Italiano. Dispense e libro di testo in inglese. 

-) Libro di testo: "Reinforcement Learning: An Introduction", Sutton-Barto, liberamente disponibile a incompleteideas.net/book/the-book-2nd.html.
-) Dispense del docente. 

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. 

Nessuno.
 

Lezioni frontali in aula e in laboratorio di informatica. 

Esame scritto e orale. L'orale è opzionale, su richiesta dello studente o del docente.
 

Non tratta tematiche riconducibili alla sostenibilità ambientale.
 

E-mail: maurizio.parton@unich.it.
Cellulare di riferimento: 349-5323-199.