Matematica applicata

Lezioni teoriche [50% delle ore del corso] Richiami generali sulle reti neurali artificiali differenziabili e sull'uso della libreria pytorch per la progettazione, training e test delle ANN. Architetture di base: MLP, Convolutional neural network, neural network per analisi di sequenze (RNN, LSTM/GRU). Attention, self-attention, transformers e visual transformers. Tecniche di apprendimento avanzate: transfer learning, domain adaptation, adversarial learning, self-supervised and contrastive learning, model distillation. Modelli per il rilevamento di oggetti e la segmentazione semantica e applicazioni. Graph Neural Network e Deep Learning geometrico. Modelli non supervisionati e rilevamento delle anomalie. Deep Learning Generativo: modelli autoregressivi, modelli invertibili: diffusion and normalizing flow, generative GNN. Quantum Machine Learning su near-term quantum devices, progetto e addestramento di QNN, Reinforcement Learning, Quantificazione delle incertezze in modelli di DNN. Energy models: Associative memories, Boltzmann Machines and RBMs. Esercitazioni computazionali [50% delle ore del corso] Implementazione e applicazione hands-on di modelli di DL in Tensorflow and pytorch e applicazione a diversi problemi fisici.

Importanti: calcolo, algebra Lineare, nozioni di base di meccanica statistica e quantistica. Indispensabili: basi di machine learning e deep neural network, buone conoscenze programmazione linguaggio Python e uso delle librerie numpy, matplotlib, sklearn, pandas, e pytorch

Data la natura altamente dinamica dell'area coperta da questo corso avanzato, non è previsto un testo unico di riferimento. Durante il corso verranno indicate e fornite di volta in volta le fonti sotto forma di articoli scientifici e capitoli di libri.

Il corso si svolge per circa il 50% con lezioni frontali integrate da proiezioni di slides ed esercitazioni in aula atte a fornire conoscenze avanzate delle tecniche di Deep Learning. Il restante 50% è basato su esperienze pratiche computazionali hands-on che forniscono alcune delle capacità applicative necessarie per sviluppare ed implementare autonomamente modelli di Deep Learning avanzati per la risoluzione di diversi problemi nell'ambito della fisica e della ricerca scientifica in generale.

La frequenza alle lezioni non è obbligatoria ma è fortemente consigliata. La frequenza alle attività di laboratorio è obbligatoria per almeno 2/3 delle sessioni

per superare il corso è necessario elaborare e documentare un progetto individuale assegnato a fine maggio da consegnare prima dell'esame a cui si vuole partecipare. Durante la sessione d'esame lo studente sarà invitato a presentare e discutere il progetto attraverso una breve presentazione con diapositive (~15-20 min max), rispondendo a specifiche domande poste dalla commissione d'esame il voto finale è dato da una media ponderata tra la votazione sul progetto (50%) e la presentazione e discussione (50%) Per conseguire la votazione di 30/30 e lode, lo studente deve dimostrare di aver acquisito un'ottima conoscenza degli argomenti trattati nel corso, e di essere in grado di padroneggiare gli strumenti software necessari per sviluppare e implementare il modello computazionale trattato durante il corso. La determinazione del voto finale tiene conto dei seguenti elementi: 1. Progetto casa 50% Il progetto sarà dimensionato in modo tale da richiedere un massimo di 2 settimane di lavoro per essere completato e documentato (per riprodurre i risultati riportati nel rapporto è necessaria una relazione scritta di massimo 15 pagine + codice e dataset). Consisterà nel riprodurre ed eventualmente migliorare i risultati riportati in un articolo scientifico in cui i metodi DL vengono applicati a un problema interessante e accessibile per lo studente. La valutazione terrà conto: - Correttezza dei concetti esposti; - Chiarezza di presentazione; - Capacità di elaborare i concetti appresi nello sviluppo di progetti originali. 2. Presentazione e discussione 50% La valutazione terrà conto: - Correttezza dei concetti esposti e delle risposte a specifici quesiti posti dalla commissione d'esame; - Chiarezza della presentazione;

Testi di riferimento: I. Goodfellow, Y. Bengio, A. Courville: Deep Learning, MIT Press (https://www.deeplearningbook.org/) P. Baldi, Deep Learning in Science, Cambridge University Press W. L. Hamilton, Graph Representation Learning Book, MCGill Uni press (https://www.cs.mcgill.ca/~wlh/grl_book/files/GRL_Book.pdf) M.Schuld, F.Petruccione, Machine Learning with Quantum Computers, Springer

Il corso si svolge per circa il 50% con lezioni frontali integrate da proiezioni di slides ed esercitazioni in aula atte a fornire conoscenze avanzate delle tecniche di Deep Learning. Il restante 50% è basato su esperienze pratiche computazionali hands-on che forniscono alcune delle capacità applicative necessarie per sviluppare ed implementare autonomamente modelli di Deep Learning avanzati per la risoluzione di diversi problemi nell'ambito della fisica e della ricerca scientifica in generale.

Lezioni teoriche [50% delle ore del corso] Richiami generali sulle reti neurali artificiali differenziabili e sull'uso della libreria pytorch per la progettazione, training e test delle ANN. Architetture di base: MLP, Convolutional neural network, neural network per analisi di sequenze (RNN, LSTM/GRU). Attention, self-attention, transformers e visual transformers. Tecniche di apprendimento avanzate: transfer learning, domain adaptation, adversarial learning, self-supervised and contrastive learning, model distillation. Modelli per il rilevamento di oggetti e la segmentazione semantica e applicazioni. Graph Neural Network e Deep Learning geometrico. Modelli non supervisionati e rilevamento delle anomalie. Deep Learning Generativo: modelli autoregressivi, modelli invertibili: diffusion and normalizing flow, generative GNN. Quantum Machine Learning su near-term quantum devices, progetto e addestramento di QNN, Reinforcement Learning, Quantificazione delle incertezze in modelli di DNN. Energy models: Associative memories, Boltzmann Machines and RBMs. Esercitazioni computazionali [50% delle ore del corso] Implementazione e applicazione hands-on di modelli di DL in Tensorflow and pytorch e applicazione a diversi problemi fisici.

Importanti: calcolo, algebra Lineare, nozioni di base di meccanica statistica e quantistica. Indispensabili: basi di machine learning e deep neural network, buone conoscenze programmazione linguaggio Python e uso delle librerie numpy, matplotlib, sklearn, pandas, e pytorch

Data la natura altamente dinamica dell'area coperta da questo corso avanzato, non è previsto un testo unico di riferimento. Durante il corso verranno indicate e fornite di volta in volta le fonti sotto forma di articoli scientifici e capitoli di libri.

Il corso si svolge per circa il 50% con lezioni frontali integrate da proiezioni di slides ed esercitazioni in aula atte a fornire conoscenze avanzate delle tecniche di Deep Learning. Il restante 50% è basato su esperienze pratiche computazionali hands-on che forniscono alcune delle capacità applicative necessarie per sviluppare ed implementare autonomamente modelli di Deep Learning avanzati per la risoluzione di diversi problemi nell'ambito della fisica e della ricerca scientifica in generale.

La frequenza alle lezioni non è obbligatoria ma è fortemente consigliata. La frequenza alle attività di laboratorio è obbligatoria per almeno 2/3 delle sessioni

per superare il corso è necessario elaborare e documentare un progetto individuale assegnato a fine maggio da consegnare prima dell'esame a cui si vuole partecipare. Durante la sessione d'esame lo studente sarà invitato a presentare e discutere il progetto attraverso una breve presentazione con diapositive (~15-20 min max), rispondendo a specifiche domande poste dalla commissione d'esame il voto finale è dato da una media ponderata tra la votazione sul progetto (50%) e la presentazione e discussione (50%) Per conseguire la votazione di 30/30 e lode, lo studente deve dimostrare di aver acquisito un'ottima conoscenza degli argomenti trattati nel corso, e di essere in grado di padroneggiare gli strumenti software necessari per sviluppare e implementare il modello computazionale trattato durante il corso. La determinazione del voto finale tiene conto dei seguenti elementi: 1. Progetto casa 50% Il progetto sarà dimensionato in modo tale da richiedere un massimo di 2 settimane di lavoro per essere completato e documentato (per riprodurre i risultati riportati nel rapporto è necessaria una relazione scritta di massimo 15 pagine + codice e dataset). Consisterà nel riprodurre ed eventualmente migliorare i risultati riportati in un articolo scientifico in cui i metodi DL vengono applicati a un problema interessante e accessibile per lo studente. La valutazione terrà conto: - Correttezza dei concetti esposti; - Chiarezza di presentazione; - Capacità di elaborare i concetti appresi nello sviluppo di progetti originali. 2. Presentazione e discussione 50% La valutazione terrà conto: - Correttezza dei concetti esposti e delle risposte a specifici quesiti posti dalla commissione d'esame; - Chiarezza della presentazione;

Testi di riferimento: I. Goodfellow, Y. Bengio, A. Courville: Deep Learning, MIT Press (https://www.deeplearningbook.org/) P. Baldi, Deep Learning in Science, Cambridge University Press W. L. Hamilton, Graph Representation Learning Book, MCGill Uni press (https://www.cs.mcgill.ca/~wlh/grl_book/files/GRL_Book.pdf) M.Schuld, F.Petruccione, Machine Learning with Quantum Computers, Springer

Il corso si svolge per circa il 50% con lezioni frontali integrate da proiezioni di slides ed esercitazioni in aula atte a fornire conoscenze avanzate delle tecniche di Deep Learning. Il restante 50% è basato su esperienze pratiche computazionali hands-on che forniscono alcune delle capacità applicative necessarie per sviluppare ed implementare autonomamente modelli di Deep Learning avanzati per la risoluzione di diversi problemi nell'ambito della fisica e della ricerca scientifica in generale.