Home    Novità    Ricerca   In offerta   Consigliati   Prossimi arrivi   Bestsellers   Software    CBT   P.Iva 01029770490   [Ordini telefonici 0586 210919]   Ordini rapidi

Ricerca Veloce   per Titolo o ISBN

[Mailing delle novità]   [Servizio di CallBack]

Argomenti    Applicazioni   CAD   Certificazione e formazione   Commercio elettronico   Cultura Informatica   Database   Dizionari   Elettronica   Enterprise   Grafica   Hardware   Internet   Legislazione informatica   Multimedia   Progettazione WEB   Programmazione   Reti e telecomunicazioni   Sicurezza   Sistemi operativi   Tecnologia e societa'   Universita' e ricerca

Universita' e ricercaIntelligenza artificiale  CONSIGLIATO DA LIBRINFORMATICA Intelligenza artificiale Un approccio moderno vol.2 - seconda edizione Editore Pearson Education Italia Autore Russell Stuart J., Norvig Peter Titolo originale Artificial Intelligence: A modern approach, second edition Editore originale Prentice Hall Collana Accademica Pagine 792 Volumi 1 Livello Intermedio-Avanzato Lingua Italiano Data pubblicazione 10 - 2005 ISBN 8871922298  Prezzo di copertina   Euro 46,00    Presentazione         Indice        La struttura dell’opera Parte Prima Intelligenza artificiale Capitolo 1 Introduzione 1.1 Cos’è l’intelligenza artificiale? Agire umanamente: l’approccio del test di Turing Pensare come esseri umani: l’approccio della modellazione cognitiva Pensare razionalmente: l’approccio delle “leggi del pensiero” Agire razionalmente: l’approccio degli agenti razionali 1.2 I fondamenti dell’Intelligenza Artificiale Filosofia (428 a. C.- presente) Matematica (c.800-presente) Economia (1776-presente) Neuroscienze (1861-presente) Psicologia (1879-presente) Ingegneria informatica (1940-presente) Teoria del controllo e cibernetica (1948-presente) Linguistica (1957-presente) 1.3 La storia dell’intelligenza artificiale La gestazione dell’intelligenza artificiale (1943-1955) La nascita dell’intelligenza artificiale (1956) Primi entusiasmi, grandi aspettative (1952-1969) Una dose di realtà (1966-1973) Sistemi basati sulla conoscenza: la chiave per il potere? (1969-1979) L’IA diventa un’industria (1980-presente) Il ritorno delle reti neurali (1986-presente) L’IA diventa una scienza (1987-presente) La comparsa degli agenti intelligenti (1966-presente) Lo stato dell’arte 1.4 Riepilogo Note storiche e bibliografiche Esercizi Capitolo 2 Agenti intelligenti 2.1 Agenti e ambienti 2.2 Comportarsi correttamente: il concetto di razionalità Misure di prestazione Razionalità Onniscienza, apprendimento e autonomia 2.3 La natura degli ambienti Specificare un ambiente Proprietà degli ambienti 2.4 La struttura degli agenti Programmi agente Agenti reattivi semplici Agenti reattivi basati su modello Agenti basati su obiettivi Agenti basati sull’utilità Agenti capaci di apprendere 2.5 Riepilogo Note storiche e bibliografiche Esercizi Parte Quinta Conoscenza incerta e ragionamento Capitolo 12 Incertezza 13.1 Agire in condizioni di incertezza Gestire conoscenza incerta Incertezza e decisioni razionali Progettazione di un agente basato sulla teoria delle decisioni 13.2 Notazione basate della teoria della probabilità Proposizioni Eventi atomici Probabilità a priori Probabilità condizionate 13.3 Gli assiomi della teoria della probabilità Utilizzare gli assiomi della probabilità Perché gli assiomi della probabilità sono sensati 13.4 Inferenza basata su distribuzioni congiunte complete 13.5 Indipendenza 13.6 La regola di Bayes e il suo utilizzo Applicare la regola di Bayes: il caso semplice Usare la regola di Bayes: combinazione di prove 13.7 Il mondo del wumpus rivisitato 13.8 Riepilogo Note storiche e bibliografiche Esercizi Capitolo 14 Ragionamento probabilistico 14.1 Rappresentazione della conoscenza in un dominio incerto 14.2 Semantica delle reti bayesiane Rappresentare la distribuzione congiunta completa Relazioni di indipendenza condizionale nelle reti bayesiane 14.3 Rappresentazione efficiente delle distribuzioni condizionate 14.4 Inferenza esatta nelle reti bayesiane Inferenza per enumerazione L’algoritmo di eliminazione delle variabili La complessità dell’inferenza esatta Algoritmi di clustering 14.5 Inferenza approssimata nelle reti bayesiane Metodi di campionamento diretto Inferenza mediante simulazione con catene di Markov 14.6 Estendere la probabilità alle rappresentazioni del primo ordine 14.7 Altri approcci al ragionamento incerto Metodi basati su regole per il ragionamento incerto Rappresentare l’ignoranza: la teoria di Dempster-Shafer Rappresentare la vaghezza: insiemi fuzzy e logica fuzzy 14.8 Riepilogo Note storiche e bibliografiche Esercizi Capitolo 15 Ragionamento probabilistico nel tempo 15.1 Tempo e incertezza Stati e osservazioni Processi stazionari e ipotesi di Markov 15.2 Inferenza nei modelli temporali Filtraggio e predizione Smoothing Trovare la sequenza più probabile 15.3 Modelli di Markov nascosti Algoritmi semplificati basati su matrici 15.4 Filtri di Kalman Aggiornare le distribuzioni gaussiane Un semplice esempio monodimensionale Il caso generale Applicabilità del filtraggio di Kalman 15.5 Reti bayesiane dinamiche Costruire le DBN Inferenza esatta nelle DBN Inferenza approssimata nelle DBN 15.6 Riconoscimento del parlato I suoni del parlato Parole Frasi Costruire un riconoscimento vocale 15.7 Riepilogo Note storiche e bibliografiche Esercizi Capitolo 16 Decisioni semplici 16.1 Combinare credenze e desideri in condizioni di incertezza 16.2 Le basi della teoria dell’utilità Vincoli su preferenze razionali E poi ci fu l’unità 16.3 Funzioni di utilità L’utilità del denaro Scale e valutazione di utilità 16.4 Funzioni di utilità multiattributo Dominanza Struttura delle preferenze e utilità multiattributo 16.5 Reti di decisione Rappresentare un problema con una rete di decisione Valutazione delle reti di decisione 16.6 Il valore dell’informazione Un semplice esempio Una formula generale Proprietà del valore dell’informazione Implementare un agente che raccoglie informazioni 16.7 Sistemi esperti basati sulla teoria delle decisioni 16.8 Riepilogo Note storiche e bibliografiche Esercizi Capitolo 17 Decisioni complesse 17.1 Problemi di decisione sequenziali Un esempio Ottimalita' nei problemi di decisione sequenziali 17.2 Iterazione dei valori Utilità degli stati L’algoritmo di iterazione dei valori Convergenza dell’iterazione dei valori Convergenza dell’iterazione dei valori 17.3 Iterazione delle politiche 17.4 MDP parzialmente osservabili 17.5 Agenti basati sulla teoria delle decisioni 17.6 Decisioni con agenti multipli: la teoria dei giochi 17.7 Progettazione di meccanismi 17.8 Riepilogo Note storiche e bibliografiche Esercizi Parte Sesta Apprendimento Capitolo 18 Apprendimento dalle osservazioni 18.1 Forme di apprendimento 18.2 Apprendimento induttivo 18.3 Apprendere alberi di decisione Alberi di decisione come elementi esecutivi Espressività degli alberi di decisione Induzione di alberi di decisione dagli esempi Scegliere l’insieme degli attributi Valutare le prestazioni dell’algoritmo di apprendimento Rumore e sovradattamento Ampliare l’applicabilità degli alberi di decisione 18.4 Ensemble learning 18.5 Perché l’apprendimento funziona: la teoria dell’apprendimento computazionale Quanti esempi sono necessari? Apprendere liste di decisione Discussione 18.6 Riepilogo Note storiche e bibliografiche Esercizi Capitolo 19 Conoscenza e apprendimento 19.1 Una formulazione logica dell’apprendimento Esempi e ipotesi Ricerca mediante migliore ipotesi corrente Ricerca a impegno minimo 19.2 Conoscenza e apprendimento Alcuni semplici esempi Alcuni schemi generali 19.3 Apprendimento basato sulle spiegazioni Estrarre regole generali dagli esempi Migliorare l’efficienza 19.4 Apprendimento per mezzo di informazioni sulla rilevanza Apprendere e utilizzare informazioni sulla rilevanza Determinare lo spazio delle ipotesi 19.5 Programmazione logica induttiva Un esempio Metodi di apprendimento induttivo top-down Apprendimento induttivo con deduzione inversa Fare scoperte con la programmazione logica induttiva 19.6 Riepilogo Note storiche e bibliografiche Esercizi Capitolo 20 Metodi di apprendimento statistico 20.1 Apprendimento statistico 20.2 Apprendimento con dati completi Apprendimento di parametri di massima verosimiglianza: modelli discreti Modelli bayesiani ingenui Apprendimento di parametri di massima verosimiglianza: modelli continui Apprendimento di parametri bayesiano Apprendere strutture di reti bayesiane 20.3 Apprendimento con variabili nascoste: l’algoritmo EM Clustering non supervisionato: apprendere miscugli di gaussiane Apprendimento di reti bayesiane con variabili nascoste Apprendimento di modelli di Markov nascosti La forma generale dell’algoritmo EM Apprendimento di strutture di reti bayesiane con variabili nascoste 20.4 Apprendimento basato sulle istanze Modelli ai vicini più prossimi Modelli a kernel 20.5 Reti neurali Unità di calcolo nelle reti neurali Strutture di rete Reti neurali a uno strato alimentare in avanti (percettroni) Reti neurali multistrato alimentare in avanti Apprendere strutture di reti neurali 20.6 Macchine kernel 20.7 Un caso pilota: riconoscimento di cifre scritte a mano 20.8 Riepilogo Note storiche e bibliografiche Esercizi Capitolo 21 Apprendimento per rinforzo 21.1 Introduzione 21.2 Apprendimento per rinforzo passivo Stima diretta dell’utilità Programmazione dinamica adattiva Apprendimento alle differenze temporali 21.3 Apprendimento per rinforzo attivo Esplorazione Apprendere una funzione azione-valore 21.4 Generalizzazione dell’apprendimento per rinforzo Applicazioni ai giochi Applicazioni per il controllo dei robot 21.5 Ricerca di politiche 21.6 Riepilogo Note storiche e bibliografiche Esercizi Parte Settima comunicazione, percezione e azione Capitolo 22 Comunicazione 22.1 Comunicazione come azione I fondamenti del linguaggio I passi che compongono la comunicazione 22.2 Una grammatica formale per un frammento della lingua inglese Il lessico di La grammatica di 22.3 Analisi sintattica (parsing) Parsing efficiente 22.4 Grammatiche aumentate Sottocategorizzazione dei verbi Capacità generativa delle grammatiche aumentate 22.5 Interpretazione semantica La semantica di un frammento della lingua inglese Tempi verbali Quantificazione Interpretazione pragmatica Generazione di linguaggi con le DCG 22.6 Ambiguità e disambiguazione Disambiguazione 22.7 Comprensione del discorso Risoluzione dei riferimenti La struttura di un discorso coerente 22.8 Induzione di grammatiche 22.9 Riepilogo Note storiche e bibliografiche Esercizi Capitolo 23 Elaborazione probabilistica del linguaggio 23.1 Modelli probabilistici del linguaggio Grammatiche non contestuali probabilistiche Apprendere le probabilità di una PCFG Apprendere la struttura delle regole di una PCFG 23.2 Information retrieval Valutazione dei sistemi IR Raffinamenti di IR Presentazione dell’insieme dei risultati Implementare un sistema IR 23.3 Estrazione dell’informazione 23.4 Traduzione automatica Sistemi di traduzione automatica Traduzione automatica statistica Apprendere le probabilità per la traduzione automatica 23.5 Riepilogo Note storiche e bibliografiche Esercizi Capitolo 24 Percezione 24.1 Introduzione 24.2 Formazione delle immagini Immagini senza lenti: la scatola nera Sistemi dotati di lenti La luce: fotometria della formazione di immagini Colore: la spettrometria della formazione di immagini 24.3 Elaborazione delle immagini a basso livello Rilevamento dei bordi Segmentazione dell’immagine 24.4 Estrarre informazioni tridimensionali da un’immagine Movimento Stereoscopia binoculare Gradienti di texture Ombreggiatura Contorni 24.5 Riconoscimento di oggetti Riconoscimento basato sulla luminosità Riconoscimento basato sulle caratteristiche Stima della posa 24.6 Usare la visione per la manipolazione e la navigazione 24.7 Riepilogo Note storiche e bibliografiche Esercizi Capitolo 25 Robotica 25.1 Introduzione 25.2 Hardware per robot Sensori Attuatori 25.3 Percezione robotica Localizzazione Mapping Altri tipi di percezione 25.4 Pianificare il movimento Spazio delle configurazioni Metodi di scomposizione in celle Metodi di scheletrizzazione 25.5 Pianificare movimenti incerti Metodi robusti 25.6 Movimento Dinamica e controllo Controllo con campo di potenziale Controllo reattivo 25.7 Architetture software per robot Architettura di sussunzione Architettura a tre livelli Linguaggi di programmazione per la robotica 25.8 Domini di applicazione 25.9 Riepilogo Note storiche e bibliografiche Esercizi Parte Ottava Conclusioni Capitolo 26 Fondamenti filosofici 26.1 IA debole: le macchine possono agire in modo intelligente? L’argomentazione derivante dall’incapacità L’obiezione matematica L’argomentazione derivante dall’informalità 26.2 IA forte: le macchine possono veramente pensare? Il problema mente-corpo L’espressione del cervello nella vasca L’esperimento della protesi cerebrale La stanza cinese 26.3 L’etica e i rischi dello sviluppo di intelligenze artificiali 26.4 Riepilogo Note storiche e bibliografiche Esercizi Capitolo 27 IA: presente e futuro 27.1 Componenti per agenti 27.2 Architetture di agenti 27.3 Stiamo andando nella giusta direzione? 27.4 E se l’IA avesse successo? Appendice A Fondamenti matematici A.1 Analisi di complessità e notazione O() Analisi asintotica NP e problemi intrinsecamente difficili A.2 Vettori, matrici e algebra lineare A.3 Distruzioni di probabilità Note storiche e bibliografiche Appendice B Note sui linguaggi e gli algoritmi B.1 Definire i linguaggi con la forma Backus-Naur (BNF) B.2 Descrivere gli algoritmi con lo pseudocodice B.3 Supporto online Bibliografia Indice analitico | Versione per la stampa |

Login   Username  Password   Non ricordo la password   Nuovo account   Cliente    Il carrello  Carrello    ---    Informazioni    Contatti   Qualità del servizio   Costi e tempi di consegna   Modalità di pagamento   Prezzi   Sconti   Privacy