Inizio della pagina -
Logo DISCO
|
Visita la Versione ad elevata leggibilità
|
Vai al Contenuto della pagina
|
Vai alla Fine dei contenuti
|
Vai al Menu Principale
|
Vai alla Barra di navigazione (sei in)
|
Vai al Menu di navigazione (albero)
|
Vai alla Lista dei comandi
|
Vai alla Lista degli approfondimenti
|
Vai al Menu inferiore
|
Logo Ateneo
   
Per gli Studenti
Algoritmi e strutture dati (soft computing)

Docente: L. Vanneschi

Crediti: 6

Conoscenze: il corso si prefigge di presentare alcune tecniche speciali di elaborazione, in particolare in relazione a problemi complessi di ottimizzazione, apprendimento e controllo, affrontandone sia gli aspetti teorici che i risvolti applicativi.

Abilità: Risolvere problemi concreti con tecniche evolutive o di apprendimento automatico

Testi consigliati:

  • Tettamanzi, M. Tomassini, "Soft Computing", Sprinter
  • M. Mitchell, "Introduzione agli algoritmi genetici", Apogeo
  • W. Banzhaf, P. Nordin, R. Keller and F. Francone, "Genetic Programming, an introduction", Morgan Kaufmann
  • T. Mitchell, Machine Learning, McGraw Hill

Modalità di esame:

L'esame consiste in una prova orale, che include la discussione di un progetto realizzato dallo studente, con l'uso delle tecniche presentate nel corso.

Per ulteriori informazioni sul corso rivolgersi direttamente ai docenti.

Programma:

  • Introduzione a problemi complessi, problemi di ottimizzazione classi di approssimazione, ottimizzazione stocastica, tecniche di ricerca locale (hill climbing, algoritmo di Metropolis, simulated annealing).

  • Algoritmi Evolutivi:

    • Algoritmi Genetici: Il concetto di rappresentazione; operatori e parametri critici; topologia degli operatori; teoria degli algoritmi genetici e modelli; problemi GA hard e problemi GA easy; esempi e applicazioni a problemi reali; prospettive e limiti
    • Programmazione Genetica: Evoluzione di struttura a taglia variabile; operatori e parametri critici; teoria e modelli; esempi e applicazioni a problemi reali; programmazione genetica distribuita e parallela

  • Reti neurali: il paradigma connessionista; il percettrone mono- e multi- strato; backpropagation; altri modelli di reti neurali; dinamica delle reti neurali; apprendimento nelle reti neurali; parametri critici; esempi e applicazioni a problemi reali; prospettive e limiti

  • Tecniche fuzzy: Logica fuzzy; Matematica fuzzy; Sistemi fuzzy; Esempi ed applicazioni a problemi reali.

  • Tecniche ibride: Sistemi neuro-fuzzy; Evoluzione di reti neurali tramite algoritmi genetici e programmazione genetica; Evoluzione di sistemi fuzzy.

Vai al sito web del corso


Approfondimenti

Google Translate
Translate to English Translate to French Translate to German Translate to Spanish Translate to Chinese Translate to Portuguese Translate to Arabic
Translate to Albanian Translate to Bulgarian Translate to Croatian Translate to Czech Translate to Danish Translate to Dutch Translate to Finnish Translate to Greek Translate to Hindi
Translate to Hungarian Translate to Irish Translate to Japanese Translate to Korean Translate to Norwegian Translate to Polish Translate to Romanian Translate to Russian Translate to Serbian
Translate to Slovenian Translate to Swedish Translate to Thai Translate to Turkish

(C) Copyright 2016 - Dipartimento Informatica Sistemistica e Comunicazione - Viale Sarca, 336
20126 Milano - Edificio U14
redazioneweb@disco.unimib.it - ultimo aggiornamento di questa pagina 28/03/2011