- Oggetto:
- Oggetto:
Reti neurali
- Oggetto:
Neural networks
- Oggetto:
Anno accademico 2022/2023
- Codice dell'attività didattica
- MFN0824
- Docente
- Matteo Osella (Titolare)
- 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
- Secondo semestre
- Tipologia
- B=Caratterizzante
- Crediti/Valenza
- 6
- SSD dell'attività didattica
- FIS/02 - fisica teorica, modelli e metodi matematici
- Modalità di erogazione
- Tradizionale
- 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
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:
Modalità di insegnamento
Lezioni in presenza. Orario lezioni disponibile su campusnet.
Video lezioni registrate sono presenti sulla pagina moodle del corso insieme ad un forum per discussioni e domande sui contenuti.
Live lectures
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 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.
Informazioni dettagliate su come preparare il report relativo alle modalita' 1 e 2 sono presenti nella pagina moodle del corso.
Esame in presenza.
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
Notebook Jupyter disponibili per esplorazioni pratiche.
Maggiori informazioni disponibili nella prima lezione del corso
Jupyter notebooks available to start playing.
Information in the first introductory lecture
- 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
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:
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 07/03/2023 al 09/06/2023
- Oggetto:
Note
Nessuna propedeuticità obbligatoria. Frequenza non obbligatoria, ma fortemente consigliata.
Attendance is not compulsory, but students are stongly advised to attend
- Oggetto:
