31641 - ANALISI DATI DELLA FISICA

Scheda insegnamento

  • Docente Renato Campanini

  • Crediti formativi 6

  • SSD FIS/07

  • Modalità di erogazione In presenza (Convenzionale)

  • Lingua di insegnamento Italiano

  • Orario delle lezioni dal 28/09/2017 al 22/12/2017

Anno Accademico 2017/2018

Conoscenze e abilità da conseguire

Al termine del corso, lo studente apprende ed applica metodi avanzati di analisi statistica dei dati e di pattern recognition. In particolare, possiede le seguenti conoscenze: descrizione statistica dei dati; momenti di una distribuzione; test statistici; confronto tra due distribuzioni; associazione tra due variabili; correlazione non parametrica; modellizzazione dei dati; pattern recognition; creazione ed estrazione delle caratteristiche; classificatori bayesiani; apprendimento dai dati; metodi di apprendimento, supervisionato e non; reti neurali; support vector machine; analisi di cluster; esempi di applicazioni.

Programma/Contenuti

Teoria della probabilità,variabili random,densità di probabiltà,funzione cumulativa,formula di Bayes,momenti di una distribuzione,test statistici,correlazioni parametriche,correlazioni non parametriche,modeling di dati,introduzione al pattern recognition,riduzione ed estrazione  delle caratteristiche,algoritmi genetici,simulated annealing,addestramento e test,k fold cross validation,Stima non parametrica delle densità di probabilità:metodo Parzen windows e KNN,reti neurali,percettroni semplici,reti neurali a  multistrato,reti a Radial Basis Function,Support Vector Machine,Analisi di cluster.Deep learning ed applicazioni.

Testi/Bibliografia

Numerical Recipes,3ed,cap.14,15  www.nr.com

B.R. Martin,"Statistics for Physical Sciences,An introduction",Elsevier 2012

G.Bohm,G.Zech " Introduction to statistics and data analysis for physicist" www-library.desy.de/preparch/books/vstamp_engl.pdf

Statistics course Home Page,Glenn Cowan:

http://www.pp.rhul.ac.uk/~cowan/stat_course.html

 lezioni su Pattern Recognition del prof. Ricardo Gutierrez-Osuna http://research.cs.tamu.edu/prism/lectures.htm

"Learning from data, a short course" ,Yaser S.Abu-Mostafa et al.,AMLbook.com,2012

Free Online book on deep neural networks at http://www.deeplearningbook.org

 

 

Metodi didattici

Lezioni frontali.

Modalità di verifica dell'apprendimento

Due esami parziali con domande scritte  o a scelta dello studente un esame finale unico con domande scritte. Un elaborato finale al computer su argomenti del corso o ad esso collegati.

Strumenti a supporto della didattica

Le lezioni si tengono nel primo semestre in Aule  presso il Dipartimento di Fisica,Viale B.Pichat 6/2 .

Materiale a supporto per lo sviluppo dell'elaborato al computer si trova nel sito:

Google site http://sites.google.com/site/uniboimage/

Ottimo corso online su  Convolutional Neural networks : http://cs231n.stanford.edu/

Orario di ricevimento

Consulta il sito web di Renato Campanini