NETWORK INTELLIGENCE

Anno accademico 2025/2026 - Docente: Marco SIINO

Risultati di apprendimento attesi

Conoscenza degli aspetti teorici di base e avanzati dell'Intelligenza Artificiale applicata al dominio delle reti. Conoscenza completa della teoria sul Machine Learning. Conoscenza delle librerie e dei linguaggi maggiormente utilizzati per il Deep Learning.

Conoscenza e capacità di comprensione: Sfruttando le conoscenze acquisite, lo studente sarà in grado di applicare i fondamenti teorici inerenti lo sviluppo di modelli di Deep Learning per le telecomunicazioni e le reti.

Conoscenze e capacità di comprensione applicate: Sfruttando le competenze acquisite nel corso gli studenti saranno in grado di identificare i requisiti principali per lo specifico contesto applicativo e di individuare e progettare le soluzioni più appropriate.

Alla fine del corso gli studenti saranno in grado di individuare le migliori soluzioni per la progettazione e lo sviluppo di modelli di Intelligenza Artificiale da applicare al dominio delle reti.

Prerequisiti richiesti

Per seguire con profitto il corso è richiesta una solida preparazione di base nei seguenti ambiti:

Matematica: conoscenze di algebra lineare, calcolo differenziale e integrale, probabilità e statistica di base, utili alla comprensione dei modelli di apprendimento automatico.
Informatica: competenze di programmazione in linguaggi come Python e familiarità con l’uso di librerie per il calcolo numerico e l’analisi dei dati (es. NumPy, Pandas, Matplotlib).
Fondamenti di Machine Learning: comprensione delle nozioni introduttive relative a modelli supervisionati e non supervisionati, metodi di classificazione, regressione e clustering.
Reti di telecomunicazione: conoscenza di base dei principi e delle architetture delle reti di comunicazione, necessaria per contestualizzare le applicazioni dell’Intelligenza Artificiale nel dominio del networking.

È consigliata, ma non strettamente necessaria, una prima familiarità con le librerie di Deep Learning (es. TensorFlow, PyTorch) e con ambienti di sviluppo per l’analisi dei dati (Jupyter Notebook o equivalenti).

Frequenza lezioni

Non obbligatoria.

Contenuti del corso

Tematiche

Il corso si suddivide in quattro principali aree di interesse:

Fondamenti di Machine Learning

Introduzione al Machine Learning: definizioni, tecniche e algoritmi principali.
Apprendimento supervisionato e non supervisionato: classificazione, regressione, clustering.
Algoritmi classici: alberi decisionali, support vector machine, K-means, reti neurali di base.

Deep Learning e reti neurali profonde

Fondamenti di Deep Learning: reti neurali multilivello, funzioni di attivazione e backpropagation.
Architetture avanzate: reti neurali convoluzionali (CNN), reti ricorrenti (RNN), Long Short-Term Memory (LSTM).
Tecniche di addestramento e ottimizzazione: dropout, batch normalization, ottimizzatori come Adam e SGD.
Architetture Transformer: meccanismi di attenzione, modelli sequenziali e generativi.

Prompt Engineering e modelli generativi

Concetti fondamentali di prompt engineering: principi, strategie e tecniche di progettazione dei prompt.
Applicazioni dei modelli basati su Transformer (es. BERT, GPT) nel contesto delle reti di telecomunicazione.
Sfruttamento dei Large Language Models (LLM) per analisi, automazione e supporto decisionale in scenari di rete.

Reinforcement Learning e applicazioni

Nozioni di base sul Reinforcement Learning: agenti, ambienti, ricompense e politiche di azione.
Algoritmi chiave: Q-learning, Deep Q-Networks (DQN), Actor-Critics (A2C, PPO).
Applicazioni del RL nel networking: ottimizzazione delle risorse di rete, routing intelligente, gestione del traffico.

Applicazioni nel dominio delle reti
I partecipanti esploreranno l’applicazione delle tecniche sopra menzionate in contesti reali legati alle reti di comunicazione. Alcuni esempi includono:

Ottimizzazione delle prestazioni di rete: utilizzo di algoritmi ML e DL per prevedere e migliorare la qualità del servizio.
Gestione del traffico: applicazione di DL, RL e modelli Transformer per l’allocazione dinamica delle risorse di rete.
Sicurezza delle reti: rilevamento di intrusioni e attacchi informatici attraverso modelli predittivi e generativi.
Automazione della rete: utilizzo del Reinforcement Learning e del Prompt Engineering per automatizzare il controllo di reti complesse.

Testi di riferimento

"Pattern Recognition and Machine Learning", Christopher M. Bishop
"Deep Learning", Ian Goodfellow, Yoshua Bengio e Aaron Courville
"Understanding Machine Learning: From Theory to Algorithms", Shai Shalev-Shwartz e Shai Ben-David
"Reinforcement Learning: An Introduction", Richard S. Sutton e Andrew G. Barto
Slide del corso

Verifica dell'apprendimento

Modalità di verifica dell'apprendimento

L’esame prevede due modalità alternative, a scelta dello studente:

VERIFICA TIPO A — Progetto + Orale

Consegna del progetto entro il mese di giugno.
Discussione orale del progetto entro la sessione di settembre.

VERIFICA TIPO B — Scritto + Orale

Prova scritta su tutti gli argomenti del corso.
Colloquio orale di approfondimento a seguito dello scritto (3 domande).

Esempi di domande e/o esercizi frequenti

Spiega la differenza tra apprendimento supervisionato e apprendimento non supervisionato, fornendo esempi di applicazioni nel contesto delle reti di comunicazione.

Come funziona l'algoritmo di Support Vector Machine (SVM) e in che modo può essere applicato per classificare traffico di rete?

Descrivi il processo di backpropagation in una rete neurale profonda e la sua importanza nell'addestramento del modello.

Quali sono le principali differenze tra reti neurali convoluzionali (CNN) e reti ricorrenti (RNN)? Fornisci un esempio di applicazione di ciascuna nel dominio delle reti.

In che modo l'algoritmo di Q-learning viene utilizzato nel Reinforcement Learning per gestire l'allocazione delle risorse di rete?

Spiega come il dropout e la batch normalization migliorano l'addestramento di una rete neurale profonda.

Come si può utilizzare il Deep Learning per migliorare la sicurezza delle reti e rilevare intrusioni?

Qual è il ruolo degli ottimizzatori come Adam o SGD nell'addestramento di modelli di Deep Learning, e come influenzano la convergenza?

Descrivi un'applicazione pratica del Reinforcement Learning nell'automazione delle reti.

Quali sfide presenta l'applicazione del Machine Learning nella gestione del traffico di rete in tempo reale?

Corso di laurea magistrale in

Communications Engineering