- Oggetto:
- Oggetto:
Machine Learning
- Oggetto:
Machine Learning
- Oggetto:
Anno accademico 2021/2022
- Codice dell'attività didattica
- FIS0125
- Docente
- Prof. Piero Fariselli (Titolare del corso)
- Corso di studi
- Laurea Magistrale Interateneo in Fisica dei sistemi complessi
- Anno
- 1° anno 2° anno
- Periodo didattico
- Primo Semestre
- Tipologia
- D=A scelta dello studente
- 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
- Inglese
- Modalità di frequenza
- Facoltativa
- Tipologia d'esame
- Orale
- Prerequisiti
- Analisi matematica, algebra lineare, elementi di statistica e probabilità. Programmazione in Python.
- Oggetto:
Sommario insegnamento
- Oggetto:
Obiettivi formativi
Il corso ha lo scopo di introdurre e appofondire algoritmi e modelli di apprendimento automatico (Machine Learning) per applicazioni interdisciplinari. Il corso si prefigge di fornire allo studente la capacità di utilizzare e sviluppare strumenti di machine-learning per l'analisi dei dati, con particolare riferimento ai modelli predittivi. Le lezioni teoriche si alterneranno ad esempi di codice. Lo studente sarà in grado di sviluppare pacchetti propri utilizzando librerie standard.
The objective of the course is to introduce algorithms and machine learning models for cross-disciplinary applications. The students will be able to analyze and model the data with particular emphasis on the predictive models. The theoretical lectures include example fo programming codes. At the end of the course, the students are expected to be able to write their packages using standard libraries.
- Oggetto:
Risultati dell'apprendimento attesi
Compresione dei fondamenti teorici deli modelli di machine learning presentati e essere in grado di svilupparne dei nuovi. Conoscenza di alcune librerie Python per il machine learning e loro utilizzo.
The students are expected to possess appropriate knowledge of the theoretical aspects of the presented machine learning models and being able to design new ones. The students acquire expertise using some Python libraries.
- Oggetto:
Modalità di insegnamento
Lezioni con proiezioni di diapositive, uso di lavagna ed esercizi al computer.
La prima lezione sarà il 28-09-2021 alle ore 14 in Aula Frassinetti (Dipartimento di Fisica).
Orario: MA 14-16, ME 14-16 (Aula Franzinetti), GIO 14-16 (Aula Avogadro),Le lezioni verranno trasmesse anche via streaming (non assicurando la visione totale delle lavagne) al seguente link: https://unito.webex.com/unito/j.php?MTID=m357e4e708bc25e462914986adbfde7b5
La password sarà comunicata agli studenti iscritti.Nel caso le problematiche relative al COVID-19 divenissere più serie, le lezioni si terranno in maniera sincrona con registrazione delle lezione (materiale su moodle).
Lectures at the blackboard, slide projection and practical exercises with a computer.
The first lesson will be on 09.28.2021 at 2 pm in Aula Frassinetti (Department of Physics). Hours: TUE 14-16, ME 14-16, THU 11-13 (Aula Frassinetti).
The lessons will also be broadcasted via streaming (not ensuring total viewing of the blackboards) at the following link: https://unito.webex.com/unito/j.php?MTID=m357e4e708bc25e462914986adbfde7b5
The password will be communicated to the enrolled students.
If the issues related to COVID-19 become more serious, the lessons will be held synchronously with recording of the lessons (material on moodle).
- Oggetto:
Modalità di verifica dell'apprendimento
Discussione alla lavagna, assegnazione e valutazione di semplici progetti di programmazione.
Nel caso le problematiche relative al COVID-19 permanessero, verranno valutati i progetti in python distribuiti durante il corso e discussi in via telematica.
Discussion at the blackboard and assignment of programming projects.
In case the problem with COVID19 remains, the evaluation will be performed on the Python notebook provided during the course and discussed through Webex calls.
- Oggetto:
Attività di supporto
- Oggetto:
Programma
- Introduction to machine learning: relation with statistical learning, types of learning (supervised, unsupervised, reinforcement learning, collaborative filtering).
- Introduction to simple predictive models: regression and classification.
- Introduction to probabilistic models and learning algorithms: Markov models, hidden Markov models, maximum entropy models, conditional random fields. Graphical models as unifying picture. Introduction to causality.
- Introduction to Neural Networks: feedforward, convolutional, recurrent.
- Introduction to ensemble learning (bagging and boosting), multitask learning and multi-instance learning.
- Survival analysis and machine leearning
- If time allows:
- Elements of Federated Learning
- Elements of Quantum Machine Learning
- Elements of biological-inspired computations for optimization: genetic algorithms, ant colony optimization
- Introduction to machine learning: relation with statistical learning, types of learning (supervised, unsupervised, reinforcement learning, collaborative filtering).
- Introduction to simple predictive models: regression and classification.
- Introduction to probabilistic models and learning algorithms: Markov models, hidden Markov models, maximum entropy models, conditional random fields. Graphical models as unifying picture. Introduction to causality.
- Introduction to Neural Networks: feedforward, convolutional, recurrent.
- Introduction to ensemble learning (bagging and boosting), multitask learning and multi-instance learning.
- Survival analysis and machine learning
- If time allows:
- Elements of Federated Learning
- Elements of Quantum Machine Learning
- Elements of biological-inspired computations for optimization: genetic algorithms, ant colony optimization
Testi consigliati e bibliografia
- Oggetto:
- Mehta et al. A high-bias, low-variance introduction to Machine Learning for physicists. 2019. Phys Rep. 810:1-124 https://arxiv.org/abs/1803.08823
- C.M. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.
- Francois Chollet Deep Learning with Python Manning Pubns Co, 2017
- K.P. Machine Learning. A Probabilistic Perspective. MIT Press, 2012.
- D. Simon. EVOLUTIONARY OPTIMIZATION ALGORITHMS. John Wiley & Sons, 2013.
- T. Hastie, R. Tibshirani, and J. Friedman. The Elements of Statistical Learning. Data Mining, Inference, and Prediction. 2nd edition. Springer, 2009.
- I. Goodfellow, Y. Bengio, A. Courville. Deep Learning. MIT Press, 2016.
R.S. Sutton and A.G. Barto. Reinforcement Learnin. An Introduction. MIT Press, 2017. - Andrew NG. Machine Learning Yearning: Technical Strategy for AI Engineers, In the Era of Deep Learning. deeplearning.ai, 2018
- Mehta et al. A high-bias, low-variance introduction to Machine Learning for physicists. 2019. Phys Rep. 810:1-124 https://arxiv.org/abs/1803.08823
- C.M. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.
- Francois Chollet Deep Learning with Python Manning Pubns Co, 2017
- K.P. Machine Learning. A Probabilistic Perspective. MIT Press, 2012.
- D. Simon. EVOLUTIONARY OPTIMIZATION ALGORITHMS. John Wiley & Sons, 2013.
- T. Hastie, R. Tibshirani, and J. Friedman. The Elements of Statistical Learning. Data Mining, Inference, and Prediction. 2nd edition. Springer, 2009.
- I. Goodfellow, Y. Bengio, A. Courville. Deep Learning. MIT Press, 2016.
R.S. Sutton and A.G. Barto. Reinforcement Learnin. An Introduction. MIT Press, 2017. - Andrew NG. Machine Learning Yearning: Technical Strategy for AI Engineers, In the Era of Deep Learning. deeplearning.ai 2018
- Oggetto:
Orario lezioni
Giorni Ore Aula Martedì 14:00 - 16:00 Sala Franzinetti Dipartimento di Fisica Mercoledì 14:00 - 16:00 Sala Franzinetti Dipartimento di Fisica Giovedì 14:00 - 16:00 Aula Avogadro Dipartimento di Fisica Lezioni: dal 27/09/2021 al 14/01/2022
- Oggetto:
Note
- Oggetto:
