Telecommunication Engineering - Ingegneria delle Telecomunicazioni

Introduzione al Machine Learning. Intelligenza artificiale, machine Learning e reti neurali. Concetti di base sull'apprendimento supervisionato e non supervisionato. Panoramica sulle applicazioni del machine learning e del deep learning. Applicazioni del machine learning ai sistemi elettrici ed elettronici. Approcci pratici all'uso di reti neurali. Perceptron. Apprendimento, discesa a gradiente e backpropagation. Validazione del modello, overfitting e underfitting. Regolarizzazione. Preparazione dei dati. 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). Aspetti computazionali e implementazione HW di reti neurali. Introduzione all'hyperdimensional computing. Architetture circuitali per il machine learning. Metodi di progettazione di processori vettoriali. Dependence Graph (DG) e analisi delle dipendenze. Proiezione e scheduling, mapping canonico da DG a SFG, esempi. Array sistolici, fused multiply-add (FMA), pipelining, sistolizzazione. Calcolo parallelo su architetture multi-core, FPGA, GPU, TPU. Machine learning applicato ad architetture computazionali, circuiti e sistemi. Concetti principali, casi di studio, problematiche, soluzioni e sviluppi futuri. Machine learning applicato ai sistemi elettrici e ambientali. Sensori intelligenti, diagnosi dei guasti, sistemi di progettazione e controllo delle batterie. Machine learning applicato alle reti energetiche. Predizione da fonti rinnovabili, infrastrutture energetiche intelligenti, smart grid. 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. Cenni all'implementazione su dispositivi ottici e optoelettronici. Esercitazioni pratiche (hands-on) usando Matlab: deep learning; calcolo parallelo e mediante GPU; 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; implementazione di reti neurali e neurofuzzy su microcontrollori, sistemi embedded e sensori intelligenti.

Conoscenze di base riguardanti i sistemi elettronici e di elaborazione dei segnali.

H.T. Kung, R. Sproull, G. Steele, VLSI Systems and Computations, Springer. 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. Approfondimento didattico/sperimentale con studi di caso su un argomento del corso.

H.T. Kung, R. Sproull, G. Steele, VLSI Systems and Computations, Springer. I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press S.O. Haykin, Neural Networks and Learning Machines (3rd Ed.), Pearson C.M. Bishop, Pattern Recognition and Machine Learning, Springer T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning (2nd Ed.), Springer Series in Statistics

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. Intelligenza artificiale, machine Learning e reti neurali. Concetti di base sull'apprendimento supervisionato e non supervisionato. Panoramica sulle applicazioni del machine learning e del deep learning. Applicazioni del machine learning ai sistemi elettrici ed elettronici. Approcci pratici all'uso di reti neurali. Perceptron. Apprendimento, discesa a gradiente e backpropagation. Validazione del modello, overfitting e underfitting. Regolarizzazione. Preparazione dei dati. 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). Aspetti computazionali e implementazione HW di reti neurali. Introduzione all'hyperdimensional computing. Architetture circuitali per il machine learning. Metodi di progettazione di processori vettoriali. Dependence Graph (DG) e analisi delle dipendenze. Proiezione e scheduling, mapping canonico da DG a SFG, esempi. Array sistolici, fused multiply-add (FMA), pipelining, sistolizzazione. Calcolo parallelo su architetture multi-core, FPGA, GPU, TPU. Machine learning applicato ad architetture computazionali, circuiti e sistemi. Concetti principali, casi di studio, problematiche, soluzioni e sviluppi futuri. Machine learning applicato ai sistemi elettrici e ambientali. Sensori intelligenti, diagnosi dei guasti, sistemi di progettazione e controllo delle batterie. Machine learning applicato alle reti energetiche. Predizione da fonti rinnovabili, infrastrutture energetiche intelligenti, smart grid. 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. Cenni all'implementazione su dispositivi ottici e optoelettronici. Esercitazioni pratiche (hands-on) usando Matlab: deep learning; calcolo parallelo e mediante GPU; 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; implementazione di reti neurali e neurofuzzy su microcontrollori, sistemi embedded e sensori intelligenti.

Conoscenze di base riguardanti i sistemi elettronici e di elaborazione dei segnali.

H.T. Kung, R. Sproull, G. Steele, VLSI Systems and Computations, Springer. 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. Approfondimento didattico/sperimentale con studi di caso su un argomento del corso.

H.T. Kung, R. Sproull, G. Steele, VLSI Systems and Computations, Springer. I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press S.O. Haykin, Neural Networks and Learning Machines (3rd Ed.), Pearson C.M. Bishop, Pattern Recognition and Machine Learning, Springer T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning (2nd Ed.), Springer Series in Statistics

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.