Ingegneria dell'Energia Elettrica - Electrical Engineering

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). Metodi di classificazione. Classificatori lineari, regressione logistica, Linear Discriminant Analysis, Quadratic Discriminant Analysis, metodi non parametrici. 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. 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). 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 Matlab e Python: regressione lineare, overfitting e underfitting; classificazione e clustering; deep learning; graph neural networks; predizione di serie energetiche; quantum computing e quantum machine learning. 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.

Fondamenti di matematica impartiti negli insegnamenti ingegneristici di base.

I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press. Appunti e dispense forniti dal docente.

Didattica frontale con lezioni teoriche ed esercitazioni in laboratorio. Durante i periodi di sospensione dell'attività didattica (dovuti per esempio a cause di forza maggiore) saranno attivate modalità di ricevimento e di lezione a distanza, le quali saranno tempestivamente comunicate agli studenti.

Non è richiesta la frequenza obbligatoria.

Domande orali sugli argomenti del corso.

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 [author's notes] 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

Didattica frontale con lezioni teoriche ed esercitazioni in laboratorio. Durante i periodi di sospensione dell'attività didattica (dovuti per esempio a cause di forza maggiore) saranno attivate modalità di ricevimento e di lezione a distanza, le quali saranno tempestivamente comunicate agli studenti.

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). Metodi di classificazione. Classificatori lineari, regressione logistica, Linear Discriminant Analysis, Quadratic Discriminant Analysis, metodi non parametrici. 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. 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). 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 Matlab e Python: regressione lineare, overfitting e underfitting; classificazione e clustering; deep learning; graph neural networks; predizione di serie energetiche; quantum computing e quantum machine learning. 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.

Fondamenti di matematica impartiti negli insegnamenti ingegneristici di base.

I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press. Appunti e dispense forniti dal docente.

Didattica frontale con lezioni teoriche ed esercitazioni in laboratorio. Durante i periodi di sospensione dell'attività didattica (dovuti per esempio a cause di forza maggiore) saranno attivate modalità di ricevimento e di lezione a distanza, le quali saranno tempestivamente comunicate agli studenti.

Non è richiesta la frequenza obbligatoria.

Domande orali sugli argomenti del corso.

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 [author's notes] 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

Didattica frontale con lezioni teoriche ed esercitazioni in laboratorio. Durante i periodi di sospensione dell'attività didattica (dovuti per esempio a cause di forza maggiore) saranno attivate modalità di ricevimento e di lezione a distanza, le quali saranno tempestivamente comunicate agli studenti.

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). Metodi di classificazione. Classificatori lineari, regressione logistica, Linear Discriminant Analysis, Quadratic Discriminant Analysis, metodi non parametrici. 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. 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). 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 Matlab e Python: regressione lineare, overfitting e underfitting; classificazione e clustering; deep learning; graph neural networks; predizione di serie energetiche; quantum computing e quantum machine learning. 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.

Fondamenti di matematica impartiti negli insegnamenti ingegneristici di base.

I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press. Appunti e dispense forniti dal docente.

Non è richiesta la frequenza obbligatoria.

Domande orali sugli argomenti del corso.

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 [author's notes] 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

Didattica frontale in presenza. Nei casi di forza maggiore (emergenze sanitarie, etc.) saranno attivate anche le modalità a distanza e/o blended come da disposizioni vigenti.

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). Metodi di classificazione. Classificatori lineari, regressione logistica, Linear Discriminant Analysis, Quadratic Discriminant Analysis, metodi non parametrici. 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. 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). 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 Matlab e Python: regressione lineare, overfitting e underfitting; classificazione e clustering; deep learning; graph neural networks; predizione di serie energetiche; quantum computing e quantum machine learning. 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.

Fondamenti di matematica impartiti negli insegnamenti ingegneristici di base.

I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press. Appunti e dispense forniti dal docente.

Non è richiesta la frequenza obbligatoria.

Domande orali sugli argomenti del corso.

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 [author's notes] 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

Didattica frontale in presenza. Nei casi di forza maggiore (emergenze sanitarie, etc.) saranno attivate anche le modalità a distanza e/o blended come da disposizioni vigenti.