Il corso fornisce un’introduzione alle tecniche di intelligenza artificiale e statistical learning per la fisica sperimentale e applicata, come machine learning. Al termine del corso, lo studente sarà in grado di creare e allenare reti neurali ad-hoc con KERAS e scikit-learn.
Prerequisiti
Conoscenza di base dei linguaggi object-oriented, come fornita dal corso "Metodi informatici della Fisica". Conoscenza di base dell’interazione radiazione-materia.
Metodi didattici
L'insegnamento si realizza con lezioni frontali, svolte con l'ausilio di presentazioni, messe a disposizione degli studenti sulla piattaforma Kiro, e di esempi sviluppati live al calcolatore.
Verifica Apprendimento
Esame Orale. Allo studente viene richiesto lo sviluppo di un progetto personale in un selezionato campo di interesse, atto ad applicare le metodologie apprese durnate il corso.
Testi
a) James at al., Introduction to Statistical Learning b) F. Chollet, Deep Learning with Python (ISBN: 9781617294433)
Contenuti
Il corso si divide in 2 moduli: - Introduzione al Deep Learning (I.Postuma) Breve introduzione a Python e ad alcuni pacchetti necessari all’utilizzo di KERAS. Dall’introduzione allo sviluppo di reti neurali per risolvere problemi di computer vision. - Machine Learning nella fisica delle alte energie (M. Pelliccioni) Sarà affrontata l'elaborazione dei dati di vari esperimenti di fisica su larga scala usando tecniche di machine learning. Saranno presentati esempi dettagliati di applicazioni di ML agli esperimenti di fisica delle particelle, con sessioni hands-on basate su scikit-learn e sulle librerie standard di Python: ad esempio, approcci di ML per il riconoscimento di particelle in un rivelatore, classificazione dei jet o separazione elettroni/adroni usando decision trees.
