Prof. Enrico De Santis: i libri dei suoi insegnamenti

1. Che cosa distingue un algoritmo evolutivo da un metodo di ottimizzazione basato sul gradiente?
2. Come si definisce la funzione di fitness in un problema di ottimizzazione?
3. Quali operatori genetici vengono usati per generare nuove soluzioni?
4. Come si confrontano le reti neurali e i sistemi fuzzy come approssimatori?
5. In che modo lo sciame di particelle aggiorna la propria posizione?
6. Perché la diversità della popolazione è importante in un algoritmo evolutivo?
7. Come si progetta un sistema neuro-fuzzy a partire da dati sperimentali?
8. Quali sono i limiti di una ricerca casuale rispetto a un algoritmo genetico?
9. Come si sceglie il numero di neuroni in uno strato nascosto?
10. Che cosa significa convergenza prematura in un algoritmo di ottimizzazione?
11. Come si applica un algoritmo a colonia di formiche a un problema di percorso?
12. In che modo la funzione di attivazione influenza l'apprendimento di una rete?
13. Quali criteri permettono di interrompere un'ottimizzazione iterativa?
14. Come si valuta la robustezza di una soluzione trovata con metodi evolutivi?
15. Perché la normalizzazione dei dati di ingresso è utile per le reti neurali?
16. Come si combinano più metodi di calcolo evolutivo in un approccio ibrido?
17. Quali applicazioni industriali beneficiano dell'ottimizzazione evolutiva?
18. Come si confrontano le prestazioni di due algoritmi su un insieme di problemi di prova?
19. Quali vantaggi offre la rappresentazione binaria rispetto a quella reale delle soluzioni?
20. Come si costruisce una funzione di appartenenza triangolare in un sistema fuzzy?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

1. Che cosa distingue un algoritmo evolutivo da un metodo di ottimizzazione basato sul gradiente?
2. Come si definisce la funzione di fitness in un problema di ottimizzazione?
3. Quali operatori genetici vengono usati per generare nuove soluzioni?
4. Come si confrontano le reti neurali e i sistemi fuzzy come approssimatori?
5. In che modo lo sciame di particelle aggiorna la propria posizione?
6. Perché la diversità della popolazione è importante in un algoritmo evolutivo?
7. Come si progetta un sistema neuro-fuzzy a partire da dati sperimentali?
8. Quali sono i limiti di una ricerca casuale rispetto a un algoritmo genetico?
9. Come si sceglie il numero di neuroni in uno strato nascosto?
10. Che cosa significa convergenza prematura in un algoritmo di ottimizzazione?
11. Come si applica un algoritmo a colonia di formiche a un problema di percorso?
12. In che modo la funzione di attivazione influenza l'apprendimento di una rete?
13. Quali criteri permettono di interrompere un'ottimizzazione iterativa?
14. Come si valuta la robustezza di una soluzione trovata con metodi evolutivi?
15. Perché la normalizzazione dei dati di ingresso è utile per le reti neurali?
16. Come si combinano più metodi di calcolo evolutivo in un approccio ibrido?
17. Quali applicazioni industriali beneficiano dell'ottimizzazione evolutiva?
18. Come si confrontano le prestazioni di due algoritmi su un insieme di problemi di prova?
19. Quali vantaggi offre la rappresentazione binaria rispetto a quella reale delle soluzioni?
20. Come si costruisce una funzione di appartenenza triangolare in un sistema fuzzy?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

1. Che cosa distingue un algoritmo evolutivo da un metodo di ottimizzazione basato sul gradiente?
2. Come si definisce la funzione di fitness in un problema di ottimizzazione?
3. Quali operatori genetici vengono usati per generare nuove soluzioni?
4. Come si confrontano le reti neurali e i sistemi fuzzy come approssimatori?
5. In che modo lo sciame di particelle aggiorna la propria posizione?
6. Perché la diversità della popolazione è importante in un algoritmo evolutivo?
7. Come si progetta un sistema neuro-fuzzy a partire da dati sperimentali?
8. Quali sono i limiti di una ricerca casuale rispetto a un algoritmo genetico?
9. Come si sceglie il numero di neuroni in uno strato nascosto?
10. Che cosa significa convergenza prematura in un algoritmo di ottimizzazione?
11. Come si applica un algoritmo a colonia di formiche a un problema di percorso?
12. In che modo la funzione di attivazione influenza l'apprendimento di una rete?
13. Quali criteri permettono di interrompere un'ottimizzazione iterativa?
14. Come si valuta la robustezza di una soluzione trovata con metodi evolutivi?
15. Perché la normalizzazione dei dati di ingresso è utile per le reti neurali?
16. Come si combinano più metodi di calcolo evolutivo in un approccio ibrido?
17. Quali applicazioni industriali beneficiano dell'ottimizzazione evolutiva?
18. Come si confrontano le prestazioni di due algoritmi su un insieme di problemi di prova?
19. Quali vantaggi offre la rappresentazione binaria rispetto a quella reale delle soluzioni?
20. Come si costruisce una funzione di appartenenza triangolare in un sistema fuzzy?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.