Sapienza Università di Roma · Ingegneria dell'informazione, informatica e statistica · libri consigliati, cosa studiare e orario delle lezioni, a.a. 2026/2027
Fondamenti di Matematica Canale 1
Ingegneria dell'informazione, informatica e statistica · 1º anno · 1º semestre · 9 CFU · apri nel catalogo
Argomenti del programma: 1. Logica e teoria degli insiemi: logica delle proposizioni, teoria degli insiemi, funzioni, relazioni d'ordine. 2. Gli insiemi numerici: il campo dei numeri reali, i numeri naturali, i numeri interi relativi, i numeri razionali, assioma di completezza e conseguenze, sommatorie, numeri complessi. 3. Funzioni reali: estremi di funzioni, funzioni monotone, trasformazioni di funzioni e simmetrie, funzioni elementari.
Principi di Programmazione Matematica Canale unico
Scienze Matematiche, Fisiche e Naturali · esame facoltativo · 6 CFU · apri nel catalogo
Argomenti del programma: 1. Fondamenti su insiemi convessi e funzioni convesse 2. Convessità e derivabilità 3. Ottimizzazione convessa liscia. 3. Estensione del concetto di derivata per funzioni convesse (non differenziabili in senso classico). 4. Teoria della dualità (parte 1). 5. Il metodo del sottogradiente proiettato. 6. Algoritmi di Frank-Wolfe 7. Operatore di prossimità e operatori "averaged". 8. L'algoritmo del gradiente prossimale.
Principi di Programmazione Matematica Canale unico
Scienze Matematiche, Fisiche e Naturali · esame facoltativo · 6 CFU · apri nel catalogo
Argomenti del programma: 1. Fondamenti su insiemi convessi e funzioni convesse 2. Convessità e derivabilità 3. Ottimizzazione convessa liscia. 3. Estensione del concetto di derivata per funzioni convesse (non differenziabili in senso classico). 4. Teoria della dualità (parte 1). 5. Il metodo del sottogradiente proiettato. 6. Algoritmi di Frank-Wolfe 7. Operatore di prossimità e operatori "averaged". 8. L'algoritmo del gradiente prossimale.
Metodi per Big Data e Machine Learning Canale unico
Scienze Matematiche, Fisiche e Naturali · 1º anno · 2º semestre · 3 CFU · apri nel catalogo
Argomenti del programma: 1. Fondamenti su insiemi convessi e funzioni convesse 2. Convessità e derivabilità 3. Ottimizzazione convessa liscia. 3. Estensione del concetto di derivata per funzioni convesse (non differenziabili in senso classico). 4. Teoria della dualità (parte 1). 5. Il metodo del sottogradiente proiettato. 6. Algoritmi di Frank-Wolfe 7. Operatore di prossimità e operatori "averaged". 8. L'algoritmo del gradiente prossimale.
Introduzione All'Ottimizzazione Canale unico
Scienze Matematiche, Fisiche e Naturali · 1º anno · 2º semestre · 6 CFU · apri nel catalogo
Argomenti del programma: 1. Fondamenti su insiemi convessi e funzioni convesse 2. Convessità e derivabilità 3. Ottimizzazione convessa liscia. 3. Estensione del concetto di derivata per funzioni convesse (non differenziabili in senso classico). 4. Teoria della dualità (parte 1). 5. Il metodo del sottogradiente proiettato. 6. Algoritmi di Frank-Wolfe 7. Operatore di prossimità e operatori "averaged". 8. L'algoritmo del gradiente prossimale.
Domande frequenti
Quali libri consiglia il prof. Saverio Salzo per Fondamenti di Matematica?
Analisi Matematica; Analisi Matematica 1 di M. Bramanti, C. D.; di Matematica – Esercitazioni di Matematica; Analisi matematica 1 di C. D. Pagani, S.
Quali libri consiglia il prof. Saverio Salzo per Principi di Programmazione Matematica?
Vandenberghe – Convex Optimization; Nesterov – Introductory Lectures on Convex Optimization; Salzo – Proximal Gradient Methods for Machine Learning and…
Quali libri consiglia il prof. Saverio Salzo per Principi di Programmazione Matematica?
Vandenberghe – Convex Optimization; Nesterov – Introductory Lectures on Convex Optimization; Salzo – Proximal Gradient Methods for Machine Learning and…
Quali libri consiglia il prof. Saverio Salzo per Metodi per Big Data e Machine Learning?
Vandenberghe – Convex Optimization; Nesterov – Introductory Lectures on Convex Optimization; Salzo – Proximal Gradient Methods for Machine Learning and…
Quali libri consiglia il prof. Saverio Salzo per Introduzione All'Ottimizzazione?
Vandenberghe – Convex Optimization; Nesterov – Introductory Lectures on Convex Optimization; Salzo – Proximal Gradient Methods for Machine Learning and…