Il corso è andato in aula per l'ultima volta a settembre 2024 ed è formalmente sostituito, sebbene in lingua inglese e con un taglio e con un programma diverso, da "Quantum Computing and Neural Netwroks"
Sito ufficiale del Corso di Laurea in Ingegneria Elettronica
Sito ufficiale del Corso di Laurea in Ingegneria delle Comunicazioni
Programma A.A. 2024/2025. Il programma finale a consuntivo fa riferimento a TUTTO E SOLO quanto presentato, spiegato e discusso durante le lezioni del corso:
Introduzione al Machine Learning. Intelligenza artificiale, machine Learning e reti neurali. Applicazioni del machine learning ai sistemi elettrici ed elettronici.
Approcci pratici all'uso di reti neurali. Perceptron. Apprendimento, discesa a gradiente e backpropagation. Validazione del modello, overfitting e underfitting. Regolarizzazione. Preparazione dei dati.
Reti neurali "shallow". Radial Basis Function (RBF), Extreme Learning Machine (ELM) e Random Vector Functional-Link (RVFL), Echo State Network (ESN). Concetti di base sulla randomizzazione.
Introduzione alla predizione di serie temporali.
Deep learning e reti neurali "deep". Reti neurali ricorrenti e convolutive.
Introduzione all'Hyperdimensional Computing.
Machine learning applicato ad architetture computazionali, circuiti e sistemi. Concetti principali, casi di studio, problematiche, soluzioni e sviluppi futuri.
Machine learning applicato ai sistemi elettrici. Diagnosi dei guasti, sistemi di progettazione e controllo delle batterie, Smart Grid, reti energetiche distribuite e fonti rinnovabili.
Elementi di Intelligenza Artificiale Generativa. Meccanismi di attentioning, reti neurali generative, modelli diffusivi e autoencoder.
Architetture circuitali per il machine learning. Array sistolici, calcolo parallelo e pipelining. Calcolo parallelo su architetture multi-core e many-core (GPU computing).
Introduzione al quantum computing. Entanglement e sovrapposizione quantistica; calcolo tensoriale e operazioni matematiche fondamentali. Quantum gate array. Gli algortimi di Grover e Shor; introduzione alle reti neurali quantistiche e al quantum machine learning. Analisi dettagliata dell'algoritmo di Grover.
Esercitazioni pratiche (hands-on) usando Matlab e Python:
reti neurali e deep learning;
implementazione di algoritmi di machine learning (clustering, classificazione, regressione, deep learning).
predizione di serie energetiche;
calcolo parallelo multi-core e mediante GPU;
programmazione quantistica e utilizzo di calcolatori quantistici reali;
circuiti quantistici per l'ottimizzazione;
quantum deep learning;
Applicazioni e studi di caso:
predizione energetica da fonti rinnovabili, sistemi energetici intelligenti, Smart Grid;
applicazioni a dati reali (logistici, economici, biomedicali, meccatronici, ambientali e aerospaziali, etc.);
biometria e analisi comportamentale;
implementazione di reti neurali e neurofuzzy su microcontrollori, sistemi embedded e sensori intelligenti;
reti neurali quantistiche, ottimazione quantistica e sistemi generativi quantistici.
Calendario appelli A.A. 2024/2025. Gli esami potranno essere sostenuti per appuntamento nel momento in cui si ritiene più opportuno a partire da gennaio 2025; la verbalizzazione avverrà nelle finestre ufficiali previste dal calendario di Facoltà come si seguito riportato:
1° appello ordinario: gennaio 2025
2° appello ordinario: febbraio 2025
Appello straordinario: marzo/aprile 2025
N.B.: riservato alle categorie di studenti indicate nell’art. 40 comma 6 del Manifesto Generale degli Studi. NON E' CONCESSA ALCUNA DEROGA.
3° appello ordinario: giugno 2025
4° appello ordinario: luglio 2025
5° appello ordinario: settembre 2025
Appello straordinario: ottobre/novembre 2025
N.B.: riservato alle categorie di studenti indicate nell’art. 40 comma 6 del Manifesto Generale degli Studi, agli studenti fuori corso e agli studenti iscritti per l’A.A.2024-2025 al secondo anno della laurea magistrale. NON E' CONCESSA ALCUNA DEROGA.
Materiale didattico:
Appunti e dispense fornite dai docenti:
[01-Intro] [02-AI_ML_NN] [03-NN_Hands-On]
[04-RNNs] [05-CNNs] [06-HDC_VSA (ext)]
[07-ML_Circuits] [08-ML_Applications] [09-Generative_AI]
[10-Computing_Structures] [11-Systolic_Arrays] [12-GPU_Computing]
[13-Prediction] [14-SNNs] [15-Quantum_Computing] [16-Grover_Algorithm]
Nota: gli script Matlab e Python utilizzati durante le esercitazioni sono stati condivisi su Google Classroom con gli studenti registrati che hanno frequentato il corso.
Nota: le slide con estensione '(ext)' contengono ulteriore materiale a titolo illustrativo in aggiunta a quanto discusso a lezione.
AVVISO. Per ogni tipo di comunicazione legata al corso, gli interessati sono pregati di inviarmi una e-mail indicando nell'OGGETTO "Machine Learning EE" e nel testo i seguenti dati: nome, cognome e numero di matricola. Cercherò di rispondere al più presto.