Introdurre i principi base dell'apprendimento automatico per rinforzo (Reinforcement Learning), con particolare enfasi alla loro applicazione nel mondo dei giochi combinatori.
RISULTATI DI APPRENDIMENTO ATTESI
CONOSCENZA E CAPACITÀ DI COMPRENSIONE:
Alla fine dell’insegnamento lo studente dovrà: -) comprendere la logica di base dell'interazione agente-ambiente nell'ambito dei processi decisionali di Markov; -) capire le differenze tra i diversi principi base nell'apprendimento per rinforzo; -) conoscere i più importanti algoritmi di apprendimento per rinforzo.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE APPLICATE:
Alla fine dell’insegnamento lo studente dovrà essere in grado di: -) determinare se un certo problema può essere affrontato tramite apprendimento automatico per rinforzo; -) formalizzare un problema come processo decisionale di Markov; -) operare nell'ambito model-free con metodi Monte Carlo e differenze temporali; -) realizzare da zero un programma che impari a giocare a un semplice gioco combinatorio tramite apprendimento per rinforzo.
ABILITÀ DI COMUNICAZIONE:
Alla fine dell’insegnamento lo studente dovrà essere in grado di esporre i concetti appresi, utilizzando un linguaggio corretto e preciso sia dal punto di vista logico-inferenziale che informatico.
CAPACITÀ DI APPRENDERE:
Alla fine dell’insegnamento lo studente dovrà essere in grado di leggere e orientarsi in testi e articoli di ricerca sull'apprendimento per rinforzo.
Prerequisiti
Nessuno.
Metodi didattici
Lezioni frontali in aula e in laboratorio di informatica.
Verifica Apprendimento
Esame scritto e orale. L'orale è opzionale, su richiesta dello studente o del docente.
Testi
-) Libro di testo: "Reinforcement Learning: An Introduction", Sutton-Barto, liberamente disponibile a incompleteideas.net/book/the-book-2nd.html. -) Dispense del docente.
Contenuti
L'idea di questo corso nasce dai recenti progressi fatti nel campo dell'intelligenza artificiale grazie allo sviluppo delle tecniche di apprendimento per rinforzo coadiuvate dal'utilizzo di reti neurali profonde. Nel corso, per quanto possibile nel limite dei 6 CFU, impareremo a descrivere i problemi come processi decisionali di Markov e ad affrontarli tramite tecniche di programmazione dinamica - se è disponibile un modello di distribuzione - o di vero e proprio apprendimento per rinforzo - se solo esperienza vera o al più un sample model è disponibile.
Lingua Insegnamento
Italiano. Dispense e libro di testo in inglese.
Altre informazioni
E-mail: maurizio.parton@unich.it. Cellulare di riferimento: 349-5323-199.
