1. [I]nfo
  2. [M]oduli
  3. [B]acheca
  4. [P]rogramma
  5. [O]rari
  6. [E]sami
  7. E[v]enti
  8. [F]iles

Generali:

  • Dipartimento: Ingegneria
  • Settore Ministeriale: ING-INF/04
  • Codice di verbalizzazione: 80300147
  • Metodi di insegnamento: Frontale
  • Metodi di valutazione: Scritto E Orale
  • Prerequisiti: Basic signals and systems (discrete-time), linear algebra, and probability/estimation; LTI dynamical systems and state-space representations. MATLAB programming basics (scripts and plotting). Intro control concepts are recommended but not strictly required. Conoscenze di base di segnali e sistemi (tempo discreto), algebra lineare e probabilità/stima; elementi di sistemi dinamici LTI e rappresentazioni in spazio di stato. Competenze di programmazione in MATLAB (script e grafici). Nozioni di controllo automatico consigliate ma non strettamente necessarie.
  • Obiettivi: LEARNING OUTCOMES: The course provides methods and tools for data-driven identification of dynamical systems and neural modeling of nonlinear dynamics, with strong emphasis on validation, generalization, and reproducible MATLAB workflows. KNOWLEDGE AND UNDERSTANDING: understanding of the identification pipeline (objective �' data �' model class �' estimation �' validation �' selection); linear input�"output models (ARX and related) and state-space models; prediction-error viewpoint, residual diagnostics, and multi-step/rollout simulation; regularization and bias�"variance trade-offs; introduction to NARX, RNN/LSTM/GRU, and neural state-space models. APPLYING KNOWLEDGE AND UNDERSTANDING: design correct time-series protocols (temporal splits, leakage prevention); estimate linear and state-space MIMO models; validate using residual analysis, one-step vs rollout comparison, and stress tests; apply regularization and complexity selection; build and compare classical baselines and neural dynamical models under the same protocol. MAKING JUDGEMENTS: select the simplest model that generalizes based on evidence; recognize failure modes (rollout drift/divergence, structured residuals, dataset shift) and state limitations and trust conditions. COMMUNICATION SKILLS: write clear technical reports (problem, data, protocol, models, evidence, diagnostics, limitations) and present results and methodological choices concisely. LEARNING SKILLS: develop autonomy in reproducible MATLAB pipelines and in critically using course notes, documentation, and selected literature. OBIETTIVI FORMATIVI: Il corso fornisce metodi e strumenti per l��identificazione data-driven di sistemi dinamici e l��uso di modelli neurali per la modellazione di dinamiche non lineari, con forte enfasi su validazione, generalizzazione e riproducibilità in MATLAB. CONOSCENZA E CAPACITÀ DI COMPRENSIONE: comprensione della pipeline di identificazione (definizione obiettivo, raccolta dati, scelta classe di modello, stima, validazione, selezione); modelli lineari input-output (ARX e affini) e state-space; concetti di prediction error, residui, simulazione multi-step/rollout; basi di regolarizzazione e bias-variance; introduzione a NARX, RNN/LSTM/GRU e neural state-space. CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: impostare correttamente split temporali train/validation/test evitando data leakage; stimare modelli lineari e state-space su dati MIMO; validare con residui, confronto one-step vs rollout e stress test; applicare regolarizzazione e selezione della complessità; costruire e confrontare baseline classiche e modelli neurali su uno stesso protocollo. AUTONOMIA DI GIUDIZIO: scegliere il modello ��più semplice che generalizza�� in base a evidenze sperimentali; identificare failure modes (drift in rollout, residui strutturati, shift di distribuzione) e dichiarare limiti/condizioni di non affidabilità. ABILITÀ COMUNICATIVE: redigere report tecnici chiari (problema, dati, protocollo, modelli, risultati, diagnostica, limiti) e presentare in modo sintetico le scelte metodologiche e i risultati. CAPACITÀ DI APPRENDIMENTO: acquisire autonomia nell��uso di workflow MATLAB riproducibili e nel reperimento/uso critico di note, documentazione e letteratura.

Didattica:

  • A.A.: 2025/2026
  • Canale: UNICO
  • Crediti: 6
2021 © Università di TorVergata  |  FAQ  |  Contatta la Redazione  |