Slides Intelligenza Artificiale, Vincenzo Cutello

Slides:



Advertisements
Presentazioni simili
LA FASE RICEZIONE – PUNTO: DALLA TECNICA INDIVIDUALE AL GIOCO
Advertisements

Apprendimento per rinforzo
Problema dellordinamento Input: Sequenza di n numeri Output: Permutazione π = tale che: a 1 a 2 …… a n Subroutine in molti problemi E possibile effettuare.
Shared with you by Volontari per il turismo … per una città veramente ospitale Raffaella Pierini BENVENUTI NELLA NOSTRA CITTA!
Progettazione di un sito web
Evolvere robot stigmergici in Evorobot*
Chiara Mocenni - Sistemi di Supporto alle Decisioni I – aa Sistemi di Supporto alle Decisioni I Dynamic Programming Chiara Mocenni Corso di.
Chiara Mocenni - Sistemi di Supporto alle Decisioni I – aa Sistemi di Supporto alle Decisioni I Scelte di consumo Chiara Mocenni Corso di laurea.
Programmazione dinamica
Gestione dei dati e della conoscenza (agenti intelligenti) M.T. PAZIENZA a.a
Sistemi basati su conoscenza (agenti intelligenti) Prof. M.T. PAZIENZA a.a
Seconda Lezione: Lavorare su una mappa Misurazioni Dati associati Salvare e riaprire un progetto Elementi decorativi.
Sistemi basati su conoscenza Ricerca di soluzioni a problemi Prof. M.T. PAZIENZA a.a
Sistemi basati su conoscenza Ricerca di soluzioni a problemi Prof. M.T. PAZIENZA a.a
La percezione delle proprie competenze e il grado di fiducia nelle proprie capacità sono altresì importanti per spiegare le differenze di prestazione.
Apprendimento Automatico: Apprendimento per Rinforzo
Apprendimento per rinforzo
Apprendimento Automatico: Apprendimento per Rinforzo Roberto Navigli Apprendimento Automatico: Apprendimento per Rinforzo.
Capitolo 4 Ordinamento: Selection e Insertion Sort Algoritmi e Strutture Dati.
Capitolo 4 Ordinamento: Selection e Insertion Sort Algoritmi e Strutture Dati.
Le forze conservative g P2 P1 U= energia potenziale
Lezione 11 Aspettative e Politica Economica
20 bambini di 4/5 anni Dal ’11 al 12.2.’11 Dalle alle 12.15
Ingegneria della conoscenza e sistemi esperti Dario Bianchi, 1999 Risoluzione di problemi e ricerca.
Alcune definizioni dellAI Dario Bianchi 1999 Sistemi che pensano come gli esseri umani: modellizzazione cognitiva. Sistemi che pensano razionalmente: le.
Teoria dei giochi Università degli Studi di Parma Parma,
PROGETTO SCACCHI Programma, sviluppato in Java che permette di effettuare partite a scacchi tra due giocatori sulla stessa macchina e anche tra computer.
Gestione documenti La funzione principale di MOSAICO è il trattamento documenti. Grazie ad una corretta configurazione dellanagrafica documenti e causali,
Le Regole della Pallapugno
ENERGIA SOLARE.
Regole degli scacchi ♔ ♕ ♖ ♗ ♘ ♙ ♚ ♛ ♜ ♝ ♞ ♟ ♔ ♕ ♖ ♗ ♘ ♙ ♚ ♛ ♜ ♝ ♞ ♟
Intelligenza Artificiale
Intelligenza Artificiale

Slides di Teoria dei Giochi, Vincenzo Cutello
Problemi con soddisfacimento dei vincoli
Risoluzione di problemi e ricerca
Intelligenza Artificiale
3. Forma Strategica e ricerca dell’equilibrio
Ideazione e Pianificazione
Fici Arianna e Sammartano Maria Teresa
Sistemi basati su conoscenza Gestione della conoscenza Prof. M.T. PAZIENZA a.a
La modellazione degli oggetti
Tecnica SCAP.
Teoria dei giochi e comportamento strategico
Automatismi Scacchistici
Apertura Cos’è ed a cosa serve.
Algoritmi online Maria Simi, a.a. 2007/08 Problemi di esplorazione  Gli agenti per il problem-solving assumono:  ambienti deterministici e osservabili.
Oltre la ricerca classica Cap 4 – Ricerca locale, ricerca online Maria Simi a.a. 2014/2015.
IV D Mercurio DB Lezione 2
UN’INTRODUZIONE AI SISTEMI AD AGENTE E MULTIAGENTE Sistemi per il governo dei Robot,
Sistemi basati su conoscenza Ricerca di soluzioni a problemi Prof. M.T. PAZIENZA a.a
Le reazioni di ossidazione e riduzione
Lezioni 3-4.
Ingegneria del software Modulo 1 -Introduzione al processo software Unità didattica 3 - Modelli di fase d’analisi Ernesto Damiani Università degli Studi.
2. Forma estesa (struttura ad albero e matrice dei pagamenti)
Intelligenza Artificiale 1 Gestione della conoscenza lezione 2 Prof. M.T. PAZIENZA a.a
Sistemi basati su conoscenza (agenti intelligenti) Prof. M.T. PAZIENZA a.a
Ricerca locale M. Simi, Algoritmi di ricerca locale  Efficienti in occupazione di memoria: tengono traccia solo dello stato corrente (non.
Sistemi basati su conoscenza Prof. M.T. PAZIENZA a.a
Intelligenza Artificiale 1 Gestione della conoscenza lezione 4 Prof. M.T. PAZIENZA a.a
Agenti intelligenti Maria Simi a.a. 2013/2014 Riassunto  Intelligenza come capacità diverse …  Capacità di simulare il comportamento umano?  Capacità.
Cloud Tecno V. Percorso didattico per l’apprendimento di Microsoft Access 4 - Le maschere.
Ricerca locale Maria Simi Assunzioni sui problemi  Gli algoritmi visti esplorano gli spazi di ricerca alla ricerca di un goal e restituiscono.
Vortice Schemi di Gioco 3.
Ricerca online Maria Simi a.a. 2011/2012 Ambienti più realistici  Gli agenti risolutori di problemi “classici” assumono:  Ambienti completamente osservabili.
Basi elementari negli scacchi
Test e questionari di personalit à Il sistema ART 2020.
Le caratteristiche dei movimenti generali e specifici della pallavolo
10/5/061 Lez. 12 Previsioni di traffico Generalità Previsioni di scenario.
Transcript della presentazione:

Slides Intelligenza Artificiale, Vincenzo Cutello Agenti Intelligenti Capitolo 2 Slides Intelligenza Artificiale, Vincenzo Cutello

Slides Intelligenza Artificiale, Vincenzo Cutello Outline PAGE (Percepts, Actions, Goals, Environment) Tipi di ambienti Funzioni agente e programmi Tipi di agente Il mondo dell’aspirapolvere Slides Intelligenza Artificiale, Vincenzo Cutello

Slides Intelligenza Artificiale, Vincenzo Cutello PAGE Dobbiamo prima specificare il “setting” per la progettazione di agenti intelligenti Consideriamo, ad esempio, il compito di progettare un taxi automatizzato Percezioni ? Azioni ? Obiettivi ? Ambiente ? Slides Intelligenza Artificiale, Vincenzo Cutello

Agente intelligente per acquisti su internet Percezioni ? Azioni ? Obiettivi ? Ambiente ? Slides Intelligenza Artificiale, Vincenzo Cutello

Slides Intelligenza Artificiale, Vincenzo Cutello Agenti razionali Gli “obiettivi” sono specificabili da misure di prestazioni che definiscono un valore numerico per ogni possibile risultato Azione razionale: qualsiasi azione che massimizzi il valore atteso della misura di prestazione data la sequenza percepita “sino a quel momento” Si Noti: Razionale ≠ onnisciente Razionale ≠ chiaroveggente Razionale ≠ aver successo Slides Intelligenza Artificiale, Vincenzo Cutello

Slides Intelligenza Artificiale, Vincenzo Cutello Tipi di ambiente Accessibile : Se l’apparato dei sensori dell’agente fornisce un accesso completo allo stato dell’ambiente Deterministico : Se lo stato successivo è completamente determinato dallo stato corrente e dall’azione determinata dall’agente Episodico : Se l’esperienza dell’agente è divisa in episodi. Sottosequenze di episodi non dipendono dalle azioni effettuate nei precedenti episodi Discreto : Se esiste un numero limitato di azioni e percezioni distinte Slides Intelligenza Artificiale, Vincenzo Cutello

Slides Intelligenza Artificiale, Vincenzo Cutello Tipi di ambiente Solitario Backgammon Internet shopper Taxi Accessibile ?? Deterministico ?? Episodico ?? Statico ?? Discreto ?? Slides Intelligenza Artificiale, Vincenzo Cutello

Slides Intelligenza Artificiale, Vincenzo Cutello Tipi di ambiente Solitario Risico Internet shopper Taxi Accessibile Si No Deterministico In parte Episodico Statico Semi Discreto Il tipo di ambiente influenza in maniera determinante la progettazione di un agente Il mondo reale è (ovviamente) inaccessibile, stocastico, sequenziale, dinamico, continuo Slides Intelligenza Artificiale, Vincenzo Cutello

Funzioni agenti e programmi Un agente è completamente specificato dalla funzione agente che mappa sequenze di percezioni in azioni. Si potrebbe sviluppare ogni possibile sequenza per vedere cosa succede. Ovviamente, una tabella di lookup dovrebbe solitamente essere molto grande Una funzione agente (o una piccola classe di equivalenza) deve essere razionale Un programma agente prende una singola percezione come input, mantiene uno stato interno: function SKELETON-AGENT(percept) returns action static: memory, la memoria dell’agente relativa al mondo memory  UPDATE-MEMORY(memory, percept) action  CHOOSE-BEST-ACTION(memory) memory  UPDATE-MEMORY(memory, action) return action Slides Intelligenza Artificiale, Vincenzo Cutello

Slides Intelligenza Artificiale, Vincenzo Cutello Tipi di agente Quattro tipi base in ordine crescente di complessità Agenti stimolo risposta Agenti con stato interno Agenti basati su obiettivi Agenti basati su utilità Slides Intelligenza Artificiale, Vincenzo Cutello

Agenti stimolo risposta Agente Sensori Attuatori Ambiente Com’è il mondo in questo momento Quale azione dovrei fare Regole condizione-azione Slides Intelligenza Artificiale, Vincenzo Cutello

Agenti con stato interno Ambiente Sensori Agente Attuatori stato Com’è il mondo in questo momento Come si evolve il mondo Cosa fanno le mie azioni Quale azione dovrei fare Regole condizione-azione Slides Intelligenza Artificiale, Vincenzo Cutello

Agenti basati su obiettivi Ambiente Sensori Agente Attuatori stato Com’è il mondo in questo momento Come si evolve il mondo Cosa succede se eseguo l’azione A Cosa fanno le mie azioni Quale azione dovrei fare Obiettivi Slides Intelligenza Artificiale, Vincenzo Cutello

Agenti basati su utilità Ambiente Sensori Agente Attuatori stato Com’è il mondo in questo momento Come si evolve il mondo Cosa succede se eseguo l’azione A Cosa fanno le mie azioni Utilità Quanto sarò felice in questo stato Quale azione dovrei fare Slides Intelligenza Artificiale, Vincenzo Cutello

Esempio: Un aspirapolvere intelligente Percezioni (<ostacolo> <sporco> <home>) Azioni Spegniti, avanti, aspira, gira a sinistra, gira a destra Obiettivi (misura di performance sui risultati) +100 per ogni pezzo di sporco pulito -1 per ogni azione -1000 se non è al suo posto (home) quando si spegne Slides Intelligenza Artificiale, Vincenzo Cutello

Esempio: Un aspirapolvere intelligente Ambiente griglia, muri/ostacoli, distribuzione e creazione di sporcizia, gli spostamenti funzionano se non vanno contro ostacoli la polvere aspirata va dentro l’aspirapolvere Accessibile ? Deterministico ? Episodico ? Statico ? Discreto ? Slides Intelligenza Artificiale, Vincenzo Cutello

Esempio: Un giocatore di scacchi Percezioni (<mossa_avv> <stato_iniziale> ) Azioni Muovi (secondo le regole) uno dei pezzi Obiettivi Dare “scacco matto” all’avversario (shah mat : il re è morto) + f(x) per ogni pezzo x guadagnato - f(x) per ogni pezzo x perso + Δ(p) per la posizione acquisita sulla scacchiera Slides Intelligenza Artificiale, Vincenzo Cutello

Esempio: Un giocatore di scacchi Ambiente scacchiera e disposizione dei pezzi, le mosse vanno confrontate con i vincoli di legalità la sequenza di mosse è importante ? Accessibile ? Deterministico ? Episodico ? Statico ? Discreto ? Slides Intelligenza Artificiale, Vincenzo Cutello

Esempio: spostamento con ostacoli Percezioni (<Ost> <A> <B>) Azioni Spostati in una direzione (360 gradi) Obiettivi Partendo da A arrivare a B Slides Intelligenza Artificiale, Vincenzo Cutello

Esempio: spostamento con ostacoli Ambiente disposizione degli ostacoli concetto di visibilità mi ricordo se sono passato da un posto ? Gli ostacoli sono fermi o si muovono ? Accessibile ? Deterministico ? Episodico ? Statico ? Discreto ? Slides Intelligenza Artificiale, Vincenzo Cutello