Syllabus - Intelligenza Artificiale Sapienza Università di Roma Facoltà di Ing. dell'Informazione, Informatica e Statistica - Toni Mancini
←
→
Trascrizione del contenuto della pagina
Se il tuo browser non visualizza correttamente la pagina, ti preghiamo di leggere il contenuto della pagina quaggiù
Intelligenza Artificiale
Sapienza Università di Roma
Facoltà di Ing. dell’Informazione, Informatica e Statistica
Laurea in Informatica
Prof. Toni Mancini
http://tmancini.di.uniroma1.it
Documento 1.1 (D.1.1)
Organizzazione del Corso
Syllabus
Versione 2021-02-10
Intelligenza Artificiale
Sapienza Università di Roma
Facoltà di Ing. dell’Informazione, Informatica e Statistica
Documento D.1.1
Laurea in Informatica Versione 2021-02-10
Prof. Toni ManciniOrganizzazione del Corso
Syllabus
Parte A
A.1. Introduzione
A.2. Agenti Intelligenti
A.2.1. Architettura di un Agente
A.2.2. Razionalità
A.2.3. Tipologie di Ambienti
A.2.4. Agenti Reattivi Semplici
A.2.5. Agenti Basati su Modello
A.2.6. Agenti Basati su Obiettivi
A.2.7. Agenti Basati su Utilità
A.2.8. Agenti in Grado di Apprendere
A.3. Esplorazione di Spazi degli Stati
A.3.1. Esplorazione dell’Albero di Ricerca
A.3.2. Controllo degli Stati Ripetuti e dei Cammini Ridondanti
A.3.3. Ricerca Non Informata
A.3.3.1. Ricerca in Ampiezza (Breadth First Search)
A.3.3.2. Ricerca a Costo Uniforme (Min Cost Search)
A.3.3.3. Ricerca in Profondità (Depth First Search)
A.3.3.4. Ricerca a Profondità Limitata
A.3.3.5. Ricerca ad Approfondimento Iterativo (Iterative Deepening Search)
A.3.4. Ricerca Informata
Intelligenza Artificiale
Sapienza Università di Roma Documento D.1.1
Facoltà di Ing. dell’Informazione, Informatica e Statistica
Laurea in Informatica
–1– Versione 2021-02-10
Prof. Toni ManciniOrganizzazione del Corso
Syllabus
A.3.4.1. Funzioni Euristiche
A.3.4.2. Ricerca Best-First Greedy
A.3.4.3. Ricerca A*
A.3.4.4. Euristiche Ammissibili e Consistenti
A.3.4.5. Ottimalità di A*
A.3.4.6. Ricerca A* con Memoria Limitata
A.3.4.7. Dominanza tra Euristiche
A.3.4.8. Utilizzo di Euristiche Multiple
A.4. Algoritmi a Miglioramento Iterativo
A.4.1. Steepest Ascent/Descent
A.4.2. Hill Climbing/Descending con Prima Scelta
A.4.3. Simulated Annealing
A.4.4. Local Beam
A.4.5. Algoritmi Genetici
A.5. Problemi di Soddisfacimento di Vincoli (Constraint Satisfaction Problems, CSP)
A.5.1. Definizione di CSP
A.5.2. Assegnamenti alle Variabili
A.5.3. Grafo e Ipergrafo dei Vincoli
A.5.4. Risolvere CSP mediante Backtracking
A.5.5. Propagazione dei Vincoli: Inferenza nei CSP
A.5.5.1. Node Consistency
A.5.5.2. Arc Consistency (AC)
A.5.5.3. Generalised Arc Consistency (GAC)
A.5.5.4. Algoritmo GAC-3
A.5.5.5. Path Consistency
A.5.5.6. K-Consistency
A.5.5.7. Strong K-Consistency
A.5.5.8. Vincoli Globali
A.5.5.9. Propagazione di Vincoli Globali
A.5.5.10. Risolvere CSP mediante Backtracking e Propagazione di Vincoli
A.5.5.10.1. Forward Checking (FC)
A.5.5.10.2. Maintaining (Generalised) Arc Consistency (MAC)
A.5.5.11. Euristiche per l’Ordinamento delle Variabili di Branch
A.5.5.11.1. Euristica Minimum Remaining Values (MRV)
A.5.5.11.2. Euristica Max-Degree
Intelligenza Artificiale
Sapienza Università di Roma Documento D.1.1
Facoltà di Ing. dell’Informazione, Informatica e Statistica
Laurea in Informatica
–2– Versione 2021-02-10
Prof. Toni ManciniOrganizzazione del Corso
Syllabus
A.5.5.12. Euristiche per l’Ordinamento dei Valori
A.5.5.12.1. Valore Meno Vincolante
A.5.5.13. Conflict Driven Backjumpting
A.5.5.14. No-Good Learning (cenni)
A.5.6. Risolvere CSP mediante Ricerca a Miglioramento Iterativo
A.5.7. Il Risolutore CSP MiniZinc
A.6. Agenti Basati su Conoscenza in Logica Proposizionale
A.6.1. Logica e Inferenza Logica
A.6.2. Logica Proposizionale
A.6.2.1. Sintassi e Semantica
A.6.2.2. Interpretazione
A.6.2.3. Valutazione di Formule
A.6.2.4. Modelli, Formule Soddisfacibili, Formule Insoddisfacibili, Formule Valide
A.6.2.5. Basi di Conoscenza Proposizionali
A.6.2.6. Teorema di Deduzione
A.6.2.7. La Forma Normale Congiuntiva (CNF)
A.6.2.8. Inferenza nella Logica Proposizionale
A.6.2.8.1. Basi di Conoscenza Horn e Definite
A.6.2.8.2. Algoritmo di Concatenazione in Avanti
A.6.2.8.3. Algoritmo di Risoluzione
A.6.2.8.4. Teorema di Completezza dell’Algoritmo di Risoluzione
A.6.2.9. Il Problema della Soddisfacibilità Proposizionale (SAT)
A.6.2.9.1. Algoritmi Corretti e Completi per SAT
A.6.2.9.1.1. Algoritmo Backtracking
A.6.2.9.1.2. Algoritmo DPLL
A.6.2.9.1.3. Conflict-Driven Clause Learning (cenni)
A.6.2.9.2. Algoritmi Corretti ma Incompleti per SAT
A.6.2.9.2.1. Algoritmo GSAT
A.6.2.9.2.2. Algoritmo WalkSAT
A.6.2.10. Modellazione di Problemi Combinatori in SAT
A.6.2.10.1. Risolutori SAT Commerciali
A.6.2.10.2. Il Formato DIMACS
Intelligenza Artificiale
Sapienza Università di Roma Documento D.1.1
Facoltà di Ing. dell’Informazione, Informatica e Statistica
Laurea in Informatica
–3– Versione 2021-02-10
Prof. Toni ManciniOrganizzazione del Corso
Syllabus
Intelligenza Artificiale
Sapienza Università di Roma Documento D.1.1
Facoltà di Ing. dell’Informazione, Informatica e Statistica
Laurea in Informatica
–4– Versione 2021-02-10
Prof. Toni ManciniOrganizzazione del Corso
Syllabus
Parte B
B.1. Agenti Basati su Conoscenza in Logica del Primo Ordine
B.1.1. Logica del Primo Ordine
B.1.1.1. Sintassi e Semantica
B.1.1.2. Pre-Interpretazione, Interpretazione, Assegnamento di Variabili
B.1.1.3. Valutazione di Termini e di Formule
B.1.1.4. Modelli, Formule Soddisfacibili, Formule Insoddisfacibili, Formule Valide
B.1.1.5. Basi di Conoscenza al Primo Ordine
B.1.1.6. Basi di Conoscenza Horn e Definite
B.1.2. Inferenza nella Logica del Primo Ordine
B.1.2.1. Istanziazione Universale
B.1.2.2. Istanziazione Esistenziale (o Skolemizzazione)
B.1.2.3. La Forma Normale Congiuntiva (CNF)
B.1.2.4. Riduzione all’Inferenza Proposizionale
B.1.2.5. Lifting
B.1.2.6. Sostituzione
B.1.2.7. Modus Ponens Generalizzato
B.1.2.8. Unificazione
B.1.2.9. Standardizzazione Separata
B.1.2.10. Most General Unifier (MGU)
B.1.2.11. Unicità del MGU
B.1.2.12. Algoritmo di Concatenazione in Avanti
B.1.2.13. Algoritmo di Risoluzione
B.1.2.14. Teorema di Completezza dell’Algoritmo di Risoluzione
Intelligenza Artificiale
Sapienza Università di Roma Documento D.1.1
Facoltà di Ing. dell’Informazione, Informatica e Statistica
Laurea in Informatica
–5– Versione 2021-02-10
Prof. Toni ManciniOrganizzazione del Corso
Syllabus
B.2. Pianificazione Classica
B.2.1. Planning Domain Definition Language (PDDL)
B.2.2. Domini e Problemi di Pianificazione
B.2.3. Risoluzione di Problemi di Pianificazione
B.2.3.1. Esplorazione dello Spazio degli Stati con Funzioni Euristiche
B.2.3.1.1. Ignorare Precondizioni
B.2.3.1.2. Ignorare Effetti Negativi
B.2.3.1.3. Assumere Indipendenza tra Sotto-Obiettivi
B.2.3.2. Riduzione a SAT: SATPlan
B.2.3.3. Riduzione a CSP
B.2.3.4. Riduzione a Inferenza al Primo Ordine: Situation Calculus
B.3. Ragionamento in Presenza di Incertezza
B.3.1. Le Cause di Incertezza
B.3.2. Ragionamento Probabilistico
B.3.2.1. Indipendenza Statistica e Indipendenza Condizionale
B.3.2.2. Reti Bayesiane
B.3.2.2.1. Sintassi e Semantica
B.3.2.2.2. Assunzioni di Indipendenza Condizionale Implicite nella Struttura
della Rete
B.3.2.2.3. Modellazione di Reti Bayesiane
B.3.2.2.4. Inferenza nelle Reti Bayesiane
B.3.2.2.4.1. Algoritmo di Enumerazione della Distribuzione Congiunta
B.3.2.2.4.2. Algoritmo di Eliminazione di Variabili
B.4. Agenti Basati sulla Teoria delle Decisioni
B.4.1. Funzioni di Utilità
B.4.2. Utilità Attesa
B.4.3. Principio della Massima Utilità Attesa (Maximum Expected Utility, MEU)
B.4.4. Teoria dell’Utilità
B.4.4.1. Preferenze Razionali
B.4.4.2. Progettare Funzioni di Utilità
B.4.4.3. L’utilità del Denaro
B.4.4.4. Utilità Normalizzate
B.4.4.5. Micromort e QALY
B.4.4.6. Funzioni di Utilità Multi-Attributo
Intelligenza Artificiale
Sapienza Università di Roma Documento D.1.1
Facoltà di Ing. dell’Informazione, Informatica e Statistica
Laurea in Informatica
–6– Versione 2021-02-10
Prof. Toni ManciniOrganizzazione del Corso
Syllabus
B.4.5. Reti di Decisione
B.4.5.1. Sintassi e Semantica
B.4.5.2. Inferenza nelle Reti di Decisione
B.5. Apprendimento dalle Osservazioni
B.5.1. Apprendimento Supervisionato, Non Supervisionato e Per Rinforzo
B.5.2. Alberi di Decisione
B.5.2.1. Sintassi e Semantica
B.5.2.2. Apprendimento Induttivo di Alberi di Decisione
B.5.2.2.1. Cenni di Teoria dell’Informazione
B.5.2.2.1.1. Valore dell’Informazione
B.5.2.2.1.1.1. Sorgenti di Informazione a Simboli Indipendenti ed Equiprobabili
B.5.2.2.1.1.2. Sorgenti di Informazione a Simboli Indipendenti ma Non Equi-
probabili
B.5.2.2.1.2. Entropia
B.5.2.2.1.3. Massimo Guadagno Informativo
B.5.2.2.2. Algoritmo C4.5
Intelligenza Artificiale
Sapienza Università di Roma Documento D.1.1
Facoltà di Ing. dell’Informazione, Informatica e Statistica
Laurea in Informatica
–7– Versione 2021-02-10
Prof. Toni ManciniPuoi anche leggere
