- 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 in
Matematica (cod. 8010)
Valido anche per Laurea Magistrale in Matematica (cod. 5827)
-
Orario delle lezioni (Modulo 1)
dal 19/02/2024 al 29/05/2024
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