Corsi di Laurea Corsi di Laurea Magistrale Corsi di Laurea Magistrale
a Ciclo Unico
Scuola di Scienze
DATA SCIENCE
Insegnamento
OPTIMIZATION FOR DATA SCIENCE
SCP7079229, A.A. 2019/20

Informazioni valide per gli studenti immatricolati nell'A.A. 2019/20

Principali informazioni sull'insegnamento
Corso di studio Corso di laurea magistrale in
DATA SCIENCE
SC2377, ordinamento 2017/18, A.A. 2019/20
N0
porta questa
pagina con te
Crediti formativi 6.0
Tipo di valutazione Voto
Denominazione inglese OPTIMIZATION FOR DATA SCIENCE
Sito della struttura didattica http://datascience.scienze.unipd.it/2019/laurea_magistrale
Dipartimento di riferimento Dipartimento di Matematica
Obbligo di frequenza No
Lingua di erogazione INGLESE
Sede PADOVA
Corso singolo È possibile iscriversi all'insegnamento come corso singolo
Corso a libera scelta È possibile utilizzare l'insegnamento come corso a libera scelta

Docenti
Responsabile FRANCESCO RINALDI MAT/09

Mutuazioni
Codice Insegnamento Responsabile Corso di studio
INP9087864 OPTIMIZATION FRANCESCO RINALDI IN2371
INP9087864 OPTIMIZATION FRANCESCO RINALDI IN2371
INP9087864 OPTIMIZATION FRANCESCO RINALDI IN2371

Dettaglio crediti formativi
Tipologia Ambito Disciplinare Settore Scientifico-Disciplinare Crediti
CARATTERIZZANTE Aziendale-organizzativo MAT/09 6.0

Organizzazione dell'insegnamento
Periodo di erogazione Secondo semestre
Anno di corso I Anno
Modalità di erogazione frontale

Tipo ore Crediti Ore di
didattica
assistita
Ore Studio
Individuale
LEZIONE 6.0 48 102.0

Calendario
Inizio attività didattiche 02/03/2020
Fine attività didattiche 12/06/2020
Visualizza il calendario delle lezioni Lezioni 2019/20 Ord.2017

Syllabus
Prerequisiti: Conoscenze di base in
- Analisi reale e Calcolo;
- Algebra lineare;
- Teoria della probabilità.
Conoscenze e abilita' da acquisire: Comprendere modelli e metodi di ottimizzazione nell'ambito del Data Science. Nello specifico:
1) Comprendere le proprietà teoriche che sono d'interesse
per lo sviluppo di modelli matematici in data science.
2) Analizzare e utilizzare modelli matematici esistenti per la risoluzione di problemi reali nell'ambito del data science.
3) sviluppare e/o utilizzare metodi di risoluzione appropriati.
Modalita' di esame: - Prova scritta alla fine del corso
- Esercizi
- Progetto (Opzionale)

1) Gli Esercizi verranno assegnati periodicamente. Gli studenti dovranno consegnare le soluzioni a scadenze prestabilite.

2) La prova d'esame è scritta e prevede 5 domande a risposta aperta.

3) Il progetto (opzionale) può essere richiesto per approfondire tematiche specifiche.

La prova scritta contribuisce all' 85% del voto.
Gli esercizi contribuiscono al 15% del voto.
Il progetto permette un incremento da 1 a 3 punti del voto.
Criteri di valutazione: La valutazione della preparazione dello studente si baserà:
- sulla comprensione degli argomenti svolti in aula;
- sull'acquisizione dei concetti di carattere teorico;
- sulla capacità di utilizzare in maniera autonoma e consapevole i modelli e le metodologie risolutive proposte.
Contenuti: 1. Ottimizzazione lineare: Teoria e algoritmi
(a) Modelli di programmazione lineare in Data Science;
(b) Dualità;
(c) Metodo del simplesso;
(d) Metodo dei punti interni;

2. Insiemi convessi e funzioni convesse
(a) Convessità, nozioni di base;
(b) Funzioni convesse: nozioni di base e proprietà;

3. Ottimizzazione convessa non vincolata:
(a) Modelli in Data Science;
(b) Caratterizzazione delle soluzioni ottime;
(c) Metodi tipo gradiente;
(d) Metodi tipo gradiente a blocchi;
(e) Metodi per l'ottimizzazione stocastica.

4. Ottimizzazione convessa vincolata;
(a) Modelli in Data Science;
(b) Caratterizzazione delle soluzioni ottime;
(c) Metodi basati su approssimazioni poliedrali;
(d) Metodi di proiezione;

5. Ottimizzazione su reti di grande dimensione
(a) Modelli di reti in Data Science;
(b) Metodi di ottimizzazione distribuita.
Attivita' di apprendimento previste e metodologie di insegnamento: - Il corso si baserà su lezioni frontali;
- Il docente utilizzerà la lavagna e le slides;
- Dispense e slide verranno rese disponibili sulla piattaforma moodle.
Eventuali indicazioni sui materiali di studio: - Dispense e slide fornite dal docente.
Testi di riferimento:
  • Nesterov, Yurii, Introductory lectures on convex optimization: A basic course.. --: Vol. 87. Springer Science & Business Media, 2013. Cerca nel catalogo