Menù principale
B031301 - OPTIMIZATION TECHNIQUES FOR MACHINE LEARNING
Principali informazioni
Lingua Insegnamento
Contenuto del corso
Libri di testo consigliati
Obiettivi Formativi
Prerequisiti
Metodi Didattici
Altre Informazioni
Modalità di verifica apprendimento
Programma del corso
Anno Accademico 2021-22
Coorte 2021 - Laurea Magistrale in INTELLIGENZA ARTIFICIALE
Anno di corso
Primo Anno - Primo Semestre
Dipartimento di Afferenza
Ingegneria dell'Informazione
Tipo insegnamento
Attività formativa monodisciplinare
Settore Scientifico disciplinare
MAT/09 - RICERCA OPERATIVA
Crediti Formativi
6
Ore Didattica
48
Periodo didattico
13/09/2021 ⇒ 17/12/2021
Frequenza Obbligatoria
No
Tipo Valutazione
Voto Finale
Contenuto del corso
mostra
Programma del corso
mostra
Docenza
Lingua Insegnamento
Italiano (lucidi e dispense aggiuntive in inglese)
Contenuto del corso
Condizioni di ottimalità
Metodi per l'ottimizzazione locale non vincolata
Metodi per l'ottimizzazione locale vincolata
Metodi di ottimizzazione per problemi di apprendimento automatico
Metodi per l'ottimizzazione locale non vincolata
Metodi per l'ottimizzazione locale vincolata
Metodi di ottimizzazione per problemi di apprendimento automatico
Libri di testo consigliati (Cerca nel catalogo della biblioteca)
Metodi di ottimizzazione non vincolata, L. Grippo, M. Sciandrone, Springer-Verlag, 2011
Dispense aggiuntive
Video streaming on line delle lezioni
Dispense aggiuntive
Video streaming on line delle lezioni
Obiettivi Formativi
Il corso fornisce le basi teoriche dell'ottimizzazione non lineare. Si prefigge l'obiettivo di fornire agli studenti conoscenza approfondita della teoria dell'ottimizzazione numerica continua, degli algoritmi di ottimizzazione e delle loro principali proprietà.Particolare attenzione è dedicata ai metodi di ottimizzazione rilevanti per il Machine Learning
CA2: La capacità di applicare la propria conoscenza e la propria comprensione per analizzare e ottimizzare apparati e sistemi, nonché di innovare i medesimi anche attraverso lo sviluppo ed il miglioramento dei metodi di progettazione, confrontandosi con continuità con la rapida evoluzione propria dell’ambito dell’ingegneria.
CA3: La capacità di scegliere e applicare appropriati metodi analitici e di modellazione, basati sull’analisi matematica e numerica, per poter simulare al meglio il comportamento di componenti e impianti al fine di predirne e migliorarne le prestazioni.
CA6: La capacità di identificare, localizzare e ottenere dati e informazioni necessari alla valutazione.
CA8: La capacità di interpretare in maniera appropriata i risultati dei test sperimentali, dei calcoli di verifica, nonché dei processi di simulazione teorica complessa, tramite l’uso del calcolatore, dando applicazione alle basi, sperimentali, modellistiche, matematiche ed informatiche acquisite.
CA12: La capacità adeguata di comprensione delle fonti in lingua inglese.
CC1: La conoscenza approfondita degli aspetti teorico-scientifici dell'ingegneria, Saper identificare, formulare e risolvere, anche in modo innovativo, problemi complessi o che richiedono un approccio interdisciplinare. La capacità di comprendere un contesto multidisciplinare in ambito ingegneristico e di operare in ottica problem solving.
CA2: La capacità di applicare la propria conoscenza e la propria comprensione per analizzare e ottimizzare apparati e sistemi, nonché di innovare i medesimi anche attraverso lo sviluppo ed il miglioramento dei metodi di progettazione, confrontandosi con continuità con la rapida evoluzione propria dell’ambito dell’ingegneria.
CA3: La capacità di scegliere e applicare appropriati metodi analitici e di modellazione, basati sull’analisi matematica e numerica, per poter simulare al meglio il comportamento di componenti e impianti al fine di predirne e migliorarne le prestazioni.
CA6: La capacità di identificare, localizzare e ottenere dati e informazioni necessari alla valutazione.
CA8: La capacità di interpretare in maniera appropriata i risultati dei test sperimentali, dei calcoli di verifica, nonché dei processi di simulazione teorica complessa, tramite l’uso del calcolatore, dando applicazione alle basi, sperimentali, modellistiche, matematiche ed informatiche acquisite.
CA12: La capacità adeguata di comprensione delle fonti in lingua inglese.
CC1: La conoscenza approfondita degli aspetti teorico-scientifici dell'ingegneria, Saper identificare, formulare e risolvere, anche in modo innovativo, problemi complessi o che richiedono un approccio interdisciplinare. La capacità di comprendere un contesto multidisciplinare in ambito ingegneristico e di operare in ottica problem solving.
Prerequisiti
Conoscenza elementare dell'Analisi matematica (serie di Taylor, concetti di gradiente ed Hessiana)
Algebra lineare
E' utile aver frequentato un corso di Ricerca Operativa / programmazione lineare
Algebra lineare
E' utile aver frequentato un corso di Ricerca Operativa / programmazione lineare
Metodi Didattici
Lezioni frontali. Le lezioni vengono registrate (audio e video) e rese disponibilit tramite moodle
Altre Informazioni
Modalità di verifica apprendimento
Esame scritto o orale (in alternativa) su tutto il programma.
Nel corso dell'esame si verifica mediante quesiti e domande teoriche:
- la conoscenza della teoria dell'ottimizzazione (condizioni di ottimalità)
- la conoscenza di algoritmi di ottimizzazione non lineare e delle loro proprietà teoriche
- la conoscenza di algoritmi di ottimizzazione applicati all'apprendimento automatico
Nel corso dell'esame si verifica mediante quesiti e domande teoriche:
- la conoscenza della teoria dell'ottimizzazione (condizioni di ottimalità)
- la conoscenza di algoritmi di ottimizzazione non lineare e delle loro proprietà teoriche
- la conoscenza di algoritmi di ottimizzazione applicati all'apprendimento automatico
Programma del corso
Introduzione: modelli di ottimizzazione, esempi
Nozioni di base e definizioni.
Condizioni di ottimalità di KKT
Introduzione ai problemi di machine learning
Convergenza degli algoritmi
Ottimizzazione mono-dimensionale
Metodi di discesa al gradiente
Metodi di Newton
Metodi alle direzioni coniugate
Metodi Quasi-Newton
Metodi Trust region
Metodi per problemi vincolati
Metodi di Ottimizzazione per il Machine Learning
Nozioni di base e definizioni.
Condizioni di ottimalità di KKT
Introduzione ai problemi di machine learning
Convergenza degli algoritmi
Ottimizzazione mono-dimensionale
Metodi di discesa al gradiente
Metodi di Newton
Metodi alle direzioni coniugate
Metodi Quasi-Newton
Metodi Trust region
Metodi per problemi vincolati
Metodi di Ottimizzazione per il Machine Learning