|
1041415 -
OPTIMIZATION METHODS FOR MACHINE LEARNING
(obiettivi)
Conoscenza e comprensione
Lo scopo del corso è quello di introdurre gli studenti all'applicazione delle tecniche di ottimizzazione per l’addestramento in problemi di apprendimento automatico. Si prevede che gli studenti acquisiscano competenze sui modelli standard usati in apprendimento automatico (Deep Networks and Support Vector Machines) e sui più recenti algoritmi di ottimizzazione per determinare i parametri (addestrare) di tali modelli che meglio si adattano ai dati disponibili.
Capacità di applicare conoscenza e comprensione
Alla fine del corso, gli studenti dovrebbero essere in grado di selezionare il modello corretto per il problema in questione e utilizzare software standard specializzato per l'applicazione e/o sviluppare il proprio algoritmo di ottimizzazione.
Autonomia di giudizio
Lezioni frontali, esercitazioni pratiche e sessioni di revisione dei progetti forniranno agli studenti la possibilità di valutare i principali punti di forza e di debolezza dei diversi modelli di apprendimento automatico applicati ai casi studio in apprendimento automatico.
Capacità di comunicazione
Alla fine del corso, gli studenti sono in grado di individuare le caratteristiche principali di un problema di apprendimento automatico e di spiegare le tecniche per la sua soluzione sia con un pubblico specializzato che non specializzato. Queste capacità sono verificate e valutate nei progetti realizzati in piccoli gruppi di lavoro, incoraggiando così il team building e un processo di apprendimento proattivo e collaborativo. Queste abilità possono anche essere verificate nella prova orale finale.
Capacità di apprendere
Gli studenti sviluppano le capacità di apprendimento necessarie per intraprendere ulteriori studi sugli argomenti rilevanti con un alto grado di autonomia. Durante le lezioni, gli studenti sono incoraggiati a lavorare su progetti in piccoli gruppi, stimolando così l'attività e il coinvolgimento degli studenti. Si consiglia di consultare pubblicazioni di ricerca supplementari e siti internet per individuare le scelte dettagliate necessarie per svolgere efficacemente i progetti assegnati. Queste capacità sono testate e valutate nell’analisi delle relazioni finali dei progetti in cui gli studenti devono discutere le principali questioni dei problemi affrontati e le loro scelte per superare le difficoltà, sulla base degli argomenti e dei materiali trattati in classe.
-
PALAGI LAURA
( programma)
1. Introduction.
Definition of learning systems. Goals and applications of machine learning (classification and regression). Basics on statistical learning theory (Vapnik
Chervonenkis bound). Underfitting and Overfitting. Use of data: training set, test set, validation set.
2. Artificial Neural Networks.
Neurons and biological motivation. Linear threshold units. The Perceptron and its learning algorithm (proof of convergence). Classification of linearly
separable patterns.
Multi-Layer Feedforward Neural Networks. Gradient method: basics. Back-propagation (BP) algorithm. BP batch version: proof of convergence and
choice of the learning rate. BP on-line version: incremental method, theorem of convergence. Momentum updating rule.
Radial-Basis function (RBF) networks: regularized and generalized RBF networks. Their use in interpolation and approximation. learning strategies and
error functions. Unsupervised selection of center. Supervised selection of weights and centers: decomposition methods into two blocks and decomposition methods into more blocks. Convergence theory of decomposition methods.
Early stopping
3. Support Vector Machines (Kernel methods)
Soft and hard Maximum Margin Classifiers. Quadratic programming formulation of the soft/hard maximum margin separators. Kernels methods.
Dual formulation of the primal QP problem. Wolfe duality theory for QP. KKT conditions. Frank Wolfe method: basics. Decomposition methods: SMO-type
algorithms, MVP algorithm, SVMlight, cyclic methods. Convergence theory. Implementation tricks: Caching, shrinking.
Choosing parameters: k-fold cross-validation. Multiclass SVM problems: one-against-one and one-against-all.
4. Practical use of learning algorithms.
5. Comparing learning algorithms from the optimization point of view.
6. Use of standard software (Weka, LIBSVM)
 Il materiale didattico è costituito da slide e note di lezioni.
Sono anche suggeriti i seguenti libri
Pattern Recognition and Machine Learning - Bishop - 2006
Deep Learning - Goodfellow, Bengio, Courville - 2016
(Date degli appelli d'esame)
|
6
|
MAT/09
|
24
|
36
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
Gruppo opzionale:
Gruppo OPZIONALE: 1 insegnamento a scelta Bis (BIA) - (visualizza)
 |
6
|
|
|
|
|
|
|
|
|
1047505 -
ADDITIVE MANUFACTURING AND PRODUCTION SYSTEMS
(obiettivi)
Acquisire gli strumenti conoscitivi e tecnici per:
- scegliere la tecnologia additiva migliore per rispettare le specifiche di un prodotto
- applicare il Design for Manufacturing
- analizzare un codice CNC
- utilizzare un Computer Aided Manufacturing
- pianificare una cella di produzione flessibile
|
6
|
ING-IND/16
|
24
|
36
|
-
|
-
|
Attività formative caratterizzanti
|
ENG |
|
1041412 -
PRODUCTIVITY AND EFFICIENCY ANALYSIS
(obiettivi)
Obiettivi generali formativi del corso
Impostato con un approccio interdisciplinare il corso si propone di combinare lezioni sulle teorie economiche della produzione e dell’efficienza con lezioni sulle metodologie econometriche di stima utilizzate in letteratura includendo anche i più recenti contributi attraverso attività seminariale.
Per sviluppare la capacità critica e l'autonomia nell'utilizzo delle metodologie proposte a lezione agli studenti é richiesta la realizzazione di un lavoro empirico con dati reali. In particolare, durante le esercitazioni saranno presentati i software open source che serviranno poi per la realizzazione del lavoro applicato.
I principali obiettivi del corso sono pertanto:
1. Presentare un quadro generale delle teorie economiche e dell'economia della produttività;
2. Proporre un quadro unificato sui principali strumenti metodologici per la valutazione e comparazione di produttività ed efficienza di unità operative (impianti, stabilimenti, unità di business in generale, imprese);
3. Introdurre gli studenti all'utilizzo di alcuni software econometrici open source per l'analisi economica applicata;
4. Fornire le chiavi di lettura per analizzare la letteratura specializzata;
5. Stimolare l'analisi critica dei contenuti teorici, metodologici ed empirici;
6. Creare interazione con gli studenti attraverso seminari, esercitazioni, realizzazione di presentazioni orali e lavori guidati con dati reali.
OBIETTIVI SPECIFICI
• CONOSCENZA E CAPACITÀ DI COMPRENSIONE: DIMOSTRARE DI CONOSCERE GLI ELEMENTI DI BASE DELL'ANALISI DI PRODUTTIVITA’ E DI EFFICIENZA;
• CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: ESSERE IN GRADO DI APPLICARE LE TECNICHE DI ANALISI DI EFFICIENZA APPRESE DURANTE IL CORSO NEL PROPRIO AMBITO INGEGNERISTICO DI SPECIALIZZAZIONE;
• AUTONOMIA DI GIUDIZIO: SAPER SVOLGERE UN’ANALISI DI EFFICIENZA CON SPIRITO CRITICO E SAPER APPLICARE CORRETTAMENTE I METODI APPRESI DURANTE IL CORSO.
• ABILITÀ COMUNICATIVE: SAPER COMUNICARE I RISULTATI DELLE ANALISI E LE RELATIVE INFORMAZIONI A DIVERSE TIPOLOGIE DI INTERLOCUTORI;
• CAPACITÀ DI APPRENDIMENTO: SVILUPPARE LE COMPETENZE NECESSARIE PER POTER APPROFONDIRE IN AUTONOMIA E NEL PROPRIO AMBITO INGEGNERISTICO I METODI PRESENTATI DURANTE IL CORSO.
-
DARAIO CINZIA
( programma)
Il corso è articolato in sei moduli.
- Modulo 1. Introduzione all’analisi di produttività ed efficienza. Richiami di microeconomia. Richiami di econometria (inclusa statistica non parametrica). Richiami di ricerca operativa.
- Modulo 2. Modelli parametrici.
- Modulo 3. Modelli nonparametrici.
- Modulo 4. Modelli recenti avanzati.
- Modulo 5. Esercitazioni.
- Modulo 6. Applicazioni economiche.
Quest’ ultimo modulo richiederà anche la partecipazione degli studenti che prepareranno un'applicazione su dati reali. Alla fine del corso, infatti, ogni studente dovrà preparare un lavoro con dati reali.
Durante le lezioni e le esercitazioni saranno date indicazioni dettagliate su come strutturare il lavoro, quali metodologie di analisi applicare a seconda del contesto di riferimento ed infine su come interpretare e presentare i risultati ottenuti.
Oltre al materiale distribuito a lezione (che include le Lecture Notes del corso e diversi articoli), si riportano sotto i principali testi di riferimento.
Coelli, T.J., Prasada Rao, D.S., O’ Donnell C. J. and Battese, G.E., (2005), An Introduction to Efficiency and Productivity Analysis, Second Edition, Springer, New York (USA).
Daraio C., Simar L. (2007), Advanced Robust and Nonparametric Methods in Efficiency Analysis. Methodology and Applications, Springer, New York (USA).
Kumbhakar S. C., Knox Lovell C. A. (2000), Stochastic frontier analysis, Cambridge University Press New York.
Färe R., Grosskopf S. (2005) New Directions: Efficiency and Productivity, Springer, New York (USA).
Fried H.O., Lovell C.A.K., Schmidt S.S., eds., (2008), The Measurement of Productive Efficiency, Oxford University Press.
(Date degli appelli d'esame)
|
6
|
ING-IND/35
|
24
|
36
|
-
|
-
|
Attività formative caratterizzanti
|
ENG |
|
|
Gruppo opzionale:
Nuovo gruppo OPZIONALE: 1 insegnamento a scelta (BIA) - (visualizza)
|
6
|
|
|
|
|
|
|
|
|
1022771 -
ARTIFICIAL INTELLIGENCE I
(obiettivi)
Obiettivi generali:
Conoscere i principi di base dell'intelligenza artificiale, in particolare la modellazione di sistema intelligente tramite la nozione di agente intelligente.
Conoscere le tecniche di base dell'Intelligenza Artificiale con particolare riferimento alla manipolazione di simboli e, più in generale, a modelli discreti.
Obiettivi specifici:
Conoscenza e comprensione:
Metodi di ricerca automatica nello spazio degli stati: metodi generali, metodi basati su euristiche, ricerca locale.
Rappresentazioni fattorizzate: problemi di soddisfacimento di vincoli, modelli di pianificazione.
Rappresentazione della conoscenza attraverso sistemi formali: logica proposizionale, logica del primo ordine, cenni alle logiche descrittive ad alle forme di ragionamento non monotono.
Uso della logica come linguaggio di programmazione: PROLOG.
Applicare conoscenza e comprensione:
Modellazione di problemi con i diversi metodi di rappresentazione acquisiti.
Analisi del comportamento degli algoritmi di ragionamento di base.
Capacità critiche e di giudizio:
Essere in grado di valutare la qualità di un modello di rappresentazione di un problema e dei risultati ottenuti applicando su di esso tecniche di ragionamento automatico.
Capacità comunicative:
Le capacità di comunicazione orale dello studente vengono stimolate attraverso l'interazione durante le lezioni tradizionali mentre le capacità espositive nello scritto vengono sviluppate attraverso la discussione di esercizi e delle domande a risposta aperta previste nelle prove di esame.
Capacità di apprendimento:
Oltre alle classiche capacità di apprendimento fornite dallo studio teorico del materiale didattico, attraverso gli esercizi relativi all'applicazione dei modelli appresi, il corso contribuisce a sviluppare le capacità di risoluzione di problemi dello studente.
|
6
|
ING-INF/05
|
24
|
36
|
-
|
-
|
Attività formative affini ed integrative
|
ITA |
|
10589741 -
MACHINE LEARNING FOR INDUSTRIAL ENGINEERING
(obiettivi)
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.
-
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.
(Date degli appelli d'esame)
|
6
|
ING-IND/31
|
24
|
36
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
10589744 -
PROCESS MANAGEMENT AND MINING
(obiettivi)
###################
Obiettivi generali:
###################
La corretta gestione dei processi rappresenta un elemento fondamentale per rendere le organizzazioni moderne più efficienti ed efficaci nella
gestione del loro business. A tal scopo, questo corso introduce linguaggi, principi e metodi per la modellazione, l'analisi, l'innovazione ed
il monitoraggio dei processi.
Il corso enfatizza il ruolo della modellazione concettuale (business process modeling) come strumento necessario per comprendere ed analizzare
i processi di interesse in sistemi informativi di varia natura. Gli studenti del corso apprenderanno la modellazione dei processi attraverso
lo standard internazionale BPMN (Business Process Model and Notation).
Il corso si focalizzerà sulla modellazione di processi di singole organizzazioni (orchestrazioni di processo) e processi che coinvolgono
l'interazione fra organizzazioni multiple (coreografie di processo), investigando le tecniche formali necessarie per l'analisi e
l'innovazione di tali processi.
Il corso fornirà inoltre le conoscenze di base per la progettazione, l'implementazione ed il monitoraggio di processi eseguibili con
un sistema informativo aziendale.
Infine, il corso presenterà tecniche e strumenti per l'utilizzo delle recenti tecniche di process mining, che consentono la costruzione
di modelli di processo (la cui struttura non è nota a priori) partendo dai log che memorizzano gli eventi concreti eseguiti dal processo reale.
####################
Obiettivi specifici:
####################
--------------------------
Conoscenza e comprensione:
--------------------------
Al termine del corso gli studenti:
- apprendono i principali metodi per condurre un progetto di BPM (Business Process Management);
- sono in grado di modellare un processo con lo standard BPMN;
- sono in grado di implementare ed eseguire un processo utilizzando un sistema informativo reale;
- conoscono gli algoritmi e le tecniche di process mining.
------------------------------------
Applicare conoscenza e comprensione:
------------------------------------
Gli studenti sono in grado di utilizzare gli strumenti metodologici e tecnologici adeguati per:
(i) modellare un processo in BPMN;
(ii) analizzarlo con tecniche quantitative;
(iii) eseguirlo e monitorarlo con un sistema informativo.
--------------------------------
Capacità critiche e di giudizio:
--------------------------------
Lo studente acquisice autonomia di giudizio nel proporre l’approccio più opportuno per realizzare un progetto di BPM.
----------------------
Capacità comunicative:
----------------------
Le attività progettuali e le lezioni del corso permettono allo studente di essere in grado di comunicare/condividere le scelte progettuali e le
metodologie di progettazione e sviluppo di un processo di business.
--------------------------
Capacità di apprendimento:
--------------------------
Oltre alle classiche capacità di apprendimento fornite dallo studio teorico del materiale didattico, le modalità di svolgimento del corso,
in particolare le attività progettuali, stimolano lo studente all'approfondimento autonomo di alcuni argomenti presentati nel corso,
al lavoro di gruppo, e all'applicazione concreta delle nozioni e delle tecniche apprese durante il corso.
-
MARRELLA ANDREA
( programma)
- Gestione dei processi aziendali
- Identificazione dei processi aziendali
- Progettazione di processi di business
- Modellazione dei processi con lo standard BPMN
- Analisi quantitativa e qualitativa dei processi di business
- Simulazione di processi
- Ri-progettazione di processi (da processi AS-IS a TO-BE)
- Automazione ed Esecuzione di Processi
- Sistemi Informativi per la gestione e l'esecuzione dei processi di business
- Process Mining
Dumas, M., La Rosa, M., Mendling, J., Reijers, H.
Fundamentals of Business Process Management (2nd Ed., 2018)
van der Aaalst W.M.P.
Process Mining. Data Science in Action (2nd Ed., 2016)
(Date degli appelli d'esame)
|
6
|
ING-INF/05
|
24
|
36
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
