96791 - PROBABILISTIC METHODS FOR MACHINE LEARNING

Anno Accademico 2023/2024

  • Docente: Stefano Pagliarani
  • Crediti formativi:: 6
  • SSD: MAT/06
  • Lingua di insegnamento: Inglese
  • Moduli: Stefano Pagliarani (Modulo 1) Giovanni Paolini (Modulo 2)
  • Modalità didattica: Convenzionale - Lezioni in presenza (Modulo 1) Convenzionale - Lezioni in presenza (Modulo 2)
  • Campus: Bologna
  • Corso: Laurea Magistrale in Matematica (cod. 5827)

    Valido anche per Laurea in Matematica (cod. 8010)

Conoscenze e abilità da conseguire

At the end of the course the students are familiar with the classical mathematical pillars of machine learning, including probabilistic aspects of advanced models such as neural networks and stochastic optimization algorithms for their training.

Contenuti

- Introduzione al machine learning. Problemi di regressione e classificazione. Supervised, unsupervised e reinforcement learning. Overfitting e regolarizzazione.

- Basi di teoria dell'informazione.

- Modelli lineari per supervised learning. Support Vector Machine (SVM).

- Unsupervised learning: clustering, modelli latenti, fattorizzazione di matrici.

- Modelli probabilistici.

- Reti neurali, backpropagation, discesa del gradiente.

- Deep learning, reti convoluzionali, transformer.

- Alcuni argomenti avanzati come: diffusion models, large language models, AlphaGo, AlphaTensor.

Testi/Bibliografia

- Christopher Bishop, Pattern Recognition and Machine Learning

- Aston Zhang, Zack C. Lipton, Mu Li, Alex J. Smola, Dive into Deep Learning


Metodi didattici

- Lezioni frontali alla lavagna e/o con le slides.

- Attività di programmazione e simulazione in laboratorio.

Modalità di verifica e valutazione dell'apprendimento

Colloquio orale ed eventuale presentazione di uno o più progetti.

Strumenti a supporto della didattica

- Ricevimento e tutorato.

- Note in PDF su alcune parti del programma.

Orario di ricevimento

Consulta il sito web di Stefano Pagliarani

Consulta il sito web di Giovanni Paolini