Curriculum MIA: Matematica per l'Intelligenza Artificiale
Formazione durante il PRIMO ANNO di studi MAGISTRALE
Corsi erogati durante il primo anno del percorso magistrale
Durante il primo anno lo studente proseguirà la sua formazione come matematico seguendo corsi cardine quali le Istituzioni di Analisi Superiore e di Fisica Matematica, parimenti inizierà la sua formazione mirata integrando con un corso avanzato di Statisica e venendo esposto alla teoria delle reti neurali, al machine learning ed al data mining.
Elenco dei corsi da seguire durante il primo anno di studi.
Elenco dei corsi da seguire durante il primo anno di studi.
Istituzioni di Analisi Superiore 1 e 2Docente del primo corso:
Prof. Antonio Leaci Programma del primo corso: clicca qui. Docente del secondo corso: Prof. Diego Pallara Programma del secondo corso: clicca qui. Metodi Matematici per l'AI Docente del corso: Prof. Adriano Barra Programma del corso: Clicca qui. |
Istituzioni di Fisica MatematicaDocente del corso:
Prof. Raffaele Vitolo. Programma del corso: Clicca qui. Istituzioni di Geometria Superiore 1 Prof. Giovanni Calvaruso Programma del Corso: Clicca qui. Machine Learning Docente del corso: Prof. Fabrizio Durante Programma del corso: Clicca qui. |
Statistica ApplicataDocente del corso:
Prof. Gianfausto Salvadori Programma del corso: Clicca qui. Data Mining Docente del corso: Prof. Massimo Cafaro Programma del corso: Clicca qui. |
Lo schema logico sul quale si innesta l'erogazione dei corsi nel Curriculum MIA è il seguente:
Una pletora di tecniche di Machine Learning di frontiera si basa in modo sostanziale sull'Analisi Matematica (della quale serve una conoscenza avanzata), questa è infatti un prerequisito insormontabile, una conditio sine qua non, per una comprensione profonda dello Statistical Learning Theory (e.g. il prodotto di convoluzione e la trasformata di Fourier devono essere concetti con i quali si ha ampia dimestichezza): per questo motivo nel primo anno magistrale lo studente dovrà sostenere entrambe i corsi di Analisi Superiore e, parimenti, trarne i frutti alla prese con il corso di Machine Learning.
Una pletora di tecniche di Neural Networks di frontiera si basa sull'impiego estensivo di PDE-theory a supporto della Statistical Mechanics of Neural Networks. Con l'idea che lo studente in un prossimo domani possa diventare lui stesso un ricercatore di Intelligenza Artificiale -tanto nelle accademie quanto nelle imprese (che in maniera sempre maggiore dedicano parte delle proprie risorse ad un ammodernamento mediante AI)- lo studio delle equazioni alle derivate parziali diventa cruciale come base teorica per il corso di Metodi Matematici per l'AI (dove sarà esposta allo studente la meccanica statistica alla base delle reti neurali, con una particolare attenzione alla Teoria di Parisi e alla sua formulazione mediante tecniche di PDE-Theory, in particulare Hamilton-Jacobi, Burgers, Riemann-Hopf, Fourier e l'equazione del trasporto).
Oltre ai corsi di Machine Learning e Neural Networks (Metodi per AI) -ed ai relativi esami formativi, a dire le Istituzioni- lo studente verrà esposto, sempre nel primo anno del percorso formativo, ad un'altra branca dell'AI -a dire il classico ed imprescindibile corso di Data Mining- che, in questo particolare percorso formativo, sarà seguito congiuntamente ad un corso avanzato di Statistica (i.e. Statistica Applicata), parimenti fondamentale per un percorso magistrale alle prese con i "Big Data", per il trattamento dei quali questi due corsi formano la base teorica imprescindibile.
Alla fine del primo anno lo studente avrà fatta sua questa pronunciata fetta di teoria a cavallo tra la Matematica Pura, la Matematica Applicata, l'Ingegneria e l'Informatica e sarà pronto per mettere all'opera quanto appreso nel suo secondo anno, che di contro sarà basato in modo sostanziale sui Laboratori Computazionali e sull'Informatica.
Click here: cosa succede al II anno di studi?
Una pletora di tecniche di Machine Learning di frontiera si basa in modo sostanziale sull'Analisi Matematica (della quale serve una conoscenza avanzata), questa è infatti un prerequisito insormontabile, una conditio sine qua non, per una comprensione profonda dello Statistical Learning Theory (e.g. il prodotto di convoluzione e la trasformata di Fourier devono essere concetti con i quali si ha ampia dimestichezza): per questo motivo nel primo anno magistrale lo studente dovrà sostenere entrambe i corsi di Analisi Superiore e, parimenti, trarne i frutti alla prese con il corso di Machine Learning.
Una pletora di tecniche di Neural Networks di frontiera si basa sull'impiego estensivo di PDE-theory a supporto della Statistical Mechanics of Neural Networks. Con l'idea che lo studente in un prossimo domani possa diventare lui stesso un ricercatore di Intelligenza Artificiale -tanto nelle accademie quanto nelle imprese (che in maniera sempre maggiore dedicano parte delle proprie risorse ad un ammodernamento mediante AI)- lo studio delle equazioni alle derivate parziali diventa cruciale come base teorica per il corso di Metodi Matematici per l'AI (dove sarà esposta allo studente la meccanica statistica alla base delle reti neurali, con una particolare attenzione alla Teoria di Parisi e alla sua formulazione mediante tecniche di PDE-Theory, in particulare Hamilton-Jacobi, Burgers, Riemann-Hopf, Fourier e l'equazione del trasporto).
Oltre ai corsi di Machine Learning e Neural Networks (Metodi per AI) -ed ai relativi esami formativi, a dire le Istituzioni- lo studente verrà esposto, sempre nel primo anno del percorso formativo, ad un'altra branca dell'AI -a dire il classico ed imprescindibile corso di Data Mining- che, in questo particolare percorso formativo, sarà seguito congiuntamente ad un corso avanzato di Statistica (i.e. Statistica Applicata), parimenti fondamentale per un percorso magistrale alle prese con i "Big Data", per il trattamento dei quali questi due corsi formano la base teorica imprescindibile.
Alla fine del primo anno lo studente avrà fatta sua questa pronunciata fetta di teoria a cavallo tra la Matematica Pura, la Matematica Applicata, l'Ingegneria e l'Informatica e sarà pronto per mettere all'opera quanto appreso nel suo secondo anno, che di contro sarà basato in modo sostanziale sui Laboratori Computazionali e sull'Informatica.
Click here: cosa succede al II anno di studi?