Reti neurali artificiali
Corso di Laboratorio di Fisica I (in Normale), anno accademico 2004-2005
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:
Corso di Esperimenti di Fisica III, anno accademico 2001-2002
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:
(Nei primi tre casi i pattern da analizzare sono dati registrati dall'esperimento
ALEPH a LEP e l'addestramento della rete avviene su Monte Carlo ufficiali
dell'esperimento.)
In tutte le tesine bisognera' studiare, tra le altre cose:
-
le performance dei diversi algoritmi di addestramento
-
a parita' di algoritmo di addestramento, come cambiano le performance al
variare dei valori dei parametri
-
la differenza nelle performance di reti con 0, 1 e 2 strati di neuroni
nascosti
-
l'eventuale dipendenza dell'output dai pesi sinaptici iniziali
-
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
Risorse su web:
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