Corsi di Laurea Corsi di Laurea Magistrale Corsi di Laurea Magistrale
a Ciclo Unico
Scuola di Scienze
PHYSICS OF DATA
Insegnamento
LABORATORY OF COMPUTATIONAL PHYSICS (MOD. B)
SCP8082526, 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
PHYSICS OF DATA
SC2443, ordinamento 2018/19, A.A. 2019/20
N0
porta questa
pagina con te
Crediti formativi 6.0
Tipo di valutazione Voto
Denominazione inglese LABORATORY OF COMPUTATIONAL PHYSICS (MOD. B)
Sito della struttura didattica http://physicsofdata.scienze.unipd.it/2019/laurea_magistrale
Dipartimento di riferimento Dipartimento di Fisica e Astronomia "Galileo Galilei"
Sito E-Learning https://elearning.unipd.it/dfa/course/view.php?idnumber=2019-SC2443-000ZZ-2019-SCP8082526-N0
Obbligo di frequenza
Lingua di erogazione INGLESE
Sede PADOVA

Docenti
Responsabile MARCO BAIESI FIS/02
Altri docenti GIOVANNI CARRARO FIS/05
MICHELA MAPELLI FIS/05
MARCO ZANETTI FIS/01

Corso integrato di appartenenza
Codice Insegnamento Responsabile
SCP8082524 LABORATORY OF COMPUTATIONAL PHYSICS (C.I.) MARCO ZANETTI

Mutuazioni
Codice Insegnamento Responsabile Corso di studio
INP9086804 PHYSICS DATA ANALYSIS MARCO BAIESI IN2371
INP9086804 PHYSICS DATA ANALYSIS MARCO BAIESI IN2371

Dettaglio crediti formativi
Tipologia Ambito Disciplinare Settore Scientifico-Disciplinare Crediti
CARATTERIZZANTE Sperimentale applicativo FIS/01 6.0

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

Tipo ore Crediti Ore di
didattica
assistita
Ore Studio
Individuale
Turni
LABORATORIO 3.0 24 51.0 4
LEZIONE 3.0 24 51.0 Nessun turno

Calendario
Inizio attività didattiche 30/09/2019
Fine attività didattiche 20/06/2020
Visualizza il calendario delle lezioni Lezioni 2019/20 Ord.2018

Commissioni d'esame
Nessuna commissione d'esame definita

Syllabus

Caratteristiche comuni al Corso Integrato

Prerequisiti: Il corso non prevede propedeuticità, tuttavia si assume la frequenza di almeno due corsi di laboratorio di fisica alla laurea triennale.
Conoscenze e abilita' da acquisire: La finalità didattica del corso è l'insegnamento delle principali tecniche di analisi dati e la loro messa in pratica per la risoluzione di problemi fisici concreti.
Le lezioni frontali saranno volte ad esporre e rivedere dettagliatamente le problematiche tipiche legate all'estrazione di informazione da dataset fisici complessi. Gli studenti saranno in grado di cogliere, sintetizzare e visualizzare le caratteristiche dei dataset. Impareranno inoltre a confrontare quantitativamente e criticamente le previsioni teoriche con i dati sperimentali.
Gli studenti dovranno mettere poi in pratica tali conoscenze in esperienze laboratoriali di analisi dati. Queste ultime si baseranno su dataset relativi ad ambiti scientifici diversi, dalla biofisica, alla astronomia, alla fisica delle alte energie.
Modalita' di esame: Per accertare l'acquisizione delle competenze relative al corso verranno valutate le relazioni sulle esperienze di laboratorio assegnando a queste ultime un punteggio; tale punteggio dovrà essere confermato da una prova orale, durante la quale verranno verificate anche le conoscenze di carattere teorico.
Si prevede che la prova orale sarà divisibile in due parti, ciascuna relativa ad uno dei due moduli di cui è composto il corso.
Criteri di valutazione: Le relazioni sulle esperienze di laboratorio dovranno rispettare gli standard di una pubblicazione scientifica. L'elaborazione dei dati dovrà essere adeguata al problema da risolvere e dovrà dimostrare sia originalità che comprensione delle metodologie classiche.
Durante la prova orale, oltre alla discussione critica delle relazioni, si accerteranno le competenze teoriche acquisite durante le lezioni frontali.

Caratteristiche proprie del modulo

Contenuti: 1. Introduzione. Scomposizione Bias-Variance
2. Metodi di discesa dei gradienti
3. Regressione lineare: Ridge e LASSO
4. Regressione logistica
5. Combinazione di modelli
6. Reti neurali feed-forward: basi
7. Reti neurali: regolarizzazione
8. Reti neurali: esempi
9. Clustering
10. Modelli basati sull'energia
11. Macchine di Boltzmann ristrette
12. Esempi finali
Attivita' di apprendimento previste e metodologie di insegnamento: Lo scopo di questo corso è di esporre gli studenti a strumenti moderni per classificare i dati e le tecniche di apprendimento automatico, in modo che possano applicare tali metodi nelle esperienze di laboratorio con i computer. La prima parte del corso è riservata a questo scopo di apprendere i principi generali attraverso le applicazioni, mentre la seconda metà del corso consente agli studenti, in piccoli gruppi, di sviluppare una comprensione più profonda di uno specifico argomento eseguendo un piccolo progetto.

Ogni lezione della prima metà del corso includerà prima una spiegazione teorica di una procedura chiave per l'analisi dei dati o di una classe di algoritmi e una seconda fase in cui gli studenti applicheranno le nuove idee sui computer. Ci si aspetta che questo apprendimento per esperienza pratica migliori la comprensione degli strumenti teorici e, naturalmente, è in linea con la metodologia classica dell'insegnamento in laboratorio. L'analisi numerica comprende l'adozione e la modifica di software precostruito o lo sketch di semplici algoritmi da zero.

Il testo principalmente seguito nel corso è ad accesso aperto sull'arxiv:
“A high-bias, low-variance introduction to Machine Learning for physicists” di Pankaj Mehta et al, arXiv: 1803.08823.
Questa review fornisce anche utili notebook python per analizzare i dati ed è collegata a strumenti come il pacchetto scikit-learn.
Eventuali indicazioni sui materiali di studio:
Testi di riferimento:
  • Pankaj Mehta, Marin Bukov, Ching-Hao Wang, Alexandre G.R. Day, Clint Richardson, Charles K. Fisher,, “A high-bias, low-variance introduction to Machine Learning for physicists”. --: --, --. review avaliable open access online: https://arxiv.org/abs/1803.08823

Didattica innovativa: Strategie di insegnamento e apprendimento previste
  • Lecturing
  • Laboratory
  • Problem based learning
  • Working in group
  • Problem solving

Didattica innovativa: Software o applicazioni utilizzati
  • Moodle (files, quiz, workshop, ...)
  • python