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 phjlu4f.

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 mercoledì 27 settembre e saranno tenute ESCLUSIVAMENTE IN PRESENZA con il seguente calendario:

• Mercoledì, ore 16:00-18:30, aula 24, via Eudossiana n. 18, edificio RM031

• Giovedì, ore 17:00-18:30, aula 40, via delle Sette Sale n. 12/B, edificio RM033  (accesso esterno dal Dipartimento DIAEE)

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.

• Sito ufficiale del Corso di Laurea in Ingegneria Gestionale

• Tesi disponibili

• Obiettivi e risultati di apprendimento attesi

• Programma A.A. 2023/2024. Il programma 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. Concetti di base sull'apprendimento supervisionato e non supervisionato. Panoramica sulle applicazioni del machine learning e del deep learning. 

      • Modelli di regressione lineare. Stima ai minimi quadrati. Metodo a massima verosimiglianza. Metodi di regolarizzazione (ridge regression, LASSO, elastic net).

      • Validazione e selezione del modello. Decomposizone "bias-variance". Capacità ed errore di generalizzazione. Overfitting e underfitting. Cross-validation e K-folding. Rasoio di Occam ed early stopping.

      • Modelli di regressione non lineare. Modelli polinomiali, modelli a espansione di kernel, modelli bayesiani, reti neurali, metodi non parametrici.

      • Apprendimento non supervisionato. Algoritmi di clustering e metodi di validazione.

      • Metodi di classificazione. Classificatori lineari, regressione logistica, Linear Discriminant Analysis, Quadratic Discriminant Analysis, metodi non parametrici (KNN).

      • Introduzione alla predizione di serie temporali.

      • 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), Graph Neural Network (GNN).

      • Tecniche di ottimizzazione e apprendimento distribuito. Topologia e reti di agenti (sensori e attuatori intelligenti). Distributed Average Consensus (DAC), ADMM, algoritmi euristici. Clustering distribuito e classificazione distribuita. Learning distribuito in reti ricorrenti e (stacked) deep.

      • Introduzione all'hyperdimensional 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.

      • Esercitazioni pratiche (hands-on) usando Python e Matlab:

        • • regressione lineare, overfitting e underfitting;

          • classificazione e clustering;

          • deep learning;

          • graph neural networks;

          • quantum computing e quantum deep learning;

          • predizione di serie energetiche;

          • 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. 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:  

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

      • Appunti e dispense forniti dal Docente (caricati volta per volta dopo ogni lezione):
            [01-Intro]    [02-Data Regression]    [03-Bias_Variance]
            [04-Training_Schemes]    [05-Regularization]    [06-Clustering]      
            [07-Classification]    [08a-RBF_ELM]    [08b-Time_Series_ESN (ext)]
            [09-Quantum_Computing]    [10-DL_Intro]    [11-DeepRNN]
            [12-CNN]    [13-HDC_VSA (ext)]
        Nota: le slide estese (ext) contengono pagine aggiuntive a mero titolo illustrativo; le slide integrative (suppl) contengono materiale facoltativo per lo studio.
        Nota: i notebook Python e Matlab utilizzati durante le esercitazioni sono stati condivisi su Google Classroom con gli studenti registrati che hanno frequentato il corso.

      • Ulteriori letture facoltative

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

          • E. Alpaydin, Introduction to Machine Learning (3rd Ed.), MIT Press [appunti dell'autore]

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

          • S. Theodoridis, Machine Learning: A Bayesian and Optimization Perspective, Academic Press

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

          • S. Theodoridis, K. Koutroumbas, Pattern Recognition (4th Ed.), Academic Press

          • B. Kosko, Neural Networks and Fuzzy Systems: A Dynamical Systems Approach to Machine Intelligence, Prentice-Hall

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.