- Oggetto:
- Oggetto:
Reti neurali
- Oggetto:
Neural networks
- Oggetto:
Anno accademico 2023/2024
- Codice attività didattica
- MFN0824
- Docente
- Matteo Osella (Titolare)
- Corso di studio
- 008510-101 Laurea Magistrale in Fisica ind. Fisica Nucleare e Subnucleare e Biomedica
008510-102 Laurea Magistrale in Fisica ind. Fisica Biomedica
008510-104 Laurea Magistrale in Fisica ind. Fisica delle Tecnologie Avanzate - Anno
- 1° anno
- Periodo
- Secondo semestre
- Tipologia
- B=Caratterizzante
- Crediti/Valenza
- 6
- SSD attività didattica
- FIS/02 - fisica teorica, modelli e metodi matematici
- Erogazione
- Tradizionale
- Lingua
- Italiano
- Frequenza
- Facoltativa
- Tipologia esame
- Orale
- Prerequisiti
-
Non è necessario alcun requisito specifico:
sono sufficienti le conoscenze acquisite nel corso della laurea triennale.
No specific requirement is needed: knowledge at first degree level is enough - Propedeutico a
-
- 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:
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 Autoencoders
- Oggetto:
Modalità di insegnamento
Lezioni in presenza. Orario lezioni disponibile su campusnet.
48 ore principalmente di lezioni frontali alla lavagna
Video lezioni registrate sono presenti sulla pagina moodle del corso insieme ad un forum per discussioni e domande sui contenuti.
Live lectures. 48 hours of lectures mostly with blackboard. Timetable with room and time on campusnet before the beginning of the course.
Recoreded Video Lectures are present on the moodle course page. A forum is present in the same page for discussions, comments and questions on the course contents.
- Oggetto:
Modalità di verifica dell'apprendimento
Esame orale con 2 possibili modalità:
1) Progetto con componente computazionale (es. implementazione di una rete neurale per uno specifico task) + domande di teoria
2 ) Solo domande di teoria sugli argomenti del corso.
Informazioni dettagliate su come preparare il report relativo alla modalita' 1 sono presenti nella pagina moodle del corso.
Esame in presenza.
Oral exam with 2 possible modalities:
1) Project presentation (implementation of a neural network for a specific task) + theory questions
2) Only theory questions.
- Oggetto:
Attività di supporto
Notebook Jupyter disponibili per esplorazioni pratiche.
Tutorato Computazionale facoltativo di 12 ore
Maggiori informazioni disponibili nella prima lezione del corso
Jupyter notebooks available to start playing.
Computational laboratoy (optional) 12 hours
All the information in the first introductory lecture
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
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 lecture
- Oggetto:
Note
Nessuna propedeuticità obbligatoria. Frequenza non obbligatoria, ma fortemente consigliata.
Attendance is not compulsory, but students are stongly advised to attend
- Oggetto:
Insegnamenti che mutuano questo insegnamento
- Reti neurali (INT0379)Corso di laurea magistrale Interateneo in Fisica dei sistemi complessi
- Reti Neurali (MAT0218)Laurea magistrale in Matematica
- Reti neurali (INT0379)
- Oggetto:
Orario lezioni
Giorni Ore Aula Martedì 11:00 - 13:00 Aula C Dipartimento di Fisica Giovedì 11:00 - 13:00 Aula C Dipartimento di Fisica Lezioni: dal 26/02/2024 al 07/06/2024
- Registrazione
- Aperta
- Oggetto:
