التحق بالجامعة
الانتقال إلى الجامعة
انضم إلينا
وظائف أعضاء هيئة التدريس
رؤيتنا
المجلة العلمية
أستاذ مشارك, علوم الإحصاء
حصل البروفيسور ماوريتسيو فيليبوني على درجة الماجستير في الفيزياء، ودرجة الدكتوراه في علوم الحاسب الآلي من جامعة جنوة بإيطاليا، في عامي 2004 و2008 على الترتيب. وخلال دراسته لدرجة الدكتوراه في عام 2007، قضى فيليبوني عامًا كباحث زائر في جامعة جورج ماسون بالولايات المتحدة الأمريكية. من عام 2008 إلى 2011، عمل بصفته باحث مشارك في عدة مؤسسات بالمملكة المتحدة: جامعة شيفيلد (2008–2009)، جامعة غلاسغو (2010)، وكلية لندن الجامعية (2011). وفي عام 2011، تولّى منصب محاضر في جامعة غلاسغو، قبل أن ينتقل في 2015 إلى كلية EURECOM في فرنسا بصفته أستاذ مشارك. وفي عام 2024، انضم فيليبوني إلى برنامج الإحصاء في جامعة الملك عبد الله للعلوم والتقنية (كاوست) ليشغل منصب أستاذ مشارك.
يركز البروفيسور فيليبوني تركيزًا رئيسيًا على علم الإحصاء البايزي، الذي يتيح اتخاذ قرارات سليمة من خلال قياس عدم اليقين في معلمات النماذج وتنبؤاتها. وتتمحور اهتماماته الرئيسية حول النماذج المستندة إلى التعلّم العميق والعمليات الغاوسية. يهتم فيليبوني بأسس الإحصاء البايزي والجوانب الحسابية المرتبطة باستخدامه في التطبيق العملي. وعلى وجه التحديد، يعمل على تطوير تقريبات تتيح إمكانية المعالجة الحسابية للنماذج مع الحفاظ على الأسس النظرية والعملية وقابلية التوسع. كما يولي اهتمامًا لتطبيقات الإحصاء البايزي في علوم الحياة والعلوم البيئية، إذ يلعب عدم اليقين دورًا جوهريًا في التحليل واتخاذ القرار.
باحث ما بعد الدكتوراه في الإحصاء في جامعة كاليفورنيا، المملكة المتحدة وفي علوم الحاسب الآلي في جامعة غلاسكو، المملكة المتحدة، 2011-2012
باحث ما بعد الدكتوراه في علوم الحاسب الآلي، جامعة شيفيلد، المملكة المتحدة، 2009-2010
دكتوراه في علوم الحاسب الآلي، جامعة جينوفا، إيطاليا، 2008
باحث زائر في جامعة جورج ميسون، فيرفاكس، فيرجينيا، الولايات المتحدة الأمريكية، 2007
ماجستير في الفيزياء، جامعة جينوفا، إيطاليا، 2004
Best Ph.D. Thesis Award obtained by my student Ba-Hien Tran, Doctoral School of Sorbonne University, France, 2023
Best Paper Award, The Biennial Pattern Recognition Journal Award, 2008
B.-H. Tran, G. Franzese, P. Michiardi, and M. Filippone. One-Line-of-Code Data Mollification Improves Optimization of Likelihood-based Generative Models. In NeurIPS, 2023.
B.-H. Tran, S. Rossi, D. Milios, and M. Filippone. All you need is a good functional prior for Bayesian deep learning. Journal of Machine Learning Research, 23(74):1--56, 2022.
S. Marmin and M. Filippone. Deep gaussian processes for calibration of computer models (with discussion). Bayesian Analysis, 17(4):1301-1350, 2022.
A. Zammit-Mangion, T. L. J. Ng, Q. Vu, and M. Filippone. Deep Compositional Spatial Models, Journal of the American Statistical Association, 117:540, 1787-1808, 2022.
B.-H. Tran, S. Rossi, D. Milios, P. Michiardi, E. V. Bonilla, and M. Filippone. Model selection for Bayesian autoencoders. In NeurIPS, 2021.
