ITA | ENG
B012521 - MODELLI E CALCOLI PER LA FISICA
Principali informazioni
Contenuto del corso
Libri di testo consigliati
Obiettivi Formativi
Altre Informazioni
Modalità di verifica apprendimento
Programma del corso
Anno Accademico 2012-13
Coorte 2011 - Laurea Magistrale in Informatica
Anno di corso
Secondo Anno - Secondo Semestre
Dipartimento di Afferenza
Statistica, Informatica, Applicazioni "G. Parenti" (DiSIA)
Tipo insegnamento
Attività formativa monodisciplinare
Settore Scientifico disciplinare
FIS/02 - FISICA TEORICA, MODELLI E METODI MATEMATICI
Crediti Formativi
6
Ore Didattica
48
Periodo didattico
04/03/2013 ⇒ 14/06/2013
Frequenza Obbligatoria
No
Tipo Valutazione
Voto Finale
Contenuto del corso
mostra
Programma del corso
mostra
Docenza
Mutuazione
Insegnamento mutuato da:
B014447 - RETI NEURALI
Laurea Magistrale in INFORMATICA
B014447 - RETI NEURALI
Laurea Magistrale in INFORMATICA
Contenuto del corso
Dinamica dei neuroni del cervello animale. Perceptron. Classificatore ottimo di Bayes. Multilayer Perceptron. Algoritmi di apprendimento. Radial Basis Functions. Clustering e funzioni radiali a scale multiple. Analisi di "Pattern" Temporali. Filtri di Widrow-Hoff. Problemi di controllo nonlineare. Modello di Kohonen. Principal Component Analysis. Metodi di Meccanica Statistica: modello di Hopfield e reti neurali ricorsive. Elementi di Meccanica Statistica. Vetri di Spin e Modello di Hopfield. Si
Libri di testo consigliati (Cerca nel catalogo della biblioteca)
Appunti delle lezioni.
Wasserman, "Advanced methods in neural computing", Reinhold New York 1993.
Wasserman, "Advanced methods in neural computing", Reinhold New York 1993.
Obiettivi Formativi
Conoscenze:
Il corso intende fornire agli studenti una conoscenza approfondita di tecniche di calcolo avanzate, in uso nelle analisi di dati di sistemi complessi (es. Fisica delle alte energie). Tali metodi sono modellati sul paradigma delle "reti neurali", e tentano di riprodurre alcuni aspetti delle capacità del cervello animale e della sua straordinaria efficienza di riconoscimento di aggregati di segnali.
Competenze acquisite:
Conoscenze approfondite dei vari modelli di reti neurali artificiali e la loro applicazioni.
Capacità acquisite (al termine del corso):
Costruzione di reti neurali adatte ad analisi dati in MATLAB o MATHEMATICA.
Il corso intende fornire agli studenti una conoscenza approfondita di tecniche di calcolo avanzate, in uso nelle analisi di dati di sistemi complessi (es. Fisica delle alte energie). Tali metodi sono modellati sul paradigma delle "reti neurali", e tentano di riprodurre alcuni aspetti delle capacità del cervello animale e della sua straordinaria efficienza di riconoscimento di aggregati di segnali.
Competenze acquisite:
Conoscenze approfondite dei vari modelli di reti neurali artificiali e la loro applicazioni.
Capacità acquisite (al termine del corso):
Costruzione di reti neurali adatte ad analisi dati in MATLAB o MATHEMATICA.
Altre Informazioni
Frequenza delle lezioni ed esercitazioni: Raccomandata
Strumenti a supporto della didattica
UniFi E-Learning: http://e-l.unifi.it
Orario di ricevimento:
Dopo la lezione e per appuntamento (contattare il docente per e-mail).
Dipartimento di Fisica e Astronomia
Via Sansone, 1
50019 - Sesto Fiorentino (FI)
Tel: 055 4572000 - 2307622 - 2307722 Fax: 055 4572121
E-Mail: gregorio.landi@unifi.it, landi@fi.infn.it
Strumenti a supporto della didattica
UniFi E-Learning: http://e-l.unifi.it
Orario di ricevimento:
Dopo la lezione e per appuntamento (contattare il docente per e-mail).
Dipartimento di Fisica e Astronomia
Via Sansone, 1
50019 - Sesto Fiorentino (FI)
Tel: 055 4572000 - 2307622 - 2307722 Fax: 055 4572121
E-Mail: gregorio.landi@unifi.it, landi@fi.infn.it
Modalità di verifica apprendimento
Esame orale e progetto.
Programma del corso
Dinamica dei neuroni del cervello animale. Perceptron. Classificatore ottimo di Bayes. Multilayer Perceptron.Algoritmi di apprendimento. Radial Basis Functions. Funzioni di Green. Clustering e funzioni radiali a scale multiple. Analisi di "Pattern" Temporali. Filtri di Widrow-Hoff. Problemi di controllo nonlineare. Modello di Kohonen. Principal Component Analysis. Metodi di Meccanica Statistica: modello di Hopfield e reti neurali ricorsive. Elementi di Meccanica Statistica. Vetri di Spin: isomorfismo con il Modello di Hopfield. Modello di Sherrington-Kirkpatrick. Simmetria di Replica. Soluzione di Parisi (Replica Symmetry Breaking). Ultrametricità e reti neurali; organizzazione gerarchica in un sistema disordinato. Ottimizzazione: Simulated Annealing e metodi Monte Carlo. Toolbox di MATLAB neural-networks.