Corsi di Laurea Corsi di Laurea Magistrale Corsi di Laurea Magistrale
a Ciclo Unico
Scuola di Scienze
DATA SCIENCE
Insegnamento
OPTIMIZATION FOR DATA SCIENCE
SCP7079229, A.A. 2017/18

Informazioni valide per gli studenti immatricolati nell'A.A. 2017/18

Principali informazioni sull'insegnamento
Corso di studio Corso di laurea magistrale in
DATA SCIENCE
SC2377, ordinamento 2017/18, A.A. 2017/18
N0
porta questa
pagina con te
Crediti formativi 6.0
Tipo di valutazione Voto
Denominazione inglese OPTIMIZATION FOR DATA SCIENCE
Sito della struttura didattica http://datascience.scienze.unipd.it/2017/laurea_magistrale
Dipartimento di riferimento Dipartimento di Matematica
Obbligo di frequenza No
Lingua di erogazione INGLESE
Sede PADOVA
Corso singolo È possibile iscriversi all'insegnamento come corso singolo
Corso a libera scelta È possibile utilizzare l'insegnamento come corso a libera scelta

Docenti
Responsabile FRANCESCO RINALDI MAT/09

Mutuazioni
Codice Insegnamento Responsabile Corso
INP7080718 OPTIMIZATION - OTTIMIZZAZIONE FRANCESCO RINALDI IN2371
INP7080718 OPTIMIZATION - OTTIMIZZAZIONE FRANCESCO RINALDI IN2371
INP7080718 OPTIMIZATION - OTTIMIZZAZIONE FRANCESCO RINALDI IN2371

Dettaglio crediti formativi
Tipologia Ambito Disciplinare Settore Scientifico-Disciplinare Crediti
CARATTERIZZANTE Aziendale-organizzativo MAT/09 6.0

Modalità di erogazione
Periodo di erogazione Secondo semestre
Anno di corso I Anno
Modalità di erogazione frontale

Organizzazione della didattica
Tipo ore Crediti Ore di
Corso
Ore Studio
Individuale
Turni
LEZIONE 6.0 48 102.0 Nessun turno

Calendario
Inizio attività didattiche 26/02/2018
Fine attività didattiche 01/06/2018

Syllabus
Prerequisiti: Conoscenze di base in
- Analisi reale e Calcolo;
- Algebra lineare.
Conoscenze e abilita' da acquisire: Comprendere modelli e metodi di ottimizzazione nell'ambito del Data Science.
Modalita' di esame: - Prova scritta alla fine del corso
- Progetto (Opzionale)
Criteri di valutazione: La valutazione della preparazione dello studente si baserà:
- sulla comprensione degli argomenti svolti in aula;
- sull'acquisizione dei concetti di carattere teorico;
- sulla capacità di utilizzare in maniera autonoma e consapevole i modelli e le metodologie risolutive proposte.
Contenuti: 1. Ottimizzazione lineare: Teoria e algoritmi
(a) Modelli di programmazione lineare in Data Science;
(b) Dualità;
(c) Metodo del Simplesso;
(d) Metodo dei punti interni;

2. Insiemi convessi e funzioni convesse
(a) Convessità, nozioni di base;
(b) Funzioni convesse: nozioni di base e proprietà;

3. Ottimizzazione convessa non vincolata:
(a) Modelli in Data Science;
(b) Caratterizzazione delle soluzioni ottime;
(c) Metodi tipo gradiente;

4. Ottimizzazione convessa vincolata;
(a) Modelli in Data Science;
(b) Caratterizzazione delle soluzioni ottime;
(c) Metodi basati su approssimazioni poliedrali;
(d) Metodi di proiezione;

5. Ottimizzazione su reti di grande dimensione
(a) Modelli di reti in Data Science;
(b) Metodi di clustering.
Attivita' di apprendimento previste e metodologie di insegnamento: Il corso si baserà su lezioni frontali.
Eventuali indicazioni sui materiali di studio: - Dispense fornite dal docente.
- I testi di consultazione verranno indicati dal docente durante il corso
Testi di riferimento: