- Oggetto:
Reti neurali
- Oggetto:
Neural networks
- Oggetto:
Academic year 2026/2027
- Course ID
- FIS0280
- Teacher
- Matteo Osella (Lecturer)
- Degree course
- 0601M21 laurea magistrale in Fisica
- Year
- 1st year
- Teaching period
- Second semester
- Type
- B - Distinctive, C - Related or integrative, D - Elective
- Credits/Recognition
- 6
- Course disciplinary sector (SSD)
- PHYS-06/A - Physics for Life Sciences, Environment, and Cultural Heritage
- Delivery
- Classroom lectures
- Language
- Italian
- Attendance
- Optional
- Type of examination
- Oral
- Prerequisites
-
No specific requirement is needed: knowledge at first degree level is enoughNon è necessario alcun requisito specifico: sono sufficienti le conoscenze acquisite nel corso della laurea triennale.
- Propedeutic for
-
- Oggetto:
Sommario del corso
- Oggetto:
News
- Oggetto:
Course objectives
Introduction to the theory of artificial neural networks and their applications
Introduzione alla teoria delle reti neurali artificiali e alle loro applicazioni.
- Oggetto:
Results of learning outcomes
Understanding of the basics of machine learning and of the main models of artificial neural networks.
Ability to design a machine learning project using neural networks with a full understanding of the steps required.
Conoscenza e capacità di comprensione: Comprensione della teoria di base del machine learning e dei principali modelli di reti neurali artificiali.
Capacità di applicare conoscenza e comprensione: Capacita' di costruire un progetto di machine learning usando reti neurali.
- Oggetto:
Program
Introduction to Neural Networks and Neuron models Basics of machine learning and information theoryFeedforward networks: from the perceptron to deep networksLearning process and backpropagationConvolutional networks and their applicationsPrincipal Component Analysis and AutoencodersIntroduzione alle reti neurali e a modelli di neurone. Concetti base di machine learning: regressione, classificazione, maximum likelihood estimation, bias-variance decomposition, regolarizzazione e inferenza bayesiana. Breve introduzione alla Teoria dell'Informazione.Reti neurali artificiali feedforward: dal percettrone alle reti neurali profonde. Ottimizzazione: Stochastic gradient descent e sue varianti, Backpropagation. Reti neurali convoluzionali e loro applicazioni. Principal Component Analysis e Autoencoders- Oggetto:
Course delivery
Live lectures. 48 hours of lectures mostly with blackboard. Timetable with room and time on campusnet before the beginning of the course.
Recoreded Video Lectures are present on the moodle course page. A forum is present in the same page for discussions, comments and questions on the course contents.
Lezioni in presenza. Orario lezioni disponibile su campusnet.
48 ore principalmente di lezioni frontali alla lavagna
Video lezioni registrate sono presenti sulla pagina moodle del corso insieme ad un forum per discussioni e domande sui contenuti.
- Oggetto:
Learning assessment methods
Oral exam with 2 possible modalities:
1) Project presentation (implementation of a neural network for a specific task) + theory questions
2) Only theory questions.
Esame orale con 2 possibili modalità:
1) Progetto con componente computazionale (es. implementazione di una rete neurale per uno specifico task) + domande di teoria
2 ) Solo domande di teoria sugli argomenti del corso.
Informazioni dettagliate su come preparare il report relativo alla modalita' 1 sono presenti nella pagina moodle del corso.
Esame in presenza.
- Oggetto:
Support activities
Jupyter notebooks available to start playing.
Computational laboratoy (optional) 12 hours
All the information in the first introductory lecture
Notebook Jupyter disponibili per esplorazioni pratiche.
Tutorato Computazionale facoltativo di 12 ore
Maggiori informazioni disponibili nella prima lezione del corso
Suggested readings and bibliography
- Oggetto:
C.M. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.
Mehta et al. A high-bias, low-variance introduction to Machine Learning for physicists. 2019. Phys Rep. 810:1-124 https://arxiv.org/abs/1803.088
I. Goodfellow, Y. Bengio, A. Courville. Deep Learning. MIT Press, 2016.
A. Geron. Hands-On Machine Learning With Scikit-Learn and Tensorflow: Concepts, Tools, and Techniques to Build Intelligent Systems. Oreilly & Associates Inc. 2017.
Discussion about the references in the first video lecture
- Oggetto:
Notes
Attendance is not compulsory, but students are stongly advised to attend
Students with Specific Learning Disabilities (SLDs) or disabilities are requested to review the support procedures (https://www.unito.it/servizi/lo-studio/studenti-e-studentesse-con-disabilita) and reception services (https://www.unito.it/accoglienza-studenti-con-disabilita-e-dsa) provided by the University, particularly the procedures necessary for support during exams (https://www.unito.it/servizi/lo-studio/studenti-e-studentesse-con-disturbi-specifici-di-apprendimento-dsa/supporto).
Nessuna propedeuticità obbligatoria. Frequenza non obbligatoria, ma fortemente consigliata.
Gli/le studenti/esse con DSA o disabilità, sono pregati di prendere visione delle modalità di supporto (https://www.unito.it/servizi/lo-studio/studenti-e-studentesse-con-disabilita) e di accoglienza (https://www.unito.it/accoglienza-studenti-con-disabilita-e-dsa) di Ateneo, ed in particolare delle procedure necessarie per il supporto in sede d’esame (https://www.unito.it/servizi/lo-studio/studenti-e-studentesse-con-disturbi-specifici-di-apprendimento-dsa/supporto)
- Oggetto:
