Tutti gli studenti che seguono il corso nell'A.A. 2026/2027 sono pregati di iscriversi in Google Classroom utilizzando la casella di posta "@studenti.uniroma1.it". Il codice per l'iscrizione al corso è .............
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 venerdì 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 13, 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. 2026/2027. Il programma previsionale (da confermare a fine corso) si riferisce a TUTTO e SOLO quanto sarà presentato, spiegato e discusso durante le lezioni:
Richiami sui metodi di apprendimento automatico
Introduzione al Quantum Computing
Ottimizzazione quantistica
Circuiti variazionali
Quantum Machine Leanring e Quantum Deep Learning
Hyperdimensional Computing
Applicazioni a problemi reali e sistemi complessi
Esercitazioni pratiche (hands-on) usando Python e Matlab:
programmazione e simulazione quantistica;
ottimizzazione quantistica;
circuti variazionali e quantum deep learning;
sistemi generativi quantistici;
deep learning;
predizione di serie energetiche;
graph neural networks.
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, ecc.);
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. 2026/2027. Gli esami potranno essere sostenuti per appuntamento nel momento in cui si ritiene più opportuno a partire da gennaio 2027; la verbalizzazione avverrà nelle finestre ufficiali previste dal calendario di Facoltà come si seguito riportato:
1° appello ordinario: gennaio 2027
2° appello ordinario: febbraio 2027
Appello straordinario: marzo/aprile 2027
N.B. Riservato alle categorie di studenti indicate nel Regolamento per la frequenza dei corsi di laurea e laurea magistrale e di contribuzione studentesca.
NON E' CONCESSA ALCUNA DEROGA.
3° appello ordinario: giugno 2027
4° appello ordinario: luglio 2027
5° appello ordinario: settembre 2027
Appello straordinario: ottobre/novembre 2027
N.B. Riservato alle categorie di studenti indicate nel Regolamento per la frequenza dei corsi di laurea e laurea magistrale e di contribuzione studentesca, agli studenti fuori corso e agli iscritti nell’A.A. 2026/2027 al secondo anno della laurea magistrale.
NON E' CONCESSA ALCUNA DEROGA.
Materiale didattico:
E. F. Combarro e S. González-Castillo, A Practical Guide to Quantum Machine Learning and Quantum Optimization: Hands-on Approach to Modern Quantum Algorithms, Packt Publishing, 2023
M. Schuld e F. Petruccione, Machine Learning with Quantum Computers (2nd edition), Springer, 2021
Appunti e dispense fornite dai docenti (guarda i riferimenti al programma):
TBD
Materiale addizionale su esercitazioni e studi di caso:
TBD
Altre letture (facoltative):
C.C. Aggarwal, Neural Networks and Deep Learning, Springer Cham, 2023
S. Haykin, Neural Networks and Learning Machines (3rd Ed.), Pearson, 2009
M. Schuld e F. Petruccione, Supervised Learning with Quantum Computers, Springer Nature, 2018
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 "Neural Networks IE" e nel testo i seguenti dati: nome, cognome e numero di matricola. Cercherò di rispondere al più presto.