Matematica
Cod 198373
- Laurea magistrale
- 2 anni
- 120 CFU
- LM-40 R
MAT/07
FM530 - Metodi Matematici per il Machine Learning
Codice: 20410875
Scheda insegnamento
- Anno Accademico di erogazione
- 2026/2027
- Corso di studi
- Scienze Computazionali
- Periodo di erogazione
- Secondo semestre
- CFU
- 9 CFU
- Lingua
- Italiano
- SSD
- MAT/07
Scopri il programma didattico
Programma, testi adottati e modalità d’esame sono quelli pubblicati dai docenti per l’anno accademico 2026/2027. L’insegnamento è diviso in canali: ogni canale ha il suo programma.
- Docente
- Robin Johannes Petrus Reuvers
- Curriculum
- Crittografia e sicurezza informatica
- Anno di corso
- 1
- Periodo
- Secondo semestre
- Ore
- 72
- CUIN
- 260008581
Programma
Richiami ai fondamenti di algebra lineare, matrici speciali
Fattorizzazione e decomposizione di matrici; autospazi
Gestione di grandi matrici e ricostruzione dei dati
Ottimizzazione e moltiplicatori di Lagrange Minimizzazione e metodo del gradiente
Struttura delle Neural Network (NN)
Blocchi fondamentali delle NN: affine layer; activation layer; cost layer (quadratic loss and cross entropy)
Backpropagation
Utilizzo delle NN: Data-split; Minibatch; Training & Validation
Classificazione e regressione
Analisi delle immagini e Convoluzione
Matlab: assemblaggio delle NN; analisi delle prestazioni; selezione di problemi campione
NN professionali
Prerequisiti
Algebra lineare
Testi adottati
Gilbert Strang, Linear algebra and learning from data, WELLESLEY- Cambridge Press.
Michael Nielsen, Neural Networks and Deep Learning (web book).
http://neuralnetworksanddeeplearning.com/index.html
Il materiale verrà indicato dal docente durante le lezioni
Modalità di erogazione
72 ore di lezioni e esercitazioni in aula
Modalità di frequenza
Lezioni e esercitazioni in aula
Modalità di valutazione
1) svolgere degli esercizi del libro di Strang; gli esercizi vanno consegnati via mail
2) preparare un rapporto su un tema a scelta concordato con i docenti
3) concordare con i docenti un appuntamento per presentare il rapporto
4) consegnare gli esercizi e il rapporto almeno una settimana prima della presentazione
5) discutere il rapporto in modo soddisfacente
Nella valutazione del progetto la determinazione del voto terrà conto di alcuni elementi, come ad esempio: livello e la qualità della conoscenza degli argomenti durante la presentazione; qualità del rapporto consegnato; la capacità di analizzare l'argomento in modo critico; la capacità di applicare teorie e concetti al progetto.
Prove previste
- Valutazione di un progetto
- Docente
- Robin Johannes Petrus Reuvers
- Curriculum
- Modellistica fisica e simulazioni numeriche
- Anno di corso
- 1
- Periodo
- Secondo semestre
- Ore
- 72
- CUIN
- 260008636
Programma
Richiami ai fondamenti di algebra lineare, matrici speciali
Fattorizzazione e decomposizione di matrici; autospazi
Gestione di grandi matrici e ricostruzione dei dati
Ottimizzazione e moltiplicatori di Lagrange Minimizzazione e metodo del gradiente
Struttura delle Neural Network (NN)
Blocchi fondamentali delle NN: affine layer; activation layer; cost layer (quadratic loss and cross entropy)
Backpropagation
Utilizzo delle NN: Data-split; Minibatch; Training & Validation
Classificazione e regressione
Analisi delle immagini e Convoluzione
Matlab: assemblaggio delle NN; analisi delle prestazioni; selezione di problemi campione
NN professionali
Prerequisiti
Algebra lineare
Testi adottati
Gilbert Strang, Linear algebra and learning from data, WELLESLEY- Cambridge Press.
Michael Nielsen, Neural Networks and Deep Learning (web book).
http://neuralnetworksanddeeplearning.com/index.html
Il materiale verrà indicato dal docente durante le lezioni
Modalità di erogazione
72 ore di lezioni e esercitazioni in aula
Modalità di frequenza
Lezioni e esercitazioni in aula
Modalità di valutazione
1) svolgere degli esercizi del libro di Strang; gli esercizi vanno consegnati via mail
2) preparare un rapporto su un tema a scelta concordato con i docenti
3) concordare con i docenti un appuntamento per presentare il rapporto
4) consegnare gli esercizi e il rapporto almeno una settimana prima della presentazione
5) discutere il rapporto in modo soddisfacente
Nella valutazione del progetto la determinazione del voto terrà conto di alcuni elementi, come ad esempio: livello e la qualità della conoscenza degli argomenti durante la presentazione; qualità del rapporto consegnato; la capacità di analizzare l'argomento in modo critico; la capacità di applicare teorie e concetti al progetto.
Prove previste
- Valutazione di un progetto
- Docente
- Robin Johannes Petrus Reuvers
- Curriculum
- Analisi dei dati e statistica
- Anno di corso
- 1
- Periodo
- Secondo semestre
- Ore
- 72
- CUIN
- 260008691
Programma
Richiami ai fondamenti di algebra lineare, matrici speciali
Fattorizzazione e decomposizione di matrici; autospazi
Gestione di grandi matrici e ricostruzione dei dati
Ottimizzazione e moltiplicatori di Lagrange Minimizzazione e metodo del gradiente
Struttura delle Neural Network (NN)
Blocchi fondamentali delle NN: affine layer; activation layer; cost layer (quadratic loss and cross entropy)
Backpropagation
Utilizzo delle NN: Data-split; Minibatch; Training & Validation
Classificazione e regressione
Analisi delle immagini e Convoluzione
Matlab: assemblaggio delle NN; analisi delle prestazioni; selezione di problemi campione
NN professionali
Prerequisiti
Algebra lineare
Testi adottati
Gilbert Strang, Linear algebra and learning from data, WELLESLEY- Cambridge Press.
Michael Nielsen, Neural Networks and Deep Learning (web book).
http://neuralnetworksanddeeplearning.com/index.html
Il materiale verrà indicato dal docente durante le lezioni
Modalità di erogazione
72 ore di lezioni e esercitazioni in aula
Modalità di frequenza
Lezioni e esercitazioni in aula
Modalità di valutazione
1) svolgere degli esercizi del libro di Strang; gli esercizi vanno consegnati via mail
2) preparare un rapporto su un tema a scelta concordato con i docenti
3) concordare con i docenti un appuntamento per presentare il rapporto
4) consegnare gli esercizi e il rapporto almeno una settimana prima della presentazione
5) discutere il rapporto in modo soddisfacente
Nella valutazione del progetto la determinazione del voto terrà conto di alcuni elementi, come ad esempio: livello e la qualità della conoscenza degli argomenti durante la presentazione; qualità del rapporto consegnato; la capacità di analizzare l'argomento in modo critico; la capacità di applicare teorie e concetti al progetto.
Prove previste
- Valutazione di un progetto
Esplora gli obiettivi dell’insegnamento
Ambito disciplinare: Formazione matematica modellistico-computazionale avanzata
Risultati di apprendimento attesi — Robin Johannes Petrus Reuvers
Illustrare i metodi matematici che sono alla base della data science; mostrare il ruolo fondamentale che ha l’algebra lineare nell’analisi dei dati e in particolare, nelle reti neurali.
Risultati di apprendimento attesi — Robin Johannes Petrus Reuvers
Illustrare i metodi matematici che sono alla base della data science; mostrare il ruolo fondamentale che ha l’algebra lineare nell’analisi dei dati e in particolare, nelle reti neurali.
Risultati di apprendimento attesi — Robin Johannes Petrus Reuvers
Illustrare i metodi matematici che sono alla base della data science; mostrare il ruolo fondamentale che ha l’algebra lineare nell’analisi dei dati e in particolare, nelle reti neurali.
Informazioni utili
Per questo insegnamento non sono pubblicate informazioni aggiuntive. Materiale didattico e documenti si trovano sulla piattaforma del corso.