Il corso permetterà agli studenti di apprendere vari metodi per la progettazione, l’implementazione e la sperimentazione di sistemi adattivi su Web realizzati mediante tecniche di Intelligenza Artificiale, con particolare riferimento alle tecniche di Machine Learning. Specifica attenzione sarà posta ai sistemi di Information Retrieval, come i motori di ricerca, i crawler e i document feed. Saranno studiati i modelli di retrieval classici, come il Vector Space Model e i modelli probabilistici, le tecniche di ranking dei documenti, così come l'algoritmo PageRank utilizzato da Google. Saranno affrontati i metodi di Machine Learning in Information Retrieval, incluse le tecniche per la Sentiment Analysis, i metodi di User Modeling necessari per la ricerca personalizzata e le applicazioni di social search che coinvolgono comunità di individui in attività quali il tagging dei contenuti e il question answering. Si approfondiranno le tecniche per l’analisi dei social network (e.g., Facebook e Twitter) che consentiranno di esplorare fenomeni come la diffusione delle fake news, il filter bubble e la polarizzazione degli utenti. Si studieranno, infine, i Recommender System, dagli algoritmi di base (e.g., collaborative filtering) agli scenari applicativi (e.g., film, libri, artisti e brani musicali)
Curriculum
scheda docente
materiale didattico
Il docente metterà a disposizione degli studenti i lucidi delle lezioni attraverso il sito del corso. Tali lucidi saranno autosufficienti, cioè redatti in maniera tale da non richiedere la consultazione di testi ulteriori ai fini del superamento dell'esame.
Mutuazione: 20801798 SISTEMI INTELLIGENTI PER INTERNET in Ingegneria informatica LM-32 SANSONETTI GIUSEPPE
Programma
Il corso prenderà in esame vari metodi per la progettazione, l'implementazione e la sperimentazione di sistemi adattivi su Web, realizzati mediante tecniche di Intelligenza Artificiale. Particolare attenzione sarà posta ai sistemi di Information Retrieval, come i motori di ricerca, e a nuove ed emergenti tecnologie idonee per la realizzazione della prossima generazione di strumenti di ricerca intelligenti e personalizzati. Saranno studiati i modelli di retrieval classici, come il modello vector space e i modelli probabilistici, le tecniche di ranking dei documenti, così come l'algoritmo PageRank utilizzato da Google. Saranno affrontati i metodi di Machine Learning in Information Retrieval, incluse le tecniche per la Sentiment Analysis, i metodi di User Modeling necessari per la ricerca personalizzata, i Sistemi di Raccomandazione, l’identificazione e l'analisi delle Comunità Online e Social Network (come ad es. Facebook e Twitter).Testi Adottati
Le lezioni del corso riguarderanno tematiche trattate in articoli scientifici e testi di riferimento.Il docente metterà a disposizione degli studenti i lucidi delle lezioni attraverso il sito del corso. Tali lucidi saranno autosufficienti, cioè redatti in maniera tale da non richiedere la consultazione di testi ulteriori ai fini del superamento dell'esame.
Modalità Erogazione
Lezioni ed esercitazioni in aula.Modalità Frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.Modalità Valutazione
Prova scritta, valutazione progetto.
scheda docente
materiale didattico
Il docente metterà a disposizione degli studenti i lucidi delle lezioni attraverso il sito del corso. Tali lucidi saranno autosufficienti, cioè redatti in maniera tale da non richiedere la consultazione di testi ulteriori ai fini del superamento dell'esame.
Programma
Il corso prenderà in esame vari metodi per la progettazione, l'implementazione e la sperimentazione di sistemi adattivi su Web, realizzati mediante tecniche di Intelligenza Artificiale. Particolare attenzione sarà posta ai sistemi di Information Retrieval, come i motori di ricerca, e a nuove ed emergenti tecnologie idonee per la realizzazione della prossima generazione di strumenti di ricerca intelligenti e personalizzati. Saranno studiati i modelli di retrieval classici, come il modello vector space e i modelli probabilistici, le tecniche di ranking dei documenti, così come l'algoritmo PageRank utilizzato da Google. Saranno affrontati i metodi di Machine Learning in Information Retrieval, incluse le tecniche per la Sentiment Analysis, i metodi di User Modeling necessari per la ricerca personalizzata, i Sistemi di Raccomandazione, l’identificazione e l'analisi delle Comunità Online e Social Network (come ad es. Facebook e Twitter).Testi Adottati
Le lezioni del corso riguarderanno tematiche trattate in articoli scientifici e testi di riferimento.Il docente metterà a disposizione degli studenti i lucidi delle lezioni attraverso il sito del corso. Tali lucidi saranno autosufficienti, cioè redatti in maniera tale da non richiedere la consultazione di testi ulteriori ai fini del superamento dell'esame.
Bibliografia Di Riferimento
- Lucidi delle lezioni. - Bruce Croft, Donald Metzler, and Trevor Strohman. 2010. Search Engines: Information Retrieval in Practice (1st. ed.). Addison-Wesley Publishing Company, USA. - Dietmar Jannach, Markus Zanker, Alexander Felfernig, and Gerhard Friedrich. 2021. Recommender Systems: An Introduction (1st. ed.). Cambridge University Press, USA. - Francesco Ricci, Lior Rokach, and Bracha Shapira (eds.). 2022. Recommender Systems Handbook (3rd. ed.). Springer, USA.Modalità Erogazione
Lezioni ed esercitazioni in aula.Modalità Frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.Modalità Valutazione
Prova scritta, valutazione progetto.
scheda docente
materiale didattico
Il docente metterà a disposizione degli studenti i lucidi delle lezioni attraverso il sito del corso. Tali lucidi saranno autosufficienti, cioè redatti in maniera tale da non richiedere la consultazione di testi ulteriori ai fini del superamento dell'esame.
Programma
Il corso prenderà in esame vari metodi per la progettazione, l'implementazione e la sperimentazione di sistemi adattivi su Web, realizzati mediante tecniche di Intelligenza Artificiale. Particolare attenzione sarà posta ai sistemi di Information Retrieval, come i motori di ricerca, e a nuove ed emergenti tecnologie idonee per la realizzazione della prossima generazione di strumenti di ricerca intelligenti e personalizzati. Saranno studiati i modelli di retrieval classici, come il modello vector space e i modelli probabilistici, le tecniche di ranking dei documenti, così come l'algoritmo PageRank utilizzato da Google. Saranno affrontati i metodi di Machine Learning in Information Retrieval, incluse le tecniche per la Sentiment Analysis, i metodi di User Modeling necessari per la ricerca personalizzata, i Sistemi di Raccomandazione, l’identificazione e l'analisi delle Comunità Online e Social Network (come ad es. Facebook e Twitter).Testi Adottati
Le lezioni del corso riguarderanno tematiche trattate in articoli scientifici e testi di riferimento.Il docente metterà a disposizione degli studenti i lucidi delle lezioni attraverso il sito del corso. Tali lucidi saranno autosufficienti, cioè redatti in maniera tale da non richiedere la consultazione di testi ulteriori ai fini del superamento dell'esame.
Bibliografia Di Riferimento
- Lucidi delle lezioni. - Bruce Croft, Donald Metzler, and Trevor Strohman. 2010. Search Engines: Information Retrieval in Practice (1st. ed.). Addison-Wesley Publishing Company, USA. - Dietmar Jannach, Markus Zanker, Alexander Felfernig, and Gerhard Friedrich. 2021. Recommender Systems: An Introduction (1st. ed.). Cambridge University Press, USA. - Francesco Ricci, Lior Rokach, and Bracha Shapira (eds.). 2022. Recommender Systems Handbook (3rd. ed.). Springer, USA.Modalità Erogazione
Lezioni ed esercitazioni in aula.Modalità Frequenza
La frequenza non è obbligatoria, ma è fortemente consigliata.Modalità Valutazione
Prova scritta, valutazione progetto.