Salta al contenuto principale
CODICE 108960
ANNO ACCADEMICO 2022/2023
CFU
SETTORE SCIENTIFICO DISCIPLINARE MAT/09
SEDE
  • GENOVA
PERIODO 2° Semestre
MATERIALE DIDATTICO AULAWEB

PRESENTAZIONE

Il corso fornisce i concetti di base per la comprensione e l'utilizzo dei principali algoritmi di ottimizzazione e di ricerca operativa per risolvere problemi di analisi dei dati, in particolare machine learning e problemi inversi. 

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

L’obiettivo del corso è fornire gli strumenti per una conoscenza teorica ed un utilizzo pratico dei principali algoritmi di ottimizzazione utilizzati per l’analisi dei dati.

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Al termine del corso lo studente sarà in grado di:

  • riconoscere e classificare diversi problemi di ottimizzazione e di ricerca operativa
  • capire ed utilizzare algoritmi di ottimizzazione lineare e convessa
  • risovere problemi convessi e di programmazione lineare in contesti applicati

 

 

PREREQUISITI

Analisi per funzioni di più variabili, algebra lineare, probabilità

MODALITA' DIDATTICHE

Lezioni alla lavagna e in laboratorio

PROGRAMMA/CONTENUTO

Il corso tratterà alcune nozioni di base relative ai problemi di ottimizzazione. Verrà poi trattato il problema della programmazione lineare e l'ottimizzazione di funzioni differenziabili e convesse. Verra' considerata in particolare la convergenza dell'algoritmo del gradiente e l'algoritmo prossimale del gradiente, anche stocastici. Il corso mostrerà le applicazioni degli algoritmi introdotti a problemi di ricostruzione di immagini e di machine learning, anche con lezioni di laboratorio. 

TESTI/BIBLIOGRAFIA

S. Boyd and L. Vandenberghe, Convex Optimization, Cambridge University Press, 2004

S. Bubeck, Convex Optimization: Algorithms and Complexity, https://arxiv.org/abs/1405.4980?context=cs

S. Salzo, S. Villa, Proximal Gradient Methods for Machine Learning and Imaging, 2022

DOCENTI E COMMISSIONI

Commissione d'esame

SILVIA VILLA (Presidente)

ERNESTO DE VITO

CESARE MOLINARI (Supplente)

LEZIONI

INIZIO LEZIONI

In accordo con il calendario accademico

Orari delle lezioni

L'orario di questo insegnamento è consultabile all'indirizzo: Portale EasyAcademy

ESAMI

MODALITA' D'ESAME

L'esame consiste nella discussione di una breve tesina 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. Si consigliano gli studenti con certificazione di DSA, di disabilità o di altri bisogni educativi speciali di contattare i docenti all’inizio del corso per concordare modalità didattiche e d’esame che, nel rispetto degli obiettivi dell’insegnamento, tengano conto delle modalità di apprendimento individuali e forniscano idonei strumenti compensativi.

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. La verifica verrà fatta mediante una presentazione di circa 30 minuti in cui verranno posta domande sull'argomento scelto e domande di base sul programma del corso. 

Si consigliano gli studenti con certificazione di DSA, di disabilità o di altri bisogni educativi speciali di contattare i docenti all’inizio del corso per concordare modalità didattiche e d’esame che, nel rispetto degli obiettivi dell’insegnamento, tengano conto delle modalità di apprendimento individuali e forniscano idonei strumenti compensativi.