Conoscenza del Calcolo delle Probabilità elementare. 

Teoria statistica dell'apprendimento caso peggiore e caso tipico. Apprendimento e ottimizzazione.  Fondamenti e metodi della meccanica statistica. I sistemi disordinati. Meccanica statistica per l'inferenza l'apprendimento automatico. Reti neurali, dalle neuroscienze computazionali all'intelligenza artificiale. Il modello di Hopfield. La prospettiva di Gardner: lo spazio dei pesi nelle reti neurali. Il percettrone, capacità e scenario insegnante/studente. Apprenimento Bayes-ottimo.  

Acquisire una conoscenza dei metodi teorici, euristici e rigorosi per lo studio delle reti neurali e altri modelli in apprendimento artificiale. 

Lezioni frontali + progetti di studio individualizzati. 

Esame orale.

Note del corso. A. Engel, C. Van den Broeck, Statistical Mechanics of Learning CUP (2004). S. J.D. Prince Understanding Deep Learning http://udlbook.com. D.J. Amit Modelling Brain Functions CUP (1989)