Machine learning con applicazioni
A.A. 2024/2025
Obiettivi formativi
Oggetto dell'insegnamento sono i metodi automatici per ottenere predizioni e
formulare modelli a partire dai dati. L'insegnamento 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. L'insegnamento 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 può essere seguito come corso singolo.
Programma e organizzazione didattica
Edizione unica
Responsabile
Periodo
Primo semestre
Programma
La lista seguente delinea gli argomenti trattati nell'insegnamento 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)
- Kernel di Mercer
- Metodi di ottimizzazione, discesa stocastica del gradiente, gradienti naturali
- Reti neurali di base (percettrone, feed-forward, approssimazione universale, ottimizzazione a ritroso)
- Elementi di reti neurali più avanzate (soluzione ODE, convoluzionali, ricorsive)
- Reti di Boltzmann ristrette
- 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)
- Kernel di Mercer
- Metodi di ottimizzazione, discesa stocastica del gradiente, gradienti naturali
- Reti neurali di base (percettrone, feed-forward, approssimazione universale, ottimizzazione a ritroso)
- Elementi di reti neurali più avanzate (soluzione ODE, convoluzionali, ricorsive)
- Reti di Boltzmann ristrette
- 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).
Conoscenza a livello introduttivo della programmazione ad oggetti.
Conoscenza a livello introduttivo della 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.
Discussioni approfondite del materiale insegnato si possono trovare 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".
Il materiale didattico è accessibile attraverso il sito Ariel del corso.
Discussioni approfondite del materiale insegnato si possono trovare 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".
Il materiale didattico è accessibile attraverso il sito Ariel del corso.
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 - CFU: 3
FIS/04 - FISICA NUCLEARE E SUBNUCLEARE - CFU: 3
FIS/04 - FISICA NUCLEARE E SUBNUCLEARE - CFU: 3
Lezioni: 42 ore
Docente:
Barbieri Carlo
Siti didattici
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.