sono specificati qui

Esame Scritto di Intelligenza Artificiale
TEORIA
01 – LOGICA
 Logiche proposizionale e primo ordine
 Proposizioni, connettivi, espressioni, fbf
 Ragionamenti validi
 Sistemi logici, teorie, inferenze
 1OL, sintassi, semplificazioni, forme normali
 Inferenza, semantica, modelli, interpretazioni
02 – LOGICA (Dimostrazioni)
 Clausole di Horn, risoluzione
 Modus ponens, forward e backward chaining
 Unificazione, sostituzioni, mgu
03 – PROLOG
 Cos’è il Prolog (Fatti, Regole, Query,...)
 Clausole di Horn e unificazione in Prolog
 Semantica Dichiarativa vs. Procedurale
 Operatore cut
04 – CONSTRAINT PROGRAMMING
 Limiti linguaggi Logici e CLP
 Consistenza, ricerca, inferenza
 Filtering e propagazione
 Vincoli globali, algoritmi per alldifferent, gcc e
vincoli disgiuntivi
05 – STATISTICHE INFERENZIALI
 Statistiche descrittive di base (media, mediana,
stdev, percentili, varianza, IQR
 Box-plot e outlier
 Campionamento e stima
 Teorema del limite centrale, gaussiana, z score
 Test verifica di ipotesi, errori 1 e 2
 Intervalli di confidenza e significatività
 Test parametrici, t test
 Test non parametrici, Wilcoxon
06 – RETI NEURALI
 Basi di Fisiologia (Neuroni, Pompa del Sodio, ...)
 Neuroni di McCulloch e Pitts
 Percettroni e apprendimento
 Discesa lungo il gradiente, regola delta
 BackPropagation (dimostrazione per
incremento voto all’orale)
 Utilizzo di reti neurali per previsione di serie
storiche.
ESERCIZI
(niente)
(niente)
(niente)
 Modelli di semplici problemi (capirli o
progettarli)
 Esempi di filtering e propagazione dati semplici
modelli
 Calcolo di statistiche descrittive
 Z score, intervalli di confidenza
 Verifica di ipotesi, significatività e errori
 Sintesi/Analisi di una rete di McCulloch e Pitts
(Data una rete, capire cosa fa. Data una
funzione logica progettare la rete.)
 Data una rete di percettroni e un set di
apprendimento, dire come variano i pesi della
rete al termine del training set.
07 – SUPPORT VECTOR MACHINE
 Definizione di SVM
 Dimensione VC
 Vettore di Supporto
 Tipi di Classificatori
 Funzione di Kernel
(dimostrazioni varie, lagrangiana in particolare,
per incremento voto all’orale)
08 – RETI BAYESIANE
 Probabilità marginale, congiunta, condizionata
 Teo. Bayes, fattorizzazione, indipendenze
 Reti bayesiane, identificazione rete
 Inferenza in reti bayesiane, message passing
 Dati due gruppi di punti, individuare la retta di
separazione lineare e calcolare i vettori di
supporto
(solo progetto)
09 – ALGORITMI EURISTICI
 Definizione di Euristica
 Euristiche Costruttive e Ricerca Locale
(solo progetto)
10 – ALGORITMI METAEURISTICI
 Algoritmi Genetici
 Sistema Formiche
(solo progetto)

Download Report