Logica, Computazione, Cognizione

Descrizione del corso di Logica, Computazione, Cognizione (LCC)

Il Corso di Logica, Computazione e Cognizione (LCC), tenuto dal prof. Roberto Maieli, è attivo presso il Corso di Laurea Magistrale in Scienze cognitive della comunicazione e dell'azione dell'Università degli Studi Roma Tre. Il corso ha una validità di 6 CFU ed è inquadrato nel settore scientifico disciplinare MAT/01 (Logica Matematica).

Il corso mira ad una Introduzione alla Teoria della Calcolabilità (Modelli di Calcolo). La Teoria della Computazione nasce dalla necessità di una sistemazione teorica del concetto di procedura di calcolo. Ha due assi importanti:

• la computabilità (che cosa è "fattibile", calcolabile, da una procedura di calcolo?)
• la complessità del calcolo (quanto costa calcolare una certa soluzione ad un problema?)

Studia ciò che può e non può essere calcolato e, nel caso di problemi risolvibili, determina in quanto tempo, con quanta memoria e per quale tipo di modello computazionale.

Nella seconda parte del corso vengono presentate le principali tecniche algoritmiche alla base della recente Intelligenza Arificiale Computazionale basata su architetture di tipo Machine Learning implementate con il linguaggio di programmazione Python

Materiale Didattico:

Dispense e slides a cura del docente (saranno studiate durante il corso)

• automi a stati finiti e linguaggi formali
• macchine di Turing e Tesi di Church
• cenni di complessità computazionale

Letture consigliate:

• Appunti sulla Calcolabilità a cura di Marcello Frixione
• Letter to Turing di Giuseppe Longo
• Information at the Threshold of InterpretationScience as Human Construction of Sense di Giuseppe Longo

Altre letture (approfondite) sulla Teoria della Calcolabilità:

• Michael Sipser, Introduction to the Theory of Computation

Riferimenti per il linguaggio Python:

• Allen B. Downey et al., Pensare da Informatico (versione PDF)
• Guido van Rossum, Il tutorial di Python
• Josh Cogliati, Tutorial per principianti in Python
• Interprete Python online: https://www.python.org/shell/
• Interprete Python online: https://repl.it/repls/ReflectingFrontLanservers
• App per interpreti python su smartphone android:
• App QPython
• App Pydroid3
• Anaconda è una distribuzione gratuita e open source del linguaggio di programmazione Python per il calcolo scientifico, che mira a semplificare la gestione e la distribuzione dei pacchetti.

Natural Language Processing with Python: Natural Language Toolkit (NLTK) versione HTML versione PDF .

Pper installare il pacchetto NLTK con Jupyter su Anaconda

1. lanciare il programma "Anaconda Navigator"
2. lanciare il "Notebook Jupyter" come in figura
3. cliccare a destra sul pulsante "new" come in figura
4. digitare le linee di comando come in figura
5. per verificare il funzionamento del notebook Jupyter, aprire con il noteboook il file ex-nltk.ipynb

Esami

Primo appello: Martedì 14 geennaio 2020, ore 11;

Secondo appello: Martedì 28 gennaio 2020, ore 11;

Terzo appello: Martedì 11 febbraio 2020, ore 11.

Saranno ammessi alle prove solo gli studenti regolarmente prenotati tramite il Portale dello Studente (GOMP).

L'esame consiste in un colloquio sulla base di un elaborato scritto a cura dello studente di qualche pagina (3-5 pagine al massimo) nel quale lo studente discute in forma originale (con parole proprie) i "limiti della calcolabilità" (il problema dell'arresto delle Macchine di Turing) così come lo ha compreso. Le letture consigliate, oltre alle slides presentate durante il corso, sono gli articoli di Beppe Longo e quello di Marcello Frixione disponibili online (sopra, alla voce "materiale didattico").

Diario delle Lezioni (Mercoledì ore 10-13, aula 8):

• Lezione #1. - 2 Ottobre 201 (inzio corso)
• Lezione #2. - 9 Ottobre: automi a stati finiti e linguaggi regolari.
• Lezione #3. - 16 Ottobre: automi a stati finiti con pila e linguaggi Context-free.
• Lezione #4. - 23 Ottobre: introduzione alle macchine di Turing.
• Lezione #5. - 30 Ottobre : lezione annullata per missione scientifica all'estero.
• Lezione #6. - 6 Novembre : introduzione all'Halting Problem per le macchine di Turing
• Lezione #7. - 13 Novembre: dimostrazione dell'Halting Problem per le macchine di Turing con i metodo diagonale di Cantor.
• Lezione #8. - 20 Novembre : introduzione all'Intelligenza Artificiale ed al Machine Learning (scarica slides)
• Lezione #9. - 27 Novembre : introduzione al linguaggio di programmazione Python, capitolo 8 sulle "stringhe" del manuale di Allen B. Downey et al., Pensare da Informatico, versione PDF
• Lezione #10. - 4 Dicembre: language processing with Python & NLTK; per un esempio cha faccia uso di corpora creati dall'utente, scaricare il file compresso e poi aprirlo con Jupyter.
• Lezione #11. - 11 Dicembre: Learning to Classify Text (un esempio di apprendimento automatico basato sul machine learning).
• Lezione #12. - 18 Dicembre : cenni al funzionamento statistico del classificatore bayesiano (slides). Esempi di classificatori bayesiani basati su NLTK: classificatore di nomi propri di persona, classificatore statico di tweets (visita la pagina web con il codice commenato: link).

Fine del corso.