- Oggetto:
- Oggetto:
Reti neurali
- Oggetto:
Neural networks
- Oggetto:
Anno accademico 2019/2020
- Codice dell'attività didattica
- MFN0824
- Docente
- Dott. Matteo Osella (Titolare del corso)
- Corso di studi
- 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 didattico
- Terzo periodo didattico
- Tipologia
- B=Caratterizzante
- 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.
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
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.
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
Lezioni Video sulla pagina moodle del corso.
Video Lectures on the moodle course page.
- 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.
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
Jupyter notebooks available to start playing.
Information in the first introductory video lecture
Jupyter notebooks available to start playing.
Information in the first introductory video lecture
- Oggetto:
Programma
Introduzione alle reti neurali ed ai modelli di neurone
Concetti di base di Machine Learning: regressione, classificazione, maximum likelihood estimation, bias-variance decomposition, inferenza bayesiana e regolarizzazione, metriche di performance.
Introduzione alla Teoria dell'Informazione
Reti neurali feedforward: dal percettrone alle reti neurali profonde
Ottimizzazione: Stochastic Gradient Descent e sue varianti, Backpropagation
Reti neurali convoluzionali e loro applicazioni
Metodi di riduzione della dimensionalità, PCA e Autoencoders
Basi di Reinforcement Learning
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
Dimensionality reduction, PCA and autoencoders
Basics of Reinforcement Learning
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 on the first video lecture
- Oggetto:
Orario lezioni
Giorni Ore Aula Martedì 11:00 - 13:00 Aula D Dipartimento di Fisica Mercoledì 11:00 - 13:00 Aula D Dipartimento di Fisica Giovedì 11:00 - 13:00 Aula D Dipartimento di Fisica Lezioni: dal 20/04/2020 al 17/06/2020
- Oggetto:
Note
Nessuna propedeuticità obbligatoria. Frequenza non obbligatoria, ma fortemente consigliata.
Attendance is not compulsory, but students are stongly advised to attend
- Oggetto:
