Anno di corso: 1

Anno di corso: 2

Crediti: 6
Crediti: 6
Crediti: 6
Tipo: A scelta dello studente
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: 
2018/2019
Anno di corso: 
1
Anno accademico di erogazione: 
2018/2019
Tipo di attività: 
Obbligatorio a scelta
Crediti: 
6
Ciclo: 
Secondo Semestre
Ore di attivita' didattica: 
48
Prerequisiti: 

Nozioni di base di: matematica, statistica, generazione di numeri pseudo-casuali, tecniche di campionamento Monte Carlo.

Moduli

Metodi di valutazione

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

• Esame scritto relativo agli argomenti 1, 2, 3, 6 del Syllabus valutato su una scala da 0 a 20.

• Gli studenti che hanno ottenuto una valutazione maggiore o uguale a 10 nello scritto possono sostenere l'orale.

• L'esame orale consiste nella discussione di un approfondimento relativo agli argomenti 4,5,7 del Syllabus valutato su una scala da 0 a 10, e nella valutazione di tre domande relativo all'intero programma. Ogni domanda viene valutata su una scala da -1 a +1.

Valutazione: 
Voto Finale

Obiettivi formativi

Il corso fornirà i principali concetti e strumenti operativi, basati su metodi computazionali, per rappresentare il processo di apprendimento e le tecniche di ragionamento in condizioni di incertezza. Gli studenti acquisiranno abilità nell'utilizzare i concetti e i metodi appresi per risolvere problemi decisionali. In particolare gli studenti acquisiranno le seguenti competenze: identificazione delle relazioni tra parametri usando modelli probabilistici, costruzione di modelli decisionali, identificazione e valutazione del modello decisionale.

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

"Representing uncertainty in decision problems Basic notions of probability theory Bayes rule and its application". Capitolo 13.

"Knowledge representation in an uncertain domain Bayesian network semantics; Efficient representation of conditional probabilities". Capitolo 14 (14.1, 14.2, 14.3).

"Exact and approximate inference in Bayesian Networks". Capitolo 14 (14.4, 14.5).

"Utility Theory and Utility functions". Capitolo 16 (16.1, 16.2, 16.3).

"Multi-attribute utility functions Decision networks The value of information". Capitolo 16 (16.4, 16.5, 16.6).

"Markov Chains and Hidden Markov Models; Forecasting, Filtering and Smoothing ". Capitolo 15 (15.1, 15.2 15.3).

"Kalman Filter". Capitolo 15 (15.4).

Bibliografia consigliata

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

Metodi didattici

Lezioni, esercitazioni in aula, laboratorio