Intelligenza Computazionale e Applicazioni

Francesco Masulli    Tel. +39 010 353 6604

Francesco Masulli    Tel. +39 010 353 6604

Programmazione. Elementi di probabilità e statistica.

Capacità di implementare gli Algoritmi Evolutivi e di utlizzarli per la soluzione di problemi applicativi complessi.

Gli Algoritmi Evolutivi sono procedure di ricerca ispirate ai meccanismi dell'evoluzione biologica che permettono di affrontare problemi problemi complessi in vari domini applicativi come routing, scheduling, allocazione ottimale di risorse, progettazione automatica, controllo, identificazione di sistemi, analisi di immagini, stock prediction, credit scoring, risk assessment, ecc. Nel corso verranno presentati vari tipologie di Algoritmi Evolutivi come gli Algoritmi Genetici, le Strategie Evolutive e la Programmazione Genetica.

null

Capacità di implementare gli Algoritmi Evolutivi e di utlizzarli per la soluzione di problemi applicativi complessi.

Testo di riferimento: D.E. Goldberg. Genetic Algorithms in Search, Optimization and Machine Learning, Addison Wesley, 1989 Testi di approfondimento:

W. Banzhaf, P. Nordin, R. E. Keller, F.D. Francone, Genetic Programming: An Introduction, Morgan Kaufmann, 1997.

R. L. Haupt, S. E.Haupt, Practical Genetic Algorithms, Wiley-Interscience, 1998.

J.R. Koza, Genetic Programming, MIT Press, 1992.

M. Mitchell, An Introduction to Genetic Algoritms, MIT Press, 1996

R. Poli, W.B. Langdon, Foundations of Genetic Programming, Springer Verlag, 2001

H.P. Schwefel, Evolution and Optimum Seeking, J. Wiley & Sons, 1995

W.H. Press, S. A. Teukolsky, W.T. Vetterling, B.P. Flannery, Numerical Recepies in C: the art of scientific computing (2nd ed.), Cambridge University Press, 1992

A.Tettamanzi, M. Tomassini, Soft Computing: Integrating Evolutionary, Neural, and Fuzzy Systems, Springer Verlag, 2001

Scritto e orale

Alessandro Vinciarelli    Tel. +41 277 217 724

Programmazione. Elementi di probabilita' e statistica.

Al termine del corso gli studenti dovranno aver acquisito la capacita' di risolvere problemi di classificazione, nel campo dell'elaborazione di immagini. video e segnali audio, applicando le metodologie presentate nel corso.

Immagini, Video e Segnali Audio

Dispositivi Digitali di Acquisizione d'Immagini (cenni)- Tipi di Immagini (Binarie, Livello di Grigio, a Colori)- Rappresentazione del Colore (RGB, HSV)- Esempi di riconoscitori di immagini (OCR e Riconoscitori di Facce) e loro struttura- Estrazione delle Features e Classificazione - Video - Concetti basilari, Frames e Formati- Esempi di Riconoscitori (cenni) Dispositivi Digitali di Acquisizione di Suoni (cenni)- Formati Principali del segnale audio - Riconoscitori vocali e loro struttura - Estrazione delle Features e Classificazione.

Metodi Bayesiani Di Classificazione

Richiami di Statistica (Media, Varianza, Covarianza) - Richiami Di Teoria della Probabilita` (Probabilita` Condizionate, Teorema di Bayes) - Teoria Bayesiana della Decisione nel caso di Features di tipo continuo- Classificatori, Discriminanti e Superfici di Decisione - Densita` Normale ( Densita` Normale Univariata e Multivariata) - Funzioni Discriminanti per la Densita` Normale - Teoria della Detezione del segnale (cenni)- Curve ROC- Teoria Bayesiana della Decisione nal caso di Features di tipo discreto (cenni)

R.O. Duda, P.E. Hart and D.G. Stork. Pattern Classification (2nd.edition), Wiley Interscience, 2001 (secondo capitolo)

Ulteriore materiale didattico sara' reso disponibile agli studenti durante il corso.