2. Docenti
  3. Didattica

RETI NEURALI E INTELLIGENZA ARTIFICIALE

Michele LA ROCCA RETI NEURALI E INTELLIGENZA ARTIFICIALE

0222400045
DIPARTIMENTO DI SCIENZE ECONOMICHE E STATISTICHE
CORSO DI LAUREA MAGISTRALE
SCIENZE STATISTICHE PER LA FINANZA
2024/2025

OBBLIGATORIO
ANNO CORSO 1
ANNO ORDINAMENTO 2014
SECONDO SEMESTRE
CFUOREATTIVITÀ
530LEZIONE
MICHELE LA ROCCA T Curriculum
AppelloData
LA ROCCA10/12/2024 - 10:30
LA ROCCA10/12/2024 - 10:30
Obiettivi
CONOSCENZE E CAPACITÀ DI COMPRENSIONE

L'INSEGNAMENTO INTENDE FORNIRE STRUMENTI AVANZATI DI STATISTICAL LEARNING BASATI SU RETI NEURALI. GLI STUDENTI APPRENDERANNO SIA I CONCETTI TEORICI DI BASE SIA LE ABILITÀ COMPUTAZIONALI NECESSARIE PER LA SPECIFICAZIONE E LA STIMA DI RETI NEURALI SIA DI TIPO SHALLOW CHE DI TIPO DEEP. PARTICOLARE ENFASI VERRÀ POSTA SULL’USO DI QUESTA CLASSE DI MODELLI PER LO STUDIO DELLA DIPENDENZA TRA VARIABILI STATISTICHE E PER LO STUDIO E LA PREVISIONE DI FENOMENI DINAMICI, CON UN FOCUS SPECIFICO SUI BIG DATA E SULLE APPLICAZIONI DI TIPO FINANZIARIO ED ASSICURATIVO.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE

SULLA BASE DELLE CONOSCENZE APPRESE, LO STUDENTE SVILUPPERÀ LA CAPACITÀ DI: 
- APPLICARE MODELLI NEURONALI A DIVERSI TIPI DI DATI (CONTINUO, DISCRETO, ECC.), A DIVERSI SCHEMI DI DIPENDENZA (REGRESSIONE E SERIE STORICHE), A DIVERSI AMBITI APPLICATIVI CON UN PARTICOLARE FOCUS AI PROBLEMI DI TIPO FINANZIARIO E ASSICURATIVO. 
- USARE IL LINGUAGGIO STATISTICO R PER LA IMPLEMENTAZIONE DEI MODELLI OGGETTO DEL CORSO 
- ANALIZZARE E VALUTARE AUTONOMAMENTE E IN MODO CRITICO DOCUMENTI E REPORT CHE INCLUDONO INFORMAZIONI GENERATE CON RETI NEURONALI, FORMULANDO GIUDIZI CRITICI SULLA PARTICOLARE ARCHITETTURA UTILIZZATA, SULLE TECNICHE DI INFERENZA E SUI MODELLI PREDITTIVI COSTRUITI NONCHÉ SULLA VALIDITÀ, INTERNA ED ESTERNA, DELLE CONCLUSIONI RAGGIUNTE.
Prerequisiti
È NECESSARIA LA CONOSCENZA DI NOZIONI DI CALCOLO MATRICIALE, DELLA PROGRAMMAZIONE DI BASE, DEL LINGUAGGIO STATISTICO R, DEI MODELLI DI REGRESSIONE (ALMENO A LIVELLO INTRODUTTIVO).
Contenuti
MODELLI ISPIRATI ALLE RETI NEURALI BIOLOGICHE ED ALCUNI CENNI STORICI SULLA LORO EVOLUZIONE. RETI NEURALI SHALLOW E DEEP. RETI NEURALI RICORRENTI. APPLICAZIONI DELL'INTELLIGENZA ARTIFICIALE E PROBLEMI NOTEVOLI (4H). TEOREMI DI APPROSSIMAZIONE UNIVERSALE. FUNZIONI DI ATTIVAZIONE E FUNZIONI DI PERDITA (4H). RETI NEURALI E REGRESSIONE. METODI DI OTTIMIZZAZIONE NUMERICA PER RETI NEURALI: GRADIENT DESCENT E SUE VARIANTI, BFGS E LBFGS, BACKPROPAGATION. VERIFICA DEL MODELLO E TECNICHE DI VALIDAZIONE. K-FOLD CROSS-VALIDATION E TEST DIAGNOSTICI (8H). APPLICAZIONI E CASI STUDIO SUL PROBLEMA DELLA REGRESSIONE IN R UTILIZZANDO KERAS/TENSORFLOW, TORCH, E LORO VARIANTI (4H). RETI NEURALI E CLASSIFICAZIONE. APPLICAZIONI E CASI STUDIO SUL PROBLEMA DELLA CLASSIFICAZIONE IN R UTILIZZANDO KERAS/TENSORFLOW, TORCH, E LORO VARIANTI (4H). RETI NEURALI PER L’ANALISI E LA PREVISIONE DI SERIE STORICHE NON LINEARI. CROSS-VALIDATION IN UN CONTESTO DI SERIE STORICHE. APPLICAZIONI E CASI STUDIO IN R PER LA PREVISIONE DI SERIE STORICHE NON LINEARI (6H).
Metodi Didattici
IL CORSO PREVEDE 30 ORE DI DIDATTICA IN AULA. LA FREQUENZA PUR NON ESSENDO OBBLIGATORIA, DATA LA NATURA DEL CORSO, È FORTEMENTE CONSIGLIATA.
DURANTE LE LEZIONI SI DISCUTERANNO TEMATICHE DI TIPO TEORICO AFFIANCATE COSTANTEMENTE DALLA IMPLEMENTAZIONE DELLE METODOLOGIE PROPOSTE NEL LINGUAGGIO STATISTICO R, DALLA PRESENTAZIONE DI CASI STUDIO MEDIANTE I QUALI SARANNO CHIARITE LE MODALITÀ OPERATIVE DI IMPLEMENTAZIONE DELLE TECNICHE, I CONTESTI DI UTILIZZO DEI DIVERSI STRUMENTI E LE INTERPRETAZIONI POSSIBILI DEI RISULTATI OTTENUTI. LE ESERCITAZIONI PERTANTO COSTITUIRANNO PARTE INTEGRANTE DELLE LEZIONI PROGRAMMATE. IL CORSO VERRÀ EROGATO IN MODALITÀ WEB ENHANCED E PERTANTO ALLE LEZIONI FRONTALI SI AFFIANCHERÀ UNO SPAZIO WEB PER LA DISTRIBUZIONE DELLE LECTURE NOTES E DELLE LETTURE INTEGRATIVE, DEI DATASET UTILI PER LO SVILUPPO DEI CASI STUDIO E PER EVENTUALI CHIARIMENTI SUGLI ARGOMENTI TRATTATI AL CORSO. LA DISPONIBILITÀ DELLO SPAZIO WEB NON È INTENDERSI IN ALCUN MODO COME ALTERNATIVO O SOSTITUTIVO DELLE LEZIONI FRONTALI IN PRESENZA.
Verifica dell'apprendimento
LO STUDENTE SARÀ VALUTATO DURANTE LA PROVA FINALE CHE SI TERRÀ IN CORRISPONDENZA DELLE DATE DEGLI ESAMI CALENDARIZZATE DAL DIPARTIMENTO.
DURANTE LA PROVA FINALE LO STUDENTE DOVRÀ DISCUTERE UN PROJECT WORK E SOSTENERE UNA PROVA ORALE SUGLI ARGOMENTI IN PROGRAMMA. IL PROJECT WORK DOVRÀ ESSERE CONCORDATO CON IL DOCENTE DURANTE IL CORSO, SARÀ SVOLTO INDIVIDUALMENTE E MIRA A VALUTARE LE CAPACITÀ DELLO STUDENTE DI SPECIFICARE E VALIDARE I MODELLI NEURALI PER LA SOLUZIONE DI UNO SPECIFICO PROBLEMA E COMUNICARE I RISULTATI MEDIANTE UN REPORT STATISTICO. LA VALUTAZIONE DEI PROGETTI SARÀ EFFETTUATA TENENDO CONTO DEI SEGUENTI ASPETTI:
- EFFICACE FORMULAZIONE ED INQUADRAMENTO DEL PROBLEMA, CON CHIARE DOMANDE DI RICERCA;
- CORRETTEZZA ED EFFICACIA DELLA SPECIFICAZIONE E DELLA VALIDAZIONE DEI MODELLI PROPOSTI PER LA SOLUZIONE DEI PROBLEMI FORMULATI AL PUNTO PRECEDENTE;
- CORRETTEZZA ED EFFICIENZA DELLE SOLUZIONI COMPUTAZIONALI ADOTTATE;
- CORRETTEZZA ED EFFICACIA DEI COMMENTI AI RISULTATI OTTENUTI;
- CONTENUTO, STRUTTURA ED EFFICACIA COMUNICATIVA DEL REPORT.
IL VOTO FINALE, ATTRIBUITO IN TRENTESIMI, TERRÀ CONTO DELLA QUALITÀ DEL PROJECT WORK SVILUPPATO, DEL LIVELLO DELLE CONOSCENZE TEORICHE ACQUISITE SUGLI ARGOMENTI IN PROGRAMMA, DELL’AUTONOMIA DI ANALISI E GIUDIZIO, NONCHÉ DELLE CAPACITÀ ESPOSITIVE DELLO STUDENTE NELLA PROVA ORALE.
Testi
LECTURE NOTES, RISORSE WEB E ARTICOLI SUGGERITI DAL DOCENTE DURANTE IL CORSO SARANNO RESI DISPONIBILI A TUTTI GLI STUDENTI FREQUENTANTI ATTRAVERSO LA PIATTAFORMA WEB, COMUNICATA ALL'INIZIO DEL CORSO

EFFECTIVE STATISTICAL LEARNING FOR ACTUARIES: NEURAL NETWORKS AND EXTENSIONS. MICHEL DENOUIT, DONATIEN HAINAUT, JULIEN TRUFIN, SPRINGER

PER RISPONDERE IN MANIERA FLESSIBILE ALLE SPECIFICHE ESIGENZE DI OGNI SINGOLO STUDENTE, IL DOCENTE PUÒ CONSIGLIARE LETTURE ALTERNATIVE O AGGIUNTIVE AGLI STUDENTI CHE NE FARANNO RICHIESTA.
Altre Informazioni
IL DOCENTE FORNISCE ULTERIORI SPIEGAZIONI E SUPPORTO METODOLOGICO AGLI STUDENTI DURANTE LE ORE DI RICEVIMENTO.
GIORNI, ORARI E LUOGO DEL RICEVIMENTO, NONCHÉ LE EVENTUALI VARIAZIONI, SONO COMUNICATE SULLA PAGINA WEB DEL DOCENTE.
  BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2024-11-18]