Il corso è andato in aula per l'ultima volta a settembre 2021 ed è formalmente sostituito, sebbene con un taglio e con un programma diverso, da "Machine Learning per i Sistemi Elettrici ed Elettronici"

• Sito ufficiale del Corso di Laurea in Ingegneria Elettronica

• Sito ufficiale del Corso di Laurea in Ingegneria delle Comunicazioni

• Tesi disponibili

• Programma A.A. 2021/2022. Il programma a consuntivo fa riferimento a TUTTO E SOLO quanto presentato, spiegato e discusso durante le lezioni del corso:

  • • • Brevi richiami sull'elaborazione numerica dei segnali e dell’informazione. Sistemi e segnali tempo-discreti, trasformata z. Strutture di elaborazione e filtraggio, architetture FIR, IIR e a traliccio, effetti di quantizzazione.

      • Metodi di progettazione di processori vettoriali. Dependence Graph (DG) e analisi delle dipendenze. Proiezione e scheduling, mapping canonico da DG a SFG, esempi. Array sistolici, fused multiply-add (FMA), pipelining, sistolizzazione.

      • Calcolo parallelo su architetture multi-core, FPGA, GPU, TPU.

      • Machine Learning e Intelligenza Computazionale: reti neurali, logica fuzzy e algoritmi evolutivi.

      • Implementazione parallela di algoritmi di clustering e classificazione: C-Means, k-NN.

      • Implementazione hardware di architetture neurali “shallow”. Modelli di riferimento: Multilayer Perceptron (MLP); Radial Basis Function (RBF); Extreme Learning Machine (ELM) o Random Vector Functional-Link (RVFL); Echo State Network (ESN). Vincoli di precisione numerica finita. Vincoli architetturali. Tecniche di virtualizzazione e condivisione.

      • Apprendimento e inferenza di reti neurali “deep” su architetture parallele.  Modelli di riferimento: Convolutional Neural Network (CNN); Long Short-Term Memory (LSTM).

      • Introduzione al calcolo quantistico. Porte e array quantistici. Algoritmi quantistici per l’ottimizzazione e il trattamento dell’informazione (QFFT, Grover, Schor). Quantum machine learning. Reti neurali quantistiche.

      • Studi di caso per applicazioni parallele e distribuite: 

        • • quantizzazione, classificazione, predizione, approssimazione, interpolazione e filtraggio di dati meccatronici, biologici, energetici, economici, ambientali e  aerospaziali; 

          • il caso particolare di Smart Grid, analisi comportamentale e biometria;   

          • algoritmi di machine learning in ambiente CUDA;

          • apprendimento parallelo in ambiente Matlab;

          • implementazione di reti neurali e neurofuzzy su microcontrollori, sistemi embedded e smart sensor.

  • Materiale didattico:

    • • Appunti e dispense forniti dal Docente.
        Nota: gli script Matlab utilizzati durante le esercitazioni sono stati condivisi su Google Classroom con gli studenti registrati che hanno frequentato il corso.          

      • P. Pacheco, An introduction to Parallel Programming, MK Publisher.

      • H.T. Kung, R. Sproull, G. Steele, VLSI Systems and Computations, Springer.

      • S.O. Haykin, Neural Networks and Learning Machines (3rd Ed.), Pearson.

      • I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press.

      • Ulteriori letture facoltative

        • • B.N. Barney, HPC Training Materials, Lawrence Livermore National Laboratory's Computational Training Center.

          • C.M. Bishop, Pattern Recognition and Machine Learning, Springer.

          • S. Theodoridis, K. Koutroumbas, Pattern Recognition, Academic Press

          • B. Kosko, Neural Networks and Fuzzy Systems, Prentice-Hall

          • L. Deng, Deep Learning: Methods and Applications, Microsoft Research

AVVISO. Per ogni tipo di comunicazione legata al corso, gli interessati sono pregati di inviarmi una e-mail indicando nell'OGGETTO "Machine Learning CA" e nel testo i seguenti dati: nome, cognome e numero di matricola. Cercherò di rispondere al più presto.