.dsy:it. (http://www.dsy.it/forum/)
- Sistemi intelligenti (http://www.dsy.it/forum/forumdisplay.php?forumid=267)
-- Corso 2014-2015 (http://www.dsy.it/forum/showthread.php?threadid=43851)

Corso 2014-2015

Ciao a tutti!
Qualcuno è interessato ad avere informazioni riguardo al corso di quest'anno?
Io lo sto seguendo, quindi se c'è qualcuno interessato posso fare il diario del corso e tenervi aggiornati sulle notizie.

Certo, sì.
Grazie.

[Lezione 1]

Argomento: Introduzione al corso. L'intelligenza simbolica. La macchina di Turing e gli algoritmi. Il test di Turing e la stanza cinese di Searle. Altre forme di intelligenza (flock e particle, automi cellulari, ...).

Comunicazioni: Lo scritto è obbligatorio, poi si può fare l'orale oppure un progetto con robocode, kinect, mario kart o altro

Note: le videolezioni su virtualclassroom non sono aggiornate, alcuni argomenti sono stati recentemente inseriti e altri sono trattati in diverso modo, quindi risultano obsolete per le edizioni attuali del corso

Il corso consiste nel trattare i diversi approcci all'intelligenza artificiale e ai diversi tipi di apprendimento automatico.

[lezione 2]

Argomento: Gli insiemi fuzzy. I sistemi fuzzy.

Note: Di rilievo è la differenza tra fuzzyness e probabilità. I sistemi fuzzy saranno combinati con le reti neurali (un argomento trattato a fine corso) per dare vita ai sistemi neuro-fuzzy.

[lezione 3]

Argomento: Esercizi sui sistemi fuzzy

Note: non è necessario scendere nel dettaglio dei conti dell'esempio (velocità angolare etc..).

[lezione 4]

Argomento: Inferenza Statistica. Il teorema di Bayes.

Note: Fondamentale un energico ripasso di statistica, solo le slide non bastano ( a mio parere). I passaggi per ricavare gli stimatori di massima verosimiglianza sono da fare

[lezione 5]

Argomento: Apprendimento statistico. Massima verosimiglianza e risoluzione dei sistemi lineari.

Nota: Non ha fatto l'esempio del braccio meccanico che c'è sulle slide

[lezione 6]

Argomento: Relazione tra stima a massima verosimiglianza e soluzione dei sistemi lineari ai minimi quadrati. Valutazione dell'incertezza sulla stima. Linearizzazione di funzioni (in maniera molto fuzzy). Distribuzione di Poisson (moooolto velocemente). La bontà della stima

Nota: Ha detto che non chiederà il metodo di Gauss-Newton, non ha trattato la tecnica del gradiente e la minimizzazione - undermapping (magari la prossima lezione li fa..?).

Ottimo, molte grazie!

[lezione 7]

Argomenti: Stima a massima posteriori e regolarizzazione. Applicazione al filtraggio. Ruolo delle clique.

Note: Fino alla slide 23 bene. Poi per quanto riguarda il cambiamento degli a-priori, sistemi di vicinato, le clique e i campi di markov ha fatto solo l'idea generale, non è sceso nei particolari delle definizioni e delle proprietà.

[lezione 8]

Argomenti: Apprendimento in un setting non associativo. Caso stazionario e non stazionario. Tecniche greedy ed epsilon-greedy.

Note: tutto quello che c'è da sapere è sulle slide. Non ha fatto le ultime 3 slide.

[lezione 9]

Argomenti L'apprendimento con rinforzo nel caso di setting associativo. I modelli Markoviani. Calcolo della Q Function. La formulazione ricorsiva del calcolo della Q function.

Note: c'è tutto sulle slide. Ha fatto fino alla slide 37, in particolare non ha risolto il sistema a due equazioni e due incognite (giusto capire che simulando il problema, conoscendo l'ambiente, valuto le Q risolvendo il sistema).