Sistemi intelligenti avanzati
A.A. 2024/2025
Obiettivi formativi
L'insegnamento fornisce una conoscenza approfondita delle problematiche sottostanti agli algoritmi di intelligenza delle macchine. L'insegnamento si propone di far
acquisire agli studenti la capacità di analizzare e modellizzare problemi anche di una certa complessità e di fornire metodi di analisi e soluzione dei problemi.
acquisire agli studenti la capacità di analizzare e modellizzare problemi anche di una certa complessità e di fornire metodi di analisi e soluzione dei problemi.
Risultati apprendimento attesi
Gli studenti approfondiranno i fondamenti dell'apprendimento statistico, dell'apprendimento con rinforzo, dei sistemi fuzzy, degli alberi di decisione, delle reti neurali e degli algoritmi genetici anche attraveso la realizzazione di un progetto in una di queste aree. Acquisteranno anche la consapevolezza del dibattito attuale tra ipotesi debole e forte sull'intelligenza artificiale.
Periodo: Primo semestre
Modalità di valutazione: Esame
Giudizio di valutazione: voto verbalizzato in trentesimi
Corso singolo
Questo insegnamento può essere seguito come corso singolo.
Programma e organizzazione didattica
Edizione unica
Responsabile
Periodo
Primo semestre
Programma
Intelligenza simbolica
Macchina di Turing e l'esperimento della Stanza Cinese. Ipotesi debole e forte sull'Intelligenza Artificiale. Intelligenza collettiva. Gli insiemi e i sistemi fuzzy.
Apprendimento statistico
Distribuzioni statistiche. Stima a massima verosimiglianza e ai minimi quadrati. Analisi di varianza. Stima Bayesiana e comparazione con la regolarizzazione.
Apprendimento degli agenti
Diverse modalita' di apprendimento: supervisionato, non supervisionato e con rinforzo. Clustering e metriche associato. K-means a quad-tree decomposition. Clustering gerarchico. Reti neurali artificiali e perceptrone non-lineare. Mappe di Kohonen e apprendimento competitivo. Regressione multi-scala. Applicazioni.
Apprendimento con rinforzo
Apprendimento in un setting non associativo. Caso stazionario e non stazionario. Apprendimento greedy e epsilon-greedy. I modelli Markoviani. Calcolo della funzione Valore e formulazione ricorsiva tramite le equazioni di Bellman. Miglioramento ricorsivo della policy. Apprendimento alle differenze temporali. Q-learning. Miglioramento dello span temporale mediante la traccia di eleggibilita'. Automi stocastici.
Intelligenza biologica
Il neurone. Operazioni sotto-soglia. Generazione del potenziale di azione. La struttura del neurone. I circuiti biologici e il ruolo della struttura. Struttura del sistema nervoso centrale. I neuroni specchio. Algoritmi generici e ottimizzazione evolutiva. Ruolo dei parametri. Esempi.
Macchina di Turing e l'esperimento della Stanza Cinese. Ipotesi debole e forte sull'Intelligenza Artificiale. Intelligenza collettiva. Gli insiemi e i sistemi fuzzy.
Apprendimento statistico
Distribuzioni statistiche. Stima a massima verosimiglianza e ai minimi quadrati. Analisi di varianza. Stima Bayesiana e comparazione con la regolarizzazione.
Apprendimento degli agenti
Diverse modalita' di apprendimento: supervisionato, non supervisionato e con rinforzo. Clustering e metriche associato. K-means a quad-tree decomposition. Clustering gerarchico. Reti neurali artificiali e perceptrone non-lineare. Mappe di Kohonen e apprendimento competitivo. Regressione multi-scala. Applicazioni.
Apprendimento con rinforzo
Apprendimento in un setting non associativo. Caso stazionario e non stazionario. Apprendimento greedy e epsilon-greedy. I modelli Markoviani. Calcolo della funzione Valore e formulazione ricorsiva tramite le equazioni di Bellman. Miglioramento ricorsivo della policy. Apprendimento alle differenze temporali. Q-learning. Miglioramento dello span temporale mediante la traccia di eleggibilita'. Automi stocastici.
Intelligenza biologica
Il neurone. Operazioni sotto-soglia. Generazione del potenziale di azione. La struttura del neurone. I circuiti biologici e il ruolo della struttura. Struttura del sistema nervoso centrale. I neuroni specchio. Algoritmi generici e ottimizzazione evolutiva. Ruolo dei parametri. Esempi.
Prerequisiti
Nessuno
Metodi didattici
Lezioni frontali
Materiale di riferimento
Russel Norvig, Artificial Intellgence, a Modern Approach, Prentice Hall 2003.
Sutton and Barto, Reinforcement Learning - An Introduction, MIT Press, 2019.
B. Kosko - Neural Networks and Fuzzy Systems, Prentice Hall, 1991.
C. Bishop. Bayesian Learning. Pattern Recognition and Machine Learning. Springer Verlag.
Hertz, Krough and Palmer, Introduction to the theory of Neural Computation, Addison Wesley, 1991.
Sutton and Barto, Reinforcement Learning - An Introduction, MIT Press, 2019.
B. Kosko - Neural Networks and Fuzzy Systems, Prentice Hall, 1991.
C. Bishop. Bayesian Learning. Pattern Recognition and Machine Learning. Springer Verlag.
Hertz, Krough and Palmer, Introduction to the theory of Neural Computation, Addison Wesley, 1991.
Modalità di verifica dell’apprendimento e criteri di valutazione
L'esame consiste di una prova orale e nell'elaborazione di un progetto.
Nella prova orale, della durata di circa un'ora, viene richiesta la risoluzione di alcuni esercizi che richiedono di applicare i metodi trattati durante il corso e vengono proposti quesiti a risposta aperta.
Il progetto richiede di applicare le tecniche e le metodologie viste durante il corso per risolvere un problema reale.
La valutazione sarà in trentesimi e tiene conto del livello di padronanza degli argomenti e della chiarezza espositiva.
Nella prova orale, della durata di circa un'ora, viene richiesta la risoluzione di alcuni esercizi che richiedono di applicare i metodi trattati durante il corso e vengono proposti quesiti a risposta aperta.
Il progetto richiede di applicare le tecniche e le metodologie viste durante il corso per risolvere un problema reale.
La valutazione sarà in trentesimi e tiene conto del livello di padronanza degli argomenti e della chiarezza espositiva.
INF/01 - INFORMATICA - CFU: 6
Lezioni: 48 ore
Docente:
Borghese Nunzio Alberto
Turni:
Turno
Docente:
Borghese Nunzio AlbertoSiti didattici
Docente/i
Ricevimento:
Su appuntamento, utilizzare preferibilmente email
Dipartimento di Informatica