Inglese

Il corso copre tecniche numeriche avanzate, come
- Algoritmi avanzati di ottimizzazione non lineare per problemi su larga scala,
- soluzione numerica di problemi inversi,
- IBM (modelli individuali)

per alcune problematiche specifiche che insorgono nel trattamento dei Dati, come ad esempio
- Dinamica della popolazione
- Apprendimento profondo
- Elaborazione delle immagini

Hansen, Per Christian. Discrete Inverse Problems: Insight and Algorithms. United States, Society for Industrial and Applied Mathematics (SIAM, 3600 Market Street, Floor 6, Philadelphia, PA 19104), 2010.


Wright, Stephen, and Nocedal, Jorge. Numerical Optimization. United States, Springer New York, 2006.

Railsback, Steven F., and Volker Grimm. Agent-Based and Individual-Based Modeling: A Practical Introduction. Princeton University Press, 2011

Conoscenze: gli studenti devono acquisire conoscenze di base su metodi numerici e algoritmi per l'analisi dei dati.

Applicazioni delle conoscenze e competenze: gli studenti dovrebbero essere in grado di selezionare e applicare correttamente i metodi numerici di base e gli strumenti software per l'analisi dei dati.

Abilità comunicative: gli studenti dovrebbero essere in grado di illustrare i metodi e gli strumenti appresi durante il corso e di comunicare i risultati ottenuti, utilizzando un linguaggio tecnico e scientifico adeguato.

Non sono previste propedeuticità, gli studenti non sono obbligati a superare gli esami di altri corsi prima di frequentare questo.

Il corso prevede lezioni frontali e sessioni di laboratorio.

La frequenza ai corsi non è obbligatoria, ma è fortemente consigliata.

Gli studenti vengono valutati attraverso una prova orale, volta a verificare il raggiungimento degli obiettivi del corso. Durante l'esame gli studenti devono presentare lo sviluppo di codici che implementino i metodi studiati.

Per ciascuno degli algoritmi implementati, è necessaria l'esecuzione su una serie di problemi test, che evidenzino gli aspetti implementativi, le prestazioni dei codici implementati e l'analisi dei risultati ottenuti.

A tale scopo, gli studenti possono utilizzare i programmi sviluppati da loro stessi o resi disponibili dal docente durante il corso.
L'uso di altro materiale didattico non è consentito.

I voti sono espressi in trentesimi. Il punteggio minimo richiesto è 18/30. Il voto massimo è 30/30 con lode.

Le attività di laboratorio sono parte integrante del programma.

- Algoritmi avanzati di ottimizzazione non lineare per problemi su larga scala,
- soluzione numerica di problemi inversi,
- IBM (modelli individuali)

Applicazioni a problematiche specifiche derivanti dal trattamento dei dati:
- Dinamica della popolazione
- Apprendimento profondo
- Elaborazione delle immagini

Enghish

The course covers advanced numerical techniques, such as
- Advanced Nonlinear Optimization algorithms for large scale problems,
- numerical solution of Inverse Problems,
- IBM (Individual Based Models)

for some specific problems arising in Data processing, such as
- Population dynamics
- Deep learning
- Image Processing

Hansen, Per Christian. Discrete Inverse Problems: Insight and Algorithms. United States, Society for Industrial and Applied Mathematics (SIAM, 3600 Market Street, Floor 6, Philadelphia, PA 19104), 2010.


Wright, Stephen, and Nocedal, Jorge. Numerical Optimization. United States, Springer New York, 2006.

Railsback, Steven F., and Volker Grimm. Agent-Based and Individual-Based Modeling: A Practical Introduction. Princeton University Press, 2011

Knowledge and understanding: students are expected to acquire basic knowledge of numerical methods and algorithms for data analysis.

Applying knowledge and understanding: students should be able to select and properly apply basic numerical methods and software tools for data analysis.

Communication skills: students should be able to illustrate the methods and tools learned during the course and to communicate the results obtained with them, using a suitable technical and scientific language.

Students are not required to pass the exams of other courses before taking this one.

The course consists of lectures and laboratory sessions.

Course attendance is not mandatory, but it is strongly recommended.

Students are evaluated through an oral assessment, aimed at verifying if they matched the objectives of the course. During the assessment, students are also asked to provide a computer-based illustration of methods and tools studied in the course, through the execution is required on a set of test problems, which highlight the implementation aspects and the performance of the implemented codes, and the analysis of the results obtained.

To this aim, students can use computer programs developed by themselves or made available by the teacher during the course.
The use of other course material is not allowed.

Marks are expressed in the thirtieths. The minimum passing mark is 18/30. Outstanding performance is marked 30/30 cum laude.

The laboratory activities are an integral part of the program.

- Advanced Nonlinear Optimization algorithms for large scale problems,
- numerical solution of Inverse Problems,
- IBM (Individual Based Models)

Applications to specific problems arising in Data processing:
- Population dynamics
- Deep learning
- Image Processing