Insegnamento DECISION SUPPORT AND RECOMMENDER SYSTEM
| Nome del corso di laurea | Informatica |
|---|---|
| Codice insegnamento | GP004171 |
| Curriculum | Intelligent and mobile computing |
| Docente responsabile | Joseph Rinott |
| CFU | 9 |
| Regolamento | Coorte 2019 |
| Erogato | Erogato nel 2020/21 |
| Erogato altro regolamento | |
| Anno | 2 |
| Periodo | Primo Semestre |
| Tipo insegnamento | Obbligatorio (Required) |
| Tipo attività | Attività formativa integrata |
| Suddivisione |
DECISION SUPPORT AND RECOMMENDER SYSTEM - I MOD.
| Codice | A001041 |
|---|---|
| CFU | 6 |
| Docente responsabile | Joseph Rinott |
| Docenti |
|
| Ore |
|
| Attività | Affine/integrativa |
| Ambito | Attività formative affini o integrative |
| Settore | MAT/06 |
| Tipo insegnamento | Obbligatorio (Required) |
| Lingua insegnamento | INGLESE |
| Contenuti | Elementi di teoria delle decisioni. Elementi di teoria dei giochi non-cooperativi e cooperativi. Elementi di teoria della scelta sociale. |
| Testi di riferimento | K. Leyton-Brown, Y. Shoham: Essentials of Game Theory, Morgan & Claypool Publishers, 2008. D.M. Kreps: Notes On The Theory of Choice, Westview Press, 1988 W. Gaertner: A Primer in Social Choice Theory, Oxford University Press, 2009. Presh Talwalkar : The Joy of Game Theory: An Introduction to Strategic Thinking Paperback – 2014 Altro materiale sarà fornito dai docenti durante il corso. |
| Obiettivi formativi | Obiettivo del corso è far acquisire i principali strumenti teorici e metodologici per la modellizzazione delle scelte razionali, (sia di un agente singolo che di un gruppo di agenti) e per la raccomandazione delle migliori scelte per il raggiungimento degli obiettivi prefissati. |
| Prerequisiti | Il corso richiede conoscenze di base di calcolo delle probabilità che si hanno avendo superato un corso di Calcolo delle Probabilità e Statistica Matematica della laurea in Informatica. Tutte le altre conoscenzenze richieste sono coperte dagli insegnamenti di una laurea in Informatica di qualunque sede. |
| Metodi didattici | Lezioni frontali che prevedono la soluzione di problemi ed esercizi e l'eventuale utilizzo di strumenti informatici. |
| Modalità di verifica dell'apprendimento | L'esame consiste in una prova scritta ed è finalizzata ad accertare la comprensione dei concetti base affrontati nel corso ed i collegamenti tra essi. Per informazioni sui servizi di supporto agli studenti con disabilità e/o DSA visita la pagina http://www.unipg.it/disabilita-e-dsa |
| Programma esteso | DECISION THEORY AND GAME THEORY 1. Introduction to the course. Binary relations and their properties. Decision problem under certainty. Preference relations. 2. Probability background as needed. Subjective probability (Savage). Some background in statistics, and Bayesian statistics. 3. Lotteries, decisions under uncertainty. 4. Introduction to expected utility according to von Neumann-Morgenstern. von Neumann-Morgenstern axioms. 5. von Neumann-Morgenstern representation theorem. 6. Introduction to game theory. Various classifications of models in game theory. Examples, e.g. Prisoner’s Dilemma, the Chicken game, and their relation to current politics (Trump and North Korea?). Definition of non-cooperative strategic game. 7. Pareto optimality, best response, removal of dominate strategies, Nash equilibrium and its computation. 8. Nash equilibria in non-cooperative strategic games. Strictly competitive (or zero-sum) non-cooperative strategic games. Maxminimization, maxmin theorem, the relation to Nash equilibrium, and value of a strictly competitive (or zero-sum) game. Some examples. 9. Mixed and pure strategies for a non-cooperative strategic games. Expected utility for mixed strategy profiles. Mixed strategy Nash equilibrium. 10. Approximate Nash equilibrium, regret, Evolutionarily Stable Strategies (ESS). 11. Correlated equilibrium 12. Cooperative games and computation of Shapley’s value. 13. Games with sequential actions. 14. Repeated and stochastic games. 15. Statistics as a game and implications. Some discussion of statistical decision rules. 16. Paradoxes, Arrow’s impossibility theorem. 17. Social choice: aggregation of preferences, Gibbard Satterthwaite theorem, manipulations, majority rules and individual rights. |
DECISION SUPPORT AND RECOMMENDER SYSTEM - II MOD.
| Codice | A001052 |
|---|---|
| CFU | 3 |
| Docente responsabile | Marco Baioletti |
| Docenti |
|
| Ore |
|
| Attività | Affine/integrativa |
| Ambito | Attività formative affini o integrative |
| Settore | MAT/06 |
| Tipo insegnamento | Obbligatorio (Required) |
| Lingua insegnamento | INGLESE |
| Contenuti | Computational Intelligence: reti neurali, reti bayesiane, logica fuzzy |
| Testi di riferimento | Computational Intelligence: An Introduction. Andries P. Engelbrecht. Second Edition Wiley 2007 Probabilistic Graphical Models Principles and Applications. Luis Enrique Sucar Springer 2015 |
| Obiettivi formativi | L'obbiettivo è quello di acquisire i principali concetti della Computational Intelligence e di applicarli a vari problemi pratici |
| Prerequisiti | Le altre conoscenze richieste sono coperte dagli insegnamenti di una laurea in Informatica di qualunque sede |
| Metodi didattici | Lezioni frontali che prevedono anche la soluzione di problemi ed esercizi |
| Modalità di verifica dell'apprendimento | L'esame consiste in prova orale della durata di circa 30 minuti riguardante l'intero programma svolto a lezione: sarà richiesto allo studente di approfondire, mediante alcune domande da parte del docente, alcuni argomenti teorici visti nel corso. Tale prova ha la finalità di accertare il livello di conoscenza, la capacità di comprensione e la proprietà di linguaggio raggiunti dallo studente. |
| Programma esteso | 1. Neural Networks. Neurons and activation function. Feed-forward NN. NN Learning. Backpropagation. Gradient descent and other variants. 2. Recurrent networks. Convolutionary networks 3. Probabilistic model in AI 4. Probabilistic graphical models 5. Algorithms for inference and learning 6 Introduction to fuzzy logic and systems |