118353 - RAGIONAMENTO E APPRENDIMENTO PROBABILISTICI

insegnamento

ID:

118353

Tipo Insegnamento:

Opzionale

Durata (ore):

48

CFU:

SSD:

INFORMATICA

Url:

Dettaglio Insegnamento:

INTELLIGENZA ARTIFICIALE, DATA SCIENCE E BIG DATA/PERCORSO COMUNE Anno: 2

Anno:

2024

Periodo di attività

Secondo Semestre (24/02/2025 - 30/05/2025)

Obiettivi Formativi

L'obiettivo principale del corso consiste nel rendere gli studenti in grado di costruire modelli statistico-relazionali.
Le principali conoscenze acquisite sono relative a:
- reti bayesiane e markoviane
- linguaggi logico probabilistici
- apprendimento di regole del primo ordine
- apprendimento di modelli logico probabilistici
Le principali abilità (ossia la capacità di applicare le conoscenze acquisite) sono:
- eseguire inferenza e apprendimento di modelli grafici probabilistici
- eseguire inferenza e apprendimento di modelli statistico-relazionali

Prerequisiti

Per poter seguire il corso con profitto è necessario avere acquisito le conoscenze di programmazione logica e machine learning fornite dai corsi di Fondamenti di Intelligenza Artificiale e Rappresentazione della conoscenza e di Machine learning e data mining

Metodi didattici

Il corso è diviso in 48 ore di lezione parte in aula e parte nel laboratorio di informatica.
Le lezioni riguardano gli argomenti del corso e includono esercitazioni guidate al calcolatore.
Le esercitazioni in laboratorio riguardano in particolare l’uso del sistema https://cplint.eu per risolvere problemi di inferenza e di induzione di regole.
Le lezioni saranno trasmesse in streaming e registrate.

Verifica Apprendimento

L'esame consiste di due prove. La prima consiste nella risoluzione di quattro esercizi: uno sui modelli grafici, uno sull’inferenza nella programmazione logica probabilistica, uno sull’inferenza nel probabilistic answer set programming e uno sull’apprendimento.
La seconda prova consiste di tre domande a risposta aperta scritta sugli argomenti teorici del corso.
La prima prova dura due ore. Vale 17 punti. La seconda prova dura 30 minuti e vale 15 punti. Il voto finale è dato dalla somma dei voti nelle due prove.
E' consentito usare materiale didattico solo per la prima prova.

Testi

Il testo di riferimento è:
Fabrizio Riguzzi, “Foundations of Probabilistic Logic Programming: Languages, Semantics, Inference and Learning, 2nd edition, River Publishers 2022.

Testi consigliati per approfondimento:

Luc De Raedt, “Logical and Relational Learning”, Springer, Series: Cognitive Technologies, 2008
Luc De Raedt, Kristian Kersting, Sriraam Natarajan, and David Poole, “Statistical Relational Artificial Intelligence: Logic, Probability, and Computation”, Morgan & Claypool, 2016
Daphne Koller, Nir Friedman, “Probabilistic graphical models: principles and techniques”, MIT Press, 2009
N. Lavrac and S. Dzeroski, “Inductive Logic Programming Techniques and Applications”, Ellis Horwood, 1994, http://www-ai.ijs.si/SasoDzeroski/ILPBook/

Contenuti

Il corso prevede 48 ore di didattica frontale parte in aula e parte in laboratorio.
- Reti bayesiane e markoviane (8 ore): inferenza e apprendimento.
- Apprendimento di regole del primo ordine (4 ore).
- Linguaggi logico probabilistici (8 ore): Programmazione Logica Probabilistica, Reti logiche di Markov. Semantica e inferenza
- Apprendimento di modelli logico probabilistici (12 ore): apprendimento dei parametri, apprendimento della struttura, modelli neuro-simbolici
- Semantiche per la programmazione logica (4 ore)
- Probabilistic Answer Set Programming (12 ore)