1. Qual è la definizione di IA fornita da John McCarthy nel 1956?

2. Descrivi brevemente la differenza tra IA debole e IA forte.

3. Cosa sono le GAN (Generative Adversarial Networks) e quando sono state introdotte?

4. Spiega in che modo il machine learning contribuisce allo sviluppo dell'IA.

5. Cosa si intende per "bias" nell'ambito dell'IA e quali sono alcune possibili fonti di distorsione?

6. Riporta un esempio di come l'IA può essere utilizzata per creare quiz personalizzati.

7. Qual è il ruolo di Alan Turing nello sviluppo dell'IA?

8. Quali sono le principali differenze tra apprendimento supervisionato e non supervisionato nel Machine Learning?

9. Cosa si intende per "Etica dell'IA"?

10. Descrivi uno scenario nel quale un sistema di IA potrebbe essere considerato non etico e cosa si potrebbe fare per evitarlo.

1. Intelligenza Artificiale (IA): La branca dell'informatica che si occupa dello sviluppo di sistemi capaci di eseguire compiti che richiederebbero intelligenza umana.

2. IA Debole (Weak AI): IA progettata per svolgere compiti specifici.

3. IA Forte (Strong AI): IA che mira a simulare completamente le capacità cognitive umane.

4. IA Generativa: IA che crea contenuti originali (es. testi, immagini) basandosi su modelli di apprendimento.

5. Machine Learning: Un approccio all'IA che consente ai sistemi di apprendere dai dati senza essere esplicitamente programmati.

6. Deep Learning: Un tipo di machine learning che utilizza reti neurali artificiali con molti livelli (strati "profondi") per analizzare i dati.

7. Reti Neurali: Modelli computazionali ispirati alla struttura e al funzionamento del cervello umano, utilizzati nel deep learning.

8. GAN (Generative Adversarial Networks): Un tipo di architettura di rete neurale utilizzata per generare dati realistici.

9. Bias AI: Distorsione nei risultati di un sistema di IA causata da pregiudizi nei dati di training o nell'algoritmo.

10. Etica dell'IA: Lo studio delle implicazioni etiche, sociali ed economiche dello sviluppo e dell'utilizzo dell'IA.

1. Fornisci una definizione concisa di Intelligenza Artificiale (IA) come descritta nel testo.

2. Qual è l'importanza principale dell'IA nel contesto del computing moderno, secondo il testo?

3. Descrivi brevemente il principio fondamentale di come i sistemi di IA apprendono e migliorano.

4. Qual è la differenza chiave tra Machine Learning e Deep Learning, come spiegato nel testo?

5. Elenca e descrivi brevemente le quattro fasi di sviluppo dell'IA presentate nel materiale.

6. Spiega la differenza tra apprendimento supervisionato e apprendimento non supervisionato nell'ambito del Machine Learning.

7. Descrivi brevemente come funziona il modello di apprendimento per rinforzo.

8. Qual è la funzione dei percettroni in una rete neurale artificiale?

9. Cita due tipi comuni di reti neurali artificiali e indica una loro applicazione tipica menzionata nel testo.

10. Quali sono due vantaggi dell'IA evidenziati nel testo?

Intelligenza Artificiale (IA): Un insieme di tecnologie che permettono ai computer di eseguire funzioni avanzate tipiche dell'intelligenza umana, come la comprensione del linguaggio, l'analisi di dati e la presa di decisioni. È anche un campo scientifico dedicato alla creazione di macchine intelligenti.

Machine Learning (Apprendimento Automatico): Un sottoinsieme dell'IA che permette ai sistemi di apprendere da dati, identificare pattern e migliorare le proprie prestazioni senza essere esplicitamente programmati.

Deep Learning (Apprendimento Profondo): Una specializzazione del Machine Learning che utilizza reti neurali artificiali con più livelli (reti neurali profonde) per analizzare e apprendere da grandi quantità di dati complessi.

Algoritmo: Un insieme di regole o istruzioni che guidano un processo computazionale, come l'analisi dei dati e il processo decisionale in un sistema di IA.

Rete Neurale Artificiale: Un sistema computazionale ispirato alla struttura del cervello umano, composto da nodi interconnessi (neuroni artificiali o percettroni) che elaborano e trasmettono informazioni.

Apprendimento Supervisionato: Un modello di Machine Learning in cui un algoritmo apprende da dati di addestramento etichettati (input associati a output noti) per mappare input a output.

Apprendimento Non Supervisionato: Un modello di Machine Learning in cui un algoritmo apprende da dati non etichettati, cercando pattern e strutture intrinseche nei dati senza una guida esplicita.

Apprendimento per Rinforzo: Un modello di Machine Learning in cui un agente impara a prendere decisioni in un ambiente attraverso tentativi ed errori, ricevendo ricompense o penalità in base alle proprie azioni.

Macchine Reattive: La fase più elementare di IA che reagisce solo a stimoli specifici basandosi su regole preprogrammate, senza capacità di apprendimento o memoria.

Memoria Limitata: Una fase di sviluppo dell'IA in cui i sistemi possono utilizzare la memoria per apprendere da nuovi dati nel tempo, tipica dell'IA moderna basata su Machine Learning e Deep Learning.

Teoria della Mente: Un livello ipotetico di IA in grado di comprendere e modellare gli stati mentali (emozioni, intenzioni) di altri agenti, inclusi gli esseri umani.

Consapevolezza di Sé: Un livello ancora più avanzato e attualmente teorico di IA, in cui una macchina sarebbe consapevole della propria esistenza e avrebbe capacità intellettuali ed emotive paragonabili a quelle umane.

Intelligenza Artificiale Generale (AGI): La capacità teorica di una macchina di comprendere, apprendere e applicare la conoscenza a una vasta gamma di compiti intellettuali con un livello di competenza umana.

Superintelligenza Artificiale (ASI): Un livello ipotetico di intelligenza artificiale che supererebbe significativamente le capacità cognitive umane in quasi tutti i campi.

Reti Neurali Feed-Forward (FF): Un tipo di rete neurale in cui i dati si muovono in una sola direzione, dall'input all'output, senza cicli.

Reti Neurali Ricorrenti (RNN): Un tipo di rete neurale progettata per elaborare dati sequenziali, mantenendo una "memoria" degli input precedenti per influenzare l'output corrente.

Memoria Lunga a Breve Termine (LSTM): Una variante avanzata delle RNN in grado di gestire dipendenze a lungo termine nei dati sequenziali grazie a speciali "cellule di memoria".

Reti Neurali Convoluzionali (CNN): Un tipo di rete neurale particolarmente efficace per l'elaborazione di dati spaziali come le immagini, utilizzando strati convoluzionali per rilevare caratteristiche.

Reti Generative Avversarie (GAN): Un'architettura di rete neurale composta da due reti (un generatore e un discriminatore) che competono tra loro per migliorare la qualità dei dati generati.

Riconoscimento Ottico dei Caratteri (OCR): Una tecnologia che utilizza l'IA per estrarre testo e dati da immagini e documenti.