Scopo dell’insegnamento è fornire allo studente la conoscenza dei principali metodi di Machine Learning usati in Fisica, con applicazione ai problemi specifici che si affrontano nei diversi indirizzi presenti…
Scheda dell'insegnamento
Obiettivi formativi
Scopo dell’insegnamento è fornire allo studente la conoscenza dei principali metodi di Machine Learning usati in Fisica, con applicazione ai problemi specifici che si affrontano nei diversi indirizzi presenti nell’offerta formativa della sede.
Programma
1- Richiami di linguaggio Python: oggetti, tipi, variabili, stringhe, liste e tuple, dizionari, funzioni, strutture (ciclo for, if-else, if-elif-else, ciclo while), librerie e moduli, python: input/output, lambda-functions, numpy: generalità ed esempi, matplotlib: generalità ed esempi, pandas: generalità ed esempi. 2- Introduzione all’analisi dei dati: riduzione dimensionale, Singular Value Decomposition, trasformazioni, ottimizzazione e ruolo della qualità dei dati. Analisi dati e Machine Learning, regressione polinomiale. Metodi di apprendimento statistico. Decomposizione bias-varianza. 3- Metodi di ottimizzazione basati sul gradiente, deterministici e stocastici. 4- Elementi di inferenza bayesiana. 5- Regressione lineare, regressione logistica, modelli combinati. 6- Clustering, classificazione e analisi delle componenti principali. 7- Apprendimento supervisionato e non supervisionato.8- Alberi decisionali e metodi di ensemble, Random Forest, Gradient Boosting, XGBoost e LightGBM. Valutazione delle prestazioni, validazione incrociata, selezione degli iperparametri e interpretazione dei modelli. 9.- Reti neurali e apprendimento profondo: reti neurali di tipo feed-forward. Reti neurali convoluzionali. Architetture Long Short-Term Memory (LSTM) per l’analisi e la previsione di serie temporali e dati sequenziali. 10- Metodi variazionali e di campo medio. Modelli basati sull'energia: principio della massima entropia (MaxEnt), modelli generativi e apprendimento di Boltzmann. 11- Modelli generativi profondi: variabili nascoste e macchine di Boltzmann ristrette (RBM).
Laurea Triennale in Fisica e/o nozioni di analisi numerica. È necessaria una conoscenza a livello elementare del linguaggio python. È necessaria una conoscenza di analisi statistica elementare dei dati.
Lezioni frontali e svolgimento di progetti computazionali con uso delle più diffuse librerie di ML.
Modalità d'esame
Esame orale. Svolgimento di un progetto numerico con applicazione di ML all’indirizzo formativo del piano di studi dello studente. L’esame orale consisterà nella presentazione del progetto svolto.
Testi di riferimento
John M. Stewart, Python for Scientists - Second Edition,Cambridge University Press, 2017 S. Brunton and J.N. Kutz, "Data-Driven Science and Engineering: Machine Learning, Dynamical Systems, and Control", CUP (2019). Metha P, Bukov M. et al, “A high-bias, low-variance introduction to Machine Learning for physicists”, Physics Report 810, 1 (2019) M. Nielsen “Neural Networks and Deep Learning”, http://neuralnetworksanddeeplearning.com
Codice insegnamento 36336