Contenuti:

• Rappresentazione dell’incertezza nei problemi di decisione
• Rappresentazione della conoscenza in ambienti incerti
• Reti Bayesiane
• Incertezza e scelte razionali
• Funzioni di utilità e il valore dell'informazione
• Il ragionamento probabilistico nel tempo
• Inferenza nei modelli dinamici

Testi di riferimento:
S. Russel, P. Norvig. “Intelligenza Artificiale: Un Approccio Moderno”, III Edizione

Obiettivi formativi:
Fornire i concetti e gli strumenti fondamentali, basati su metodi computazionali, per rappresentare l'apprendimento, la conoscenza e il ragionamento in condizioni di incertezza. Gli studenti acquisiranno la capacità di utilizzare i concetti e i metodi appresi per risolvere problemi pratici, sia operativi che strategici. In particolare saranno in grado di: identificare le relazioni tra i parametri utilizzando modelli, costruire modelli decisionali, valutare e ottimizzare le decisioni.

Prerequisiti:
Nozioni di base di probabilità e statistica.

Metodi didattici:
Lezione, esercitazione, laboratorio, presentazione di casi di studio.

Programma esteso:

• Rappresentazione dell’incertezza nei problemi di decisione
  • Richiami delle principali nozioni di probabilità
  • Regola di Bayes
  • Rappresentazione della conoscenza in un dominio incerto
    • Semantica delle reti bayesiane
    • Rappresentazione efficiente delle distribuzioni condizionate
    • Inferenza esatta ed inferenza approssimata nelle reti bayesiane
  • Teoria dell’utilità
    • Funzioni di utilità
    • Funzioni di utilità multi-attributo
    • Reti di decisioni
    • Il valore dell’informazione
  • Ragionamento probabilistico nel tempo
    • Catene di Markov
    • Modelli markoviani nascosti
    • Reti Bayesiane dinamiche
  • Inferenza nei modelli dinamici
    • Filtro di Kalman
    • Particle filtering

Modalità di verifica dell'apprendimento:
Valutazione in itinere ed esame finale

Tipo esame: scritto e orale separati

Tipo valutazione: voto finale

Contents:

• Representing uncertainty in decision problems
• Knowledge representation in uncertain domains
• Utility Theory
• Sequential decision problems
• Filtering techniques

References:
S. Russel, P. Norvig. “Artificial Intelligence: a modern approach”

Goals:
The course will provide the main concepts and operative tools, based on computational methods, for representing the learning process and the reasoning techniques in uncertain domains. Students will gain the ability of using the conceps and methods learned for solving practical operational and strategical decision problems,. In particolar, they will acquire the following abilities: to identify relations between parameters by using probabilistic models, to build models for decision making, to evaluate and find the problem solutions.

Prerequisites:
Basic notions of: mathematics and statistics, random number generation, Monte Carlo sampling techniques.

Methods:
Both theoretical and practical lectures including the analyses of several case studies.

Contents:

• Representing uncertainty in decision problems
  • Basic notions of probability theory
  • Bayes rule and its application 
  • Knowledge eepresentation in an uncertain domain
    • Bayesian network semantics
    • Efficient representation of conditional probabilities
    • Exact and approximate inference in bayesian network
  • Utility Theory
    • Utility functions
    • Multi-attribute utility functions
    • Decision networks
    • The value of information

• Sequential Decision problems
  • Markovian processes
  • Deciosion trees
  • Decisions with multiple agents: basic concepts of game theory

• Filtering techniques
  • Dynamic Bayesian networks  (DBN)
  • Inference on DBN: Forecating, Filtering, Smoothing
  • The Kalman Filter
  • Particle filtering