Scuola estiva Applied Bayesian Statistics (ABS26): Interpretable Bayesian Learning for Physical and Engineering Sciences
Dal 06/07/2026 ore 14.00 al 10/07/2026 ore 13.00
Villa del Grumello, via per Cernobbio 11, Como
La prossima edizione della scuola estiva Applied Bayesian Statistics (ABS) si svolgerà presso la Villa del Grumello di Como, dal 6 al 10 luglio 2026 e tratterà il tema "Interpretable Bayesian Learning for Physical and Engineering Sciences".
La scuola è organizzata dall'Istituto di matematica applicata e tecnologie informatiche "Enrico Magenes" del Cnr (Cnr-Imati, sede di Milano), in collaborazione con la Fondazione Volta di Como e il patrocinio di SIMAI (Società Italiana di Matematica Applicata e Industriale).
Il corso sarà tenuto dal prof. Simon Mak (Department of Statistical Science, Duke University) con il supporto della dott.ssa Yen-Chun Liu (PhD Student at Department of Statistical Science, Duke University). Le lezioni previste sono sia teoriche sia pratiche e sarà offerta l'opportunità ai partecipanti di presentare il proprio lavoro (passato, presente e futuro) in relazione al tema del corso.
Descrizione
Questo corso affronta il tema emergente dell’apprendimento statistico interpretabile, motivato dalle crescenti esigenze delle moderne applicazioni scientifiche e ingegneristiche. In questi contesti, i metodi di machine learning più avanzati producono spesso analisi difficili da interpretare per gli scienziati, rendendo meno chiara la comprensione dei risultati scientifici e i processi decisionali. L’apprendimento bayesiano interpretabile rappresenta una soluzione elegante ed efficace, poiché integra principi scientifici (come condizioni al contorno ed equazioni meccanicistiche) nella specificazione delle distribuzioni a priori.
Nel corso verrà presentata un’ampia gamma di metodi di apprendimento bayesiano interpretabile, sia dal punto di vista teorico sia algoritmico, offrendo una visione coerente di questo ambito di ricerca recente e in rapida evoluzione. Il percorso sarà inoltre arricchito da casi di studio applicativi tratti da progetti in corso nella fisica delle particelle, nell’ingegneria meccanica e nella bioingegneria. Particolare attenzione sarà dedicata alle nuove direzioni di ricerca in questo promettente settore.
Argomenti del corso
- Fondamenti dei modelli surrogati basati su processi gaussiani (GP): predizione, inferenza dei parametri, progettazione degli esperimenti
- Decision-making con surrogati GP: ottimizzazione bayesiana, apprendimento attivo, problemi inversi bayesiani
- Metodi Markov Chain Monte Carlo (MCMC)
- Modellazione con processi gaussiani informata dalle condizioni al contorno
- Modellazione con processi gaussiani con vincoli di forma (ad es. monotonia, isotonicità, convessità)
- Modellazione con processi gaussiani basata su modelli meccanicistici
- Reti neurali integrate con la fisica, loro varianti bayesiane e sviluppi recenti
- Recupero di sistemi dinamici: SINDy, SINDy bayesiano e sviluppi recenti
Organizzato da:
Istituto di matematica applicata e tecnologie informatiche "Enrico Magenes"
Fondazione "Alessandro Volta", Como
Referente organizzativo:
Maria Teresa Artese
CNR - Istituto di matematica applicata e tecnologie informatiche "Enrico Magenes"
via Alfonso Corti, 12
Milano
abs26@mi.imati.cnr.it
Modalità di accesso: registrazione / accredito
Le iscrizioni sono aperte e si possono effettuare tramite il sito web di ABS26 cliccando il link a fondo pagina.
Se siete interessati, ma non ancora pronti all'iscrizione, potete ricevere aggiornamenti su ABS26 inviando una mail ad abs26@mi.imati.cnr.it
Vedi anche: