Vai al contenuto principale
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

GiorniOreAula
Martedì11:00 - 13:00Aula D Dipartimento di Fisica
Mercoledì11:00 - 13:00Aula D Dipartimento di Fisica
Giovedì11:00 - 13:00Aula 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:
Ultimo aggiornamento: 10/07/2020 09:57
Location: https://www.fisicamagistrale.unito.it/robots.html
Non cliccare qui!