Prof. Laura Palagi: i libri dei suoi insegnamenti

1. Che cosa si intende per problema di ottimizzazione convessa e perché è importante?
2. Come si definisce il gradiente di una funzione e a cosa serve nella minimizzazione?
3. Come funziona il metodo del gradiente discendente e come si sceglie il passo?
4. Quali differenze ci sono tra gradiente discendente stocastico e gradiente discendente batch?
5. Che cosa si intende per condizioni di ottimalità di Karush-Kuhn-Tucker?
6. Come si applica la regolarizzazione in un problema di ottimizzazione per l'apprendimento?
7. Quali sono i vantaggi del metodo di Newton rispetto al gradiente?
8. Come si calcola la matrice hessiana e quale informazione fornisce sulla curvatura?
9. Che cosa si intende per problema dei minimi quadrati e come si risolve?
10. Come si applica la programmazione lineare a problemi di selezione di variabili?
11. Quali metodi si usano per l'ottimizzazione con vincoli di uguaglianza?
12. Come si valuta la convergenza di un algoritmo iterativo?
13. Che cosa si intende per dualità in un problema di ottimizzazione?
14. Come si risolve un problema di ottimizzazione quadratica con vincoli?
15. Quali metodi si usano per l'ottimizzazione di funzioni non differenziabili?
16. Come si sceglie il passo di apprendimento in un metodo di discesa e quali effetti ha?
17. Che cosa si intende per momento e come viene usato negli algoritmi di ottimizzazione?
18. Come si applica la decomposizione per semplificare un problema di grandi dimensioni?
19. Quali difficoltà presenta l'ottimizzazione in presenza di minimi locali e punti di sella?
20. Come si confrontano diversi algoritmi di ottimizzazione su un problema di riferimento?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

1. Che cosa si intende per problema di ottimizzazione in un contesto di apprendimento automatico?
2. Come funziona il metodo del gradiente stocastico e quali parametri lo governano?
3. Quali sono le proprietà di convessità di una funzione di perdita e perché sono importanti?
4. Che cosa si intende per regolarizzazione e come si introduce in un problema di ottimizzazione?
5. Come si studia la convergenza di un metodo iterativo per la minimizzazione di una funzione?
6. Quali sono i vantaggi dei metodi del secondo ordine rispetto a quelli del primo ordine?
7. Che cosa si intende per dualità lagrangiana e come si applica nei problemi di apprendimento?
8. Come si gestisce la scelta del passo di aggiornamento in un algoritmo iterativo?
9. Quali metodi si usano per l'ottimizzazione vincolata nei modelli di apprendimento?
10. Come si valuta la complessità computazionale di un algoritmo di ottimizzazione?
11. Che cosa si intende per momento e come viene usato negli algoritmi di ottimizzazione?
12. Come si applica la programmazione convessa a un problema di classificazione?
13. Quali tecniche si adottano per ridurre il costo computazionale dell'addestramento su grandi dataset?
14. Come si analizza l'effetto della scelta della funzione di perdita sulla soluzione?
15. Che cosa si intende per minimo locale e per punto di sella e perché sono rilevanti?
16. Come si implementa un algoritmo di ottimizzazione distribuito su più processori?
17. Quali criteri si usano per fermare un algoritmo iterativo in modo appropriato?
18. Come si lega la norma di una matrice alla stabilità numerica di un metodo di ottimizzazione?
19. Quali sono le applicazioni dei metodi di ottimizzazione nella progettazione di sistemi ingegneristici?
20. Come si valuta la sensibilità della soluzione rispetto ai parametri di un modello?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

1. Che cosa si intende per problema di ottimizzazione in un contesto di apprendimento automatico?
2. Come funziona il metodo del gradiente stocastico e quali parametri lo governano?
3. Quali sono le proprietà di convessità di una funzione di perdita e perché sono importanti?
4. Che cosa si intende per regolarizzazione e come si introduce in un problema di ottimizzazione?
5. Come si studia la convergenza di un metodo iterativo per la minimizzazione di una funzione?
6. Quali sono i vantaggi dei metodi del secondo ordine rispetto a quelli del primo ordine?
7. Che cosa si intende per dualità lagrangiana e come si applica nei problemi di apprendimento?
8. Come si gestisce la scelta del passo di aggiornamento in un algoritmo iterativo?
9. Quali metodi si usano per l'ottimizzazione vincolata nei modelli di apprendimento?
10. Come si valuta la complessità computazionale di un algoritmo di ottimizzazione?
11. Che cosa si intende per momento e come viene usato negli algoritmi di ottimizzazione?
12. Come si applica la programmazione convessa a un problema di classificazione?
13. Quali tecniche si adottano per ridurre il costo computazionale dell'addestramento su grandi dataset?
14. Come si analizza l'effetto della scelta della funzione di perdita sulla soluzione?
15. Che cosa si intende per minimo locale e per punto di sella e perché sono rilevanti?
16. Come si implementa un algoritmo di ottimizzazione distribuito su più processori?
17. Quali criteri si usano per fermare un algoritmo iterativo in modo appropriato?
18. Come si lega la norma di una matrice alla stabilità numerica di un metodo di ottimizzazione?
19. Quali sono le applicazioni dei metodi di ottimizzazione nella progettazione di sistemi ingegneristici?
20. Come si valuta la sensibilità della soluzione rispetto ai parametri di un modello?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.