Telecommunication Engineering - Ingegneria delle Telecomunicazioni

Prima parte: Introduzione all'intelligenza computazionale: Soft Computing; Pattern Recognition; Machine Learning. Sistemi complessi. Capacità di generalizzazione. Inferenze logiche amplificative e non amplificative. Deduzione e induzione. Induzione su spazi metrici. Intelligenza artificiale. Test di Turing. Ingredienti necessari per un comportamento intelligente. Processi orientati e non orientati. Campionamento di processo. Definizione del problema di classificazione. Spazio delle etichette. Processi dinamici. Definizioni di problema di classificazione, regressione e clustering. Sequenza di progettazione classica per sistemi di Pattern recognition e Machine Learning. Funzioni di rappresentazione e preprocessing. Generazione e selezione di feature. Problemi di k-clustering e problemi di free-clustering. Funzioni di distanza. Distanze di Minkowsky. Analogia come inferenza fondamentale nella teoria delle decisioni. Algoritmo k-NN. Sistemi di modellazione basati sui dati. Normalizzazione statistica e affine. Rappresentanti di cluster: differenza tra spazi metrici e non metrici. Misure di prossimità punto-insieme. Tipi di dati fondamentali nel Machine Learning. Matrici di correlazione e covarianza. Distanza di Mahalanobis. Algoritmo K-NN per l'approssimazione di funzioni. Algoritmo k-means. Rappresentante MinSod. Algoritmo k-medoid. Apprendimento come ottimizzazione. Problemi di ottimizzazione. Gradiente, Hessiano. Funzioni lineari e forme quadratiche. Condizione necessaria e sufficiente per minimi locali e globali. Metodi di ottimizzazione numerica.Discesa del gradiente. Metodo di Newton. Regressione lineare e algoritmo Least Squares Estimator (LSE). Il perceptron. Perceptron multistrato: il caso xor. Perceptron multistrato: il caso di regioni decisionali connesse e non connesse. Perceptron multistrato per l'approssimazione di funzioni. Retropropagazione dell'errore. Ottimizzazione evolutiva: algoritmi genetici. Introduzione ai sistemi fuzzy. Sistemi di inferenza fuzzy. Ragionamento fuzzy. Modus ponens. Modus ponens generalizzato. Regole di Sugeno e Mamdani. Reti ANFIS. Addestramento di reti ANFIS mediante discesa del gradiente e tecniche di clustering. Seconda parte: Installazione e configurazione di un ambiente Anaconda per la prototipazione di applicazioni di machine learning. Visual Studio Code e GitHub. Utilizzo di ambienti di sviluppo integrati e Jupyter Notebook per la sperimentazione interattiva in Python. Strutture dati fondamentali in Python e loro applicazione nel Machine Learning classico. Introduzione alle librerie Python essenziali per l'analisi dei dati e il calcolo scientifico. Problema di overfitting. Misure di complessità strutturale. Criterio del rasoio di Occam. N-fold cross validation. Misure di performance nella classificazione e nell'approssimazione di funzioni. Support Vector Machine e problemi di apprendimento supervisionato. SVM (Hard and soft margin). SVM kernelizzate. Lavorare in spazi non metrici. SVM multiclasse. Una breve introduzione al Deep Learning. Addestramento pratico di reti neurali. Architetture di reti neurali. Reti neurali convoluzionali. Sequenze di apprendimento e reti neurali ricorrenti. Architetture ibride. Esercitazione con Python Notebook sulla regressione lineare e logistica. Soluzioni MLE e gradient descent. Introduzione alle librerie Python per il Deep Learning. Tensor Flow e PyTorch. Hardware per Deep Learning. Differenziazione automatica. Esercitazione su Python Notebook. Introduzione alla previsione di serie temporali. Tassonomia, definizioni e obiettivi principali. Componenti di una serie temporale e principali proprietà statistiche. Modelli tradizionali e modelli di Deep Learning per la previsione. Esercitazione sulla previsione di serie temporali energetiche. Intelligenza computazionale per la gestione dell'energia. Introduzione, obiettivi e principali driver. Smart Grid e Comunità Energetiche Rinnovabili (CER). Sistemi di gestione dell'energia. Esercitazione su algoritmi genetici e ottimizzazione di sistemi di gestione dell'energia basati su un sistema di inferenza fuzzy. Integrazione del modulo di previsione nel ciclo. Ottimizzazione dei flussi di potenza per singola microgrid. Sistemi di gestione dell’energia nelle CER.

Conoscenze di base di Geometria, Algebra, Analisi Matematica, Teoria dei Segnali e dell’Informazione, Fondamenti di Informatica, Elaborazione numerica dei segnali.

Kruse, R., Borgelt, C., Braune, C., Mostaghim, S., & Steinbrecher, M. (2016). Computational intelligence: a methodological introduction. Springer. Dispense e lucidi delle lezioni disponibili sul sito del docente

Il corso consiste in lezioni frontali e illustrazione di casi di studio.

E' fortemente consigliata la frequenza.

L'esame finale consiste nella valutazione di una tesina. L'argomento è concordato con il docente.

Il corso consiste in lezioni frontali e illustrazione di casi di studio.

Prima parte: Introduzione all'intelligenza computazionale: Soft Computing; Pattern Recognition; Machine Learning. Sistemi complessi. Capacità di generalizzazione. Inferenze logiche amplificative e non amplificative. Deduzione e induzione. Induzione su spazi metrici. Intelligenza artificiale. Test di Turing. Ingredienti necessari per un comportamento intelligente. Processi orientati e non orientati. Campionamento di processo. Definizione del problema di classificazione. Spazio delle etichette. Processi dinamici. Definizioni di problema di classificazione, regressione e clustering. Sequenza di progettazione classica per sistemi di Pattern recognition e Machine Learning. Funzioni di rappresentazione e preprocessing. Generazione e selezione di feature. Problemi di k-clustering e problemi di free-clustering. Funzioni di distanza. Distanze di Minkowsky. Analogia come inferenza fondamentale nella teoria delle decisioni. Algoritmo k-NN. Sistemi di modellazione basati sui dati. Normalizzazione statistica e affine. Rappresentanti di cluster: differenza tra spazi metrici e non metrici. Misure di prossimità punto-insieme. Tipi di dati fondamentali nel Machine Learning. Matrici di correlazione e covarianza. Distanza di Mahalanobis. Algoritmo K-NN per l'approssimazione di funzioni. Algoritmo k-means. Rappresentante MinSod. Algoritmo k-medoid. Apprendimento come ottimizzazione. Problemi di ottimizzazione. Gradiente, Hessiano. Funzioni lineari e forme quadratiche. Condizione necessaria e sufficiente per minimi locali e globali. Metodi di ottimizzazione numerica.Discesa del gradiente. Metodo di Newton. Regressione lineare e algoritmo Least Squares Estimator (LSE). Il perceptron. Perceptron multistrato: il caso xor. Perceptron multistrato: il caso di regioni decisionali connesse e non connesse. Perceptron multistrato per l'approssimazione di funzioni. Retropropagazione dell'errore. Ottimizzazione evolutiva: algoritmi genetici. Introduzione ai sistemi fuzzy. Sistemi di inferenza fuzzy. Ragionamento fuzzy. Modus ponens. Modus ponens generalizzato. Regole di Sugeno e Mamdani. Reti ANFIS. Addestramento di reti ANFIS mediante discesa del gradiente e tecniche di clustering. Seconda parte: Installazione e configurazione di un ambiente Anaconda per la prototipazione di applicazioni di machine learning. Visual Studio Code e GitHub. Utilizzo di ambienti di sviluppo integrati e Jupyter Notebook per la sperimentazione interattiva in Python. Strutture dati fondamentali in Python e loro applicazione nel Machine Learning classico. Introduzione alle librerie Python essenziali per l'analisi dei dati e il calcolo scientifico. Problema di overfitting. Misure di complessità strutturale. Criterio del rasoio di Occam. N-fold cross validation. Misure di performance nella classificazione e nell'approssimazione di funzioni. Support Vector Machine e problemi di apprendimento supervisionato. SVM (Hard and soft margin). SVM kernelizzate. Lavorare in spazi non metrici. SVM multiclasse. Una breve introduzione al Deep Learning. Addestramento pratico di reti neurali. Architetture di reti neurali. Reti neurali convoluzionali. Sequenze di apprendimento e reti neurali ricorrenti. Architetture ibride. Esercitazione con Python Notebook sulla regressione lineare e logistica. Soluzioni MLE e gradient descent. Introduzione alle librerie Python per il Deep Learning. Tensor Flow e PyTorch. Hardware per Deep Learning. Differenziazione automatica. Esercitazione su Python Notebook. Introduzione alla previsione di serie temporali. Tassonomia, definizioni e obiettivi principali. Componenti di una serie temporale e principali proprietà statistiche. Modelli tradizionali e modelli di Deep Learning per la previsione. Esercitazione sulla previsione di serie temporali energetiche. Intelligenza computazionale per la gestione dell'energia. Introduzione, obiettivi e principali driver. Smart Grid e Comunità Energetiche Rinnovabili (CER). Sistemi di gestione dell'energia. Esercitazione su algoritmi genetici e ottimizzazione di sistemi di gestione dell'energia basati su un sistema di inferenza fuzzy. Integrazione del modulo di previsione nel ciclo. Ottimizzazione dei flussi di potenza per singola microgrid. Sistemi di gestione dell’energia nelle CER.

Conoscenze di base di Geometria, Algebra, Analisi Matematica, Teoria dei Segnali e dell’Informazione, Fondamenti di Informatica, Elaborazione numerica dei segnali.

Kruse, R., Borgelt, C., Braune, C., Mostaghim, S., & Steinbrecher, M. (2016). Computational intelligence: a methodological introduction. Springer. Dispense e lucidi delle lezioni disponibili sul sito del docente

Il corso consiste in lezioni frontali e illustrazione di casi di studio.

E' fortemente consigliata la frequenza.

L'esame finale consiste nella valutazione di una tesina. L'argomento è concordato con il docente.

Il corso consiste in lezioni frontali e illustrazione di casi di studio.