Il corso illustra euristiche per la soluzione di problemi complessi che sfruttano meccanismi di apprendimento automatico basate sui processi biologici. La finalità è rendere gli studenti capaci di progettare algoritmi per risolvere problemi complessi di cui non si conosce una soluzione esatta. In particolare, algoritmi in grado di apprendere ed adattarsi alle ventuali variazioni dell'ambiente.
Il corso introduce i numerosi algoritmi che vengono definiti con l'etichetta di "calcolo evolutivo" e li inquadra storicamente. Sono affrontate nel dettaglio le reti neurali ed i sistemi basati su regole (classificatori).
Le profonde similitudini e correlazioni fra i diversi argomenti vengono illustrate.

Per informazioni più dettagliate, vedere
http://areeweb.polito.it/didattica/gcia/Apprendimento_Mimetico/

apprendimento automatico
- supervisionato vs. non-supervisionato
- apprendimento continuo vs. addestramento preventivo
- apprendimento con rinforzo

algoritmi evolutivi
- storia
- tassonomia classica: GA, GP, ES, EP, NN, LCS
- sviluppi recenti: ACO, swarm intelligence, grammar evolution, estomation of distribution algorithms

reti neurali artificiali
- storia
- modelli
- paradigmi di apprendimento
- applicazioni

sistemi basati su regole
- storia
- Pittsburgh-type LCS
- Michigan-style LCS (XCS, ZCS, UCS)