View syllabus
SYMBOLIC AND EVOLUTIONARY ARTIFICIAL INTELLIGENCE
MARCO COCOCCIONI
Academic year2023/24
CourseARTIFICIAL INTELLIGENCE AND DATA ENGINEERING
Code893II
Credits6
PeriodSemester 2
LanguageEnglish

ModulesAreaTypeHoursTeacher(s)
SYMBOLIC AND EVOLUTIONARY ARTIFICIAL INTELLIGENCEING-INF/05LEZIONI60
MARCO COCOCCIONI unimap
FEDERICO ROSSI unimap
Obiettivi di apprendimento
Learning outcomes
Conoscenze

Gli studenti dovranno essere in grado di comprendere i principi dell'ottimizzazione evolutiva multi-obiettivo. Inoltre, dovranno essere in grado di comprendere e applicare i principi dell'apprendimento per rinforzo. Dovranno anche essere in grado di utilizzare algoritmi non archimedei per risolvere numericamente problemi multi-obiettivo lessicografici.

Infine, ci si aspetta che gli studenti siano consapevoli delle sfide poste dalla progettazione di acceleratori hardware per l'apprendimento automatico e le reti neurali, con particolare attenzione all'uso di rappresentazioni alternative per i numeri reali a piccola precisione, le CPU SIMD e vettoriali e i principi di base del funzionamento delle GPU.

Knowledge

Students are expected to be able to understand the principles of evolutionary multi-objective optimization and those of reinforcement learning, to solve complex learning problems where the alternative learning methods struggle. Students are also expected to be able to use Non-Archimedean algorithms to numerically solve lexicographic multi-objective problems.

Finally, the students are expected to be aware of the challenges posed by the design of hardware accelerators for machine learning and neural networks, with special emphasis on the use of alternative representations for small-precision real numbers, the programming of SIMD and vectorized CPUs, and a basic understanding of the architecture of the GPUs.

 

 

 

Modalità di verifica delle conoscenze

Gli studenti devono presentare un progetto. Il progetto viene poi valutato. Se la valutazione è positiva, gli studenti possono accedere all'esame orale. L'esito positivo dell'esame orale conclude l'esame.

Assessment criteria of knowledge

The students must present a project. The project is then evaluated. If the evaluation is positive, then the students can access the oral examination. The positive outcome of the oral examination concludes the exam.

Capacità

Gli studenti debbono essere in grado di estendere librerie software esistenti o di implementarle da zero.

Gli studenti debbono essere in grado di presentare, in una relazione scritta, i risultati della loro attività progettuale.

Skills

Students will be able to extend existing software libraries, or implement one from scratch.

Students will be able to present, in a written report, the results of their activity.

 

Modalità di verifica delle capacità

Durante le sessioni di laboratorio, verranno realizzati piccoli progetti per mettere in pratica i concetti teorici acquisiti durante le lezioni teoriche.

Assessment criteria of skills

During the computer lab sessions, small projects will be carried out in order make practice over the theoretical concepts acquired during the theoretical lessons.

 

Comportamenti

Gli studenti saranno valutati rispetto alla capacità di lavorare in gruppo.

Behaviors

Students will be able to manage the responsibility of managing a team project.

Modalità di verifica dei comportamenti

Durante le sessioni di laboratorio verranno valutate l'accuratezza e la precisione delle attività svolte.

Assessment criteria of behaviors

During the lab sessions, the accuracy and precision of the activities carried out will be evaluated.

Prerequisites

Having attended the course of "Optimization Methods and Game Theory" is an asset, although not a mandatory one.

The same concerning the course of "Computational Intelligence and Data Mining".

Programma (contenuti dell'insegnamento)

La prima parte del corso è dedicata ai principali algoritmi di ottimizzazione evolutiva multi-obiettivo.

 Verrà poi presentata la teoria del Reinforcement Learning, con applicazioni pratiche in laboratorio.

La parte finale del corso è dedicata ad argomenti avanzati di intelligenza artificiale, quali: come velocizzare le reti neuro-fuzzy profonde (utilizzando nuove rappresentazioni per i numeri reali e implementando gli acceleratori hardware associati), la programmazione di CPU in ambienti SIMD e vettorizzati, l'implementazione di reti neurali con pesi infiniti o infinitesimali, per risolvere compiti di apprendimento lessicografico multi-obiettivo, insieme ad altri argomenti di frontiera, che verranno aggiornati di anno in anno.

Syllabus

The first part of the course is devoted to the main algorithms for evolutionary multi-objective optimization.

 

Then the theory of Reinforcement Learning will be presented, along with practical applications in laborary.

The final part of the course is devoted to advanced topics in artificial intelligence, such as: how to speed up deep neuro-fuzzy networks (using novel representations for real numbers and implementing the associated hardware accelerators), the programming of CPUs having SIMD extension or Vector CPUs, and the implementation of neural networks with infinitesimal or infinite weights, to solve lexicographic multi-objective learning tasks, along with additional cutting edge topics, to be updated year after year.

Bibliografia e materiale didattico

Kalyamnoy Deb, "Multi-objective optimization using evolutionary algorithms", 2005.

Richard Sutton, Andrew G. Barto, "Reinforcement Learning: An Introduction", second edition, 2018.

Bibliography

Kalyamnoy Deb, "Multi-objective optimization using evolutionary algorithms", 2005.

Richard Sutton, Andrew G. Barto, "Reinforcement Learning: An Introduction", second edition, 2018.

Assessment methods

The students must present a project. The project will be evaluated. If the evaluation is positive, then the students can access the oral examination. The positive outcome of the oral examination concludes the exam.

Updated: 21/10/2023 11:02