Il corso è di carattere introduttivo e di interesse generale e interdisciplinare. Nel ciclo di lezioni verranno illustrati i principi e le idee più importanti alla base dei metodi e algoritmi di apprendimento automatico (machine learning), con esempi teorici e applicativi in differenti settori della fisica e del ricerca scientifica più in generale. Scopo del machine learning è quello di sviluppare metodi computazionali in grado di emulare i tipici comportamenti umani di apprendimento basato sull’esperienza. Algoritmi, in altre parole, in grado di risolvere quella classe di problemi (per esempio il riconoscimento di immagini o la comprensione di una lingua parlata) che non possono essere descritti in modo semplice da un set di regole matematiche formali (equazioni), e risultano quindi difficili da risolvere per un algoritmo computazionale di tipo tradizionale. Negli ultimi anni, grazie a notevoli progressi tecnologici nel campo della elaborazione dati e alla crescente quantità di informazioni digitalmente disponibili, sono state sviluppate nuove tecniche di machine learning (ad esempio il deep learning, o le tecniche di boosting applicate a foreste di alberi a decisione binaria) che hanno assunto un ruolo sempre più centrale in molteplici settori della tecnologia, della scienza applicata e di base, della medicina, della produzione industriale e della finanza. Il machine learning trascende inoltre l’ambito puramente tecnologico-scientifico risultando di interesse anche in campi differenti della ricerca come per esempio il campo della neuroscienze e della psicologia cognitiva. Obiettivo principale del corso è quello di fornire allo studente le conoscenze fondamentali per poter capire il funzionamento dei moderni algoritmi di machine learning e riuscire a risolvere problemi di apprendimento automatico attraverso una corretta formulazione del problema, una scelta critica dell’algoritmo di apprendimento e un’analisi sperimentale per valutare i risultati ottenuti. Il corso prevede una frazione consistente di esercitazioni con lezioni alla lavagna o con l'ausilio del computer (da parte del docente con immagini proiettate in aula) in modo da consentire allo studente di sperimentare direttamente le nozioni apprese su applicazioni reali. Durante le esercitazioni verranno implementati praticamente ed applicati a problemi reali alcuni degli algoritmi di machine learning discussi durante le lezioni teoriche. Il corso fornisce conoscenze utili e spendibili: - nel mondo del lavoro: sviluppo e applicazione di algoritmi di machine learning in settori di punta della tecnologia (sistemi di visione automatica, sistemi di guida autonoma, automazione industriale, sistemi di AI per robotica. etc..), della medicina (riconoscimento e segmentazione immagini diagnostiche, ecc.), dell'informatica (analisi big-data, motori di ricerca, ecc.), finanza (algoritmi predittivi titoli in borsa, ecc.) . - nel mondo della ricerca di base e applicata : il machine learning è uno strumento largamente utilizzato nella ricerca sia teorica che sperimentale per esempio in fisica delle alte energie (dai sistemi di acquisizione dati in tempo reale (trigger), all'utilizzo per la interpretazione dei risultati sperimentali nel contesto di diversi modelli teorici, etc..), fino all'utilizzo in neuroscienze e psicologia cognitiva (riuscire a costruire una macchina in grado di imparare dall’esperienza potrebbe infatti fornire uno strumento utile per capire come gli animali e l’uomo imparano essi stessi dall’esperienza, fornire modelli utili per caratterizzare il comportamento del cervello, o potrebbe essere di ausilio per comprendere la relazione che intercorre tra alcuni algoritmi di apprendimento (per esempio il reinforced learning) e i modelli di psicologia animale utilizzati per descrivere l’influenza dei premi in risposta a comportamenti finalizzati al raggiungimento di un obiettivo (concetti applicabili sia a modelli animali che a sistemi di intelligenza artificiale).