• Edizioni di altri A.A.:
  • 2018/2019

  • Lingua Insegnamento:
    ITALIANO 
  • Testi di riferimento:
    Il testo che utilizzeremo per la parte CGT è "Lessons in Play. An Introduction to Combinatorial Game Theory", di Michael H. Albert, Richard J. Nowakowski e David Wolfe. Consigliato anche il sito del libro per approfondimenti vari. 
  • Obiettivi formativi:
    Teoria dei giochi combinatori. Ricerca Montecarlo di alberi. Basi di reti neurali e Machine Learning. 
  • Prerequisiti:
    Matematica di base e confidenza con il ragionamento logico-inferenziale. Voglia di giocare e imparare. 
  • Metodi didattici:
    Lezione frontale interattiva. In particolare, nella prima parte del corso si proporranno dei giochi da imparare e giocare (Nim, Go, Scacchi, Domineering, Tris e altri). 
  • Modalità di verifica dell'apprendimento:
    Esame orale. 
  • Sostenibilità:
     
  • Altre Informazioni:
    È consigliato iscriversi al gruppo Telegram del corso, per ricevere le notifiche con la massima celerità possibile. 

L'idea di questo corso nasce dai recenti progressi fatti nel campo dell'intelligenza artificiale grazie allo sviluppo di AlphaGo e al suo del tutto inatteso successo contro uno dei giocatori di Go più forti del mondo. Cosa sono i giochi astratti? Come fanno i computer a giocare? È veramente possibile per un computer "imparare da solo"? Nel corso cercheremo, per quanto possibile nel limite dei 6 CFU, di rispondere a queste domande.

Il gioco imparziale più importante in Combinatorial Game Theory (CGT): il Nim. Analisi approfondita del Nim e strategia ottimale tramite la somma Nim.
Il Nim da un punto di vista avanzato: la funzione di Sprague-Grundy. Analisi dei giochi imparziali su grafi. Una struttura algebrica sull'insieme dei giochi in CGT: la somma di giochi. I giochi e i numeri surreali.
I giochi in CGT visti come alberi. La navigazione dell'albero tramite MiniMax e la potatura Alfa-Beta: come potrebbero i computer essere imbattibili - in teoria! Complessità della potatura Alfa-Beta.
Metodo Montecarlo per la ricerca di alberi: come fanno i computer a giocare. Metodo Montecarlo puro e variante del "bandito a più braccia" (UCT). Reti neurali e apprendimento automatico: come fanno i computer a imparare a giocare!
Introduzione al Deep Learning.

Avvisi

Nessun avviso in evidenza

Documenti

Nessun documento in evidenza

Scopri cosa vuol dire essere dell'Ud'A

SEDE DI CHIETI
Via dei Vestini,31
Centralino 0871.3551

SEDE DI PESCARA
Viale Pindaro,42
Centralino 085.45371

email: info@unich.it
PEC: ateneo@pec.unich.it
Partita IVA 01335970693

icona Facebook   icona Twitter

icona Youtube   icona Instagram