Politecnico di Torino
Politecnico di Torino
   
Login  
en
Politecnico di Torino
Anno Accademico 2015/16
01QTIIU
Mimetic learning
Dottorato di ricerca in Ingegneria Informatica E Dei Sistemi - Torino
Docente Qualifica Settore Lez Es Lab Tut Anni incarico
Squillero Giovanni   A2 ING-INF/05 40 0 0 0 8
SSD CFU Attivita' formative Ambiti disciplinari
*** N/A ***    
Obiettivi dell'insegnamento
IL CORSO SI TERRA' NEL PERIODO: SETTEMBRE 2016



Il corso intende illustrare alcune 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 unendo e modificando gli approcci analizzati.

The course illustrates several heuristic methodologies able to tackle complex problems. While the analyzed techniques differs in many respects, they all share an attempt to learn the optimal strategy by mimicking natural processes. The final goal of the course is to enable researchers to design their own algorithm, mixing and/or tweaking existing methodologies.
Programma
Il corso introduce i numerosi algoritmi che vengono definiti con l'etichetta di "calcolo evolutivo" e li inquadra storicamente. Sono inoltre affrontati nel dettaglio argomenti classicamente parte dell’Intelligenza Artificiale: le reti neurali, l’apprendimento per rinforzo ed i sistemi basati su regole (classificatori). Vengono evidenziate le profonde similitudini e correlazioni fra i diversi argomenti.

Più nel dettaglio:
• apprendimento automatico
• apprendimento con rinforzo
• algoritmi evolutivi classici e recenti
• reti neurali artificiali
• sistemi basati su regole

The course introduces the vast family of algorithms that are commonly labeled as "evolutionary algorithms", and puts them into an historical perspective. Classical AI paradigms are also analyzed in detail: neural networks, reinforcement learning, rule-based approaches. Different and analogies between all different approaches are examined.

In more details:
• machine learning
• reinforcement learning
• evolutionary algorithms, both traditional approaches and recent developments
• artificial neural networks
• rule-based systems


le date esatte saranno concordate con gli studenti iscritti al corso tramite un doodle
Orario delle lezioni
Statistiche superamento esami

Programma definitivo per l'A.A.2015/16
Indietro



© Politecnico di Torino
Corso Duca degli Abruzzi, 24 - 10129 Torino, ITALY
WCAG 2.0 (Level AA)
Contatti