Skip to Main Content (Press Enter)

Logo UNIFE
  • ×
  • Home
  • Corsi
  • Insegnamenti
  • Professioni
  • Persone
  • Pubblicazioni
  • Strutture

UNI-FIND
Logo UNIFE

|

UNI-FIND

unife.it
  • ×
  • Home
  • Corsi
  • Insegnamenti
  • Professioni
  • Persone
  • Pubblicazioni
  • Strutture
  1. Insegnamenti

118551 - METODI DI OTTIMIZZAZIONE STOCASTICI

insegnamento
ID:
118551
Tipo Insegnamento:
Opzionale
Durata (ore):
48
CFU:
6
SSD:
ANALISI NUMERICA
Url:
Dettaglio Insegnamento:
INTELLIGENZA ARTIFICIALE, DATA SCIENCE E BIG DATA/BIG DATA 1 Anno: 2
Dettaglio Insegnamento:
INTELLIGENZA ARTIFICIALE, DATA SCIENCE E BIG DATA/DATA SCIENCE 1 Anno: 2
Anno:
2024
  • Dati Generali
  • Syllabus
  • Corsi
  • Persone

Dati Generali

Periodo di attività

Primo Semestre (19/09/2024 - 17/12/2024)

Syllabus

Obiettivi Formativi

L'obiettivo formativo del corso è duplice. Da un lato il corso si propone di fornire le basi dei principali metodi ottimizzazione che fanno uso di tecniche stocastiche (sia di tipo gradiente che euristici) caratterizzate dalla presenza di variabili casuali, dall’altro quello di fornire alcuni esempi pratici di applicazioni di tali tecniche nell’ambito dell’apprendimento automatico (machine learning). Le principali abilità (ossia la capacità di applicare le conoscenze acquisite) dello studente al termine dell'insegnamento saranno: scelta dei diversi algoritmi di ottimizzazione in base alle caratteristiche del problema, implementazione degli algoritmi, inclusione di tali algoritmi in processi di apprendimento automatico, analisi dei parametri e controllo della convergenza dei metodi.

Prerequisiti

Per seguire il corso con profitto, si consiglia di avere familiarità con almeno uno tra Python e Matlab, e di conoscere i contenuti dei corsi di Fondamenti di Data Science, Analisi Matematica 1 e 2, e Algebra lineare. Il superamento di detti esami NON e' vincolante.

Metodi didattici

Lezioni teoriche in presenza tramite slides e note del docente, ed esercitazioni pratiche in laboratorio basate su linguaggio Python e/o Matlab.

Verifica Apprendimento

Consegna di un progetto scritto (codice sorgente e relazione) identificato di comune accordo con lo studente o il gruppo di studenti durante il corso, verifica degli aspetti teorici tramite prova finale, a scelta in forma scritta oppure orale.

Testi

- Appunti del docente (slides utilizzate a lezione disponibili in ambiente classroom)
Per approfondimenti:
-Gradient Descent, Stochastic Optimization, and Other Tales by Jun Lu 2022
-Swarm Intelligence: From Natural to Artificial Systems by Eric Bonabeau, ‎Marco Dorigo, ‎Guy Theraulaz - 1999
-Understanding Machine Learning: From Theory to Algorithms by Shai Shalev-Shwartz, Shai Ben-David - 2014

Contenuti

1. Richiami di calcolo differenziale in più variabili e ottimizzazione deterministica
2. Richiami di calcolo delle probabilità e processi stocastici
3. Machine learning e ottimizzazione in dimensione elevata
4. Metodi per funzioni stocastiche: metodo del gradiente stocastico, estensioni e varianti (Adam, RMSProp, kSGD)
5. Metodi di ricerca casuale: metodi euristici (Simulated annealing, Genetic algorithms, Differential evolution), swarm intelligence (ACO, PSO, CBO)
6. Implementazione (Python, Matlab) e applicazioni al machine learning (apprendimento di funzioni, phase retrieval, matrix completion, image classification)
7. Analisi della convergenza: caso convesso, risultati locali, convergenza di campo medio

Lingua Insegnamento

ITALIANO

Corsi

Corsi

INTELLIGENZA ARTIFICIALE, DATA SCIENCE E BIG DATA 
Laurea Magistrale
2 anni
No Results Found

Persone

Persone (2)

IACOMINI Elisa
Settore MATH-05/A - Analisi numerica
Gruppo 01/MATH-05 - ANALISI NUMERICA
AREA MIN. 01 - Scienze matematiche e informatiche
Ricercatori a tempo determinato - Tipo A
PARESCHI Lorenzo
Settore MATH-05/A - Analisi numerica
Gruppo 01/MATH-05 - ANALISI NUMERICA
AREA MIN. 01 - Scienze matematiche e informatiche
Docenti di ruolo di Ia fascia
No Results Found
  • Utilizzo dei cookie

Realizzato con VIVO | Designed by Cineca | 25.4.2.0