Il corso è andato in aula per l'ultima volta a settembre 2025 ed è formalmente sostituito, con un taglio e un programma diverso, da "Advanced Neural Networks for Industrial Engineering"
Programma A.A. 2025/2026.
Richiami sui metodi di apprendimento automatico:
Introduzione all'apprendimento automatico e al modellamento data-driven: preparazione dei dati; generalizzazione; regolarizzazione e ottimizzazione strutturale. Panoramica sui metodi principali di clustering e di classificazione.
Reti neurali e Deep Learning:
Panoramica sulle reti neurali ‘shallow’ feed-forward e ricorrenti. Introduzione al Deep Learning, problematiche specifiche e soluzioni (double descent, vanishing/exploding gradient, barren plateau, dropout, ensembling, weight initialization). Reti neurali ‘deep’ feed-forward e ricorrenti. Sistemi generativi e diffusivi (GAN, VAE, etc.).
Introduzione all’Hyperdimensional Computing:
Concetti fondamentali del calcolo iperdimensionale: rappresentazione dei dati attraverso vettori ad alta dimensionalità e loro proprietà di distribuzione sparsa e robustezza. Architetture simboliche vettoriali e modelli di calcolo per l'apprendimento e la memoria. Metodi di binding e superposition per la codifica di informazioni complesse. Gestione della memoria associativa e approcci ibridi Quantum-HDC. Strategie di apprendimento basate su HDC per problemi di classificazione, regressione, pattern recognition ed eXplainable AI. Applicazioni pratiche dell’HDC nei domini dell’ingegneria industriale e dell’informazione, analisi di serie temporali, rilevamento di anomalie, e sistemi embedded a risorse limitate.
Introduzione al Quantum Computing:
Introduzione al calcolo quantistico. Trasformazioni unitarie elementari, Quantum Gate Array. Principali algoritmi di ottimizzazione quantistica, approcci adiabatici, Quantum Approximate Optimization Algorithm (QAOA). Approcci variazionali, Quantum Machine Learning e Quantum Neural Networks. Confronti teorici e applicativi con il GPU Computing e il calcolo parallelo.
Esercitazioni pratiche (hands-on) usando Python e Matlab:
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, ottimizzazione quantistica e sistemi generativi quantistici.
Materiale didattico:
M. Schuld e F. Petruccione, Supervised Learning with Quantum Computers, Springer Nature, Svizzera, 2018
Appunti e dispense fornite dai docenti (guarda i riferimenti al programma):
[01-Intro_ML] [02-HandsOn_NN] [03-Clustering] [04-CNNs] [05-DRNNs]
[06-Prediction] [07-HDC_VSA] [08-GAI] [09-Intro_QC] [10-VQC] [11-GPU]
Materiale addizionale su esercitazioni e studi di caso:
[Matlab_NN] [QAOA] [Grover] [Quantum_DL]
Altre letture (facoltative):
C.C. Aggarwal, Neural Networks and Deep Learning, Springer Cham, Svizzera, 2023
S. Haykin, Neural Networks and Learning Machines (3rd Ed.), Pearson, NJ, USA, 2009
O. Simeone, An Introduction to Quantum Machine Learning for Engineers, arXiv preprint [2205.09510], 2022
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.