Laurea magistrale in Matematica

L'insegnamento si propone di fornire le nozioni teoriche introduttive al tema del Machine Learning. In particolare lo scopo dell'insegnamento è che gli studenti e le studentesse acquisiscano le competenze di formalizzazione teorica delle reti neurali, comprendendendo la loro definizione, le diverse architetture, gli algoritmi di ottimizzazione e la teoria analitica del learning.

Al termine dell'insegnamento e dello studio individuale, ci si attende che studentesse e studenti siano in grado di descrivere e definire la rete neurale e i suoi elementi, di illustrare diverse architetture e i diversi ambiti di applicazione delle stesse, di spiegare gli algoritmi di ottimizzazione per la stima dei parametri della rete, di enunciare le basi analitiche teoriche che vengono impiegate per la trattazione teorica delle reti neurali. 

Definizione di rete neurale, neurone, funzione di attivazione e funzione di costo. Il neurone astratto. Architetture: pooling, convolutional neural networks, recurrent neural networks. Algoritmi per la ricerca dei minimi: gradient descent, AdaGrad, RMSprop, Adam, AdaMax e Simulated annealing. Le varianti stocastiche. I teoremi di approssimazione, learning con input unidimensionali, le reti come approssimatori universali, learning esatto.

Lezioni frontali in aula.

La verifica dell'apprendimento avviene mediante esame orale, nel quale le studentesse e gli studenti saranno tenuti a illustrare i concetti e i ragionamenti appresi, rispondendo alle domande poste.

Gli/le studenti/esse con DSA o disabilità, sono pregati di prendere visione delle modalità di supporto (https://www.unito.it/servizi/lo-studio/studenti-e-studentesse-con-disabilita) open_in_newe di accoglienza (https://www.unito.it/accoglienza-studenti-con-disabilita-e-dsaopen_in_new) di Ateneo, ed in particolare delle procedure necessarie per il supporto in sede d’esame (https://www.unito.it/servizi/lo-studio/studenti-e-studentesse-con-disturbi-specifici-di-apprendimento-dsa/supportoopen_in_new).