- Oggetto:
- Oggetto:
Reti Neurali
- Oggetto:
Neural Networks
- Oggetto:
Anno accademico 2020/2021
- Codice dell'attività didattica
- MFN0824 (coorte 2019) - MAT0218 (coorte 2020)
- Corso di studi
- Laurea Magistrale in Matematica (D.M. 270)
- Anno
- 1° anno 2° anno
- Periodo didattico
- Secondo semestre
- Tipologia
- D.M. 270 TAF C - Affine o integrativo
- Crediti/Valenza
- 6
- SSD dell'attività didattica
- FIS/02 - fisica teorica, modelli e metodi matematici
- Modalità di erogazione
- A distanza
- Lingua di insegnamento
- Italiano
- Modalità di frequenza
- Facoltativa
- Tipologia d'esame
- Orale
- Prerequisiti
-
Non è necessario alcun requisito specifico:
sono sufficienti le conoscenze acquisite nel corso della laurea triennale.
E' utile avere qualche nozione di programmazione (preferibilmente in Python)
No specific requirement is needed: knowledge at first degree level is enough - Mutuato da
- Reti neurali (MFN0824)Corsi di Laurea Triennale in Fisica e Laurea Magistrale in Fisica
- Reti neurali (MFN0824)
- Oggetto:
Sommario insegnamento
- Oggetto:
Obiettivi formativi
Introduzione alla teoria delle reti neurali artificiali e alle loro applicazioni.
Introduction to the theory of artificial neural networks and their applications
- Oggetto:
Risultati dell'apprendimento attesi
Conoscenza e capacità di comprensione: Comprensione della teoria di base del machine learning e dei principali modelli di reti neurali artificiali.
Capacità di applicare conoscenza e comprensione: Capacita' di costruire un progetto di machine learning usando reti neurali.
Understanding of the basics of machine learning and of the main models of artificial neural networks.
Ability to design a machine learning project using neural networks with a full understanding of the steps required.
- Oggetto:
Modalità di insegnamento
Video lezioni sono presenti sulla pagina moodle del corso insieme ad un forum per discussioni e domande sui contenuti.
Organizzeremo alcune lezioni dal vivo usando la piattaforma Webex o in presenza (a seconda della situazione pandemica) per ulteriori domande, discussioni e approfondimenti
Video Lectures on the moodle course page. A forum is present in the same page for discussions, comments and questions on the video contents.
Some lectures will be organized live (in a classroom or using Webex depending on the restrictions due to the pandemic) for discussions and additional advanced topics.
- Oggetto:
Modalità di verifica dell'apprendimento
Esame orale con 3 possibili modalità:
1) Progetto con componente computazionale (es. implementazione di una rete neurale per uno specifico task) + domande di teoria
2) Presentazione di un paper di ricerca (solo teoria o riproduzione di risultati computazionali) + domande di teoria
3 ) Solo domande di teoria sugli argomenti del corso.
L'esame si terra' a distanza (usando la piattaforma Webex).
Oral exam with 3 possible modalities:
1) Project presentation (implementation of a neural network for a specific task) + theory questions
2) Presentation of a research paper + theory questions
3) Only theory questions.
- Oggetto:
Attività di supporto
Notebook Jupyter disponibili per esplorazioni pratiche.
Maggiori informazioni disponibili nel video di presentazione del corso.
Jupyter notebooks available to start playing.
Information in the first introductory video lecture
- Oggetto:
Programma
Introduzione alle reti neurali e a modelli di neurone.
Concetti base di machine learning: regressione, classificazione, maximum likelihood estimation, bias-variance decomposition, regolarizzazione e inferenza bayesiana.
Breve introduzione alla Teoria dell'Informazione.
Reti neurali artificiali feedforward: dal percettrone alle reti neurali profonde.
Ottimizzazione: Stochastic gradient descent e sue varianti, Backpropagation.
Reti neurali convoluzionali e loro applicazioni.
Principal Component Analysis e Autoencoders
Introduction to Neural Networks and Neuron models
Basics of machine learning and information theory
Feedforward networks: from the perceptron to deep networks
Learning process and backpropagation
Convolutional networks and their applications
Principal Component Analysis and AutoencodersTesti consigliati e bibliografia
- Oggetto:
C.M. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.
Mehta et al. A high-bias, low-variance introduction to Machine Learning for physicists. 2019. Phys Rep. 810:1-124 https://arxiv.org/abs/1803.088
I. Goodfellow, Y. Bengio, A. Courville. Deep Learning. MIT Press, 2016.
A. Geron. Hands-On Machine Learning With Scikit-Learn and Tensorflow: Concepts, Tools, and Techniques to Build Intelligent Systems. Oreilly & Associates Inc. 2017.
Discussion about the references in the first video lecture
C.M. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.
Mehta et al. A high-bias, low-variance introduction to Machine Learning for physicists. 2019. Phys Rep. 810:1-124 https://arxiv.org/abs/1803.088
I. Goodfellow, Y. Bengio, A. Courville. Deep Learning. MIT Press, 2016.
A. Geron. Hands-On Machine Learning With Scikit-Learn and Tensorflow: Concepts, Tools, and Techniques to Build Intelligent Systems. Oreilly & Associates Inc. 2017.
Discussion about the references on the first video lecture
- Oggetto:
