Il Webinar promosso dal Laboratorio scientifico Decisions_LAB del Di.Gi.ES coordinato dal Prof. Massimiliano Ferrara analizzerà alcuni recenti sviluppi nell’ambito Machine Learning. Ospite dell’incontro il Prof. Emanuele Borgonovo dell’Università Bocconi, considerato sull’argomento tra i massimi esperti in ambito internazionale.
Per partecipare all’incontro bisognerà accedere dalla piattaforma Microsoft TEAMS - Laboratorio Decisions_LAB
Il codice per aderire al laboratorio è il seguente: eb092v6
Gli utenti non iscritti alla piattaforma Microsoft TEAMS UNIRC, per prendere parte all’incontro, dovranno inviare una mail all’indirizzo: massimiliano.ferrara@unirc.it
Prof. Emanuele Borgonovo
Short Bio
Ph.D. in Probabilistic Risk Assessment presso il Massachusetts Institute of Technology, Cambridge, MA, USA. Thesis advisor: Prof George E. Apostolakis. Ha inoltre perfezionato i suoi studi all'Università di Harvard e alla MIT Sloan School of Management. Laurea a pieni voti in Ingegneria Nucleare Orientamento Matematico-Fisico, Politecnico di Milano.
Professore Ordinario presso il Dipartimento di Scienze delle Decisioni e Direttore del Bachelor in Economics, Management and Computer Science (BEMACS). E' stato direttore del Centro di Ricerca ELEUSI dal 2008 al 2012.
E' President-Elect della Decision Analysis Society (INFORMS), co-chair del comitato tecnico per l'Analisi di Incertezza della Associazione Europea per la Sicurezza e Effidabilità (ESRA) dal 2013.
E' inoltre co-Editor-In Chief dell'European Jounal of Operational Research, scientific advisor della Springer International Series in Operations Research and Management Science e membro del Comitato Scientifico della Fondazione Silvio Tronchetti Provera.
Webinar’s abstract
A growing research activity is developing for increasing interpretability of machine findings. When complex architectures are used, analysts are, in fact, exposed to the black-box effect. This seminar will review several methods used both in the machine learning and in the simulation community to make the black box more transparent. We shall discuss tools such as partial dependence functions, layerwise relevance propagation, as well as present several local and global sensitivity analysis methods, also proposing new tools and new findings on popular tools.