Prof. Antonello Rosato: i libri dei suoi insegnamenti

1. Come si progetta una rete neurale per la previsione di una grandezza in un processo industriale?
2. Quali sono le caratteristiche dei percettroni multistrato nella modellazione di sistemi non lineari?
3. Come si addestra una rete neurale su dati di processo raccolti in fabbrica?
4. Quali funzioni di attivazione si utilizzano nelle reti per la modellazione industriale?
5. Come si valuta la capacità di generalizzazione di una rete neurale su dati industriali?
6. Che cosa si intende per rete neurale ricorrente e quali applicazioni ha nei processi industriali?
7. Come si usano le reti neurali per il monitoraggio e la diagnosi di guasti?
8. Quali tecniche si adottano per ridurre il numero di parametri di una rete neurale?
9. Come si combinano reti neurali e modelli fisici nella modellazione di un processo?
10. Che cosa si intende per manutenzione predittiva e come si realizza con modelli appresi dai dati?
11. Quali sono le differenze tra reti neurali profonde e reti a uno strato nascosto?
12. Come si integra un modello neurale in un sistema di controllo di processo?
13. Quali metriche si utilizzano per valutare l'accuratezza di un modello di previsione industriale?
14. Come si gestisce la scarsità di dati di guasto nell'addestramento di una rete?
15. Che cosa si intende per ottimizzazione dei parametri di una rete neurale con metodi evolutivi?
16. Come si valuta il costo computazionale di una rete neurale in un sistema in tempo reale?
17. Quali applicazioni hanno le reti neurali nell'ottimizzazione della produzione?
18. Come si spiegano le previsioni di una rete neurale a un responsabile di produzione?
19. Quali sono i rischi di affidarsi a un modello appreso senza una verifica sul campo?
20. Come si progetta un sistema di supporto alle decisioni basato su modelli neurali?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

1. Come si progetta una rete neurale per la previsione di una grandezza in un processo industriale?
2. Quali sono le caratteristiche dei percettroni multistrato nella modellazione di sistemi non lineari?
3. Come si addestra una rete neurale su dati di processo raccolti in fabbrica?
4. Quali funzioni di attivazione si utilizzano nelle reti per la modellazione industriale?
5. Come si valuta la capacità di generalizzazione di una rete neurale su dati industriali?
6. Che cosa si intende per rete neurale ricorrente e quali applicazioni ha nei processi industriali?
7. Come si usano le reti neurali per il monitoraggio e la diagnosi di guasti?
8. Quali tecniche si adottano per ridurre il numero di parametri di una rete neurale?
9. Come si combinano reti neurali e modelli fisici nella modellazione di un processo?
10. Che cosa si intende per manutenzione predittiva e come si realizza con modelli appresi dai dati?
11. Quali sono le differenze tra reti neurali profonde e reti a uno strato nascosto?
12. Come si integra un modello neurale in un sistema di controllo di processo?
13. Quali metriche si utilizzano per valutare l'accuratezza di un modello di previsione industriale?
14. Come si gestisce la scarsità di dati di guasto nell'addestramento di una rete?
15. Che cosa si intende per ottimizzazione dei parametri di una rete neurale con metodi evolutivi?
16. Come si valuta il costo computazionale di una rete neurale in un sistema in tempo reale?
17. Quali applicazioni hanno le reti neurali nell'ottimizzazione della produzione?
18. Come si spiegano le previsioni di una rete neurale a un responsabile di produzione?
19. Quali sono i rischi di affidarsi a un modello appreso senza una verifica sul campo?
20. Come si progetta un sistema di supporto alle decisioni basato su modelli neurali?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

1. Come si progetta una rete neurale per la previsione di una grandezza in un processo industriale?
2. Quali sono le caratteristiche dei percettroni multistrato nella modellazione di sistemi non lineari?
3. Come si addestra una rete neurale su dati di processo raccolti in fabbrica?
4. Quali funzioni di attivazione si utilizzano nelle reti per la modellazione industriale?
5. Come si valuta la capacità di generalizzazione di una rete neurale su dati industriali?
6. Che cosa si intende per rete neurale ricorrente e quali applicazioni ha nei processi industriali?
7. Come si usano le reti neurali per il monitoraggio e la diagnosi di guasti?
8. Quali tecniche si adottano per ridurre il numero di parametri di una rete neurale?
9. Come si combinano reti neurali e modelli fisici nella modellazione di un processo?
10. Che cosa si intende per manutenzione predittiva e come si realizza con modelli appresi dai dati?
11. Quali sono le differenze tra reti neurali profonde e reti a uno strato nascosto?
12. Come si integra un modello neurale in un sistema di controllo di processo?
13. Quali metriche si utilizzano per valutare l'accuratezza di un modello di previsione industriale?
14. Come si gestisce la scarsità di dati di guasto nell'addestramento di una rete?
15. Che cosa si intende per ottimizzazione dei parametri di una rete neurale con metodi evolutivi?
16. Come si valuta il costo computazionale di una rete neurale in un sistema in tempo reale?
17. Quali applicazioni hanno le reti neurali nell'ottimizzazione della produzione?
18. Come si spiegano le previsioni di una rete neurale a un responsabile di produzione?
19. Quali sono i rischi di affidarsi a un modello appreso senza una verifica sul campo?
20. Come si progetta un sistema di supporto alle decisioni basato su modelli neurali?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

1. Che cosa si intende per bit quantistico e in che cosa differisce dal bit classico?
2. Quali sono i principi di sovrapposizione ed entanglement nel calcolo quantistico?
3. Come si rappresenta lo stato di un qubit e quali operazioni si applicano su di esso?
4. Che cosa si intende per porta quantistica e quali porte fondamentali esistono?
5. Come si descrive un circuito quantistico e quale ruolo hanno le misure?
6. Quali algoritmi quantistici offrono un vantaggio rispetto a quelli classici?
7. Che cosa si intende per decoerenza e come limita le prestazioni dei calcolatori quantistici?
8. Come si modella un neurone artificiale e quale funzione di attivazione utilizza?
9. Che cosa si intende per rete neurale a più strati e come si addestra?
10. Quali sono le caratteristiche delle reti neurali ricorrenti e come trattano le sequenze?
11. Come si possono mappare le reti neurali su un dispositivo quantistico variazionale?
12. Che cosa si intende per circuito quantistico parametrico nell'apprendimento?
13. Quali vantaggi e limiti presentano le reti neurali quantistiche rispetto a quelle classiche?
14. Come si valuta la complessità di un algoritmo quantistico con il numero di porte?
15. Quali tecniche si usano per la correzione degli errori nei sistemi quantistici?
16. Come si calcola la probabilità di misura di uno stato quantistico?
17. Che cosa si intende per teletrasporto quantistico e quali risorse richiede?
18. Come si addestra una rete neurale con la retropropagazione dell'errore?
19. Quali applicazioni potenziali hanno i calcolatori quantistici nella simulazione di sistemi fisici?
20. Come si confrontano le risorse necessarie per i modelli quantistici e per quelli classici?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

1. Che cosa si intende per bit quantistico e in che cosa differisce dal bit classico?
2. Quali sono i principi di sovrapposizione ed entanglement nel calcolo quantistico?
3. Come si rappresenta lo stato di un qubit e quali operazioni si applicano su di esso?
4. Che cosa si intende per porta quantistica e quali porte fondamentali esistono?
5. Come si descrive un circuito quantistico e quale ruolo hanno le misure?
6. Quali algoritmi quantistici offrono un vantaggio rispetto a quelli classici?
7. Che cosa si intende per decoerenza e come limita le prestazioni dei calcolatori quantistici?
8. Come si modella un neurone artificiale e quale funzione di attivazione utilizza?
9. Che cosa si intende per rete neurale a più strati e come si addestra?
10. Quali sono le caratteristiche delle reti neurali ricorrenti e come trattano le sequenze?
11. Come si possono mappare le reti neurali su un dispositivo quantistico variazionale?
12. Che cosa si intende per circuito quantistico parametrico nell'apprendimento?
13. Quali vantaggi e limiti presentano le reti neurali quantistiche rispetto a quelle classiche?
14. Come si valuta la complessità di un algoritmo quantistico con il numero di porte?
15. Quali tecniche si usano per la correzione degli errori nei sistemi quantistici?
16. Come si calcola la probabilità di misura di uno stato quantistico?
17. Che cosa si intende per teletrasporto quantistico e quali risorse richiede?
18. Come si addestra una rete neurale con la retropropagazione dell'errore?
19. Quali applicazioni potenziali hanno i calcolatori quantistici nella simulazione di sistemi fisici?
20. Come si confrontano le risorse necessarie per i modelli quantistici e per quelli classici?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.