Vai al contenuto principale
Oggetto:
Oggetto:

Reti neurali

Oggetto:

Neural networks

Oggetto:

Anno accademico 2020/2021

Codice attività didattica
MFN0824
Docente
Dott. Matteo Osella (Titolare del corso)
Corso di studio
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
Da definire
Tipologia
B=Caratterizzante
Crediti/Valenza
6
SSD attività didattica
FIS/02 - fisica teorica, modelli e metodi matematici
Erogazione
A distanza
Lingua
Italiano
Frequenza
Facoltativa
Tipologia 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 del corso

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

Comprensione della teoria di base del machine learning e dei principali modelli di reti neurali artificiali. 

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:

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




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

Notebook Jupyter disponibili per esplorazioni pratiche. 

Maggiori informazioni disponibili nel video di presentazione del corso. 

Jupyter notebooks available to start playing. 

Information in the first introductory video lecture

 



Oggetto:

Testi consigliati e bibliografia

 

 

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:

Note

Nessuna propedeuticità obbligatoria. Frequenza non obbligatoria, ma fortemente consigliata.

Attendance is not compulsory,  but students are stongly advised to attend 

Oggetto:

Corsi che mutuano questo insegnamento

Oggetto:

Orario lezioniV

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

Registrazione
  • Aperta
    Oggetto:
    Ultimo aggiornamento: 22/07/2020 18:11
    Location: https://fisica.campusnet.unito.it/robots.html
    Non cliccare qui!