- Docente: Domenico Di Sante
- Crediti formativi: 6
- SSD: FIS/07
- Lingua di insegnamento: Italiano
- Modalità didattica: Convenzionale - Lezioni in presenza
- Campus: Bologna
- Corso: Laurea in Scienza dei materiali (cod. 5940)
-
dal 18/09/2024 al 15/01/2025
Conoscenze e abilità da conseguire
Al termine del corso lo studente possiede una conoscenza dei metodi fondamentali di analisi di dati complessi. Conosce gli algoritmi principali e più moderni per l'analisi dei dati e sa implementarli in un linguaggio di programmazione. L'attività laboratoriale permette allo studente di implementare ed eseguire analisi di dati al calcolatore ed applicare le metodologie studiate a casi prova.
Contenuti
Sillabo sintetico:
- Parte I: Introduzione ai metodi fondamentali del calcolo scientifico (algebra lineare, ottimizzazione, equazioni differenziali, calcolo integrale)
- Parte II: Statistica (distribuzioni di probabilita’, statistica bayesiana, modelli lineari)
- Parte III: Machine Learning
Sillabo dettagliato:
Parte I: Introduzione ai metodi fondamentali del calcolo scientifico
1 – Introduzione: informazioni di carattere generale ed amministrativo.
2 – Algebra lineare:
- Spazi vettoriali, operazioni con matrici
- Problemi agli autovalori
- Decomposizione SVD
- Altri tipi di decomposizione (LU, QR, Cholesky)
- Sistemi di equazioni lineari
3 – Ottimizzazione:
- Derivate, gradienti, Jacobiano, Hessiano
- Diversi tipi di ottimizzazione (locale, globale, convessa, non-convessa)
- Metodi di ottimizzazione (first-order, second-order)
- Stochastic gradient descent SGD
4 – Equazioni differenziali:
- Equazioni differenziali ordinarie del primo ordine (metodi di Euler e Runge-Kutta)
- Sistemi di equazioni differenziali ordinarie
- Equazioni differenziali alle derivate parziali
5 – Calcolo integrale:
- Integrazione numerica (formule del punto medio, del trapezio e di Simpson)
- Formule di quadratura interpolatorie
- La Formula di Simpson adattiva
Parte II: Statistica
1 – Distribuzioni di probabilita’ ad una variabile:
- Modelli ad una variabile
- Variabili random
- Regola di Bayes
- Distribuzioni di Bernoulli e binomiale
- Distribuzione multinomiale
- Distribuzione gaussiana
- Altre distribuzioni (t-Student, Cauchy)
2 – Distribuzioni di probabilita’ a piu’ variabili:
- Covarianza e Correlazione
- Distribuzione Gaussiana a piu’ variabili
3 – Modelli lineari:
- Regressione binaria (logistica)
- Regressione lineare ai minimi quadrati
- Regolarizzazione (l1 e sparsita’)
- Splines
- Modelli lineari generalizzati
Parte III: Machine Learning
1 – Strutturare i dati senza reti neurali:
- Riduzione della dimensionalita’
- Principal component analysis (PCA)
- Kernel PCA
- Algoritmi di raggruppamento (k-means)
2 – Supervised Learning:
- Reti neurali
- Training e regolarizzazione
- Convolutional Neural Network (CNN)
- Recurrent Neural Network
3 – Unsupervised Learning:
- Maximum Likelihood Estimation (MLE)
- Restricted Boltzmann machine
- (Variational) Autoencoders (VAE)
- Generative adversarial networks (GANs)
Testi/Bibliografia
Letture Necessarie:
Appunti delle lezioni
Testi consigliati:
- Calcolo scientifico. Esercizi e problemi risolti con MATLAB e Octave, A. Quarteroni et al., Springer Verlag (2017)
- Data-driven modeling & scientific computation: methods for complex systems & big data, J. N. Kutz, Oxford University Press (2013)
- Probabilistic Machine Learning: An Introduction, K. P. Murphy, The MIT Press (2022)
- Lecture Notes: Machine Learning for the Sciences, T. Neupert et al., arXiv:2102.04883v2 (2022)
- Modern applications of machine learning in quantum sciences, A. Dawid et al., arXiv:2204.04198 (2022)
Metodi didattici
Lezioni frontali alla lavagna e frequentazione dei laboratori informatici.
In considerazione della tipologia di attività e dei metodi didattici adottati, la frequenza di questa attività formativa richiede la preventiva partecipazione di tutti gli studenti ai moduli 1 e 2 di formazione sulla sicurezza nei luoghi di studio, in modalità e-learning.
Modalità di verifica e valutazione dell'apprendimento
La valutazione finale consta di due contributi:
1) valutazione delle relazioni di laboratorio (30%)
2) esame orale sui contenuti del corso (70%)
Strumenti a supporto della didattica
Lavagna, Proiettore, Laboratorio informatico.
Orario di ricevimento
Consulta il sito web di Domenico Di Sante