Skip to Main Content (Press Enter)

Logo UNIBG
  • ×
  • Home
  • Corsi
  • Insegnamenti
  • Persone
  • Pubblicazioni
  • Strutture
  • Terza Missione
  • Attività
  • Competenze

UNI-FIND
Logo UNIBG

|

UNI-FIND

unibg.it
  • ×
  • Home
  • Corsi
  • Insegnamenti
  • Persone
  • Pubblicazioni
  • Strutture
  • Terza Missione
  • Attività
  • Competenze
  1. Insegnamenti

OPTIMIZATION - 38091-MOD1

insegnamento
ID:
38091-MOD1
Dettaglio:
SSD: RICERCA OPERATIVA Durata: 24 CFU: 3
Sede:
DALMINE
Url:
Dettaglio Insegnamento:
INGEGNERIA INFORMATICA - 38-270/PERCORSO COMUNE Anno: 1
INGEGNERIA INFORMATICA - 38-270/PERCORSO COMUNE Anno: 2
Anno:
2025
Course Catalogue:
https://unibg.coursecatalogue.cineca.it/af/2025?co...
  • Dati Generali
  • Syllabus
  • Corsi
  • Persone

Dati Generali

Periodo di attività

Secondo Semestre (23/02/2026 - 06/06/2026)

Syllabus

Obiettivi Formativi

Scopo del corso è di fornire una panoramica dei moderni metodi e algoritmi di ottimizzazione per applicazioni all’apprendimento statistico, machine learning e al data science. Verrà discussa la teoria alla base di questi metodi (ad esempio, condizioni di ottimalità e teoria della dualità) e come scegliere i giusti metodi di ottimizzazione per diverse applicazioni di apprendimento statistico e machine learning.

Al termine del corso lo studente sarà in grado di:

• Valutare gli algoritmi, le classi di funzioni e velocità di convergenza degli algoritmi più importanti.

• Implementare i più importanti algoritmi di ottimizzazione per il data science in ambiente Python.

• Comprendere il trade-off tra tempo computazionale e precisione di algoritmi per l’apprendimento statistico e machine learning.

Dal punto di vista empirico, gli algoritmi presentati verranno applicati a database del mondo reale.


Prerequisiti

Algebra lineare e funzioni reali di variabile reale in una e due variabili.


Metodi didattici

Il corso sarà organizzato in lezioni frontali, esercitazioni e tutorato comprensive dello svolgimento di esempi e esercizi. Alcune lezioni si svolgeranno presso il laboratorio informatico in cui verranno implementate in ambiente Python le metodologie descritte a lezione su dati provenienti da vari contesti applicativi (business analytics, news, diagnosi medica ecc.).


Verifica Apprendimento

L'esame si svolge in due parti:

- discussione orale di casi studio assegnati (50 % del voto finale). Gli studenti possono lavorare in piccoli gruppi o individualmente.

- Esame finale orale (50 % del voto finale).


Contenuti

Nello specifico il corso coprirà i seguenti argomenti:

- Condizioni di ottimalità, Metodi di Ottimizzazione univariata e multivariata senza l’utilizzo di derivate (Derivative-Free), Metodo del Gradiente, Metodo del Gradiente Stocastico, Metodo del Subgradient, Metodo di Newton e Quasi-Newton, Metodo del Gradiente Coniugato, Metodi Penalty Function. Support Vector Machines (SVM): classificatori Soft and hard Margin e loro formulazione di programmazione quadratica (PQ). Metodo dei kernel. Condizioni di Karush-Kuhn-Tucker (KKT). Formulazione duale del problema PQ primale. Teoria della dualità di Wolfe per PQ. Problemi SVM multiclasse.

- Alberi decisionali ottimali.


Uso pratico di algoritmi di apprendimento. Confronto tra algoritmi di apprendimento dal punto di vista dell'ottimizzazione. Utilizzo di software (Python).




Risorse Online

  • Materiali didattici online (e-learning)
  • Leganto - Testi d'esame

Altre informazioni

Materiale relativo al corso verrà inserito dal docente tramite la piattaforma "e-learning" dell'Università degli studi di Bergamo.

Qualora l'insegnamento venisse impartito in modalità mista o a distanza potranno essere introdotte modifiche rispetto a quanto dichiarato nel syllabus per rendere il corso e gli esami fruibili anche secondo queste modalità.


Per maggiori informazioni scrivere a: francesca.maggioni@unibg.it


Corsi

Corsi

INGEGNERIA INFORMATICA - 38-270 
Laurea Magistrale
2 anni
No Results Found

Persone

Persone

MAGGIONI Francesca
Settore MATH-06/A - Ricerca operativa
Gruppo 01/MATH-06 - RICERCA OPERATIVA
AREA MIN. 01 - Scienze matematiche e informatiche
Professori Ordinari
No Results Found
  • Utilizzo dei cookie

Realizzato con VIVO | Designed by Cineca | 25.12.1.0