Mappe concettuali di intelligenza artificiale

Reti di Jordan Reti di Elman Reti LSTM

Reti ricorrenti Reti convoluzionali (CNN)

APPRENDIMENTO SUPERVISIONATO DEEP LEARNING SUPERVISIONATO

problemi linearmente separabili

+

problemi linearmente separabili non linearmente separabili

IA

algoritmo di error back-

PERCETTRONE RETI MULTI-STRATO

apprendimento del propagation

percettrone DEEP LEARNING NON SUPERVISIONATO

APPRENDIMENTO NON SUPERVISIONATO Transformers

Autoencoders Deep belief Generative

Modelli associativi Modelli generativi networks (DBN) Adversarial

Networks (GAN)

Reti di Hopfield Macchine di

Macchine di Boltzmann

Boltzmann ristrette (RBM)

Modelli in IA MODELLI QUANTITATIVI

modelli matematici che forniscono una predizione

di un fenomeno psicologico tramite numeri

MODELLI PRE-QUANTITATIVI DESCRITTIVI COMPUTAZIONALI

(BOX-AND-ARROWS) (leggi della psicofisica)

descrivere un fenomeno (no spiegazione dare una spiegazione del fenomeno,

individuare una serie di componenti e dei meccanismi causali del fenomeno) non semplicemente descriverlo

sottocomponenti che descrivono

verbalmente e in modo dettagliato il

processo cognitivo in esame

predizioni verbali (e diagrammatiche)

teoriche non confrontabili (non sono numeri!) Connessionisti

Simbolici (reti neurali artificiali)

Localistici

Rule-based Probabilistici PDP o learning

spiega determinati aspetti

del comportamento (tipico e

atipico), dell’apprendimento,

della patologia (provocata

anche da una lesione)

Prospettiva ingegneristica Prospettiva delle scienze cognitive

Emulare comportamenti che possono essere Simulare comportamenti che possono essere intesi

intesi come frutto dell’intelligenza e, se possibile, come frutto dell’intelligenza, sia tipici che atipici

superare le capacità della mente umana Importanza del processo e della comprensione del

Importanza del risultato funzionamento dei processi cognitivi umani

SCOPI DELL’IA

• Visione e riconoscimento visivo

• Riconoscimento del parlato e

traduzione

• Elaborazione del linguaggio

naturale Definizioni di

• Sistemi di guida assistita o

autonoma

• Supporto alla decisione intelligenza artificiale

• Rappresentazione della

conoscenza

• Ricerca e recupero di

informazioni studio di agenti intelligenti che percepiscono il loro ambiente e producono azioni

volte a massimizzare la probabilità di successo nel raggiungere i loro scopi

Intelligenza artificiale Intelligenza artificiale

stretta (debole): generale (forte):

TEST DI TURING qualsiasi IA in grado di qualsiasi IA in grado di

Se un giudice esterno non riesce a distinguere un eguagliare o superare le affrontare e risolvere con

comportamento come frutto di un’intelligenza artificiale piuttosto capacità cognitive successo molteplici

che di un essere umano, il modello ha superato il test umane in un contesto compiti nei contesti più

controllato, specifico e disparati

strutturato

INTELLIGENZA ARTIFICIALE CLASSICA INTELLIGENZA ARTIFICIALE NEURALE

Approccio logico-simbolico Approccio del connessionismo

Turing, Newell, Simon McCulloch, Pitts, Hebb

1950-1967 1943-1949

L’intelligenza consiste nel produrre inferenze, cioè L’intelligenza consiste nell’attività di neuroni che

manipolare strutture simboliche di rappresentazione formano reti neurali

della conoscenza basandosi sui collegamenti

associativi tra i concetti IA = rete neurale simulata

IA = programma per computer Storia Specificità legata al medium

Indipendenza dal medium dell’intelligenza

artificiale

Alan Turing (1950): Convegno fondativo al Dartmouth

College (1956):

invenzione del test di Turing introduzione del termine “intelligenza

artificiale” per riferirsi ad una macchina

che manifesta un comportamento

intelligente, paragonabile a quello di

un essere umano

Nodi: formalismo matematico usato per topologia

(vertici o unità) descrivere qualsiasi sistema di elementi

definiscono quali sono che interagiscono tra di loro

le variabili implicate ELEMENTI grafi direzionati:

ARCHITETTURA

Archi: PRINCIPALI

(connessioni o spigoli)

definiscono quali

variabili interagiscono direzionalità

direttamente tra di loro GRAFI

Pesi: Algebra lineare

indicano la forza delle grafi non direzionati:

connessioni

• relazione

eccitatoria se + per l’IA

• relazione

inibitoria se - grafi non direzionati

Media pesata bidirezionali e simmetrici:

Funzione di errore (loss)

Variabile gradiente

Sigmoide (funzione di

attivazione)

Funzione del tasso di

apprendimento Inferenza:

Probabilità P(A|B) trovare la distribuzione

condizionata di P di variabili non

TEORIA DELLA STATISTICA osservate (H) data una

Probabilità P(A,B) = P(A|B)*P(B) = P(B|A)*P(A) certa evidenza (E)

BAYESIANA

PROBABILITÀ

congiunta degree of belief

à

Indipendenza P(A,B) = P(A)*P(B) P(A|B) = P(A)

à

statistica Apprendimento:

capacità di fare inferenze

a seguito di relazioni

apprese tra le variabili, la

cui conoscenza e

Algebra lineare rafforzamento si ottengono

tramite l’esperienza

stima di massima

à

per l’IA verosimiglianza

SISTEMI NON LINEARI ALGORITMI

Sistema lineare Sistema non lineare serie finita e ordinata di istruzioni dettagliate ed elementari

date al sistema, che deve eseguirle in sequenza per ottenere

un determinato risultato in un tempo finito

Algoritmi di apprendimento (machine learning)

la traiettoria del pendolo la traiettoria del pendolo è

può essere predetta con caotica, può essere predetta Algoritmi di pruning: Algoritmi incrementali:

precisione tramite una solo in termini probabilistici rimuovono connessioni aggiungono connessioni

semplice equazione con l’esperienza con l’esperienza

Vettore: Derivata:

colonna o riga sensibilità al cambiamento di

una certa quantità (VD) che

è determinata da un’altra

quantità (VI)

ANALISI

Spazio vettoriale: MATEMATICA

insieme di vettori che pendenza della tangente

à

possono essere sommati tra ad un punto della curva

di loro oppure moltiplicati (che deve essere continua)

da uno scalare derivata in una funzione

Algebra

Trasformazione lineare: multivariata

funzione tra 3 spazi vettoriali che preserva

le operazioni di addizione e moltiplicazione

di un vettore per uno scalare Gradiente:

lineare vettore le cui componenti

sono le derivate parziali di

una funzione

per l’IA curvatura di una superficie

à

(dice se cresce o decresce

nel tempo)

Iperpiano:

sottospazio di Tecnica di discesa del gradiente:

dimensione n-1 spostarsi sulla curva nella direzione in cui il

rispetto a quella gradiente è maggiore

n dello spazio in

cui è contenuto

Matrice: Massimo e minimo:

tabella di numeri, punti in cui la derivata è

forma alternativa = 0

con cui possono

essere scritti i tangente parallela

à

vettori all’asse x