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 qtsn3ra.
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 giovedì 26 settembre e saranno tenute IN PRESENZA con il seguente calendario generale:
Mercoledì, ore 16:00-18:30 (circa), aula 25, via Eudossiana 18, edificio A-RM031
Giovedì, ore 17:00-18:30 (circa), aula 36, via Eudossiana 18, edificio D-RM034 (Dipartimento di Ingegneria Idraulica)
N.B. Sono riportati gli orari effettivi di lezione, tenendo presente che per ogni ora sono previsti 15 minuti per discussioni e chiarimenti. I ricevimenti sono fissati per appuntamento e possono tenersi sia in presenza sia da remoto.
Programma A.A. 2024/2025. Il programma a consuntivo fa riferimento a TUTTO E SOLO quanto presentato, spiegato e discusso durante le lezioni del corso:
Introduzione al Machine Learning. Concetti di base sull'apprendimento supervisionato e non supervisionato. Flusso di lavoro nei principali metodi di machine learning. Panoramica sulle applicazioni basate su machine learning e deep learning nei problemi reali.
Apprendimento non supervisionato. Algoritmi di clustering non parametrici (k-means, k-medoid), modelli probabilistici, metodi di validazione.
Algoritmi e modelli di classificazione. Classificatori non parametrici (k-NN), modelli probabilistici, classificatori lineari e non lineari (reti neurali).
Schemi di apprendimento e selezione del modello. Decomposizione "bias-variance". Capacità ed errore di generalizzazione. Overfitting e underfitting. Ottimizzazione degli iperparametri, cross-validation e k-folding. Rasoio di Occam ed early stopping. Metodi di regolarizzazione (ridge regression, LASSO, elastic net).
Panoramica sulle 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.
Panoramica sulle reti neurali "deep". Introduzione al deep learning. Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), Graph Neural Network (GNN).
Fondamenti di predizione di serie temporali e problematiche reali.
Introduzione al quantum computing. Concetti di base e notazioni. Hardware quantistico e tecnologie NISQ. Parallelismo quantistico ed entanglement. Teorema del "No Cloning". Porte e array quantistici. Algoritmi quantistici per l’ottimizzazione e il trattamento dell’informazione (QFFT, Grover, Schor). Quantum machine learning e reti neurali quantistiche.
Introduzione all'Hyperdimensional Computing e alle Vector Symbolic Architectures.
Il Machine Learning per le applicazioni nel campo dell'energia e della sostenibilità.
Intelligenza artificiale generativa. Meccanismi di attentioning, reti neurali generative, modelli diffusivi e autoencoder.
Esercitazioni pratiche (hands-on) usando Python e Matlab:
classificazione e clustering;
regressione lineare, overfitting e underfitting;
deep learning;
programmazione e simulazione quantistica;
quantum deep learning;
predizione di serie energetiche;
graph neural networks;
analisi comportamentale.
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;
analisi dei materiali e dei processi industriali;
machine learning per IoT/IoE, apprendimento multi-agente cooperativo e competitivo, reti di sensori intelligenti;
sistemi di apprendimento federato e distribuito;
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.2024-2025 al secondo anno della laurea magistrale. NON E' CONCESSA ALCUNA DEROGA.
Materiale didattico:
Appunti e dispense fornite dai docenti:
[01-ML_Intro] [02-ML_Apps] [03-Classification_Clustering]
[04-Training_Schemes] [05-Regularization] [06-Quantum_Computing]
[07-Time_Series] [08-Shallow_NNs] [09-DL_Intro] [10-CNNs] [11-DRNNs]
[12-HDC] [13-ML_Energy] [14-GAI]
Nota: gli script Python e Matlab utilizzati durante le esercitazioni sono stati condivisi su Google Classroom con gli studenti registrati che hanno frequentato il corso.
AVVISO. Per ogni tipo di comunicazione legata al corso, gli interessati sono pregati di inviarmi una e-mail indicando nell'OGGETTO "Machine Learning IE" e nel testo i seguenti dati: nome, cognome e numero di matricola. Cercherò di rispondere al più presto.