Riassunti di Intelligenza Artificiale

Introduzione e Agenti Razionali

  1. (riassunto) Introduzione all’Intelligenza Artificiale
  2. (riassunto) Agenti razionali: definizioni preliminari
  3. (riassunto) Tipologie di Agenti Razionali
  4. (riassunto) Tipologie di ambiente per un agente razionale

Algoritmi di Ricerca e Planning

  1. (riassunto) La ricerca e la pianificazione nell’intelligenza artificiale
  2. (riassunto) Gli algoritmi di ricerca più comuni
  3. (riassunto) Effective branching factor b^*
  4. (riassunto) Esercizi

Problemi di pura ottimizzazione

  1. (riassunto) Problemi di pura ottimizzazione
  2. (riassunto) Paradigmi di ottimizzazione
  3. (riassunto) Problemi di programmazione lineare
  4. (riassunto) Problemi di programmazione lineare intera
  5. (riassunto) Problemi di programmazione con vincoli
  6. (riassunto) Problemi di soddisfacibilità booleana
  7. (riassunto) Problemi di ottimizzazione comuni
  8. (riassunto) Esercizi di ottimizzazione

Logica Proposizionale e del Primo Ordine

  1. (riassunto) Introduzione alla logica: il mondo Wumpus, la differenza tra sintassi e semantica, l’entailmente e l’inferenza
  2. (riassunto) La logica proposizionale e i suoi metodi d’inferenza
  3. (riassunto) Clausole di Horn
  4. (riassunto) Modus Ponens
  5. (riassunto) Foreward/backward chaining
  6. (riassunto) Grafi AND-OR
  7. (riassunto) La logica del primo ordine (FOL) e i suoi metodi d’inferenza
  8. (riassunto) Prolog

Concetti fondamentali di Teoria della Probabilità

  1. (riassunto) Concetti fondamentali di teoria della probabilità

Reti bayesiane e Inferenza Causale

  1. (riassunto) Reti Baeysiane: introduzione e definizione di semplici reti
  2. (riassunto) CPT (Conditional Probability Tables)
  3. (riassunto) Inferenza per enumerazione ed eliminazione di variabili
  4. (riassunto) Tecniche d’inferenza approssimata
  5. (riassunto) Cos’è l’inferenza causale e i metodi utilizzati per rappresentare graficamente e algebricamente la causalità all’interno di una rete
  6. (riassunto) D-separation
  7. (riassunto) Interventi e Adjustment Formula
  8. (riassunto) ACE (Average Causal Effect)
  9. (riassunto) Confounder, Backdoor paths, Backdoor Criterion, Frontdoor paths e Frontdoor Criterion (con formule di aggiustamento)
  10. (riassunto) Mediazione
  11. (riassunto) SCM lineari
  12. (riassunto) Esercizi
  13. (riassunto) Markov Blanket

Modelli di Markov

  1. (riassunto) Markov Chains
  2. (riassunto) HMM (Hidden Markov Models)
  3. (riassunto) Cos’è un MDP (Markov Decision Processes) e gli algoritmi di Value-Iteration, Policy-Iteration e Q-Learning
  4. (riassunto) POMDP (Partially Observable Markov Decision Processes)
  5. (riassunto) Esercizi su Markov

Machine Learning e Deep Learning

  1. (riassunto) Cos’è il Machine Learning e quali sono le sue principali branchie
  2. (riassunto) Alberi decisionali (decision trees)
  3. (riassunto) Pruning/Bagging/Random Forest
  4. (riassunto) Come allenare un algoritmo di Machine Learning
  5. (riassunto) K-fold cross validation
  6. (riassunto) Cos’è una funzione di Loss e quali sono le più comuni funzioni di Loss
  7. (riassunto) Regressione Lineare
  8. (riassunto) L’algoritmo di Gradient Descent e le sue varianti (batch, stochastic, minibatch)
  9. (riassunto) SVM (Support Vectore Machines) e Kernel Trick
  10. (riassunto) Cos’è un Hidden Layer
  11. (riassunto) Neural networks: il percettrone, le funzioni di attivazione e la codifica degli input
  12. (riassunto) Cos’è e a cosa serve il layer softmax
  13. (riassunto) Implementare le funzioni logiche con un semplice Neural Network
  14. (riassunto) Recurrent Neural Networks (RNNs)
  15. (riassunto) Convolutional Neural Networks (CNNs)
  16. (riassunto) Come trovare i pesi di ogni nodo in un Neural Network: foreward pass e back-propagation
  17. (riassunto) NAS: Natural Architecture Search
  18. (riassunto) Receptive Field
  19. (riassunto) Pooling: average/max pooling
  20. (riassunto) Dropout
  21. (riassunto) I tensori e la rappresentazione dei dati nell’intelligenza artificiale
  22. (riassunto) LSTM (Long-Short-Term-Memory)
  23. (riassunto) Autoencoder (AEs) e Variational Autoencoder (VAEs): cosa sono e a cosa servono
  24. (riassunto) GANs (Generative Adversarial Networks)
  25. (riassunto) Transfer Learning
Questa pagina è stata utile?
No
Torna in alto