PRESENTAZIONE

L'insegnamento fornisce agli studenti le basi sulle tecniche di analisi di grosse banche dati con una attenzione particolare alla loro applicazione nell'ambito delle macchine a fluido.

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

L'insegnamento si propone di fornire agli studenti gli strumenti per - l’analisi di estese banche dati sperimentali o numeriche, -l’identificazione delle informazioni principali contenute in esse, - lo sviluppo di modelli di ordine ridotto in grado di riprodurre l’andamento dinamico e statistico del sistema all’origine dell’insieme di dati, a supporto dello sviluppo di macchine a fluido.

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Lo studente alla fine del corso sarà in grado di:

- Sviluppare programmi in ambiente di calcolo Matlab per l'elaborazioni di grosse banche dati tipiche delle macchine a fluido. In particolare, lo studente implementerà programmi per l'identificazione delle informazioni fondamentali di un set di dati, e per l'estrazione di modelli di regressione

- Interpretare i risultati delle diverse decomposizioni modali (Proper Orthogonal Decomposition, Dynamic Mode Decomposition) introdotte durante il corso

- Identificare il metodo ottimale per ridurre un set di dati a seconda della tipologia dei dati e dei parametri ingegneristici caratterizzanti il problema

- Comprendere e dimostrare le teorie alla base di alcune recenti tecniche di Machine Learning

MODALITA' DIDATTICHE

L’insegnamento si svolge prevalentemente attraverso lezioni frontali. Consiste in una parte teorica affiancata da esercitazioni di laboratorio informatico svolte in ambiente di programmazione Matlab. E’ fortemente consigliata la frequenza perché gli argomenti trattati e discussi in aula e le nozioni fornite durante il laboratorio di informatica possono essere assimilati più facilmente e sono gli unici richiesti per il superamento della prova finale.

Gli studenti che abbiano certificazioni in corso di validità per Disturbi Specifici dell’Apprendimento (DSA), per disabilità o altri bisogni educativi sono invitati a contattare il docente e il referente per la disabilità della Scuola Politecnica, Prof. Federico Scarpa (federico.scarpa@unige.it), all’inizio dell’insegnamento per concordare eventuali modalità didattiche e di esame che, nel rispetto degli obiettivi dell’insegnamento, tengano conto delle modalità di apprendimento individuali.

PROGRAMMA/CONTENUTO

Il modulo intende fornire gli elementi di base dell'analisi di grose banche dati. Vengono trattati diversi metodi per la riduzione dimensionale dei dati e recenti metodi "Machine learning" per lo sviluppo di modelli. Nel dettaglio vengono trattati i seguenti temi:

1. Decomposizione dei dati: trasformata di Fourier e decomposizione ai valori singolari (SVD).

2. Analisi dei dati e Machine learning: regressioni e selezione del modello, classificazioni e reti neurali.

3. Modelli di ordine ridotto: applicazioni della Proper Orthogonal Decomposition (POD).

4. Analisi di un sistema dinamico tramite approcci "Data-Driven": applicazione della Dynamic Mode Decomposition (DMD).

5. Ogni argomento prevede esercitazioni informatiche tramite Matlab in modo da consentire allo studente di sviluppare programmi per l'elaborazione dei dati con appicazioni specifiche alla macchine a fluido.

TESTI/BIBLIOGRAFIA

Brunton, Steven L., and J. Nathan Kutz. Data-driven science and engineering: Machine learning, dynamical systems, and control. Cambridge University Press, 2019.

Dreyfus, Gérard. Neural networks: methodology and applications. Springer Science & Business Media, 2005.

DOCENTI E COMMISSIONI

LEZIONI

INIZIO LEZIONI

https://corsi.unige.it/corsi/9270/studenti-orario

Orari delle lezioni

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

ESAMI

MODALITA' D'ESAME

L’esame si svolgerà in due parti, da sostenere nella stessa giornata. Nella prima parte verrà presentata dallo studente un’esercitazione di elaborazione di dati forniti allo studente durante il corso. Nella seconda parte verrà effettuata una verifica orale delle conoscenze dello studente sugli argomenti di base esposti all’interno dell’insegnamento. La data verrà concordata su appuntamento.

Si consiglia agli studenti con certificazione di DSA, di disabilità o di altri bisogni educativi speciali di contattare il docente 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.

MODALITA' DI ACCERTAMENTO

L’esame orale permetterà di verificare l’apprendimento dello studente delle teorie matematiche alla base dell'analisi di big data e delle differenti tipologie di approccio alla loro analisi. L’esercitazione consentirà di verificare la capacità dello studente di sviluppare un programma in ambiente Matlab allo scopo di trattare, post-processare ed analizzare opportunamente grandi banche dati, raggiungendo l’obiettivo preposto in termini di analisi statistica e/o dinamica del sistema oggetto di studio e riduzione di ordine del problema.