Docente
|
PANELLA MASSIMO
(programma)
Richiami di teoria della stima e dell’informazione.
Generalità sul trattamento dei segnali analogici e digitali, segnali aleatori multi-dimensionali, concetti di teoria della stima, metodo della massima verosimiglianza, stima del minimo errore quadratico medio, metodo della massima probabilità a posteriori, elementi di teoria dell’informazione, metodi di ottimizzazione. Serie temporali e dinamiche caotiche.
Tecnologie abilitanti.
Architetture di calcolo parallelo. Virtualizzazione delle risorse in ambienti di calcolo distribuito, cloud computing. Architetture di comunicazione (WSN, BAN, PAN). Sensori e attuatori: problemi di low-power e low-energy; energy harvesting e self-powering; affidabilità (fault tolerance, fault detection, self-organization). Smart devices: tag RFID/NFC, data loggers e sistemi embedded; smart sensors su dispositivi mobili (smartphones, smart watches, sensori biomedicali, Tablet PC, etc.); wearable computers. Dispositivi e sistemi di calcolo basati su tecnologie emergenti: Ultra Large-Scale Integration (ULSI), nanofotonica, qubit a superconduzione, calcolatori quantistici, chip neuromorfici.
Sistemi di apprendimento automatico e intelligenza computazionale.
Introduzione all'apprendimento automatico e al modellamento data driven: induzione, regolarizzazione e ottimizzazione strutturale. Analisi e condizionamento dei dati: strutturazione e destrutturazione, estrazione di caratteristiche numeriche, denoising, detrending, normalizzazione. Problemi supervisionati e non supervisionati: ottimizzazione, approssimazione, regressione, interpolazione, predizione, filtraggio, classificazione e clustering. Principi della logica fuzzy: sistemi di inferenza fuzzy, regole fuzzy. Algoritmi di clustering: k-means, BSAS, clustering gerarchico, fuzzy clustering, metodi di selezione automatica del numero di cluster. Algoritmi di classificazione: LDA, QDA, classificatori bayesiani, classificatori fuzzy, alberi decisionali. Reti neurali: architetture feed-forward, reti neuro-fuzzy, reservoir computing, deep learning. Calcolo evolutivo: algoritmi genetici, ant colony optimization, swarm intelligence. Tecniche di privacy-preserving nell’apprendimento supervisionato e non supervisionato.
Applicazioni e studi di caso.
Quantizzazione, classificazione, predizione, approssimazione, interpolazione, ottimizzazione e filtraggio di dati logistici, energetici, economici, biomedicali, meccatronici e ambientali. Analisi dei materiali, 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. Big Data Analytics. Sistemi di apprendimento distribuito. Utilizzo di nodi di calcolo e reti di sensori distribuiti basati su tecnologia Raspberry/Arduino/Galileo.
Appunti e dispense forniti dal docente.
C.M. Bishop, Pattern Recognition and Machine Learning, Springer.
S.O. Haykin, Neural Networks and Learning Machines (3rd Ed.), Pearson.
I. Goodfellow, Y. Bengio e A. Courville, Deep Learning, MIT Press.
|