Anno di corso: 1

Anno di corso: 2

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

MODELLI PROBABILISTICI PER LE DECISIONI

Scheda dell'insegnamento

Anno accademico di regolamento: 
2017/2018
Anno di corso: 
1
Anno accademico di erogazione: 
2017/2018
Tipo di attività: 
Obbligatorio a scelta
Crediti: 
6
Ciclo: 
Secondo Semestre
Ore di attivita' didattica: 
52
Prerequisiti: 

Nozioni di base di probabilità e statistica, generazione numeri casuali, tecniche di simulazione Monte Carlo

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