PROGRAMMA DEL CORSO

Introduzione; Agenti intelligenti; Risoluzione di problemi; Risolvere i problemi con la ricerca;  Ricerca in ambienti complessi; Ricerca con avversari e giochi; Problemi di soddisfacimento di vincoli; Conoscenza, ragionamento e pianificazione; Agenti logici;  Logica del primo ordine;  Inferenza nella logica del primo ordine; Rappresentazione della conoscenza; Pianificazione automatica; Conoscenza incerta e ragionamento in condizioni di incertezza; Quantificare l’incertezza; Ragionamento probabilistico; Ragionamento probabilistico nel tempo; Programmazione probabilistica; Decisioni semplici; Decisioni complesse; Decisioni multiagente; Apprendimento automatico; Apprendimento da esempi; Apprendimento di modelli probabilistici; Introduction to probability; Introduction to machine learning; Linear Algebra; Vector Calculus; Optimization; Maximum Likelihood Estimation ; Classification; Covariance Matrix; Principal Component Analysis; Supervised Learning with SKlearn; Clustering; Bayesian Learning; Bayesian Inference; Gaussian Mixture Models; Bayesian Networks with OpenMarkov; Neural Networks; Automatic Differentiation; RBF Neural Networks; Convolutional Neural Networks.

TESTI ADOTTATI E CONSIGLIATI

“Pattern Recognition and Machine Learning”, Chris Bishop, Springer, 2006, 2011

“Deep Learning”, Ian Goodfellow, Yoshua Bengio,…, MIT Press nov 2016

“Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems”, A.Geron, O’Reilly