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. 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
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.