EDGE MACHINE LEARNING PER DISPOSITI IoT

Programma del corso:

1. Introduzione all'IoT e Edge Computing (4 ore)

• Definizione e panoramica dell'IoT (1 ora)

• Concetti di base dell'Edge Computing (2 ore)

• Vantaggi dell'Edge Machine Learning (1 ora)

2. Fondamenti di Machine Learning (8 ore)

• Concetti di base: apprendimento supervisionato, non supervisionato e per rinforzo (3 ore)

• Algoritmi di apprendimento comuni: regressione, classificazione, clustering (3 ore)

• Valutazione delle prestazioni del modello (2 ore)

3. Tecniche di Machine Learning per l'IoT (8 ore)

• Algoritmi leggeri adatti per dispositivi a bassa potenza (3 ore)

• Tecniche di riduzione della dimensionalità (2 ore)

• Apprendimento federato e distribuito (3 ore)

4. Ottimizzazione per Edge Devices (8 ore)

• Tecniche di quantizzazione e pruning (3 ore)

• Implementazione di modelli su FPGA e microcontrollori (3 ore)

• Uso di framework specifici come TensorFlow Lite e TinyML (2 ore)

5. Sicurezza e Privacy nel Edge Machine Learning (6 ore)

• Minacce e sfide nella sicurezza dell'IoT (2 ore)

• Tecniche di difesa e rilevamento delle minacce (2 ore)

• Privacy-preserving machine learning (2 ore)

6. Casi di studio e Applicazioni Pratiche (6 ore)

• Rilevamento di anomalie in reti IoT (2 ore)

• Predizione del consumo energetico (2 ore)

• Riconoscimento vocale e visivo su dispositivi edge (2 ore)

7. Laboratorio e Progetto Pratico (8 ore)

• Implementazione di un modello di machine learning su un dispositivo IoT (4 ore)

• Ottimizzazione e valutazione delle prestazioni (2 ore)

• • Presentazione e discussione dei risultati (2 ore)

Ultimo aggiornamento: 28-09-2023

Bibliografia consigliata:

• Articoli scientifici e risorse online selezionate dal docente.

Ultimo aggiornamento: 28-09-2023

Il corso "EDGE MACHINE LEARNING PER DISPOSITI IoT" intende offrire agli studenti un'approfondita attività teorica e pratica finalizzata all'acquisizione di strumenti, tecniche e metodologie per la progettazione, l'implementazione e la valutazione di soluzioni di machine learning applicate ai dispositivi IoT al bordo della rete. Questi concetti si integrano e ampliano gli aspetti teorici affrontati in altri corsi fondamentali di elettronica.

Gli studenti avranno l'opportunità di analizzare il funzionamento di dispositivi IoT, sistemi di sviluppo a microcontrollore e tecniche di edge machine learning, sviluppando la capacità di progettare in autonomia soluzioni efficienti per l'elaborazione dei dati al bordo della rete.

Conoscenza e comprensione:

a seguito del superamento dell’esame, lo studente conosce le tecniche e gli strumenti per la progettazione di soluzioni di machine learning per dispositivi IoT. Conosce inoltre le sfide e le opportunità dell'edge computing e dell'apprendimento al bordo della rete.

Capacità di applicare conoscenze:

dopo aver superato l'esame, lo studente è in grado di progettare, implementare e valutare soluzioni di machine learning per dispositivi IoT, utilizzando appositi linguaggi di programmazione e framework. Ha anche la capacità di analizzare e ottimizzare le prestazioni di tali soluzioni in contesti reali.

Autonomia di giudizio:

per il superamento dell'esame, lo studente deve presentare un progetto che prevede attività di progettazione, implementazione e valutazione di una soluzione di edge machine learning. Attraverso questo lavoro, lo studente sviluppa autonomia di giudizio sulla qualità, l'efficienza e la pertinenza della soluzione proposta.

Abilità comunicative:

è in grado di spiegare le motivazioni teoriche e tecniche alla base delle soluzioni di edge machine learning proposte, e di lavorare efficacemente in team, condividendo conoscenze e competenze.

Capacità di apprendimento:

a seguito del superamento dell’esame, lo studente è in grado di esplorare in autonomia ulteriori tecniche e approcci nel campo dell'edge machine learning e di applicare le conoscenze acquisite a nuovi contesti e sfide tecnologiche.

Ultimo aggiornamento: 28-09-2023

Conoscenze di elettronica e di programmazione.

Consigliata esperienza nella programmazione di microcontrollori.

Ultimo aggiornamento: 28-09-2023

Le attività didattiche si articolano in lezioni frontali ed in esercitazioni, laboratori e seminari.

La frequenza è fortemente consigliata vista la natura laboratoriale del corso.

Ultimo aggiornamento: 28-09-2023

Le lezioni si svolgeranno al 2° semestre presso il Laboratorio di Elettronica, 2° piano

Ultimo aggiornamento: 28-09-2023

Gli esami di accertamento e di valutazione consistono in:

• Elaborato Progettuale (tesina), voto massimo 30/30: Gli studenti sono chiamati a svolgere un elaborato progettuale (tesina) in autonomia, volto ad accertare la capacità di progettare e implementare soluzioni di machine learning per dispositivi IoT. L'elaborato dovrebbe dimostrare la comprensione degli studenti delle tecniche di edge machine learning, nonché la loro capacità di applicare tali tecniche in contesti reali. Questo elaborato verrà poi discusso nel corso della prova orale.
• Prova Orale, voto massimo 30/30: Durante la prova orale, gli studenti discuteranno il loro elaborato progettuale, dimostrando la corretta implementazione della soluzione proposta e la comprensione approfondita delle tecniche e degli strumenti utilizzati. La prova orale mira anche ad accertare la conoscenza degli studenti riguardo le sfide e le opportunità dell'edge computing, le caratteristiche dei dispositivi IoT, e le tecniche di ottimizzazione per l'elaborazione dei dati al bordo della rete.

Il voto finale è la media aritmetica dei voti conseguiti nelle due prove.

Ai fine del superamento dell’esame con votazione minima di 18/30 è necessario che le conoscenze/competenze della materia siano almeno ad un livello elementare. E’ attribuito un voto compreso fra 20/30 e 24/30 quando lo studente sia in grado di svolgere correttamente gli elaborati ma possegga competenze elementari nella discussione degli stessi e nell'accertamento della comprensione degli argomenti del corso. E’ attribuito un voto compreso fra 25/30 e 30/30 quando lo studente sia in grado di svolgere correttamente gli elaborati e dimostri buone competenze nella discussione degli stessi e nell'accertamento della comprensione degli argomenti del corso. Agli studenti che abbiano acquisito competenze eccellenti nelle tre prove può essere attribuita la lode.

Ultimo aggiornamento: 28-09-2023

GOAL 4, 7, 9, 11, 13

Ultimo aggiornamento: 28-09-2023