Introduzione al Machine Learning per la gestione e il monitoraggio delle reti - fondamenti teorici

Il corso fornisce un’introduzione pratica e concettuale al Machine Learning, con particolare attenzione alle applicazioni nel contesto della gestione e del monitoraggio delle reti informatiche.

Programma

1. Dati e reti: il contesto
   1. Tipologie di dati di rete: log, metriche, eventi, time series
   2. Qualità del dato: completezza, rumore, outlier
   3. Introduzione al concetto di Data-Driven Network Management
2. Fondamenti di Machine Learning
   1. Cos’è (e cosa non è) il Machine Learning
   2. Apprendimento supervisionato, non supervisionato e semi-supervisionato
   3. Differenza tra regole statiche e modelli basati sui dati
3. Machine Learning per la gestione delle reti
   1. Use case principali:
      1. Anomaly detection su traffico e performance
      2. Previsione di congestioni e guasti
      3. Classificazione di eventi e allarmi
      4. Esempi reali e architetture di riferimento
4. Workflow di Machine Learning
   1. Raccolta e preparazione dei dati (feature engineering di base)
   2. Training, validazione e test di un modello
   3. Concetti chiave: overfitting, generalizzazione, metriche di valutazione

Abstract

Il corso fornisce un’introduzione pratica e concettuale al Machine Learning, con particolare attenzione alle applicazioni nel contesto della gestione e del monitoraggio delle reti informatiche e di telecomunicazione. Partendo dai concetti fondamentali dell’analisi dei dati e dell’apprendimento automatico, il corso guida i partecipanti nella comprensione di come i modelli di Machine Learning possano supportare attività quali il rilevamento di anomalie, la previsione di guasti, l’analisi delle prestazioni e l’ottimizzazione operativa delle reti. L’obiettivo è fornire le basi teoriche e operative per dialogare con data scientist, comprendere casi d’uso reali e sperimentare semplici modelli attraverso esempi pratici, senza richiedere competenze avanzate di programmazione o matematica.

Docente

Paola Celio: è Senior Technical Officer presso l'Università degli Studi Roma Tre dal 2002. Vanta oltre 20 anni di esperienza nello sviluppo di software scientifico, calcolo ad alte prestazioni (HPC) e analisi dei dati per la fisica sperimentale. È specializzata nel collegare la ricerca accademica con le soluzioni tecnologiche avanzate.

Competenze Tecniche

• Programmazione: Esperta in Python, C++, Java, Bash e Perl.
• Analisi Dati e ML: Utilizzo avanzato di SQL, pandas, NumPy e Scikit-learn; competenze iniziali in TensorFlow.
• Database: Gestione di sistemi complessi come Oracle, PostgreSQL e MySQL.
• Strumenti Scientifici: Esperienza con LAMMPS, ROOT, Anaconda e Jupyter.

Esperienze Principali e Collaborazioni

• Ricerca Internazionale: ha contribuito a importanti esperimenti di fisica delle alte energie e astroparticelle, tra cui ATLAS (CERN), DarkSide e ARGO-YBJ.
• Sviluppo Software: si occupa di automazione di workflow, pipeline di dati e simulazioni LAMMPS.
• Collaborazioni Esterne: lavora con l'ISPRA su sistemi di dati live in PostgreSQL e con l'Ospedale Gemelli per l'estrazione di feature da dati reali.
• Attività Didattica: docente di programmazione Python e analisi dei dati per dottorandi e studenti di Master (Data Analytics) presso Roma Tre. Relatrice su temi attuali come l'uso dei ChatBot in ambito accademico e l'applicazione del Machine Learning al traffico di rete (corso GARR 2025).
• Formazione e Pubblicazioni: possiede un MSc in Fisica conseguito presso l'Università La Sapienza di Roma, con specializzazione in Fisica delle Astroparticelle. Autrice di numerose pubblicazioni in peer-review su riviste prestigiose come Nature Physics e Physical Review D.

Iscriviti