Corso di laurea

Ingegneria Dell'Intelligenza Artificiale

LINK CAMPUS University · 25 materie · 0 file condivisi

Ecco tutti i dettagli sul corso di laurea selezionato. Sul UniDocs troverai gli appunti condivisi dagli altri studenti del tuo corso di laurea, ordinati per materia. Ricordati che per poter visualizzare il materiale devi essere registrato al sito e possedere un numero di crediti sufficiente.

Sfoglia il materiale didattico

Con UniDocs hai l'opportunità di studiare insieme a tutto il tuo corso di laurea. Guadagna subito dei crediti, carica il materiale del tuo ultimo esame!
Più condividi, più tempo avrai per studiare con tutta la community!

Materie del corso

Elementi Di Calcolo Delle Probabilità E Statistica 1° anno · 2° semestre · 6 CFU · MATH-03/B · 0 file

L’insegnamento ha l’obiettivo di fornire alla/o studenti le conoscenze fondamentali del calcolo delle probabilità e della statistica necessarie alla modellizzazione e all’analisi di fenomeni ingegneristici caratterizzati…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento ha l’obiettivo di fornire alla/o studenti le conoscenze fondamentali del calcolo delle probabilità e della statistica necessarie alla modellizzazione e all’analisi di fenomeni ingegneristici caratterizzati dall’incertezza. Al termine del corso lo studente sarà in grado di applicare metodi probabilistici e statistici a semplici problemi provenienti dalla pratica ingegneristica, interpretare criticamente i risultati ottenuti e comunicarli in modo chiaro e rigoroso.

Programma

Introduzione alla probabilità, spazio campionario, eventi, assiomi di probabilità.
Spazi di esiti equiprobabili, calcolo combinatorio, coefficiente binomiale.
Probabilità condizionata, formula di Bayes, eventi indipendenti.
Variabili aleatorie discrete e continue, distribuzioni congiunte, variabili aleatorie indipendenti, distribuzioni condizionali.
Valore atteso di una variabile aleatoria e sue proprietà, varianza, covarianza, varianza della somma di variabili aleatorie.
Disuguaglianza di Chebyshev, legge debole dei grandi numeri.
Modelli di variabili aleatorie: variabili aleatorie di Bernoulli, binomiali, ipergeometriche, uniformi, normali, esponenziali.
Statistica descrittiva: tabelle delle frequenze, rappresentazione dei dati mediante grafici, media e varianza campionaria, mediana e moda campionaria, percentili campionari, quartili, box plot, campioni bivariati e coefficiente di correlazione campionario.
Cenni sull'inferenza statistica.

Prerequisiti: Non ci sono propedeuticità, ma si suggerisce allo studente di sostenere l’esame dopo aver frequentato il corso di Fondamenti di Analisi Matematica.

Metodi didattici: Il docente utilizzerà lezioni frontali ed esercizi da svolgere in maniera autonoma.
La frequenza alle lezioni non è obbligatoria ma fortemente consigliata.

Modalità d'esame

L'esame consiste in una prova scritta ed un breve colloquio orale. La prova scritta è della durata di 2 ore ed è composta da non più di 5 domande a risposta aperta. È necessario ottenere un punteggio di almeno 16/30 allo scritto per accedere all’orale.

Testi di riferimento

Per la preparazione dell’esame, è fondamentale integrare i contenuti forniti durante le lezioni con un libro Universitario. Il docente consiglia il seguente testo:
Sheldon M. Ross, 2023, “Probabilità e statistica per l’ingegneria e le scienze”, quarta edizione, Maggioli editore.
Verrà fornito del materiale didattico aggiuntivo tramite SmartLearn.

Conoscenza e capacità di comprensione: L’insegnamento intende fornire alla/o studente le nozioni e gli strumenti di base del calcolo delle probabilità e della statistica, oltre ai risultati fondamentali della teoria rilevanti nelle applicazioni ingegneristiche.
Conoscenza e capacità di comprensione applicate: Al termine del corso la/o studente sarà in grado di selezionare i modelli da applicare a semplici problemi provenienti dalla pratica ingegneristica oltre a illustrare e sintetizzare i dati di un esperimento utilizzando la statistica descrittiva.
Autonomia di giudizio: Al termine del corso la/o studente dovrà essere in grado di individuare le metodologie più appropriate da applicare ai problemi ingegneristici di natura probabilistica e di interpretare correttamente i dati ottenuti.
Abilità comunicative: La/o studente sarà in grado di descrivere e sostenere conversazioni su problemi di probabilità e statistica adoperando una terminologia adeguata.
Abilità ad apprendere: Lo studente svilupperà la capacità di approfondire autonomamente gli argomenti del corso per risolvere problemi in condizioni di incertezza.

Durante l’esame finale la/o studente dovrà dimostrare:
Conoscenza e capacità di comprensione: la conoscenza e comprensione degli argomenti insegnati durante il corso.
Conoscenza e capacità di comprensione applicate: la capacità di applicare metodi statistici e del calcolo delle probabilità per la risoluzione di problemi dello stesso tipo di quelli presentati durante il corso.
Autonomia di giudizio: l’abilità di affrontare problemi di natura probabilistica in maniera autonoma e di interpretare criticamente i risultati di un’analisi statistica.
Abilità comunicative: esporre con chiarezza, utilizzando una terminologia adeguata, problemi e risultati riguardanti il calcolo delle probabilità e la statistica.
Abilità ad apprendere: l’abilita di apprendere dai materiali forniti durante il corso, applicando le conoscenze ottenute ai problemi e alle domande dell’esame.

Il voto minimo per superare l’esame è 18/30.
I criteri per l’attribuzione finale sono i seguenti:
Non idoneo: carenze importanti nella conoscenza e comprensione degli argomenti, bassa capacità di analisi e applicazione dei concetti, insufficiente capacità di esposizione e uso del linguaggio tecnico.
18-20: sufficiente conoscenza e comprensione degli argomenti, sufficiente capacità di analisi e applicazione dei concetti, sufficiente capacità di esposizione e uso del linguaggio tecnico.
21-23: conoscenza e comprensione generica degli argomenti con corretta capacità di analisi e applicazione dei concetti, routinaria capacità di esposizione e uso del linguaggio tecnico.
24-26: buona conoscenza e comprensione degli argomenti, buona capacità di analisi e applicazione dei concetti, buona capacità di esposizione e uso del linguaggio tecnico.
27-29: ottima conoscenza e comprensione degli argomenti, ottima capacità di analisi e applicazione dei concetti, ottima capacità di esposizione e uso del linguaggio tecnico.
30-30L: eccellente conoscenza e comprensione degli argomenti, eccellente capacità di analisi e applicazione dei concetti, eccellente capacità di esposizione e uso del linguaggio tecnico.

Codice insegnamento 4873

Fisica 1° anno · 2° semestre · 9 CFU · PHYS-01/A · 0 file
Archivio Globale

Al termine del corso lo studente sarà in grado di: - Comprendere e applicare il metodo scientifico e gli strumenti matematici di base (algebra vettoriale, analisi dimensionale) per la modellizzazione quantitativa di…

Scheda dell'insegnamento

Scheda dell'a.a. 2025/2026: quella dell'anno in corso non è ancora pubblicata.

Obiettivi formativi

Al termine del corso lo studente sarà in grado di: - Comprendere e applicare il metodo scientifico e gli strumenti matematici di base (algebra vettoriale, analisi dimensionale) per la modellizzazione quantitativa di problemi fisici di interesse ingegneristico. - Analizzare e descrivere il moto dei sistemi meccanici, applicando le leggi della cinematica e della dinamica newtoniana in una e due dimensioni, anche in presenza di vincoli e forze dissipative. - Risolvere problemi di meccanica mediante l’uso dei principi di lavoro ed energia e delle leggi di conservazione, riconoscendo ipotesi e limiti di validità dei modelli utilizzati. - Comprendere e applicare i principi fondamentali della meccanica dei fluidi, sia in condizioni statiche sia dinamiche, per l’analisi di semplici sistemi fluidodinamici di interesse tecnico. - Descrivere e analizzare sistemi termodinamici, applicando la legge dei gas perfetti e il primo e secondo principio della termodinamica a trasformazioni e cicli termici rilevanti per le applicazioni ingegneristiche. - Valutare il funzionamento e il rendimento delle macchine termiche, comprendendo i limiti teorici imposti dal secondo principio della termodinamica. - Comprendere e applicare i concetti fondamentali dell’elettromagnetismo, inclusi campi elettrici e magnetici, correnti, induzione elettromagnetica e loro applicazioni di base nei sistemi ingegneristici. - Sviluppare autonomia nella risoluzione di problemi quantitativi, capacità di interpretare i risultati ottenuti e di comunicare in modo chiaro e rigoroso soluzioni e ragionamenti fisici in ambito tecnico-scientifico.

Programma

Il corso avrà come contenuti gli elementi fondamentali della Fisica di base. Parte 1 Elementi di base: -) Metodo scientifico, grandezze fisiche e unità di misura -) Elementi di algebra vettoriale Parte 2 Meccanica 2.1 Cinematica -) Definizioni di grandezze cinematiche -) Moti elementari in una dimensione: moto rettilineo uniforme, moto uniformemente accelerato, caduta dei gravi -) Moti elementari in due dimensioni: moto con velocità o accelerazione costante, moto del proiettile, moto circolare -) Moti relativi e trasformazioni di sistemi di riferimento 2.2 Dinamica -) Le leggi della dinamica -) Esempi di forze: forza peso, reazioni vincolari, forza d’attrito, forza elastica -) Piano inclinato senza e con attrito -) Moto armonico -) Forze apparenti 2.3 Lavoro ed Energia meccanica -) Definizioni di lavoro ed energia cinetica: il teorema dell’energia cinetica -) Forze conservative ed energia potenziale -) Conservazione dell’energia meccanica Parte 3 Meccanica dei fluidi -) Definizioni e grandezze fisiche -) Statica dei fluidi: principio di Archimede, legge di Stevino -) Dinamica dei fluidi: la legge di Bernoulli, cenni sui fluidi viscosi Parte 4 Termodinamica 4.1 Grandezze e sistemi termodinamici -) Definizioni: sistemi termodinamici, variabili di stato, temperatura, trasformazioni termodinamiche -) Legge dei gas perfetti -) Calore, capacità termica, e processi di trasmissione del calore 4.2 Lavoro, energia interna e trasformazioni termodinamiche -) Lavoro termodinamico -) Primo principio della termodinamica -) Gas perfetti: energia interna, calore specifico, trasformazioni termodinamiche 4.3 Macchine termiche -) Definizioni di macchine termiche e ciclo di Carnot -) Secondo principio della termodinamica e cenni sull’Entropia Parte 5 Elettricità e Magnetismo 5.1 Elettrostatica -) Carica elettrica e legge di Coulomb nel vuoto, il campo elettrico -) Teorema di Gauss e distribuzioni di carica notevoli -) Conservatività della forza di Coulomb, energia potenziale e potenziale elettrostatico -) Conduttori e dielettrici 5.2 Correnti elettriche -) Definizione di corrente elettrica, velocità di deriva -) Resistenza elettrica ed effetto Joule 5.3 Magnetostatica -) Campi magnetici e forza magnetica -) Cenni di magnetismo nella materia 5.4 Induzione elettromagnetica -) Induzione magnetica, forza elettromotrice indotta -) Cenni sulle equazioni di Maxwell e sulle onde elettromagnetiche Prerequisiti: - Conoscenze di matematica di base (algebra, funzioni elementari, trigonometria) - Nozioni introduttive di calcolo differenziale e integrale - Familiarità con grandezze vettoriali e concetti fondamentali di fisica generale acquisiti nella scuola secondaria superiore. Metodi didattici: Lezioni frontali che prevederanno anche la risoluzione di alcuni esercizi. Lunedì 10-13 Venerdì 10-13

Modalità d'esame

Esame suddiviso in due parti: - Prova scritta - Colloquio orale Si viene ammessi al colloquio orale con un punteggio di 15/30 alla prova scritta Appelli A.A. 2025-2026 I appello estivo: 22 giugno 2026 II appello estivo: 10 luglio 2026 Appello settembre: 7 settembre 2026 Appello dicembre: 14 dicembre 2026

Testi di riferimento

Testi di riferimento: a) Ferrari, Luci, Pelissetto, Mariani: "Fisica" volumi 1 e 2 - Edizioni Idelson-Gnocchi b) Halliday, Resnick, Walker: "Fondamenti di Fisica" volumi 1 e 2 - Edizioni Zanichelli Al termine del corso lo studente conosce i principi fondamentali della fisica classica ed è in grado di applicarli alla risoluzione di problemi quantitativi di base in ambito meccanico, termodinamico ed elettromagnetico, valutando la coerenza dei risultati e comunicando in modo rigoroso le soluzioni adottate. La valutazione dell’apprendimento mira a verificare il raggiungimento dei risultati attesi in termini di conoscenze, capacità di applicazione, autonomia di giudizio e rigore metodologico. 18-21: conoscenze essenziali acquisite; risoluzione parziale o guidata dei problemi; esposizione semplice ma corretta. 22-24: buona comprensione dei concetti fondamentali; corretta risoluzione dei problemi standard; esposizione chiara. 25-27: padronanza dei contenuti; autonomia nella risoluzione dei problemi; buona capacità di interpretazione dei risultati. 28-30: ottima comprensione teorica; risoluzione rigorosa e autonoma dei problemi; elevata capacità critica ed espositiva. 30 e lode: eccellente padronanza dei contenuti, rigore formale, autonomia completa e capacità di collegamento tra i diversi argomenti.

Codice insegnamento 4878

Fondamenti Di Algebra E Geometria 1° anno · 1° semestre · 9 CFU · MATH-02/B · 0 file

L'insegnamento ha l'obiettivo di presentare le strutture fondamentali algebriche e geometriche della matematica, con particolare riguardo ai possibili esempi d'interesse per le applicazioni informatiche.

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento ha l'obiettivo di presentare le strutture fondamentali algebriche e geometriche della matematica, con particolare riguardo ai possibili esempi d'interesse per le applicazioni informatiche.

Programma

Insiemi e funzioni. Sequenze e matrici. Esempi di spazi finiti e lo spazio ordinario. Esempi di strutture discrete. Operazioni. Gruppi, anelli e campi. Esempi di strutture algebriche finite e campo reale. Spazi vettoriali. Applicazioni lineari. Forme multilineari. Spazi vettoriali euclidei. Somma diretta e prodotto tensoriale. Dipendenza lineare. Determinante e rango di matrici su un campo. Sistemi lineari. Componenti di vettori; matrici associate ad applicazioni lineari e a forme bilineari. Diagonalizzazione. Spazi affini.

Prerequisiti: Non sono richieste specifiche conoscenze preliminari.

Metodi didattici: Lezioni frontali, di solito comprendenti anche esercitazioni con risoluzione dialogata di problemi.

Modalità d'esame

Prova mista: prova scritta di 90 minuti, seguita dalla correzione insieme al candidato, e dalla prova orale. Per la prova scritta è consentita la consultazione e l'uso di strumenti non telematici, ivi inclusi testi didattici cartacei, e ad esempio riga, squadra, calcolatrice non scientifica; sono espressamente escluse le calcolatrici scientifiche, o programmabili o simili.

Testi di riferimento

Dispense fornite dal docente.

1. Conoscenza e capacità di comprensione
Conoscere le strutture fondamentali algebriche e geometriche della matematica, ed alcuni esempi di particolare interesse per l'informatica.

2. Conoscenza e capacità di comprensione applicate.
Capacità di utilizzare nozioni e risultati matematici generali per la risoluzione di problemi specifici.

3. Autonomia di giudizio.
Saper analizzare la validità e veridicità di asserzioni con contenuto matematico.

4. Abilità comunicative.
Capacità di spiegare nozioni e dimostrare asserzioni in maniera sintetica, ma completa.

5. Abilità ad apprendere.
Capacità di inquadrare nuovi contenuti, in particolare quelli relativi all'informatica, in appropriati contesti matematici.

Nell’esame finale, la/o studente dovrà dimostrare quanto segue.

1. Conoscenza e capacità di comprensione.
Saper esporre correttamente le definizioni, proposizioni e dimostrazioni matematiche in programma.

2. Conoscenza e capacità di comprensione applicate.
Saper risolvere quesiti matematici moderatamente articolati.

3. Autonomia di giudizio.
Sapersi correggere in caso di rilievi della Commissione sull'esattezza di quanto esposto in sede d'esame.

4. Abilità comunicative.
Saper usare un linguaggio sufficientemente chiaro, ma anche sufficientemente preciso, nell'esposizione dei contenuti del corso e delle risoluzioni dei quesiti proposti.

5. Abilità ad apprendere.
Saper recuperare eventuali mancanze sulla base dei suggerimenti eventualmente forniti dalla Commissione.

Per ciascun quesito della prova scritta sarà stabilito un punteggio massimo, in modo che il totale di tutti questi punteggi sia 27, del quale lo studente otterrà una frazione corrispondente alla qualità della risposta fornita, valutata secondo i criteri esposti sopra. Per superare l’esame è necessario ottenere un totale per la prova scritta che, una volta arrotondato per eccesso, sia di almeno 15 punti; in tal caso lo studente sosterrà poi la prova orale con lo stesso meccanismo, per un ulteriore punteggio massimo di 6 punti. Al termine della prova orale, l'esame è superato quando il totale delle due prove arrotondato per eccesso è almeno 18, e costituirà il voto finale se non è superiore a 29; se invece sarà compreso tra 30 e 33 il voto finale sarà 30 e potrà essere attribuita la lode a coloro che sapranno affrontare efficacemente un problema aggiuntivo di particolare difficoltà.

Codice insegnamento 4877

Fondamenti Di Analisi Matematica 1° anno · 1° semestre · 9 CFU · MATH-03/A · 0 file

L’obiettivo è introdurre i concetti fondamentali del calcolo infinitesimale, differenziale e integrale per le funzioni reali di una variabile reale, favorendo al contempo lo sviluppo di una capacità di formalizzazione…

Scheda dell'insegnamento

Obiettivi formativi

L’obiettivo è introdurre i concetti fondamentali del calcolo infinitesimale, differenziale e integrale per le funzioni reali di una variabile reale, favorendo al contempo lo sviluppo di una capacità di formalizzazione logica e di un uso consapevole e competente degli strumenti operativi utili nelle applicazioni.

Programma

Insiemi. Operazioni tra insiemi e relative proprietà. Numeri naturali, interi, razionali, reali. Insiemi numerici e loro proprietà algebriche. Intervalli. Maggiorante, minorante, massimo, minimo, estremo superiore ed estremo inferiore. Principio di induzione. Numeri complessi.

Funzioni. Il concetto di funzione. Funzioni iniettive, suriettive, biettive. Funzione composta. Funzione inversa. Proprietà elementari delle funzioni. Grafico e operazioni sul grafico. Funzioni reali a variabile reale. Funzioni elementari: funzioni affini e lineari, funzione valore assoluto, funzione segno, funzione parte intera, funzione potenza, funzione esponenziale, funzione logaritmica, funzioni trigonometriche.

Successioni. Definizioni e proprietà. Successioni numeriche. Limiti di successioni. Teorema di unicità del limite. Operazioni con i limiti e forme indeterminate. Teoremi di confronto. Limiti notevoli. Regolarità delle successioni monotone. Il numero di Nepero e. Criterio del rapporto e criterio della radice. Gerarchia degli infiniti.

Serie. Serie numeriche. Serie a termini non negativi. La serie geometrica e la serie armonica. Criteri di convergenza. Serie a termini di segno alterno. Convergenza assoluta.

Limiti di funzioni. Definizioni. Legame tra limiti di successioni e limiti di funzioni. Algebra dei limiti. Teorema di unicità del limite. Limiti di funzioni monotone. Forme indeterminate. Limiti notevoli. Gerarchia degli infiniti. Asintoti. Funzioni continue. Principali teoremi sulle funzioni continue. Discontinuità.

Calcolo differenziale. Derivata prima di una funzione e suo significato geometrico. Operazioni con le derivate. Regole di derivazione. Derivata delle funzioni composte e delle funzioni inverse. Derivata delle funzioni elementari. Teoremi sulle derivate. Punti di non derivabilità. Massimi e minimi relativi e assoluti. Teorema di Fermat. I teoremi di Rolle e Lagrange. Funzioni crescenti e decrescenti. Derivata seconda di una funzione. Funzioni concave e convesse. Derivate successive. Teorema di de l’Hopital. Studio del grafico di una funzione.

Calcolo integrale. Integrale indefinito e integrale definito. Definizione e proprietà. Primitive, funzione integrale. Teorema fondamentale del calcolo integrale. Tecniche di integrazione: integrazione per scomposizione, integrazione per parti, integrazione per sostituzione, integrazione di funzioni razionali. Formula fondamentale del calcolo integrale. Simmetrie e integrali immediati. Integrali impropri.

Il programma più dettagliato degli argomenti svolti a lezione è consultabile sul sito web del docente di riferimento.

Prerequisiti: È necessaria una familiarità con i concetti matematici di base introdotti nei programmi della scuola secondaria (insiemi, operazioni elementari, equazioni e disequazioni algebriche, funzioni elementari), che verranno comunque richiamati e approfonditi durante il corso.

Metodi didattici: La modalità didattica principale è la lezione frontale alla lavagna, nella quale gli argomenti verranno presentati con rigore formale e accompagnati da esempi significativi ed esercizi guidati. Tale approccio è volto a favorire la comprensione profonda degli argomenti e a stimolare lo sviluppo di capacità critiche e di "problem solving".

Modalità d'esame

L’esame si articola in una prova scritta e in una prova orale. La prova scritta, della durata di circa due ore, consiste nella risoluzione di esercizi relativi al programma svolto e non ammette l’uso di calcolatrici, testi o materiali didattici. La prova orale, di durata variabile, prevede invece l’esposizione degli argomenti affrontati a lezione nonchè la discussione degli esercizi svolti nella prova scritta. Lo studente dovrà dimostrare di possedere le conoscenze teoriche e pratiche di base relative al corso.

Testi di riferimento

Il materiale didattico del corso (programma dettagliato, elenco dei libri di testo consigliati, eventuali dispense, tracce delle prove scritte precedenti, etc.) sarà disponibile sul sito web del docente di riferimento.

Conoscenza e capacità di comprensione:
Lo studente deve dimostrare di conoscere le nozioni (definizioni, enunciati, dimostrazioni se previste dal
programma) relative al calcolo infinitesimale, differenziale ed integrale per le funzioni reali di una variabile reale e gli strumenti di calcolo sviluppati.

Capacità di applicare conoscenza e comprensione:
Lo studente deve dimostrare di saper applicare quanto appreso nella risoluzione di esercizi e nel "problem solving".

Autonomia di giudizio:
Lo studente deve mostrare capacità di riflettere criticamente sui concetti appresi e di applicarli in contesti diversi.

Abilità comunicative:
Lo studente deve dimostrare di aver acquisito padronanza di un linguaggio matematico preciso e rigoroso, nonché la capacità di comunicare in modo chiaro e corretto le conoscenze acquisite durante il corso.

Lo studente deve dimostrare una solida comprensione dei concetti teorici e la capacità di applicarli in modo corretto nella risoluzione di esercizi. L’ammissione alla prova orale è condizionata al superamento della scritta (con un punteggio minimo di 18/30). L’orale consente di colmare eventuali lacune della prova scritta e di verificare la padronanza complessiva della materia. Il voto finale, in trentesimi, risulta dalla valutazione congiunta delle due prove; il massimo (30 e lode) è attribuito agli studenti che dimostrano autonomia, rigore metodologico e padronanza degli argomenti in entrambe le prove.

Il voto finale, in trentesimi, risulta dalla valutazione congiunta della prova scritta e della prova orale. Per poter sostenere la prova orale è necessario aver superato la prova scritta con un punteggio minimo di 18/30. La lode è attribuita agli studenti che dimostrano autonomia, rigore metodologico e padronanza degli argomenti in entrambe le prove.

Codice insegnamento 7413

Ingegneria Del Software 1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file

Il corso verte sullo studio del ciclo di vita del software, delle diverse fasi, processi e metodologie previste dall'Ingegneria del Software per la progettazione e realizzazione di applicazioni complesse su larga…

Scheda dell'insegnamento

Obiettivi formativi

Il corso verte sullo studio del ciclo di vita del software, delle diverse fasi, processi e metodologie previste dall'Ingegneria del Software per la progettazione e realizzazione di applicazioni complesse su larga scala.
Vengono in particolare illustrati i concetti fondamentali di gestione di un progetto software, ruoli, specifica e requisiti, design ed architettura, modelli di sviluppo, testing, verifica, validazione, manutenzione ed evoluzione.
Il corso propone inoltre l'uso del linguaggio UML come strumento di progettazione di software complessi, fornendo richiami alla programmazione orientata agli oggetti (ed il linguaggio Java) come strumento per illustrare concetti progettuali di specifica ed implementazione del software. Lo studente pertanto studierà, utilizzerà e comprenderà oggetti, metodi, classi, interfacce, ereditarietà, in un parallelo tra UML e linguaggio di programmazione, nel contesto dell'ingegneria del software.
Durante l’insegnamento particolare enfasi viene posta su aspetti generali come modularità, robustezza, riusabilità e manutenibilità del codice, gli approcci di sviluppo agile, e fornendo cenni alla sicurezza informatica ed al project management.

Programma

Gli argomenti principali trattati in questo corso sono:

  • Introduzione all'ingegneria del software
  • Qualità e tipologie di software
  • Processi software
  • Sviluppo software agile
  • Ingegneria dei requisiti
  • Modellazione di sistema
  • Linguaggio UML
  • Progettazione architetturale
  • Progettazione e implementazione
  • Test del software
  • Evoluzione del software
  • Introduzione alla gestione e pianificazione dei progetti
  • Panoramica sulla sicurezza del software

Prerequisiti: Nessun prerequisito è strettamente necessario per seguire questo corso, ma è consigliato di avere già seguito il corso di Programmazione e Sviluppo Software e di possedere conoscenze di base e/o seguire in concomitanza a questo (o aver già seguito) il corso di Programmazione Orientata agli Oggetti (Java)

Metodi didattici: Oltre alle classiche capacità di apprendimento fornite dallo studio teorico del materiale didattico, le modalità di svolgimento del corso, in particolare le attività progettuali, stimolano lo studente all'approfondimento autonomo di alcuni argomenti presentati nel corso, al lavoro di gruppo di progettazione software, e all'applicazione concreta delle nozioni e delle tecniche apprese durante il corso.

Modalità d'esame

La prova finale prevede una prova scritta con parte teorica e parte pratica relativa all'ingegneria del software, della durata di 1h30. La correzione della prova viene commentata in presenza con lo studente con ulteriori domande orali quando utile a confermare l'apprendimento dei contenuti dell'insegnamento.

Testi di riferimento

Ingegneria del software, 10 ed., Ian Sommerville, Editore Pearson

Materiale didattico utilizzato durante il corso (slides), appunti delle lezioni

Facoltativo: approfondimenti su UML, UML DISTILLED - 4 ed., Martin Fowler

Essere in grado di progettare una applicazione costituita da diverse classi e associazioni, e da diverse attività anche concorrenti che insistono sulle stesse. Lo studente dovrà essere in grado di impostare le relative attività di definizione ed architettura del software.

Lo studente deve dimostrare di aver acquisito le competenze e l'autonomia nell'utilizzo e nella descrizione dei principali meccanismi del ciclo di vita di un SW, della sua specifica, descrizione, design, realizzazione, testing e manutenzione, avvalendosi in particolare di schematismi UML e pseudocodice Java. Inoltre deve riuscire a comprendere ed applicare le nozioni di gestione del processo software, dei vantaggi e svantaggi dei vari approcci studiati così da essere in grado di selezionare il metodo più appropriato sulla base delle richieste dell'utente e del problema posto.

Gli esami di profitto sono svolti in presenza dello studente davanti ad apposita Commissione, con una prova scritta e successivo colloquio di correzione della prova. La valutazione individuale dello studente è espressa mediante una votazione in trentesimi, proporzionalmente alla completezza e correttezza delle risposte fornite.

Codice insegnamento 7414

Lingua Straniera - Lingua Inglese 1° anno · 2° semestre · 3 CFU · 0 file

Studenti e studentesse saranno in grado di utilizzare le strutture grammaticali della lingua inglese di livello intermedio, di riconoscere il lessico specialistico di base e di comprendere testi scritti in inglese di…

Scheda dell'insegnamento

Obiettivi formativi

Studenti e studentesse saranno in grado di utilizzare le strutture grammaticali della lingua inglese di livello intermedio, di riconoscere il lessico specialistico di base e di comprendere testi scritti in inglese di ambito tecnico-scientifico.

Programma

Grammatica: present tenses, past tenses, future forms, modal verbs, relative clauses, comparatives, superlatives, conditional, passive voice, reported speech, phrasal verbs.

Comprensione del testo: testi in lingua inglese su argomenti volti all’apprendimento del lessico specialistico.

Prerequisiti: È consigliabile avere delle conoscenze preliminari di lingua inglese.

Metodi didattici: Le lezioni si svolgono in modalità ibrida secondo il calendario didattico.

Modalità d'esame

Esame scritto per un totale di 30 quesiti.

Il test comprende una prima parte di domande di grammatica e una seconda parte relativa alla comprensione del testo.

Le domande di grammatica sono a risposta multipla. Le domande di comprensione del testo Vero/Falso.

Durante l’esame non è ammesso l’uso del dizionario e/o materiale di supporto.

Testi di riferimento

Testo per lo studio della grammatica: Murphy, R. (2019). English Grammar in Use Book with Answers: A Self-study Reference and Practice Book for Intermediate Learners of English (fifth edition) Cambridge University Press.

Il materiale relativo alla comprensione del testo sarà fornito dalla docente durante le lezioni.

1. CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Riconoscere e comprendere le principali strutture grammaticali di livello intermedio e acquisire il lessico specialistico.

2. CONOSCENZA E CAPACITÀ DI COMPRENSIONE APPLICATE: Applicare le conoscenze grammaticali e il lessico tecnico per interpretare correttamente frasi e brani in inglese. Analizzare testi riguardo IA per rispondere a domande di comprensione scritta e individuare termini specialistici.

3. AUTONOMIA DI GIUDIZIO: Individuare le informazioni principali e i dettagli rilevanti in testi di ambito tecnologico e scientifico, comprendere relazioni tra concetti e strutture grammaticali all’interno di un testo, e interpretare correttamente il significato di termini chiave del lessico specialistico dell’Intelligenza Artificiale.

4. ABILITÀ COMUNICATIVE: Utilizzare in modo appropriato le strutture grammaticali e il lessico tecnico-scientifico appreso per comprendere e interpretare testi specialistici, frasi e brevi descrizioni relative a concetti di Intelligenza Artificiale.

5. ABILITÀ AD APPRENDERE: Utilizzare strategie di lettura efficaci per comprendere testi riguardo IA in inglese, arricchire autonomamente il lessico specialistico e consolidare l’apprendimento delle strutture grammaticali di livello intermedio.

Lo/a studente/essa dovrà dimostrare:

1. CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Riconoscere e comprendere strutture grammaticali di livello intermedio, comprendere il significato di parole chiave relative all’Ingegneria dell’Intelligenza Artificiale, leggere e comprendere testi brevi di ambito tecnico-scientifico identificando idee principali e dettagli rilevanti.

2. CONOSCENZA E CAPACITÀ DI COMPRENSIONE APPLICATE: Applicare le conoscenze grammaticali e il lessico tecnico per interpretare correttamente frasi e brani in inglese. Analizzare testi riguardo IA per rispondere a domande di comprensione scritta e individuare termini e concetti specialistici.

3. AUTONOMIA DI GIUDIZIO: Individuare le informazioni principali e i dettagli rilevanti in testi di ambito tecnologico e scientifico, comprendere relazioni tra concetti e strutture grammaticali all’interno di un testo, interpretare correttamente il significato di termini chiave del lessico specialistico dell’Intelligenza Artificiale.

4. ABILITÀ COMUNICATIVE: Essere in grado di utilizzare le strutture grammaticali e il lessico appreso per leggere, comprendere e interpretare correttamente brevi frasi e testi scritti in contesti scientifici e tecnologici.

5. ABILITÀ AD APPRENDERE: Utilizzare strategie di lettura efficaci per comprendere testi riguardo IA in inglese, arricchire autonomamente il lessico specialistico e consolidare l’apprendimento delle strutture grammaticali di livello intermedio.

Per superare l’esame è necessario ottenere un punteggio minimo di 18/30. La valutazione è espressa in termini di idoneità.

Ogni risposta corretta permette di totalizzare un punto. Una mancata risposta o una risposta errata valgono zero punti.

Codice insegnamento 4875

Programmazione E Sviluppo Software 1° anno · 1° semestre · 9 CFU · IINF-05/A · 0 file

L’obiettivo del corso è di fornire allo studente gli strumenti per comprendere, analizzare e risolvere problemi tecnici utilizzando un linguaggio di programmazione di alto livello imperativo e procedurale, ovvero Python.…

Scheda dell'insegnamento

Obiettivi formativi

L’obiettivo del corso è di fornire allo studente gli strumenti per comprendere, analizzare e risolvere problemi tecnici utilizzando un linguaggio di programmazione di alto livello imperativo e procedurale, ovvero Python. Il corso permetterà agli studenti di apprendere le conoscenze fondamentali relative alla rappresentazione dei dati, agli algoritmi e ai principi di funzionamento di un calcolatore. Gli obiettivi del corso saranno perseguiti alternando le parti di teoria di informatica, i fondamenti della programmazione ed i principali algoritmi, ad esercitazioni in aula con attività di laboratorio.

Programma

Introduzione ai concetti di Computer e Programmazione Software, programmazione con numeri e stringhe, strutture decisionali e logica booleana, strutture iterative, funzioni, file ed eccezioni, liste e tuple, dizionari ed insiemi.

Prerequisiti: Il corso non presuppone alcuna conoscenza di programmazione, solo concetti di matematica di scuola superiore.

Metodi didattici: Le lezioni si tengono in aula sia per la parte teorica che di esercitazioni pratiche di programmazione.

Modalità d'esame

L'esame consiste in una prova al calcolatore con una parte per verificare le conoscenze dei modelli dell'informatica ed una al calcolatore per verificare la capacità di programmazione.

Testi di riferimento

Il libro di riferimento è uno dei seguenti (a scelta dello studente)
C. Horstmann, R.D. Necaise, "Concetti di Informatica e fondamenti di Python", Apogeo Education; Seconda edizione (Giugno 2019), ISBN-13 ‏ : ‎ 978-8891635433
T. Gaddis, “Introduzione a Python”, Pearson Education, Quinta Edizione (Gennaio 2022), ISBN-13 ‏ : ‎ 978-8891927651

Lo studente al termine del corso sarà capace di descrivere il processo di risoluzione di un problema di natura ingegneristica tramite algoritmi, implementati mediante il linguaggio di programmazione di alto livello identificato per il corso. In particolare, lo studente apprenderà e capirà i meccanismi di uso delle variabili e relativa memorizzazione in un elaboratore, le istruzioni aritmetiche, logiche/booleane, il passaggio di parametri e la restituzione di valori tra procedure/funzioni e processi, la ricorsione, ed altri meccanismi basilari della programmazione utili alla progettazione e realizzazione di programmi che portino alla soluzione di problemi, oltre alla comprensione di programmi già scritti.

Lo studente sarà valutato sia a livello teorico che pratico.

il voto finale sarà dato dalla somma di tre parziali relativi ad una parte di quiz a risposta multipla e due esercizi di programmazione.

Codice insegnamento 7415

Programmazione Orientata Agli Oggetti 1° anno · 2° semestre · 9 CFU · INFO-01/A · 0 file

L’insegnamento di Programmazione Orientata agli Oggetti mira a fornire agli studenti una conoscenza approfondita dei principi del paradigma orientato agli oggetti, guidandoli nella progettazione e nello sviluppo di…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento di Programmazione Orientata agli Oggetti mira a fornire agli studenti una conoscenza approfondita dei principi del paradigma orientato agli oggetti, guidandoli nella progettazione e nello sviluppo di software in linguaggio Java. Il corso affronta i concetti fondamentali di classi e oggetti, nonché i meccanismi di incapsulamento, ereditarietà e polimorfismo. Parallelamente, gli studenti acquisiranno competenze pratiche nella realizzazione di soluzioni software modulari e riutilizzabili, attraverso l’impiego dei principali costrutti del linguaggio Java. Il corso fornisce inoltre le basi per la comprensione e la progettazione di sistemi software interattivi, con particolare attenzione all’interazione e alle interfacce utente.

Programma

Modulo I – Programmazione Orientata agli Oggetti in Java, Prof.ssa Chiara Pero

Modulo II – Interaction Design e Progettazione delle Interfacce, Prof.ssa Brunella Botte

Modulo I [36 ore]: Introduzione al linguaggio Java e confronto tra programmazione procedurale e orientata agli oggetti. Ambiente di sviluppo: compilazione ed esecuzione dei programmi, JDK, jshell e IDE. Tipi di dati, array, operatori, strutture di controllo. Definizione di classi e oggetti. Metodi, variabili di istanza e di classe, costruttori. Parametri espliciti e impliciti, riferimento this. Progettazione delle classi. Package e organizzazione del codice. Modificatori di accesso. Paradigmi della programmazione orientata agli oggetti: incapsulamento, ereditarietà e polimorfismo. Classi astratte e interfacce. Gestione degli errori. Framework Collections. Interfacce Comparable e Comparator. Input/Output e gestione dei file. Testing: analisi dei casi di test, debugging.

Modulo II [18 ore]: Il modulo fornisce le basi teoriche e metodologiche dell’Interaction Design, analizzando i principi, i processi e le fasi di progettazione dell’interazione. Più nel dettaglio:
Principi di interaction design
Cos’è l’interaction design

  • UX
  • People-centered design
  • Accessibilità e inclusione
  • Obiettivi dell’usabilità (Efficacia, Efficienza, Sicurezza, Utilità, Facilità di apprendimento, Memorabilità, Soddisfazione
  • Obiettivi della UX
    Principi di design (Visibilità, Feedback, Vincoli, Coerenza, Affordance)
    Il processo di interaction design
  • Comprendere lo spazio del problema
  • Quattro approcci all’interaction design
  • Chi coinvolgere nel processo di interaction design
  • Le quattro attività dell’interaction design
    Un modello di ciclo di vita per l’interaction design
    Problemi pratici
    Concettualizzazione dell’interazione
  • Modelli concettuali
  • Metafore
  • Tipi di interazione
  • Paradigmi, visioni, sfide, teorie modelli e framework
    Aspetti cognitivi
    Framework cognitivi
  • Modelli mentali
  • Il ciclo d’azione di Norman
  • Elaborazione delle informazioni
    Interfacce

Prerequisiti: Familiarità con i concetti di base della programmazione e capacità di codificare semplici algoritmi. Conoscenza pratica delle funzionalità essenziali di un sistema operativo.

Metodi didattici: Lezioni frontali dedicate agli aspetti teorici della programmazione orientata agli oggetti e dell’Interaction Design, affiancate da esercitazioni pratiche finalizzate alla scrittura e alla comprensione del codice e alla progettazione delle interfacce utente.

Modalità d'esame

La verifica dell’apprendimento si articola in due prove scritte, una per ciascun modulo. La prova relativa al Modulo I comprende dieci quesiti a risposta multipla e due esercizi di programmazione in Java, finalizzati ad accertare l’acquisizione delle conoscenze teoriche e la capacità di applicare i principi della programmazione orientata agli oggetti. La prova relativa al Modulo II comprende ventitré quesiti a risposta multipla e tre quesiti a risposta aperta, volti ad accertare la conoscenza dei principi dell’Interaction Design e della progettazione delle interfacce. Ciascuna prova si considera superata con una votazione non inferiore a 18/30.

Testi di riferimento

È fortemente consigliato prepararsi all’esame integrando i materiali didattici messi a disposizione dal docente con i seguenti testi di riferimento: Cesari, Claudio De Sio. Manuale di Java 9: Programmazione orientata agli oggetti con Java Standard Edition 9. HOEPLI EDITORE, 2018. Horstmann, Cay S. Concetti di informatica e fondamenti di Java. Apogeo, 7a edizione, 2020.

L’insegnamento ha l’obiettivo di far conseguire i seguenti risultati di apprendimento:
1. CONOSCENZA E CAPACITÀ DI COMPRENSIONE: al termine del corso, gli studenti e le studentesse avranno acquisito una solida comprensione dei concetti fondamentali della programmazione orientata agli oggetti (incapsulamento, ereditarietà e polimorfismo) e dei principi di base dell’Interaction Design.
2. CONOSCENZA E CAPACITÀ DI COMPRENSIONE APPLICATE: gli studenti e le studentesse saranno in grado di tradurre requisiti funzionali in soluzioni software funzionanti, adottando metodologie coerenti con il paradigma orientato agli oggetti e tenendo conto degli aspetti fondamentali dell’interazione e della progettazione delle interfacce utente.
3. AUTONOMIA DI GIUDIZIO: gli studenti e le studentesse saranno in grado di analizzare e valutare scelte progettuali e implementative, individuando criticità e inefficienze nel codice e nelle soluzioni di interazione.
4. ABILITÀ COMUNICATIVE: gli studenti e le studentesse saranno in grado di illustrare con chiarezza le scelte progettuali e le soluzioni implementative adottate, inclusi gli aspetti relativi alla progettazione dell’interazione e delle interfacce utente.
5. ABILITÀ AD APPRENDERE: gli studenti e le studentesse acquisiranno strumenti e metodi per sviluppare autonomamente le proprie competenze nei linguaggi di programmazione e nella progettazione di sistemi interattivi.

I criteri di valutazione, in linea con i descrittori di Dublino, riguardano:
1. CONOSCENZA E COMPRENSIONE: l'esame finale valuterà il livello di acquisizione dei principi fondamentali della programmazione orientata agli oggetti, dei principali costrutti del linguaggio Java e dei concetti di base dell'Interaction Design.
2. CONOSCENZA E CAPACITÀ DI COMPRENSIONE APPLICATE: l'esame finale valuterà la capacità di applicare le conoscenze teoriche alla progettazione e all'implementazione di soluzioni software in Java e all'analisi di sistemi interattivi e interfacce utente.
3. AUTONOMIA DI GIUDIZIO: l'esame finale valuterà la capacità di individuare e motivare le soluzioni progettuali e implementative più appropriate, riconoscendo eventuali criticità nel codice e nella progettazione dell'interazione.
4. ABILITÀ DI COMUNICAZIONE: l'esame finale valuterà la corretta comprensione dei quesiti proposti e la capacità di utilizzare in modo appropriato la terminologia relativa alla programmazione orientata agli oggetti e all'Interaction Design.
5. CAPACITÀ DI APPRENDIMENTO: l'esame finale valuterà la capacità di rielaborare e applicare autonomamente le conoscenze acquisite anche a problemi e situazioni differenti rispetto a quelli affrontati durante il corso.

Il voto finale è determinato dalla media ponderata dei voti conseguiti nelle due prove, in proporzione ai CFU attribuiti ai rispettivi moduli (6 CFU per il Modulo I e 3 CFU per il Modulo II).

Codice insegnamento 7416

Algoritmi E Strutture Dati 2° anno · 1° semestre · 9 CFU · ING-INF/05 · 0 file
Architetture Di Calcolatori E Sistemi Operativi 2° anno · 2° semestre · 9 CFU · ING-INF/05 · 0 file
Controlli Automatici 2° anno · 2° semestre · 9 CFU · ING-INF/04 · 0 file
Cybersecurity 2° anno · 2° semestre · 6 CFU · ING-INF/05 · 0 file
Fondamenti Di Intelligenza Artificiale 2° anno · 1° semestre · 9 CFU · INF/01 · 0 file

Il corso di Fondamenti di Intelligenza Artificiale fornisce agli studenti e alle studentesse le conoscenze teoriche, metodologiche e applicative necessarie per comprendere i principi fondamentali dell'Intelligenza…

Scheda dell'insegnamento

Obiettivi formativi

Il corso di Fondamenti di Intelligenza Artificiale fornisce agli studenti e alle studentesse le conoscenze teoriche, metodologiche e applicative necessarie per comprendere i principi fondamentali dell'Intelligenza Artificiale nelle sue molteplici declinazioni. Il corso introduce i metodi fondamentali per la risoluzione di problemi mediante ricerca nello spazio degli stati, i paradigmi di apprendimento automatico, le tecniche di rappresentazione e analisi di sistemi complessi e le considerazioni etiche nell'implementazione di sistemi intelligenti. L'insegnamento integra gli aspetti teorici con attività di laboratorio pratico in Python, finalizzate all'implementazione di algoritmi di ricerca di soluzioni di problemi, modelli di machine learning e analisi di reti complesse su dati e problemi reali.

Programma

Il corso è strutturato in unità di apprendimento tra loro progressivamente integrate, finalizzate a fornire una preparazione organica sui fondamenti teorici, metodologici e applicativi dell’Intelligenza Artificiale.
Il percorso accompagna gli studenti e le studentesse introducendo all’evoluzione storica della disciplina ed alle principali applicazioni e fornendo un inquadramento generale nei settori: Risoluzione automatica di problemi per sistemi ad agenti autonomi; Sistemi di apprendimento automatico.; Reti neurali artificiali e deep learning; Sistemi Generativi Multimodali e Analisi di Big Data e Reti Complesse.
Dopo la parte introduttiva, nel corso verranno approfondite in particolare 1) le metodologie per modellazione e la risoluzione di problemi nello spazio degli stati, 2) i principali concetti e modelli di machine learning per la classificazione, 3) concetti fondamentali metriche e metodologie per l’analisi di reti complesse digitali derivanti da fenomeni sociali, artificiali e naturali ed infine verranno 4)mintrodotti problematiche ed aspetti etici derivanti dal contesto e dall’impatto sociale delle applicazioni AI. Attività di Laboratorio trasversale e parallela a tutti i moduli ha lo scopo di

Unità 1. Introduzione all’intelligenza Artificiale.
Modellazione e Risoluzione di Problemi con Ricerca nello Spazio degli Stati,

Introduzione.
Origini ed evoluzione della riceca in AI. Principali applicazioni ed applicazioni avanzate.
Caratteristiche dei principali settori: Rappresentazione della conoscenza e risoluzione automatica di problemi per sistemi ad agenti autonomi. Sistemi di apprendimento automatico: apprendimento supervisionato, non supervisionato, reinforcement learning. Reti neurali artificiali e deep learning. Sistemi Generativi Multimodali. Analisi di Big Data e Reti Complesse.

Modellazione e Risoluzione di Problemi con Ricerca nello Spazio degli Stati.
Agenti autonomi. Tipologie di Agenti. Problemi di Ricerca nello Spazio degli Stati. Problem Solving. Rappresentazione e navigazione dello spazio degli stati.
Algoritmi di Ricerca non informata. Ricerca in profondità (Dept-First) e in ampiezza (Breadth-First), a profondita limitata.
Ricerca Euristica: euristiche definizione. Ricerca A*. Proprietà e valutazione degli algoritmi di ricerca informata e non informata. Generazione di Euristiche. Ambienti multiagente con avversari: Algoritmi min-max, completi, approssimazione euristica. Modellazione e sviluppo di applicazioni per problemi di ricerca nello spazio degli stati. Cenni su automated planning.,

Unità 2. Introduzione all’Apprendimento Automatico

Concetti fondamentali e metriche.
Introduzione ai principali paradigmi di apprendimento automatico: apprendimento supervisionato, non supervisionato e reinforcement learning. Ruolo di dati, feature, modelli, parametri e iperparametri Pipeline di Machine Learning. Dataset suddivisione in training, validation e test set e principi della cross-validation.
Metriche di classificazione per la valutazione dei modelli: accuracy, precision, recall, specificity, F1-score, curva ROC e AUC. Classificatori degeneri e bilanciamento delle classi. Generalizzazione, underfitting e overfitting e bias-variance trade-off. Cenni sulle Metriche di regressione, tra cui MAE, MSE, RMSE e R².

Principali modelli machine learning supervisionato per problemi di classificazione.
I modelli lineari e non lineari Support Vector Machines e i metodi kernel, k-Nearest Neighbors, Bayes, Alberi decisionali, metodi di ensemble learning: bagging, Random Forest.

Unità 3. Introduzione all’Analisi di Reti Complesse.
Reti, Network, Grafi sociali. Definizioni e proprietà dei gradi.
Misure di centralità dei nodi.
Random Network ed evoluzione dei grafi. Modello Erdos-Renyi. Modello Watts- Strogatz Modello Barabasi-Albert. Preferential Attachment. Proprietà dei grafi: Distribuzione del grado; Grafi Scale Free; Connettività; Average Path Length; Coefficiente di Clustering.e cluster.
Grafi reali proprietà. Multigrafi eterogenei.
Metodologie e strumenti di analisi di grafi complessi.
Modelli e applicazioni basati su reti di IA.

Unità 4. Aspetti Etici dell’Intelligenza Artificiale.
Impatto e contesto sociale di Modelli e sistemi. Bias di appredimento, bias intrinsechi, classi minoritarie. Tecniche di ribilanciamento. Filtri e guard-rail nei sistemi generativi. Standard etici IEEE9000.

Unità 5. Laboratorio di AI con Python
Questo modulo verrà svolto in parallelo agli altri moduli è dedicato all’applicazione pratica delle metodologie affrontate durante il corso. Tali competenze verranno acquisite mediante l’utilizzo di Python e delle principali librerie per la ricerca nello Spazio degli Stati, il Machine Learning, e l’analisi di Complex Network, tra cui AIMAPythin, NumPy, pandas, Matplotlib e scikit-learn. Neo4J, NetworkX e le applicazioni NetLogo e Gephi. Le attività comprendono l’implementazione e la modellazione di problemi di ricerca nello spazio degli stati, problemi di classificazione supervisiona, problemi di analisi di reti complesse.

Prerequisiti: È richiesta una conoscenza di base della programmazione in Python (variabili, strutture dati, cicli, funzioni, input/output) e dei concetti fondamentali di matematica discreta, algebra lineare (vettori, matrici, prodotto scalare, autovalori) e analisi matematica (derivate, integrali), necessari per la comprensione degli argomenti trattati durante il corso.

Metodi didattici: L'insegnamento prevede:

  • Lezioni frontali dedicate alla presentazione dei fondamenti teorici, metodologici e concettuali dell'Intelligenza Artificiale, con focus su algoritmi di ricerca, machine learning e analisi di reti complesse.
  • Esercitazioni teoriche con lavagna/proiezione finalizzate al consolidamento dei concetti e alla discussione di casi di studio applicativi.
  • Attività di laboratorio pratico realizzate in ambiente computazionale, dedicate all'implementazione e all'applicazione pratica dei concetti trattati mediante Python e le principali librerie specializzate (AIMAPython, scikit-learn, NetworkX, Gephi).
  • Discussioni interattive su problemi aperti, limitazioni degli algoritmi, bias nei dati e considerazioni etiche nell'implementazione di sistemi intelligenti.
  • Letture di articoli scientifici e documentazione tecnica per il consolidamento e l'approfondimento autonomo.

Modalità d'esame

L’esame finale prevede una prova scritta composta dallo svolgimento e dalla presentazione orale di progetto di laboratorio in Python precedentemente assegnato dal docente sugli argomenti della ricerca nello spazio degli stato, del machine e dell’analisi di un grafo complesso, durante la presentazione orale il docente verificherà l’acquisizione delle conoscenze relative ai concetti, alle metodologie e agli algoritmi affrontati durante il corso. Le domande del docente valuteranno la capacità di comprendere, descrivere e discutere criticamente i diversi approcci e le relative modalità di applicazione. La prova scritta del progetto di laboratorio verifica la capacità di applicare le conoscenze acquisite mediante Python e le principali librerie per l’implementazione di modelli ad agenti,,modelllidi apprendimento e analisis di grafi.
La prova riguarda l’intero programma dell’insegnamento e consente di valutare congiuntamente la preparazione teorica, la capacità di analisi e le competenze applicative maturate durante il corso.

Testi di riferimento

È fortemente consigliato prepararsi all'esame integrando i materiali didattici (slides, note, codice di esempio) messi a disposizione dal docente con i seguenti testi di riferimento

Testi Principali:

  • Russell, S. J., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th Edition, Global Edition). Pearson.
  • Raschka, S. (2019). Machine Learning con Python. Costruire algoritmi per generare conoscenza. Apogeo
  • Barabási, A.-L. (2016). Network Science. Cambridge University Press. (disponibile online: http://networksciencebook.com/)

Risorse Supplementari:•

Documentazione ufficiale Python: https://docs.python.org/3/
Documentazione ufficiale GoogleColab:
https://colab.research.google.com/notebooks/welcome.ipynb?hl=it
Documentazione scikit-learn: https://scikit-learn.org/
Documentazione NetworkX: https://networkx.org/
Documentazione Gephi: https://gephi.org/
Documentazione AIMAPython: https://github.com/aimacode/aima-python

Il corso ha l’obiettivo di far conseguire i seguenti risultati di apprendimento:
1. CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Gli studenti e le studentesse acquisiranno conoscenze relative ai principi fondamentali dell'Intelligenza Artificiale, ai paradigmi di risoluzione di problemi mediante ricerca nello spazio degli stati, ai principali paradigmi di apprendimento automatico (supervisionato, non supervisionato e reinforcement learning), alle metodologie di analisi di reti complesse, alle tecniche di rappresentazione dei dati, alle metriche di valutazione delle prestazioni e alle considerazioni etiche nell'implementazione di sistemi intelligenti.
2. CONOSCENZA E CAPACITÀ DI COMPRENSIONE APPLICATE: Gli studenti e le studentesse saranno in grado di modellare e risolvere problemi di ricerca nello spazio degli stati utilizzando algoritmi di ricerca non informata e informata (DFS, BFS, A*); di applicare metodologie di machine learning alla risoluzione di problemi di classificazione, regressione e clustering; di implementare e validare modelli predittivi utilizzando dataset reali; di analizzare la struttura e le proprietà di reti complesse; di identificare algoritmi e strategie di valutazione adeguati alle caratteristiche del problema considerato. Utilizzeranno Python e le principali librerie dedicate (AIMAPython, scikit-learn, NetworkX, Gephi) per l'implementazione pratica dei concetti teorici.
3. AUTONOMIA DI GIUDIZIO: Gli studenti e le studentesse svilupperanno un approccio critico all'analisi dei problemi di intelligenza artificiale, alla valutazione e comparazione di differenti metodologie risolutive, alla interpretazione dei risultati prodotti da algoritmi di ricerca e modelli di machine learning. Saranno in grado di identificare i limiti, i bias potenziali e i vincoli computazionali delle soluzioni proposte, e di sviluppare una consapevolezza critica rispetto all'impatto etico e sociale delle applicazioni di intelligenza artificiale.
4. ABILITÀ COMUNICATIVE: Gli studenti e le studentesse saranno in grado di utilizzare correttamente la terminologia propria dell'Intelligenza Artificiale e di descrivere in maniera chiara e rigorosa i principali algoritmi, le metodologie di ricerca, i modelli di apprendimento automatico, le procedure di valutazione e i criteri utilizzati per l'analisi di sistemi complessi. Sapranno interpretare e presentare i risultati ottenuti attraverso metriche numeriche, tabelle comparative e rappresentazioni grafiche appropriate.
5. CAPACITÀ DI APPRENDIMENTO: Gli studenti e le studentesse svilupperanno le competenze necessarie per approfondire autonomamente metodologie e strumenti di intelligenza artificiale, utilizzare la documentazione tecnica delle principali librerie software, applicare le conoscenze acquisite a nuovi problemi e dataset, e rimanere aggiornati sugli sviluppi della disciplina attraverso la consultazione di articoli scientifici e documentazione tecnica specializzata.

I criteri di valutazione, in linea con i descrittori di Dublino, riguardano:

1. CONOSCENZA E COMPRENSIONE: l’esame finale valuterà il livello di acquisizione dei principi fondamentali dell’Intelligenza Artificiale, dei principali paradigmi di soluzione di problemi, delle metodologie di analisi e degli algoritmi affrontati durante il corso.
2. CONOSCENZA E CAPACITÀ DI COMPRENSIONE APPLICATE: l’esame finale valuterà la capacità di applicare le conoscenze acquisite alla modellazione dei problemi di agenti, alla scelta, all’implementazione, all’addestramento e alla valutazione di modelli di ricerca nello spazio degli stati, di Machine Learning, e di analisi di grafi complessi anche attraverso lo svolgimento dell’esercizio di laboratorio in Python.
3. AUTONOMIA DI GIUDIZIO: l’esame finale valuterà la capacità di individuare soluzioni appropriate rispetto al problema considerato, confrontare differenti modelli e strategie e interpretare criticamente i risultati ottenuti.
4. ABILITÀ DI COMUNICAZIONE: l’esame finale valuterà la capacità di utilizzare correttamente la terminologia propria della disciplina e di descrivere in maniera chiara e rigorosa algoritmi, metodologie, procedure di valutazione e risultati.
5. CAPACITÀ DI APPRENDIMENTO: l’esame finale valuterà la capacità di rielaborare autonomamente le conoscenze acquisite e di utilizzarle nell’analisi e nella risoluzione di problemi di ricerca nello spazio degli stati, di Machine Learning, di analisi di grafi complessi.

La valutazione finale è espressa in trentesimi ed è determinata tenendo conto delle conoscenze teoriche e metodologiche e le competenze applicative dimostrate nello svolgimento nella prova scritta di progetto, e della capacità di presentare con chiarezza e argomentare correttamente e criticamente il progetto svolto e rispondere con correttezza e completezza alle domande poste dal docente.
La prova si intende superata con una valutazione pari o superiore a 18/30..
Per ottenere una valutazione eccellente (28-30/30 e lode), lo studente deve dimostrare una comprensione profonda dei concetti, una soluzione elegante e efficiente dei problemi, e una consapevolezza critica dei temi affrontati, incluendo gli aspetti etici e i limiti degli approcci proposti.

Codice insegnamento 4895

Machine Learning 2° anno · 2° semestre · 9 CFU · ING-INF/05 · 0 file

Il corso di Machine Learning fornisce agli studenti e alle studentesse le conoscenze teoriche, metodologiche e applicative necessarie per comprendere i principali paradigmi e metodi dell’apprendimento automatico e…

Scheda dell'insegnamento

Obiettivi formativi

Il corso di Machine Learning fornisce agli studenti e alle studentesse le conoscenze teoriche, metodologiche e applicative necessarie per comprendere i principali paradigmi e metodi dell’apprendimento automatico e utilizzarli per l’analisi dei dati e la costruzione di modelli predittivi. Il corso approfondisce metodologie di apprendimento supervisionato e non supervisionato e introduce i principi fondamentali del reinforcement learning. Particolare attenzione è inoltre dedicata alle reti neurali artificiali e ai fondamenti del Deep Learning, fino all’introduzione delle reti neurali convoluzionali (CNN) per l’elaborazione e la classificazione di immagini. Gli aspetti teorici sono integrati con attività di laboratorio in Python, finalizzate all’implementazione, all’addestramento e alla valutazione dei modelli mediante le principali librerie per il Machine Learning e il Deep Learning.

Programma

Modulo 1 – Introduzione al Machine Learning e Apprendimento Supervisionato
Il modulo introduce i concetti fondamentali del Machine Learning, richiamandone gli obiettivi, i principali paradigmi di apprendimento e gli elementi essenziali che caratterizzano un problema di apprendimento automatico. Viene quindi approfondito l’apprendimento supervisionato, con particolare riferimento alla costruzione di modelli predittivi per problemi di classificazione e regressione. Dopo un richiamo ai principali approcci alla classificazione, vengono affrontati i modelli di regressione lineare e polinomiale e le principali tecniche di regolarizzazione, con riferimento a Ridge, Lasso ed Elastic Net. Sono inoltre trattate la regressione logistica e le metodologie di ensemble learning, con particolare attenzione a bagging, Random Forest e boosting. Il modulo affronta infine i concetti di generalizzazione, overfitting e underfitting e introduce i principi di selezione, ottimizzazione e confronto dei modelli.

Modulo 2 – Apprendimento Non Supervisionato e Riduzione della Dimensionalità
Il modulo introduce i principi dell’apprendimento non supervisionato e le metodologie utilizzate per individuare strutture, relazioni e regolarità all’interno di dati privi di etichette. Sono analizzate le principali tecniche di clustering, con particolare riferimento a k-Means, clustering gerarchico e DBSCAN, discutendone caratteristiche, differenze e ambiti di applicazione. Vengono inoltre introdotti i principali criteri per l’analisi e la valutazione dei risultati prodotti dagli algoritmi di clustering. In relazione alle metodologie affrontate, vengono richiamate le principali tecniche di preparazione e trasformazione dei dati, con particolare attenzione alla normalizzazione e alla standardizzazione. Il modulo introduce infine le tecniche di riduzione della dimensionalità per la rappresentazione e l’analisi di dati ad alta dimensionalità, con particolare riferimento alla Principal Component Analysis (PCA) e cenni alle tecniche non lineari di rappresentazione e visualizzazione dei dati.

Modulo 3 – Introduzione al Reinforcement Learning
Il modulo introduce il Reinforcement Learning come paradigma di apprendimento basato sull’interazione tra un agente e un ambiente, evidenziandone le principali differenze rispetto all’apprendimento supervisionato e non supervisionato. Sono presentati i concetti fondamentali di agente, ambiente, stato, azione, ricompensa e politica, nonché i principi che caratterizzano i problemi di decisione sequenziale. Viene affrontato il bilanciamento tra esplorazione e sfruttamento (exploration–exploitation) e viene introdotto il concetto di funzione di valore. Il modulo presenta inoltre, a livello introduttivo, il Q-learning come metodo per l’apprendimento di una politica di comportamento attraverso l’interazione con l’ambiente. Gli aspetti teorici sono accompagnati da semplici esempi applicativi finalizzati a mostrare il processo attraverso cui un agente apprende sulla base delle ricompense ricevute.

Modulo 4 – Reti Neurali Artificiali e Fondamenti di Deep Learning
Il modulo introduce i principi fondamentali delle reti neurali artificiali, partendo dal modello del neurone artificiale e dal percettrone fino alla costruzione di reti neurali multistrato. Vengono analizzati il ruolo dei pesi e dei bias, le principali funzioni di attivazione e il processo di propagazione dell’informazione attraverso la rete (forward propagation). Sono introdotte le funzioni di loss e i principi dell’ottimizzazione mediante gradient descent, con cenni ai principali algoritmi di ottimizzazione. Particolare attenzione è dedicata al meccanismo di backpropagation per l’apprendimento dei parametri della rete. Vengono inoltre affrontati i principali aspetti relativi all’addestramento, alla generalizzazione e all’overfitting delle reti neurali, introducendo le principali strategie di regolarizzazione. Il modulo conduce infine al concetto di rete neurale profonda e ai principi fondamentali del Deep Learning.

Modulo 5 – Reti Neurali Convoluzionali (Convolutional Neural Networks)
Il modulo introduce le Convolutional Neural Networks (CNN) come architetture di Deep Learning progettate per l’elaborazione di dati caratterizzati da una struttura spaziale, con particolare riferimento alle immagini. Sono presentati i principi dell’operazione di convoluzione e i concetti di kernel e filtri, feature map, stride, padding e pooling. Viene illustrato il processo attraverso cui i diversi livelli di una rete convoluzionale consentono l’apprendimento progressivo di rappresentazioni gerarchiche delle caratteristiche presenti nei dati. Viene quindi analizzata la struttura generale di una CNN e il suo utilizzo nei problemi di classificazione delle immagini. Gli aspetti metodologici sono integrati con esempi relativi alla costruzione, all’addestramento e alla valutazione di semplici architetture convoluzionali.

Modulo 6 – Laboratorio di Machine Learning e Deep Learning con Python
Il modulo è dedicato all’applicazione pratica delle metodologie affrontate durante il corso mediante l’utilizzo di Python e delle principali librerie per l’analisi dei dati, il Machine Learning e il Deep Learning, tra cui NumPy, pandas, Matplotlib, scikit-learn e PyTorch. Le attività comprendono il caricamento, l’esplorazione, la preparazione, la trasformazione e la visualizzazione dei dati, nonché l’implementazione, l’addestramento e la valutazione di modelli di Machine Learning. Sono previste esercitazioni dedicate a problemi di regressione, clustering e riduzione della dimensionalità, nonché semplici esperienze applicative di Reinforcement Learning. Le attività laboratoriali comprendono inoltre la costruzione, l’addestramento e la valutazione di reti neurali multistrato e reti neurali convoluzionali (CNN). Particolare attenzione è dedicata all’interpretazione dei risultati e al confronto tra differenti modelli e configurazioni sperimentali.

Prerequisiti: È richiesta una preparazione di base nella programmazione in Python, nell’algebra lineare e nell’analisi matematica.

Metodi didattici: L’insegnamento prevede lezioni frontali dedicate alla presentazione dei fondamenti teorici e metodologici del corso, integrate con esercitazioni e attività di laboratorio finalizzate all’applicazione pratica dei concetti trattati. Le attività laboratoriali prevedono l’utilizzo di Python e delle principali librerie per l’analisi dei dati, l’implementazione e la valutazione di modelli di Machine Learning e Deep Learning.

Modalità d'esame

L’esame finale prevede una prova scritta composta da quesiti a risposta multipla e da due domande a risposta aperta, integrata dallo svolgimento di uno o più esercizi di laboratorio in Python. I quesiti a risposta multipla verificano l’acquisizione delle conoscenze relative ai concetti, alle metodologie e agli algoritmi di Machine Learning e Deep Learning affrontati durante il corso. Le domande a risposta aperta valutano la capacità di comprendere, descrivere e discutere criticamente i diversi approcci e le relative modalità di applicazione. Gli esercizi di laboratorio verificano la capacità di applicare le conoscenze acquisite mediante Python e le principali librerie utilizzate durante il corso, attraverso attività di preparazione e analisi dei dati, implementazione, addestramento e valutazione dei modelli. La prova riguarda l’intero programma dell’insegnamento e consente di valutare congiuntamente la preparazione teorica, la capacità di analisi e le competenze applicative maturate durante il corso.

Testi di riferimento

È fortemente consigliato prepararsi all’esame integrando i materiali didattici messi a disposizione dal docente con i seguenti testi di riferimento:
Sebastian Raschka, Machine Learning con Python. Costruire algoritmi per generare conoscenza, Apogeo;
François Chollet, Matthew Watson, Deep Learning with Python, Third Edition, Manning Publications.

Il corso ha l’obiettivo di far conseguire i seguenti risultati di apprendimento:
1. CONOSCENZA E CAPACITÀ DI COMPRENSIONE: gli studenti e le studentesse acquisiranno conoscenze relative ai principali paradigmi e metodi del Machine Learning, comprendendo caratteristiche e ambiti di applicazione delle metodologie di apprendimento supervisionato, non supervisionato e per rinforzo. Acquisiranno inoltre conoscenze sui principi fondamentali delle reti neurali artificiali, del Deep Learning e delle reti neurali convoluzionali (CNN).
2. CONOSCENZA E CAPACITÀ DI COMPRENSIONE APPLICATE: gli studenti e le studentesse saranno in grado di applicare metodologie di Machine Learning alla risoluzione di problemi di regressione, classificazione e clustering e di utilizzare tecniche di riduzione della dimensionalità. Saranno inoltre in grado di implementare e addestrare semplici reti neurali e modelli convoluzionali e di utilizzare Python e le principali librerie per il Machine Learning e il Deep Learning.
3. AUTONOMIA DI GIUDIZIO: gli studenti e le studentesse svilupperanno la capacità di selezionare metodologie e modelli appropriati rispetto alle caratteristiche dei dati e al problema considerato, confrontarne le prestazioni e interpretare criticamente i risultati ottenuti, riconoscendo le principali problematiche legate alla generalizzazione e all’addestramento dei modelli.
4. ABILITÀ COMUNICATIVE: gli studenti e le studentesse saranno in grado di utilizzare correttamente la terminologia propria del Machine Learning e del Deep Learning e di descrivere in maniera chiara e rigorosa i principali paradigmi di apprendimento, gli algoritmi e le architetture affrontati durante il corso, nonché le procedure utilizzate per il loro addestramento e la loro valutazione.
5. CAPACITÀ DI APPRENDIMENTO: gli studenti e le studentesse svilupperanno le competenze necessarie per approfondire autonomamente metodologie e strumenti di Machine Learning e Deep Learning, utilizzare la documentazione tecnica delle principali librerie software e applicare le conoscenze acquisite a nuovi dataset e problemi applicativi.

I criteri di valutazione, in linea con i descrittori di Dublino, riguardano:
1. CONOSCENZA E COMPRENSIONE: l’esame finale valuterà il livello di acquisizione dei principi fondamentali del Machine Learning e del Deep Learning, dei principali paradigmi di apprendimento e delle metodologie, degli algoritmi e delle architetture affrontati durante il corso.
2. CONOSCENZA E CAPACITÀ DI COMPRENSIONE APPLICATE: l’esame finale valuterà la capacità di applicare le conoscenze acquisite alla preparazione dei dati e alla scelta, all’implementazione, all’addestramento e alla valutazione di modelli di Machine Learning e Deep Learning, anche attraverso lo svolgimento dell’esercizio di laboratorio in Python.
3. AUTONOMIA DI GIUDIZIO: l’esame finale valuterà la capacità di individuare soluzioni appropriate rispetto al problema considerato, confrontare differenti modelli e strategie e interpretare criticamente i risultati ottenuti.
4. ABILITÀ DI COMUNICAZIONE: l’esame finale valuterà la capacità di utilizzare correttamente la terminologia propria della disciplina e di descrivere in maniera chiara e rigorosa algoritmi, metodologie, procedure di valutazione e risultati.
5. CAPACITÀ DI APPRENDIMENTO: l’esame finale valuterà la capacità di rielaborare autonomamente le conoscenze acquisite e di utilizzarle nell’analisi e nella risoluzione di problemi di Machine Learning e Deep Learning.

La valutazione finale è espressa in trentesimi ed è determinata tenendo conto delle conoscenze teoriche e metodologiche dimostrate nella prova scritta, della capacità di argomentare correttamente le risposte alle domande aperte e delle competenze applicative dimostrate nello svolgimento dell’esercizio di laboratorio. La prova si intende superata con una valutazione pari o superiore a 18/30.

Codice insegnamento 7421

Telecomunicazioni 2° anno · 1° semestre · 9 CFU · ING-INF/03 · 0 file

L'insegnamento di "Telecomunicazioni" si propone di fornire allo studente le competenze tecniche di base nell'ambito dei sistemi di comunicazione, con particolare attenzione agli aspetti analogici del trasferimento…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento di "Telecomunicazioni" si propone di fornire allo studente le competenze tecniche di base nell'ambito dei sistemi di comunicazione, con particolare attenzione agli aspetti analogici del trasferimento dell'informazione. Lo studente acquisirà la capacità di dimensionare dal punto di vista energetico i collegamenti radio e la conoscenza delle principali problematiche connesse alla trasmissione dell'informazione mediante segnali elettrici, elettromagnetici oppure ottici.

L'insegnamento è organizzato in quattro parti. La prima parte richiama e consolida i fondamenti della Teoria dei Segnali necessari al corso: classificazione dei segnali, rappresentazione nel dominio del tempo e della frequenza, serie e trasformata di Fourier, densità spettrale, sistemi lineari tempo-invarianti e campionamento. La seconda parte fornisce una descrizione ad alto livello del mondo delle telecomunicazioni, focalizzandosi sui dispositivi elettronici che costituiscono un sistema di comunicazione a radiofrequenza e ottico, sul canale, sul rumore e sul dimensionamento dei collegamenti. La terza parte, che costituisce il nucleo centrale del corso, è dedicata alla rappresentazione dei segnali in banda passante e alle modulazioni analogiche, sia lineari (di ampiezza) sia non lineari (di frequenza e di fase), con i relativi schemi di ricezione e l'analisi delle prestazioni in presenza di rumore. La quarta parte introduce i fondamenti della Teoria dell'Informazione e i concetti essenziali della trasmissione numerica — capacità di canale, entropia, mutua informazione, regole di decisione e principi delle modulazioni digitali — come naturale estensione della trattazione e come elemento di raccordo con le successive applicazioni orientate all'elaborazione dei dati e all'intelligenza artificiale.

In sintesi, gli obiettivi formativi sono: richiamo e consolidamento dei fondamenti di Teoria dei Segnali (analisi nel dominio della frequenza, sistemi LTI, campionamento); presentazione dei principali aspetti di un sistema di telecomunicazione; descrizione qualitativa e quantitativa del disturbo (rumore) presente nei dispositivi elettronici; descrizione delle equazioni di dimensionamento di un canale radio; rappresentazione dei segnali in banda passante e loro demodulazione; presentazione delle principali tecniche di modulazione analogica (di ampiezza, di fase e di frequenza) e dei relativi schemi di ricezione; introduzione ai fondamenti della Teoria dell'Informazione e ai principi essenziali della modulazione numerica.

Programma

MODULO 1 – Introduzione ai sistemi di telecomunicazione (10 ore)
La trasmissione dell'informazione. Tipi di informazione. Il canale di comunicazione. Cenni storici. Schemi di comunicazione (trasmissione analogica e digitale). Linee di trasmissione. Ponti radio (Link Budget) ed equazione radar. Il rumore. Cifra di rumore. Amplificatori e attenuatori. Cascata di sistemi. Include esercitazioni.

MODULO 2 – Rappresentazione dei segnali in banda passante (4 ore)
Segnali passa-banda. Segnale analitico e inviluppo complesso. La trasformata di Hilbert e il filtro di Hilbert. Stima di modulo e fase in banda passante. Sistemi passa-banda. Processi aleatori passa-banda.

MODULO 3 – Modulazioni analogiche (20 ore)
Modulazioni di ampiezza: DSB-AM, DSB-SC-AM, SSB-AM, VSB-AM. Multiplexing a divisione di frequenza (FDM). Modulazioni angolari: FM e PM. Demodulatore ad aggancio di fase (PLL). Ricevitore supereterodina. Analisi del rumore nelle modulazioni analogiche e confronto delle prestazioni. Include esercitazioni.

MODULO 4 – Fondamenti di Teoria dell'Informazione e trasmissione numerica (12 ore)
Introduzione alla Teoria dell'Informazione: informazione, entropia e mutua informazione. Codifica di sorgente e codici decifrabili. Canale discreto di comunicazione e capacità di canale. Canale additivo gaussiano. Spazio dei segnali ed elementi di rilevazione: regole di decisione MAP e ML, filtro adattato. Cenni alle modulazioni numeriche in banda base (PAM) e in banda passante (ASK, PSK, QAM, FSK): principi di funzionamento, schema di ricezione e considerazioni sulla probabilità di errore. Include esercitazioni.

Prerequisiti: Nell'ambito del corso di studio non sono previste propedeuticità obbligatorie. Tuttavia, lo studente che intende affrontare il presente insegnamento deve possedere una buona padronanza delle seguenti discipline scientifiche: Teoria della Probabilità; Processi stocastici; Fisica II. È utile anche una conoscenza di base della Teoria dei Segnali: i suoi elementi essenziali (rappresentazione dei segnali, serie e trasformata di Fourier, analisi nel dominio della frequenza, sistemi lineari tempo-invarianti, campionamento) vengono comunque richiamati e consolidati nella parte iniziale del corso, così da rendere l'insegnamento fruibile anche a studenti privi di un esame dedicato ai segnali.

Più in dettaglio, l'insegnamento richiede una buona padronanza degli strumenti dell'analisi matematica, della geometria, della Teoria della Probabilità e della caratterizzazione dei segnali deterministici e aleatori. In particolare, lo studente deve essere in grado di usare strumenti quali il calcolo integrale multidimensionale, i limiti, le successioni e le serie di funzioni, il calcolo vettoriale e matriciale, il calcolo delle probabilità e la caratterizzazione statistica dei processi stocastici, la trasformata e le serie di Fourier.

Metodi didattici: L'insegnamento eroga 54 ore di lezione (comprensive di alcune esercitazioni), corrispondenti a 9 CFU e a un carico complessivo di almeno 225 ore da parte dello studente. La didattica si sviluppa attraverso lezioni ed esercitazioni, dispense e altre risorse didattiche di supporto disponibili in piattaforma. Si raccomanda di affiancare allo studio delle dispense la consultazione del testo di riferimento principale.

Il carico di studio comprende almeno le seguenti componenti: le ore dedicate allo studio delle lezioni e delle esercitazioni; le ore di didattica interattiva sul forum (aula virtuale), mirate allo svolgimento di esercizi proposti dal docente su specifiche parti del programma; le ore di studio individuale sulle dispense e sul testo di riferimento.

Le esercitazioni e gli esercizi proposti dal docente, sia finali sia transitori (attività interattive), mirano a far acquisire allo studente le capacità analitiche per risolvere i problemi relativi ai sistemi di comunicazione, con la dovuta proprietà di linguaggio tecnico e la capacità di applicare gli strumenti teorici adeguati; tali attività sono raccomandate ai fini di un proficuo svolgimento dell'esame. Sono inoltre proposti esercizi finali di autovalutazione, di tipo asincrono, consistenti in tracce d'esame che aiutano lo studente a valutare il livello di preparazione raggiunto. La didattica si avvale infine di strumenti sincroni, quali il ricevimento in web-conference e le chat disponibili in piattaforma, che consentono un'interazione in tempo reale con gli studenti iscritti.

Modalità d'esame

L'esame consiste nello svolgimento di una prova scritta, tesa ad accertare le capacità di analisi, la proprietà di linguaggio e la capacità di applicazione dei concetti acquisiti. La prova scritta si compone di 3 esercizi, di natura sia teorica sia applicativa, che riguardano l'intero programma dell'insegnamento, da svolgere in 90 minuti. Ogni esercizio ha uguale dignità e pertanto un voto massimo pari a 10, per un totale di 30 punti. Particolare attenzione, nella valutazione delle risposte, è riservata alla capacità dello studente di rielaborare, applicare e presentare con proprietà di linguaggio il materiale trattato, maturata a valle dello svolgimento delle attività interattive.

Testi di riferimento

Materiali didattici a cura del docente (dispense e altre risorse di supporto), disponibili in piattaforma.

Conoscenza e capacità di comprensione. Lo studente conoscerà i metodi di trasmissione dell'informazione, con particolare riferimento ai sistemi analogici e ai fondamenti di quelli numerici, e gli strumenti per la rappresentazione dei segnali, anche in banda passante.

Applicazione della conoscenza. Lo studente saprà dimensionare i collegamenti radio, valutare le caratteristiche spettrali dei segnali, analizzare le prestazioni delle modulazioni analogiche in presenza di rumore e costruire codici prossimi all'entropia di sorgente.

Autonomia di giudizio. Lo studente saprà interpretare i risultati delle analisi per individuare gli interventi necessari a ottenere i risultati richiesti.

Abilità comunicative. Lo studente saprà esprimere le conoscenze tecniche acquisite con linguaggio scientifico corretto e privo di ambiguità.

Capacità di apprendere. Lo studente saprà utilizzare le conoscenze acquisite per affrontare nuove tematiche legate alle telecomunicazioni.

La valutazione della prova scritta accerta il raggiungimento dei risultati di apprendimento attesi sulla base dei seguenti criteri: capacità di analisi dei problemi relativi ai sistemi di comunicazione; correttezza e completezza nella risoluzione degli esercizi, teorici e applicativi; capacità di applicare gli strumenti teorici adeguati; proprietà di linguaggio tecnico nell'esposizione.

Il voto finale è espresso in trentesimi. La prova scritta si compone di 3 esercizi, ciascuno con voto massimo pari a 10 punti; il voto finale è dato dalla somma dei punteggi conseguiti nei tre esercizi (massimo 30/30). La prova si intende superata con un punteggio complessivo di almeno 18/30. La lode è attribuita allo studente che, oltre alla completa correttezza, dimostri particolare padronanza, autonomia di giudizio e chiarezza espositiva.

Codice insegnamento 4882

Economia E Organizzazione Aziendale 3° anno · 1° semestre · 6 CFU · IEGE-01/A · 0 file
Archivio Globale
Elettronica 3° anno · 2° semestre · 6 CFU · IINF-01/A · 0 file
Fondamenti Di Reti E Internet 3° anno · 1° semestre · 9 CFU · IINF-03/A · 0 file
Insegnamenti A Scelta/Elective Modules 3° anno · Annuale · 12 CFU · 0 file
Laboratorio Di Ingegneria Informatica 3° anno · 1° semestre · 6 CFU · 0 file
Modelli E Applicazioni Avanzate Dell’Intelligenza Artificiale 3° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file
Prova Finale 3° anno · 2° semestre · 3 CFU · 0 file
Sistemi Infomativi 3° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file
Tirocinio 3° anno · Annuale · 6 CFU · 0 file
Lingua Inglese 2° semestre · 3 CFU · 0 file

Recensioni del corso

Studi qui? Accedi per lasciare la tua recensione e aiutare altri studenti a scegliere.

★

Nessuna recensione per ora — e la prima è la più preziosa. Condividi la tua esperienza e orienta le future matricole.