Salta al contenuto principale della pagina

LA MATEMATICA DEL MACHINE LEARNING

CODICE 98795
ANNO ACCADEMICO 2020/2021
CFU
  • 7 cfu al 1° anno di 9011 MATEMATICA(LM-40) - GENOVA
  • 7 cfu al 2° anno di 9011 MATEMATICA(LM-40) - GENOVA
  • SETTORE SCIENTIFICO DISCIPLINARE MAT/06
    LINGUA Italiano (Inglese a richiesta)
    SEDE
  • GENOVA
  • PERIODO 2° Semestre
    MATERIALE DIDATTICO AULAWEB

    PRESENTAZIONE

    L'insegnamento  offre un'introduzione alla teoria matematica del machine learning, i cui strumenti sono alla base dei moderni algoritmi di apprendimento automatico e dell'analisi dati in grandi dimensioni. L'insegnamento è rivolto agli studenti della laurea magistrale in matematica. 

    OBIETTIVI E CONTENUTI

    OBIETTIVI FORMATIVI

    L’obiettivo primario è quello di fornire allo studente il linguaggio e gli strumenti di base dell’apprendimento automatico, con particolare enfasi al caso supervisionato. L’approccio seguito si basa su una formulazione del problema del machine learning come problema inverso stocastico. Lo studente dovrà inoltre conoscere alcuni degli algoritmi più noti, comprendendone sia le proprietà statistiche sia quelle computazionali.

    OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

    Al termine dell'insegnamento, lo studente avrà acquisito

    • una buona  padronanza delle nozioni di base del machine learning e degli stumenti matematici ad esso connessi; 
    • una buona  comprensione dei concetti di base e delle tecniche di ottimizzazione convessa
    • una conoscenza delle proprietà di alcuni algoritmi di machine learning  sia dal punto di vista statistico che dal punto di vista dell'implementazione numerica
    • una discreta abilità di usare gli algoritmi su dati sintetici e/o reali discutendone la ragionevolezza dei risultati

    PREREQUISITI

    Analisi Matematica 1 e 2, Algebra Linerare e Probabilità.

    MODALITA' DIDATTICHE

    Lezioni frontali di teoria e laboratori

    PROGRAMMA/CONTENUTO

    • introduzione all'apprendimento supervisionato come problema di regressione (random design): errore atteso, algoritmi di apprendimento e loro consistenza;
    • no-free lunch theorem, stime ottimali e condizioni a priori;
    • disuguaglianza di concentrazione in spazi di Hilbert
    • spazi di Hilbert a nucleo riproducente;
    • richiami di teoria degli operatori lineare e teorema spettrale per operatori compatti;
    • algoritmi supervisionati classici (minimi quadrati regolarizzati, Support Vector Machines, ecc.) e loro consistenza;
    • introduzione al manifold learning;
    • introduzione al deep learning;
    • algoritmi del prim'ordine per funzioni differenziabili: metodo del gradiente  
    • algoritmi per funzioni non differenziabili: metodo del gradiente prossimale, applicazioni alla  sparsità (Lasso ed Elastic Net);
    • algortimi basati sulla discesa del gradiente stocastico;
    • algoritmi approssimati per dati di grandi dimensioni:

    TESTI/BIBLIOGRAFIA

    • L. Rosasco, Introductory Machine Learning Notes, University of Genoa,  (http://lcsl.mit.edu/courses/ml/1718/MLNotes.pdf)
    • Steinwart, Ingo, Christmann, Andreas, Support vector machines, Springer, ISBN 978-0-387-77241-7
    • Cucker, Felipe, Zhou, Ding-Xuan, Learning theory: an approximation theory viewpoint, Cambridge University Press 2007, ISBN  978-0-521-86559-3
    • Boyd, Vandenberghe, Convex Optimization, Cambridge University Press, 2004, ISBN 0 521 83378 7

    DOCENTI E COMMISSIONI

    Commissione d'esame

    LORENZO ROSASCO (Presidente)

    ERNESTO DE VITO

    SILVIA VILLA (Presidente Supplente)

    LEZIONI

    INIZIO LEZIONI

    In accordo con il calendario accademico approvato dal Consiglio di Corsi di Studi.

    Orari delle lezioni

    L'orario di tutti gli insegnamenti è consultabile su EasyAcademy.

    ESAMI

    MODALITA' D'ESAME

    L'esame consiste nella preparazione di una breve tesina  scritta (di circa dieci pagine) e la relativa discussione in sede di esame. Lo studente può scegliere uno delle seguente tipologie

    1. sviluppare uno degli argomenti in programma
    2. analizzare e discutere un articolo di ricerca legati alle tematiche trattate a lezione
    3. sviluppo di un codice in un linguaggio di programmazione a scelta dello studente di uno o più algoritmi trattati a lezione
    4. utilizzo di codice esistente per l'analisi di dati sintentici e reali e discussione critica dei risultati ottenuti

    Lo studente deve concordare preventivamente con i docenti l'argomento della tesina.

    MODALITA' DI ACCERTAMENTO

    La preparazione della tesina e la relativa discussione sono finalizzate a verificare il raggiungimento da parte dello studente di una sufficiente capacità critica ed autonomia di ragionamento nell'ambito del machine learning.

    Inoltre, la scrittura della tesi serve a verificare la capacità dello studente di elaborare in forma scritta  le proprie idee.