pochi), valutare eventuali dati mancanti (primi due soprattutto per over), cambiare il modello dell’algoritmo (soprattutto per l’under) ESERCIZI DI REGERESSIONE LINEARE (più semplice algoritmo di IA, machine learning) A partire da un training set attraverso un algoritmo di apprendimento, creo un modello matematico che mi consente di predire output di dati in input non del training set (predizione). NEGLI ESERCIZI DI REGRESSIONE LINEARE DEVO DISEGNARE PUNTI SECONDO I MIEI VALORI DEL TRAINING SET, LI METTO IN UN

GRAFICO E POI DEVO CREARE UNA RETTA CHE MINIMIZZA LE

DISTANZE CON QUEI PUNTI (minimizza i minimi quadrati) L'OBIETTIVO E' IPOTIZZARE L'OUTPUT DI UN INPUT NON DEL TRAINING SET. Il coefficiente di correlazione (r) ci dice se il modello della retta è buono. Più è vicino a 1 o -1 più è buona la soluzione. È la metrica per valutare se l’algoritmo è buono (non solo per come l’ho costruito ma anche il tipo che ho scleto) Per calcolarlo formule sul quaderno. Range è da -1 a 1. Il segno ci dice come è orientata. VEDI APPROFONDIMENTO FILE PROF

( VIDEO

RETI NEURALI (algoritmi) (DEEP LEARNING – APPRENDIMENTO APPROFONDITO, ALL’INTERNO DEL MACHINE LEARNING) video

  • Si utilizzano per problemi complessi dal punto di vista matematico o problemi non lineari (es problemi di visione, in cui voglio addestrare l’algoritmo per fargli capire se un elemento è presente in un’immagine)
  • Quelle semplici fanno parte del machine learning, tutte le altre più complesse sono del deep learning
  • Prende spunto dal nostro neurone, dalle sinapsi (infatti l’intelligenza artificiale vuole ricreare cervello uomo), sono reti neurali biologiche i neuroni.
  • Modello computazionale caratterizzato da più elementi: DENDRITE  INPUT (somma segnali inibitori ed eccitatori), Processo di elaborazioneHIDDEN LAYER, ASSONE OUTPUT (o output layer)
  • Permette di moltiplicare i pesi delle connessioni per l’input relativo MA così avrei una rappresentazione lineare, introduco non linearità perché a queste somme devo applicare una funzione di attivazione che non è lineare, questo mi permette di ottenere un modello

non lineare e risolvere quindi problemi non lineari)

DEEP LEARNING (APPRENDIMENTO PROFONDO)

  • Sistema a strati in cui input (cioè dataset) vengono elaborati da tutti gli strati.
  • Sfrutta il concetto di rete neurale (concetto teorico sul quale si applicano gli algoritmi) per determinare output
  • Parte volendo ricreare il nostro cervello, quindi lo studiano. Partono da complesso dei neuroni, funzionali quando legati da loro (quindi in DL ci sono più strati)