TRASFORMAZIONE DIGITALE

Tipo esame: Orale - Valutazione: Voto Finale - Frequenza: Non obbligatoria

• conoscenze e competenze interdisciplinari in settori delle scienze dell'informazione, matematiche, statistiche per l’analisi dei dati • applicare modelli matematico/statistici per la modellazione e la predizione • capacità di sfruttare in modo efficace la propria formazione trasversale e ideare soluzioni innovative in contesti applicativi non convenzionali • assumere decisioni autonome in progetti anche di grandi dimensioni, nonché di partecipare attivamente alle responsabilità • saper comunicare con chiarezza le metodologie utilizzate e i risultati ottenuti

Richiami di algebra lineare. Matrici. Vettori. Autovalori ed autovettori. Determinante di una matrice. Rango di una matrice. Approssimazione low-rank. Decomposizione ai valori singolari. PCA. Decomposizione CUR. Approssimazione ai minimi quadrati. La retta di regressione. Fattorizzazione QR. Approssimazione polinomiale ai minimi quadrati. Algoritmi di Clustering e di classificazione. Elementi di teoria dei grafi. Metodi numerici per il calcolo del Ranking dei nodi nelle reti sociali. PageRank. HITS. Salsa. Casi di studio.

L’esame prevede una prova orale e la discussione di un elaborato progettuale (opzionale) che intendono verificare la capacità di descrivere le metodologie numeriche per il trattamento e l’analisi di grandi quantità di dati e di risolvere problemi in relazione alla capacità di sintetizzare ed integrare gli argomenti trattati nel corso verificando il livello di comprensione dell’argomento e l’utilizzo della terminologia appropriata.

L.Elden, Matrix methods in Data Mining and Pattern Recognition, SIAM 2007. A. Quarteroni, F. Saleri, Introduzione al Calcolo Scientifico, Springer-Verlag 2006.

Tipo esame: Orale - Valutazione: Voto Finale - Frequenza: Non obbligatoria

Tipo esame: Orale - Valutazione: Voto Finale - Frequenza: Non obbligatoria

Tipo esame: Orale - Valutazione: Voto Finale - Frequenza: Non obbligatoria

Tipo esame: Orale - Valutazione: Voto Finale - Frequenza: Non obbligatoria

Prova finale

Tipo esame: Orale - Valutazione: Voto Finale - Frequenza: Non obbligatoria

Stage interno

Tipo esame: Orale - Valutazione: Giudizio Finale - Frequenza: Non obbligatoria

• comprendere gli strumenti per abilitare e accelerare l'innovazione digitale all’interno delle organizzazioni • conoscenze e competenze interdisciplinari in settori delle scienze dell'informazione, matematiche, statistiche per l’analisi dei dati • conoscenze e competenze di intelligenza artificiale e machine learning per l'estrazione di conoscenza da fonti di dati strutturate e non strutturate • conoscenze e competenze di metodi e tecniche per l’elaborazione del linguaggio naturale • conoscenze e competenze di sistemi di supporto alle decisioni • ideare e formalizzare una soluzione algoritmica per un problema risolvibile attraverso un calcolatore • saper scegliere la soluzione algoritmica con il miglior rapporto costi/benefici • elaborare, attraverso un calcolatore, testi scritti in linguaggio naturale • raccogliere, organizzare e gestire grandi volumi di dati • estrarre conoscenza da fonti di dati strutturate e non strutturate • utilizzare algoritmi e modelli di machine learning per implementare modelli di predizione • capacità di progettare e condurre indagini analitiche, attraverso l'uso di modelli e sperimentazioni anche complesse, sapendo valutare criticamente i dati ottenuti e trarre conclusioni • capacità di indagare l'applicazione di nuove tecnologie in settori nativamente non digitali • capacità di sfruttare in modo efficace la propria formazione trasversale e ideare soluzioni innovative in contesti applicativi non convenzionali • assumere decisioni autonome in progetti anche di grandi dimensioni, nonché di partecipare attivamente alle responsabilità di decisione in contesti multidisciplinari • saper lavorare in gruppo • saper comunicare con chiarezza le metodologie utilizzate e i risultati ottenuti • saper argomentate e difendere le proprie scelte conservando uno spirito critico e investigativo, al contempo aperto verso possibili soluzioni alternative

Introduzione e richiami di Python: Introduzione a Python, Concetti sintattici fondamentali, Strutture dati in Python, Principi di OOP in Python, Script, moduli e librerie, Introduzione a NumPy, Operazioni in NumPy, Tool per la visualizzazione di dati, Pandas Apprendimento automatico: Introduzione al machine learning, Introduzione a Scikit Learn, Definizione del problema, Preparazione dei dati, Regressione lineare, Regressione logistica, Classificatori e regressori, Metriche, Clustering, Concetti di ML, PCA, Scikit Learn Tips & Tricks, Reti neurali, Convolutional Neural Networks, Autoencoder, Object detection, Recurrent Neural Networks, cenni di Explainability.

Saper programmare e avere nozioni di calcolo delle probabilità e statistica

Lezioni ed esercitazioni

L’esame potrà essere svolto, a richiesta degli studenti, in una delle seguenti modalità: - prova orale riguardante la parte teorica ed un quesito di programmazione python inerente le tematiche svolte durante il corso; - discussione di un tema d’anno a scelta dello studente, concordato preventivamente con il docente e riguardante un’applicazione pratica degli argomenti affrontati a lezione.

• Artificial Intelligence: A Modern Approach (Stuart Russell and Peter Norvig); • Machine Learning - A probabilistic approach (Kevin P. Murphy); • Dispense del docente; • Implementazione di algoritmi in Python

-Introduzione ai fondamenti dell’Apprendimento per Rinforzo (Reinforcement Learning, RL) e al problema decisionale sequenziale. -Analisi della struttura di un agente RL e delle principali problematiche dell’apprendimento basato sull’interazione con l’ambiente. -Studio dei Processi di Markov, dei Markov Reward Processes e dei Markov Decision Processes (MDP), incluse le principali estensioni. -Presentazione dei metodi di valutazione e ottimizzazione delle policy: policy evaluation, policy iteration e value iteration. -Introduzione ai principali algoritmi model-free: metodi Monte Carlo, apprendimento a differenza temporale (TD), controllo on-policy e off-policy. -Analisi dei metodi incrementali e batch. -Studio dei metodi basati sul gradiente della policy: policy gradient Monte Carlo e Actor-Critic. -Introduzione all’apprendimento per rinforzo basato sul modello, alla ricerca basata sulla simulazione e al problema dei k-armed bandits.

• Introduzione all’Apprendimento per Rinforzo e formulazione del problema RL. - Struttura di un agente di Reinforcement Learning e principali criticità. - Processi di Markov (MP), Markov Reward Processes (MRP) e Markov Decision Processes (MDP). - Estensioni dei MDP. - Valutazione delle policy e metodi di programmazione dinamica: - policy evaluation, - policy iteration, - value iteration. - Metodi Monte Carlo per la valutazione e il controllo. - Apprendimento a differenza temporale (Temporal-Difference learning). - Metodi on-policy e off-policy. - Metodi incrementali e batch. - Metodi basati sul gradiente della policy: - differenze finite, - policy gradient Monte Carlo, - architetture Actor-Critic. - Apprendimento per rinforzo basato sul modello. - Architetture integrate e ricerca basata sulla simulazione. - Problema dei k-armed bandits.

-Conoscenze di base di matematica (calcolo e algebra lineare) -Nozioni fondamentali di probabilità. -Programmazione di base in un linguaggio ad alto livello (es. Python)

Lezioni videoregistrate

Prova scritta costituita da domande a risposta aperta ed esercizi

1.Lecture notes 2. Plaat, A. "Deep Reinforcement Learning". Springer Nature Singapore, 2022. ISBN: 978-981-19-0638-1.

• comprendere gli strumenti per abilitare e accelerare l'innovazione digitale all’interno delle organizzazioni • conoscenze e competenze interdisciplinari in settori delle scienze dell'informazione, matematiche, statistiche per l’analisi dei dati • conoscenze e competenze per la progettazione e manutenzione di una base di dati e un sistema informativo • sapere realizzare e manutenere una base di dati e un sistema informativo • trattare dati in accordo con la normativa sulla privacy • capacità di sfruttare in modo efficace la propria formazione trasversale e ideare soluzioni innovative in contesti applicativi non convenzionali • saper lavorare in gruppo • saper argomentate e difendere le proprie scelte conservando uno spirito critico e investigativo, al contempo aperto verso possibili soluzioni alternative

Approccio tradizionale alla modellazione di dati: diagrammi E/R, modello relazionale. Modello concettuale di una base di dati Modello logico: il modello relazionale ed i suoi elementi. Le varie forme di normalizzazione e i metodi di identificazione e di semplificazione delle relazioni. Algebra e calcolo relazionale. Il linguaggio SQL per Relational Data Base Management System (RDBMS) SQL e sue caratteristiche evolute, Transazioni (Commit e Rollback, Proprietà ACID delle transazioni). Lo sviluppo delle applicazioni con accesso a database. Architetture per l'analisi dei dati, Architettura di un Data Warehouse, Rappresentazione multidimensionale dei dati, Il processo di Data Mining. Database NoSQL, Caratteristiche e principali implementazioni, Database basati sul modello a grafo: Neo4j, Cloud databases, Firebase.

La prova riguarda tutti gli argomenti presentati nel corso e richiede di dimostrare la capacità di applicare gli strumenti e le tecniche descritte. Requisiti minimi per il superamento dell’esame sono la capacità di progettare ed utilizzare tabelle di un database attraverso i linguaggi di interrogazione.

Basi di Dti, P. Atzeni, S. Ceri, P. Fraternali, S. Paraboschi, R. Torlone, IV Edizione. McGraw Hill Education, 2014. Agile Database Techniques, Effective Strategies for the Agile Software Developer, S. Ambler, John Wiley & Sons

• conoscenze e competenze interdisciplinari in settori delle scienze dell'informazione, matematiche, statistiche per l’analisi dei dati • applicare modelli matematico/statistici per la modellazione e la predizione • capacità di progettare e condurre indagini analitiche, attraverso l'uso di modelli e sperimentazioni anche complesse, sapendo valutare criticamente i dati ottenuti e trarre conclusioni • capacità di sfruttare in modo efficace la propria formazione trasversale e ideare soluzioni innovative in contesti applicativi non convenzionali • assumere decisioni autonome in progetti anche di grandi dimensioni, nonché di partecipare attivamente alle responsabilità di decisione in contesti multidisciplinari • saper comunicare con chiarezza le metodologie utilizzate e i risultati ottenuti

Esperimenti casuali. Frequenza assoluta e frequenza relativa. Spazi campione finiti. Definizione assiomatica di probabilità. Elementi di calcolo combinatorio. Principi di moltiplicazione e di addizione. Permutazioni, combinazioni e disposizioni. Probabilità condizionata. Il teorema della probabilità totale. Teorema di Bayes. Eventi indipendenti. Variabili aleatorie discrete e continue. Distribuzione binomiale. Distribuzione uniforme. La funzione distribuzione di probabilità. La funzione cumulativa di distribuzione di probabilità. Valore atteso di una variabile aleatoria e relative proprietà. Funzioni di variabile aleatoria. Varianza di una variabile aleatoria e relative proprietà. Covarianza. Coefficiente di correlazione. Disuguaglianza di Chebyshev. Legge dei grandi numeri. Distribuzione di Poisson. Valore atteso e varianza della distribuzione di Poisson. Distribuzione Gaussiana o Normale e Normale Standard. Valore atteso e varianza della distribuzione Normale. Approssimazione di Laplace-DeMoivre. Il teorema del limite centrale. Elementi di statistica descrittiva. Campioni di dati. Istogrammi e diagramma delle frequenze. Moda di un istogramma. Diagrammi a torta. Diagramma ramo-foglia. Percentili di un campione. Interquartile Range (IQR). Diagramma Box-Plot. Diagramma Quantile-Quantile. Elementi di inferenza statistica. Campione casuale. Media e Varianza di un campione. Deviazione standard di un campione. Stima dei parametri di un campione. Stime di massima verosimiglianza. Intervalli di confidenza per media e varianza.

Conoscenze di base per la progettazione di algoritmi e per la relativa codifica in un linguaggio di programmazione. Fondamenti del funzionamento di un sistema informatico di base.

L’esame prevede una prova scritta ed una orale (opzionale) che intendono verificare la capacità di risolvere esercizi e le conoscenze dello studente in relazione alla capacità di sintetizzare ed integrare gli argomenti trattati nel corso verificando il livello di comprensione dell’argomento e l’utilizzo della terminologia appropriata.

1. D. Levine, T. Krehbiel, M. Berenson, Statistica, Apogeo 2. S. Ross, Probabilità e Statistica per l'Ingegneria e le Scienze, Apogeo

• conoscenze e competenze sui principi giuridici inerenti alla privacy e al trattamento dei dati personali, con particolare riferimento al diritto di Internet • trattare dati in accordo con la normativa sulla privacy e accesso ai documenti amministrativi • assumere decisioni consapevoli in progetti, anche di grandi dimensioni, nonché di partecipare attivamente alle responsabilità di decisione in contesti multidisciplinari • capacità di interagire su argomenti e tematiche disciplinari e interdisciplinari, anche a livelli avanzati di conoscenza

Le fonti del diritto. L’atto amministrativo globale (informatizzato). Nozione di dato “trattabile”, espressione del consenso e accessibilità dell’atto. Profilazione del dato personale e pseudonimizzazione: le forme di trattamento c.d. automatizzato. Responsabile della protezione dei dati personali e ruolo assolto nella interlocuzione con il Garante. DPO e posizione assunta nei gangli di Amministrazioni pubbliche e aziende. Gli accessi declinati dalla legge 241 nelle più recenti riscritture. Strumentalità dell’accesso e tutela del dato personale (anche reddituale). Dati sanitari, diritto alla riservatezza e nuove tematiche legate alla pandemia: l’attuale “esibizione del “green pass”. La nuova amministrazione digitale, la circolazione dei dati e la ostensione degli stessi. Privacy, dati sensibili e “super sensibili”. I rapporti tra privacy e situazioni giuridiche soggettive. Accesso civico e accesso “generalizzato”: rapporti e interazioni con la riservatezza. Tutele costituzionali e diritto all’oblio nella vigenza della trasparenza dell’azione amministrativa.

Lezioni frontali, seminari di approfondimento e anali di casi.

L’esame è svolto in forma orale e prevede circa 3 o 4 domande, e dura complessivamente 20 minuti. Le domande saranno rivolte a verificare i risultati dell’apprendimento. In tutti i casi è valutata sia la comprensione delle singole parti del programma, sia la capacità di analisi e di sintesi, nonché la chiarezza espositiva e l’abilità nell’uso del linguaggio tecnico giuridico.

Intelligenza artificiale e diritto: una rivoluzione?, a cura di A. Pajno - F. Donati - A. Perrucci, Il Mulino, 2022. Limitatamente alle seguenti parti del testo: parte I - capitoli I; parte II - capitolo III; parte III - capitolo VIII, X e XIV.

conoscenze e competenze relative a metodologie ed approcci per il supporto alle decisioni; acquisisce conoscenze e competenze relative a tecniche di machine learning acquisisce conoscenze e competenze relative a metodologie e tecniche di deep reinforcement learning acquisisce conoscenze e competenze relative a tecniche di additive manufacturing. Lo studente è in grado di: - acquisire la metodologia per formulare problemi decisionali complessi - utilizzare strumenti software per risolvere problemi di ottimizzazione - utilizzare strumenti software per machine learning, deep reinforcement learning e additive manufacturing.

Concetti di base sui problemi di decisione: criteri singoli e multipli, a singolo o multi obiettivo, mono o multi attoriale, in condizioni di certezza o incertezza. Strumenti di formulazione e soluzione dei problemi come Excel and Matlab. Strumenti per soluzioni applicative di machine learning e deep reinforcement learning. Esercitazioni numeriche con l’ausilio del calcolatore - Esercizi di formulazione e soluzione di problemi decisionali (software di riferimento Excel - Matlab). Machine learning e deep reinforcement learning (sw Toolbox di Matlab e Simulink). Grass

Fondamenti di informatica e programmazione, Automazione industriale

L'esame verterà sulla discussione di un elaborato progettuale

1. “Appunti del corso” 2. Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction. MIT press.

• comprendere gli strumenti per abilitare e accelerare l'innovazione digitale all’interno delle organizzazioni • conoscenze e competenze interdisciplinari in settori delle scienze dell'informazione, matematiche, statistiche per l’analisi dei dati • conoscenze e competenze comunicative nell'ambito della lingua inglese • saper scegliere la soluzione algoritmica con il miglior rapporto costi/benefici • usare i linguaggi di programmazione appartenenti a diversi paradigmi per la codifica di un algoritmo • applicare soluzioni informatiche a casi di studio reali in contesti anche aziendali • capacità di progettare e condurre indagini analitiche, attraverso l'uso di modelli e sperimentazioni anche complesse, sapendo valutare criticamente i dati ottenuti e trarre conclusioni • saper redigere report e relazioni tecniche • saper lavorare in gruppo • saper comunicare con chiarezza le metodologie utilizzate e i risultati ottenuti

Ciclo di vita del software Analisi (analisi dei requisiti, del dominio, fattibilità, costi) e progettazione (architettura e progetto di dettaglio) Implementazione, Test e Debugging Manutenzione

Saper programmare

L’esame prevede la realizzazione di un progetto da svolgere in gruppo basato su casi di studio reali che vedranno il coinvolgimento delle aziende.

Carlo Ghezzi, Medhi Jazayeri, Dino Mandrioli, “Ingegneria del Software, Fondamenti e Principi” Pearson.

Conoscenza approfondita della pila protocollare TCP/IP Conoscenza degli strumenti di configurazione degli apparati di networking Conoscenza delle tecniche base di programmazione di applicazioni in rete Capacità di analizzare gli elementi alla base di una infrastruttura di rete Capacità di utilizzare un corretto linguaggio tecnico scientifico Capacità di progettare una semplice infrastruttura di rete con riferimento ai primi tre livelli della pila protocollare TCP/IP

• Hardware degli apparati di networking; operazioni di base - Switching e VLAN - Routing - Programmazione di applicazioni telematiche - Programmazione di applicazioni client-server

Networking protocols.

La verifica dell’apprendimento è effettuata attraverso l’osservazione diretta delle esperienze di laboratorio, un questionario a risposte multiple eseguito alla fine del corso e tramite una prova orale teorico-pratica finalizzata ad accertare il livello di conoscenza e capacità di comprensione raggiunto dallo Studente sui contenuti teorici e pratici forniti nel corso. La prova orale consente inoltre di verificare la capacità di comunicazione dello Studente con proprietà di linguaggio ed organizzazione autonoma dell'esposizione. Contenuti minimi: conoscenze dei principi base di configurazione degli apparati di rete; capacità di programmare applicazioni semplici client-server.

• J. F. Kurose, K. W. Ross, Computer Networking: a top-down approach, VI ed., Pearson • Pattavina, Reti di Telecomunicazione, Networking e Internet, McGraw-Hill. • S. Gai, P. L. Montessoro, P. Nicoletti, Reti Locali, dal cablaggio all’internetworking, Scuola Superiore G. Reiss Romoli.

Il corso è indirizzato agli studenti principianti o con livello medio di conoscenza della lingua inglese. L’obiettivo finale sarà il potenziamento delle capacità di comprendere, esprimersi e comunicare il L2 ad un livello B2.

Lezioni Teoriche e Pratiche Past Habit: used to Verb patterns: make/let; say/tell/ask; manage; start; begin; forget; decide; need; try Present Perfect Continuous: How long have you been living in Bari? Obligation and Advice: have (got) to/must/should First Conditional/Second/Third Conditional Passive Voice Reported Speech Hot verbs: do/make; get; take False Friends: control v. check; sensitive v. sensible Noun/Verb Collocation: go - abroad; have - breakfast Word Formation: suffixes: drink - drinker

Gli studenti devono avere delle conoscenze di base ad un livello B1

The communicative approach, also known as communicative language teaching (CLT)

Communicative approach

English Grammar in Use, Murphy, Cambridge

• conoscenze e competenze interdisciplinari in settori delle scienze dell'informazione, matematiche, statistiche per l’analisi dei dati • applicare modelli matematico/statistici per la modellazione e la predizione • capacità di sfruttare in modo efficace la propria formazione trasversale e ideare soluzioni innovative in contesti applicativi non convenzionali • assumere decisioni autonome in progetti anche di grandi dimensioni, nonché di partecipare attivamente alle responsabilità • saper comunicare con chiarezza le metodologie utilizzate e i risultati ottenuti

Richiami di algebra lineare. Matrici. Vettori. Autovalori ed autovettori. Determinante di una matrice. Rango di una matrice. Approssimazione low-rank. Decomposizione ai valori singolari. PCA. Decomposizione CUR. Approssimazione ai minimi quadrati. La retta di regressione. Fattorizzazione QR. Approssimazione polinomiale ai minimi quadrati. Algoritmi di Clustering e di classificazione. Elementi di teoria dei grafi. Metodi numerici per il calcolo del Ranking dei nodi nelle reti sociali. PageRank. HITS. Salsa. Casi di studio.

L’esame prevede una prova orale e la discussione di un elaborato progettuale (opzionale) che intendono verificare la capacità di descrivere le metodologie numeriche per il trattamento e l’analisi di grandi quantità di dati e di risolvere problemi in relazione alla capacità di sintetizzare ed integrare gli argomenti trattati nel corso verificando il livello di comprensione dell’argomento e l’utilizzo della terminologia appropriata.

L.Elden, Matrix methods in Data Mining and Pattern Recognition, SIAM 2007. A. Quarteroni, F. Saleri, Introduzione al Calcolo Scientifico, Springer-Verlag 2006.

• conoscenze e competenze per lo sviluppo del pensiero computazionale e della programmazione con differenti paradigmi • comprendere gli strumenti per abilitare e accelerare l'innovazione digitale all’interno delle organizzazioni • conoscenze e competenze interdisciplinari in settori delle scienze dell'informazione, matematiche, statistiche per l’analisi dei dati • ideare e formalizzare una soluzione algoritmica per un problema risolvibile attraverso un calcolatore • saper scegliere la soluzione algoritmica con il miglior rapporto costi/benefici • capacità di sfruttare in modo efficace la propria formazione trasversale e ideare soluzioni innovative in contesti applicativi non convenzionali • assumere decisioni autonome in progetti anche di grandi dimensioni, nonché di partecipare attivamente alle responsabilità di decisione in contesti multidisciplinari • saper comunicare con chiarezza le metodologie utilizzate e i risultati ottenuti • essere in grado di comunicare efficacemente in inglese

Mod. A) Rappresentazione dell’informazione. Definizione di messaggio e misura dell’informazione. Sistemi numerici non posizionali. Sistemi numerici posizionali. Codici numerici ed alfanumerici. Aritmetica del computer. Da analogico a digitale. Cenni di algebra booleana. Algebra di Boole, diagrammi di Venn, funzioni booleana. Algoritmi. Definizione, caratteristiche. Pianificazione e progettazione. Rappresentazione. Operazioni fondamentali. Teorema di Jacopini- Böhm. Diagrammi di flusso. Analisi strutturata. Sviluppo top down e bottom-up. Architettura dei calcolatori. Panoramica storica. Schema e funzionamento delle architetture: Von Neumann, Bus. Tipi di computer. Principali componenti di un PC. Software di sistema e sistemi operativi. Cos’è un sistema operativo (macchina estesa o gestore di risorse). Storia dei sistemi operativi. Nozioni sui S.O. Esempi di progettazione e codifica di semplici algoritmi. Introduzione agli array ed operazioni con array. Progettazione e codifica di programmi modulari. Mod. B) Teoria della programmazione orientata agli oggetti e complessità computazionale differenze tra paradigmi di programmazione. Variabili, Namespace, Naming, Assegnazione, Assegnazione multipla, Duck-Typing, Notazione Ungherese, tipi di operatori, Corto circuiti, Confronti concatenati, Operatore is, Modulo random. Obiettivi della programmazione orientata agli oggetti, Principi e caratteristiche OOP, Programmazione procedurale e modulare, Oggetti, attributi e metodi, Classi, Diagramma delle classi UML. Costruttori e Distruttori. Polimorfismo, Overloading vs Overriding, Operator Overloading. Incapsulamento, Variabili, locali, nonlocali e globali. Sottoclassi, Ereditarietà e Gerarchie, Composizione, ereditarietà multipla. Interfacce, Abstract Base Classes. Implementation Inheritance vs Interface Inheritance

L’esame prevede una prova scritta e una prova pratica che intendono verificare la capacità di progettare algoritmi, di risolvere esercizi e le conoscenze dello studente in relazione alla capacità di sintetizzare ed integrare gli argomenti trattati nel corso verificando il livello di comprensione dell’argomento e l’utilizzo della terminologia appropriata.

Sciuto, Buonanno, Mari. Introduzione ai sistemi informatici. McGraw Hill. Walter Savitch. Programmazione di base e avanzata con Java. Ediz. Mylab. Pearson.

Conoscenza delle principali architetture di reti di telecomunicazioni Conoscenza della pila protocollare TCP/IP Capacità di analisi degli elementi di una rete Capacità di usare un corretto linguaggio tecnico scientifico. Capacità di progettare una semplice rete IP

• Introduzione generale alle reti di telecomunicazione. Modello a strati per protocolli di rete. Pila ISO/OSI e TCP/IP. (1 CFU) - Livello di trasporto e protocolli UDP e TCP. Controllo di congestione e di flusso. (1 CFU) - Protocollo IP e indirizzamento. Instradamento e protocolli di routing. RIP, OSPF, cenni su BGP. (2 CFU) - Protocolli di linea ARQ. Protocolli HDLC e PPP. Protocolli ad accesso multiplo casuale. (1 CFU) - Architettura generale di reti LAN e standard IEEE 802. Protocollo IEEE 802.3. Reti wireless e standard 802.11. (1 CFU)

La verifica dell’apprendimento è stabilita tramite una prova orale finalizzata ad accertare il livello di conoscenza e capacità di comprensione raggiunto dallo studente sui contenuti teorici e metodologici indicati nel programma. La prova orale consente inoltre di verificare la capacità di comunicazione dello studente con proprietà di linguaggio ed organizzazione autonoma dell'esposizione.

1) J. F. Kurose, K. W. Ross, Computer Networking: a top-down approach, VI ed., Pearson, 2013. 2) Behrouz A. Forouzan, Data Communications and Networking, McGraw-Hill, 2012 3) J. Walrand, P. Varaiya, High-Performance Communication Networks- Second edition, Morgan Kaufmann Publishers, 2000. 4) W. R. Stevens, TCP/IP Illustrated, Volume 1, Addison-Wesley, 1994.

Conoscenza e capacità di comprensione - conoscenze e competenze relative a metodi e tecniche di Interazione Uomo-Macchina con particolare riferimento all’esperienza utente - conoscenza relativa a tecnologie delle applicazioni 3D Capacità di applicare conoscenza e comprensione - saper impiegare tecniche e strumenti propri dell’Interazione Uomo-Macchina nella progettazione di applicazioni interattive - saper creare applicazioni 3D attraverso l’uso di strumenti di programmazione avanzati e professionali Autonomia di giudizio - capacità di gestione delle problematiche relative alla creazione di applicazioni interattive Abilità comunicative: - saper redigere report e relazioni tecniche - saper lavorare in gruppo - saper comunicare con chiarezza le metodologie utilizzate nella realizzazione di applicazioni 3D e i risultati ottenuti Capacità di apprendimento: - avere le capacità di apprendere nuove conoscenze scientifiche nell'area delle tecnologie digitali - avere le capacità di studiare e valutare autonomamente un problema e le sue possibili soluzioni

Fondamenti dell'interazione uomo-computer Interaction Design e Human-Centred Design User experience Modello di interazione Norman Principi di dialogo Analisi dei requisiti Prototipi Valutazione euristica Studi sull'utente Visualizzazione delle informazioni Intelligenza Artificiale Centrata sull'Uomo Brain-Computer Interfaces Modellazione 3d con Unity Scripting C# Shader, materiali e texture Fisionomia negli ambienti 3D Rigging e skinning Animazioni Interfacce utente 3D Introduzione all'AR/VR Compilazione di applicazioni 3D

L'insegnamento è strutturato in lezioni frontali, che incoraggiano l'interazione e la partecipazione attiva degli studenti. Sono previste anche attività di laboratorio. È previsto l'uso di tecnologie digitali per lo svolgimento delle lezioni e delle esercitazioni.

Le date degli appelli sono rese disponibili su Esse3 non appena il docente viene abilitato a farlo. Il periodo di prenotazione termina una settimana prima. L’esame consiste di una prova di verifica della teoria e di una prova pratica (caso di studio) da svolgere in gruppi di 2-4 studenti. Prova teorica La prova di verifica della teoria consisterà in un’interrogazione orale (o, in caso di molti iscritti all’appello, di una traccia contenente domande a cui rispondere per iscritto). La prova di verifica della teoria riceve un voto espresso in trentesimi. Prova pratica Durante il corso, il docente propone un elenco di casi di studio. Anche se fortemente sconsigliato, gli studenti possono proporre un caso di studio diverso da quelli proposti in cui dimostrano di essere in grado di applicare correttamente il processo Human-Centred a un caso di studio (per esempio, progettazione user-centred di un sistema interattivo, valutazione di un sito web, etc). Il caso di studio verrà presentato da tutti i componenti del gruppo nell’appello in cui sosterrà la prova di verifica della teoria il primo componente del gruppo. La presentazione avrà una durata di circa 15 minuti e sarà coadiuvata dall’uso di slides (una decina circa). La documentazione che descrive il caso di studio va consegnata (usando un qualunque canale: email, WeTransfer, link dropbox, etc) non più tardi di 3 giorni prima la data dell’appello. La prova di verifica della teoria riceve un voto espresso in trentesimi. A seconda della difficoltà o della qualità della realizzazione, i casi di studio proposti dal docente permettono di guadagnare eventuali punti bonus (da 0 a 3). Calcolo del voto finale Il voto finale dell’esame, espresso in trentesimi, è calcolato secondo la seguente formula: voto finale = media(voto tema d’anno + voto orale) + punti bonus Per gli studenti del Dottorato di Ricerca, l’esame consiste nella presentazione di un seminario, della durata massima di 30 minuti, in cui presentano la loro ricerca e come tenere in considerazione l’HCI. Bisogna preparare una breve tesina e una presentazione powerpoint.

Dispense fornite dal docente. Roberto Polillo. FACILE DA USARE – Una moderna introduzione alla ingegneria dell’usabilità. Edizioni Apogeo.