- 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)
Conoscenze e abilità da conseguire
Alla fine del corso, gli studenti avranno acquisito una solida comprensione delle principali tecniche di machine learning. Avranno le competenze per applicare e adattare efficacemente questi metodi in diverse situazioni. Inoltre, gli studenti saranno dotati di conoscenze fondamentali dei concetti probabilistici che sottendono questi metodi.
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.
- Unsupervised learning: clustering, modelli latenti, fattorizzazione di matrici.
- Modelli probabilistici.
- Reti neurali, backpropagation, discesa del gradiente.
- Deep learning, reti convoluzionali, transformer.
- Language models.
- Alcuni argomenti avanzati come: kernel models, 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
- Christopher Bishop, Deep Learning
- Richard S. Sutton and Andrew G. Barto, Reinforcement Learning: An Introduction
- Dan Jurafsky and James H. Martin, Speech and Language Processing
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
Consegna di un progetto finale in Python, da svolgere in gruppo, seguita da colloquio orale volto alla verifica del contributo individuale dei singoli studenti.
Strumenti a supporto della didattica
- Ricevimento e tutorato.
- Note in PDF su alcune parti del programma.
- Sessioni di laboratorio sotto la supervisione di un tutor.
Orario di ricevimento
Consulta il sito web di Stefano Pagliarani
Consulta il sito web di Giovanni Paolini