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
   
Didattica
Modelli probabilistici per le decisioni

Codice ins.

Insegnamento

CFU ins.

Anno

Sem.

SSD ins.

Responsabile insegnamento

F1801Q127

Modelli probabilistici per le decisioni

6

1

2

MAT/09

MESSINA En

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

Course code

Course title

Credits

Year

Semester

Scientific  sector code

 

Responsible for teaching

F1801Q127

Probabilistic models for decision making

6

1

2

MAT/09

MESSINA Enza

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
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 27/09/2012