Sviluppo di metodi di ottimizzazione stocastica per applicazioni innovative del Machine Learning

Il Machine Learning (ML) o apprendimento automatico è ormai diventato uno strumento comune per la risoluzione di problemi di analisi dei dati. Oggigiorno la sfida è divenuta quella di sviluppare efficienti modelli/metodi che permettono di comprendere come il calcolo controlla l’errore, in modo da aumentare l’affidabilità delle DNN e allargare l’ambito delle applicazioni, senza la necessità di  aumentare esponenzialmente la richiesta computazionale. Il progetto di ricerca è stato inquadrato nell’esigenza nazionale, oltre che regionale, di avere figure professionali preparate a tradurre in soluzioni tecnologiche avanzate le conoscenze che è possibile inferire dalla mole di dati che vengono attualmente raccolti dai sistemi informativi esistenti. Il progetto si è posto come obiettivi:

• ideazione e sperimentazione di nuovi algoritmi di ottimizzazione stocastica; -utilizzo di metodologie di tipo mini-batch all’interno del contesto stocastico, tali metodologie hanno consentito l’utilizzo di GPGPU (General Purpose Graphic Processor Unit) in grado di parallelizzare il processo di addestramento, garantendo una riduzione nei tempi di calcolo;
• approfondimento ed implementazione di diverse tecniche di NAS (Neural Architecture Search); -utilizzo del dataset per NAS NasBench-101 attraverso lo strumento di GoogleColab.