triennale-appunti-steffo/docs/route-ApprendimentoSistemiArtificiali.chunk.bc31d.js.map

{"version":3,"sources":["webpack:///./components/Example.less","webpack:///./components/ApprendimentoSistemiArtificiali/Tick.js","webpack:///./routes/ApprendimentoSistemiArtificiali.js","webpack:///./components/Example.js","webpack:///./components/ApprendimentoSistemiArtificiali/Styles.less"],"names":["module","exports","props","className","style","tick","title","children","r","String","raw","href","to","class","example"],"mappings":"4EACAA,EAAOC,QAAU,CAAC,IAAM,aAAa,OAAS,gBAAgB,OAAS,gBAAgB,KAAO,cAAc,KAAO,cAAc,KAAO,cAAc,QAAU,iBAAiB,QAAU,mB,qCCD3L,qCAEe,aAAUC,GACrB,OACI,UAAMC,UAAWC,IAAMC,KACjBC,MAAO,mCAAoCJ,EAAMK,SAAWL,EAAMK,SAAW,W,q+ICDrFC,EAAIC,OAAOC,IAGF,qBACX,OACI,aACI,kEACA,EAAC,IAAD,CAASJ,MAAO,gBACZ,EAAC,IAAD,CAAOA,MAAO,YACV,YACI,YAAI,OAAGK,KAAM,mCAAT,0BAGZ,EAAC,IAAD,CAAOL,MAAO,YACV,yBACe,oCADf,uBAC+D,WAAG,OAC9DK,KAAM,4EADwD,uCADlE,OAOR,EAAC,IAAD,CAASL,MAAO,SACZ,EAAC,IAAD,CAAOA,MAAO,WACV,YACI,gDACA,2BAGR,EAAC,IAAD,CAAOA,MAAO,WACV,YACI,YAAI,EAAC,IAAD,CAAOM,GAAI,gBACf,YAAI,EAAC,IAAD,CAAOA,GAAI,gBACf,YAAI,EAAC,IAAD,CAAOA,GAAI,mBAI3B,EAAC,IAAD,CAASN,MAAO,WACZ,EAAC,IAAD,CAAOA,MAAO,UACV,qHAIA,qBACW,OAAGK,KAAM,uDAAT,aADX,MAC2F,OACvFA,KAAM,qCADiF,oBAD3F,KAIA,sDAC4C,OACxCA,KAAM,sCADkC,UAD5C,wBAE+E,OAC3EA,KAAM,6DADqE,kBAF/E,KAKA,WACI,OAAGP,MAAO,uBAAuB,OAAGO,KAAM,0BAAT,+CAK7C,EAAC,IAAD,CAASL,MAAO,oBACZ,EAAC,IAAD,CAAOA,MAAO,cACV,8DACoD,kDADpD,KAGA,mJAIA,EAAC,IAAD,KACI,WACI,OAAGK,KAAM,sDAAsD,iCADnE,iKAOR,EAAC,IAAD,CAAOL,MAAO,QACV,WACI,oBADJ,+CAGA,uCAC6B,oBAAS,iCADtC,MAIJ,EAAC,IAAD,CAAOA,MAAO,cACV,iBACO,2BADP,4BAGA,iEAIJ,EAAC,IAAD,CAAOA,MAAO,gCACV,iCACuB,qCADvB,qDAIA,EAAC,IAAD,uJAIA,EAAC,IAAD,sEACkE,OAC9DK,KAAM,2DADwD,wBADlE,IAE8F,OAC1FA,KAAM,+DADoF,gCAMtG,EAAC,IAAD,CAASL,MAAO,mBACZ,EAAC,IAAD,CAAOA,MAAO,cACV,mEACyD,+BADzD,MAIJ,EAAC,IAAD,CAAOA,MAAO,QACV,WACI,kCADJ,2BAGA,8BAGA,YACI,YAAI,sBAAJ,KAAoB,yBAApB,sBACA,YAAI,wBAAJ,KAAsB,wBAAtB,sBACA,YAAI,OAAGK,KAAM,gDAAgD,0BAEjE,+BACqB,EAAC,IAAD,KAASH,EAAT,MADrB,kCAGA,YACI,YAAI,8BAAJ,iBAAwC,0BACxC,YAAI,gCAAJ,iBAA0C,yBAC1C,YAAI,oBAAJ,uEACA,YAAI,2BAAJ,0DAEJ,kEAGA,YACI,YAAI,mBAAJ,kDAEJ,EAAC,IAAD,+BAC2B,OAAGG,KAAM,kDAAT,oBAD3B,MAKJ,EAAC,IAAD,CAAOL,MAAO,cACV,qEAGA,mDACyC,8BADzC,WACuE,0BADvE,KAGA,wCAC8B,+BAD9B,OAKR,EAAC,IAAD,CAASA,MAAO,UACZ,EAAC,IAAD,CAAOA,MAAO,+BACV,mBACS,sBADT,qCAGA,YACI,YAAI,wBAAJ,oDACA,YAAI,yBAAJ,kDAAoE,yBAApE,mCAGA,YAAI,0BAAJ,oEACA,YAAI,wBAAJ,gEAGR,EAAC,IAAD,CAAOA,MAAO,8BACV,6CACmC,+BADnC,uCAGA,YACI,0BACA,0BACA,wBACA,wBACA,yBACA,uBAEJ,EAAC,IAAD,qFAIJ,EAAC,IAAD,CAAOA,MAAO,8BACV,kDAGA,YACI,YAAI,uBAAJ,kDACA,YACI,yBADJ,2CAEI,EAAC,IAAD,+IAKJ,YACI,0BADJ,mDAEI,EAAC,IAAD,KACI,8BADJ,kCACyD,aACrD,8BAFJ,6CAKJ,YACI,0BADJ,sFAGI,EAAC,IAAD,KACI,mCADJ,8GAQhB,EAAC,IAAD,CAASA,MAAO,yBACZ,EAAC,IAAD,CAAOA,MAAO,aACV,8FAGA,EAAC,IAAD,6DAKR,EAAC,IAAD,CAASA,MAAO,0BACZ,EAAC,IAAD,CAAOA,MAAO,UACV,wCAC8B,uCAD9B,eAGA,YACI,YAAI,0BAAJ,8CAAiE,uBACjE,YAAI,uBAAJ,eAA+B,uBAA/B,oCACA,YAAI,sCAAJ,wCAAuE,mCAAvE,KACe,qBADf,eACwC,uBADxC,KACyD,qBADzD,cAEQ,yBAFR,cAEoC,wBAFpC,KAIA,YAAI,sBAAJ,sBAAqC,qBAArC,yDAKR,EAAC,IAAD,CAAOA,MAAO,iBACV,wCAC8B,+CAD9B,kBAGA,YACI,YAAI,0BAAJ,iDACA,YAAI,yBAAJ,+FAKR,EAAC,IAAD,CAAOA,MAAO,cACV,wCAC8B,2CAD9B,eAGA,YACI,YAAI,wBAAJ,+CAAgE,gCAChE,YAAI,uBAAJ,yEAIZ,EAAC,IAAD,CAASA,MAAO,wBACZ,EAAC,IAAD,CAAOA,MAAO,YACV,YACI,YAAI,4BAAJ,qHAGA,YAAI,+BAAJ,yEAIR,EAAC,IAAD,CAAOA,MAAO,YACV,kGAGA,0BAGA,YACI,YAAI,OAAGO,MAAO,QAAV,YAAJ,yDACA,YAAI,OAAGA,MAAO,OAAV,YAAJ,8DAGR,EAAC,IAAD,CAAOP,MAAO,sBACV,4BACkB,wBADlB,oEAGA,6HAMR,EAAC,IAAD,CAASA,MAAO,cACZ,EAAC,IAAD,CAAOA,MAAO,sBACV,kGAEO,yBAFP,sBAKJ,EAAC,IAAD,CAAOA,MAAO,WACV,yCAC+B,4CAD/B,oHAKJ,EAAC,IAAD,CAAOA,MAAO,aACV,WACI,iCADJ,qDAIJ,EAAC,IAAD,CAAOA,MAAO,eACV,iBACO,mCADP,wCAIJ,EAAC,IAAD,CAAOA,MAAO,aACV,qCAC2B,uDAD3B,eAGA,0BACgB,oCADhB,oBAIJ,EAAC,IAAD,CAAOA,MAAO,aACV,4BACkB,wCADlB,6LAKA,mKAKJ,EAAC,IAAD,CAAOA,MAAO,UACV,WACI,iCADJ,oFAEa,0BAFb,KAIA,6EACmE,2CADnE,gDAE6D,2BAF7D,kDAMJ,EAAC,IAAD,CAAOA,MAAO,yBACV,sHAIA,sDAC4C,wBAD5C,kBAC2E,oCAD3E,sEAMR,EAAC,IAAD,CAASA,MAAO,4BACZ,EAAC,IAAD,CAAOA,MAAO,cACV,gHAIA,8BACoB,6BADpB,cAEO,uBAFP,KAEwB,wBAFxB,MAE2C,wBAF3C,OAMR,EAAC,IAAD,KACI,EAAC,IAAD,CAAOA,MAAO,kBACV,oCAC0B,wBAD1B,gBAGA,+CACqC,yBADrC,uGAE0D,qBAF1D,MAIA,EAAC,IAAD,qGAIJ,EAAC,IAAD,CAAOA,MAAO,YACV,WACI,oCADJ,yCAES,uBAFT,OAE4B,wBAF5B,MAE+C,6BAF/C,OAGM,wBAHN,OAG0B,6BAH1B,OAGmD,wBAHnD,MAMJ,EAAC,IAAD,CAAOA,MAAO,aACV,WACI,sBADJ,kFAEO,uBAFP,MAKJ,EAAC,IAAD,CAAOA,MAAO,aACV,WACI,qBADJ,sBACoC,uBADpC,oDAKR,EAAC,IAAD,KACI,EAAC,IAAD,CAAOA,MAAO,SACV,iBACO,wBADP,sCAGA,+EAGA,EAAC,IAAD,mEAIJ,EAAC,IAAD,CAAOA,MAAO,eACV,iBACO,iEADP,wCAGA,aAIJ,EAAC,IAAD,CAAOA,MAAO,OACV,WACI,uBADJ,iDAGA,0BACgB,sDADhB,yFAIA,EAAC,IAAD,6EAKR,EAAC,IAAD,KACI,EAAC,IAAD,CAAOA,MAAO,kBACV,oJAKJ,EAAC,IAAD,CAAOA,MAAO,kBACV,kKAMR,EAAC,IAAD,CAASA,MAAO,gBACZ,EAAC,IAAD,CAAOA,MAAO,WACV,iCACuB,kCADvB,YAC0D,sBAD1D,gBAEM,uBAFN,OAEyB,uBAFzB,IAEyC,sBAFzC,mBAIA,2DACiD,0BADjD,0DAIA,qEAC2D,2CAD3D,uBAEsB,uBAFtB,kBAMR,EAAC,IAAD,CAASA,MAAO,oBACZ,EAAC,IAAD,CAAOA,MAAO,UACV,iFACuE,kCADvE,KAEkB,EAAC,IAAD,cAFlB,kEAIA,oCAC0B,OAAGK,KAAM,kDAAT,oBAD1B,0BAEwC,OAAGA,KAAM,8CAAT,gBAFxC,qBAKA,EAAC,IAAD,yDACqD,+CADrD,wFAKJ,EAAC,IAAD,CAAOL,MAAO,WACV,wBACc,0BADd,eAC4C,EAAC,IAAD,MAD5C,UAC0D,qCAD1D,QAEoB,EAAC,IAAD,MAFpB,iBAEyC,oCAFzC,MAKJ,EAAC,IAAD,CAAOA,MAAO,uBACV,mCACyB,wBADzB,UACgD,6BADhD,sEAMR,EAAC,IAAD,CAASA,MAAO,yCACZ,EAAC,IAAD,CAAOA,MAAO,OACV,gEACsD,EAAC,IAAD,KAASE,EAAT,MADtD,MAIJ,EAAC,IAAD,CAAOF,MAAO,MACV,sEAC4D,EAAC,IAAD,KAASE,EAAT,MAD5D,MAIJ,EAAC,IAAD,CAAOF,MAAO,OACV,sEAEc,EAAC,IAAD,KAASE,EAAT,MAFd,OAMR,EAAC,IAAD,CAASF,MAAO,uBACZ,EAAC,IAAD,CAAOA,MAAO,UACV,mIAIA,oCAC0B,OAAGK,KAAM,+CAAT,iBAD1B,sBAIA,EAAC,IAAD,6FAIJ,EAAC,IAAD,KACI,eACA,YACI,YAAI,UAAML,MAAO,qBAAb,MACJ,YAAI,UAAMA,MAAO,8BAAb,MACJ,2BAGJ,eACA,YACI,aACA,YAAI,EAAC,IAAD,KAASE,EAAT,OACJ,YAAI,EAAC,IAAD,aAAJ,aAEJ,YACI,aACA,YAAI,EAAC,IAAD,KAASA,EAAT,MAAJ,KAA6B,EAAC,IAAD,KAASA,EAAT,OAC7B,uDAEJ,YACI,YAAI,EAAC,IAAD,KAASA,EAAT,OACJ,YAAI,EAAC,IAAD,KAASA,EAAT,OACJ,kDAAuC,EAAC,IAAD,KAASA,EAAT,MAAvC,UAAqE,EAAC,IAAD,KAASA,EAAT,QAGzE,YACI,YAAI,EAAC,IAAD,KAASA,EAAT,OACJ,YAAI,EAAC,IAAD,KAASA,EAAT,OACJ,oDAEJ,YACI,YAAI,EAAC,IAAD,KAASA,EAAT,OACJ,YAAI,EAAC,IAAD,KAASA,EAAT,OACJ,wCAEJ,YACI,YAAI,EAAC,IAAD,KAASA,EAAT,OACJ,YAAI,EAAC,IAAD,KAASA,EAAT,OACJ,mDAEJ,YACI,aACA,YAAI,EAAC,IAAD,KAASA,EAAT,OACJ,oCAEJ,YACI,YAAI,EAAC,IAAD,KAASA,EAAT,OACJ,YAAI,EAAC,IAAD,KAASA,EAAT,OACJ,kDAEJ,YACI,aACA,YAAI,EAAC,IAAD,KAASA,EAAT,OACJ,mDAKZ,EAAC,IAAD,KACI,EAAC,IAAD,CAAOF,MAAO,aACV,sBACY,EAAC,IAAD,MADZ,gBAGA,YACI,wBAAa,EAAC,IAAD,KAASE,EAAT,MAAb,qBAAsD,EAAC,IAAD,MAAtD,eAAyE,8BAAzE,+BAGA,wBAAa,EAAC,IAAD,KAASA,EAAT,MAAb,qBAAsD,EAAC,IAAD,MAAtD,eAAyE,yBAAzE,6BAGA,mDAAwC,EAAC,IAAD,MAAxC,eAA2D,2BAA3D,iCAKR,EAAC,IAAD,CAAOF,MAAO,WACV,WACI,oBADJ,mEAGA,oEAGA,8BACoB,mCADpB,0BACsE,EAAC,IAAD,KAASE,EAAT,MADtE,MAIJ,EAAC,IAAD,CAAOF,MAAO,WACV,gIAIA,EAAC,IAAD,KAASE,EAAT,QAKR,EAAC,IAAD,KACI,EAAC,IAAD,CAAOF,MAAO,0BACV,gFAGA,uLAIA,iEAES,EAAC,IAAD,KAASE,EAAT,MAFT,MAEmC,EAAC,IAAD,KAASA,EAAT,MAFnC,iDAKA,EAAC,IAAD,KAASA,EAAT,MAGA,EAAC,IAAD,mFAIJ,EAAC,IAAD,CAAOF,MAAO,aACV,2GAGA,oEAC0D,uDAD1D,gDAIA,WACI,EAAC,IAAD,+HAIR,EAAC,IAAD,CAAOA,MAAO,0BACV,mEAGA,EAAC,IAAD,KAASE,EAAT,OAIJ,EAAC,IAAD,CAAOF,MAAO,gBACV,yGAGA,6GAGA,EAAC,IAAD,KACKE,EADL,OAIJ,EAAC,IAAD,CAAOF,MAAO,aACV,8FACoF,wBADpF,2GAOR,EAAC,IAAD,CAASA,MAAO,yBACZ,EAAC,IAAD,CAAOA,MAAO,UACV,qFAC2E,oCAD3E,KAIA,gFAIJ,EAAC,IAAD,KACI,eACA,YACI,uBACA,6BAGJ,eACA,YACI,YAAI,EAAC,IAAD,KAASE,EAAT,OACJ,qDAEJ,YACI,YAAI,EAAC,IAAD,KAASA,EAAT,OACJ,+CAEJ,YACI,YAAI,EAAC,IAAD,KAASA,EAAT,OACJ,kDAAuC,EAAC,IAAD,KAASA,EAAT,MAAvC,UAAqE,EAAC,IAAD,KAASA,EAAT,QAGzE,YACI,YAAI,EAAC,IAAD,KAASA,EAAT,OACJ,qCAA0B,EAAC,IAAD,KAASA,EAAT,QAE9B,YACI,YAAI,EAAC,IAAD,KAASA,EAAT,OACJ,wFAEJ,YACI,YAAI,EAAC,IAAD,KAASA,EAAT,OACJ,gDAEJ,YACI,YAAI,EAAC,IAAD,KAASA,EAAT,OACJ,sCAKZ,EAAC,IAAD,KACI,EAAC,IAAD,CAAOF,MAAO,eACV,kBACQ,2BADR,6DAGA,6EACmE,EAAC,IAAD,KAASE,EAAT,MADnE,KAGA,EAAC,IAAD,KAASA,EAAT,MAGA,WACI,EAAC,IAAD,KAASA,EAAT,MADJ,wCACgE,mBADhE,qEAKJ,EAAC,IAAD,CAAOF,MAAO,wBACV,6DAGA,EAAC,IAAD,KAASE,EAAT,OAQJ,EAAC,IAAD,CAAOF,MAAO,iBACV,2DAGA,kNAKA,iGACuF,OACnFK,KAAM,iDAD6E,mBADvF,mGAOR,EAAC,IAAD,CAASL,MAAO,qBACZ,EAAC,IAAD,CAAOA,MAAO,UACV,8CACoC,sCADpC,KAGA,4EACkE,+BADlE,UACgG,4BADhG,U,2DCtxBpB,qCAEe,aAAUJ,GACrB,OACI,SAAKW,MAAOT,IAAMU,SACbZ,EAAMK,a,yCCJnBP,EAAOC,QAAU,CAAC,IAAM,aAAa,OAAS,gBAAgB,OAAS,gBAAgB,KAAO,cAAc,KAAO,cAAc,KAAO,cAAc,QAAU,iBAAiB,KAAO","file":"route-ApprendimentoSistemiArtificiali.chunk.bc31d.js","sourcesContent":["// extracted by mini-css-extract-plugin\nmodule.exports = {\"red\":\"red__2y1B_\",\"orange\":\"orange__dD2kx\",\"yellow\":\"yellow__OEpwl\",\"lime\":\"lime__CVe41\",\"cyan\":\"cyan__26ZAg\",\"blue\":\"blue__LO7Xm\",\"magenta\":\"magenta__1Akee\",\"example\":\"example__2PzAa\"};","import style from \"./Styles.less\";\n\nexport default function (props) {\n    return (\n        <abbr className={style.tick}\n              title={\"Un quanto di tempo del sistema.\"}>{props.children ? props.children : \"tick\"}</abbr>\n    );\n}\n","import {BLatex, ILatex, Panel, PLatex, Section, TablePanel, Timer, Todo} from \"bluelib\";\nimport Example from \"../components/Example\";\nimport Tick from \"../components/ApprendimentoSistemiArtificiali/Tick\";\n\nconst r = String.raw;\n\n\nexport default function (props) {\n    return (\n        <div>\n            <h1>Apprendimento ed evoluzione in sistemi artificiali</h1>\n            <Section title={\"Informazioni\"}>\n                <Panel title={\"Contatti\"}>\n                    <ul>\n                        <li><a href={\"mailto:marco.villani@unimore.it\"}>Prof. Marco Villani</a></li>\n                    </ul>\n                </Panel>\n                <Panel title={\"Archivio\"}>\n                    <p>\n                        Se sei uno <b>studente dell'Unimore</b>, puoi accedere all'<b><a\n                        href={\"https://drive.google.com/drive/folders/1GcjP1Z5UtRjyAag7qjFQ-kx3s06G8ZoP\"}>archivio del\n                        corso su Google Drive</a></b>.\n                    </p>\n                </Panel>\n            </Section>\n            <Section title={\"Esame\"}>\n                <Panel title={\"Scritto\"}>\n                    <ul>\n                        <li>Scegli 2 tra 6 domande possibili</li>\n                        <li>90 minuti</li>\n                    </ul>\n                </Panel>\n                <Panel title={\"Appelli\"}>\n                    <ol>\n                        <li><Timer to={\"2020-06-23\"}/></li>\n                        <li><Timer to={\"2020-07-08\"}/></li>\n                        <li><Timer to={\"2020-07-22\"}/></li>\n                    </ol>\n                </Panel>\n            </Section>\n            <Section title={\"NetLogo\"}>\n                <Panel title={\"Cos'è?\"}>\n                    <p>\n                        NetLogo è un software di modellazione sistemi multiagente, da noi usato per le lezioni di\n                        laboratorio.\n                    </p>\n                    <p>\n                        Si può <a href={\"https://ccl.northwestern.edu/netlogo/download.shtml\"}>scaricare</a> o <a\n                        href={\"https://www.netlogoweb.org/launch\"}>usare da browser</a>.\n                    </p>\n                    <p>\n                        Il suo codice sorgente è disponibile su <a\n                        href={\"https://github.com/NetLogo/NetLogo\"}>GitHub</a>, e ha una pagina di <a\n                        href={\"https://ccl.northwestern.edu/netlogo/docs/dictionary.html\"}>documentazione</a>.\n                    </p>\n                    <p>\n                        <b style={\"font-size: x-large;\"}><a href={\"/apprendimento/netlogo\"}>Consulta i miei appunti su\n                            NetLogo qui!</a></b>\n                    </p>\n                </Panel>\n            </Section>\n            <Section title={\"Sistemi dinamici\"}>\n                <Panel title={\"Cosa sono?\"}>\n                    <p>\n                        Sistemi naturali o artificiali che si basano su <b>leggi reversibili e deterministiche</b>.\n                    </p>\n                    <p>\n                        In natura, alcuni leggi possono sembrare irreversibili a livello macroscopico, ma sono in realtà\n                        reversibili a livello microscopico.\n                    </p>\n                    <Example>\n                        <p>\n                            <a href={\"https://it.wikipedia.org/wiki/Modello_di_Ehrenfest\"}><u>Urne di Ehrenfest</u></a>:\n                            due urne con N palline; estraggo una pallina da una urna casuale ad ogni passo e la sposto\n                            nell'altra; con tante palline il sistema appare irreversibile.\n                        </p>\n                    </Example>\n                </Panel>\n                <Panel title={\"Fasi\"}>\n                    <p>\n                        <b>Stati</b> in cui si può trovare un sistema dinamico.\n                    </p>\n                    <p>\n                        Tutte insieme formano lo <i>(iper)<b>spazio delle fasi</b></i>.\n                    </p>\n                </Panel>\n                <Panel title={\"Attrattore\"}>\n                    <p>\n                        Lo <b>stato finale</b> di un sistema dinamico.\n                    </p>\n                    <p>\n                        Tutte le fasi tendono a uno specifico attrattore.\n                    </p>\n                </Panel>\n                <Panel title={\"Elaborazione di informazione\"}>\n                    <p>\n                        I sistemi dinamici <b>elaborano informazione</b> attraversando fasi e raggiungendo un\n                        attrattore.\n                    </p>\n                    <Example>\n                        L'evoluzione biologica crea nuove specie partendo da quelle precedenti di maggiore successo fino\n                        a quando non si raggiunge la specie perfetta.\n                    </Example>\n                    <Example>\n                        Si può vedere l'universo come un gigantesco sistema dinamico. <a\n                        href={\"https://it.wikipedia.org/wiki/Ipotesi_della_simulazione\"}>Che sia artificiale?</a> <a\n                        href={\"https://it.wikipedia.org/wiki/Morte_termica_dell%27universo\"}>Qual è il suo\n                        attrattore?</a>\n                    </Example>\n                </Panel>\n            </Section>\n            <Section title={\"Sistemi lineari\"}>\n                <Panel title={\"Cosa sono?\"}>\n                    <p>\n                        Sistemi dinamici i cui cambiamenti sono descritti da <b>funzioni lineari</b>.\n                    </p>\n                </Panel>\n                <Panel title={\"Nodi\"}>\n                    <p>\n                        <b>Situazioni iniziali</b> di un sistema lineare.\n                    </p>\n                    <p>\n                        Possono essere:\n                    </p>\n                    <ul>\n                        <li><u>Stabili</u>: <b>convergono</b> ad un punto fisso</li>\n                        <li><u>Instabili</u>: <b>divergono</b> da un punto fisso</li>\n                        <li><a href={\"https://it.wikipedia.org/wiki/Punto_di_sella\"}><u>Di sella</u></a></li>\n                    </ul>\n                    <p>\n                        Nell'insieme dei <ILatex>{r`\\mathbb{C}`}</ILatex> possono anche dare origine a:\n                    </p>\n                    <ul>\n                        <li><u>Spirali stabili</u>: spirali che <b>convergono</b></li>\n                        <li><u>Spirali instabili</u>: spirali che <b>divergono</b></li>\n                        <li><u>Cicli</u>: il sistema forma un ciclo diverso in base alla posizione del nodo</li>\n                        <li><u>Cicli limite</u>: il sistema evolve fino a formare un ciclo specifico</li>\n                    </ul>\n                    <p>\n                        Infine, in sistemi dissipativi può anche comparire:\n                    </p>\n                    <ul>\n                        <li><u>Caos</u>: il sistema evolve in maniera pseudo-casuale</li>\n                    </ul>\n                    <Example>\n                        Mai sentito parlare di <a href={\"https://en.wikipedia.org/wiki/Mersenne_Twister\"}>Mersenne\n                        Twister</a>?\n                    </Example>\n                </Panel>\n                <Panel title={\"Potenziale\"}>\n                    <p>\n                        Funzione che rappresenta lo stato attuale del sistema.\n                    </p>\n                    <p>\n                        Gli attrattori coincidono con i suoi <b>punti di minimo</b>, detti <i>punti fissi</i>.\n                    </p>\n                    <p>\n                        Il suo complementare è la <b>funzione energia</b>.\n                    </p>\n                </Panel>\n            </Section>\n            <Section title={\"Agenti\"}>\n                <Panel title={\"Secondo il paradigma debole\"}>\n                    <p>\n                        Sono <b>sistemi</b> con le seguenti caratteristiche:\n                    </p>\n                    <ul>\n                        <li><b>Autonomia</b>: agiscono gli uni indipendentemente dagli altri</li>\n                        <li><b>Reattività</b>: percepiscono ciò che sta nel loro ambiente e <i>reagiscono</i> ai\n                            cambiamenti di quest'ultimo\n                        </li>\n                        <li><b>Proattività</b>: agiscono in maniera tale da portare a termine i loro obiettivi</li>\n                        <li><b>Socialità</b>: comunicano con gli altri agenti, scambiando informazioni</li>\n                    </ul>\n                </Panel>\n                <Panel title={\"Secondo il paradigma forte\"}>\n                    <p>\n                        Hanno anche caratteristiche di <b>livello più alto</b> derivate dalle quattro precedenti:\n                    </p>\n                    <ul>\n                        <li>Conoscenza</li>\n                        <li>Intenzioni</li>\n                        <li>Emozioni</li>\n                        <li>Obblighi</li>\n                        <li>Obiettivi</li>\n                        <li>etc...</li>\n                    </ul>\n                    <Example>\n                        Gli umani possono benissimo essere considerati agenti del sistema universo.\n                    </Example>\n                </Panel>\n                <Panel title={\"Caratteristiche aggiuntive\"}>\n                    <p>\n                        Gli agenti si distinguono anche in:\n                    </p>\n                    <ul>\n                        <li><b>Mobilità</b>: quanto e come possono muoversi nell'ambiente</li>\n                        <li>\n                            <b>Veridicità</b>: quanto producono informazioni corrette\n                            <Example>\n                                È possibile effettuare un attacco a un sistema introducendovi agenti maliziosi che\n                                producono intenzionalmente informazioni sbagliate!\n                            </Example>\n                        </li>\n                        <li>\n                            <b>Benevolenza</b>: quanto beneficiano gli altri delle loro azioni\n                            <Example>\n                                <u>Agenti malevoli</u>: ad esempio, troll in siti web<br/>\n                                <u>Agenti benevoli</u>: ad esempio, filtri che bannano i troll\n                            </Example>\n                        </li>\n                        <li>\n                            <b>Razionalità</b>: quanto le loro azioni sono coerenti con i loro obiettivi e lo stato\n                            dell'ambiente\n                            <Example>\n                                <u>Razionalità limitata</u>: gli agenti non conoscono completamente l'ambiente, e\n                                compiono le azioni che suppongono essere giuste\n                            </Example>\n                        </li>\n                    </ul>\n                </Panel>\n            </Section>\n            <Section title={\"Benefici degli agenti\"}>\n                <Panel title={\"Emergenza\"}>\n                    <p>\n                        Lo sviluppo negli agenti di nuove capacità per cui non erano stati programmati.\n                    </p>\n                    <Example>\n                        Ad esempio, la Swarm Intelligence, descritta dopo!\n                    </Example>\n                </Panel>\n            </Section>\n            <Section title={\"Architetture di agente\"}>\n                <Panel title={\"Classe\"}>\n                    <p>\n                        Classificazione in base a <b>come prende le decisioni</b> un agente:\n                    </p>\n                    <ul>\n                        <li><b>Logic-based</b>: prende le decisioni attraverso deduzioni <i>logiche</i></li>\n                        <li><b>Reactive</b>: mappa una <i>reazione</i> a ogni situazione dell'ambiente</li>\n                        <li><b>Belief-desire-intention</b>: per decidere, considera le proprie <i>assunzioni sul\n                            mondo</i> (<i>belief</i>), i propri <i>desideri</i> (<i>desire</i>) e le\n                            sue <i>intenzioni</i> correnti (<i>intention</i>)\n                        </li>\n                        <li><b>Layered</b>: utilizza diversi <i>strati</i> di capacità cognitive per giungere a una\n                            decisione\n                        </li>\n                    </ul>\n                </Panel>\n                <Panel title={\"Comportamento\"}>\n                    <p>\n                        Classificazione in base a <b>come sono definiti gli obiettivi</b> di un agente:\n                    </p>\n                    <ul>\n                        <li><b>Teleonomico</b>: gli obiettivi sono predefiniti ed espliciti</li>\n                        <li><b>Riflessivo</b>: l'agente è libero di scegliere il suo obiettivo in base alle proprie\n                            percezioni interne\n                        </li>\n                    </ul>\n                </Panel>\n                <Panel title={\"Conoscenze\"}>\n                    <p>\n                        Classificazione in base a <b>quanto conosce dell'ambiente</b> un agente:\n                    </p>\n                    <ul>\n                        <li><b>Cognitivo</b>: l'agente è immediatamente a conoscenza di <b>tutto l'ambiente</b></li>\n                        <li><b>Reattivo</b>: l'agente deve scoprire l'ambiente con le sue capacità sensoriali</li>\n                    </ul>\n                </Panel>\n            </Section>\n            <Section title={\"Sistemi multi-agente\"}>\n                <Panel title={\"Vantaggi\"}>\n                    <ul>\n                        <li><b>Distribuzione</b>: più agenti possono coprire aree di ambiente più vaste, o elaborare più\n                            in fretta zone più dense di informazione\n                        </li>\n                        <li><b>Rappresentazione</b>: i sistemi multi-agente modellano più accuratamente il mondo reale\n                        </li>\n                    </ul>\n                </Panel>\n                <Panel title={\"Feedback\"}>\n                    <p>\n                        Influenza esercitata dal sistema sugli agenti per guidarli verso il loro obiettivo.\n                    </p>\n                    <p>\n                        Può essere:\n                    </p>\n                    <ul>\n                        <li><b class={\"lime\"}>Positivo</b>: incentiva gli agenti ad avere un dato comportamento</li>\n                        <li><b class={\"red\"}>Negativo</b>: disincentiva gli agenti ad avere un dato comportamento</li>\n                    </ul>\n                </Panel>\n                <Panel title={\"Swarm intelligence\"}>\n                    <p>\n                        Comportamento <b>emergente</b> che si manifesta nei sistemi multiagente con tantissimi agenti.\n                    </p>\n                    <p>\n                        Indica la capacità di risoluzione di problemi complessi attraverso la collaborazione di più\n                        agenti semplici.\n                    </p>\n                </Panel>\n            </Section>\n            <Section title={\"Evoluzione\"}>\n                <Panel title={\"Algoritmi genetici\"}>\n                    <p>\n                        Meccanismi simili a quelli evolutivi umani che permettono ai tratti degli agenti\n                        di <b>convergere</b> verso un valore.\n                    </p>\n                </Panel>\n                <Panel title={\"Fitness\"}>\n                    <p>\n                        Inizialmente definita come <b>numero di discendenti fertili</b>, solitamente indica quanto è\n                        probabile che i tratti di un individuo siano passati alla generazione successiva.\n                    </p>\n                </Panel>\n                <Panel title={\"Cromosoma\"}>\n                    <p>\n                        <b>Sequenza di valori</b> che definisce uno o più tratti di un individuo.\n                    </p>\n                </Panel>\n                <Panel title={\"Popolazione\"}>\n                    <p>\n                        Un <b>insieme di individui</b> aventi tutti gli stessi cromosomi.\n                    </p>\n                </Panel>\n                <Panel title={\"Mutazione\"}>\n                    <p>\n                        Fenomeno che causa una <b>piccola variazione casuale nei cromosomi</b> dei figli.\n                    </p>\n                    <p>\n                        Previene la <b>convergenza prematura</b> in un sistema.\n                    </p>\n                </Panel>\n                <Panel title={\"Crossover\"}>\n                    <p>\n                        Meccanismo di <b>costruzione dei cromosomi</b> in un figlio: i cromosomi dei genitori vengono\n                        tagliati nello stesso punto scelto a caso, e per costruire quelli del figlio viene presa una\n                        parte dal padre e l'altra parte dalla madre.\n                    </p>\n                    <p>\n                        Può portare al miglioramento di un individuo e allo sviluppo di nuovi tratti, ma solo nelle\n                        parti di cromosoma che sono diverse tra i due genitori.\n                    </p>\n                </Panel>\n                <Panel title={\"Schema\"}>\n                    <p>\n                        <b>Sequenza di valori</b> all'interno di un cromosoma, che può includere anche sezioni in cui il\n                        valore è <b>irrilevante</b>.\n                    </p>\n                    <p>\n                        Gli algoritmi genetici permettono di trovare gli schemi con la <b>fitness più alta in\n                        assoluto</b> in un tempo relativamente breve: il sistema <i>generalmente</i> favorisce gli\n                        schemi corti con fitness alta.\n                    </p>\n                </Panel>\n                <Panel title={\"Convergenza prematura\"}>\n                    <p>\n                        Situazione in cui si è raggiunta una soluzione non-ottimale a causa dell'assenza di novità nel\n                        sistema.\n                    </p>\n                    <p>\n                        Si può impedire con vari metodi: con la <b>mutazione</b>, introducendo <b>requisiti di\n                        località</b> per l'accoppiamento, scegliendo diversamente i genitori, etc...\n                    </p>\n                </Panel>\n            </Section>\n            <Section title={\"Sistema a classificatori\"}>\n                <Panel title={\"Cosa sono?\"}>\n                    <p>\n                        Programmi che dati tanti esempi sono in grado di classificare un elemento in una o più\n                        categorie.\n                    </p>\n                    <p>\n                        Sono formati da <i>classificatori</i>, liste\n                        di <i>messaggi</i>, <i>detettori</i> e <i>effettori</i>.\n                    </p>\n                </Panel>\n            </Section>\n            <Section>\n                <Panel title={\"Classificatori\"}>\n                    <p>\n                        Strutture logiche che <b>elaborano</b> i messaggi.\n                    </p>\n                    <p>\n                        Valutano una espressione logica (<i>condizione</i>) sui messaggi in arrivo, e se questa risulta\n                        essere vera, emettono un nuovo messaggio in risposta (<i>azione</i>).\n                    </p>\n                    <Example>\n                        Condizione e azione possono essere considerati come due cromosomi di un algoritmo genetico!\n                    </Example>\n                </Panel>\n                <Panel title={\"Messaggi\"}>\n                    <p>\n                        <b>Unità di informazione</b> di un sistema a classificatori:\n                        sono <b>generati</b> da <i>detettori</i> e <i>classificatori</i>,\n                        e <b>consumati</b> da <i>classificatori</i> ed <i>effettori</i>.\n                    </p>\n                </Panel>\n                <Panel title={\"Detettori\"}>\n                    <p>\n                        <b>Sensori</b> che percepiscono lo stato dell'ambiente esterno e lo riportano sotto forma\n                        di <i>messaggi</i>.\n                    </p>\n                </Panel>\n                <Panel title={\"Effettori\"}>\n                    <p>\n                        <b>Motori</b> che rispondono ai <i>messaggi</i> effettuando una qualche azione nell'ambiente.\n                    </p>\n                </Panel>\n            </Section>\n            <Section>\n                <Panel title={\"Forza\"}>\n                    <p>\n                        Un <b>punteggio</b> associato ad ogni classificatore.\n                    </p>\n                    <p>\n                        Più un classificatore viene attivato, più la sua forza crescerà.\n                    </p>\n                    <Example>\n                        I classificatori più deboli vengono lentamente eliminati!\n                    </Example>\n                </Panel>\n                <Panel title={\"Specificità\"}>\n                    <p>\n                        Il <b>numero di condizioni che devono essere soddisfatte</b> perchè il classificatore si attivi.\n                    </p>\n                    <p>\n\n                    </p>\n                </Panel>\n                <Panel title={\"Bid\"}>\n                    <p>\n                        <b>Prodotto</b> di specificità e forza di un classificatore.\n                    </p>\n                    <p>\n                        Rappresenta <b>quanto è probabile che venga utilizzato</b> un dato classificatore nel caso che\n                        le condizioni di più di uno vengano soddisfatte.\n                    </p>\n                    <Example>\n                        È la fitness degli algoritmi genetici applicata ai classificatori.\n                    </Example>\n                </Panel>\n            </Section>\n            <Section>\n                <Panel title={\"Cover Detector\"}>\n                    <p>\n                        Se l'input non soddisfa nessun classificatore esistente, se ne crea uno nuovo soddisfatto\n                        dall'input attuale con una azione casuale.\n                    </p>\n                </Panel>\n                <Panel title={\"Cover Effector\"}>\n                    <p>\n                        Se i classificatori emettono in output un messaggio non valido, si crea un nuovo classificatore\n                        che trasforma quel messaggio in un output valido.\n                    </p>\n                </Panel>\n            </Section>\n            <Section title={\"Reti neurali\"}>\n                <Panel title={\"Neuroni\"}>\n                    <p>\n                        Agenti che possono <b>collegarsi tra loro</b> tramite <i>sinapsi</i> (dirette)\n                        e <b>ricevere</b> ed <b>emettere</b> <i>impulsi</i> lungo di esse.\n                    </p>\n                    <p>\n                        Gli impulsi ricevuti vengono temporaneamente <b>memorizzati</b> dal neurone attraverso valori\n                        che decadono nel tempo.\n                    </p>\n                    <p>\n                        Se la somma dei valori di tutti gli impulsi ricevuti è <b>maggiore di una certa soglia</b>,\n                        allora il neurone <b>emetterà</b> un impulso.\n                    </p>\n                </Panel>\n            </Section>\n            <Section title={\"Modello booleano\"}>\n                <Panel title={\"Cos'è?\"}>\n                    <p>\n                        Un modello semplificato di rete neurale in cui vengono considerati <b>solo tempi\n                        discreti</b> (<Tick>ticks</Tick>), e non è presente la memorizzazione degli impulsi nel tempo.\n                    </p>\n                    <p>\n                        È stato sviluppato da <a href={\"https://it.wikipedia.org/wiki/Warren_McCulloch\"}>Warren\n                        McCulloch</a> (un neurofisiologo) e <a href={\"https://it.wikipedia.org/wiki/Walter_Pitts\"}>Walter\n                        Pitts</a> (un matematico).\n                    </p>\n                    <Example>\n                        È importante perchè dimostra che le reti neurali <b>possono elaborare qualsiasi cosa</b>, ma\n                        incompleto perchè non descrive nessun metodo per la loro creazione automatica.\n                    </Example>\n                </Panel>\n                <Panel title={\"Neuroni\"}>\n                    <p>\n                        I neuroni <b>si attivano</b> in un dato <Tick/> se la <b>somma dei loro\n                        impulsi</b> nel <Tick/> precedente è <b>maggiore o uguale a 1</b>.\n                    </p>\n                </Panel>\n                <Panel title={\"Intensità sinaptica\"}>\n                    <p>\n                        Le sinapsi hanno una <i>intensità</i>: è un <b>moltiplicatore</b> che viene applicato a tutti\n                        gli impulsi transitanti la sinapsi.\n                    </p>\n                </Panel>\n            </Section>\n            <Section title={\"Funzioni logiche nel modello booleano\"}>\n                <Panel title={\"NOT\"}>\n                    <p>\n                        Un neurone con una sinapsi entrante con intensità <ILatex>{r`-1`}</ILatex>.\n                    </p>\n                </Panel>\n                <Panel title={\"OR\"}>\n                    <p>\n                        Un neurone con due o più sinapsi entranti con intensità <ILatex>{r`1`}</ILatex>.\n                    </p>\n                </Panel>\n                <Panel title={\"AND\"}>\n                    <p>\n                        Un neurone con due o più sinapsi entranti con\n                        intensità <ILatex>{r`\\frac{1}{numero\\ sinapsi}`}</ILatex>.\n                    </p>\n                </Panel>\n            </Section>\n            <Section title={\"Modello di Hopfield\"}>\n                <Panel title={\"Cos'è?\"}>\n                    <p>\n                        Un'estensione del modello booleano per permettere l'apprendimento automatico delle\n                        configurazioni giuste di neuroni.\n                    </p>\n                    <p>\n                        È stato sviluppato da <a href={\"https://en.wikipedia.org/wiki/John_Hopfield\"}>John\n                        Hopfield</a> (uno scienziato).\n                    </p>\n                    <Example>\n                        Non è molto avanzato, ma ha portato a ulteriori studi nel campo delle reti neurali.\n                    </Example>\n                </Panel>\n                <TablePanel>\n                    <thead>\n                    <tr>\n                        <th><abbr title={\"Vettore / matrice\"}>v</abbr></th>\n                        <th><abbr title={\"Elemento singolo / scalare\"}>s</abbr></th>\n                        <th>Glossario</th>\n                    </tr>\n                    </thead>\n                    <tbody>\n                    <tr>\n                        <td/>\n                        <td><BLatex>{r`t`}</BLatex></td>\n                        <td><Tick>Tick</Tick> attuale</td>\n                    </tr>\n                    <tr>\n                        <td/>\n                        <td><ILatex>{r`n`}</ILatex>, <ILatex>{r`m`}</ILatex></td>\n                        <td>Identificatore di un neurone specifico</td>\n                    </tr>\n                    <tr>\n                        <td><BLatex>{r`\\mathbf{W}`}</BLatex></td>\n                        <td><BLatex>{r`w_{nm}`}</BLatex></td>\n                        <td>Intensità della sinapsi diretta da <ILatex>{r`n`}</ILatex> verso <ILatex>{r`m`}</ILatex>\n                        </td>\n                    </tr>\n                    <tr>\n                        <td><BLatex>{r`\\mathbf{\\Theta}`}</BLatex></td>\n                        <td><BLatex>{r`\\theta_n`}</BLatex></td>\n                        <td>Soglia di attivazione di un neurone</td>\n                    </tr>\n                    <tr>\n                        <td><BLatex>{r`\\mathbf{X}(t)`}</BLatex></td>\n                        <td><BLatex>{r`x_n(t)`}</BLatex></td>\n                        <td>Emissione di un neurone</td>\n                    </tr>\n                    <tr>\n                        <td><BLatex>{r`\\mathbf{I}(t)`}</BLatex></td>\n                        <td><BLatex>{r`i_n(t)`}</BLatex></td>\n                        <td>Somma degli ingressi di un neurone</td>\n                    </tr>\n                    <tr>\n                        <td/>\n                        <td><BLatex>{r`E`}</BLatex></td>\n                        <td>Energia del sistema</td>\n                    </tr>\n                    <tr>\n                        <td><BLatex>{r`\\mathbf{A}`}</BLatex></td>\n                        <td><BLatex>{r`a_i`}</BLatex></td>\n                        <td>Stato di un neurone in un pattern</td>\n                    </tr>\n                    <tr>\n                        <td/>\n                        <td><BLatex>{r`Q(\\mathbf{A}, \\mathbf{B})`}</BLatex></td>\n                        <td>Sovrapposizione tra due pattern</td>\n                    </tr>\n                    </tbody>\n                </TablePanel>\n            </Section>\n            <Section>\n                <Panel title={\"Emissione\"}>\n                    <p>\n                        In ogni <Tick/>, i neuroni:\n                    </p>\n                    <ul>\n                        <li>Emettono <ILatex>{r`0`}</ILatex> se gli input nel <Tick/> precedente <b>erano\n                            inferiori</b> alla soglia di attivazione\n                        </li>\n                        <li>Emettono <ILatex>{r`1`}</ILatex> se gli input nel <Tick/> precedente <b>superavano</b> la\n                            soglia di attivazione\n                        </li>\n                        <li>Non cambiano stato se gli input nel <Tick/> precedente <b>erano uguali</b> alla soglia di\n                            attivazione\n                        </li>\n                    </ul>\n                </Panel>\n                <Panel title={\"Sinapsi\"}>\n                    <p>\n                        <b>Tutti</b> i neuroni del modello sono intercollegati tra loro da sinapsi.\n                    </p>\n                    <p>\n                        I neuroni non possono essere collegati a loro stessi.\n                    </p>\n                    <p>\n                        Questo porta il <b>costo computazionale</b> del modello ad essere <ILatex>{r`O(n^2)`}</ILatex>.\n                    </p>\n                </Panel>\n                <Panel title={\"Energia\"}>\n                    <p>\n                        Una funzione dell'intero sistema che rappresenta il totale degli stati di tutti i neuroni e\n                        tutte le connessioni.\n                    </p>\n                    <PLatex>{r`\n                        E = - \\frac{1}{2} \\sum_{n, m} ( w_{nm} \\cdot x_n \\cdot x_m ) + \\sum_n ( \\theta_n \\cdot x_n )\n                    `}</PLatex>\n                </Panel>\n            </Section>\n            <Section>\n                <Panel title={\"Apprendimento hebbiano\"}>\n                    <p>\n                        Un metodo per realizzare l'apprendimento nel modello di Hopfield.\n                    </p>\n                    <p>\n                        Si incrementa l'intensità delle sinapsi che connettono neuroni nello stesso stato, e invece si\n                        decrementa l'intensità di quelle che connettono neuroni in stati opposti.\n                    </p>\n                    <p>\n                        Considerando i neuroni spenti e quelli accesi\n                        come <ILatex>{r`0`}</ILatex> e <ILatex>{r`1`}</ILatex> rispettivamente, si ha che per ogni\n                        pattern:\n                    </p>\n                    <PLatex>{r`\n                        \\Delta w_{ik} = (2 \\cdot A_i - 1)(2 \\cdot A_k - 1)\n                    `}</PLatex>\n                    <Example>\n                        Così facendo, si insegna sia il pattern normale sia il suo complementare!\n                    </Example>\n                </Panel>\n                <Panel title={\"Simmetria\"}>\n                    <p>\n                        Applicando l'apprendimento hebbiano al modello di Hopfield si ottengono sinapsi simmetriche.\n                    </p>\n                    <p>\n                        Se è valida questa proprietà, si può dimostrare che l'<b>energia del sistema è sempre\n                        decrescente</b>, e che quindi che tenderà a un punto fisso!\n                    </p>\n                    <p>\n                        <Todo>TODO: Dopo il prof dimostra la relazione tra input netto e overlap, e che il sistema\n                            converge al pattern più simile.</Todo>\n                    </p>\n                </Panel>\n                <Panel title={\"Overlap di due pattern\"}>\n                    <p>\n                        Il numero di neuroni attivati in entrambi i pattern.\n                    </p>\n                    <PLatex>{r`\n                        Q(A, B) = \\sum_{i = 1}^n A_i B_i\n                    `}</PLatex>\n                </Panel>\n                <Panel title={\"Interferenza\"}>\n                    <p>\n                        Più pattern vengono imparati da un modello, più è facile che essi interferiscano tra loro.\n                    </p>\n                    <p>\n                        In caso di pattern completamente scorrelati tra loro, il limite di pattern imparabili è circa:\n                    </p>\n                    <PLatex>\n                        {r`0.14 \\cdot N`}\n                    </PLatex>\n                </Panel>\n                <Panel title={\"Archetipi\"}>\n                    <p>\n                        Per minimizzare l'interferenza tra pattern, è possibile insegnare al modello un <i>archetipo</i>:\n                        si insegna più volte il pattern originale applicandoci una minima quantità di interferenza\n                        casuale.\n                    </p>\n                </Panel>\n            </Section>\n            <Section title={\"Modello a percettroni\"}>\n                <Panel title={\"Cos'è?\"}>\n                    <p>\n                        Un modello di rete neurale che supporta l'apprendimento e che presenta <b>più strati di\n                        neuroni</b>.\n                    </p>\n                    <p>\n                        Ha costi computazionali molto più bassi del modello di Hopfield.\n                    </p>\n                </Panel>\n                <TablePanel>\n                    <thead>\n                    <tr>\n                        <th>Simbolo</th>\n                        <th>Descrizione</th>\n                    </tr>\n                    </thead>\n                    <tbody>\n                    <tr>\n                        <td><BLatex>{r`N`}</BLatex></td>\n                        <td>Numero totale di neuroni nel sistema</td>\n                    </tr>\n                    <tr>\n                        <td><BLatex>{r`n`}</BLatex></td>\n                        <td>Numero di un neurone specifico</td>\n                    </tr>\n                    <tr>\n                        <td><BLatex>{r`w_{nm}`}</BLatex></td>\n                        <td>Intensità della sinapsi diretta da <ILatex>{r`n`}</ILatex> verso <ILatex>{r`m`}</ILatex>\n                        </td>\n                    </tr>\n                    <tr>\n                        <td><BLatex>{r`x_n`}</BLatex></td>\n                        <td>Emissione del neurone <ILatex>{r`n`}</ILatex></td>\n                    </tr>\n                    <tr>\n                        <td><BLatex>{r`H(v)`}</BLatex></td>\n                        <td>Funzione che restituisce lo stato di un neurone dato un valore di input</td>\n                    </tr>\n                    <tr>\n                        <td><BLatex>{r`\\sum_1^N ( w_n \\cdot x_n )`}</BLatex></td>\n                        <td>Somma degli input di un neurone</td>\n                    </tr>\n                    <tr>\n                        <td><BLatex>{r`b`}</BLatex></td>\n                        <td>Bias di un neurone</td>\n                    </tr>\n                    </tbody>\n                </TablePanel>\n            </Section>\n            <Section>\n                <Panel title={\"Percettrone\"}>\n                    <p>\n                        Una <b>rete neurale</b> che viene incapsulata all'interno di un singolo neurone.\n                    </p>\n                    <p>\n                        La sua emissione è determinata dalla sua funzione di emissione <ILatex>{r`H`}</ILatex>:\n                    </p>\n                    <PLatex>{r`\n                        x_n = H \\left( \\sum_1^N ( w_n \\cdot x_n + b) \\right)\n                    `}</PLatex>\n                    <p>\n                        <ILatex>{r`b`}</ILatex> è una costante configurabile, detta <i>bias</i>, che rappresenta il\n                        valore di partenza della somma degli input.\n                    </p>\n                </Panel>\n                <Panel title={\"Percettrone booleano\"}>\n                    <p>\n                        Un percettrone la cui funzione di emissione è:\n                    </p>\n                    <PLatex>{r`\n                        \\begin{cases}\n                            1 \\qquad se\\ v > 0\\\\\n                            0 \\qquad se\\ v = 0\\\\\n                            -1 \\qquad se\\ v < 0\n                        \\end{cases}\n                    `}</PLatex>\n                </Panel>\n                <Panel title={\"Apprendimento\"}>\n                    <p>\n                        Si parte da intensità casuali delle sinapsi.\n                    </p>\n                    <p>\n                        Si prova a classificare degli esempi pre-classificati: se un esempio viene classificato nel modo\n                        sbagliato, si alterano le intensità delle sinapsi in direzione della sua classificazione\n                        corretta.\n                    </p>\n                    <p>\n                        Nel caso che vi siano più strati di neuroni, allora sarà necessario ricorrere alla <a\n                        href={\"https://en.wikipedia.org/wiki/Backpropagation\"}>backpropagation</a>, che stima l'errore\n                        di classificazione di ogni singolo neurone e li corregge di conseguenza.\n                    </p>\n                </Panel>\n            </Section>\n            <Section title={\"Rete feed-forward\"}>\n                <Panel title={\"Cos'è?\"}>\n                    <p>\n                        Un modello a percettroni in cui <b>non si presentano cicli</b>.\n                    </p>\n                    <p>\n                        Alcuni dei neuroni che vi sono all'interno saranno dunque dei <b>neuroni sorgente</b> e dei <b>neuroni\n                        pozzo</b>.\n                    </p>\n                </Panel>\n            </Section>\n        </div>\n    )\n}\n","import style from \"./Example.less\";\n\nexport default function (props) {\n    return (\n        <div class={style.example}>\n            {props.children}\n        </div>\n    );\n}\n","// extracted by mini-css-extract-plugin\nmodule.exports = {\"red\":\"red__1DkTW\",\"orange\":\"orange__3-zNZ\",\"yellow\":\"yellow__2ln-k\",\"lime\":\"lime__3VExD\",\"cyan\":\"cyan__YxBjD\",\"blue\":\"blue__2bc0p\",\"magenta\":\"magenta__KGEa7\",\"tick\":\"tick__2T7VF\"};"],"sourceRoot":""}