Sistemi intelligenti
A.A. 2018/2019
Obiettivi formativi
Fornire le conoscenze di base sull'intelligenza nelle macchine. Acquisire la capacità di analizzare e modellizzare problemi anche di una certa complessità. Acquisire un metodo di analisi e soluzione dei problemi.
Risultati apprendimento attesi
Non definiti
Periodo: Primo semestre
Modalità di valutazione: Esame
Giudizio di valutazione: voto verbalizzato in trentesimi
Corso singolo
Questo insegnamento non può essere seguito come corso singolo. Puoi trovare gli insegnamenti disponibili consultando il catalogo corsi singoli.
Programma e organizzazione didattica
Linea Milano
Responsabile
Periodo
Primo semestre
STUDENTI FREQUENTANTI
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 epsiolon-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 elegibilita'. 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. Il linguaggio. Le aree corticali e il midollo spinale. Trasformazioni visuo-motorie. Codice di popolazione come esempio di elaborazione corticale. 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.
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 epsiolon-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 elegibilita'. 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. Il linguaggio. Le aree corticali e il midollo spinale. Trasformazioni visuo-motorie. Codice di popolazione come esempio di elaborazione corticale. 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.
Informazioni sul programma
Prerequisiti
L'esame consta di una prova scritta e di un progetto. La prova scritta punta ad accertare le conoscenze dello studente sia sugli aspetti teorici della materia (tramite esercizi numerici o a risposta aperta). Il progetto è l'implementazione software di uno o più algoritmi visti a lezione appliocati a un caso reale.
Metodi didattici
Lezioni frontali e seminari
Materiale di riferimento
STUDENTI NON FREQUENTANTI
Russel Norvig, Artificial Intellgence, a Modern Approach, Prentice Hall 2003.
Sutton and Barto, Reinforcement Learning - An Introduction, MIT Press, 1998. The book is on line at: http://www.cs.ualberta.ca/~sutton/book/the-book.html.
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, 1998. The book is on line at: http://www.cs.ualberta.ca/~sutton/book/the-book.html.
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.
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 epsiolon-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 elegibilita'. 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. Il linguaggio. Le aree corticali e il midollo spinale. Trasformazioni visuo-motorie. Codice di popolazione come esempio di elaborazione corticale. 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.
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 epsiolon-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 elegibilita'. 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. Il linguaggio. Le aree corticali e il midollo spinale. Trasformazioni visuo-motorie. Codice di popolazione come esempio di elaborazione corticale. 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.
Prerequisiti
L'esame consta di una prova scritta e di un progetto. La prova scritta punta ad accertare le conoscenze dello studente sia sugli aspetti teorici della materia (tramite esercizi numerici o a risposta aperta). Il progetto è l'implementazione software di uno o più algoritmi visti a lezione appliocati a un caso reale.
Materiale di riferimento
Russel Norvig, Artificial Intellgence, a Modern Approach, Prentice Hall 2003.
Sutton and Barto, Reinforcement Learning - An Introduction, MIT Press, 1998. The book is on line at: http://www.cs.ualberta.ca/~sutton/book/the-book.html.
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, 1998. The book is on line at: http://www.cs.ualberta.ca/~sutton/book/the-book.html.
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.
Docente/i
Ricevimento:
Su appuntamento, utilizzare preferibilmente email
Dipartimento di Informatica