- Oggetto:
- Oggetto:
Deep Learning
- Oggetto:
Deep Learning
- Oggetto:
Anno accademico 2022/2023
- Codice dell'attività didattica
- FIS0168
- Docente
- Matteo Osella (Titolare del corso)
- Corso di studi
- Laurea Magistrale Interateneo in Fisica dei sistemi complessi
- Anno
- 1° anno
- Periodo didattico
- Secondo Semestre
- Tipologia
- B=Caratterizzante
- Crediti/Valenza
- 6
- SSD dell'attività didattica
- FIS/07 - fisica applicata (a beni culturali, ambientali, biologia e medicina)
- Modalità di erogazione
- Tradizionale
- Lingua di insegnamento
- Italiano
- Modalità di frequenza
- Facoltativa
- Tipologia d'esame
- Orale
- Prerequisiti
- Nozioni di base di Analisi Dati e Machine Learning.
(il corso di Data Mining -o corso analogo- è propedeutico) - Oggetto:
Sommario insegnamento
- Oggetto:
Obiettivi formativi
Il corso presenta i principali modelli di reti neurali artificiali alla base del moderno "deep learning".
Il corso esplora i fondamenti teorici del deep learning ma anche le tecniche di applicazione in diversi contesti.
- Oggetto:
Risultati dell'apprendimento attesi
Conoscenza e capacità di comprensione: Comprensione della teoria alla base dei principali modelli di reti neurali artificiali e delle tecniche di addestramento e di applicazione.
Capacità di applicare conoscenza e comprensione: Capacita' di costruire un progetto di machine learning usando reti neurali artificiali complesse.
- Oggetto:
Modalità di insegnamento
Lezioni frontali in presenza.
Orario lezioni disponibile su campusnet.
- 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.
- Oggetto:
Programma
Breve ripasso di concetti base di machine learning: maximum likelihood estimation, regolarizzazione e inferenza bayesiana.
Introduzione alla Teoria dell'Informazione.
Reti neurali artificiali: dal percettrone alle reti neurali profonde.
Ottimizzazione: Stochastic gradient descent e sue varianti, Backpropagation.
Reti neurali convoluzionali e loro applicazioni.
PCA & AutoencodersReti Ricorrenti
Testi 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
- Oggetto:
Orario lezioni
Giorni Ore Aula Martedì 14:00 - 16:00 Aula C Dipartimento di Fisica Giovedì 16:00 - 18:00 Sala Franzinetti Dipartimento di Fisica Venerdì 11:00 - 13:00 Aula Verde Dipartimento di Fisica Lezioni: dal 21/03/2023 al 09/06/2023
Nota: Lezione venerdì solo dal 28 aprile
- Oggetto: