Intelligenza artificiale 2

verifica progetti

Il giorno 19 gennaio ci sarà una verifica sullo stato di avanzamento dei progetti

comunicazione urgente

si invitano le studentesse del corso di Intelligenza Artificiale a contattare urgentemente la professoressa Pazienza (anche per mail pazienza@info.uniroma2.it) per comunicazioni urgenti

scadenze progettuali

Il primo check sullo stato di avanzamento dei progetti è previsto per il giorno 15 dicembre prossimo

lezione IA2

Si comunica che la lezione del 13 novembre non avrà luogo.

lezione IA2 del 20 ottobre

La lezione del 20 ottobre non avrà luogo a causa della concomitante seduta di laurea cui parteciperanno sia il docente che alcuni studenti di questo corso di IA2

aule lezione IA2

da lunedì 9 ottobre le lezioni di IA2 si terranno rispettivamente nelle aule:

lunedì aula B8

meercoledì aula B5

venerdì aula Disegno 1

Per qualunque problema o richiesta di informazione gli studenti possono inviare una mail al docente (pazienza@info.uniroma2.it) e riceveranno risposta al più presto.

question-answering open lesson

question-answering open lesson

question-answering open lesson

question-answering open lesson

question-answering open lesson

question-answering open lesson

Wikidata: approfondimenti tecnologici

Introduzione a Wikidata

DBpedia Spotlight

big data ethics

prima verifica stato avanzamento progetti

partecipazione congresso Clic-It

partecipazione congresso Clic-It

esercitazioni 

DKpro e uimaFIT

il codice degli esempi si trova nel repository Bitbucket:

https://bitbucket.org/art-uniroma2/teaching-ia2-2017_2018-lectures/

Linked Data Quality

• Esercitazione su CODA
• Introduzione a DKPro e uimaFIT

il codice degli esempi si trova nel repository Bitbucket:

https://bitbucket.org/art-uniroma2/teaching-ia2-2017_2018-lectures/

analisi dei temi progettuali

Assegnazione temi per progetti d'esame

Semantic challenges for Big Data Quality

esercitazioni su UIMA

CODA introduzione

introduzione a UIMA

presentazione progetti

big data quality criteeria

Big Datat Quality

esercitazione su RDF4J

esercitazioni RDF4J

• l'uso di GraphDB in modalità Workbench
• SPARQL per esempi

knowledge graphs

• OWL e OWL2
• Uso dell'ontology editor Protégé Desktop

Grafi semantici

richiami ed esercizi di RDF, RDFS, OWL

problematiche di gestione dei BD

ontologie lessicali

Elaborazione del linguaggio naturale e textual entailment

Provably beneficial AI - Stuart Russel

introduzione all'elaborazione del linguaggio naturale

architetture per big data semantics

presentazione delle tematiche e delle modalità di svolgimento del corso

articolo rifereimento etica con i BD

articolo rifereimento etica con i BD

articolo rifereimento etica con i BD

articolo rifereimento etica con i BD

articolo rifereimento etica con i BD

articolo rifereimento etica con i BD

articolo rifereimento etica con i BD

articolo rifereimento etica con i BD

wikidata

DBpedia Spotlight

DBpedia

Big Data ethics

Big Data quality come sfida del Semantic Web

Big Data Quality e Linked Data

Identity in linked data

Big Data Quality e Linked Data: survey

presentazione progetti

Big Datat Quality criteria

link a Graphdb

i programmi sono accessibili dal repository pubblico Bitbucket

https://bitbucket.org/art-uniroma2/teaching-ia2-2017_2018-lectures  

SPARQL esempi

Semantic web : linguaggi di interrogazione

on data quality

knowledge based trust

LOD

ruolo dei frafi semantici

Semantic Web

RDF-RDFS

OWL2

OWL1

big data management 

ruolo del linguaggio nella rappresentazione concettuale

cenni sulla rilevanza dell'elaborazione del linguaggio naturale nel contesto Big Data

introduzione alle tematiche del corso di IA2

articolo di riferimento

articolo di riferimento

articolo di riferimento

articolo di riferimento

articolo di riferimento

articolo di riferimento

articolo di riferimento

articolo di riferimento

Intelligenza Artificiale 2 / Big Data Semantics

Programma del corso

a.a. 2017-18

Quotidianamente persone e sistemi rilasciano sul web una enorme quantità di dati. Il termine Big Data è stato coniato per descrivere questo fenomeno che va al di là della sola grande quantità di dati.  

Caratteristiche proprie dei Big Data sono (in inglese): volume, variety, velocity, value, veracity.

Volume – il vantaggio derivante dalla capacità/possibilità di elaborare grandi quantità di informazioni  

Variety – dati in formati eterogenei: senza una struttura prefissata  questi dati solo raramente si presentano in una forma perfetta e pronti per essere elaborati.  Variabilità può essere un problema ulteriore che pone l’attenzione sulla semantica, o sulla variabilità del significato nei linguaggi così come nei protocolli di comunicazione   

Velocity –  non tanto la velocità con cui arrivano I dati in ingresso: l’attenzione è posta sulla velocità con cui si attiva il ciclo di reazione, dalla presa in carico dei dati in ingresso al prendere una decisione finale.   

Value – le architetture per Big Data sono disegnate per estrarre, in maniera economica, valore da grandi volumi di una grande varietà di dati ponendo in essere approcci veloci ed efficaci per la cattura, identificazione ed analisi di dati.   

Veracity – conformità alla verità ed ai fatti: l’incertezza può essere causata da inconsistenze, modelli approssimati, ambiguità, raggiri, frodi, duplicazioni, incompletezza, spam e latenza. A causa della  veracity, I risultati ottenuti tramite Big Data non possono essere provati, ma ad essi può essere assegnato un valore di probabilità.    

Alla fine del corso gli studenti avranno acquisito competenze su come:  

* Descrivere come progettare una applicazione di Big Data anche attraverso l’uso di dati reali. 

 * Avere consapevolezza delle V dei Big Data (volume, velocity, variety, veracity, and value) e come ciascuna di esse impatti sulla raccolta dati, il monitoraggio, la memorizzazione, l’analisi e la reportistica conseguente. 

* Estrarre valore dai Big Data usando processi articolati per strutturare la propria analisi. 

* Riconoscere quali sono effettivamente problemi collegati ai Big Data da quelli che non lo sono  ed essere capaci di riformulare il problema come problematiche di data science.

 * Fornire una spiegazione dei componenti architetturali e modelli di programmazione usati per scalare l’analisi dei Big Data.  

presentazioni ppt del docente e articoli selezionati dalla recente letteratura del settore

dopo ciascuna lezione e su richiesta dello studente in qualunque data; inviare una mail al docente per fissare un incontro (pazienza@info.uniroma2.it)

esame orale sugli argomenti del corso oltre a realizzazione di un progetto ed alla sua presentazione.