Pattern recognition / Intelligenza Artificiale, meglio dividerli
Due ‘mezzi’ corsi in uno, interessanti e con non molte formule, ma c’è poco tempo per la pratica. Decimo 30 sul libretto
Dopo quasi 4 mesi dall’ultimo esame, giovedì ho finalmente aggiunto una nuova riga sul mio libretto universitario.
Pattern Recognition / Intelligenza Artificiale è il risultato dell’accorpamento in un solo esame di in realtà due corsi distinti, tenuti da due prof., con altrettante prove orali. Quasi due corsi in uno, più che due ‘mezzi’ corsi.
Ma andiamo per ordine.
Si comincia con Pattern Recognition, lo studio di quelle tecniche che permettono di costruire dei sistemi per il riconoscimento automatico degli oggetti, ovvero dei classificatori (ad esempio quelli usati in ambito medico per riconoscere la presenza di un tumore a partire da una mammografia).
Qualche formula c’è (specie nella parte dedicata alla teoria bayesiana della decisione, in cui si ritrova la famigerata gaussiana e qualche calcolo matriciale) ma sulle slide (vedi link al termine di questo post) del prof. Francesco Tortorella (foto a fianco), già docente di Calcolatori elettronici 1 e 2, si studia abbastanza bene.
La parte esercitativa, affidata ad uno degli assistenti del prof. ha qualche lacuna dovuta al poco tempo per poter impratichirsi con PrTools, uno degli applicativi di Matlab dedicati al Pattern Recognition.
La parte del corso tenuta dal prof. Tortorella per più della metà delle nove settimane concesse all’intero esame, così, per forza di cose, l’altro docente, il prof. De Stefano (foto in basso, già insegnante del corso Fondamenti di Informatica 2 alla laurea triennale) deve sfoltire un po’ il programma della seconda parte del corso, ovvero Intelligenza Artificiale, per dar vita ad appena 4 lezioni di 3 ore ciascuno.
L’Intelligenza Artificiale studia quelle tecniche che consentono di far ‘pensare’, o meglio agire razionalmente, i sistemi. Dai concetti dell’agente artificiale intelligente si passa a vedere metodi di ricerca basati sul grafo degli stati (ricerca in profondità e in ampiezza), fino a mettere a confronto tra loro algoritmi come il backtrack o il graph search. Ultime ore del corso dedicate alle reti neurali, (ovvero reti costituite da neuroni artificiali, che cercano di replicare a grandi linee il modo con cui i neuroni biologici trasmettono l’un l’altro le informazioni) e all’algoritmo back propagation. Qui poche equazioni (ancor meno che nella parte del Pattern Recognition) e molta teoria. Pesante il lavoro di ‘sbobinatura’ a casa, necessario per far fronte alle domande del prof., che all’esame punta a capire (al di là delle formule) se si sono compresi i dettagli spiegati a lezione.
Anche qui per mancanza di tempo non si riesce a mettere a fuoco gli elementi teorici appresi a lezione: peccato, perchè le applicazioni degli argomenti del corso sono vastissime e moderne (e un pensierino come argomento di tesi si potrebbe anche fare). Insomma, sarebbe stato meglio dare la possibilità agli studenti (come avveniva nel passato) di approfondire i contenuti dei due corsi in modo separato (ovvero due corsi da 5 crediti, oppure, come avverrà da quest’anno, un solo corso da 9 crediti nel nuovissimo ordinamento) piuttosto che ‘accorpare’ i due corsi in uno da 5 crediti universitari e sole 9 settimane di lezione.
Per la cronaca, l’esame (o meglio, i due esami orali, sostenuti a distanza di un paio di settimane l’uno dall’altro) procede con tranquillità (non senza qualche sbavatura), e alla fine è un 30 (il decimo in questa laurea specialistica). Ora qualche giorno di tregua, ma già il pensiero va al difficile esame di campi elettromagnetici: nella laurea triennale, con lo stesso prof., fu un incubo di due ore. Speriamo bene.
Per approfondire:
– i pdf del corso di Pattern Recognition e di Intelligenza Artificiale sul sito riccardogalletti.com/appunti_gratis/
– il sito dei ricercatori italiani in Pattern Recognition
– il sito UCI machine learning repository, con tantissimi training set (insieme di campioni per ‘addestrare’ il classificatore)
loading...