Anno di corso: 1

Anno di corso: 2

Crediti: 6
Crediti: 6
Crediti: 6
Crediti: 6
Crediti: 6
Crediti: 6
Crediti: 12
Tipo: A scelta dello studente
Crediti: 3
Tipo: Lingua/Prova Finale
Crediti: 33
Tipo: Lingua/Prova Finale

MODELLI PROBABILISTICI PER LE DECISIONI

Scheda dell'insegnamento

Anno accademico di regolamento: 
2015/2016
Anno di corso: 
1
Anno accademico di erogazione: 
2015/2016
Tipo di attività: 
Obbligatorio a scelta
Crediti: 
6
Ciclo: 
Secondo Semestre
Ore di attivita' didattica: 
52
Prerequisiti: 

Prerequisiti: Nozioni di base di probabilità e statistica

Moduli

Metodi di valutazione

Tipo di esame: 
Orale
Modalita' di verifica dell'apprendimento: 

esame scritto ed orale. Sono previste valutazioni in itinere.

Valutazione: 
Voto Finale

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.

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

Programma esteso

1 "Rappresentazione dell’incertezza nei problemi di decisione
Richiami delle principali nozioni di probabilità
Regola di Bayes
"

2 "Rappresentazione della conoscenza in un dominio incerto
Semantica delle reti bayesiane
Rappresentazione efficiente delle distribuzioni condizionate
"

3 "Inferenza esatta ed inferenza approssimata nelle reti bayesiane
"

4 "Teoria dell’utilità
Funzioni di utilità

"

5 "Funzioni di utilità multi-attributo
Reti di decisioni
Il valore dell’informazione
"

6 "Ragionamento probabilistico nel tempo
Catene di Markov
Modelli markoviani nascosti
"

7 "Reti Bayesiane dinamiche
Inferenza nei modelli dinamici
"

8 "Filtro di Kalman
Particle filtering"

Bibliografia consigliata

S. Russel, P. Norvig. “Intelligenza Artificiale: Un Approccio Moderno”, Prentice Hall, III Edizione

Metodi didattici

Lezioni, esercitazioni in aula, laboratorio