Metodi di Ottimizzazione per Big Data (MOBD)

A.A. 2019-2020

Benvenuto alla pagina del corso di Metodi di Ottimizzazione per Big Data. Il corso è destinato agli studenti del primo anno dei Corsi di Laurea Magistrale in Ingegneria Informatica e Ingegneria dell'Automazione.

Consulta questa pagina per ottenere informazioni aggiornate sui seguenti argomenti:

• Bacheca (annunci, calendario degli esami, valutazioni)
• Programma d'esame
• Libri di testo e testi di esame
• Modalità d'esame
• Date d'esame
• Link
• Calendario del corso (gli argomenti svolti nelle singole lezioni)

Per ogni richiesta o dubbio scrivi a: veronica.piccialli@uniroma2.it .

Bacheca

Qui sono riportati gli avvisi e le informazioni più urgenti.

• Tutti gli studenti del corso devono iscriversi al gruppo google MOBD19-20 tramite cui saranno diffuse le licenze software e i testi dei progetti.

Orario delle lezioni

Semestre: II

Orari:

1. lunedì ore 10:00-11:30 in Aula C6 (Nuovo Complesso della didattica);
2. lunedì ore 14:45-16:15 in Aula C3 (Nuovo Complesso della didattica);
3. mercoledì ore 10:00-11:30 in Aula C3 (Nuovo Complesso della didattica);

Ricevimento

lunedì ore 12:00 - 13:00 (stanza D2-10, Edifici Ingegneria dell'Informazione.) Per il ricevimento è necessario prenotarsi inviando un mail all'indirizzo veronica.piccialli@uniroma2.it

Obiettivi e Prerequisiti del corso

Il corso vale 9 crediti.

Obiettivi. L'obiettivo del corso è quello di introdurre all'ottimizzazione vincolata con attenzione alle applicazioni nel campo dell'apprendimento statistico con particolare attenzione a SVM (Support Vector Machine), alberi di decisione ottimizzati e tecniche di clustering.

Prerequisiti. è raccomandabile aver seguito i moduli di Analisi Matematica 1 e 2, di Geometria 1, e di Ricerca Operativa.

Programma di massima del corso

Introduzione all'ottimizzazione: approccio modellistico

Problemi di ottimizzazione: classificazione

Problemi di Programmazione Matematica: condizioni di esistenza della soluzione

Ottimizzazione non vincolata: condizioni di ottimo, algoritmi di soluzione: condizioni di convergenza globale, ricerca di linea, cenni sul metodo del gradiente. Metodi di decomposizione.

Ottimizzazione vincolata: condizioni di ottimo e algoritmi di soluzione

Duale di Wolfe e SVM

Clustering non supervisionato: formulazione e algoritmo k-means batch e on line

Classificazione robusta (tenuta dal prof. Pacifici)

Testo adottato e altro materiale

1. Luigi Grippo, Marco Sciandrone, Metodi di Ottimizzazione Non Vincolata, Springer, Unitext 2011. Errata Corrige
2. Marco Sciandrone, Support Vector Machines. Errata Corrige
3. Marco Sciandrone, Clustering e metodi di decomposizione.
4. I seguenti testi sono disponibili presso il mio ufficio:
   a. Olvi L. Mangasarian, Nonlinear Programming, SIAM Classics in Applied Mathematics.
   b. Jorge Nocedal, Stephen J. Wright, Numerical Optimization, Springer.
   c. Dimitri P. Bertsekas, Convex Analysis and Optimization, Athena Scientific.
   d. Dimitri P. Bertsekas, Nonlinear Programming, Athena Scientific.
   e. J.E. Dennis, Robert B. Schnabel, Numerical Methods for Unconstrained Optimization and Nonlinear Equations, SIAM Classics in Applied Mathematics.
   

Modalità d'esame

• La prova d'esame consiste in uno scritto che verte sull'intero programma del corso (richiede anche conoscenza della teoria in quanto contiene domande teoriche), che viene discusso e corretto al momento, e un progetto che prevede manipolazione di dati.
• Come prenotarsi: Tramite delphi. Attenzione: la prenotazione è obbligatoria e tassativamente necessaria per sostenere l'esame. 
• Appelli d'esame straordinari. In casi di comprovata urgenza, per esempio se il mancato sostenimento dell'esame causa uno slittamento della sessione di laurea, uno studente, solo se è iscritto al terzo anno (o terzo ripetente), può chiedere al docente di indire un appello straordinario al di fuori delle sessioni ufficiali. Si ricordi che, secondo le regole attualmente in vigore in Facoltà, in uno stesso A.A. uno studente può sostenere al più un esame in un appello straordinario e che la convocazione di un appello straordinario è a discrezione del docente titolare del corso e del Consiglio di Corso di Studi.

Date d'esame

• Sessione estiva
1. da definire

Link utili

Questi link contengono dispense, esercizi, software freeware, curiosità relativi al mondo della ricerca operativa.

• Articolo della Business Review di Harvard sulla figura del Data Scientist.
• AMPL - Linguaggio di modellizzazione algebrica.
• GUROBI - Software per l'ottimizzazione lineare, intera e quadratica.
• IBM ILOG CPLEX - Altro software per l'ottimizzazione lineare, intera e quadratica.
• A.I.R.O - l'associazione italiana di Ricerca Operativa
• Michael Trick's Home Page - una quantità di informazioni e link orientati alla Ricerca Operativa.
• INFORMS - la pagina della "International Federation of Operations Research and Management Science"

Agenda del corso

1. lunedì 02/03/20.

Introduzione al corso: esempi di problemi di decisione (Slide della lezione).