| CODICE | 108960 |
|---|---|
| ANNO ACCADEMICO | 2022/2023 |
| CFU |
|
| SETTORE SCIENTIFICO DISCIPLINARE | MAT/09 |
| SEDE |
|
| PERIODO | 2° Semestre |
| MATERIALE DIDATTICO | AULAWEB |
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.
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.
Al termine del corso lo studente sarà in grado di:
Analisi per funzioni di più variabili, algebra lineare, probabilità
Lezioni alla lavagna e in laboratorio
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.
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
Ricevimento: Su appuntamento: parlare direttamente con il docente oppure scrivere a silvia.villa@unige.it.
SILVIA VILLA (Presidente)
ERNESTO DE VITO
CESARE MOLINARI (Supplente)
In accordo con il calendario accademico
L'orario di tutti gli insegnamenti è consultabile su EasyAcademy.
L'esame consiste nella discussione di una breve tesina in sede di esame. Lo studente può scegliere uno delle seguente tipologie
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.
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.