Università degli Studi di Pisa

Università degli Studi di Pisa
Corso di laurea in Ingegneria Gestionale
Specifica dell'insegnamento di
SISTEMI INTELLIGENTI DI SUPPORTO ALLE DECISIONI

Docenza
Docente e Tutore: prof. Beatrice Lazzerini
Dipartimento di Ingegneria della Informazioine
Tel.: 050/568511
Fax: 050/568522
e-mail: b.lazzerini@iet.unipi.it
WEB: http://www.iet.unipi.it/~lazzerini

Finalità ed obiettivi dell'insegnamento
Le finalità del corso sono:

preparare gli allievi ad affrontare i processi decisionali mediante l'uso di sistemi intelligenti, basati su modelli della realtà, capaci di supportare analisi ad-hoc sui dati;
fornire agli allievi una introduzione alle tecniche di intelligenza artificiale su cui sono basati i sistemi esperti e alle tecniche atte a trattare informazioni incerte, imprecise o incomplete.

Obiettivo del corso è portare lo studente a:

conoscere e saper applicare le strategie per la risoluzione di problemi nonché le tecniche di modellizzazione tipiche dei sistemi di supporto alle decisioni;
saper integrare la tecnologia dei sistemi esperti con quella dei sistemi di supporto alle decisioni.

Pre-requisiti in ingresso e competenze minime in uscita

Pre requisiti (in ingresso)	Insegnamenti fornitori
Conoscere i concetti dei linguaggi di programmazione ad alto livello.	Conoscere i fondamenti di organizzazione e gestione delle basi di dati. Informatica

Competenze minime (in uscita)	Insegnamenti fruitori
Conoscere i componenti dei sistemi di ausilio alle decisioni e dei sistemi esperti e le loro basi teoriche, saper valutare i sistemi disponibili sul mercato relativamente al loro campo di applicabilità e al soddisfacimento di un insieme di requisiti.
Saper scegliere il miglior metodo di data mining per i propri fini, essere in grado di creare un modello di data mining.
Saper gestire in modo efficace varie forme di incertezza nell'informazione a disposizione (dati incerti o vaghi, presenza di rumore, dati incompleti, …).

Metodologia didattica

La metodologia didattica impiegata consiste in:

lezioni ed esercitazioni in aula con uso di lavagna luminosa;
esercitazioni nei laboratori presso il Centro di Calcolo della Facoltà.

Programma, articolazione e carico didattico

Argomento	Lezioni	Esercit.	Lab.	Totale Ore di Carico Didattico
I sistemi esperti e i sistemi di supporto alle decisioni. Architettura di un sistema esperto. Principali funzionalità di un sistema esperto. La base di conoscenza. Il motore inferenziale. L'interfaccia per le spiegazioni. Acquisizione e rappresentazione della conoscenza. Meccanismi di inferenza forward e backward. Principali caratteristiche e componenti dei sistemi di supporto alle decisioni. Differenze e sinergie tra sistemi esperti e sistemi di supporto alle decisioni. Campi di applicazione tipici.	12	8	5	70
Data mining. Introduzione al data warehousing. Elaborazione analitica dei dati (OLAP). Principali tecniche di data mining (regole di associazione, classificazione, clustering). Esempi di applicazione del data mining.	10	8	6	66
Le reti neurali. Modelli di neurone. Paradigmi di apprendimento neurale. Il perceptron. Reti multistrato. L'algoritmo di Back-Propagation. Reti autoorganizzanti. Il modello di Kohonen. Principali applicazioni delle reti neurali.	8	2	6	42
La Logica Fuzzy. Gli insiemi fuzzy. Operazioni sugli insiemi fuzzy. Relazioni fuzzy. Composizione di relazioni fuzzy. Il principio di estensione. Variabili linguistiche. Implicazione fuzzy. Proposizioni fuzzy. Ragionamento approssimato. Sistemi di regole fuzzy. Regola composizionale di inferenza. Regole SISO e regole MISO. Strategia FITA e strategia FATI. Campi di applicazione tipici.	10	4	5	52
Gli algoritmi genetici. Elementi di base di un algoritmo genetico. Funzione di fitness. Operatori di crossover e mutazione. Strategie di selezione. Codifica binaria e codifica reale. Principali applicazioni degli algoritmi genetici.	3	1	4	20
Totale	43	23	26	250

Materiale didattico
Dispense fornite dal docente.
Modalità di verifica/esame
L'esame si svolge, di norma, come segue:
a) risoluzione scritta di alcuni problemi quali ad es. la descrizione dell'architettura di una rete neurale che sia in grado di prevedere gli andamenti futuri delle vendite di un'azienda basandosi su dati precedenti.

Non è possibile usare alcun materiale didattico, se non autorizzati.
b) alcune domande sul programma del corso.
Il mancato superamento della prova a) non permette la prosecuzione dell'esame. L'esito positivo della prova scritta vale solo nell'appello in cui è stata sostenuta.

Il voto finale tiene conto sia della preparazione raggiunta dal candidato (sulla base della parte scritta e di quella orale), sia della capacità di esprimersi in un linguaggio tecnico appropriato (in Italiano o in Inglese).