Machine Learning per i Sistemi Elettrici ed Elettronici
Laurea Magistrale in Ingegneria Elettronica, Ingegneria delle Comunicazioni
Tutti gli studenti che seguono il corso nell'A.A. 2024/2025 sono pregati di iscriversi in Google Classroom utilizzando la casella di posta "@studenti.uniroma1.it". Il codice per l'iscrizione al corso è vuugalg.
ATTENZIONE! Il corso è aperto ad altri studenti della Facoltà e dell'Ateneo che sono interessati alle tematiche trattate, in quanto NON esistono propedeuticità sostanziali.
Le lezioni inizieranno lunedì 23 settembre e saranno tenute ESCLUSIVAMENTE IN PRESENZA con il seguente calendario:
lunedì, ore 13:45-16:10, aula 2, via Eudossiana n. 18, edificio RM031
venerdì, ore 9:15-10:45, aula 23, via Eudossiana n. 18, edificio RM031
N.B. Sono riportati gli orari effettivi di lezione, tenendo presente che per ogni ora sono previsti 15 minuti per discussioni e chiarimenti. L'inizio della lezione del lunedì è leggermente ANTICIPATO al fine di permettere l'inizio della successiva lezione di Computational Intelligence (prof. Rizzi) alle ore 16:30 SENZA ALCUNA SOVRAPPOSIZIONE; resterò comunque a disposizione fino alle 17:00 per eventuali colloqui con singoli studenti interessati.
I ricevimenti sono fissati per appuntamento e possono tenersi sia in presenza sia da remoto.
Sito ufficiale del Corso di Laurea in Ingegneria Elettronica
Sito ufficiale del Corso di Laurea in Ingegneria delle Comunicazioni
Programma A.A. 2024/2025 (PROVVISORIO). Il programma finale a consuntivo fa riferimento a TUTTO E SOLO quanto presentato, spiegato e discusso durante le lezioni del corso (N.B.: non sono incluse per quest'anno le parti colorate in rosso):
Introduzione al Machine Learning. Intelligenza artificiale, machine Learning e reti neurali. Concetti di base sull'apprendimento supervisionato e non supervisionato. Panoramica sulle applicazioni del machine learning e del deep learning. 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), Fuzzy Inference System (FIS) e reti neurofuzzy ANFIS, Extreme Learning Machine (ELM) e Random Vector Functional-Link (RVFL), Echo State Network (ESN). Concetti di base sulla randomizzazione.
Reti neurali "deep". Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), Convolutional Neural Network (CNN).
Introduzione alla predizione di serie temporali.
Aspetti computazionali e implementazione HW di reti neurali.
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.
Architetture circuitali per il machine learning. 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, pipelining, sistolizzazione. Calcolo parallelo su architetture multi-core e many-core (GPU computing).
Introduzione al quantum computing. Porte e array quantistici. Algoritmi quantistici per l’ottimizzazione e il trattamento dell’informazione (QFFT, Grover, Schor). Quantum machine learning. Reti neurali quantistiche. Cenni all'implementazione su dispositivi ottici e optoelettronici.
Esercitazioni pratiche (hands-on) usando Matlab e Python:
reti neurali e deep learning;
calcolo parallelo e mediante GPU;
predizione di serie energetiche;
quantum computing e 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 2022; 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.2023-2024 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]
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.