lOMoARcPSD|52667818
Domande - appunti
Intelligenza Artificiale (Università degli Studi di Parma)
Scan to open on Studocu
Studocu is not sponsored or endorsed by any college or university
Downloaded by andrea bazzani (andrea.bazzani00@[Link])
lOMoARcPSD|52667818
- Domanda 3: Problem solving: illustrare cosa fa l’algoritmo di ricerca di una soluzione
spiegando che cosa è una strategia di ricerca e i nodi frontiera e come sono relazionati tra di
loro.
Strategia di Ricerca: Una strategia di ricerca è un piano o un insieme di regole che
determina l'ordine in cui gli stati vengono esplorati nello spazio degli stati. Questa strategia
influisce su come l'algoritmo trova la soluzione
Nodi Frontiera: I nodi frontiera sono gli stati che sono stati scoperti ma non ancora
esplorati. Questi sono gli stati che l'algoritmo deve considerare successivamente durante la
ricerca. Inizialmente, la frontiera contiene solo lo stato iniziale.
La relazione tra questi concetti è che l'algoritmo di ricerca inizia dalla situazione iniziale e,
utilizzando l'operatore di transizione, esplora gli stati successivi nello spazio degli stati. Gli
stati successivi vengono aggiunti alla frontiera, e l'algoritmo sceglie una strategia di ricerca
per selezionare quale stato dalla frontiera esplorare successivamente
- Domanda 5: Spiegare che significa, nella progettazione di un agente logico, la seguente
affermazione: Specialized algorithm = specialized knowledge + general‐purpose reasoning
L'equazione suggerisce che un agente intelligente di successo dovrebbe combinare la
conoscenza specializzata (specifica per il compito) con la capacità di ragionamento
generale. Questo approccio permette all'agente di adattarsi a situazioni complesse e
variabili, mentre utilizza la conoscenza specializzata per affrontare i dettagli del compito
specifico.
In altre parole, l'agente logico deve essere in grado di applicare il suo ragionamento
generale per utilizzare la conoscenza specializzata in modo efficace. Questa combinazione
di capacità di ragionamento generale e conoscenza specifica è ciò che permette all'agente
di affrontare compiti complessi e variabili in modo intelligente e adattabile. APPROCCIO
DICHIARATIVO
- Domanda 7: Tradurre in logica del primo ordine le seguenti affermazioni, commentando i
passi:
Per ogni fetta di torta, c'è qualcuno che la mangia: ∀x, ∃y, mangia(y, x)
Esiste almeno una torta che non è di colore bianco: ∃x, ¬bianco(x)
Per ogni fetta di torta c'è un piattino e una forchetta: ∀x, ∃y, ∃z, piatt(y, x) ∧ fork(z, x)
- Domanda 10: Nella matrice di confusione relativo ad un caso di classificazione binaria cosa
rappresentano gli elementi definiti come falsi positivi e falsi negativi.
Nella matrice di confusione relativa a un caso di classificazione binaria, gli elementi definiti
come "falsi positivi" (False Positives - FP) e "falsi negativi" (False Negatives - FN)
rappresentano due tipi di errori che si verificano quando si confrontano le previsioni di un
modello con la realtà
- Domanda 11: Problem solving: illustrare cosa rappresenta uno spazio degli stati e il ruolo
degli operatori nella ricerca e costruzione di una soluzione
Spazio degli stati: Lo spazio degli stati è un concetto centrale nell'ambito del problem
solving. Puoi pensare a esso come a un insieme di tutti gli stati possibili in cui un sistema o
Downloaded by andrea bazzani (andrea.bazzani00@[Link])
lOMoARcPSD|52667818
un agente può trovarsi durante la risoluzione di un problema. Ogni stato rappresenta una
configurazione specifica del sistema, che può essere completamente descritta dalle variabili
e dai parametri rilevanti. Ad esempio, se stiamo risolvendo un problema di navigazione in un
labirinto, uno stato potrebbe rappresentare la posizione corrente dell'agente all'interno del
labirinto.
Operatori: sono le azioni o le trasformazioni che l'agente può eseguire per passare da uno
stato all'altro all'interno dello spazio degli stati. In altre parole, gli operatori rappresentano le
regole o le mosse consentite che l'agente può compiere nel tentativo di raggiungere la
soluzione desiderata. Continuando con l'esempio del labirinto, gli operatori potrebbero
rappresentare azioni come "muoversi verso l'alto", "muoversi verso il basso", "muoversi a
sinistra" e "muoversi a destra".
- Domanda 12: Parlare brevemente del ruolo dell’euristica nelle strategie informate. Fornire un
esempio di algoritmo con una strategia informata.
L'euristica gioca un ruolo significativo nelle strategie informate nell'ambito del problem
solving. Le strategie informate, o euristiche di ricerca, sono metodi che utilizzano
informazioni aggiuntive o "euristiche" per guidare la ricerca verso la soluzione in modo più
efficiente rispetto a una ricerca cieca. Le euristiche forniscono indizi o regole basate sulla
conoscenza del dominio per determinare quali azioni intraprendere o quali stati esplorare.
Un esempio di algoritmo con una strategia informata è l'algoritmo A*.
- Domanda 13: Dovendo progettare un agente logico spiegare brevemente cosa significa
tenere separato il motore inferenziale dalla base di conoscenza specifica e che vantaggi si
ottengono.
Tenere separato il motore inferenziale dalla base di conoscenza specifica in un agente
logico rappresenta un principio fondamentale dell'approccio dichiarativo all'intelligenza
artificiale. Questo significa che l'agente è diviso in due componenti principali:
Motore inferenziale: Questa è la parte dell'agente responsabile dell'elaborazione del
ragionamento e dell'effettiva risoluzione dei problemi. Il motore inferenziale utilizza regole di
inferenza, strategie di ricerca e algoritmi per dedurre nuove informazioni o prendere
decisioni basate sulla conoscenza presente nella base di conoscenza.
Base di conoscenza: La base di conoscenza contiene le rappresentazioni esplicite delle
informazioni relative al dominio specifico del problema che l'agente deve affrontare. Questa
base di conoscenza è costituita da affermazioni, regole, fatti, relazioni e altri elementi che
descrivono il mondo in cui l'agente opera.
- Domanda 14: Su che dati e a che cosa vuole ottenere un processo di Business Intelligence
in una azienda.
Il processo di Business Intelligence (BI) in un'azienda si concentra sull'acquisizione, l'analisi
e la presentazione dei dati al fine di fornire informazioni strategiche e basate su evidenze
per supportare le decisioni aziendali. L'obiettivo principale del processo di BI è ottenere una
migliore comprensione del funzionamento dell'azienda e delle opportunità di miglioramento.
Ecco su che dati e a che cosa mira un processo di Business Intelligence:
Fonti di dati: Il processo di BI coinvolge la raccolta di dati da una varietà di fonti, tra cui
database aziendali, sistemi ERP (Enterprise Resource Planning), sistemi CRM (Customer
Relationship Management), dati finanziari, dati di produzione, dati di vendita, dati di
Downloaded by andrea bazzani (andrea.bazzani00@[Link])
lOMoARcPSD|52667818
marketing e molti altri. I dati possono essere strutturati o non strutturati e possono provenire
da fonti interne ed esterne.
- Domanda 15: Spiegare la differenza fra l’uscita di un algoritmo di regressione ed uno di
classificazione.
Classificazione: Gli algoritmi di classificazione mirano a assegnare un'istanza di input a una
delle diverse categorie o classi predeterminate. Questi algoritmi sono utilizzati per la
classificazione di oggetti o eventi in base alle loro caratteristiche. Ad esempio, possono
essere utilizzati per classificare le e-mail come "spam" o "non spam" in base al loro
contenuto.
Regressione: Gli algoritmi di regressione sono progettati per prevedere o stimare un valore
numerico o continuo come output. In altre parole, cercano di modellare una relazione tra
variabili indipendenti (input) e una variabile dipendente (output) che è una quantità continua.
Ad esempio, possono essere utilizzati per prevedere il prezzo di una casa in base a varie
caratteristiche come metratura, numero di stanze, posizione, ecc.
Clustering: Un modello di clustering è utilizzato per raggruppare insiemi di dati in cluster o
gruppi omogenei in base a somiglianze o caratteristiche condivise. L'obiettivo principale è
scoprire strutture nascoste nei dati, identificando gruppi di dati simili senza una conoscenza
pregressa delle etichette di classe.
- Domanda 16: Nella validazione di un task di classificazione si fa riferimento spesso al
parametro accuratezza. Cosa rappresenta e quando può essere una misura ingannevole.
L'accuratezza (accuracy) è una misura comunemente utilizzata nella validazione di un task
di classificazione e rappresenta la frazione dei casi correttamente classificati rispetto al
totale dei casi. In altre parole, l'accuratezza misura quanto il modello di classificazione sia in
grado di effettuare previsioni corrette. La formula per calcolare l'accuratezza è la seguente:
Accuratezza=Totale dei casi / Numero di previsioni corrette
L'accuratezza è una misura intuitiva e facile da interpretare. Tuttavia, può essere
ingannevole in alcune situazioni, soprattutto quando ci sono sbilanci nelle classi o quando ci
sono errori di classificazione che hanno implicazioni diverse o costi diversi. Ecco quando
l'accuratezza può essere una misura ingannevole:
- Sbilancio delle classi: Se ci sono molte più istanze di una classe rispetto all'altra,
l'accuratezza può essere distorta.
- Errori costosi: In alcune applicazioni, gli errori di classificazione possono avere costi
molto diversi.
- Classi mal distribuite: Se una classe è sottorappresentata nei dati, l'accuratezza
può sovrastimare la capacità del modello di riconoscere quella classe.
Per affrontare queste limitazioni, è importante considerare altre misure di valutazione del
modello, come la precisione, la recall, l'F1-score e la matrice di confusione.
Downloaded by andrea bazzani (andrea.bazzani00@[Link])