giovedì, 30 novembre 2023
Programma
18.00: Apertura del
Seminario.
18.00: MNIST: nascita, vita e
morte di un dataset pubblico.
Nel
primo talk racconteremo la storia del processo OCR (Optical Character
Recognition), passato negli anni da obiettivo di ricerca a semplice
commodity, attraverso il ruolo cruciale svolto dal dataset MNIST, che ha
avuto un ruolo fondamentale nello sviluppo del deep learning. È stato uno dei
primi dataset di immagini utilizzati per l’di reti neurali convoluzionali
(CNN), un tipo di rete neurale particolarmente efficace per la classificazione
di immagini.
Il
racconto parte dai primi approcci di machine learning, prosegue con i risultati del team di ricercatori
dell'Università di Toronto, che proprio su questo dataset ha dato una prima
dimostrazione del potenziale delle CNN per la classificazione di immagini e
quindi contribuito a una nuova ondata di interesse per il deep learning, e finisce con le moderne architetture a transformers.
Si
parlerà anche del ruolo della ricerca italiana in questo percorso,
con alcuni importanti successi ed alcune occasioni mancate.
Ennio Ottaviani è un fisico teorico, ricercatore
industriale ed imprenditore. E’ direttore scientifico di OnAIR, dove coordina
progetti di ricerca sulle applicazioni di IA in diversi settori dell’industria
e dei servizi. E’ docente di Metodi Predittivi per il corso di laurea in
Statistica Matematica della Università di Genova. Ennio è già stato ospite in
passato di DataScienceSeed con un interessantissimo talk su Quantum
Computing e Data Science.
18.40: Scoprire le anomalie nei
big data, con l'applicazione del Machine Learning e delle Metaeuristiche
Il
secondo talk della giornata tratterà
tematiche riguardanti l'Anomaly Detection, l'integrazione delle Metaeuristiche nel campo Machine Learning e
algoritmi di ottimizzazione.
L'Anomaly Detection è
un campo dell'intelligenza artificiale che si occupa di identificare dati
anomali in un set di dati. Le anomalie possono essere dovute a vari fattori,
come errori di misurazione, eventi imprevisti o attacchi malevoli. L'intervento intende fare una
panoramica sulle anomalie in campi come i sistemi di controllo
industriali, i sistemi di intrusione, l'analisi di eventi climatici, di
traffico urbano, di fake news e tanto altro.
Le Metaeuristiche
sono un tipo di algoritmo di ottimizzazione che utilizzano una strategia di
esplorazione/sfruttamento per trovare una soluzione ottimale o subottimale a un
problema. Sono spesso utilizzate in problemi complessi, dove gli algoritmi
tradizionali possono fallire. L'integrazione delle Metaeuristiche nell'Anomaly
Detection può migliorare l'accuratezza e la robustezza dei sistemi di
rilevamento delle anomalie.
Claudia Cavallaro si occupa di ricerca in Informatica, nel tema dei
Big Data, dell'Ottimizzazione e delle Metaeuristiche. E' una docente
dell'Università di Catania, per i corsi di laurea triennale e magistrale di
Informatica in "Strutture Discrete" ed "Euristics and
metaheuristics for optimizazion and learning". Recentemente ha
partecipato come speaker alle conferenze ITADATA 2023(The 2nd Italian
Conference on Big Data and Data Science) e WIVACE 2023 (XVII International
Workshop on Artificial Life and Evolutionary Computation). Ha iniziato a
lavorare nel campo di ricerca dell'Anomaly Detection già durante il
periodo di post-doc presso il CNAF-I.N.F.N. di Bologna.
19.20 Discussione con la platea.
20.00 Chiusura del Seminario.
|