Nuovo MOOC : Introduzione alla programmazione scientifica ed all'apprendimento automatico con Julia

[Antonello Lobianco]

Ciao a tutti,
   con le mie dovute scuse per lo "spam", vorrei informarvi dell'iniziativa di un nuovo corso collaborativo, multicanale e interattivo di introduzione al linguaggio Julia, incentrato sul suo utilizzo in ambito scientifico (gestione dei dati, ottimizzazione...) e sugli algoritmi di Machine Learning, di cui vengono forniti i concetti principali.

La parte pubblica del corso è ora disponibile come MOOC qui:

https://sylvaticus.github.io/SPMLJ

In questo video di 6 minuti (o semplicemente in fondo a questa e-mail), troverete il programma completo e l'organizzazione del corso:

https://www.youtube.com/watch?v=82IbUHUgzLo

Vi sarei grato se poteste far circolare questa informazione tra le vostre reti e tra i vostri studenti inclini ad usare approcci computazionali.

Grazie ed un abbraccio ai "vecchi" del Linux group di Ancona,
    Antonello


Contenuto del corso:

• Unità introduttiva: (a) motivazioni, caratteristiche principali di Julia; (b) suggerimenti per impostare un ambiente di sviluppo Julia e un corso intensivo su git, (c) moduli, ambienti di pacchetti e il più ampio argomento dei risultati riproducibili; (d) introduzione al tema dell'apprendimento automatico (definizione dello scopo, esempi, chiarimento della terminologia)
• 1a unità tematica `JULIA1` : (a) un'introduzione gentile ma piuttosto profonda al linguaggio di programmazione Julia (sintassi, strutture dati fornite e personalizzate, flussi di controllo e funzioni); (b) argomenti avanzati (metaprogrammazione, ottimizzazione del codice, interfaccia al codice C/Python/R, introduzione al calcolo parallelo);
• 2a unità tematica `JULIA2` : (a) l'elaborazione dei dati con il pacchetto DataFrame per dati tabulari in-memory, inclusa la strategia split-apply-combine; (b) il pacchetto Distributions per creare modelli probabilistici, (c) il pacchetto LsqFit per adattare qualsiasi curva generica ai dati, (d) il pacchetto Plots per la visualizzazione, (e) il linguaggio di modellazione algebrica JuMP per implementare e risolvere modelli di ottimizzazione complessi (come GAMS).
• 3a unità tematica `ML1` :  (a) Intuizioni dei concetti di apprendimento automatico (apprendimento supervisionato, convalida incrociata e regolarizzazione; (b) Implementazione del classificatore a perceptron lineare (forse il più semplice algoritmo di apprendimento automatico).
• 4a unità tematica `NN` :  (a) modelli di reti neurali: come funzionano, a cosa servono e come addestrarli; (b) architetture di reti neurali specifiche: reti neurali convoluzionali e reti neurali ricorrenti; (c) implementazione con i pacchetti Julia.

Organizzazione del corso :

• 9 file Julia utilizzabili nel repository pubblico di GitHub e 7 file MarkDown con codice Julia incorporato.
• 15 ore di video, 15 quiz interattivi con 52 domande e 7 esercizi guidati
• forum di discussione integrato in fondo ad ogni pagina