Anno Accademico 2021/2022
- Docente: Daniele Tantari
- Crediti formativi: 6
- SSD: MAT/07
- Lingua di insegnamento: Italiano
- Modalità didattica: Convenzionale - Lezioni in presenza
- Campus: Bologna
-
Corso:
Laurea Magistrale in
Matematica (cod. 8208)
Valido anche per Laurea Magistrale in Matematica (cod. 5827)
Conoscenze e abilità da conseguire
Al termine del corso, lo studente: - possiede nozioni approfondite di analisi microlocale e meccanica quantistica, teoria ergodica, sistemi disordinati; - e' in grado di condurre autonomamente l'approfondimento verso gli sviluppi piu' recenti delle tematiche sopra citate.
Contenuti
- Richiami di Probabilità, Teoria dell’Informazione e Meccanica Statistica;
- Modelli di Ising: stati termodinamici e transizioni di fase;
- Sistemi con frustrazione e Teoria di Gauge;
- Grafi Random: degree distribution, componenti e metriche; Configuration Model; Erdos-Renyi; Grafi di massima entropia, Strutture Macroscopiche e Stochastic Block Model;
- Factor graphs: proprietà di base, grafi localmente ad albero, Energia Libera di Bethe;
- Belief Propagation, Message-Passing Algorithm, TAP equations;
Approfondimenti/Applicazioni
- Spin di Ising: Belief Propagation vs Glauber Dynamics;
- Belief Propagation e community detection su reti: “detectability transitions” e complessità;
- Codifica, trasmissione e decodifica di sequenze di dati;
- Ricostruzione di immagini;
- Learning nel perceptrone e nelle reti neurali: capacità critica e transizioni di fase;
Testi/Bibliografia
Referenze principali:
- M.Mézard, A.Montanari - Information, Physics, and Computation - Oxford University Press, USA
(2009); - Nishimori, H.: Statistical Physics of Spin Glasses and Information processing. An Introduction. Oxford
Science Publications 2001. - Coolen, Kuhn, Sollich, Theory of Neural InformationProcessing Systems, Oxford University Press
Letture suggerite:
- Mark Newman - Networks_ An Introduction - Oxford University Press (2010);
- Decelle, A., Krzakala, F., Moore, C., & Zdeborová, L. (2011). Asymptotic analysis of the stochastic block model for modular networks and its algorithmic applications. Physical Review E, 84(6), 066106.
- Zdeborová, L., & Krzakala, F. (2016). Statistical physics of inference: Thresholds and
algorithms. Advances in Physics, 65(5), 453-552. - Gardner, E., and Derrida, B.: Optimal storage properties of neural network models. J. Phys. A: Math.
Gen. 21, 271-284 (1988)
Metodi didattici
Lezioni frontali
Modalità di verifica e valutazione dell'apprendimento
La verifica dell' apprendimento consiste in una prova orale che mira a verificare l’acquisizione delle conoscenze previste dal programma del corso e a valutare le abilità conseguite come previsto dagli obiettivi formativi quali:
- Nozioni avanzate di Meccanica Statistica applicata e Teoria dei Grafi Random;
- Capacità di leggere e interpretare problemi di Ottimizzazione, Inferenza e Machine Learning dal punto di vista della Meccanica Statistica, delineandone la struttura matematica e le possibili soluzioni;
- Capacità di condurre esperimenti numerici, implementando algoritmi di Inferenza su dati simulati o
reali; - Capacità di condurre autonomamente l'approfondimento verso gli sviluppi più recenti delle tematiche sopra citate e dei loro problemi più significativi;
Strumenti a supporto della didattica
Note del corso e registro aggiornato delle lezioni;
Orario di ricevimento
Consulta il sito web di Daniele Tantari