NETWORK INTELLIGENCE

Anno accademico 2024/2025 - 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.

Modalità di svolgimento dell'insegnamento

Didattica frontale/tradizionale.

Prerequisiti richiesti

Teoria della probabilità e variabili aleatoria, teoria dei segnali determinati e aleatori, schemi di modulazione analogica e i principali aspetti relativi alle modulazioni digitali (ASK, FSK, PSK) e alla codifica di canale. Fondamentali di statistica e analisi matematica.

Frequenza lezioni

Non obbligatoria.

Contenuti del corso

Tematiche: Il corso si suddivide in tre 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.
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), politiche attor-critico (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 per prevedere e migliorare la qualità del servizio.
Gestione del traffico: applicazione di DL e RL per l’allocazione dinamica delle risorse di rete.
Sicurezza delle reti: rilevamento di intrusioni e attacchi informatici attraverso modelli predittivi.
Automazione della rete: utilizzo del Reinforcement Learning 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

Programmazione del corso

	Argomenti	Riferimenti testi
1	Fondamenti di Machine Learning	1,3
2	Deep Learning e reti neurali profonde	2
3	Reinforcement Learning e applicazioni	4
4	Applicazioni di IA nel dominio delle reti

Verifica dell'apprendimento

Modalità di verifica dell'apprendimento

Written exam and oral exam.

Alternatively, developing a project and discussing it.

Verification of learning can also be carried out electronically, should conditions require it.

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?

ENGLISH VERSION

Corso di laurea magistrale in

Communications Engineering