MACHINE LEARNING FOR INDUSTRIAL ENGINEERING
Obiettivi formativi
CONOSCENZA E COMPRENSIONE. Attraverso l’introduzione dei fondamenti sugli aspetti teorici, tecnici e pratici nella progettazione e implementazione di sistemi di apprendimento automatico per la soluzione di problemi di analisi di segnali, misure e, più in generale, di grandi moli di dati (c.d. big data), basata su tecniche di Intelligenza Computazionale quali apprendimento bayesiano, reti neurali, logica fuzzy, algoritmi evolutivi, etc., lo studente rafforzerà le conoscenze acquisite nel primo ciclo di studi. Saranno in tal senso approfondite le applicazioni nell'ambito dell’Ingegneria Industriale per la soluzione di problemi supervisionati e non supervisionati, in particolare riguardanti ottimizzazione, approssimazione, regressione, interpolazione, predizione, filtraggio, riconoscimento e classificazione, al fine di elaborare e applicare idee originali anche in un contesto di ricerca. CAPACITÀ APPLICATIVE. Capacità di analisi e soluzione delle problematiche relative a progettazione, realizzazione e test di algoritmi di Machine Learning, con particolare riferimento allo sviluppo in ambiente Matlab/Python/TensorFlow, per la realizzazione di sistemi di apprendimento automatico applicati a problemi di Ingegneria Industriale in ambito gestionale, elettrico, meccanico, logistico, biomedicale e per la formazione di competenze professionali e aziendali capaci di relazionarsi nel contesto tecnico-scientifico del data analytics e della business intelligence, in un contesto perciò più ampio rispetto al settore di studio dell’ingegneria gestionale. AUTONOMIA DI GIUDIZIO. L'obiettivo principale del corso è quello di consentire allo studente di sviluppare sistemi di apprendimento automatico attraverso un’adeguata formulazione del problema, una scelta appropriata degli algoritmi adatti a risolvere il problema e l'esecuzione di esperimenti in attività di laboratorio per valutare l’efficacia delle tecniche adottate. Durante il corso verranno principalmente esposti i concetti e le idee di base che permettono l'effettivo utilizzo degli algoritmi di Machine Learning nelle applicazioni industriali, piuttosto che la loro formulazione puramente matematica. Pertanto lo studente integrerà le conoscenze acquisite per gestire la complessità di un meccanismo di apprendimento induttivo ove si estrapoli nuova conoscenza, orientata alla soluzione di problemi applicativi, a partire da informazioni limitate dovute alla contingenza organizzativa dell’insegnamento. ABILITÀ DI COMUNICAZIONE. Le tematiche affrontate nel corso sono di generale interesse nell'ambito scientifico e industriale, in particolare nell'analisi dei materiali, nella progettazione di dispositivi e circuiti, nei sistemi di automazione e controllo, nell'inversione di modelli fisici e di modelli astratti di tipo organizzativo e decisionale, nella gestione delle reti complesse (smart grid, distribuzione energetica e delle merci, reti biologiche e sociologiche, etc.). Nondimeno, saranno introdotte le applicazioni di nuove tecnologie nello sviluppo di sistemi di calcolo innovativi, in primis i calcolatori quantistici, nei quali si rende indispensabile l'utilizzo di algoritmi di intelligenza computazionale e di machine learning per lo sfruttamento efficace e all'avanguardia degli stessi. A valle di tale insegnamento, lo studente sarà pertanto in grado di comunicare le conoscenze acquisite a interlocutori specialisti e non specialisti nel mondo della ricerca e del lavoro in cui svilupperà le sue successive attività scientifiche e/o professionali. CAPACITÀ DI APPRENDERE. La metodologia didattica implementata nell'insegnamento richiede un’attività di studio autonomo e auto-gestito durante lo sviluppo di elaborati monotematici per l’approfondimento didattico e/o sperimentale, ossia verticale, di specifici argomenti.
Canale 1
MASSIMO PANELLA
Scheda docente
Programmi - Frequenza - Esami
Programma
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.
Prerequisiti
Fondamenti di matematica impartiti negli insegnamenti ingegneristici di base.
Testi di riferimento
I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press.
Appunti e dispense forniti dal docente.
Modalità insegnamento
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.
Frequenza
Non è richiesta la frequenza obbligatoria.
Modalità di esame
Domande orali sugli argomenti del corso.
Bibliografia
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
Modalità di erogazione
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.
MASSIMO PANELLA
Scheda docente
Programmi - Frequenza - Esami
Programma
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.
Prerequisiti
Fondamenti di matematica impartiti negli insegnamenti ingegneristici di base.
Testi di riferimento
I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press.
Appunti e dispense forniti dal docente.
Modalità insegnamento
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.
Frequenza
Non è richiesta la frequenza obbligatoria.
Modalità di esame
Domande orali sugli argomenti del corso.
Bibliografia
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
Modalità di erogazione
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.
ANTONELLO ROSATO
Scheda docente
Programmi - Frequenza - Esami
Programma
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.
Prerequisiti
Fondamenti di matematica impartiti negli insegnamenti ingegneristici di base.
Testi di riferimento
I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press.
Appunti e dispense forniti dal docente.
Frequenza
Non è richiesta la frequenza obbligatoria.
Modalità di esame
Domande orali sugli argomenti del corso.
Bibliografia
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
Modalità di erogazione
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.
ANTONELLO ROSATO
Scheda docente
Programmi - Frequenza - Esami
Programma
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.
Prerequisiti
Fondamenti di matematica impartiti negli insegnamenti ingegneristici di base.
Testi di riferimento
I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press.
Appunti e dispense forniti dal docente.
Frequenza
Non è richiesta la frequenza obbligatoria.
Modalità di esame
Domande orali sugli argomenti del corso.
Bibliografia
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
Modalità di erogazione
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.
- Codice insegnamento10589741
- Anno accademico2025/2026
- CorsoIngegneria Gestionale - Management Engineering
- CurriculumBusiness intelligence and analytics (percorso formativo valido anche ai fini del conseguimento del doppio titolo italo-francese) - in inglese
- Anno2º anno
- Semestre1º semestre
- SSDING-IND/31
- CFU6