- Docente: Renato Campanini
- Crediti formativi: 6
- SSD: FIS/07
- Lingua di insegnamento: Italiano
- Modalità didattica: Convenzionale - Lezioni in presenza
- Campus: Bologna
- Corso: Laurea Magistrale in Fisica (cod. 8025)
Conoscenze e abilità da conseguire
Al termine del corso, lo studente apprende ed applica metodi avanzati di analisi statistica dei dati e di pattern recognition. In particolare, possiede le seguenti conoscenze: descrizione statistica dei dati; momenti di una distribuzione; test statistici; confronto tra due distribuzioni; associazione tra due variabili; correlazione non parametrica; modellizzazione dei dati; pattern recognition; creazione ed estrazione delle caratteristiche; classificatori bayesiani; apprendimento dai dati; metodi di apprendimento, supervisionato e non; reti neurali; support vector machine; analisi di cluster; esempi di applicazioni.
Contenuti
Teoria della probabilità,variabili random,densità di probabiltà,funzione cumulativa,formula di Bayes,momenti di una distribuzione,test statistici,correlazioni parametriche,correlazioni non parametriche,modeling di dati,introduzione al pattern recognition,riduzione ed estrazione delle caratteristiche,algoritmi genetici,simulated annealing,addestramento e test,k fold cross validation,Stima non parametrica delle densità di probabilità:metodo Parzen windows e KNN,reti neurali,percettroni semplici,reti neurali a multistrato,reti a Radial Basis Function,Support Vector Machine,Analisi di cluster.Deep learning ed applicazioni.
Testi/Bibliografia
Numerical Recipes,3ed,cap.14,15 www.nr.com
B.R. Martin,"Statistics for Physical Sciences,An introduction",Elsevier 2012
G.Bohm,G.Zech " Introduction to statistics and data analysis for physicist" www-library.desy.de/preparch/books/vstamp_engl.pdf
Statistics course Home Page,Glenn Cowan:
http://www.pp.rhul.ac.uk/~cowan/stat_course.html
lezioni su Pattern Recognition del prof. Ricardo Gutierrez-Osuna http://research.cs.tamu.edu/prism/lectures.htm
"Learning from data, a short course" ,Yaser S.Abu-Mostafa et al.,AMLbook.com,2012
Free Online book on deep neural networks at http://www.deeplearningbook.org
Metodi didattici
Lezioni frontali.
Modalità di verifica e valutazione dell'apprendimento
Due esami parziali con domande scritte o a scelta dello studente un esame finale unico con domande scritte. Un elaborato finale al computer su argomenti del corso o ad esso collegati.
Strumenti a supporto della didattica
Le lezioni si tengono nel primo semestre in Aule presso il Dipartimento di Fisica,Viale B.Pichat 6/2 .
Materiale a supporto per lo sviluppo dell'elaborato al computer si trova nel sito:
Google site http://sites.google.com/site/uniboimage/
Ottimo corso online su Convolutional Neural networks : http://cs231n.stanford.edu/
Orario di ricevimento
Consulta il sito web di Renato Campanini