Durante il corso, discuteremo gli algoritmi più diffusi e conosciuti, sia da un punto di vista teorico che pratico, commentando e proponendo agli studenti codice in Python e PyTorch.

Grazie a questo corso, non solo lo studente avrà la possibilità di comprendere come sia possibile battere un campione mondiale di Go o scacchi utilizzando un computer, ma verrà anche descritto come le impressionanti capacità di conversazione di ChatGPT siano dovute all’utilizzo di algoritmi legati a questo mondo, quali ad esempio PPO e TRPO.

Esclusivamente in presenza (sede di Leonardo), in italiano e riservato ai soci AIM.

È necessario iscriversi tramite il seguente form, i posti sono limitati: https://forms.gle/tNs3uq9kH6timYhm9

Il calendario può essere consultato nella pagina Eventi.

Prerequisiti

Per una completa e dettagliata comprensione degli argomenti trattati, è consigliato (anche se non strettamente necessario) che lo studente soddisfi i seguenti prerequisiti:

• Familiarità con Markov Chains e/o Markov Decision Processes (MDPs);

• Familiarità con il mondo del Machine Learning e Deep Learning (reti neurali, backpropagation, activation functions). La conoscenza di Pytorch e Python, pur non essendo necessaria, è consigliata per meglio comprendere il materiale fornito: capire un algoritmo significa infatti comprendere anche la sua implementazione pratica, riflettendo sulle oramai sempre maggiori differenze tra pratica e teoria nel mondo dell’Intelligenza Artificiale;

• Familiarità con concetti base di Probabilità, quali ad esempio valori attesi (condizionati e non), Monte Carlo estimation. Tali argomenti verranno trattati nuovamente durante il corso ed applicati alla materia, ma una conoscenza preliminare è utile per meglio comprendere la filosofia che si nasconde dietro ai più comuni e performanti algoritmi in letteratura.

Relatori

I relatori sono tutti ex-studenti di Ingegneria Matematica e soci onorari di AIM.

• Riccardo Brioschi

  • MSc in Data Science @ EPFL

  • Research Student in Causal Inference & NLP

  • Incoming Research Scientist Intern @ Google Research, Zurich

• Federico Arangath

  • MSc in Applied Mathematics (Minor: Machine Learning) @ ETH

  • Research Student in Reinforcement Learning

  • Teaching Assistant nel Corso “Probabilistic Artificial Intelligence”

• Matteo Hessel

  • Research Engineer @ Google DeepMind

  • Lecturer per il corso di Reinforcement Learning @ UCL

Materiale

Durante il corso, presenteremo contenuti e materiale provenienti da risorse e fonti diverse, tra le quali notiamo:

• Slides dal Corso “Reinforcement Learning” @ EPFL;

• Slides e dispense dal Corso “Probabilistic Artificial Intelligence” @ ETH;

• Reinforcement Learning: An Introduction (Sutton & Barto);

• Papers by Google DeepMind, Stanford, OpenAI.