Vai al contenuto principale
Se prosegui nella navigazione del sito, ne accetti le politiche:
  • Condizioni di utilizzo e trattamento dei dati
Prosegui
x
Se prosegui nella navigazione del sito, ne accetti le politiche:
  • Condizioni di utilizzo e trattamento dei dati
Prosegui
x
e-Learning - UNIMIB
  • Home
  • Altro
Ascolta questa pagina con ReadSpeaker
Italiano ‎(it)‎
English ‎(en)‎ Italiano ‎(it)‎
 Login
e-Learning - UNIMIB
Home
Percorso della pagina
  1. Area di Scienze
  2. Corso di Laurea Magistrale
  3. Fisica [F1703Q - F1701Q]
  4. Insegnamenti
  5. A.A. 2024-2025
  6. 1° anno
  1. Applicazioni di Machine Learning
  2. Introduzione
Insegnamento Titolo del corso
Applicazioni di Machine Learning
Codice identificativo del corso
2425-1-F1701Q141
Descrizione del corso SYLLABUS

Syllabus del corso

  • Italiano ‎(it)‎
  • English ‎(en)‎
Esporta

Obiettivi

L' obiettivo del corso è di fornire i concetti teorici e gli esercizi di programmazione base dell'applicazione di metodi di machine learning a dati, segnali e immagini di fisica delle particelle, dello spazio, biomedica, ambientale, e in altre applicazioni.

Contenuti sintetici

Metodi di machine learning: principi e applicazioni-software a dati, segnali e immagini di fisica delle particelle, dello spazio, biomedica, ambientale, e altre applicazioni.

Programma esteso

-Pattern, task (classificazione/localizzazione/detection/segmentazione/migioramento della qualità dell’immagine), learning methods, parametri, funzione obiettivo

-Training/validation/testing, metriche di misura delle performance, convergenza, generalizzazione, unbalanced classes, underfitting/overfitting

-Metodi di riduzione delle dimensioni dei pattern: Principal Component Analysis/Linear Discriminant Analysis

-Regressione lineare (semplice/multipla)

-Clustering: criteri/algoritmi, centroid-based clustering (k-means, fuzzy k-means, Expectation Maximization)

-Support Vector machines

-Classificatori multipli

-Decision trees/Random forests

-Reti neurali

-Deep learning

-Transfer learning

-Esercitazioni meadiante applicazioni-software a dati, segnali e immagini misurati da dispositivi di fisica delle particelle, fisica dello spazio, biomedica, ambientale, e dei beni culturali per tasks di classificazione/localizzazione/detection/segmentazione/migioramento della qualità dell’immagine.

Prerequisiti

Conoscenza di medio livello del linguaggio di programmazione Matlab o Python

Frequenza obbligatoria in quanto l'insegnamento si avvale di didattica interattiva con svolgimento di esercizi di programmazione in lavori di gruppo su pc portatili

Modalità didattica

Lezioni frontali ed esercitazioni mediante codici di programmazione.

Il docente fa molte lezioni in cui inizia con una prima parte in cui vengono esposti dei concetti
(modalità erogativa) e poi si apre un’interazione con gli studenti che definisce la parte successiva
della lezione (modalità interattiva).

  • 12 lezioni frontali da 3 ore svolte in modalità erogativa in presenza in modalità erogativa nella parte iniziale che è volta a coinvolgere gli
    studenti in modo interattivo nella parte successiva;
  • 6 esercitazioni da 3 ore svolte in presenza volta a coinvolgere gli studenti in modo interattivo nel PROJECT WORKS;

Tutte le attività sono svolte in presenza.

Materiale didattico

Video, dati, codici di programmazione e articoli scientifici forniti agli studenti durante il corso (lezioni frontali e attività di laboratorio).

Periodo di erogazione dell'insegnamento

Secondo semestre.

Modalità di verifica del profitto e valutazione

L' esame consiste in un colloquio orale volto a verificare il livello di conoscenza dello studente degli argomenti trattati durante il corso e in 2 PROJECT WORKS, progetti di sviluppo di 2 codici di programmazione basati sui metodi di machine learning e deep learning su presentati durante il corso.

Orario di ricevimento

Di norma 1h subito al termine delle lezioni, a rchiesta degli studenti.

Sustainable Development Goals

IMPRESE, INNOVAZIONE E INFRASTRUTTURE
Esporta

Aims

The aim of the course is to provide the theoretical concepts and basic programming exercises of the application of machine learning methods to data, signals and images of particle physics, space, biomedical, environmental, and in other applications.

Contents

Machine learning methods: principles and software applications to data, signals and images of particle physics, space, biomedical, environmental, and other applications.

Detailed program

-Pattern, task (classification / localization / detection / segmentation / improvement of image quality), learning methods, parameters, objective function

-Training / validation / testing, performance measurement metrics, convergence, generalization, unbalanced classes, underfitting / overfitting

- Pattern size reduction methods: Principal Component Analysis / Linear Discriminant Analysis

-Linear regression (simple / multiple)

-Clustering: criteria / algorithms, centroid-based clustering (k-means, fuzzy k-means, Expectation Maximization)

-Support Vector machines

- Multiple classifiers

-Decision trees / Random forests

- Neural networks

-Deep learning

-Transfer learning

- Exercises using software-applications to data, signals and images measured by particle physics, space physics, biomedical, environmental, and cultural heritage devices for classification / localization / detection / segmentation / image quality improvement tasks.

Prerequisites

Good knowledge of Matlab or Python programming languages

Mandatory attendance as the teacher uses interactive teaching with programming exercises in group work on laptop PCs

Teaching form

Lectures and exercises using programming codes.

The teacher gives many lessons in which he begins with a first part in which concepts are exposed
(delivery method) and then an interaction opens with the students which defines the next part
of the lesson (interactive mode).

  • 12 frontal lessons of 3 hours carried out in the delivery mode in presence in the delivery mode in the initial part which is aimed at involving the students
    students interactively in the next part;
  • 6 3-hour exercises carried out in person aimed at involving students interactively in the PROJECT WORKS;

All activities are carried out in person

Textbook and teaching resource

Videos, data, programming codes and scientific articles provided to students during the course (lectures and laboratory activities).

Semester

Second semester

Assessment method

The exam consists of an oral interview aimed at verifying the student's level of knowledge of the topics covered during the course and in 2 PROJECT WORKS development projects of 2 programming codes based on the machine learning and deep learning methods presented during the course.

Office hours

Normally 1 hour immediately at the end of the lessons, at the request of the students.

Sustainable Development Goals

INDUSTRY, INNOVATION AND INFRASTRUCTURE
Entra

Scheda del corso

Settore disciplinare
FIS/07
CFU
6
Periodo
Secondo Semestre
Tipo di attività
Obbligatorio a scelta
Ore
54
Tipologia CdS
Laurea Magistrale
Lingua
Italiano

Staff

    Docente

  • IC
    Isabella Castiglioni

Opinione studenti

Vedi valutazione del precedente anno accademico

Bibliografia

Trova i libri per questo corso nella Biblioteca di Ateneo

Metodi di iscrizione

Iscrizione manuale
Iscrizione spontanea (Studente)

Obiettivi di sviluppo sostenibile

IMPRESE, INNOVAZIONE E INFRASTRUTTURE - Costruire una infrastruttura resiliente e promuovere l'innovazione ed una industrializzazione equa, responsabile e sostenibile
IMPRESE, INNOVAZIONE E INFRASTRUTTURE

Non sei collegato. (Login)
Politiche
Ottieni l'app mobile
Powered by Moodle
© 2025 Università degli Studi di Milano-Bicocca
  • Privacy
  • Accessibilità
  • Statistiche