Università di Bergamo Facoltà di Ingegneria. Intelligenza Artificiale. Paolo Salvaneschi A3_1 V1.3. Agenti
|
|
- Rossana Masi
- 6 anni fa
- Visualizzazioni
Transcript
1 Università di Bergamo Facoltà di Ingegneria Intelligenza Artificiale Paolo Salvaneschi A3_1 V1.3 Agenti Il contenuto del documento è liberamente utilizzabile dagli studenti, per studio personale e per supporto a lezioni universitarie. Ogni altro uso è riservato, e deve essere preventivamente autorizzato dall autore. Sono graditi commenti o suggerimenti per il miglioramento del materiale Nota: è utilizzato in parte il materiale didattico associato al testo di Stuart J. Russell, Peter Norvig A3 Agenti Paolo Salvaneschi 1
2 INDICE Una visione unificante Agenti intelligenti Tipi di agenti A3 Agenti Paolo Salvaneschi 2 A3 Agenti Paolo Salvaneschi 2
3 Una visione unificante Grande varietà di sottoaree Ricerca automatica Rappresentazione della conoscenza Ragionamento automatico Sistemi esperti Elaborazione del linguaggio naturale Pianificazione Robotica Apprendimento automatico A3 Agenti Paolo Salvaneschi 3 A3 Agenti Paolo Salvaneschi 3
4 Una visione unificante Una visione unificante Perché? Frammentazione storica delle ricerche in AI in settori diversi Separazione rispetto ad altre discipline Agenti A3 Agenti Paolo Salvaneschi 4 A3 Agenti Paolo Salvaneschi 4
5 Agenti intelligenti Agente Entità che interagisce con l ambiente Attraverso sensori (percezione) e attuatori (azione) Umano, robot, programma, sistema di controllo industriale, Funzione dell agente Specifica l azione che l agente intraprende per ogni sequenza di percezioni A3 Agenti Paolo Salvaneschi 5 A3 Agenti Paolo Salvaneschi 5
6 Agenti intelligenti Misura della prestazione Valuta il comportamento di un agente nell ambiente Es. Tempo richiesto per risolvere un problema complesso di configurazione di un apparato Correttezza della soluzione Minimizzazione del costo dell apparato configurato A3 Agenti Paolo Salvaneschi 6 A3 Agenti Paolo Salvaneschi 6
7 Agenti intelligenti Misura della prestazione Valuta il comportamento di un agente nell ambiente Problema non banale Es.prestazione di un agente automatico di interpretazione dati per la migliorare la sicurezza di strutture o impianti industriali. Cosa è la sicurezza, evoluzione storica del concetto di sicurezza, sicurezza e economia, Riduzione degli interventi dovuti a fasi allarmi: valutazione economica misurabile Miglioramento della sicurezza della strutture monitorata (riduzione del rischio): valutazione economica? misurabile? A3 Agenti Paolo Salvaneschi 7 A3 Agenti Paolo Salvaneschi 7
8 Agenti intelligenti Agente razionale Sceglie l azione che massimizza il valore desiderato della prestazione In un definito contesto Date le percezioni che acquisisce Data la conoscenza che possiede Date le azioni che può eseguire (conoscenza incompleta, percezione incompleta, percezione incerta, ) A3 Agenti Paolo Salvaneschi 8 A3 Agenti Paolo Salvaneschi 8
9 Agenti intelligenti Autonomia di un agente Grado di indipendenza rispetto alla conoscenza cablata nell agente al momento del progetto Apprendimento A3 Agenti Paolo Salvaneschi 9 A3 Agenti Paolo Salvaneschi 9
10 Agenti intelligenti Progettare un agente => definire: L ambiente I sensori Gli attuatori La funzione dell agente La misura di prestazione A3 Agenti Paolo Salvaneschi 10 A3 Agenti Paolo Salvaneschi 10
11 Agenti intelligenti Il tipo di ambiente determina in modo fondamentale il progetto dell agente L ambiente Completamente osservabile / parzialmente osservabile Deterministico / stocastico Episodico / sequenziale Statico / dinamico Discreto / continuo Agente singolo / più agenti A3 Agenti Paolo Salvaneschi 11 A3 Agenti Paolo Salvaneschi 11
12 Agenti intelligenti Completamente osservabile / parzialmente osservabile Un ambiente è completamente osservabile se i sensori acquisiscono tutti gli aspetti che sono significativi per la scelta delle azioni Parzialmente osservabile Incompletezza dell informazione (Es.la struttura monitorata è strumentata solo con un insieme limitato di sensori per ragioni di costo) Incertezza dell informazione (Es. la misura acquisita fornisce una stima sulle caratteristiche del materiale che compone la struttura) Trattare incertezza e incompletezza A3 Agenti Paolo Salvaneschi 12 A3 Agenti Paolo Salvaneschi 12
13 Agenti intelligenti Deterministico / stocastico Deterministico: lo stato successivo dell ambiente è completamente determinato dallo stato attuale e dall azione dell agente Nota: se l ambiente è parzialmente osservabile, può apparire come stocastico E utile pensare l ambiente non come è ma dal punto di vista dell agente Trattare incertezza e incompletezza A3 Agenti Paolo Salvaneschi 13 A3 Agenti Paolo Salvaneschi 13
14 Agenti intelligenti Episodico / sequenziale Episodico: l attività dell agente è suddivisa in episodi ognuno dei quali è indipendente dagli altri (non influenzato da azioni prese in episodi precedenti). Es: classificazione Sequenziale: l azione attuale può influenzare le decisioni future. Es. gioco degli scacchi Es. sistema di interpretazione: un allarme grave è generato in funzione della persistenza di situazioni di allarme (decisioni prese precedentemente) Tenere conto degli effetti futuri/passati dell azione A3 Agenti Paolo Salvaneschi 14 A3 Agenti Paolo Salvaneschi 14
15 Agenti intelligenti Statico / dinamico Statico: l ambiente non cambia; non ci si deve preoccupare del passare del tempo Dinamico: l ambiente cambia mentre l agente decide. (non decidere in tempo vuol dire decidere) Semidinamico: l ambiente non cambia; la valutazione della prestazione cambia con il passare del tempo (es. gioco degli scacchi con l orologio) Gestire il tempo A3 Agenti Paolo Salvaneschi 15 A3 Agenti Paolo Salvaneschi 15
16 Agenti intelligenti Discreto / continuo Discreto /continuo applicato a Stato dell ambiente Trattamento del tempo Percezioni Azioni Es. Discreto: configurazione di un apparato Continuo: guida automatica di un veicolo Gestire processi continui A3 Agenti Paolo Salvaneschi 16 A3 Agenti Paolo Salvaneschi 16
17 Agenti intelligenti Agente singolo / più agenti Le prestazioni di un agente dipendono dalle prestazioni di un altro o più agenti Ambienti competitivi, parzialmente cooperativi, cooperativi Comunicazione tra agenti Gestire comunicazione, cooperazione, conflitto A3 Agenti Paolo Salvaneschi 17 A3 Agenti Paolo Salvaneschi 17
18 Agenti intelligenti In generale la realtà è parzialmente osservabile, stocastica, sequenziale, dinamica, continua, multiagente Esempi Nota: strategico deterministico eccetto che per l azione di altri agenti A3 Agenti Paolo Salvaneschi 18 A3 Agenti Paolo Salvaneschi 18
19 Un agente basato su una tabella possibili percezioni-azioni conseguenti A3 Agenti Paolo Salvaneschi 19 A3 Agenti Paolo Salvaneschi 19
20 Dimensioni della tabella: Taxi automatico (guida per 1 ora; ~ 27 Mbytes/sec; telecamera 30 frames/sec 640x480 pixel, 24 bit/pixel): Tavola di elementi Scacchi: Tavola di elementi Numero di atomi nell universo osservabile A3 Agenti Paolo Salvaneschi 20 A3 Agenti Paolo Salvaneschi 20
21 Tipi di agenti Simple reflex Model based reflex Model based Goal-based Model based Utility-based Ogni tipo può essere anche un learning agent A3 Agenti Paolo Salvaneschi 21 A3 Agenti Paolo Salvaneschi 21
22 Simple reflex agents Agisce sulla base di un insieme di regole condizioneazione Ignora la storia delle percezioni Acquisisce ed interpreta la percezione Sceglie una regola applicabile La applica producendo l azione Regole CONDIZIONE-AZIONE SE l auto che precede frena ALLORA inizia a frenare A3 Agenti Paolo Salvaneschi 22 A3 Agenti Paolo Salvaneschi 22
23 Simple reflex agent A3 Agenti Paolo Salvaneschi 23 A3 Agenti Paolo Salvaneschi 23
24 A3 Agenti Paolo Salvaneschi 24 A3 Agenti Paolo Salvaneschi 24
25 Limiti La decisione è presa solo sulla base della percezione attuale Implica che l ambiente sia completamente osservabile A3 Agenti Paolo Salvaneschi 25 A3 Agenti Paolo Salvaneschi 25
26 Nota Non necessariamente un agente di questo tipo è privo di utilità Esempio: Regole euristiche che compilano conoscenza basata su modelli SE la situazione è. ALLORA si fa così.. A3 Agenti Paolo Salvaneschi 26 A3 Agenti Paolo Salvaneschi 26
27 Model-based reflex agent Possiede un modello interno relativo a come funziona la parte di mondo di interesse (può far fronte ad aspetti non osservati del mondo esterno) Tiene conto della storia delle percezioni Aggiorna lo stato del modello sulla base di conoscenze relative alle percezioni a come evolve il mondo a quali conseguenze hanno le proprie azioni A3 Agenti Paolo Salvaneschi 27 A3 Agenti Paolo Salvaneschi 27
28 Model-based reflex agent A3 Agenti Paolo Salvaneschi 28 A3 Agenti Paolo Salvaneschi 28
29 Nota: non è detto che l agente automatico copra tutto il processo Esempio Agente automatico:acquisizione dati, Interpretazione, Spiegazione, Suggerimento Agente umano: Decisione, Azione A3 Agenti Paolo Salvaneschi 29 A3 Agenti Paolo Salvaneschi 29
30 Aggiorna lo stato del modello sulla base di -La percezione -Come evolve il mondo (stato precedente) -Conseguenze delle proprie azioni A3 Agenti Paolo Salvaneschi 30 A3 Agenti Paolo Salvaneschi 30
31 Model based Goal-based agent Aggiunge la definizione dell obiettivo da raggiungere Determinare una sequenza di azioni che consenta di raggiungere l obiettivo: Search, Planning Implica considerazioni sul futuro (cosa succederà a seguito di una mia azione? Mi porterà più vicino all obiettivo?) Nota: un sistema di interpretazione automatico basato su modelli non necessita di un obiettivo da raggiungere. Un sistema che cerca la strada migliore da Milano a Parigi usando un modello della rete stradale si. A3 Agenti Paolo Salvaneschi 31 A3 Agenti Paolo Salvaneschi 31
32 Model-based Goal-based agent A3 Agenti Paolo Salvaneschi 32 A3 Agenti Paolo Salvaneschi 32
33 Model-based Utility-based agent Una definizione binaria di obiettivo: raggiunto / non raggiunto Una misura più generale di prestazione: associare a diversi stati del mondo diversi valori di felicità / utilità => funzione di utilità A3 Agenti Paolo Salvaneschi 33 A3 Agenti Paolo Salvaneschi 33
34 Situazioni interessanti (in cui un singolo goal on/off non è sufficiente): Ci sono obiettivi in conflitto. Bisogna raggiungere un compromesso Ci sono più obiettivi nessuno dei quali può essere raggiunto con certezza (ambiente osservabile con incertezza e incompletezza) Es. sistema di supporto alla progettazione (qualità vs costo) A3 Agenti Paolo Salvaneschi 34 A3 Agenti Paolo Salvaneschi 34
35 Model-based Utility-based agent A3 Agenti Paolo Salvaneschi 35 A3 Agenti Paolo Salvaneschi 35
36 Ogni tipo di agente può essere anche un learning agent Performance element: un agente di quelli prima considerati Critic: produce un feedback sui risultati ottenuti dall agente (rispetto a risultati desiderati) Learning element: utilizza il feedback per modificare l agente Problem generator: suggerisce i problemi da esplorare per estendere le capacità dell agente A3 Agenti Paolo Salvaneschi 36 A3 Agenti Paolo Salvaneschi 36
37 Learning agent A3 Agenti Paolo Salvaneschi 37 A3 Agenti Paolo Salvaneschi 37
Sistemi di Interpretazione dati e Diagnosi Overview
Università di Bergamo Facoltà di Ingegneria Intelligenza Artificiale Paolo Salvaneschi A10_1 V1.0 Sistemi di Interpretazione dati e Diagnosi Overview Il contenuto del documento è liberamente utilizzabile
DettagliAgenti razionali. Sistemi distribuiti LS Prof. Andrea Omicini A.A
Agenti razionali Sistemi distribuiti LS Prof. Andrea Omicini A.A. 2003-2004 1 Il concetto di razionalità (I) Intelligenza e razionalità ci si concentra sul processo razionale ragionamento razionale visione
DettagliAgente Razionale Ideale. Esempio Robot Aspirapolvere. Quando un Agente Artificiale è Razionale?
Agente Artificiale Intelligente (razionale) AMBIENTE Percezioni attraverso sensori AGENTE Azioni attraverso attuatori (bracci meccanici, ruote, ecc.) Quando un Agente Artificiale è Razionale? Quando fa
DettagliIntelligenza Artificiale
Intelligenza Artificiale Agenti intelligenti Agenti intelligenti 1 Agenti intelligenti La nostra definizione di agente intelligente Introduzione al concetto di ambiente esempio molto semplice di ambiente
DettagliAgente Razionale Ideale. Esempio Robot Aspirapolvere. Quando un Agente Artificiale è Razionale?
Agente Artificiale Intelligente (razionale) Percezioni attraverso sensori Quando un Agente Artificiale è Razionale? Quando fa la cosa giusta Cosa giusta = azione che causa maggior successo AMBIENTE AGENTE
DettagliLogica proposizionale
Università di Bergamo Facoltà di Ingegneria Intelligenza Artificiale Paolo Salvaneschi A7_2 V1.1 Logica proposizionale Il contenuto del documento è liberamente utilizzabile dagli studenti, per studio personale
DettagliIA debole vs IA forte. Agenti intelligenti. Agenti intelligenti: la prospettiva di AIMA. In questa lezione (cap 2 AIMA) Percezioni e azioni
IA debole vs IA forte Agenti intelligenti Maria Simi a.a. 2011/2012 IA debole: le macchine posso agire in maniera intelligente? (come se lo fossero) IA forte: le macchine possono veramente pensare? (come
DettagliGestione dello sviluppo software Modelli Base
Università di Bergamo Dip. di Ingegneria gestionale, dell'informazione e della produzione GESTIONE DEI SISTEMI ICT Paolo Salvaneschi A4_1 V1.0 Gestione dello sviluppo software Modelli Base Il contenuto
DettagliAgenti che risolvono problemi attraverso la ricerca in uno spazio di stati
Università di Bergamo Facoltà di Ingegneria Intelligenza Artificiale Paolo Salvaneschi A5_1 V1.4 Agenti che risolvono problemi attraverso la ricerca in uno spazio di stati Il contenuto del documento è
DettagliRicerca informata in uno spazio di stati
Università di Bergamo Facoltà di Ingegneria Intelligenza Artificiale Paolo Salvaneschi A5_3 V2.5 Ricerca informata in uno spazio di stati Il contenuto del documento è liberamente utilizzabile dagli studenti,
DettagliConfiguration Change Release Management
Università di Bergamo Dip. di Ingegneria gestionale, dell'informazione e della produzione GESTIONE DEI SISTEMI ICT Paolo Salvaneschi A6_3 V1.0 Configuration Change Release Management Il contenuto del documento
DettagliIntroduzione all ingegneria dei sistemi ICT
Università di Bergamo Facoltà di Ingegneria Applicazioni Internet B Paolo Salvaneschi C1_1 V1.3 Introduzione all ingegneria dei sistemi ICT Il contenuto del documento è liberamente utilizzabile dagli studenti,
DettagliUniversità di Bergamo Facoltà di Ingegneria INGEGNERIA DEL SOFTWARE. Paolo Salvaneschi B1_1 V2.1. Reti di Petri
Università di Bergamo Facoltà di Ingegneria INGEGNERIA DEL SOFTWARE Paolo Salvaneschi B1_1 V2.1 Reti di Petri Il contenuto del documento è liberamente utilizzabile dagli studenti, per studio personale
DettagliUniversità di Bergamo Facoltà di Ingegneria INGEGNERIA DEL SOFTWARE. Paolo Salvaneschi A4_3 V2.1. Progettazione. Metodi e Linguaggi
Università di Bergamo Facoltà di Ingegneria INGEGNERIA DEL SOFTWARE Paolo Salvaneschi A4_3 V2.1 Progettazione Metodi e Linguaggi Il contenuto del documento è liberamente utilizzabile dagli studenti, per
DettagliAgente Artificiale Intelligente (razionale)
Agente Artificiale Intelligente (razionale) Percezioni attraverso sensori AMBIENTE AGENTE Azioni attraverso attuatori (bracci meccanici, ruote, ecc.) Quando un Agente Artificiale è Razionale? Quando fa
DettagliAcquisizione di prodotti e servizi Parte 2
Università di Bergamo Dip. di Ingegneria gestionale, dell'informazione e della produzione GESTIONE DEI SISTEMI ICT Paolo Salvaneschi A5_2 V1.0 Acquisizione di prodotti e servizi Parte 2 Il contenuto del
DettagliUniversità di Bergamo Facoltà di Ingegneria INGEGNERIA DEL SOFTWARE. Paolo Salvaneschi A6_3 V2.1. Gestione
Università di Bergamo Facoltà di Ingegneria INGEGNERIA DEL SOFTWARE Paolo Salvaneschi A6_3 V2.1 Gestione Gestione delle versioni, configurazioni e modifiche Il contenuto del documento è liberamente utilizzabile
DettagliAgenti intelligenti. Alessio Micheli a.a. 2015/2016. Credits: Maria Simi Russell-Norvig
Agenti intelligenti Alessio Micheli a.a. 2015/2016 Credits: Maria Simi Russell-Norvig Riassunto (da lezione 1) Intelligenza come capacità diverse Capacità di simulare il comportamento umano? Capacità di
DettagliIntelligenza Artificiale
Intelligenza Artificiale Introduzione Introduzione 1 Riferimenti } S. Russell, P. Norvig, Artificial Intelligence: a Modern Approach, Prentice Hall, 2010, III edizione (versione in italiano: Intelligenza
DettagliFONDAMENTI DI INTELLIGENZA ARTIFICIALE-M
FONDAMENTI DI INTELLIGENZA ARTIFICIALE-M A.A. 2015/2016 Docente: Prof. Paola Mello e-mail: paola.mello@unibo.it Tel: 051 2093818 Server web: http://www.lia.deis.unibo.it/courses/ai/fundamentalsai2015-16/
DettagliFONDAMENTI DI INTELLIGENZA ARTIFICIALE-M
FONDAMENTI DI INTELLIGENZA ARTIFICIALE-M A.A. 2016/2017 Docente: Prof. Paola Mello e-mail: paola.mello@unibo.it Tel: 051 2093818 Server web: http://www.lia.deis.unibo.it/courses/ai/fundamentalsai2016-17/
DettagliModelli e Metodi per la Simulazione (MMS)
Modelli e Metodi per la Simulazione (MMS) adacher@dia.uniroma3.it Programma La simulazione ad eventi discreti, è una metodologia fondamentale per la valutazione delle prestazioni di sistemi complessi (di
DettagliSistemi Qualità e normativa
Università di Bergamo Dip. di Ingegneria gestionale, dell'informazione e della produzione INGEGNERIA DEL SOFTWARE Paolo Salvaneschi B2_1 V3.2 Sistemi Qualità e normativa Il contenuto del documento è liberamente
DettagliRicerca non informata in uno spazio di stati
Università di Bergamo Facoltà di Ingegneria Intelligenza Artificiale Paolo Salvaneschi A5_2 V2.4 Ricerca non informata in uno spazio di stati Il contenuto del documento è liberamente utilizzabile dagli
DettagliFONDAMENTI DI INTELLIGENZA ARTIFICIALE-M
FONDAMENTI DI INTELLIGENZA ARTIFICIALE-M A.A. 2010/2011 Docente: Prof. Paola Mello e-mail: paola.mello@unibo.it Tel: 051 2093818 Server web del modulo: http://www.lia.deis.unibo.it/courses/ai/fundamentalsai2010-11/
DettagliIntelligenza Artificiale A (lezione introduttiva parte di teoria)
Intelligenza Artificiale A (lezione introduttiva parte di teoria) Prof. Alfonso E. Gerevini Dipartimento di Elettronica per l Automazione Facoltà di Ingegneria Università degli Studi di Brescia Testo di
DettagliCapacity Availability Continuity Infrastructure Management
Università di Bergamo Dip. di Ingegneria gestionale, dell'informazione e della produzione GESTIONE DEI SISTEMI ICT Paolo Salvaneschi A6_4 V1.2 Capacity Availability Continuity Infrastructure Management
DettagliGestione della conoscenza
Università di Bergamo Facoltà di Ingegneria INGEGNERIA DEL SOFTWARE Paolo Salvaneschi B3_1 V2.1 Gestione della conoscenza Il contenuto del documento è liberamente utilizzabile dagli studenti, per studio
DettagliUniversità degli Studi di Udine Facoltà di Ingegneria Dipartimento di Ingegneria Elettrica Gestionale Meccanica INTRODUZIONE ALLA TEORIA DEGLI AGENTI
Università degli Studi di Udine Facoltà di Ingegneria Dipartimento di Ingegneria Elettrica Gestionale Meccanica INTRODUZIONE ALLA TEORIA DEGLI AGENTI Erika Bernardi 27 febbraio 2007 Struttura della lezione
DettagliUniversità di Bergamo Facoltà di Ingegneria. Intelligenza Artificiale. Paolo Salvaneschi A1_1 V1.1. Introduzione
Università di Bergamo Facoltà di Ingegneria Intelligenza Artificiale Paolo Salvaneschi A1_1 V1.1 Introduzione Il contenuto del documento è liberamente utilizzabile dagli studenti, per studio personale
DettagliProgettazione della microstruttura - prima parte -
Progettazione della microstruttura - prima parte - Paolo Depaoli Supporti alle lezioni basate sul capitolo 4 del testo «La progettazione organizzativa» (a cura di Franco Isotta) Impostazione della questione
DettagliIl rapporto di agenzia
Il rapporto di agenzia NB: Questi lucidi presentano solo parzialmente gli argomenti trattati ttati in classe. In particolare non contengono i modelli economici per i quali si rinvia direttamente te al
DettagliUniversità di Bergamo Facoltà di Ingegneria Applicazioni Internet B Paolo Salvaneschi A5_1 V1.3 Applicazioni B2B
Università di Bergamo Facoltà di Ingegneria Applicazioni Internet B Paolo Salvaneschi A5_1 V1.3 Applicazioni B2B Il contenuto del documento è liberamente utilizzabile dagli studenti, per studio personale
DettagliIngegneria del Software
Università di Bergamo Dip. di Ingegneria gestionale, dell'informazione e della produzione INGEGNERIA DEL SOFTWARE Paolo Salvaneschi A1_3 V3.3 Ingegneria del Software Il corpus di conoscenze Il contenuto
DettagliIntroduzione al controllo
Corso di Robotica 2 Introduzione al controllo Prof. Alessandro De Luca A. De Luca Cosa vuol dire controllare un robot? si possono dare diversi livelli di definizione completare con successo un programma
DettagliUNIVERSITA' DEGLI STUDI DI MILANO - BICOCCA Facoltà di Scienze Matematiche, Fisiche e Naturali
UNIVERSITA' DEGLI STUDI DI MILANO - BICOCCA Facoltà di Scienze Matematiche, Fisiche e Naturali VECCHIO ORDINAMENTO Anno Accademico 2004/2005 Matricola Cognome Nome Recapito Tel. Orientamenti: METODI E
DettagliSistemi Informativi e Commercio Elettronico
Università di Bergamo Facoltà di Ingegneria Applicazioni Internet B Paolo Salvaneschi A2_1 V1.3 Sistemi Informativi e Commercio Elettronico Sistemi Informativi Il contenuto del documento è liberamente
DettagliApprendimento per Rinforzo
Laurea Magistrale in Informatica Nicola Fanizzi Dipartimento di Informatica Università degli Studi di Bari 11 febbraio 2009 Sommario Apprendimento del Controllo Politiche di Controllo che scelgono azioni
DettagliUniversità di Pisa Facoltà di Scienze Matematiche Fisiche e Naturali
Facoltà di Scienze Matematiche Fisiche e Naturali Corso di Laurea Specialistica in Informatica (classe 23/S: Informatica) Corso di Laurea Specialistica in Tecnologie Informatiche (classe 23/S: Informatica)
DettagliI.I.S. N. PELLATI Nizza Monferrato - Canelli
A. S. 2011-2012 INFORMATICA Classe 1AG - CAT Ore annuali: 99 DOCENTE MARIA PIA SECCO Obiettivi disciplinari Conoscenze Informazioni, dati e loro codifica. Architettura e componenti di un computer. Funzioni
DettagliLABORATORI DI CULTURA DIGITALE: INFORMATICA, INTERNET E ROBOTICA
Dipartimento di Ingegneria Informatica Automatica e Gestionale Università di Roma La Sapienza Via Ariosto 25, Roma Corso di formazione INPS Valore P.A. 2016/17 LABORATORI DI CULTURA DIGITALE: DIRETTORE
DettagliControlli Automatici. Maria Gabriella Xibilia Blocco B piano 7 Tel. 7328
Controlli Automatici Maria Gabriella Xibilia Blocco B piano 7 Tel. 7328 Libri di testo Bolzern, Scattolini, Schiavone Fondamenti di controlli automatici Mc-Graw Hill III edizione Isidori Sistemi di Controllo
DettagliPROBLEMI DI GESTIONE
PROBLEMI DI GESTIONE La parola gestione è una parola di gergo relativamente recente. I problemi di gestione sono nella maggioranza dei casi dei problemi di tipo decisionale con rilevante componente economico
DettagliCURIOSITAS ROBOTICA. Sommario
CURIOSITAS ROBOTICA Giovanni Bianco 1, Riccardo Cassinis 2 Sommario L'articolo descrive lo stato della ricerca sul sistema di pianificazione multistrategica della navigazione di robot mobili autonomi presentato
DettagliAnno scolastico 2016 / 2017 Piano di lavoro individuale ITE Falcone e Borsellino Classe: I ITE Insegnante: DEGASPERI EMANUELA Materia: INFORMATICA
Anno scolastico 2016 / 2017 Piano di lavoro individuale ITE Falcone e Borsellino Classe: I ITE Insegnante: DEGASPERI EMANUELA Materia: INFORMATICA ISS BRESSANONE-BRIXEN LICEO SCIENTIFICO - LICEO LINGUISTICO
DettagliPECUP SECONDO BIENNIO terzo anno Meccanica, Meccatronica ed Energia - Articolazione: Meccanica e Meccatronica
PECUP SECONDO BIENNIO terzo anno Meccanica, Meccatronica ed Energia - Articolazione: Meccanica e Meccatronica TECNOLOGIE MECCANICHE DI PROCESSO E DI PRODOTTO SECONDO BIENNIO MACRO-COMPETENZA: definire,
Dettaglivero: metodi di sequenziali, linee di (lettura del disegno) 5. Utilizzare software di base di lavorazione per la
PROGRAMMAZIONE COMUNE DI TECNOLOGIE E TECNICHE DI RAPPRESENTAZIONE GRAFICA 1 - Biennio IP09 (1 anno) Asse Scientifico-Tecnologico Indicazioni nazionali Competenze di base 1. Individuare le strategie appropriate
DettagliLogica del primo ordine
Università di Bergamo Facoltà di Ingegneria Intelligenza Artificiale Paolo Salvaneschi A7_4 V1.3 Logica del primo ordine Il contenuto del documento è liberamente utilizzabile dagli studenti, per studio
DettagliIntroduzione all Automatica. Automatica ROMA TRE Stefano Panzieri- 1
Introduzione all Automatica Automatica ROMA TRE Stefano Panzieri- 1 Descrivere un sistema fisico La mia moto è un sistema? Capire il suo comportamento Cosa é l Automatica Quanti Km faccio con un litro?
DettagliGrant, L'analisi strategica per le decisioni aziendali, Il Mulino, 2011 Capitolo IV. L analisi dei concorrenti L ANALISI DEI CONCORRENTI
L ANALISI DEI CONCORRENTI 1 Saper eseguire una corretta analisi dei concorrenti comporta saper: 1. valutare l impatto e i profitti potenziali di prodotti e fornitori complementari; 2. valutare le implicazioni
DettagliINTELLIGENZA ARTIFICIALE (elementi) 6 cfu
INTELLIGENZA ARTIFICIALE (elementi) 6 cfu Prof.ssa Stefania Bandini Dott. Alessandro Mosca Dipartimento di Informatica, Sistemistica e Comunicazione Università di Milano-Bicocca www.lintar.disco.unimib.it
DettagliINTELLIGENZA ARTIFICIALE (elementi) 6 cfu
INTELLIGENZA ARTIFICIALE (elementi) 6 cfu Docente: prof.ssa Stefania Bandini Esercitatore: dr. Matteo Palmonari Dipartimento di Informatica, Sistemistica e Comunicazione Università di Milano-Bicocca www.lintar.disco.unimib.it
DettagliIngegneria del Software
Università di Bergamo Facoltà di Ingegneria INGEGNERIA DEL SOFTWARE Paolo Salvaneschi A1_3 V2.4 Ingegneria del Software Il corpus di conoscenze Il contenuto del documento è liberamente utilizzabile dagli
DettagliLezioni di Ricerca Operativa
Lezioni di Ricerca Operativa Massimo Paolucci Dipartimento di Informatica, Sistemistica e Telematica (DIST) Università di Genova paolucci@dist.unige.it Anno accademico 2000/2001 La Ricerca Operativa (Operation
DettagliUNIVERSITA DEGLI STUDI DI MILANO-BICOCCA FACOLTA DI SCIENZE MATEMATICHE, FISICHE E NATURALI
UNIVERSITA DEGLI STUDI DI MILANO-BICOCCA FACOLTA DI SCIENZE MATEMATICHE, FISICHE E NATURALI Manifesto degli Studi A.A. 2001-2002 CORSO DI LAUREA IN INFORMATICA DIPLOMA UNIVERSITARIO IN INFORMATICA (Vecchio
DettagliSistemi e modelli. Sistemi
Sistemi e modelli Obbiettivo: sviluppare metodologie e strumenti di analisi quantitativa della QoS di sistemi costruzione e soluzione di modelli per la valutazione di prestazioni e affidabilità di sistemi
DettagliElementi di Teoria dei giochi
Elementi di Teoria dei giochi Teoria dei giochi Studio dei modelli matematici di cooperazione e conflitto tra individui intelligenti e razionali. Razionalità: ciascun individuo massimizza la sua utilità
DettagliProgrammazione Disciplinare: Tecnologie e tecniche di rappresentazione grafica Classe: Seconda
Istituto Tecnico Tecnologico Basilio Focaccia Salerno Programmazione Disciplinare: Tecnologie e tecniche di rappresentazione grafica Classe: Seconda I Docenti della Disciplina Salerno, lì... settembre
DettagliSerious Games Per Imparare A Gestire Le Emergenze: Esperienze Ed Innovazione In PRESTO
Serious Games Per Imparare A Gestire Le Emergenze: Esperienze Ed Innovazione In PRESTO Paolo Busetta Delta Informatica SpA http://lab.deltainformatica.eu paolo.busetta@deltainformatica.eu 1 Sommario Realta
DettagliUD7. Ho visto cose che voi umani
CORSO DI INFORMATICA UD6. Arcipelago Web 2.½ UD7. Ho visto cose che voi umani Bruno Ronsivalle Come funziona un motore di ricerca? Cosa sono i social software del Web? Cosa si intende per e-crime? Cosa
DettagliIntelligenza Artificiale. Introduzione. Intelligenza Artificiale Daniele Nardi, 2003 Introduzione 0
Intelligenza Artificiale Introduzione Intelligenza Artificiale Daniele Nardi, 2003 Introduzione 0 Sommario Cosa è l AI? Una breve storia Intelligenza Artificiale Daniele Nardi, 2003 Introduzione 1 Cosa
DettagliLezione 10. Problemi di coordinamento nelle attività agro-industriali (II). Organizzazioni dei Produttori come forme ibride: economia e gestione
Lezione 10 Problemi di coordinamento nelle attività agro-industriali (II). Organizzazioni dei Produttori come forme ibride: economia e gestione 1 Attributi distintivi delle forme di governo Attributi Strutture
DettagliPercorsi di lettura dei dati, individuazione delle priorità
Seminario di formazione e informazione Il Rapporto di autovalutazione Roma 28 novembre 2014 Percorsi di lettura dei dati, individuazione delle priorità Isabella Quadrelli INVALSI Leggere i dati Relativizzare
DettagliAXO - Architettura dei Calcolatori e Sistema Operativo. organizzazione strutturata dei calcolatori
AXO - Architettura dei Calcolatori e Sistema Operativo organizzazione strutturata dei calcolatori I livelli I calcolatori sono progettati come una serie di livelli ognuno dei quali si basa sui livelli
DettagliRiconoscimento automatico di oggetti (Pattern Recognition)
Riconoscimento automatico di oggetti (Pattern Recognition) Scopo: definire un sistema per riconoscere automaticamente un oggetto data la descrizione di un oggetto che può appartenere ad una tra N classi
DettagliR. Orsini - A. Roncato - F. Dalla Libera
Interfacce per basi di dati e integrazione di sistemi informativi R. Orsini - A. Roncato - F. Dalla Libera Workshop del Dipartimento di Informatica 2 Marzo 2006 Aree e progetti Progetto Rewerse: Query
DettagliPROFILO ATTITUDINALE. Heinz Schuler, Benedikt Hell Adattamento italiano di Palmira Faraci e Silvia Clarotti. Nominativo: Codice cliente: Età:
Heinz Schuler, Benedikt Hell Adattamento italiano di Palmira Faraci e Silvia Clarotti PROFILO ATTITUDINALE Nominativo: Codice test: Data della prova: 12/11/2012 Sesso: Età: Professione: Norme di riferimento:
DettagliApplicazioni:la traduzione automatica
Applicazioni:la traduzione automatica Il problema di tradurre automaticamente un testo da una lingua all altra è stato affrontato ancora prima della nascita dell IA. Negli anni Cinquanta diversi ricercatori,
DettagliApprendere (e ragionare) con i modelli
Apprendere (e ragionare) con i modelli Franco Landriscina Università di Trieste, 20 marzo 2014 All material provided on this presentation is intended for educational purposes only. If there is an image
DettagliCORSO PAA PER ASSISTENTI DI VOLO SYLLABUS
CORSO PAA PER ASSISTENTI DI VOLO SYLLABUS I PRINCIPI BASILARI DELLA COMUNICAZIONE: - elementi della comunicazione o mittente, messaggio, ricevente o la pragmatica della comunicazione - fattori di inefficacie
DettagliApplicazioni di intelligenza artificiale
Applicazioni di intelligenza artificiale A.A. 2012-13 Docenti: Prof. Fabrizio Riguzzi, Evelina Lamma, Marco Gavanelli Ricevimento studenti: vedi pagine docenti e-mail: nome.cognome@unife.it Tel: 0532 9748
DettagliIL COORDINAMENTO RAPPORTO TRA QUALITA E SICUREZZA
IL COORDINAMENTO RAPPORTO TRA QUALITA E SICUREZZA Sintesi della lezione tenuta da Pierre Lorent al corso di formazione sulla sicurezza in edilizia nell ambito del Programma di Iniziativa comunitaria ADAPT-
DettagliPlanning deduttivo in Prolog Planning in Prolog (come ricerca forward) (il 18 Gennaio, in Lab)
APPLICAZIONI DI INTELLIGENZA ARTIFICIALE A.A. 2010/2011 Docenti: Prof. Fabrizio Riguzzi, Evelina Lamma, Marco Gavanelli Ricevimento studenti: vedi pagine docenti e-mail: nome.cognome@unife.it it Tel: 0532
DettagliTeoria dei giochi. migliorare il proprio obiettivo il sistema ha raggiunto l equilibrio.
iii migliorare il proprio obiettivo il sistema ha raggiunto l equilibrio. Per introdurre la nozione di equilibrio di Nash consideriamo due giocatori. Siano f A (x, y) :AxB = R e f B (x, y) :AxB = R entrambe
DettagliSeminario ISFOL Roma 04 dicembre A cura di: Irene Bertucci
Seminario ISFOL Roma 04 dicembre 2013 A cura di: Irene Bertucci (bertucci@enaip.it) La sperimentazione Il modello » Come verificare e certificare le competenze acquisite dagli studenti prossimi alla qualifica
DettagliSistemi ad Agenti. Perche studiare IA? Sistemi ad Agenti. Sistemi ad Agenti Modulo A
Sistemi ad Agenti Modulo A Berardina Nadja De Carolis www.di.uniba.it/~nadja/ decarolis@di.uniba.it Sistemi ad Agenti Testo di Riferimento: Stuart Russell e Peter Norvig, Intelligenza Artificiale: Un approccio
DettagliCorso di SISTEMI INTELLIGENTI M. Prof. Michela Milano" Anno accademico 2011/2012
Università degli Studi di Bologna Facoltà di Ingegneria" Corso di SISTEMI INTELLIGENTI M! Corso di Laurea in Ingegneria Informatica! Prof. Michela Milano" Anno accademico 2011/2012 CONTENUTI (Fondamenti
DettagliOrganizzazione Aziendale
Organizzazione Aziendale Capitolo 6, Motivazione, di Silvia Bagdadli Learning goal Motivazione Definizione Teorie del contenuto (cosa motiva) Teorie del processo (come influenzare la motivazione degli
DettagliRappresentazione della Conoscenza. Lezione 1. Rappresentazione della Conoscenza Daniele Nardi, 2008Lezione 1 0
Rappresentazione della Conoscenza Lezione 1 Rappresentazione della Conoscenza Daniele Nardi, 2008Lezione 1 0 Sommario La rappresentazione della conoscenza (BL 1) Sistemi basati sulla conoscenza (BL 1)
DettagliIntelligenza Artificiale. Lezione 6bis. Sommario. Problemi di soddisfacimento di vincoli: CSP. Vincoli CSP RN 3.8, 4.3, 4.5.
Sommario Intelligenza Artificiale CSP RN 3.8, 4.3, 4.5 Giochi RN 5 Lezione 6bis Intelligenza Artificiale Daniele Nardi, 2004 Lezione 6bis 0 Intelligenza Artificiale Daniele Nardi, 2004 Lezione 6bis 1 Problemi
DettagliFondamenti di Automatica Prof. Giuseppe Oriolo. Introduzione
Fondamenti di Automatica Prof. Giuseppe Oriolo Introduzione cos è automatica: disciplina che studia le modalità attraverso le quali una sequenza di eventi desiderati avviene in maniera autonoma (Wikipedia)
DettagliIntelligenza artificiale
Corso di storia della scienza e della tecnica A.A. 2009/2010 Intelligenza artificiale Il problema della definizione e delle origini Viola Schiaffonati Dipartimento di Elettronica e Informazione Sommario
DettagliCorso di Applicazioni di Intelligenza Artificiale LS. Prof. Paola Mello Anno accademico 2008/2009
Università degli Studi di Bologna Facoltà di Ingegneria Corso di Applicazioni di Intelligenza Artificiale LS Corso di Laurea in Ingegneria Informatica Prof. Paola Mello Anno accademico 2008/2009 CONTENUTI
Dettaglithe star Quality PA Diritto del bambino al gioco 6 lezione C. Pesce Metodi e didattiche delle attività Motorie e Sportive
Produrre o riprodurre? La gamma degli stili di insegnamento nell educazione motoria Quality PA Diritto del bambino al gioco the star Dal metodo di istruzione diretta al metodo di esplorazione e scoperta
DettagliIntroduzione. Sommario. Il software. Definizione di Ingegneria del software
Sommario Introduzione Leggere Cap. 1 Ghezzi et al. Definizione Nascita dell ingegneria del software Ruolo Relazione con altre discipline Introduzione 2 Il software Il software e` definito come: i programmi,
DettagliBREVE INTRODUZIONE ALL INTELLIGENZA ARTIFICIALE. A cura di Buttolo Marco (2005)
INDICE: BREVE INTRODUZIONE ALL INTELLIGENZA ARTIFICIALE A cura di Buttolo Marco (2005) 1. Introduzione Pag 1 2. Il test di Turing Pag 2 3. Concetti di base dell I.A Pag 3 4. Orientamenti futuri Pag 4 1.
DettagliAgenti basati su Ricerca: Introduzione
Agenti basati su Ricerca: Introduzione Intelligenza Artificiale Prof. Alfonso E. Gerevini Dipartimento Ingegneria dell Informazione Università degli Studi di Brescia Un Agente Risolutore di Problemi Segue
DettagliGruppi di lavoro, processi decisionali ed efficacia
Lezione 5 Gruppi di lavoro, processi decisionali ed efficacia Università Tor Vergata 1 Agenda Drammaturgia e impression management Capacità sociali Le decisioni nelle organizzazioni 2 Assunzioni di base
DettagliUniversità degli Studi di Enna Kore Facoltà di Scienze dell Uomo e della Società Anno Accademico
Anno Accademico 2017 2018 A.A. Settore Scientifico Disciplinare CFU Insegnamento Ore di aula Mutuazione 2017/18 M-PSI/01 Psicologia generale Il settore si interessa all attività scientifica e didattico
DettagliCasi d uso: esercizi
Casi d uso: esercizi Angelo Di Iorio A.A. 2013-2014 Ingegneria del Software () Casi d uso: esercizi A.A. 2013-2014 1 / 35 Tools UML ArgoUML, http://argouml.tigris.org/ Eclipse MDT UML2, http://www.eclipse.org/uml2/
DettagliFacoltà di Ingegneria. prof. Sergio Mascheretti
UNIVERSITÀ DEGLI STUDI DI BERGAMO Sistemi i di controllo di gestione prof. Sergio Mascheretti PIANIFICAZIONE E BUDGET SCG-L09 Pagina 0 di 12 A) OBIETTIVO DELLA LEZIONE B) BIBLIOGRAFIA DI RIFERIMENTO C)
DettagliLa scelta fra le alternative
La scelta fra le alternative I metodi analisi paretiana eliminazione delle alternative dominate come scegliere tra le alternative pareto efficienti? analisi a molti attributi classica analisi gerarchica
DettagliIntelligenza Emotiva e Leadership Efficace. Performance Technology Solutions 2014 Tutti i diritti riservati 1
Intelligenza Emotiva e Leadership Efficace Performance Technology Solutions 2014 Tutti i diritti riservati 1 Evoluzione del concetto di Intelligenza Emotiva (IE) Gardner (1983) è stato il primo ad introdurre
DettagliRICERCA-AZIONE a.s. 2016/2017
RICERCA-AZIONE a.s. 2016/2017 elementi essenziali per il confronto Potenzialità della flipped classroom Classe rovesciata: uno spazio di libertà controllata (B. Devauchelle) in cui gli studenti hanno maggior
DettagliIntelligenza Artificiale. Introduzione. Intelligenza Artificiale Daniele Nardi, 2004 Introduzione 0
Intelligenza Artificiale Introduzione Intelligenza Artificiale Daniele Nardi, 2004 Introduzione 0 Sommario Cosa è l AI? Una breve storia Intelligenza Artificiale Daniele Nardi, 2004 Introduzione 1 Cosa
DettagliDISCIPLINA: TECNOLOGIE E PROGETTAZIONE DI SISTEMI ELETTRICI ED ELETTRONICI CLASSE DI CONCORSO: A035 - C270
A: Quadri elettrici OBIETTIVI DEL Conoscere i principali apparecchi di comando, segnalazione e protezione degli impianti elettrici. Conoscere il CAD elettrico. Saper descrivere le caratteristiche degli
DettagliUniversità degli Studi della Calabria
Università degli Studi della Calabria FACOLTA DI SCIENZE MATEMATICHE, FISICHE E NATURALI Corso di Laurea in Matematica Tesi di Laurea Teoria dei Giochi ed Equilibrio di Nash CANDIDATA Francesca SPOSATO
DettagliTecnologie dei Sistemi di Automazione
Facoltà di Ingegneria Tecnologie dei Sistemi di Automazione Prof. Gianmaria De Tommasi Sistemi di Supervisione Controllo ed Acquisizione Dati SCADA Corso di Laurea Codice insegnamento Email docente Anno
DettagliUniversità degli Studi di Roma Tor Vergata Facoltà di Ingegneria Corso di Laurea in Ingegneria Medica. Compressione dati
Università degli Studi di Roma Tor Vergata Facoltà di Ingegneria Corso di Laurea in Ingegneria Medica Compressione dati Compressione dei dati Il processo di compressione consiste nell effettuare codifiche
DettagliPresentazione del corso
FACOLTÁ DI INGEGNERIA CORSO DI LAUREA in Ingegneria Gestionale Classe L/9 Insegnamento di Fondamenti di Automatica 9 C.F.U. A.A. 2015-2016 Docente: Prof. Massimo Cefalo E-mail: massimo.cefalo@unicusano.it
Dettagli