Physics - Fisica

CHIARA CAMMAROTA

OBIETTIVI GENERALI:
Il corso in oggetto è un insegnamento avanzato che ha lo scopo di guidare gli studenti nel territorio all'interfaccia tra la fisica statistica e il machine learning introducendo nozioni avanzate di meccanica statistica di equilibrio e fuori equilibrio dei sistemi disordinati e illustrando la loro applicazione a problemi di modellizzazione dell'apprendimento o di sviluppo di intelligenza artificiale.

OBIETTIVI SPECIFICI:
A - Conoscenza e capacità di comprensione
OF 1) Conoscere i principali metodi di meccanica statistica, probabilità e teoria dell'informazione di rilievo per le applicazioni in machine learning, quali metodi delle repliche, message passing, mutual information, data compression, approcci Bayesiani
OF 2) Comprendere i diversi comportamenti fisici che si presentano in problemi di apprendimento (curse of dimensionality, metastabilità, presenza di molti stati termodinamici)
B – Capacità applicative
OF 3) Saper adattare l'applicazione di una specifica tecnica analitica ad un dato problema di learning per studiare il suo comportamento fisico.
C - Autonomia di giudizio
OF 4) Essere in grado di riconoscere a quale classe di sistemi disordinati appartenga un dato
problema di apprendimento
D – Abilità nella comunicazione
OF 5) Saper seguire presentazioni di risultati di ricerca su temi affini a quelli trattati durante il corso
OF 6) Saper esporre in forma orale gli argomenti del corso con un linguaggio non troppo tecnico che ne permetta la comprensione anche a chi il corso non lo ha ancora seguito.
E - Capacità di apprendere
OF 7) Avere la capacità di consultare autonomamente testi e articoli scientifici al fine di approfondire in modo autonomo gli argomenti introdotti durante il corso

Questo corso è un insegnamento avanzato che ha lo scopo di guidare gli studenti nel territorio all'interfaccia tra la fisica statistica e il machine learning introducendo nozioni avanzate di meccanica statistica di equilibrio e fuori equilibrio dei sistemi disordinati e illustrando la loro applicazione a problemi di modellizzazione dell'apprendimento e di sviluppo di intelligenza artificiale. Vedremo come la fisica statistica ha influito nella concezione e sviluppo di regole di apprendimento automatico e permeso di effettuare analisi e predizioni per i casi di comportamento tipico, al di là dello scenario del caso peggiore.

a) E’ indispensabile avere conoscenze di base di probabilita’ e di fisica statistica
b) E’ importante avere conoscenze di base su transizioni di fase, fenomeni critici
c) E’ utile avere conoscenze di fisica dei sistemi complessi

La prima parte del corso è dedicata all’introduzione al Machine Learning, sua terminologia e esempi di realizzazioni, e ripasso concetti di base di fisica statistica [10 ore]
La seconda parte è dedicata a sviluppo di metodi di fisica statistica di equilibrio e fuori equilibio per lo studio di semplici modelli di learning [38 ore]
La terza parte è dedicata alla discussione di prospettive di studio di modelli di learning più complessi [12 ore]

Engel and C. Van den Broeck, Statistical Mechanics of Learning

Material aggiuntivo, principalmente articoli di ricerca o review, sarà suggerito e messo a disposizione durante il corso

Principalmente lezioni frontali, alcune possibili esercitazioni per stimolare la riflessione.
L’acquisizione delle conoscenze, permessa principalmente dalle lezioni frontali, copre una parte importante degli obiettivi formativi del corso.
L’acquisizione dell’indipendenza nell’applicare strumenti analitici e esplorare le implicazioni di processi di learning verrà favorita da esercitazioni che offriranno anche l’occasione di sviluppo di capacità comunicative e collaborative.

La frequenza alle lezioni non è obbligatoria ma è fortemente consigliata.

Per superare l'esame occorre conseguire un voto non inferiore a 18/30: è necessario dimostrare di aver acquisito una conoscenza sufficiente degli argomenti introdotti a lezione, e di essere in grado di presentarli senza gravi inconsistenze logiche o omissioni.
Per conseguire un punteggio pari a 30/30 e lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso, essendo in grado di discuterli in modo logico, coerente e critico.