- Oggetto:
- Oggetto:
Machine Learning per la fisica applicata e fisica delle alte energie
- Oggetto:
Machine Learning for Applied Physics and High-Energy Physics
- Oggetto:
Anno accademico 2022/2023
- Codice dell'attività didattica
- FIS0173
- Docenti
- Simon David Badger (Titolare)
Emanuele Roberto Nocera (Titolare) - Corso di studi
- 008510-101 Laurea Magistrale in Fisica ind. Fisica Nucleare e Subnucleare e Biomedica
008510-102 Laurea Magistrale in Fisica ind. Astrofisica e Fisica Teorica
008510-105 Laurea Magistrale in Fisica ind. Fisica del Sistema Meteoclimatico, Generale e delle Tecnologie Avanzate - Anno
- 2° anno
- Periodo didattico
- Primo semestre
- Tipologia
- D=A scelta dello studente
- 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
- L'insegnamento presuppone una conoscenza di almeno un moderno
linguaggio di programmazione, preferibilmente C++ e/o python, nonché
familiarità con l'ambiente Linux. - Oggetto:
Sommario insegnamento
- Oggetto:
Obiettivi formativi
L'insegnamento presenta tecniche di Machine Learning e la loro applicazione a problemi di ricerca pertinenti a ciascuno dei tre indirizzi della Laurea Magistrale in Fisica. L'insegnamento si propone di rendere lo studente familiare con il linguaggio, gli algoritmi e il software utilizzati dalla disciplina, in vista sia di una successiva formazione di terzo livello, sia di un successivo impiego nel settore ricerca e sviluppo.
This course presents an array of contemporary Machine Learning methods and their application to research problems related to each of the three curricula of the Master's Degree in Physics. The course aims at making the student familiar with the language, the algorithms, and the software utilised in the field, in light of either a further academic training or an occupation in industrial R&D.
- Oggetto:
Risultati dell'apprendimento attesi
Al termine dell'insegnamento, lo studente avrà familiarizzato con tecniche e software ampiamente utilizzati nella ricerca, in ambito sia accademico sia industriale. In particolare, saprà:
Conoscenza e capacità di comprensione
- descrivere le tecniche di Machine Learning utilizzate nella risoluzione di problemi fisici complessi;
- individuare le caratteristiche di ciascuna tecnica e la loro appropriatezza per la risoluzione di problemi differenti;
- applicare software specializzato (per esempio le librerie TensorFlow e Keras) alla soluzione di problemi fisici;
Autonomia di giudizio
- mettere in relazione un problema fisico con tecniche di Machine Learning appropriate alla sua risoluzione;
- valutare l'efficacia di tecniche di Machine Learning differenti per la risoluzione efficiente di problemi fisici;
Abilità comunicative
- utilizzare il linguaggio proprio delle tecniche di Machine Learning;
- comunicare con precisione e chiarezza i risultati della risoluzione di un problema fisico.
At the end of the course, the student will be familiar with the techniques and software utilised in research, both in the academic and industrial fields. In particular, he will be able to:
Knowledge and understanding
- describe the Machine Learning techniques used in solving complex physical problems;
- identify the characteristics of each technique and their appropriateness for solving different problems;
- apply specialised software (for example the TensorFlow and Keras libraries) to the solution of physical problems;
Autonomy of judgment
- relate a physical problem with Machine Learning techniques appropriate to its resolution;
- evaluate the effectiveness of different Machine Learning techniques for the efficient resolution of physical problems;
Communication skills
- use the language of Machine Learning;
- communicate the results of solving a physical problem accurately and clearly.
- Oggetto:
Modalità di insegnamento
L'insegnamento si articola in 48 ore di didattica frontale, in presenza, svolte in tre blocchi distinti, rispettivamente di 12, 24 e 12 ore. Il primo e il terzo blocco sono svolti dal Dr. Nocera; il secondo dal Prof. Badger. Le lezioni, di due ore ciascuna, si svolgeranno due volte alla settimana (per i dettagli si veda la sezione Orario lezioni). Ciascuna lezione comporta un coinvolgimento attivo dello studente, cui verranno proposti esercizi, da svolgere individualmente o in piccoli gruppi, a cadenza bisettimanale. Gli esercizi consentiranno allo studente di verificare la comprensione dei concetti e la padronanza degli algoritmi discussi a lezione. La soluzione degli esercizi sarà commentata a lezione e non sarà oggetto di valutazione. Lo studente è incoraggiato a svolgere gli esercizi con costanza e a discutere collaborativamente eventuali difficoltà con i compagni e/o con i docenti. Durante l'insegnamento verrà anche proposta la lettura e la discussione di un articolo scientifico relativo all'applicazione di tecniche di Machine Learning a problemi fisici. Lo studente sceglierà l'articolo da un insieme di articoli proposti dai docenti o potrà proporne un altro, previo
accordo con i docenti, possibilmente affine all'indirizzo scelto nella Laurea Magistrale.The course is organised into 48 hours of face-to-face teaching carried out in three distinct blocks, respectively of 12, 24 and 12 hours. The first and third blocks are lectured by Dr. Nocera; the second by Prof. Badger. The lectures, of two hours each, will take place twice a week (for details, see the timetable). Each lecture involves the participation of the student, to whom individual or group exercises will be proposed every two weeks. The exercises will allow the student to verify their understanding of the concepts and their mastery of the algorithms discussed in class. The solution of the exercises will be commented in class and will not be evaluated. The student is encouraged to carry out the exercises regularly and to collaboratively discuss any difficulties with fellow students and/or lecturers. During the course, the reading and discussion of a scientific paper related to the application of Machine Learning techniques to physical problems will be proposed. The student will choose the paper from a set of articles proposed by the lecturers. They may also propose another one, upon agreement with the lecturers, which possibly covers a topic related to the chosen Master's Degree curriculum.
- Oggetto:
Modalità di verifica dell'apprendimento
La verifica dell'apprendimento consiste nella preparazione di un progetto computazionale, in cui si applichino una o più tra le tecniche discusse a lezione ad un problema fisico scelto dallo studente e concordato con i docenti. Lo studente esporrà il proprio progetto durante un colloquio, della durata di circa 30 minuti, in cui dovrà illustrare il problema, nonché gli algoritmi ed il software utilizzati per la sua risoluzione. I docenti potranno formulare domande relative al progetto presentato dallo studente e/o agli argomenti discussi a lezione. Lo studente potrà scegliere le modalità di presentazione (diapositive, relazione scritta, discussione alla lavagna, etc.). La presentazione potrà essere preparata in lingua italiana o inglese. La valutazione, espressa in trentesimi, terrà conto della rilevanza del problema e delle tecniche di Machine Learning utilizzate, della chiarezza espositiva e dell'accuratezza dei risultati ottenuti.The examination consists in the preparation of a computational project, in which one or more of the techniques discussed in class are applied to a physical problem chosen by the student and agreed with the lecturers. The student will prepare a talk, of about 30 minutes, in which they will illustrate the problem, as well as the algorithms and software used to solve it. The lecturers may ask questions relating to the project presented by the student and/or to the topics discussed in class. The student can choose the presentation method (slides, written report, discussion on the blackboard, etc.). The presentation can be prepared in Italian or English. The evaluation, expressed out of thirty, will take into account the relevance of the problem and the Machine Learning techniques used, the clarity of the presentation and the accuracy of the results obtained.
- Oggetto:
Attività di supporto
I docenti rimangono a disposizione dello studente per rispondere a domande relative agli argomenti trattati a lezione, agli esercizi, all'articolo scientifico scelto e allo svolgimento del progetto computazionale oggetto di valutazione. Gli studenti possono contattare i docenti in qualunque momento, sebbene sia preferibile fissare un appuntamento per e-mail.The lecturers remain at the student's disposal to answer questions relating to the topics covered in class, the exercises, the scientific paper chosen, and the development of the computational project being evaluated. Students can contact the teachers at any time, although it is preferable to make an appointment by e-mail.
- Oggetto:
Programma
Il programma dell'insegnamento si articola come segue. Ciascun argomento sarà introdotto da un esempio, preso dal mondo della ricerca, indicato tra parentesi. Il programma potrà subire integrazioni e/o variazioni a seconda degli interessi specifici dello studente.
- Concetti base di inferenza Bayesiana
- Supervised learning, bias-variance trade-off
- Metodi di regressione (esempio: amplitudes, MC events)
- Metodi di classificazione (esempio: jets and jet substructure; cosmological model selection)
- Metodi di espansione e di regolarizzazione (esempio: fast-interpolation/convolution)
- Metodi di kernel smoothing (esempio: hints of new physics)
- Metodi di ottimizzazione, cross validation, K-folding (esempio: parton distribution functions)
- Reti Neurali (esempio: the low-loss region in electron energy loss spectroscopy)
The syllabus will be developed as follows. Each topic will be introduced by an example, taken from academic research, as indicated in parentheses. The syllabus may be subject to integrations and/or variations depending on the student's interests.
- Basics on Bayesian inference
- Supervised learning, bias-variance trade-off
- Regression methods (example: amplitudes, MC events)
- Classification methods (example: jets and jet substructure; cosmological model selection)
- Basis expansion/regularisation methods (example: fast-interpolation/convolution)
- Kernel smoothing methods (example: hints of new physics)
- Optimisation methods, cross validation, K-folding (example: parton distribution functions)
- Neural networks (example: the low-loss region in electron energy loss spectroscopy)
Testi consigliati e bibliografia
- Oggetto:
- Altro
- Titolo:
- A Living Review of Machine Learning for Particle Physics
- URL:
- Obbligatorio:
- No
- Oggetto:
- Libro
- Titolo:
- The Elements of Statistical Learning: Data Mining, Inference, and Prediction
- Anno pubblicazione:
- 2018
- Editore:
- Springer
- Autore:
- T. Hastie, R. Tibshirani, J. Friedman
- ISBN
- Permalink:
- Obbligatorio:
- No
- Oggetto:
- Articolo
- Titolo:
- A high-bias, low-variance introduction to Machine Learning for physicists
- Titolo rivista:
- Physics Reports
- Anno pubblicazione:
- 2019
- Autore:
- P. Mehta, C.-H. Wang, A. G. R. Day, C. Richardson
- Volume:
- 810
- Pagina iniziale, finale:
- 1,124
- DOI:
- URL:
- Obbligatorio:
- No
- Oggetto:
- Libro
- Titolo:
- Probabilistic Machine Learning: An Introduction
- Anno pubblicazione:
- 2022
- Editore:
- MIT Press
- Autore:
- K. P. Murphy
- ISBN
- Permalink:
- Obbligatorio:
- No
- Oggetto:
- Altro
- Titolo:
- Note e Diapositive
- Descrizione:
- Repositorio github del corso
- URL:
- Obbligatorio:
- No
- Oggetto:
Ulteriore materiale verra' indicato durante lo svolgimento del corso
Further material to be indicated- Oggetto:
Orario lezioni
Giorni Ore Aula Lunedì 9:00 - 11:00 Aula D Dipartimento di Fisica Martedì 14:00 - 16:00 Aula D Dipartimento di Fisica Lezioni: dal 04/10/2022 al 11/01/2023
- Oggetto:
