Tutti gli studenti che seguono il corso nell'A.A. 2025/2026 sono pregati di iscriversi in Google Classroom utilizzando la casella di posta "@studenti.uniroma1.it". Il codice per l'iscrizione al corso è 4k6wcsxw.
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 25 settembre e saranno tenute IN PRESENZA con il seguente calendario generale:
Giovedì, ore 15:00-17:30 (circa), aula 5, via Eudossiana 18, edificio A-RM031
Venerdì, ore 11:00-12:30 (circa), aula 9, via Eudossiana 18, edificio A-RM031
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. 2025/2026. Il programma definitivo del corso si riferisce a TUTTO e SOLO a quanto presentato, spiegato e discusso durante le lezioni; verrà definito con precisione durante il corso anche in base al feedback degli studenti, anche perché questo è l'ultimo anno dopodiché il corso diventerà "Advanced Neural Networks for Industrial Engineering":
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 ottimizzane quantistica, approcci adiabatici, Quantum Approximate Optimization Algorithm (QAOA). Approcci variazionali, Quantum Machine Learning e Quantum Neural Networks.
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.
Calendario appelli A.A. 2025/2026. Gli esami potranno essere sostenuti per appuntamento nel momento in cui si ritiene più opportuno a partire da gennaio 2026; la verbalizzazione avverrà nelle finestre ufficiali previste dal calendario di Facoltà come si seguito riportato:
1° appello ordinario: gennaio 2026
2° appello ordinario: febbraio 2026
Appello straordinario: marzo/aprile 2026
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 2026
4° appello ordinario: luglio 2026
5° appello ordinario: settembre 2026
Appello straordinario: ottobre/novembre 2026
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.2025-2026 al secondo anno della laurea magistrale. NON E' CONCESSA ALCUNA DEROGA.
Materiale didattico:
M. Schuld e F. Petruccione, Supervised Learning with Quantum Computers, Springer Nature, Svizzera, 2018
Appunti e dispense fornite dai docenti:
[01-Intro_ML] [02-HandsOn_NN] [03-Clustering] [04-CNNs] [05-DRNNs]
Nota: gli script Matlab e Python utilizzati durante le esercitazioni sono stati condivisi su Google Classroom con gli studenti registrati che hanno frequentato il corso.
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.