Machine learning con applicazioni
A.A. 2021/2022
Obiettivi formativi
Oggetto del corso sono i metodi automatici per ottenere predizioni e
formulare modelli a partire dai dati. Il corso insegnerà allo studente le basi teoriche del machine learning (fondamenti di statistical learning
theory, classificazione, regressione) e metodi consolidati per compiti
comuni (come il clustering e la riduzione dimensionale).
formulare modelli a partire dai dati. Il corso insegnerà allo studente le basi teoriche del machine learning (fondamenti di statistical learning
theory, classificazione, regressione) e metodi consolidati per compiti
comuni (come il clustering e la riduzione dimensionale).
Risultati apprendimento attesi
Lo studente saprà analizzare dati scegliendo con criterio tra una
tavolozza di metodi numerici solidi. Avrà inoltre una buona dimestichezza con le nozioni e il linguaggio comuni alle discipline che utilizzano tali metodi (ad esempio informatica, economia, matematica).
tavolozza di metodi numerici solidi. Avrà inoltre una buona dimestichezza con le nozioni e il linguaggio comuni alle discipline che utilizzano tali metodi (ad esempio informatica, economia, matematica).
Periodo: Primo semestre
Modalità di valutazione: Esame
Giudizio di valutazione: voto verbalizzato in trentesimi
Corso singolo
Questo insegnamento non può essere seguito come corso singolo. Puoi trovare gli insegnamenti disponibili consultando il catalogo corsi singoli.
Programma e organizzazione didattica
Edizione unica
Responsabile
Periodo
Primo semestre
L'insegnamento potrà essere erogato interamente da remoto se dovessero persistere limitazioni alla mobilità legate all'emergenza sanitaria, seguendo in ogni caso le linee guida dell'ateneo. Le lezioni potranno essere offerte in forma mista, metà in presenza e metà da remoto in forma sincrona. Vi saranno opportunità di discussione tra docenti e studenti anche da remoto.
Programma
La lista seguente delinea gli argomenti trattati durante il corso e fornisce un elenco (non esaustivo) dei principali metodi introdotti:
- Richiami di statistica (covarianza, Correlazioni, Bayes)
- Metodi di regressione (lineare, kernel e regolarizzazione)
Massima verosimiglianza
Metodo dei prossimi vicini (k-NN)
Interpretazione statistica della regressione
- Decomposizione bias varianza e metodi di ricampionamento
- Metodi di classificazione (lineare, quadratica, logistica, sigmoide e softmax, cross entropy)
- Metodi di ottimizzazione, discesa stocastica del gradiente
- Reti neurali di base (percettrone, feed-forward, approssimazione universale, ottimizzazione e ritroso)
- Elementi di reti neurali più avanzate (soluzione ODE, convoluzionali, ricorsive)
- Riduzione della dimensionalità (curse of dimensionality, analisi delle componenti principali)
- Metodi addizionali di classificazione e regressione (alberi decisionali, random forests, support vector machines)
- Metodi di apprendimento stocastici e adattivi (Padding, bagging, boosting, ecc )
- Richiami di statistica (covarianza, Correlazioni, Bayes)
- Metodi di regressione (lineare, kernel e regolarizzazione)
Massima verosimiglianza
Metodo dei prossimi vicini (k-NN)
Interpretazione statistica della regressione
- Decomposizione bias varianza e metodi di ricampionamento
- Metodi di classificazione (lineare, quadratica, logistica, sigmoide e softmax, cross entropy)
- Metodi di ottimizzazione, discesa stocastica del gradiente
- Reti neurali di base (percettrone, feed-forward, approssimazione universale, ottimizzazione e ritroso)
- Elementi di reti neurali più avanzate (soluzione ODE, convoluzionali, ricorsive)
- Riduzione della dimensionalità (curse of dimensionality, analisi delle componenti principali)
- Metodi addizionali di classificazione e regressione (alberi decisionali, random forests, support vector machines)
- Metodi di apprendimento stocastici e adattivi (Padding, bagging, boosting, ecc )
Prerequisiti
Conoscenze matematiche di base (statistica, analisi e geometria).
Corso introduttivo alla programmazione ad oggetti.
Corso introduttivo alla programmazione ad oggetti.
Metodi didattici
L'insegnamento prevede lezioni frontali in aula. Parte delle lezioni sarà dedicata a tutorial di tipo computazionale dove gli studenti avranno modo di confrontarsi con esempi pratici e apprendere tecniche di calcolo per l'apprendimento automatico.
Materiale di riferimento
Il riferimento principale è costituito dagli appunti presi dallo studente nel corso delle lezioni ed esercitazioni. Queste verranno integrate con note ed esempi computazionali forniti dal docente.
Un discussione del materiale del corso può essere trovata su differenti libri di testo, a seconda dell'argomento. A titolo indicativo, i testi di riferimento più importanti includono:
- T. Hastie, R. Tibshirani, J. Friedman, "The Elements of Statistical Learning: Data Mining, Inference, and Prediction".
- A. Géron, "Hands-On Machine Learning with Scikit-Learn, Keras, and Tensorflow: Concepts, Tools, and Techniques to Build Intelligent Systems".
- K. P. Murphy, "Machine Learning: a Probabilistic Perspective".
Un discussione del materiale del corso può essere trovata su differenti libri di testo, a seconda dell'argomento. A titolo indicativo, i testi di riferimento più importanti includono:
- T. Hastie, R. Tibshirani, J. Friedman, "The Elements of Statistical Learning: Data Mining, Inference, and Prediction".
- A. Géron, "Hands-On Machine Learning with Scikit-Learn, Keras, and Tensorflow: Concepts, Tools, and Techniques to Build Intelligent Systems".
- K. P. Murphy, "Machine Learning: a Probabilistic Perspective".
Modalità di verifica dell’apprendimento e criteri di valutazione
Compito a casa seguito da esame orale.
Come compito lo studente potrà scegliere tra un progetto computazionale (da consegnare un paio di giorni prima dell'esame) o un approfondimento teorico.
Come compito lo studente potrà scegliere tra un progetto computazionale (da consegnare un paio di giorni prima dell'esame) o un approfondimento teorico.
FIS/03 - FISICA DELLA MATERIA
FIS/04 - FISICA NUCLEARE E SUBNUCLEARE
FIS/04 - FISICA NUCLEARE E SUBNUCLEARE
Lezioni: 42 ore
Docente:
Barbieri Carlo
Docente/i
Ricevimento:
Martedì 14:00-15:00 (durante il semestre) oppure su appuntamento via e-mail
Ufficio c/o Dip. Fisica via Celoria 16. Piano 1 diLITA.