{"id":82,"date":"2016-03-28T21:29:52","date_gmt":"2016-03-28T20:29:52","guid":{"rendered":"http:\/\/pages.di.unipi.it\/dbacciu\/?page_id=82"},"modified":"2016-04-12T10:01:17","modified_gmt":"2016-04-12T09:01:17","slug":"ia","status":"publish","type":"page","link":"https:\/\/pages.di.unipi.it\/bacciu\/teaching\/old-courses\/ia\/","title":{"rendered":"Introduzione all’Intelligenza Artificiale"},"content":{"rendered":"

A.A. 2012\/13 (Secondo Semestre)<\/a> <\/strong><\/h2>\n

Titolare del Corso –\u00a0 Maria Simi<\/a><\/h4>\n

II modulo. Introduzione all’apprendimento automatico<\/h3>\n

Responsabili<\/strong> – Davide Bacciu<\/a> – Alessio Micheli<\/a><\/p>\n

Argomenti<\/strong>– Introduzione ai principi dell’apprendimento automatico: apprendimento in Intelligenza Artificiale, tassonomia dei modelli di apprendimento, valutazione e selezione delle ipotesi. Apprendimento induttivo di concetti. Alberi di decisione. Analisi esplorativa: riduzione della dimensionalita’, feature selection, clustering.\u00a0 Apprendimento con Rinforzo. Introduzione ai principi dell’apprendimento probabilistico: ipotesi maximum likelihood, MAP e Bayesiana.\u00a0 Classificatore Naive Bayes. Rappresentazione delle relazioni di (in)dipendenza tra variabili aleatorie: reti Bayesiane. Applicazioni e modelli avanzati dell’apprendimento automatico: trattamento di documenti, robotica e analisi di dati biomedici. Elementi di teoria statistica dell’apprendimento.<\/p>\n

Orario Ricevimento<\/strong> – Lun. 14.30-16 \/ Ven 14.30\/16 (Prendere appuntamento per mail)<\/p>\n

Libri di Riferimento<\/strong><\/p>\n

[AIMA]\u00a0\u00a0\u00a0 Russell, S. and Norvig, N. Artificial Intelligence: A Modern Approach<\/i>, 3rd Edition, Pearson Education, 2010.
\nCapitolo 18 “Learning from Examples”
\nCapitolo 20 “Learning Probabilistic Models”
\nCapitolo 21 “Reinforcement Learning”<\/p>\n

[MML]\u00a0\u00a0\u00a0 Mitchell, T . Machine Learning, McGraw Hill.1997.
\nCapitolo 2 “Concept Learning and General-to-Specific Ordering”
\nCapitolo 3 “Decision Tree Learning”
\nCapitolo 5 “Evaluating Hypotheses”
\nCapitolo 6 “Bayesian Learning”
\nCapitolo 13 “Reinforcement Learning”<\/p>\n

Nils J. Nilsson (Stanford University) mette a disposizione delle note di introduzione all’apprendimento automatico che possono essere usate per l’approfondimento dei contenuti del modulo.<\/p>\n

Nils J. Nilsson, Introduction to Machine Learning<\/a>, 1998-2010.<\/p><\/blockquote>\n

Per il corso sono di particolare interesse i Capitoli 1, 6, 8, 9 e 11.<\/em><\/p>\n

Un altro buon libro, disponibile online, che puo’ essere usato come riferimento per gli aspetti di apprendimento Bayesiano e’<\/p>\n

David Barber, Bayesian Reasoning and Machine Learning<\/strong><\/a>, Cambridge University Press, 2011 (IN PRESS).<\/p><\/blockquote>\n

Per il corso sono di particolare interesse i Capitoli da 1, 2, 8, 9, 10, 15 e 16.<\/em><\/p>\n

Nel dettaglio delle lezioni vengono proposte alcune letture consigliate in aggiunta ai libri di riferimento.
\nI lucidi saranno pubblicati online a seguito della lezione.<\/p>\n

Calendario<\/h4>\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
<\/td>\nData<\/td>\nArgomento<\/td>\nLibro<\/td>\nApprofondimenti e Materiale Aggiuntivo<\/td>\n<\/tr>\n
1<\/td>\n02\/05\/2013
\n14-16\u00a0 Aula C1<\/td>\n		Introduzione all’Apprendimento Automatico (pdf<\/a>)<\/td>\n[AIMA] Sect. 18.1, 18.2, 18.4<\/p>\n

[MML] Chapter 1<\/td>\n

Approfondimenti
\n[1]<\/a> Cap. 1<\/td>\n<\/tr>\n
2<\/td>\n03\/05\/2013
\n11-13\u00a0 Aula A1<\/td>\n		Apprendimento induttivo di concetti (Simi<\/a>)<\/td>\n[MML] Chapter 2<\/td>\n<\/td>\n<\/tr>\n
3<\/td>\n07\/05\/2013
\n14-16\u00a0 Aula A1<\/td>\n		Apprendimento di alberi di decisione\u00a0 + Esercitazione (Simi<\/a>)<\/td>\n[AIMA] Sect. 18.3<\/p>\n

[MML] Chapter 3<\/td>\n

Approfondimenti
\n[1]<\/a> Cap. 6<\/td>\n<\/tr>\n
4<\/td>\n09\/05\/2013
\n14-16\u00a0 Aula C1<\/td>\n		Analisi Esplorativa I: Feature Extraction (pdf<\/a>)<\/td>\n[2]<\/a> 15.1, 15.2, 15.3, 16.1<\/td>\nApprofondimenti
\n[2]<\/a> 15.1, 15.2, 15.3 (Linear feature extraction e PCA)
\n16.1 (Cenni di supervised feature extraction)I libri di riferimento non coprono i contenuti di questa lezione. Per l’esame sono sufficienti i contenuti dei lucidi e le sopraindicate sezioni di [2]<\/a>.Software
\n[2]<\/a> Viene distribuito gratuitamente con software Matlab\/Octave che permette di sperimentare routine per la feature extraction: per informazioni fare riferimento ai capitoli 15 e 16.[Eigenfaces<\/a>] Un tutorial molto semplice che mostra come ottenere delle eigenfaces in Matlab<\/td>\n<\/tr>\n
5<\/td>\n10\/05\/2013
\n11-13\u00a0 Aula A1<\/td>\n		Analisi Esplorativa II: Feature Selection e Clustering (pdf<\/a>)<\/td>\n[1]<\/a> Cap. 9<\/td>\nApprofondimenti
\n[1]<\/a> Cap. 9I libri di riferimento non coprono i contenuti di questa lezione. Per l’esame sono sufficienti i contenuti dei lucidi e il sopraindicato capitolo di [1]<\/a>[3]<\/a> Un interessante articolo di review per approfondire la feature selection.Software
\n[gmmClustering<\/a>] Un modello (semplice) per il clustering probabilistico con visualizzazione dinamica dei cluster<\/td>\n<\/tr>\n
6<\/td>\n14\/05\/2013
\n14-16\u00a0 Aula A1<\/td>\n		Apprendimento Bayesiano (pdf<\/a>)<\/td>\n[AIMA] Sect. 20.1, 20.2<\/p>\n

[MML] Sect. 6.1-6.3, Sect. 6.5-6.9<\/td>\n

Approfondimenti
\n[2]<\/a> Cap. – 1,2,8,9Software
\n[demoCoin<\/a>] Demo sulla stima di probabilita’ nel classico problema del lancio della monetina[demoNB<\/a>] Demo di classificatore Naive Bayes applicato al 20 Newsgroup dataset<\/td>\n<\/tr>\n
7<\/td>\n16\/05\/2013
\n14-16 Aula C1<\/td>\n		Modelli Avanzati e Teoria dell’Apprendimento (Micheli<\/a>)<\/td>\n<\/td>\n<\/td>\n<\/tr>\n
8<\/td>\n17\/05\/2013
\n11-13\u00a0 Aula A1<\/td>\n		Apprendimento con Rinforzo (pdf<\/a>)<\/td>\n[AIMA] Sect. 21.1, 20.3<\/p>\n

[MML] Sect. 13.1-13.3,
\nSect. 13.6, 13.8<\/td>\n

Approfondimenti
\n[1]<\/a> Cap. 11Software
\n[GridWorld<\/a>] Demo Java dell’apprendimento Q-learning nell’esempio Grid-World.\u00a0 Permette di controllare vari parametri dell’algoritmo, inclusi quelli che regolano l’esplorazione.<\/td>\n<\/tr>\n
9<\/td>\n21\/05\/2013
\n14-16\u00a0 Aula A1<\/td>\n		Esercitazione su domande di esame (Simi<\/a>)<\/td>\n<\/td>\n<\/td>\n<\/tr>\n
10<\/td>\n23\/05\/2013
\n14-16\u00a0 Aula C1<\/td>\n		Esercitazione su domande di esame<\/td>\n<\/td>\n<\/td>\n<\/tr>\n
11<\/td>\n24\/05\/2013
\n11-13\u00a0 Aula A1<\/td>\n		Applicazioni dell’Apprendimento Automatico all’Analisi Documentale<\/td>\n<\/td>\nApprofondimenti
\n[2]<\/a> Cap. – 10<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Bibliografia<\/h4>\n

[1]<\/a>\u00a0 Nils J. Nilsson, Introduction to Machine Learning, 1998-2010.<\/p>\n

[2]<\/a>\u00a0 David Barber, Bayesian Reasoning and Machine Learning<\/strong>, Cambridge University Press, 2011 (IN PRESS).<\/p>\n

[3]<\/a> I. Guyon and A. Elisseeff. 2003. An introduction to variable and feature selection. J. Mach. Learn. Res.<\/em> 3 (March 2003), 1157-1182.<\/p>\n","protected":false},"excerpt":{"rendered":"

A.A. 2012\/13 (Secondo Semestre) Titolare del Corso –\u00a0 Maria Simi II modulo. Introduzione all’apprendimento automatico Responsabili – Davide Bacciu – Alessio Micheli Argomenti– Introduzione ai principi dell’apprendimento automatico: apprendimento in Intelligenza Artificiale, tassonomia dei modelli di apprendimento, valutazione e selezione delle ipotesi. Apprendimento induttivo di concetti. Alberi di decisione. Analisi esplorativa: riduzione della dimensionalita’, feature […]<\/p>\n","protected":false},"author":19,"featured_media":0,"parent":44,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"full-width-page.php","meta":{"footnotes":""},"class_list":["post-82","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/pages.di.unipi.it\/bacciu\/wp-json\/wp\/v2\/pages\/82","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/pages.di.unipi.it\/bacciu\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/pages.di.unipi.it\/bacciu\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/pages.di.unipi.it\/bacciu\/wp-json\/wp\/v2\/users\/19"}],"replies":[{"embeddable":true,"href":"https:\/\/pages.di.unipi.it\/bacciu\/wp-json\/wp\/v2\/comments?post=82"}],"version-history":[{"count":9,"href":"https:\/\/pages.di.unipi.it\/bacciu\/wp-json\/wp\/v2\/pages\/82\/revisions"}],"predecessor-version":[{"id":165,"href":"https:\/\/pages.di.unipi.it\/bacciu\/wp-json\/wp\/v2\/pages\/82\/revisions\/165"}],"up":[{"embeddable":true,"href":"https:\/\/pages.di.unipi.it\/bacciu\/wp-json\/wp\/v2\/pages\/44"}],"wp:attachment":[{"href":"https:\/\/pages.di.unipi.it\/bacciu\/wp-json\/wp\/v2\/media?parent=82"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}