Di Graziano, Carla
(2018)
Metodi di ottimizzazione stocastici.
[Laurea magistrale], Università di Bologna, Corso di Studio in
Matematica [LM-DM270], Documento ad accesso riservato.
Documenti full-text disponibili:
![[img]](http://amslaurea.unibo.it/style/images/fileicons/application_pdf.png) |
Documento PDF (Thesis)
Full-text accessibile solo agli utenti istituzionali dell'Ateneo
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato
Download (1MB)
| Contatta l'autore
|
Abstract
Gli ultimi decenni testimoniano un importante cambiamento nella risoluzione di una vasta classe di problemi in differenti discipline. Dalle Scienzeesatte e naturali all’Economia, dall’Ingegneria alla Statistica, numerosi problemi complessi vengono oggi risolti con metodi di ottimizzazione. A partire dagli anni 50 in particolare, i metodi di ottimizzazione sono esplosi nel campo dell’apprendimento automatico meglio conosciuto come machine
learning, portando ad un’evoluzione dei metodi stessi.
I metodi di ottimizzazione utilizzati per risolvere problemi di apprendimento sono quelli che coinvolgono l’utilizzo del gradiente. Questi metodi tradizionali purtroppo, non riescono ad essere efficienti quando le dimensioni dell’input non sono limitate. Nell’apprendimento automatico, l’ottimizzazione numerica ha lo scopo di determinare
nella fase di addestramento i valori ottimali dei parametri; questi parametri definiscono la funzione di predizione richiesta dalla metodologia di apprendimento. Nel contesto dell’apprendimento automatico universalmente noto come largescale machine learning vengono utilizzati principalmente approcci di tipo Gradiente Stocastico. Gli approcci basati sul gradiente stocastico sono relativamente
recenti nel panorama dell’ottimizzazione numerica. Per questo motivo necessitano di un’importante analisi teorica e algoritmica per l’adattamento di tecniche efficienti sviluppate nel contesto dei metodi del gradiente
tradizionali. Questo lavoro di tesi si colloca esattamente in questo contesto, facendo un’analisi della differenza tra il metodo del gradiente classico e il metodo del
gradiente stocastico mini-batch. I metodi del Gradiente Stocastico affrontati in questa tesi fanno rifermento ai metodi studiati e implementati da Robbins e Monro.
Abstract
Gli ultimi decenni testimoniano un importante cambiamento nella risoluzione di una vasta classe di problemi in differenti discipline. Dalle Scienzeesatte e naturali all’Economia, dall’Ingegneria alla Statistica, numerosi problemi complessi vengono oggi risolti con metodi di ottimizzazione. A partire dagli anni 50 in particolare, i metodi di ottimizzazione sono esplosi nel campo dell’apprendimento automatico meglio conosciuto come machine
learning, portando ad un’evoluzione dei metodi stessi.
I metodi di ottimizzazione utilizzati per risolvere problemi di apprendimento sono quelli che coinvolgono l’utilizzo del gradiente. Questi metodi tradizionali purtroppo, non riescono ad essere efficienti quando le dimensioni dell’input non sono limitate. Nell’apprendimento automatico, l’ottimizzazione numerica ha lo scopo di determinare
nella fase di addestramento i valori ottimali dei parametri; questi parametri definiscono la funzione di predizione richiesta dalla metodologia di apprendimento. Nel contesto dell’apprendimento automatico universalmente noto come largescale machine learning vengono utilizzati principalmente approcci di tipo Gradiente Stocastico. Gli approcci basati sul gradiente stocastico sono relativamente
recenti nel panorama dell’ottimizzazione numerica. Per questo motivo necessitano di un’importante analisi teorica e algoritmica per l’adattamento di tecniche efficienti sviluppate nel contesto dei metodi del gradiente
tradizionali. Questo lavoro di tesi si colloca esattamente in questo contesto, facendo un’analisi della differenza tra il metodo del gradiente classico e il metodo del
gradiente stocastico mini-batch. I metodi del Gradiente Stocastico affrontati in questa tesi fanno rifermento ai metodi studiati e implementati da Robbins e Monro.
Tipologia del documento
Tesi di laurea
(Laurea magistrale)
Autore della tesi
Di Graziano, Carla
Relatore della tesi
Scuola
Corso di studio
Indirizzo
Curriculum A: Generale e applicativo
Ordinamento Cds
DM270
Parole chiave
metodi di ottimizzazione stocastici machine learning Robbins Monro gradiente stocastico mini-batch
Data di discussione della Tesi
23 Marzo 2018
URI
Altri metadati
Tipologia del documento
Tesi di laurea
(NON SPECIFICATO)
Autore della tesi
Di Graziano, Carla
Relatore della tesi
Scuola
Corso di studio
Indirizzo
Curriculum A: Generale e applicativo
Ordinamento Cds
DM270
Parole chiave
metodi di ottimizzazione stocastici machine learning Robbins Monro gradiente stocastico mini-batch
Data di discussione della Tesi
23 Marzo 2018
URI
Statistica sui download
Gestione del documento: