Dinamica dei neuroni. 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. Vetri di Spin e Modello di Hopfield. Simmetria di Replica. Soluzione di Parisi. Ultrametricità. Ottimizzazione. Algoritmi genetici.
Appunti delle lezioni.
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.
Modalità di verifica apprendimento
Esame orale
Programma 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. Simmetria di Replica. Soluzione di Parisi (Replica Symmetry Breaking). Ultrametricità e sistemi disordinati. Ottimizzazione: Simulated Annealing e metodi Monte Carlo. Algoritmi genetici. Toolbox di MATLAB.