Progetto formativo – AA 2022-2023
Attività didattica programmata/prevista
Insegnamenti previsti (distinti da quelli impartiti in insegnamenti relativi ai corsi di studio di primo e secondo livello)
| n. | Denominazione dell’insegnamento | Numero di ore totali sull’intero ciclo | Distribuzione durante il ciclo di dottorato | Descrizione del corso | Verifica finale |
|---|---|---|---|---|---|
| 1. | Deep Networks and Structured Learning | 15 | primo anno / secondo anno |
Introduzione ai temi avanzati dell’apprendimento automatico, relativi a modelli neurali complessi ed all’apprendimento delle rappresentazioni. I paradigmi principali del successo dei modelli neurali nelle inferenze linguistiche saranno usati come linee guida. |
SI |
| 2. | Statistical Learning | 18 | primo anno / secondo anno |
Il Corso di Statistical learning intende introdurre gli aspetti paradigmatici dell’apprendimento in un framework statistico. Il Corso darà inizialmente spazio alla rassegna dei metodi di apprendimento dai dati con supervisione inclusivi dei metodi della regressione lineare e della classificazione. A seguire l’approfondimento delle tecniche di model assessement e selection, quali ad esempio la crossvalidation ed il bootstrapping. Verrano inoltre discussi i metodi di regolarizzazione (ridge e lasso regularization). Quindi verranno trattati i modelli non lineari, gli splines e modelli additivi generalizzati. Ad essi si aggiungono, i modelli strutturati quali i Decision trees, le random forest ed i metodi di boosting. Infine, sarano presentati i metodi di apprendimento dai dati senza supervisione, quali la cluster analysis e la analisi alle componenti principali. |
SI |
| 3. | Metodologie e Strumenti per la Sperimentazione sui Dati | 15 | primo anno |
La analisi di grandi quantità di dati è intimamente legata alla capacità di progettare e realizzare anche in forma virtualizzata architetture scalabili che rendono possibile distribuire il carico computazionale tra diversi centri di elaborazione federati in rete. Le competenze trasversali, previste nei profili di ingresso, ispirano una didattica di base specifica per il Dottorato, in grado di introdurre gli elementi delle architetture di calcolo per la analisi di grandi quantità dei dati, e delle prassi sperimentali che riguardano gli approcci algoritmici data-driven, che operano su tali federazioni. Il Corso alternerà lezioni frontali con sedute di Laboratorio per la analisi collegiale di use case interessanti, mirati ad apprendere le prassi di misura e sperimentazione metodologicamente corrette attraverso l’esperienza diretta su dati applicativi (ad esempio dataset economico-finanziari o corpora testuali). |
SI |
| 4. | Machine Learning per Sistemi Complessi | 15 | primo anno / secondo anno |
Introduzione a tecniche avanzate di apprendimento automatico (supervised, unsupervised e reinforcement learning), per la modellizzazione e l’analisi di problemi complessi nell’ambito della fisica. Deep Neural Networks, tecniche di regolarizzazione ed apprendimento avanzato. Reti convoluzionali per classificazione immagini e computer vision.
Reti per analisi di sequenze. Apprendimento geometrico e di grafi. Modelli generativi e variazionali. Applicazione a modelli strutturati per la fisica: modelli dinamici, simulazione di fluidi complessi, modelli di rete. Utilizzo della programmazione distribuita basata su GPU.
|
SI |
| 5. | Cultural Analytics | 15 | primo anno |
Introduzioni ai problemi epistemologici e metodologici dell’applicazione di metodi di data analytics e machine learning a dati (misure, percentuali, serie temporali) provenienti dal dominio culturale, sia in forma testuale sia in altri media.
Questioni fondazionali relative al concetto di dati, al ruolo epistemico della modellazione e della sua interpretazione e generalizzazione. Considerazioni sulle questioni etiche e deontologiche nel trattamento dei dati.
|
|
| 6. | Computational methods for big data analysis | 15 | primo anno / secondo anno |
Introduzione agli algoritmi di calcolo nella scienza dei dati. Il corso illustra alcuni importanti algoritmi efficienti, largamente utilizzati nella data science per il recupero, la organizzazione, la sicurezza ed il ranking dei dati e delle informazioni.
|
SI |
| 7. | Harmonizing Heterogeneous Visual and Performing Arts Data in Historical Context | 15 | primo anno / secondo anno |
Introduzione alle problematiche relative alle nuove metodologie per il trattamento dei Big Data eterogenei, al fine di creare ontologie per piattaforme, archivi digitali e musei virtuali nel dominio delle arti performative e visive.
Problematiche e metodologie per la standardizzazione e il riuso di dati digitali. Introduzione al concetto di armonizzazione dei dati per garantire lo sviluppo di un sistema di scambio, condivisione e interoperabilità dei dati digitali a livello semantico.
|
SI |