Course Syllabus
Obiettivi
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.
**Conoscenza e capacità di comprensione **(DdD 1)
Al termine del corso, lo studente sarà in grado di:
- Conoscere e comprendere i principali concetti, teorie e metodi relativi alle Reti Bayesiane statiche e dinamiche
- Analizzare criticamente i modelli di riferimento e le applicazioni pratiche delle Reti Bayesiane
- Riconoscere le connessioni tra i diversi ambiti disciplinari coinvolti nel corso.
Conoscenza e capacità di comprensione applicate (DdD 2)
Lo studente sarà in grado di:
- Applicare le conoscenze teoriche acquisite per risolvere problemi specifici o casi di studio relativi aalle Reti Bayesiane statiche e dinamiche
- Utilizzare strumenti e tecniche di analisi per progettare soluzioni concrete.
- Condurre esperimenti, attività pratiche o simulazioni
Autonomia di giudizio (DdD 3)
Attraverso attività di laboratorio, esercitazioni e redazione di relazioni, lo studente svilupperà:
- Capacità critica nell’interpretazione dei dati e delle informazioni raccolte.
- Abilità di valutare diverse strategie e soluzioni, ponderando vantaggi e limiti.
- Capacità di formulare giudizi motivati e argomentati in modo autonomo.
Abilità comunicative (DdD 4)
Durante il corso, lo studente sarà stimolato a:
- Comunicare efficacemente i risultati delle proprie analisi sia in forma scritta (assignments) che orale (presentazioni, discussioni).
- Utilizzare un linguaggio tecnico adeguato e chiaro.
Capacità di apprendere (DdD 5)
Al termine del corso, lo studente sarà in grado di:
- Organizzare e pianificare in modo autonomo il proprio percorso di approfondimento e aggiornamento professionale.
- Utilizzare risorse bibliografiche, digitali e strumenti di autoapprendimento per continuare lo studio in modo efficace.
- Sviluppare un approccio critico e riflessivo verso le nuove conoscenze e tecnologie nel campo di studio.
Contenuti sintetici
Rappresentazione dell’incertezza nei problemi di decisione
Rappresentazione della conoscenza in ambienti incerti
Reti Bayesiane Incertezza e scelte razionali
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". Chapter 13.
2.1 "Knowledge representation in an uncertain domain Bayesian network semantics; Efficient representation of conditional probabilities". Chapter 14 (14.1, 14.2, 14.3).
2.2 D-separation (materiale fornito dal docente)
2.3 Generazione numeri psudo-casuali per campionamento (materiale fornito dal docente)
-
"Exact and approximate inference in Bayesian Networks". Chapter 14 (14.4, 14.5)
-
"Markov Chains" (materiale fornito dal docente)
-
Hidden Markov Models; Forecasting, Filtering and Smoothing ". Chapter 15 (15.1, 15.2 15.3).
Prerequisiti
Nozioni di base di: probabilità, statistica, algebra lineare
Modalità didattica
Lezioni, esercizi e laboratorio.
Il corso verra' erogato in italiano.
- 32 lezioni teoriche di 2 ore l'una in presenza fisica sotto forma di didattica erogativa
- 20 esercitazioni di 2 ore l'una di cui fino ad un massimo di 3 ore erogate in modalità interattiva in presenza e fino ad un massimo di 3 ore erogate in modalità interattiva online
Il corso è erogato in lingua italiana.
Materiale didattico
S. Russel, P. Norvig. “Intelligenza Artificiale: Un Approccio Moderno”, Prentice Hall, III Edizione
papers & slides
Periodo di erogazione dell'insegnamento
Secondo Semestre
Modalità di verifica del profitto e valutazione
Esame Scritto + orale facoltativo
Orario di ricevimento
Su appuntamento
Sustainable Development Goals
Aims
The course will provide the main concepts and operative tools, based on computational methods, for representing the learning process and the reasoning techniques in uncertain domains. Students will gain the ability of using the concepts and methods learned for solving practical operational decision problems. In particular, they will acquire the following abilities: to identify relations between parameters by using probabilistic models, to build models for decision making, to evaluate and find the problem solutions.
Knowledge and Understanding (Dublin Descriptor 1)
By the end of the course, the student will be able to:
- Know and understand the main concepts, theories, and methods related to static and dynamic Bayesian Networks.
- Critically analyze the reference models and practical applications of Bayesian Networks.
- Recognize the connections between the different disciplinary areas involved in the course.
Applying Knowledge and Understanding (Dublin Descriptor 2)
The student will be able to:
- Apply the acquired theoretical knowledge to solve specific problems or case studies related to static and dynamic Bayesian Networks.
- Use analytical tools and techniques to design concrete solutions.
- Conduct experiments, practical activities, or simulations.
Making Judgements (Dublin Descriptor 3)
Through laboratory activities, exercises, and report writing, the student will develop:
- Critical skills in interpreting collected data and information.
- The ability to evaluate different strategies and solutions, weighing their advantages and limitations.
- The capacity to formulate reasoned and well-argued judgments independently.
Communication Skills (Dublin Descriptor 4)
During the course, the student will be encouraged to:
- Effectively communicate the results of their analyses both in written form (assignments, reports) and orally (presentations, discussions).
- Use appropriate and clear technical language.
Learning Skills (Dublin Descriptor 5)
By the end of the course, the student will be able to:
- Organize and independently plan their own path of professional development and further study.
- Use bibliographic, digital resources, and self-learning tools to continue studying effectively.
- Develop a critical and reflective approach towards new knowledge and technologies in the field of study.
Contents
Representing uncertainty in decision problems
Knowledge representation in uncertain domains
Bayesian Networks
Pseudo-number generation for sampling
Inference on BN
Probabilistic Reasoning over time
Markov Chains
Hidden Markov Models
Inference in dynamic models
Detailed program
-
"Representing uncertainty in decision problems Basic notions of probability theory Bayes rule and its application". Chapter 13.
2.1 "Knowledge representation in an uncertain domain Bayesian network semantics; Efficient representation of conditional probabilities". Chapter 14 (14.1, 14.2, 14.3).
2.2 D-separation (papers & slides)
2.3 Pseudo-number generation for sampling (papers & slides)
-
"Exact and approximate inference in Bayesian Networks". Chapter 14 (14.4, 14.5)
-
"Markov Chains" (papers & slides)
-
Hidden Markov Models; Forecasting, Filtering and Smoothing ". Chapter 15 (15.1, 15.2 15.3).
-
Prerequisites
Basic notions of: probability, statistics, linear algebra
The course is in Italian.
Teaching form
Lectures, classroom exercises, lab exercises
- 32 lectures of theory of 2 hours each in presence of erogative nature
- 20 excercise lectures of 2 hours each (of which a maximum of 3 hours of interactive lectures in presence and a maximum of 3 hours of interactive lectures on line)
Textbook and teaching resource
S. Russel, P. Norvig. “Artificial Intelligence: A Modern Approach", Prentice Hall, III Edizione
papers & slides
Semester
Second Semester
Assessment method
Written Exam + oral (optional)
Office hours
By appointment
Sustainable Development Goals
Staff
-
Vincenzina Messina
