Tutti gli studenti che seguono il corso nell'A.A. 2023/2024 sono pregati di iscriversi in Google Classroom utilizzando la casella di posta "@studenti.uniroma1.it". Il codice per l'iscrizione al corso è srjyaqb.

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 25 settembre e saranno tenute ESCLUSIVAMENTE IN PRESENZA con il seguente calendario:

• • lunedì, ore 13:45-16:10, aula DIET 09 (aggiornato), 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

• Tesi disponibili

• Obiettivi e risultati di apprendimento attesi

• Programma A.A. 2023/2024. 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. 2023/2024. 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 2024

      • 2° appello ordinario: febbraio 2024

      • Appello straordinario: marzo/aprile 2024
        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 2024

      • 4° appello ordinario: luglio 2024

      • 5° appello ordinario: settembre 2024

      • Appello straordinario: ottobre/novembre 2024
        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 forniti dal Docente (caricati volta per volta dopo ogni lezione):    

       [01-Intro]   [02-AI_ML_NN]   [03-NN_Hands_On]
       [04-RNNs]   [05-CNNs]   [06-Pred_SNN (ext)]   [07-NN_Implementations]
       [08-HDC_VSA (ext)]   [09-Circuits_Systems (ext)]   [10-ML_Applications]
       [11-Computing_Structures]   [12-DG_Analysis]   [13-SFG_Mapping (ext)]
       [14-Systolic_Arrays]   [15-GPU_Computing]   [16-Quantum_Computing]
Nota: le slide estese (ext) contengono pagine aggiuntive a mero titolo illustrativo; le slide integrative (suppl) contengono materiale facoltativo per lo studio.

Nota: gli script Matlab e Python utilizzati durante le esercitazioni sono condivisi su Google Classroom con gli studenti registrati che hanno frequentato il corso.         

• • • • Testo di riferimento sulla parte circuitale:

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

      • Ulteriori letture sulla parte algoritmica:

        • • I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press
            [appunti e dispense degli autori]

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

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

          • T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning (2nd Ed.), Springer Series in Statistics

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.