Seminario di Hrushikesh N. Mhaskar per il ciclo AIM 2022 |
Hrushikesh N. Mhaskar sarà ospite del ciclo di seminari Artificial Intelligence and Mathematics 2022. Hrushikesh N. Mhaskar è docente di matematica presso la Claremont Graduate University dove si occupa di… |
|
Seminario di Marco Cuturi per il ciclo AIM 2022 |
Marco Cuturi sarà ospite del ciclo di seminari Artificial Intelligence and Mathematics 2022. Marco Cuturi è docente di statistica presso il centro di ricerca in economia e statistica (CREST) e l'ENSAE, Institut… |
|
Seminario di Carola-Bibiane Schönlieb per il ciclo AIM 2022 |
Carola-Bibiane Schönlieb sarà ospite di Italia De Feis e Flavio Lombardi per il ciclo di seminari Artificial Intelligence and Mathematics 2022. Carola è professore presso il Dipartimento di Matematica Applicata e Fisica… |
|
18 maggio: seminario di Daniela Di Serafino per il ciclo AIM |
Il prossimo mercoledì 18 maggio Daniela Di Serafino parteciperà con un talk al ciclo di seminari Artificial Intelligence and Mathematics 2022. Daniela Di Serafino è docente di Analisi Numerica… |
|
Daniela Di Serafino: On Some Research Lines in Optimization Methods for Machine Learning |
Mercoledì 18 maggio Daniela Di Serafino parteciperà con un talk al ciclo di seminari Artificial Intelligence and Mathematics 2022. Daniela Di Serafino è docente di Analisi Numerica presso il Dipartimento di… |
|
Petar Veličković: AI x Mathematics |
Petar Veličković è ricercatore presso DeepMind, Affiliated Lecturer all'Università di Cambridge e Associato della Clare Hall, Cambridge. Di seguito l'abstract del seminario (in inglese). "For the past few years, we have been intensively collaborating with mathematicians from Oxford and… |
|
Nicola Toschi: Specialization of deep learning architectures for modelling brain activity and function |
Mercoledì 23 marzo Nicola Toschi sarà speaker del nuovo appuntamento con il ciclo di seminari Artificial Intelligence and Mathematics 2022. Nicola Toschi èNicola Toschi e' Professore Associato di Fisica Applicata presso… |
|
Alessandro Rudi - Representing non-negative function. With applications in non-convex optimization and beyond |
Many problems in applied mathematics are expressed naturally in terms of non-negative functions. While linear models are well suited to represent functions with output in R, being at the same time very expressive and flexible, the situation is different for the case of non-negative functions… |
|
Constantinos Siettos - Physics Informed Random Projection Neural Networks for the Numerical Solution of the Forward and Inverse Problems in Differential Equations |
Over the last few years, machine learning has been used to solve both the forward, i.e. the numerical solution of time-depended non-linear differential equations as an alternative to classical numerical analysis methods, but also the inverse problem i.e. the problem of identifying and… |
|
MASSIMO FORNASIER - CONSENSUS-BASED OPTIMIZATION IN MACHINE LEARNING |
Consensus-based optimization (CBO) is a multi-agent metaheuristic derivative-free optimization method that can globally minimize nonconvex nonsmooth functions and is amenable to theoretical analysis. In fact, optimizing agents (particles) move on the optimization domain driven by a drift towards… |