Docente
|
PANELLA MASSIMO
(programma)
Introduzione ai problemi supervisionati e non supervisionati. Ottimizzazione, approssimazione, regressione, interpolazione, predizione, filtraggio, classificazione e clustering.
Fondamenti di regressione e classificazione lineare. Modelli lineari e minimi quadrati. Regolarizzazione (ridge regression, LASSO). Classificazione lineare. Linear Discriminant Analysis.
Validazione e selezione del modello. Selezione del modello e "bias-variance tradeoff". Cross-validation. Metodi di bootstrap.
Metodi basati su prototipi e "nearest-neighbors". Algoritmo di clustering K-means. Algoritmo di clustering K-medoids. Classificatori K-Nearest-Neighbor (K-NN).
Calcolo parallelo su architetture multi-core, FPGA, GPU e TPU.
Implementazione parallela di algoritmi di clustering e classificazione: K-means, K-NN.
Realizzazione hardware e implementazione su architetture di calcolo parallele per applicazioni in tempo reale. Fondamenti di architetture feed-forward (back-propagation, valori iniziali, overfitting, ridimensionamento ingressi, unità e layer nascosti, minimi locali). Reti neurali “shallow”: Multilayer Perceptron (MLP), Radial Basis Function (RBF), Fuzzy Inference System (FIS) e reti neurali ANFIS, Extreme Learning Machine (ELM) o Random Vector Functional-Link (RVFL), Echo State Network (ESN). Reti neurali “deep”: Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), Autoencoder e Generative Adversarial Network (GAN), Attention Networks. Algoritmi evolutivi: algoritmi genetici (GA), Ant Colony Optimization (ACO), Swarm Intelligence.
Tecniche di ottimizzazione e apprendimento distribuito. Topologia e reti di agenti (sensori e attuatori intelligenti). Distributed Average Consensus (DAC), ADMM, algoritmi euristici. Clustering distribuito e classificazione distribuita. Learning distribuito in reti ricorrenti e (stacked) deep.
Introduzione al calcolo quantistico. Porte e array quantistici. Algoritmi quantistici per l’ottimizzazione e il trattamento dell’informazione (QFFT, Grover, Schor). Quantum machine learning. Reti neurali quantistiche.
Applicazioni e studi di caso:
• quantizzazione, classificazione, predizione, approssimazione, interpolazione, ottimizzazione e filtraggio di dati logistici, energetici, economici, biomedicali, meccatronici, ambientali e aerospaziali;
• analisi comportamentale e biometria;
• analisi dei materiali e processi industriali;
• progettazione di dispositivi, circuiti e sistemi di controllo;
• inversione di modelli fisici e di modelli astratti di tipo organizzativo e decisionale;
• gestione delle reti complesse (smart grid, distribuzione energetica e delle merci, reti biologiche e sociologiche);
• machine learning per l’IoT/IoE, apprendimento multi-agente cooperativo e competitivo, reti di sensori intelligenti;
• Big Data Analytics e Business Intelligence;
• sistemi di apprendimento distribuito.
T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning (Second Edition), Springer Series in Statistics
I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press.
Appunti e dispense forniti dal docente.
|