Machine learning con applicazioni
A.A. 2026/2027
Obiettivi formativi
L'insegnamento fornisce le nozioni di base riguardanti l'apprendimento automatico, sviluppando la comprensione degli aspetti teorici e metodologici, e fornendo una panoramica delle nozioni e del linguaggio comuni alle discipline che utilizzano tali metodi. Questo insegnamento dà particolare risalto agli aspetti del machine learning più legati alla fisica.
Risultati apprendimento attesi
Al termine dell'insegnamento, gli studenti e le studentesse saranno in grado di selezionare con criterio, per un dato problema di machine learning, il metodo più appropriato per affrontarlo; discutere criticamente i metodi di machine learning nel contesto delle cornici concettuali che li inquadrano; leggere in autonomia articoli di ricerca contemporanea nel campo; illustrare il ruolo della fisica nella comprensione dei principi sottostanti al machine learning e nello sviluppo di nuovi modelli e paradigmi.
Periodo: Secondo semestre
Modalità di valutazione: Esame
Giudizio di valutazione: voto verbalizzato in trentesimi
Corso singolo
Questo insegnamento può essere seguito come corso singolo.
Programma e organizzazione didattica
Edizione unica
Responsabile
Periodo
Secondo semestre
Programma
INTRODUZIONE
- Concetti fondamentali e vocabolario
- Curse of dimensionality e geometria dei dati
- Un problema paradigmatico: i fit polinomiali
- Basi di statistical learning theory
- Inferenza bayesiana
MODELLI SEMPLICI
- Tecniche unsupervised (PCA, clustering, density estimation...)
- Regressione lineare
- Learning rules
- Il perceptron (storage capacity e teacher-student)
- Reti neurali, universal approximation theorem
- Regressione logistica
METODI KERNEL
- Kernel regression
- Support vector machines
- Processi gaussiani
- I metodi kernel come cornice concettuale per il deep learning
MODELLI GENERATIVI E ENERGY-BASED [opzionalmente]
- Le memorie associative e il modello di Hopfield
- Restricted Boltzmann machine
- Modelli diffusivi
- Concetti fondamentali e vocabolario
- Curse of dimensionality e geometria dei dati
- Un problema paradigmatico: i fit polinomiali
- Basi di statistical learning theory
- Inferenza bayesiana
MODELLI SEMPLICI
- Tecniche unsupervised (PCA, clustering, density estimation...)
- Regressione lineare
- Learning rules
- Il perceptron (storage capacity e teacher-student)
- Reti neurali, universal approximation theorem
- Regressione logistica
METODI KERNEL
- Kernel regression
- Support vector machines
- Processi gaussiani
- I metodi kernel come cornice concettuale per il deep learning
MODELLI GENERATIVI E ENERGY-BASED [opzionalmente]
- Le memorie associative e il modello di Hopfield
- Restricted Boltzmann machine
- Modelli diffusivi
Prerequisiti
Conoscenze di base di probabilità, statistica e algebra lineare.
Metodi didattici
L'insegnamento è erogato con lezioni frontali in aula. Parte delle lezioni sarà dedicata ad esercizi e approfondimenti tematici in cui gli studenti e le studentesse avranno ruolo attivo. Discrezionalmente, il docente potrà organizzare una sessione di esercitazioni in laboratorio informatico.
Materiale di riferimento
(1)
Christopher M. Bishop
Pattern recognition and machine learning
Springer New York, 2006
Disponibile gratuitamente qui:
https://www.microsoft.com/en-us/research/wp-content/uploads/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf
(2)
A. Engel, C. Van den Broeck
Statistical mechanics of learning
Cambridge University Press, 2012
Christopher M. Bishop
Pattern recognition and machine learning
Springer New York, 2006
Disponibile gratuitamente qui:
https://www.microsoft.com/en-us/research/wp-content/uploads/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf
(2)
A. Engel, C. Van den Broeck
Statistical mechanics of learning
Cambridge University Press, 2012
Modalità di verifica dell’apprendimento e criteri di valutazione
Colloquio orale di circa 30 minuti volto a verificare i risultati di apprendimento attesi.
PHYS-02/A - Fisica teorica delle interazioni fondamentali, modelli, metodi matematici e applicazioni - CFU: 3
PHYS-04/A - Fisica teorica della materia, modelli, metodi matematici e applicazioni - CFU: 3
PHYS-04/A - Fisica teorica della materia, modelli, metodi matematici e applicazioni - CFU: 3
Lezioni: 42 ore
Docente:
Gherardi Marco
Docente/i
Ricevimento:
Su appuntamento
Dipartimento di Fisica, via Celoria 16, Milano --- Ufficio DC/1/3