Qui trovi i progetti di machine learning, deep learning e LLM che ho sviluppato al Politecnico di Milano, raccontati come casi di studio: il problema, l'approccio, la mia parte e, quando ci sono, i risultati misurati.
Alcuni sono individuali, altri svolti in team con altri colleghi: in ogni articolo descrivo il mio contributo.
La mia tesi magistrale, iniziata a settembre 2026, studia le strategie architetturali di deep learning per lo Streaming Continual Learning. È alle prime fasi: titolo provvisorio, domanda di ricerca da definire, nessun risultato.
Progetto del corso Embedded and Edge AI: stimare frame per frame la posizione di 0–4 persone in una stanza dai segnali di 6 radar UWB, con un modello che rientra nei limiti di memoria di un ESP32-S3.
Per il corso di Natural Language Processing del Politecnico di Milano ho sviluppato il cuore di un agente che gioca a un quiz a tempo, in testo e voce: ricerca web, retrieval e ragionamento con un LLM open-weights in locale.
Ho implementato Continuous LSTM e Continuous PNN come classificatori compatibili con CapyMOA e li ho valutati sullo stream Weather: il cPNN oscilla meno nella maggior parte dei concetti, il cLSTM ha un Kappa medio più alto in 5 su 8.
Profilazione, misura della qualità, pulizia, imputazione, deduplicazione con record linkage e rivalutazione finale di un dataset reale sugli attacchi di squalo, per il corso Data and Information Quality.
Challenge del corso AN2DL: classificare sequenze multivariate di 160 passi in tre livelli di dolore, con classi fortemente sbilanciate. Risultato del team: F1 del 95,5% sulla leaderboard Kaggle. La mia parte: l'architettura del modello v2.
Hai un progetto simile?
Raccontamelo: ti rispondo via email.