Insegnamento DECISION SUPPORT AND RECOMMENDER SYSTEM
- Corso
- Informatica
- Codice insegnamento
- GP004171
- Curriculum
- Intelligent and mobile computing
- Docente
- Joseph Rinott
- Docenti
-
- Joseph Rinott
- Marco Baioletti (Codocenza)
- Ore
- 42 ore - Joseph Rinott
- 21 ore (Codocenza) - Marco Baioletti
- CFU
- 9
- Regolamento
- Coorte 2017
- Erogato
- 2018/19
- Attività
- Affine/integrativa
- Ambito
- Attività formative affini o integrative
- Settore
- MAT/06
- Tipo insegnamento
- Obbligatorio (Required)
- Tipo attività
- Attività formativa monodisciplinare
- Lingua insegnamento
- INGLESE
- Contenuti
- Elementi di teoria delle decisioni.
Elementi di teoria dei giochi non-cooperativi e cooperativi.
Elementi di teoria della scelta sociale.
Computational Intelligence: reti neurali, reti Bayesiane e calcolo evolutivo - 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
Computational Intelligence: An Introduction. Andries P. Engelbrecht.Second Edition Wiley 2007
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.
Un altro obbiettivo è quello di acquisire i principali concetti della Computational Intelligence e di applicarli a vari problemi pratici - 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, come il corso, è diviso in due parti.
La prima parte dell'esame consiste in una prova scritta ed è finalizzata ad accertare la comprensione dei concetti base affrontati nel corso ed i collegamenti tra essi.
La seconda prova riguarda la seconda parte del corso e può essere a scelta dello studente un progetto informatico o lo studio di un articolo di ricerca
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
- FIRST PART: DECISION THEORY AND GAME THEORY
(6 CFU)
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.
SECOND PART: COMPUTATIONAL INTELLIGENCE (3 CFU)
1. Neural Networks. Neurons and activation function. Feed-forward NN. NN Learning. Backpropagation. Gradient descent and other variants.
2. Radial-basis function networks. Recurrent networks. Convolutionary networks
3. Belief networks. Boltzmann networks. Deep learning.
4. Bayesian networks. Inference methods. Learning.
5. Evolutionary algorithms. Genetic algorithms.
6. Differential evolution. Evolutionary strategies.
7. Swarm intelligence algorithms.