logo

Numbers 2

matematica, artificial intelligence e data science

Una giornata di formazione per sperimentare come matematica applicata e statistica possano essere utilizzate nei campi dei big data e dell'artificial intelligence, che sempre più influenzano le imprese, il mondo economico in generale ma anche la vita dei cittadini.

Gli incontri della mattina approfondiranno questi temi; nel pomeriggio gli studenti avranno modo di mettere in gioco le proprie attitudini, creatività e idee misurandosi in modo diretto in uno dei laboratori proposti.


27 NOVEMBRE 2019
AULA MAGNA, VIA ROENTGEN 1 

PROGRAMMA

ore 9.00   Registrazione

ore 9.30
Benvenuto

Paolo Cancelli, Responsabile Direzione Studenti

ore 9.35
Matematica nell'epoca dei Big Data
Emanuele Borgonovo, Docente di Operations Research

ore 10.45  Pausa

ore 11.15     
Il presente e il futuro dell'Intelligenza Artificiale

Riccardo Zecchina, Docente di Fisica Teorica

ore 12.30  Pausa

ore 14.30 - 16    Laboratorio a scelta degli studenti:

  • Un esempio di deep learning
    Carlo Baldassi
    , Docente di Computer Science
    Carlo Lucibello, Docente di Computer Programming and Database Systems

    In questo laboratorio si vedranno le basi del funzionamento delle reti neurali, costruendone e una semplice da zero e addestrandola a riconoscere il contenuto di immagini a partire da esempi. In seguito verranno analizzate architetture più avanzate e profonde (il famoso "deep" learning), in grado di affrontare casi più complessi.

  • Reinforcement learning: apprendimento dall'interazione
    Christoph Feinauer
    , Docente di Machine Learning and Computer Science

    Come impara una macchina a guidare da sola? Come impara un robot a camminare? Come può un computer battere i campioni di scacchi, Starcraft e poker? Reinforcement Learning!
    Nel laboratorio saranno analizzate le tecniche di questo campo dell'intelligenza artificiale. Non si dirà alle macchine come risolvere i problemi, impareranno da sole grazie alla tecnica dell'apprendimento per rinforzo.

  • Unsupervised learning: identificare aree urbane da dati autostradali
    Fabrizio Iozzi
    , Docente di Matematica
  • Supponete di essere nel Regno Unito e di avere a disposizione una grande quantità di dati stradali. Quali informazioni nascondono? Cosa ci dicono del nostro comportamento alla guida, della caratteristiche più comuni negli incidenti nelle aree urbane? Il laboratorio guiderà i partecipanti in questa esplorazione dei dati. Sarà utilizzato python, partendo dai dati grezzi e combinando tecniche di visualizzazione con tecniche di unsupervised learning.


Informazioni e modalità di adesione

Le iscrizioni sono chiuse.

Per le tematiche e la formula laboratoriale, le attività possono rientrare nei Percorsi per le competenze trasversali e l'orientamento (PCTO). 


Ultimo aggiornamento 26/11/2019 - 11:34:34