Page begin -
Logo DISCO
|
Go to the Highly accessible area
|
Go to the Content page
|
Go to the End of content
|
Go to the Main menu
|
Go to the Navigation Bar (location)
|
Go to the Navigation menu (tree)
|
Go to the Commands list
|
Go to the Further readings
|
Go to the Bottom Menu
|
Logo Ateneo
   
Enrolled
Modelli probabilistici per le decisioni

Codice insegnamento F1801Q127

Docente:
Enza Messina

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

Further readings
(C) Copyright 2016 - Dipartimento Informatica Sistemistica e Comunicazione - Viale Sarca, 336
20126 Milano - Edificio U14
redazioneweb@disco.unimib.it - last update of this page 24/08/2011