• Corso di Laboratorio di Fisica I (in Normale), anno accademico 2004-2005
• Corso di Esperimenti di Fisica III, anno accademico 2001-2002

E' consigliato lo svolgimento del lavoro in ambiente ROOT.

Capitolo della mia tesi di perfezionamento dedicato alle reti neurali (e bibliografia relativa).
Lucidi del mio esame di perfezionamento dedicati alle reti neurali.

Tesine proposte nel 2005:

• Problemi di argomento bio-chimico:
• classificazioni di olii d'oliva, vini, composti chimici, ecc. (datasets)
• farmaci anti-HIV (dataset)
• struttura delle proteine (dataset)
• Problemi di argomento finanziario:
• previsione cambio sterlina / dollaro in funzione dei cambi della settimana precedente tra dollaro, sterlina, marco tedesco, yen (link)
• previsione cambio marco / sterlina in funzione dei cambi del giorno prima (usando Mathematica; link)
• predizione cambio euro / dollaro (link; contiene molte referenze ad altri studi)
• Guidelines for Financial Forecasting with Neural Networks (link)
• Improving the pricing of options: a neural network approach (link)
• Altri problemi:
• Il Global Consciousness Project sostiene di aver trovato significative correlazioni tra gli output di una rete di generatori di numeri random (basati sul rumore bianco) e alcuni eventi di alto impatto emotivo (ad es. l'11 settembre) attribuendoli all'interazione delle funzioni d'onda elettroniche con una "noosfera"; verificare le loro affermazioni con una rete neurale (link; dataset)
• Previsioni meteo: correlazioni giorno per giorno tra le precipitazioni e tre parametri fisici di facile misura (temperatura, pressione e umidita') (dataset)

Esempio di macro per ROOT: nn.C

Risorse su web:

• ROOT
• Multi-Layer Perceptron in ROOT
• Esempio di applicazione di un MLP in ROOT

Nozioni preliminari:

Cos'e' una NN.
A che serve una NN.
Addestramento con supervisore.
Il "percettrone".
MultiLayer Perceptrons.
Approssimazione di funzioni a N variabili.
Problemi di classificazione.
Problemi linearmente separabili e non.
Come quantificare l'importanza degli input (leggere qui).
Tips & Tricks... (leggere qui per le motivazioni teoriche)

Tesine svolte nel 2002:

• identificazione di elettroni e muoni nei dati di ALEPH  (confronto delle performance della rete con quelle delle routine standard) [formato PS zippato; 703 kb]
• identificazione di quark c in dati di ALEPH  (calcolo del rate per eventi leptonici) [formato PS zippato; 418 kb]
• distinzione tra due diversi decadimenti dei mesoni B in dati di ALEPH [formato PS zippato; 434 kb]
• riconoscimento di figure piane + previsioni finanziarie [formato PS zippato; 272 kb]

In tutte le tesine bisognera' studiare, tra le altre cose:

1. le performance dei diversi algoritmi di addestramento
2. a parita' di algoritmo di addestramento, come cambiano le performance al variare dei valori dei parametri
3. la differenza nelle performance di reti con 0, 1 e 2 strati di neuroni nascosti
4. l'eventuale dipendenza dell'output dai pesi sinaptici iniziali
5. trovata la rete migliore studiare l'influenza degli input sugli output, poi vedere se l'eliminazione degli input meno importanti migliora le performance della rete e/o diminuisce il tempo necessario all'addestramento

• Alcune applicazioni delle reti neurali
• Versione on line del libro "Neural Nets", di Kevin Gurney
• Alcuni articoli.
• Tutorial sulle reti neurali.
• FAQ sulle reti neurali
• Stuttgart Neural Network Simulator (anche se non lo usate, puo' essere utile leggere il manuale)
• Quantum Neural Networks (un simulatore che espande lo SNNS puo' essere scaricato qui)
• Reti neurali in PAW (manuale; versione HTML)
• Reti neurali in PAW (manuale; versione PostScript)
• Reti neurali in PAW (lista comandi)
• PAW
• Reti neurali in ambiente Windows
• Dove trovare dati: archivio Delve

Libro di testo consigliato:
 

Haykin, "Neural Networks, a comprehensive foundation" (2nd ed., 1999), Prentice Hall
(Consultabile nella biblioteca di Informatica in Corso Italia)

Per contattarmi: andrea.giammanco@pi.infn.it