data science

Obiettivi formativi Conoscenza e capacità di comprensione Conoscenza e comprensione delle principali tecniche di analisi di algoritmi e di Data Mining
Capacità di applicare conoscenza e comprensione Capacità di applicare le conoscenze e la comprensione dei problemi a scenari applicativi di interesse nell'analisi di algoritmi di data mining.
Autonomia di giudizio Capacità di giudicare e valutare criticamente l'adeguatezza e l'efficacia delle soluzioni proposte
Abilità comunicative Capacità di comunicare i motivi e le valutazione sottostanti le scelte di soluzioni e tecniche adottate per risolvere problemi di interesse
Capacità di apprendimento Capacità di seguire l'evoluzione delle tecniche di base insegnate nel corso e apprendere loro varianti

Obiettivi generali : Il Cloud Computing è divenuto una delle fondamentali tecnologie dell’informazione, fornendo elevata scalabilità ed elasticità nella fornitura di applicazioni distribuite (aziendali e scientifiche). Alla fine del corso gli studenti avranno gli strumenti per comprendere l’impatto del Cloud Computing in un ambiente aziendale (e non) e le implicazioni tecnologiche nello sviluppo di applicazioni Cloud, specificatamente applicazioni per la memorizzazione e l’elaborazione di big data.
Obiettivi specifici Alla fine del corso, gli studenti avranno acquisito gli strumenti per: - usare le tecnologie di virtualizzazione a livello di sistema e a livello di applicazione - usare tecnologie IaaS e PaaS - progettare architetture virtualizzate - fare il deployment di applicazioni Cloud - valutare costi e prestazioni di sistemi Cloud
Conoscenza e comprensione: Alla fine del corso, gli studenti avranno acquisito la conoscenza relativa ai fattori che hanno influenzato la diffusione del Cloud Computing, alle tecnologie di virtualizzazione, alle architetture Cloud (autoscaling, load balancing, monitoring, high availability), ai sistemi di memorizzazione dei dati nel Cloud Alla fine del corso, gli studenti saranno capaci di comprendere i principi di funzionamento delle soluzioni basate su Cloud (design and operation) e di comprendere problemi di ricerca applicata relativi alle soluzioni basate su Cloud
Applicarei conoscenza e comprensione: Alla fine del corso, gli studenti saranno capaci di - spiegare i principi del Cloud Computing - spiegare le principali tecnologie Cloud - risolvere problemi che richiedono l’uso delle tecnologie Cloud e del design e deployment di architetture virtualizzate e di applicazioni Cloud - valutare le prestazioni e i costi di soluzioni basate su Cloud
Capaità critiche e di giudizio: Nel corso gli studenti svilupperanno abilità di pensiero critico nel campo del Cloud Computing
Capacità comunicative: Alla fine del corso gli studenti saranno capaci di comunicare le nozioni imparate a personale tecnico e manageriale.
Capacità di apprendimento successivo: Dopo il corso, gli studenti avranno acquisito la conoscenza per seguire corsi avanzati di Cloud Computing e di tecnologie big data.

OVERVIEW

The course will cover the fundamentals of Cloud computing: Processing, Storage of large data sets, performance, scalability, reliability and security. It also will cover the organization of popular public cloud platforms like Google and Amazon and the use of cloud application programming frameworks like MapReduce and Spark.

The course will deal with theoretical and practical aspects. Specific assignments and hands-on sessions will give you the possibility to develop your skill.

Examples of technologies you will learn about are: Docker, Amazon Web Services

The course will use the resource made available by the AWS Academy program

ARGUMENTS

• The big picture of cloud computing, definition, business drivers, benefit and risks.
• Cloud computing reference architecture
• Enabling technologies
• Virtualization (system level and process level)
• Storage (cloud file systems, storage serving)
• Monitoring
• Adaptation and automation
• Scalability and high availability
• Security

For the latest version of the program and more information check the course web site https://sites.google.com/di.uniroma1.it/cloudcomputingcourse/

• Lezioni seminario
• Testi di riferimento: Vedi schedule corso
• Flipped Classrooms
• Testi di riferimento: Vedi schedule corso
• Laboratori/progetto
• Testi di riferimento: Vedi schedule corso

The exam is based on

• Lab assignments
• A project
• An oral exam

Update information is available on the teacher's bulletin board and the Google Classroom course page (updated each academic year) https://corsidilaurea.uniroma1.it/en/users/emilianocasalicchiouniroma1it

• Mastering Cloud Computing, Rajkumar Buyya; Christian Vecchiola; S.Thamarai Selvi

Morgan Kaufmann, ISBN: 978-0-12-409539-7

• Cloud Computing: Concepts, Technology & Architecture, Thomas Erl, Zaigham Mahmood, Ricardo Puttini, Prentice Hall/PearsonPTR

ISBN: 978-0-13-338752-0

The learning material will be integrated with research papers and technical documentation

Update information are available on the course web site

https://sites.google.com/di.uniroma1.it/cloudcomputingcourse/home

Obiettivi formativi declinati mediante i descrittori di Dublino 1) Conoscenza e capacità di comprensione Nel corso delle lezioni di Data-driven Economics, studentesse e studenti acquisiscono gli elementi teorici di base dell’analisi econometrica. Le lezioni teoriche sono finalizzate a guidare studentesse e studenti nell’acquisizione dei fondamenti dei modelli di regressione semplice e multipla, a partire dalle relative assunzioni, per poi procedere con le procedure di stima e inferenza. I contenuti del corso coprono sia la stima di modelli lineari che non lineari e l’analisi di dati sia cross-section che longitudinali. 2) Capacità di applicare conoscenza e comprensione Le studentesse e gli studenti del corso di Data-driven Economics sono in grado di applicare le nozioni acquisite nel corso delle lezioni teoriche a un’ampia gamma di problemi di natura empirica. Acquisiscono la capacità di costruire modelli econometrici finalizzati a dare contenuto empirico a relazioni economiche e sono in grado, inoltre, di stabilire un nesso di causalità tra due o più variabili in ambito economico. 3) Autonomia di giudizio Studentesse e studenti sono esortate/i a sviluppare il proprio senso critico attraverso la discussione in aula di studi empirici pubblicati in ambito economico/manageriale. Il corso di Data-driven Economics prevede, inoltre, un laboratorio nel corso del quale studentesse e studenti applicano le conoscenze di econometria acquisite alla stima di modelli empirici effettuata utilizzando dati messi a disposizione dal docente. 4) Abilità comunicative Al termine del corso, le studentesse e gli studenti sono in grado di illustrare e spiegare punti di forza e punti di debolezza di un’ampia gamma di metodologie empiriche a una varietà di interlocutori eterogenei per formazione e ruolo professionale. L’acquisizione di tali capacità viene verificata e valutata non solo in occasione dell’esame finale, mediante prova scritta e eventuale prova orale, ma anche nel corso di sessioni di lezioni invertite in cui, individualmente o in gruppo, studentesse e studenti sono chiamate/i a presentare studi empirici pubblicati in ambito economico/manageriale. 5) Capacità di apprendere Studentesse e studenti acquisiscono la capacità di condurre in autonomia analisi empiriche costruendo modelli econometrici da stimare utilizzando dati con strutture diversificate. Gli strumenti forniti dal corso consentono analisi di sistemi in cui un elevato numero di fattori contribuisce simultaneamente a spiegarne gli stati e valutazioni d’impatto che tengano conto dell’aleatorietà e del rischio connaturato all’applicazione di policy. L’acquisizione di tali capacità viene verificata e valutata in occasione dell’esame finale, mediante prova scritta e eventuale prova orale, nell’ambito del quale lo studente può essere chiamato a discutere problemi empirici sulla base degli argomenti trattati e del materiale di riferimento distribuito durante il corso.

Obiettivi formativi
Il corso si propone di fornire le competenze fondamentali sui sistemi di gestione dei dati, coprendo sia gli aspetti teorici che pratici. La prima parte approfondisce i sistemi di gestione di basi di dati relazionali, inclusi modelli, architetture, organizzazione fisica (file e indici) ed elaborazione di query. La seconda parte introduce i principali approcci non relazionali (NoSQL), con focus sulla gestione multidimensionale dei dati, sui sistemi su larga scala e sugli open data.
Conoscenza e capacità di comprensione
Lo studente acquisirà una solida conoscenza dei modelli di dati relazionali e dell'algebra relazionale. Comprenderà le tecniche di ottimizzazione delle query, le strutture di memorizzazione fisica e le diverse categorie di database NoSQL (documentali, a grafo, colonnari, ecc.) necessarie per gestire volumi di dati eterogenei in contesti di Data Science.
Capacità di applicare conoscenza e comprensione
Lo studente sarà in grado di progettare e implementare basi di dati relazionali complesse e di formulare query SQL avanzate. Saprà diagnosticare e risolvere problemi di performance mediante l'ottimizzazione di indici, vincoli e la riscrittura delle query, oltre a saper integrare dati eterogenei in sistemi NoSQL, valutando le differenze architetturali rispetto al modello relazionale.
Autonomia di giudizio
Lo studente sarà in grado di valutare criticamente quale tecnologia di gestione dei dati (SQL vs NoSQL) sia più appropriata per un determinato dominio applicativo. Saprà analizzare i trade-off tra consistenza, disponibilità e performance, selezionando le strategie di modellazione e ottimizzazione più efficaci per lo specifico dataset.
Abilità comunicative
Lo studente dimostrerà capacità di presentare chiaramente il proprio lavoro progettuale, illustrando le scelte architetturali adottate e i risultati ottenuti. Saprà interagire con i sistemi di gestione dei dati durante sessioni dimostrative, utilizzando la terminologia tecnica appropriata per descrivere le performance e la complessità delle soluzioni implementate.
Capacità di apprendimento
Lo studente svilupperà una metodologia di analisi dei dati che gli permetterà di apprendere autonomamente nuovi strumenti e linguaggi di interrogazione. Acquisirà la capacità di adattarsi all'evoluzione continua del panorama dei database, trasferendo le competenze metodologiche apprese su architetture e paradigmi tecnologici differenti.

In addition to the 12 credits of elective courses chosen by the student, this module provides structured opportunities to develop practical and cross-disciplinary skills through workshops, seminars, training camps, and project-based activities. The aim is to help students prepare for real-world challenges and enhance their career development in data science.

1. Obiettivi formativi
GENERALI
I principali obiettivi del corso sono i seguenti: conoscenza della classificazione delle reti e dei servizi di telecomunicazioni; capacità di dimensionare le risorse trasmissive di una rete di TLC; capacità di identificare un'architettura di comunicazione e un servizio di rete adeguati in relazione ai requisiti di Qualità del Servizio richiesti; conoscenza e configurazione di una rete Ethernet Real Time; conoscenza e configurazione di una rete Internet; conoscenza dei fondamentali modelli matematici per la rappresentazione di segnali nel dominio del tempo, nei principali domini trasformati e in formato compresso per la trasmissione in un'architettura di comunicazione.
SPECIFICI Conoscenza e capacità di comprensione: lo studente acquisisce conoscenze sui principi e sui paradigmi di funzionamento e di progettazione dei sistemi di telecomunicazioni. Capacità di applicare conoscenza e comprensione: lo studente è in grado di applicare le conoscenze acquisite nell'ambito dei sistemi di telecomunicazioni per contribuire alla definizione di soluzioni ingegneristiche, anche innovative, e alla valutazione dell'impatto delle soluzioni proposte. Autonomia di giudizio: lo studente è in grado di analizzare e contribuire alla progettazione di sistemi di telecomunicazioni, valutando l'impatto delle soluzioni nel contesto applicativo delle telecomunicazioni, sia con riferimento agli aspetti tecnici sia a quelli organizzativi. Abilità comunicative: il corso non prevede obiettivi specifici relativi alle abilità comunicative. Capacità di apprendimento: lo studente è in grado di acquisire autonomamente nuove conoscenze di carattere tecnico-scientifico relative ai sistemi di telecomunicazioni, avvalendosi di diversi strumenti di apprendimento autodiretto, incluso lo studio autonomo della letteratura tecnica di riferimento.

Modulo Signal Processing (3 CFU)

Prof. Stefania Colonnese

Parte I. Segnali a tempo continuo: Convoluzione e filtraggio; correlazione. Rappresentazione dei segnali nel dominio di Fourier. Spettrogramma. Filtri passa-basso, passa-banda e passa-alto. Segnali a banda limitata. Teorema del campionamento.

Parte II. Segnali a tempo discreto: Convoluzione e filtraggio. Trasformata di Fourier per segnali a tempo discreto. Trasformata discreta di Fourier (DFT) per sequenze di lunghezza finita/

Parte III. Rappresentazione dei segnali per la trasmissione: Quantizzazione. Trasformata di Karhunen-Loève e analisi a componenti principali. Principi di codifica.

Modulo Networking (6 CFU)

Prof. Vincenzo Eramo

Parte I [1.Cap.2]. Le Reti di Telecomunicazioni: Struttura di una rete di telecomunicazioni; Architetture protocollari, architetture e protocolli di comunicazione (Lezioni h. 8, Esercitazioni h. 4).

Parte II [1.Cap.9] Wide Area Network (WAN): Multiplazione statica, multiplazione dinamica, la funzione di commutazione, Reti a commutazione di circuito e di pacchetto. (Lezioni h. 10, Esercitazioni h. 8).

Parte III [1.Capp.11-12]. Reti in Area Locale: Architettura di una rete Ethernet 802.3X, Lo strato Logical Link Control, Lo strato Medium Access Control, La funzione di Instradamento in Reti Ethernet (Lezioni h. 8, Esercitazioni h. 2).

Parte IV [1.Capp.14-15]. Internet: struttura di Internet, architettura protocollare, il protocollo IPv4, indirizzamento in IPv4, instradamento in Internet, i protocolli di trasporto UDP, TCP (Lezioni h. 14, Esercitazioni h. 6).

STRUMENTI DI ACCERTAMENTO:

L’esame si compone di due prove scritte:

-Una prova scritta di 1.5h relative al modulo Signal Processing

-Una prova scritta di 2h relative al modulo Networking

La prova scritta del modulo Signal Processing si compone di:

• 10 domande aperte brevi o esercizi brevi con l’assegnazione di un voto nel range [0,30]

La prova scritta del modulo Signal Processing è superata se viete conseguito un punteggio maggiore o uguale a 18.

La prova scritta del modulo Networking si compone di:

• 2 domande a risposta aperta con l’assegnazione di un voto nel range [0,14]
• 2 esercizi sul dimensionamento e le prestazioni delle reti di telecomunicazioni e sulla configurazione di una rete Internet con l’assegnazione di un voto nel range [0,16]

Il voto complessivo della prova scritta di Networking è dato dalla somma dei voti conseguite nelle parti domande ed esercizi. La prova scritta del modulo di Network è superata se viete conseguito un punteggio maggior o uguale a 18.

METODI DI ACCERTAMENTO:

Verifica della conoscenza delle rappresentazione dei segnali a tempo continuo e tempo discreto nel dominio originale e di Fourier. Verifica della conoscenza delle operazioni di convoluzione, filtraggio e di segnali tempo discreto e continuo. Verifica della conoscenza della rappresentazione dei segnali per la trasmissione.

Verifica della conoscenza sulla classificazione delle reti e dei servizi di telecomunicazioni; verifica della capacità di dimensionare le risorse trasmissive di una rete di TLC; verifica della capacità di identificare una architettura di comunicazione e un servizio di rete adeguata in relazione ai requisiti di Qualità di Servizio richieste; verifica della conoscenza sulle reti in area locale; verifica della conoscenza di una rete Internet.

CRITERI DI VALUTAZIONE:

La valutazione finale dell’esame si esprime in trentesimi e il voto finale è dato dalla somma pesata delle votazioni conseguite nelle due prove scritte di Signal Processing e Networking con pesi rispettivamente 1/3 e 2/3.

Il punteggio conseguito corrisponde al raggiungimento dei seguenti obiettivi: conoscenza minima (valutazione tra 18 e 20); conoscenza media (21-23); capacità di applicare la conoscenza in maniera sufficiente (24-25); buona capacità di applicare la conoscenza (27-28); capacità di applicare la conoscenza in maniera eccellente con buone capacità di comunicazione e senso critico (29-30 con lode)

[1] W. Stalling –“Data and Computer Communication”, Pearson Education Tenth Edition

[2] DISPENSE: DISPONIBILI SULLA PAGINA MOODLE DEL CORSO

J.F. Kurose, K.W. Ross , “Computer networking. A top-down apporach”, Eighth Edition, GLOBAL EDITION

W. Stalling, “High-Speed Networks and Internets: Performance and Quality of Service”, Second Edition, Pearson Education

J.G. Proakis, D.G. Manolakis, "Digital Signal Processing", Prentice Hall. (in inglese).

Obiettivi formativi
Fundamentals of Statistical Learning è un corso annuale della durata di due semestri finalizzato a fornire gli strumenti fondamentali per:
impostare modelli probabilistici; comprendere i principi di base dei principali problemi dell’inferenza statistica: stima, verifica delle ipotesi, controllo del modello e previsione; comprendere e confrontare i due principali paradigmi dell’inferenza statistica, ovvero la statistica frequentista e quella bayesiana; applicare l’inferenza ai dati osservati attraverso tecniche sia basate sull’ottimizzazione sia su metodi di simulazione e approssimazione, come Bootstrap, Monte Carlo e Monte Carlo Markov Chain (MCMC); comprendere i vantaggi comparativi di strategie alternative; sviluppare procedure di calcolo statistico all’interno di ambienti software adeguati, come R (www.r-project.org), Python, OpenBUGS (http://openbugs.net/w/FrontPage) e STAN (http://mc-stan.org/). Conoscenza e capacità di comprensione
Al termine del corso, gli studenti saranno in grado di:
conoscere i principali principi statistici, i problemi inferenziali, i paradigmi e gli algoritmi; valutare le prestazioni empiriche e teoriche di diversi approcci di modellazione; conoscere le principali piattaforme e i linguaggi di programmazione per sviluppare implementazioni efficaci. Capacità di applicare conoscenza e comprensione
Oltre alla comprensione degli aspetti teorici, grazie agli esercizi applicativi assegnati durante il corso e a un laboratorio dedicato nel secondo semestre incentrato sulla modellazione bayesiana, gli studenti saranno costantemente chiamati a utilizzare e valutare tutte le tecniche apprese, nonché a proporre nuovi modelli adatti a specifici problemi applicativi.
Capacità di giudizio
Al termine del corso, gli studenti svilupperanno un atteggiamento critico positivo nei confronti della valutazione empirica e teorica delle metodologie e dei risultati statistici.
Abilità comunicative
Nella preparazione della relazione e della presentazione orale relative al progetto finale del laboratorio del secondo semestre, gli studenti impareranno a comunicare efficacemente informazioni, idee, problemi e soluzioni sia a interlocutori specialisti sia a un pubblico generale.
Capacità di apprendimento
Durante il corso, gli studenti svilupperanno le competenze necessarie per comprendere e applicare con successo nuove metodologie statistiche, insieme alla loro efficace implementazione. L’obiettivo è favorire un atteggiamento attivo verso l’apprendimento continuo durante l’intero percorso professionale.

Fundamentals of Statistical Learning I
Part I Probability

---------------------

Outcomes, Events & Probability.

Conditional Probability & Independence.

Bayes' Theorem: Interpretation & Use.

Random Variables and Random Vectors.

Directed Graphical Models.

Expected Value, Variance and Covariance.

Univariate and Multivariate Distributions.

Generating Functions and Convergence Theorems.

Part II Statistics

---------------------

The Empirical Distribution and the Bootstrap

Statistical Modelling: the Likelihood Function.

Parameter Estimation: Point and Interval Estimation.

Hypothesis Testing.

Alternative Inferential Frameworks: Frequentist vs Bayesian Inference.

Modulo: Fundamentals of Statistical Learning I

Modulo: Fundamentals of Statistical Learning II

Fundamentals of Statistical Learning II
Part I Probability

---------------------

Outcomes, Events & Probability.

Conditional Probability & Independence.

Bayes' Theorem: Interpretation & Use.

Random Variables and Random Vectors.

Directed Graphical Models.

Expected Value, Variance and Covariance.

Univariate and Multivariate Distributions.

Generating Functions and Convergence Theorems.

Part II Statistics

---------------------

The Empirical Distribution and the Bootstrap

Statistical Modelling: the Likelihood Function.

Parameter Estimation: Point and Interval Estimation.

Hypothesis Testing.

Alternative Inferential Frameworks: Frequentist vs Bayesian Inference.

Modulo: Fundamentals of Statistical Learning I

Modulo: Fundamentals of Statistical Learning II

Fundamentals of Statistical Learning I
Homeworks + Written Exam + Oral Check

Fundamentals of Statistical Learning II
Homeworks + Written Exam + Oral Check

Fundamentals of Statistical Learning I
Main References:

F.M. Dekking, C. Kraaikamp, H.P. Lopuhaa, L.E. Meester (2007). A Modern Introduction to Probability and Statistics. Springer.

L. Wasserman (2004). All of Statistics: A Concise Course in Statistical Inference. Springer.

Modulo: Fundamentals of Statistical Learning I
Riferimenti principali:

F.M. Dekking, C. Kraaikamp, H.P. Lopuhaa, L.E. Meester (2007). A Modern Introduction to Probability and Statistics. Springer.

L. Wasserman (2004). All of Statistics: A Concise Course in Statistical Inference. Springer.

Modulo: Fundamentals of Statistical Learning II
N/D

Fundamentals of Statistical Learning II
Main References:

F.M. Dekking, C. Kraaikamp, H.P. Lopuhaa, L.E. Meester (2007). A Modern Introduction to Probability and Statistics. Springer.

L. Wasserman (2004). All of Statistics: A Concise Course in Statistical Inference. Springer.

Modulo: Fundamentals of Statistical Learning I
Riferimenti principali:

F.M. Dekking, C. Kraaikamp, H.P. Lopuhaa, L.E. Meester (2007). A Modern Introduction to Probability and Statistics. Springer.

L. Wasserman (2004). All of Statistics: A Concise Course in Statistical Inference. Springer.

Modulo: Fundamentals of Statistical Learning II
N/D

Obiettivi formativi: Acquisire i fondamenti della scienza dai dati e dell'apprendimento automatico. Rendere gli studenti consapevoli degli strumenti teorici e pratici della scienza dei dati e dell'apprendimento automatico, nonché dei loro limiti intrinseci; rendere gli studenti in grado di affrontare problemi reali attraverso gli strumenti più appropriati. Conoscenza e capacità di comprensione: Il corso fornisce le nozioni, tecniche e metodologie di base utilizzate nell'ambito della scienza dei dati e dell'apprendimento automatico. Fornisce inoltre i rudimenti di programmazione necessari ad applicare la teoria a casi reali Capacità di applicare conoscenza e comprensione: Alla fine del corso, gli studenti sapranno affrontare problemi concreti di scienza dei dati, dalla loro formalizzazione sino alla manipolazione dei dati attraverso appropriati strumenti software. Autonomia di giudizio: Gli studenti saranno in grado di scegliere le tecniche da applicare al caso specifico e di valutarne le prestazioni. Abilità comunicative: Gli studenti saranno in grado di rappresentare e comunicare l'informazione estratta dai dati, attraverso l'uso razionale di grafici e indicatori. Capacità di apprendimento: Gli studenti saranno messi in grado di apprendere autonomamente nozioni sia teoriche che pratiche del campo.

Il corso è costituito da tre temi principali:

Machine Learning Foundations: Datasets and their representation (6h), Linear Regression with bias-variance trade-off and regularization (7h), Classification, Calibration, and Performance Evaluation (6h), Non-Parametric models: K-NN, Decision Trees, Random Forest, and XGBoost (5h), Neural Networks and Backpropagation (4h), Image Representation and Convolution (3h), CNNs and other Network Components (5h), Autoencoders and Variational Inference (5h), Text Representation, Self-Attention, and Transformers (3h), Multimodal Machine Learning (2h).

Complex Networks and Network Science: Introduction to Network Data and Structural Properties of Networks (10h), Generative Models of Network Formation (7h), Mechanistic Models of Network Formation (5h), Community Detection and Graph Clustering Methods (8h).

Programming and Practice: Each objective will be addressed theoretically and through practical programming exercises with Python.

• Newman, M. (2018). Networks. Oxford university press.
• Testi di riferimento: Newman, M. (2018). Networks. Oxford university press.

La valutazione del corso è strutturata in modo accurato in tre componenti distinte, ciascuna pensata per valutare diverse competenze:

1) Teoria (34%): Un esame a scelta multipla della durata di 30 minuti valuta la comprensione concettuale dei principi fondamentali della data science e del machine learning.

2) Pratica (33%): Incentrata sull'applicazione pratica, in gruppi di 3-5 studenti:

a) Esercitazioni di programmazione (16.5%): Due compiti in Python focalizzati sull’implementazione tecnica.

b) Progetto finale e presentazione (16.5%): Applicazione a un problema reale, dalla progettazione del modello alla comunicazione con gli stakeholder.

3) Laboratorio di Network Science (33%): Un esame a scelta multipla di 30 minuti per valutare la padronanza dei concetti di network science.

Data Science:

Bertsimas, O'Hair, Pulleyblank. The Analytics Edge.

Machine Learning

Christopher M. Bishop, 2006. Pattern Recognition and Machine Learning

Deisenroth, Faisal, Ong, 2020. Mathematics for Machine Learning (available at: https://mml-book.github.io/)

Deep learning

S. Prince. Understanding Deep Learning. MIT Press, 2023.

Ian Goofellow, Yoshua Bengio, Aaron Courville, 2017. Deep Learning (available at: https://www.deeplearningbook.org/)

Zhang Lipton Li Smola Book, 2019 Dive into Deep Learning (interactive book and code at: http://d2l.ai/index.html)

Image Analysis and Recognition, Computer Vision:

Richard Szeliski, 2010. Computer Vision: Algorithms and Applications (available at: http://szeliski.org/Book)

Network Science

Newman, Mark, Networks, 2nd edn (Oxford, 2018; online edn, Oxford Academic, 18 Oct. 2018), https://doi.org/10.1093/oso/9780198805090.001.0001

Barabási, A.-L., Pósfai, M. (2016). Network science. Cambridge: Cambridge University Press. ISBN: 9781107076266 1107076269

Python

Allen B. Downey, 2015. Think Python: How to Think Like a Computer Scientist (available at: https://www.greenteapress.com/thinkpython/thinkpython.html)

Jake VanderPlas, 2016. Python Data Science Handbook: Tools and Techniques for Developers: Essential Tools for working with Data (Book and notebooks available at: https://github.com/jakevdp/PythonDataScienceHandbook)

For the objectives of this teaching, check the individual modules I and II.

setting up probabilistic models;

understanding the basic principles of the main inferential problems: estimation, hypothesis testing, model checking and forecasting;

understanding and contrasting the two main inferential paradigms, namely frequentist and Bayesian statistics;

implementing inference on observed data through both optimization and simulation-based (approximation) techniques such as:

Bootstrap

Monte Carlo

Monte Carlo Markov Chain (MCMC)

understanding comparative merits of alternative strategies

developing statistical computations within a suitable software environment like R (www.r-project.org), OpenBUGS (http://openbugs.net/w/FrontPage) and STAN (http://mc-stan.org/).

Part I Probability

---------------------

Outcomes, Events & Probability.

Conditional Probability & Independence.

Bayes' Theorem: Interpretation & Use.

Random Variables and Random Vectors.

Directed Graphical Models.

Expected Value, Variance and Covariance.

Univariate and Multivariate Distributions.

Generating Functions and Convergence Theorems.

Part II Statistics

---------------------

The Empirical Distribution and the Bootstrap

Statistical Modelling: the Likelihood Function.

Parameter Estimation: Point and Interval Estimation.

Hypothesis Testing.

Alternative Inferential Frameworks: Frequentist vs Bayesian Inference.

Modulo: Fundamentals of Statistical Learning I

Modulo: Fundamentals of Statistical Learning II

Homeworks + Written Exam + Oral Check

Main References:

F.M. Dekking, C. Kraaikamp, H.P. Lopuhaa, L.E. Meester (2007). A Modern Introduction to Probability and Statistics. Springer.

L. Wasserman (2004). All of Statistics: A Concise Course in Statistical Inference. Springer.

Modulo: Fundamentals of Statistical Learning I
Riferimenti principali:

F.M. Dekking, C. Kraaikamp, H.P. Lopuhaa, L.E. Meester (2007). A Modern Introduction to Probability and Statistics. Springer.

L. Wasserman (2004). All of Statistics: A Concise Course in Statistical Inference. Springer.

Modulo: Fundamentals of Statistical Learning II
N/D

For the objectives of this teaching, check the individual modules I and II.

setting up probabilistic models;

understanding the basic principles of the main inferential problems: estimation, hypothesis testing, model checking and forecasting;

understanding and contrasting the two main inferential paradigms, namely frequentist and Bayesian statistics;

implementing inference on observed data through both optimization and simulation-based (approximation) techniques such as:

Bootstrap

Monte Carlo

Monte Carlo Markov Chain (MCMC)

understanding comparative merits of alternative strategies

developing statistical computations within a suitable software environment like R (www.r-project.org), OpenBUGS (http://openbugs.net/w/FrontPage) and STAN (http://mc-stan.org/).

Part I Probability

---------------------

Outcomes, Events & Probability.

Conditional Probability & Independence.

Bayes' Theorem: Interpretation & Use.

Random Variables and Random Vectors.

Directed Graphical Models.

Expected Value, Variance and Covariance.

Univariate and Multivariate Distributions.

Generating Functions and Convergence Theorems.

Part II Statistics

---------------------

The Empirical Distribution and the Bootstrap

Statistical Modelling: the Likelihood Function.

Parameter Estimation: Point and Interval Estimation.

Hypothesis Testing.

Alternative Inferential Frameworks: Frequentist vs Bayesian Inference.

Modulo: Fundamentals of Statistical Learning I

Modulo: Fundamentals of Statistical Learning II

Homeworks + Written Exam + Oral Check

Main References:

F.M. Dekking, C. Kraaikamp, H.P. Lopuhaa, L.E. Meester (2007). A Modern Introduction to Probability and Statistics. Springer.

L. Wasserman (2004). All of Statistics: A Concise Course in Statistical Inference. Springer.

Modulo: Fundamentals of Statistical Learning I
Riferimenti principali:

F.M. Dekking, C. Kraaikamp, H.P. Lopuhaa, L.E. Meester (2007). A Modern Introduction to Probability and Statistics. Springer.

L. Wasserman (2004). All of Statistics: A Concise Course in Statistical Inference. Springer.

Modulo: Fundamentals of Statistical Learning II
N/D

For the objectives of this teaching, check the individual modules I and II.

setting up probabilistic models;

understanding the basic principles of the main inferential problems: estimation, hypothesis testing, model checking and forecasting;

understanding and contrasting the two main inferential paradigms, namely frequentist and Bayesian statistics;

implementing inference on observed data through both optimization and simulation-based (approximation) techniques such as:

Bootstrap

Monte Carlo

Monte Carlo Markov Chain (MCMC)

understanding comparative merits of alternative strategies

developing statistical computations within a suitable software environment like R (www.r-project.org), OpenBUGS (http://openbugs.net/w/FrontPage) and STAN (http://mc-stan.org/).

Part I Probability

---------------------

Outcomes, Events & Probability.

Conditional Probability & Independence.

Bayes' Theorem: Interpretation & Use.

Random Variables and Random Vectors.

Directed Graphical Models.

Expected Value, Variance and Covariance.

Univariate and Multivariate Distributions.

Generating Functions and Convergence Theorems.

Part II Statistics

---------------------

The Empirical Distribution and the Bootstrap

Statistical Modelling: the Likelihood Function.

Parameter Estimation: Point and Interval Estimation.

Hypothesis Testing.

Alternative Inferential Frameworks: Frequentist vs Bayesian Inference.

Modulo: Fundamentals of Statistical Learning I

Modulo: Fundamentals of Statistical Learning II

Homeworks + Written Exam + Oral Check

Main References:

F.M. Dekking, C. Kraaikamp, H.P. Lopuhaa, L.E. Meester (2007). A Modern Introduction to Probability and Statistics. Springer.

L. Wasserman (2004). All of Statistics: A Concise Course in Statistical Inference. Springer.

Modulo: Fundamentals of Statistical Learning I
Riferimenti principali:

F.M. Dekking, C. Kraaikamp, H.P. Lopuhaa, L.E. Meester (2007). A Modern Introduction to Probability and Statistics. Springer.

L. Wasserman (2004). All of Statistics: A Concise Course in Statistical Inference. Springer.

Modulo: Fundamentals of Statistical Learning II
N/D

For the objectives of this teaching, check the individual modules I and II.

setting up probabilistic models;

understanding the basic principles of the main inferential problems: estimation, hypothesis testing, model checking and forecasting;

understanding and contrasting the two main inferential paradigms, namely frequentist and Bayesian statistics;

implementing inference on observed data through both optimization and simulation-based (approximation) techniques such as:

Bootstrap

Monte Carlo

Monte Carlo Markov Chain (MCMC)

understanding comparative merits of alternative strategies

developing statistical computations within a suitable software environment like R (www.r-project.org), OpenBUGS (http://openbugs.net/w/FrontPage) and STAN (http://mc-stan.org/).

Part I Probability

---------------------

Outcomes, Events & Probability.

Conditional Probability & Independence.

Bayes' Theorem: Interpretation & Use.

Random Variables and Random Vectors.

Directed Graphical Models.

Expected Value, Variance and Covariance.

Univariate and Multivariate Distributions.

Generating Functions and Convergence Theorems.

Part II Statistics

---------------------

The Empirical Distribution and the Bootstrap

Statistical Modelling: the Likelihood Function.

Parameter Estimation: Point and Interval Estimation.

Hypothesis Testing.

Alternative Inferential Frameworks: Frequentist vs Bayesian Inference.

Modulo: Fundamentals of Statistical Learning I

Modulo: Fundamentals of Statistical Learning II

Homeworks + Written Exam + Oral Check

Main References:

F.M. Dekking, C. Kraaikamp, H.P. Lopuhaa, L.E. Meester (2007). A Modern Introduction to Probability and Statistics. Springer.

L. Wasserman (2004). All of Statistics: A Concise Course in Statistical Inference. Springer.

Modulo: Fundamentals of Statistical Learning I
Riferimenti principali:

F.M. Dekking, C. Kraaikamp, H.P. Lopuhaa, L.E. Meester (2007). A Modern Introduction to Probability and Statistics. Springer.

L. Wasserman (2004). All of Statistics: A Concise Course in Statistical Inference. Springer.

Modulo: Fundamentals of Statistical Learning II
N/D

Obiettivi formativi Conoscenza e capacità di comprensione Conoscenza e comprensione dei principali problemi metodologici nell’analisi di collezioni di dati testuali mediante tecniche di NLP. .
Capacità di applicare conoscenza e comprensione Capacità di applicare le conoscenze e la compresione dei problemi a scenari applicativi di interesse nell'analisi di collezioni di dati testuali mediante tecniche di NLP
Autonomia di giudizio Capacità di giudicare e valutare criticamente l'adeguatezza e l'efficacia delle soluzioni proposte
Abilità comunicative Capacità di comunicare i motivi e le valutazione sottostanti le scelte di soluzioni e tecniche adottate per risolvere problemi di interesse
Capacità di apprendimento Capacità di seguire l'evoluzione delle tecniche di base insegnate nel corso e apprendere loro varianti

Obiettivi formativi
Lo scopo del corso è quello di introdurre gli studenti all'applicazione delle tecniche di ottimizzazione per l’addestramento in problemi di apprendimento automatico supervisionato.
Conoscenza e capacità di comprensione
Si prevede che gli studenti acquisiscano competenze sulla costruzione di modelli tipici di apprendimento automatico supervisionato (Deep Networks e Support Vector Machines) e sui più recenti algoritmi di ottimizzazione per determinare i parametri (addestrare) di tali modelli e sulle tecniche di scelta degli iperparametri che meglio si adattano ai dati disponibili.
Capacità di applicare conoscenza e comprensione
Alla fine del corso, gli studenti saranno in grado di selezionare il modello di ML adeguato al problema in analisi e di utilizzare software specializzato per lo sviluppo di modelli adeguati e/o sviluppare algoritmi innovativi di ottimizzazione per l’addestramento.
Autonomia di giudizio
Lezioni frontali, esercitazioni pratiche e sessioni di revisione dei progetti forniranno agli studenti la possibilità di valutare i principali punti di forza e di debolezza dei diversi modelli di apprendimento automatico applicati ai casi di studio e di acquisire la capacità di selezionare modelli adeguati all’applicazione.
Abilità comunicative
Alla fine del corso, gli studenti sono in grado di individuare le caratteristiche principali di un problema di apprendimento automatico e di spiegare le tecniche per la sua soluzione sia a un pubblico specializzato sia a un pubblico non specializzato. Queste capacità sono verificate e valutate nei progetti realizzati in piccoli gruppi di lavoro, incoraggiando così il team building e un processo di apprendimento proattivo e collaborativo. Tali abilità possono anche essere verificate nella prova orale finale.
Capacità di apprendimento
Gli studenti sviluppano le capacità di apprendimento necessarie per intraprendere ulteriori studi sugli argomenti rilevanti con un alto grado di autonomia. Durante le lezioni, gli studenti sono incoraggiati a lavorare su progetti in piccoli gruppi, stimolando così l'attività e il coinvolgimento degli studenti. Si consiglia di consultare pubblicazioni di ricerca supplementari e siti Internet per individuare le scelte dettagliate necessarie per svolgere efficacemente i progetti assegnati. Queste capacità sono testate e valutate nell’analisi delle relazioni finali dei progetti, in cui gli studenti devono discutere le principali questioni dei problemi affrontati e le loro scelte per superare le difficoltà, sulla base degli argomenti e dei materiali trattati in classe.

Obiettivi formativi
Il corso fornisce agli studenti un quadro teorico e metodologico per lo sviluppo e l'applicazione di modelli quantitativi nell'analisi economica e nella gestione delle organizzazioni e dei sistemi socio-economici. Particolare attenzione è dedicata all'integrazione tra dati, metodologie statistiche ed econometriche, strumenti software e applicazioni empiriche, attraverso attività di laboratorio e project work basati su dati reali. Al termine del corso gli studenti saranno in grado di selezionare e applicare metodi quantitativi appropriati per affrontare problemi complessi di analisi economica e management.
Conoscenza e capacità di comprensione
Gli studenti acquisiranno conoscenze avanzate sui principi teorici e metodologici della modellizzazione quantitativa per l'analisi economica e la gestione. Comprenderanno il ruolo dei dati nella costruzione dei modelli, le principali metodologie per l'analisi della produttività, dell'efficienza e delle performance, nonché le tecniche statistiche ed econometriche utilizzate per lo studio dei sistemi socio-economici complessi. Saranno inoltre in grado di interpretare criticamente la letteratura scientifica di riferimento.
Capacità di applicare conoscenza e comprensione
Gli studenti saranno in grado di sviluppare e implementare modelli quantitativi utilizzando dati reali e strumenti software dedicati. Sapranno selezionare le metodologie più appropriate in funzione del problema analizzato, applicare tecniche statistiche ed econometriche, realizzare analisi empiriche e valutare criticamente i risultati ottenuti nell'ambito dell'economia, del management e dei servizi pubblici.
Autonomia di giudizio
Gli studenti svilupperanno la capacità di valutare criticamente dati, modelli e risultati empirici, scegliendo metodi quantitativi coerenti con gli obiettivi dell'analisi e con le caratteristiche dei dati disponibili. Saranno in grado di identificare limiti, ipotesi e implicazioni delle metodologie adottate e di formulare giudizi autonomi basati su evidenze quantitative.
Abilità comunicative
Gli studenti acquisiranno la capacità di comunicare in modo chiaro ed efficace metodologie, risultati e implicazioni delle analisi quantitative sia a interlocutori specialistici sia non specialistici. Le competenze comunicative saranno sviluppate attraverso presentazioni orali, discussioni in aula e la realizzazione di project work di gruppo.
Capacità di apprendimento
Gli studenti svilupperanno le competenze necessarie per aggiornare autonomamente le proprie conoscenze, approfondire la letteratura scientifica e applicare nuovi metodi quantitativi a problemi economici e gestionali. Al termine del corso saranno in grado di affrontare in autonomia attività di studio, ricerca e analisi avanzata utilizzando dati e strumenti quantitativi.

Obiettivi formativi
Statistical Machine Learning fornisce un'introduzione rigorosa ai principi statistici e probabilistici alla base dell'intelligenza artificiale moderna, inclusa l'IA predittiva e generativa, e il processo decisionale basato sui dati. Il corso presenta il machine learning come una disciplina statistica, nella quale gli algoritmi di apprendimento sono interpretati come metodi di inferenza dai dati in condizioni di incertezza.
Il corso integra fondamenti teorici con aspetti metodologici e computazionali. Gli studenti svilupperanno una conoscenza dei modelli probabilistici, dell'inferenza statistica, dell'ottimizzazione e della teoria della generalizzazione, insieme alle competenze pratiche necessarie per implementare, valutare e confrontare moderni algoritmi di apprendimento.
Le metodologie affrontate includono metodi kernel, reti neurali profonde, modelli generativi probabilistici come i denoising diffusion probabilistic models (DDPMs) e moderne tecniche di quantificazione dell'incertezza, tra cui la conformal prediction. Durante il corso particolare attenzione sarà dedicata alla valutazione rigorosa dei modelli, alla quantificazione dell'incertezza e all'interpretazione dei modelli predittivi.
Gli aspetti teorici saranno integrati da esercitazioni di programmazione e da un progetto significativo basato su dataset reali, permettendo agli studenti di collegare i principi statistici con l'implementazione computazionale attraverso moderni ambienti open-source per il calcolo scientifico.
Conoscenza e capacità di comprensione
Al termine del corso, gli studenti comprenderanno i principi statistici alla base del machine learning moderno e il loro ruolo nell'intelligenza artificiale predittiva e generativa. Saranno in grado di interpretare gli algoritmi di apprendimento all'interno di un quadro probabilistico unificato, comprendendo come modellazione statistica, inferenza, ottimizzazione e regolarizzazione contribuiscano congiuntamente alle prestazioni predittive e alla capacità di generalizzazione.
Gli studenti comprenderanno le ipotesi, i fondamenti matematici e le caratteristiche computazionali delle principali metodologie di apprendimento supervisionato e non supervisionato, inclusi metodi kernel, reti neurali profonde e modelli generativi probabilistici.
Comprenderanno inoltre i principi teorici alla base della selezione dei modelli, della validazione, del controllo della complessità e della regolarizzazione, nonché della quantificazione dell'incertezza, insieme agli strumenti statistici utilizzati per valutare e confrontare gli algoritmi di apprendimento.
Infine, acquisiranno familiarità con moderni ambienti di calcolo scientifico per l'implementazione, l'analisi e la valutazione sperimentale di metodi di apprendimento statistico.
Capacità di applicare conoscenza e comprensione
Al termine del corso, gli studenti saranno in grado di formulare problemi complessi di analisi dei dati nell'ambito appropriato dell'apprendimento statistico e di individuare strategie di modellazione adeguate in funzione delle caratteristiche dei dati e degli obiettivi dell'analisi.
Acquisiranno le competenze pratiche necessarie per implementare, addestrare e confrontare moderni metodi di machine learning, integrando modellazione statistica e tecniche computazionali per costruire pipeline complete di analisi dei dati.
Gli studenti impareranno a valutare le prestazioni predittive attraverso metodologie statistiche rigorose, a quantificare l'incertezza delle previsioni e a interpretare i risultati considerando le ipotesi e i limiti dei modelli adottati.
Le esercitazioni di programmazione e il progetto finale forniranno esperienza pratica su dataset reali, consentendo agli studenti di collegare i concetti teorici con l'implementazione concreta e di sviluppare soluzioni di machine learning riproducibili.
Autonomia di giudizio
Al termine del corso, gli studenti avranno sviluppato la capacità di valutare criticamente le metodologie di apprendimento statistico sia dal punto di vista teorico sia da quello sperimentale.
Saranno in grado di valutare se le ipotesi alla base di un modello di apprendimento siano appropriate per una determinata applicazione, confrontare approcci di modellazione alternativi e interpretare i risultati sperimentali alla luce delle evidenze statistiche.
Particolare attenzione sarà dedicata alla comprensione del ruolo dell'incertezza nell'apprendimento statistico, permettendo agli studenti di distinguere tra prestazioni predittive, significatività statistica e livello di affidabilità delle uscite dei modelli.
Gli studenti svilupperanno la capacità di valutare criticamente affidabilità, robustezza e limiti degli algoritmi di apprendimento quando applicati a dati complessi del mondo reale.
Abilità comunicative
Gli studenti svilupperanno la capacità di comunicare efficacemente metodologie statistiche e di machine learning attraverso relazioni scritte e presentazioni orali.
Impareranno a presentare scelte metodologiche, risultati sperimentali ed evidenze quantitative in modo chiaro, rigoroso e riproducibile, adattando il livello di dettaglio tecnico al pubblico di riferimento, sia specialistico sia non specialistico.
Il progetto finale contribuirà inoltre a sviluppare la capacità di discutere le scelte di modellazione, interpretare i risultati sperimentali e fornire osservazioni scientifiche costruttive sul lavoro dei colleghi.
Capacità di apprendimento
Il corso mira a sviluppare le capacità di apprendimento autonomo necessarie per proseguire studi e attività di ricerca nell'ambito del machine learning statistico e dell'intelligenza artificiale.
Attraverso la combinazione di analisi teorica e pratica computazionale, gli studenti acquisiranno la capacità di comprendere nuove metodologie dalla letteratura scientifica, valutarne criticamente i fondamenti statistici e adattarle a nuovi ambiti applicativi.
Particolare attenzione sarà dedicata allo sviluppo di un approccio probabilistico al ragionamento in condizioni di incertezza, consentendo agli studenti di comprendere metodologie emergenti di machine learning, integrare i progressi del rapido sviluppo dell'intelligenza artificiale e affrontare l'apprendimento permanente con rigore metodologico e autonomia intellettuale.

L'obiettivo del corso è di comprendere i processi stocastici. Essendo però obbligato a "tradurre" questo obiettivo in termini di "descrittori di Dublino" e sotto-obbiettivi, grazie all'aiuto della segreteria didattica, ho aggiunto quanto segue.
Obiettivi generali L'obiettivo del corso è fornire una panoramica dei processi stocastici, con riferimento alle applicazioni nella scienza dei dati e nell'apprendimento automatico. Purtroppo per chi non ama la matematica, la teoria della probabilità e i processi stocastici sono essenziali per capire come funzionano numerosi algoritmi e per progettarne di nuovi. La conoscenza dei linguaggi di programmazione R, Matlab o Python è utile, ma non fondamentale. Durante il corso verranno utilizzati programmi sviluppati in R.
Obiettivi specifici a) Conoscenza e capacità di comprensione. Comprendere i fondamenti dei processi stocastici combinatori, delle catene di Markov e dei processi gaussiani, nonché le loro applicazioni nella scienza dei dati. Comprendere i principi della causalità probabilistica ed essere in grado di applicare tali concetti a problemi della scienza dei dati.
b) Capacità di applicare conoscenza e comprensione. Simulare i processi stocastici con le simulazioni di Monte Carlo, utilizzando linguaggi di programmazione quali R, Matlab o Python.
c) Autonomia di giudizio. Analizzare vantaggi e limiti dei diversi processi stocastici come modelli di fenomeni reali e individuare il modello più appropriato per uno specifico insieme di dati.
d) Abilità comunicative. Comunicare in modo efficace gli aspetti relativi ai processi stocastici, incluse le soluzioni scelte e le possibili applicazioni.
e) Capacità di apprendimento. Sviluppare competenze per proseguire gli studi nel campo dei processi stocastici, inclusa la capacità di intraprendere attività di ricerca in questo ambito.

General goals This module supports the development of cross-disciplinary and professional skills essential for career growth in the field of Data Science. It includes non-traditional learning activities—such as workshops, thematic training camps, seminars with industry experts, and research-based projects—designed to expose students to real-world problems and collaborative work environments.
Specific goals Provide students with exposure to applied challenges and scenarios in data-intensive domains. Encourage active engagement with industry, research, and public sector stakeholders. Reinforce skills in communication, collaboration, and critical reflection outside of the formal curriculum. Enable students to apply data science methods in team-based and context-aware settings. Knowledge and understanding Through participation in activities, students will:
Understand how data science is used in practice across diverse sectors. Gain awareness of the ethical, societal, and operational dimensions of data-driven technologies. Become familiar with emerging applications and tools beyond classroom teaching. Applying knowledge and understanding Students will:
Work in multidisciplinary teams to address concrete problems using real data. Apply knowledge from core courses to new, unstructured scenarios. Participate in collaborative environments simulating research labs or professional teams. Critical and judgmental abilities Students will:
Develop awareness of the limits and scope of data science in practical contexts. Reflect on the assumptions and impact of the models and tools they use. Exercise autonomy in evaluating the quality and relevance of information sources. Communication skills Students will be trained to:
Present project outcomes to technical and non-technical audiences. Document work in formats appropriate for industry or research settings. Engage in constructive discussions within diverse teams. Learning ability Students will strengthen their ability to:
Learn by doing, adapting quickly to new tools and frameworks. Design their own learning paths by selecting and integrating activities relevant to their goals. Stay up to date with rapidly evolving developments in data science practice.

Obiettivi generali: Il corso presenterà agli studenti i concetti più avanzati e recenti del machine learning e la loro applicazione nella computer vision tramite modelli di deep neural networks (DNN). Comprenderà teoria e programmazione pratica, oltre a un progetto finale pratico. Per le esercitazioni di programmazione e il progetto finale, gli studenti lavoreranno in team e presenteranno le loro idee e i risultati del progetto alla classe.
Obiettivi specifici La prima parte del corso prevede l'approfondimento dei modelli DNN all'avanguardia per la classificazione e la regressione applicati alla detection (individuazione della posizione degli oggetti nell'immagine), alla pose estimation (se le persone sono in piedi, sedute o in posizione eretta) e alla reidentification (stima di una rappresentazione vettoriale univoca per ogni persona). Il corso tratterà inoltre le DNN per obiettivi multi-task (detection congiunta a pose estimation, reidentification, segmentation, depth estimation, ecc.). Questa prima parte include DNN applicate a sequenze video, sfruttando la memoria e/o l'attenzione (Transformer).
La seconda parte del corso approfondisce modelli, tecniche di addestramento e manipolazione dei dati per la generalizzazione, il domain adaptation e il meta-learning. FROM HERE Oltre al transfer learning (come i modelli pre-addestrati possono essere impiegati per altri compiti), vengono discussi l'apprendimento multimodale (con diverse modalità di sensori come telecamere di profondità o termiche) e l'apprendimento auto-supervisionato (ad esempio, addestrando il modello DNN risolvendo puzzle) per l'annotazione automatica di grandi quantità di dati. Infine, vengono presentati domain adaptation (ad esempio, l'applicazione di rilevatori diurni alla visione notturna) e il meta-learning, un framework di recente sviluppo per imparare a svolgere un compito, ad esempio online o con pochi dati disponibili.
Conoscenze e comprensione: Al termine del corso, gli studenti avranno familiarità con i modelli DNN all'avanguardia per compiti multipli e obiettivi multi-task, nonché con la generalizzazione e l'uso efficace di dati etichettati e non etichettati per l'apprendimento, l'apprendimento auto-supervisionato e il meta-apprendimento.
Applicazione di conoscenze e comprensione: Al termine del corso, gli studenti avranno acquisito familiarità con i più recenti progressi nell'apprendimento automatico in una varietà di compiti, il loro adattamento a nuovi ambiti e il continuo autoapprendimento degli algoritmi. Saranno in grado di spiegare gli algoritmi e scegliere le tecniche più appropriate per un dato problema. Saranno in grado di sperimentare con implementazioni esistenti e progettare e scrivere programmi per nuove soluzioni per un dato compito o problema nei due ambiti.
Capacità di pensiero critico e di giudizio: Gli studenti saranno in grado di analizzare un problema o un compito e identificare le metodologie e le tecniche più adatte da applicare in termini di risoluzione efficace del problema (accuratezza) e di fattibilità, inclusi l'efficienza, la quantità di dati necessari e l'annotazione. Oltre alle discussioni in classe, le capacità di pensiero critico e di giudizio saranno il risultato di esercitazioni, un progetto di corso e una relazione finale sul progetto.
Capacità di comunicazione: Gli studenti acquisiranno la capacità di esporre le proprie conoscenze in modo chiaro e organizzato, che sarà verificata attraverso la presentazione del progetto finale e la relativa discussione. Gli studenti saranno in grado di esprimere le proprie soluzioni in modo rigoroso e di spiegare la struttura del codice che hanno scritto.
Capacità di apprendimento: Le conoscenze acquisite consentiranno agli studenti di affrontare lo studio di altri problemi nell'ambito dell'apprendimento automatico e della visione artificiale. La capacità di apprendimento deriverà dagli argomenti delle lezioni scelti, che coprono ampie aree dell'apprendimento automatico avanzato, nonché dal progetto finale, per il quale gli studenti approfondiranno un nuovo argomento, andando oltre la teoria.

Obiettivi formativi Conoscenza e capacità di comprensione Conoscenza e comprensione dei principali problemi metodologici e di analisi posti dalla dimensione crescente dei dati e delle principali tecniche di soluzione.
Capacità di applicare conoscenza e comprensione Capacità di applicare le conoscenze e la comprensione dei problemi a scenari applicativi di interesse nell'analisi di collezioni di dati appartenenti a spazi euclidei o non di elevata dimensionalità.
Autonomia di giudizio Capacità di giudicare e valutare criticamente l'adeguatezza e l'efficacia delle soluzioni proposte
Abilità comunicative Capacità di comunicare i motivi e le valutazione sottostanti le scelte di soluzioni e tecniche adottate per risolvere problemi di interesse
Capacità di apprendimento Capacità di seguire l'evoluzione delle tecniche di base insegnate nel corso e apprendere loro varianti

Obiettivi formativi
Definizione del ruolo dei Big Data nel contesto della Statistica Ufficiale. Comprendere come inquadrare la misurazione dei fenomeni sociali, demografici ed economici attraverso i Big Data, considerando le sfide, le esigenze e i rischi connessi.
Conoscenza e capacità di comprensione
Conoscenza dei principali concetti necessari per operare nell'ambito della Statistica Ufficiale.
Capacità di applicare conoscenza e comprensione
Applicazione delle metodologie classiche di data mining ai principali temi della Statistica Ufficiale.
Autonomia di giudizio
Capacità di interpretare i risultati di un'analisi nell'ambito della Statistica Ufficiale.
Abilità comunicative
Capacità di comunicare i risultati a un pubblico privo di competenze tecniche.
Capacità di apprendimento
Capacità di apprendere rapidamente le specificità dei principali ambiti della Statistica Ufficiale.

• Obiettivi formativi Gli obiettivi del corso sono: i) fornire agli studenti un'esperienza pratica nell'analisi di dati da database bioinformatici; ii) introdurre gli studenti ad applicazioni di algoritmi per l'inferenza e l’analisi di reti in biologia e medicina. Gli studenti dovranno acquisire conoscenze e competenze biologiche di base, comprendere il ruolo delle reti nello studio dei meccanismi molecolari delle malattie; comprendere come utilizzare algoritmi e procedure della medicina di rete.
• Conoscenza e capacità di comprensione Il corso comprenderà lezioni teoriche, esercitazioni e un progetto pratico. Gli studenti acquisiranno nozioni teoriche di base e capacità nell’utilizzo dei programmi per ricerca e download in database, e per la costruzione e analisi di reti biologiche.
• Capacità di applicare conoscenza e comprensione Al termine del corso, gli studenti avranno acquisito familiarità con i concetti biologici di base e con i database e gli strumenti bioinformatici. Inoltre, avranno acquisito consapevolezza nell'utilizzo delle reti come paradigma per lo studio delle malattie.
• Autonomia di giudizio Al termine del corso, gli studenti saranno in grado di integrare le conoscenze teoriche con l’analisi pratica di dati bioinformatici e descrivere con spirito critico i risultati delle loro analisi.
• Abilità comunicative Gli studenti dovranno redigere una relazione che descriva il progetto pratico svolto, con sezioni specifiche dedicate alla descrizione del contesto, della metodologia usata e dei risultati ottenuti. Dovranno inoltre svolgere una presentazione durante la quale affronteranno la discussione del progetto.
• Capacità di apprendimento Gli studenti dovranno essere in grado di sviluppare un progetto, portandolo a compimento con successo, entro dei limiti temporali prefissati. Il progetto sarà sviluppato in piccoli gruppi, favorendo lo spirito di squadra. Tutte le competenze acquisite (teoriche e pratiche) saranno verificate durante un esame orale finale.

Obiettivi Generali Garantire la riservatezza dei dati personali e la sicurezza delle infrastrutture informatiche rappresenta una delle principali sfide nella raccolta e nell’analisi di insiemi di dati sensibili. Esempi di tali insiemi di dati includono dati medici, comunicazioni personali, informazioni finanziarie personali e aziendali. Il corso si propone di fornire una panoramica delle moderne tecniche volte a proteggere la privacy e la sicurezza dei dati in tali applicazioni.
Obiettivi Specifici Gli studenti apprenderanno le principali tecniche crittografiche e la loro applicazione per garantire la riservatezza dei dati in diversi contesti, tra cui il cloud computing, le basi di dati statistiche, il calcolo distribuito e le criptovalute.
Conoscenza e Comprensione -) Tecniche crittografiche moderne e loro limitazioni. -) Tecniche per garantire la privacy nelle basi di dati statistiche. -) Tecniche per la progettazione di criptovalute e registri distribuiti. -) Tecniche per il calcolo distribuito sicuro tra più parti.
Capacità di Applicare Conoscenza e Comprensione -) Come selezionare lo schema crittografico più adatto a una specifica applicazione. -) Come progettare un meccanismo che garantisca la privacy differenziale. -) Come programmare un sistema crittografico sicuro, oppure uno smart contract sicuro, oppure un protocollo crittografico sicuro.
Autonomia di Giudizio Gli studenti saranno in grado di valutare la sicurezza delle principali applicazioni crittografiche.
Abilità Comunicative Come descrivere la sicurezza degli standard crittografici, delle basi di dati statistiche che preservano la privacy e delle blockchain.
Capacità di Apprendimento Gli studenti interessati alla ricerca apprenderanno quali sono le principali sfide aperte del settore e acquisiranno le conoscenze di base necessarie per uno studio più approfondito degli argomenti trattati.

• Obiettivi formativi Le fonti di dati digitali e le tracce digitali del comportamento umano hanno il potenziale per fornire informazioni locali e tempestive sulle dinamiche delle malattie e della salute a livello di popolazione. L'obiettivo generale del corso è introdurre gli studenti all'analisi dei dati omici ed epidemiologici e all'utilizzo di approcci computazionali per fini clinici. Il corso si articola in due moduli. Il primo modulo tratta le opportunità e le sfide dell'analisi di fonti di dati digitali per l'estrazione di segnali epidemiologici e di salute pubblica e fornirà una panoramica dello stato dell'arte di questo campo emergente. Il secondo modulo si concentra sulla "medicina di precisione", un approccio emergente per il trattamento e la prevenzione delle malattie che tiene conto della variabilità individuale in termini di geni, ambiente e stile di vita per ogni persona.
• Conoscenza e capacità di comprensione Il corso comprenderà lezioni teoriche e pratiche. Gli studenti acquisiranno le nozioni teoriche di base per l'identificazione delle interazioni geniche e l'utilizzo di modelli compartimentali e della scienza delle reti.
• Capacità di applicare conoscenza e comprensione Al termine del corso, gli studenti avranno acquisito familiarità con i concetti biologici di base, con l'analisi dei dati omici ed epidemiologici e con l'utilizzo di approcci computazionali per lo studio delle dinamiche delle malattie infettive e di malattie complesse come il cancro.
• Autonomia di giudizio Al termine del corso, gli studenti saranno in grado di integrare le conoscenze teoriche con l'analisi pratica dei dati health-related e di descrivere in modo critico gli approcci studiati.
• Abilità comunicative Gli studenti dovranno redigere una relazione che descriva il progetto pratico svolto, con sezioni specifiche dedicate alla descrizione del contesto, della metodologia usata e dei risultati ottenuti. Dovranno inoltre svolgere una presentazione durante la quale affronteranno la discussione del progetto e la descrizione degli approcci computazionali studiati.
• Capacità di apprendimento Gli studenti dovranno essere in grado di sviluppare un progetto, portandolo a compimento con successo, entro dei limiti temporali prefissati. Il progetto sarà sviluppato in piccoli gruppi, favorendo lo spirito di squadra. Tutte le competenze acquisite (teoriche e pratiche) saranno verificate durante un esame orale finale.

OBIETTIVI FORMATIVI
Lo scopo del corso è fornire agli studenti competenze teoriche e pratiche sull'utilizzo di dati telerilevati per l'osservazione della terra. Il corso fornirà una panoramica dei sensori e delle tecniche utilizzate per generare prodotti a valore aggiunto a partire da misure telerilevate da satellite focalizzandosi su prodotti generati nel contesto dell'osservazione del suolo, del mare, del ghiaccio e delle aree urbane. Il corso è fortemente improntato sull’utilizzo di tali dati per generare prodotti a valore aggiunto.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE
Alla fine di questo insegnamento lo/la studente dovrà:
conoscere i principali presupposti teorici legati all'osservazione della terra; conoscere i principali sensori per l'osservazione della terra; conoscere i principali prodotti a valore aggiunto generati a partire da misure telerilevate; conoscere le principali tecniche per usare le misure telerilevate nel contesto dell’osservazione della terra.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE
Alla fine di questo insegnamento lo studente saprà:
conoscere i principi alla base delle misure telerilevate; elaborare autonomamente dati telerilevati; utilizzare gli strumenti e le adeguate competenze per l'interpretazione dei dati e l'estrazione di informazione da dati telerilevati.
AUTONOMIA DI GIUDIZIO
Alla fine di questo insegnamento lo/la studente saprà formulare un giudizio:
sulla qualità dei dati telerilevati; sui prodotti a valore aggiunto generati dai dati telerilevati.
ABILITÀ COMUNICATIVE
Alla fine dell'insegnamento lo/la studente dovrà sapere:
usare un linguaggio corretto e adeguato per la comunicazione di informazioni estratte da dati telerilevati.
CAPACITÀ DI APPRENDIMENTO
Alla fine di questo insegnamento lo/la studente saprà:
riconoscere in modo autonomo le tipologie di dati telerilevati da utilizzare; elaborare autonomamente misure telerilevate al fine di generare prodotti a valore aggiunto relativi all'osservazione della terra.
EDUCATIONAL GOALS The aim of the course is to provide students with theoretical and practical skills on the use of remote sensing data for earth observation. The course will provide an overview of the sensors and techniques used to generate value-added products from remotely sensed satellite measurements focusing on products generated in the context of observation of the atmosphere, soil, sea, ice and urban areas. The course
is very focused on the deveopment of added-value products starting from Earth Observation measurements. KNOWLEDGE AND UNDERSTANDING At the end of this course, the student must: - know the main theoretical assumptions related to Earth observation; - know the main sensors for Earth observation; - know the main value-added products generated from remotely sensed measurements; - know the main approaches to process remotely sensed measurements for earth observation purposes APPLY ING KNOWLEDGE AND UNDERSTANDING At the end of this course the student will be able to: - know the principles underlying remote sensing measurements; - independently collect and process remotely sensed data; - use the tools and appropriate skills for data interpretation and information extraction from remotely sensed data. MAKING JUDGMENTS At the end of this course, the student will be able to formulate a judgment: - on the quality of remotely sensed data; - on value-added products generated by remotely sensed data; COMMUNICATION SKILLS At the end of the course the student must be able to: - use correct and appropriate language for the communication of information extracted from remotely sensed data. LEARNING SKILLS At the end of this course, the student will be able to: - autonomously recognize the types of remotely sensed data to be used; - Autonomously develop remotely sensed measurements in order to generate value- added products related to Earth observation

Obiettivi generali: Il corso presenterà un'ampia panoramica di argomenti all’intersezione di informatica, scienza dei dati ed economia, sottolineando l’efficienza, la robustezza e le applicazioni ai mercati online emergenti. Introdurrà i principi della teoria algoritmica dei giochi e della progettazione dei meccanismi economici, della progettazione algoritmica del mercato, nonché dell'apprendimento automatico nei giochi e nei mercati. Dimostrerà applicazioni a casi di studio nella ricerca sul Web e nella pubblicità online, nell'economia delle reti, nei dati, nelle criptovalute e nei mercati dell'intelligenza artificiale.
Obiettivi specifici: Conoscenza e comprensione: I principi algoritmici e matematici dell’economia alla base della progettazione e del funzionamento di mercati online efficienti e robusti. L'applicazione di questi principi in esempi concreti di mercati online.
Applicare conoscenza e comprensione: Essere in grado di progettare e analizzare algoritmi per concrete applicazioni dei mercati online rispetto ai requisiti di efficienza e robustezza. Capacità critiche e di giudizio: Essere in grado di valutare la qualità di un algoritmo per applicazioni nel mercato online, discriminando gli aspetti di modellizzazione da quelli legati all'implementazione algoritmica e di sistema.
Capacità comunicative: Capacità di comunicare e condividere le scelte di modellazione e i requisiti di sistema, nonché i risultati dell'analisi dell'efficienza degli algoritmi del mercato online.
Capacità di apprendimento: Il corso stimola gli studenti ad acquisire capacità di apprendimento al crocevia tra informatica, economia e applicazioni del mercato digitale, compresi i diversi linguaggi utilizzati in questi campi.

• Properties of social networks
• Models for social networks
• Communities in social networks
• Network dynamics
• Auctions in networks
• Markets in networks
• https://sites.google.com/a/uniroma1.it/stefanoleonardi-eng/teaching/social-network-and-online-markets

Twenty Lectures on Algorithmic Game Theory by Tim Roughgarden

Obiettivi formativi (Generali) L'obiettivo del corso è introdurre gli studenti all'economia dell'informazione e dei mercati digitali, spesso caratterizzati dalla presenza di grandi piattaforme dominanti. Gli studenti acquisiranno una comprensione delle principali caratteristiche dei mercati digitali, tra cui gli effetti di rete, la complementarità, la compatibilità e gli standard, i costi di passaggio e il fenomeno del lock-in, nonché le economie di scala. Gli studenti saranno inoltre in grado di comprendere e valutare come tali specifiche caratteristiche tecnologiche e della domanda influenzino la struttura del mercato, le strategie e i modelli di business delle imprese, nonché gli interventi di politica pubblica nei mercati digitali. Al termine del corso, gli studenti saranno in grado di applicare i metodi e i modelli della microeconomia e dell'economia industriale per comprendere e analizzare le dinamiche concorrenziali nei mercati digitali. Obiettivi formativi (Specifici) Il corso è articolato in due moduli. Il primo modulo introduce le principali caratteristiche dei mercati digitali ed esamina il tema del potere di mercato e delle sue implicazioni, con particolare attenzione alla determinazione del prezzo in monopolio e alle diverse forme di discriminazione di prezzo, tra cui la personalizzazione dei prezzi (personalized pricing), la tariffazione mediante menu (menu pricing, comprendente la tariffazione non lineare e il versioning) e la discriminazione di prezzo tra gruppi di consumatori (group pricing). Sulla base delle conoscenze acquisite nel primo modulo, il secondo modulo si occupa di analizzare le modalità secondo cui fattori specifici, quali gli effetti di rete, i costi di passaggio, il lock-in e le economie di scala, influenzino le strategie delle imprese nei mercati digitali, comprese le decisioni relative alla complementarità e alla compatibilità dei prodotti, nonché il ruolo e le possibilità di intervento delle politiche pubbliche. Conoscenza e capacità di comprensione Il corso introduce gli studenti all'economia dell'informazione e dei mercati digitali. In particolare, gli studenti acquisiranno familiarità con le modalità secondo cui le specifiche caratteristiche della tecnologia e della domanda influenzano la struttura del mercato, le strategie e i modelli di business delle imprese, nonché le politiche pubbliche nei mercati digitali. Gli studenti acquisiranno inoltre una solida conoscenza dei principali modelli teorici utilizzati per analizzare i mercati digitali e dei meccanismi attraverso i quali il potere di mercato può emergere e consolidarsi nelle industrie basate su piattaforme. In particolare, il corso approfondisce il ruolo degli effetti di rete, dei costi di passaggio, delle decisioni di compatibilità e delle economie di scala nel determinare gli esiti concorrenziali nei mercati di interesse. Capacità di applicare conoscenza e comprensione Al termine del corso, gli studenti saranno in grado di applicare i metodi e i modelli della microeconomia e dell'economia industriale per comprendere e spiegare le dinamiche concorrenziali nei mercati digitali, nonché per analizzare casi di studio rilevanti. Gli studenti saranno inoltre in grado di individuare i meccanismi economici alla base del comportamento strategico delle imprese e di valutare le implicazioni di modelli di business alternativi e le conseguenze sui diversi esiti di mercato. Inoltre, gli studenti sapranno applicare gli strumenti teorici all'analisi dei mercati digitali reali e valutare i potenziali effetti degli interventi di politica pubblica. Autonomia di giudizio Le lezioni, le esercitazioni pratiche e le attività di problem solving consentiranno agli studenti di valutare i principali punti di forza e di debolezza dei modelli teorici nello spiegare l'evidenza empirica e i casi di studio relativi all'economia dell'informazione e dei mercati digitali. Più specificamente, gli studenti saranno in grado di confrontare criticamente formulazioni teoriche alternative e di riconoscere le ipotesi e i limiti su cui si fondano i diversi modelli. Inoltre, gli studenti svilupperanno la capacità di valutare la coerenza tra le previsioni teoriche e gli esiti osservabili nei mercati reali. Abilità comunicative Al termine del corso, gli studenti saranno in grado di individuare e illustrare le principali caratteristiche dell'economia dell'informazione e dei mercati digitali, nonché di discutere informazioni, idee, problemi e possibili soluzioni sia con interlocutori specialisti sia con un pubblico non specialistico. Tali competenze saranno verificate attraverso la prova scritta finale e, ove previsto, mediante la prova orale. Gli studenti saranno inoltre in grado di presentare argomentazioni economiche in modo chiaro e strutturato, utilizzando una terminologia appropriata e supportando il proprio ragionamento con adeguate evidenze analitiche. Infine, gli studenti svilupperanno la capacità di comunicare concetti complessi in modo sintetico ed efficace, adattando il linguaggio ai diversi interlocutori e ai differenti contesti. Capacità di apprendimento Gli studenti svilupperanno le competenze necessarie per affrontare con un elevato grado di autonomia ulteriori studi sui temi dell'economia dell'informazione e dei mercati digitali. Durante il corso, gli studenti saranno incoraggiati ad approfondire gli argomenti di maggiore interesse mediante la consultazione di articoli scientifici, testi specialistici e altre risorse rilevanti. Tali competenze saranno valutate attraverso la prova scritta finale e, ove previsto, mediante la prova orale, nel corso della quale agli studenti potrà essere richiesto di discutere i principali concetti affrontati e di risolvere nuovi problemi basati sugli argomenti e sui materiali trattati e resi disponibili durante il corso.

Obiettivi formativi
Obiettivi generali: L'insegnamento intende fornire una panoramica del diritto e delle politiche dell'Unione europea sui dati digitali, inquadrando la recente legislazione e comparandola con quella meno recente così da evidenziare il graduale passaggio dai problemi di governance caratteristici della c.d. società dell'informazione (concernenti la riproduzione e la comunicazione elettronica di informazioni) alla c.d. economia dei dati (concernenti, in aggiunta ai problemi inerenti alla riproduzione e alla comunicazione elettronica di informazioni, quelli relativi alla produzione automatica di dati digitali).
Obiettivi specifici: Il corso fornirà nozioni di base relative alle seguenti fonti:
GDPR (General Data Protection Regulation) Open Data Directive DGA (Data Governance Act) Data Act DSA (Digital Services Act) & DMA (Digital Markets Act) AI Act (Artificial Intelligence Act) Conoscenza e capacità di comprensione
Conoscenza della lingua inglese ad un livello adeguato per seguire lezioni in aula e scrivere. Nessun altro prerequisito è richiesto.
Capacità di applicare conoscenza e comprensione
Gli studenti acquisiranno elementi di conoscenza idonei a comprendere lo stato e l'evoluzione nel corso degli anni del diritto e delle politiche dell'Unione sul mercato dei dati digitali nonché l'applicazione e l'attuazione del diritto europeo dei dati in molti campi.
Autonomia di giudizio
Gli studenti acquisiranno abilità critiche e di giudizio, in particolare per quanto riguarda metodo, categorie e concetti giuridici, così da consentire loro di orientarsi tra le molte fonti del diritto dei dati.
Abilità comunicative
Gli studenti acquisiranno abilità comunicative sufficienti relative alla terminologia giuridica nel campo del diritto dei dati.
Capacità di apprendimento
Gli studenti acquisiranno abilità per l'interpretazione e la comprensione della connessione tra i regolamenti e le direttive che formano l'oggetto specifico del programma (come elencati sotto "Obiettivi specifici") e le molte altre fonti del diritto dell'Unione e nazionale che si occupano di dati digitali e di infrastrutture digitali in molti campi e settori tecnologici (come la legislazione sui dati sanitari e sui dati finanziari, nonché la legislazione sulle tecnologie a registro distribuito, le tecnologie cloud, l'internet delle cose), così come in specifiche aree del diritto pubblico e privato (quali il diritto amministrativo – ad esempio in materia di approvvigionamento di applicazioni di IA da parte della pubblica amministrazione e di golden power – il diritto penale, il diritto della proprietà intellettuale e industriale, il diritto societario, il diritto dei consumatori, il diritto dei contratti e della responsabilità civile).

In addition to the 12 credits of elective courses chosen by the student, this module provides structured opportunities to develop practical and cross-disciplinary skills through workshops, seminars, training camps, and project-based activities. The aim is to help students prepare for real-world challenges and enhance their career development in data science.

General goals The final exam consists of the preparation and public defense of a Master’s thesis, where students demonstrate their ability to independently develop a substantial data science project. This module marks the culmination of the training path and aims to assess the student's capacity to apply theoretical knowledge, methodological rigor, and data-driven thinking to a complex, real-world problem.
Specific goals Guide the student in the design, execution, and presentation of an original research or applied project. Promote independent critical thinking and scientific communication. Provide a structured opportunity to integrate technical, analytical, and contextual knowledge acquired throughout the program. Knowledge and understanding Students will consolidate their understanding of:
Data science methodologies relevant to their thesis topic. Theoretical frameworks and domain-specific knowledge applied to real data. Research design, problem formulation, and result validation in data-intensive contexts. Applying knowledge and understanding Students will:
Design and carry out an original data-driven project, including data acquisition, analysis, modeling, and interpretation. Use appropriate tools and methodologies to solve a defined problem. Produce a written thesis and defend their work in front of a committee. Critical and judgmental abilities Students will develop the ability to:
Make autonomous methodological choices and justify them. Reflect on the impact, limitations, and generalizability of their findings. Evaluate the reliability of data and the robustness of results. Communication skills Students will be able to:
Present complex concepts, methods, and results in a clear and structured manner. Write a scientific document following academic standards. Discuss and defend their work during the final examination. Learning ability Students will:
Demonstrate the ability to carry out independent research or applied work. Show maturity in managing a full project lifecycle. Be prepared for either further academic paths (e.g., PhD) or high-level professional roles.

GENERALI Il corso di Generative Models for Audio ha l’obiettivo generale di fornire agli studenti una comprensione approfondita delle metodologie e delle tecniche alla base dei modelli generativi applicati ai segnali audio. Il corso si propone di esplorare i principali paradigmi, tra cui modelli autoregressivi, modelli a variabili latenti, flussi normalizzanti, modelli energy-based e modelli di diffusione, evidenziandone le basi teoriche, le formulazioni probabilistiche e le implementazioni computazionali. Gli studenti acquisiranno strumenti concettuali per analizzare criticamente le potenzialità e i limiti dei diversi approcci, nonché competenze pratiche per sviluppare, addestrare e valutare modelli generativi su dati audio complessi. Particolare attenzione sarà riservata alle applicazioni di frontiera, come la sintesi vocale, il voice cloning, l’audio inpainting, la separazione di sorgenti e la compressione audio. Inoltre, verranno affrontate tematiche trasversali legate all’apprendimento non supervisionato, all’apprendimento self-supervised, all’interpretabilità e alla robustezza dei modelli generativi. Al termine del corso, gli studenti saranno in grado di integrare conoscenze teoriche e pratiche per affrontare problemi avanzati di generazione e manipolazione audio, sviluppando una prospettiva critica e multidisciplinare indispensabile per la ricerca e lo sviluppo nell’ambito della data science e dell’audio AI.
SPECIFICI • Conoscenza e capacità di comprensione: Gli studenti acquisiranno una conoscenza avanzata delle tecniche di modellazione generativa per l’audio e comprenderanno le basi teoriche e computazionali dei principali modelli. • Capacità di applicare conoscenza e comprensione: Gli studenti saranno in grado di implementare, addestrare e valutare modelli generativi su dati audio, applicando le conoscenze acquisite a problemi pratici e di ricerca. • Autonomia di giudizio: Gli studenti svilupperanno la capacità critica di valutare l’adeguatezza e le performance dei modelli generativi in diversi contesti applicativi. • Abilità comunicative: Gli studenti sapranno presentare in modo chiaro ed efficace i risultati ottenuti, motivando le scelte progettuali e discutendo le implicazioni dei modelli sviluppati. • Capacità di apprendimento: Gli studenti acquisiranno competenze per approfondire in autonomia nuovi modelli e metodologie nel campo della generazione audio, mantenendosi aggiornati sulle evoluzioni della disciplina.

Obiettivi formativi Il corso trova la sua motivazione nella grande disponibilità e rilevanza dei dati geospaziali (in particolare i big data), e si propone di fornire i fondamenti sulle principali metodologie e tecniche attualmente disponibili per la loro acquisizione, verifica, analisi, archiviazione e condivisione. Infatti, la stragrande maggioranza (una percentuale vicina all'80%) dei dati attualmente disponibili ha una connotazione geografica, è intrinsecamente legata ad una posizione; sono quindi denominati dati geospaziali. Inoltre, la sempre maggiore disponibilità di sensori in grado di acquisire dati geospaziali, consentendo l'acquisizione di quantità sempre maggiori di dati, solleva diverse questioni importanti legate all'uso corretto, efficiente ed efficace di questi big data geospaziali. Particolare attenzione viene data ai dati provenienti da Global Navigation Satellite Systems (GNSS), Fotogrammetria e Telerilevamento, Volunteered Geographic Information (VGI) e crowdsourcing, sia per quanto riguarda la loro analisi e gestione con software liberamente disponibili e piattaforme cloud-based per l'analisi ambientale su scala planetaria analisi dei dati (Google Earth Engine).
Conoscenza e capacità di comprensione Gli studenti che hanno superato l'esame conosceranno le nozioni fondamentali sulle principali metodologie e tecniche attualmente disponibili per l'acquisizione, la verifica, l'analisi, l'archiviazione e la condivisione di dati geospaziali, con particolare attenzione ai sistemi globali di navigazione satellitare (GNSS), alla fotogrammetria e al telerilevamento e al cloud- piattaforme basate per l'analisi di dati ambientali su scala planetaria (Google Earth Engine), essendo anche consapevoli delle risorse rilevanti rappresentate da Volunteered Geographic Information (VGI) e crowdsourcing.
Capacità di applicare conoscenza e comprensione Gli studenti che hanno superato l'esame saranno in grado di pianificare e gestire l'acquisizione, la verifica, l'analisi, l'archiviazione e la condivisione dei dati geospaziali necessari alla risoluzione di problemi interdisciplinari, utilizzando i sistemi di navigazione satellitare globale (GNSS), la fotogrammetria e il telerilevamento e i sistemi basati su cloud piattaforme per l'analisi di dati ambientali su scala planetaria (Google Earth Engine), nella consapevolezza anche dei rilevanti contributi aggiuntivi che possono essere forniti da Volunteered Geographic Information (VGI) e crowdsourcing.
Autonomia di giudizio Gli studenti acquisiranno autonomia di giudizio grazie alle competenze sviluppate durante l'esecuzione delle esercitazioni numeriche e pratiche che verranno proposte su tre argomenti principali del corso (Global Navigation Satellite Systems, Fotogrammetria e Telerilevamento, Google Earth Engine).
Abilità comunicative Gli studenti svilupperanno capacità comunicative in forma scritta sia durante il corso tramite la preparazione di un numero minimo di report su temi diversi trattati durante le esercitazioni pratiche, sia durante la prova d'esame che richiede la risposta aperta a due domande ampie riguardanti argomenti fondamentali trattati durante le lezioni teoriche.
Capacità di apprendimento L'acquisizione di competenze metodologiche di base sugli argomenti trattati, unitamente a competenze operative all'avanguardia, favorisce lo sviluppo di capacità di apprendimento autonomo da parte dello studente, consentendo un aggiornamento continuo, autonomo e approfondito

Obiettivi formativi Conoscenza e capacità di comprensione Conoscenza e comprensione delle principali tecniche di analisi di grafi e dei relativi ambiti di applicazione.
Capacità di applicare conoscenza e comprensione Capacità di applicare le conoscenze e le competenze acquisite alla modellazione e alla risoluzione di problemi applicativi mediante l'utilizzo dei grafi.
Autonomia di giudizio Capacità di giudicare e valutare criticamente l'adeguatezza e l'efficacia delle soluzioni proposte
Abilità comunicative Capacità di comunicare i motivi e le valutazione sottostanti le scelte di soluzioni e tecniche adottate per risolvere problemi di interesse
Capacità di apprendimento Capacità di seguire l'evoluzione delle tecniche di base insegnate nel corso e apprendere loro varianti

The course will include some of the following topics:

• Theoretical algorithms for graph modeling and analysis:

◦ Real graph properties and models (Gnp, preferential attachment, Kleinberg’s reachability)

◦ Models for propagation (linear threshold, cascade) and for opinion formation

◦ Homophily and influence and algorithms for identifying and distinguishing

◦ Influence maximization

◦ Algorithms for graph alignment

◦ Dense subgraphs, community detection, graph minors

◦ Graph summarization and sampling

• Machine-learning approaches:

◦ Label propagation

◦ Graph transformers

◦ Knowledge-graph emdeddings

◦ Models for analysis of temporal graphs

◦ Explainability

• Architectures for handling large graph data:

◦ Spark GraphsX

◦ AWS Neptune

◦ AWS GraphStorm

◦ Neo4J

The evaluation will include one or more of the following:

• homework problems
• presentations
• project

We will use some book chapters and current research publications.

Obiettivi formativi
L'insegnamento fornisce gli strumenti teorici, metodologici e quantitativi per l'analisi dei sistemi complessi attraverso l'approccio della Network Science. Il corso introduce i principali modelli utilizzati per rappresentare, analizzare e interpretare sistemi caratterizzati da un elevato numero di componenti interagenti, ponendo particolare attenzione alla relazione tra struttura, dinamiche collettive e dati empirici. Gli studenti acquisiranno competenze per modellare fenomeni complessi, integrare evidenze empiriche e modelli teorici, e interpretare processi quali diffusione, resilienza, polarizzazione e formazione delle opinioni in sistemi sociali, tecnologici e informativi.
Conoscenza e capacità di comprensione
Al termine dell'insegnamento lo studente conoscerà i principali concetti della teoria delle reti e dei sistemi complessi, i modelli generativi delle reti, le dinamiche che si sviluppano sui sistemi interconnessi e le principali metodologie per l'analisi quantitativa dei fenomeni collettivi. Lo studente comprenderà il ruolo della struttura delle reti all'emergere di proprietà macroscopiche osservabili e sarà in grado di interpretare criticamente i risultati derivanti dall'analisi di sistemi complessi.
Capacità di applicare conoscenza e comprensione
Lo studente sarà in grado di rappresentare sistemi complessi mediante modelli di rete, applicare metodologie quantitative per l'analisi di dati relazionali, valutare proprietà strutturali e dinamiche delle reti e utilizzare modelli teorici per interpretare fenomeni osservati in dati reali. Sarà inoltre in grado di formulare ipotesi, confrontare modelli alternativi e applicare strumenti analitici allo studio di sistemi sociali, tecnologici e informativi.
Autonomia di giudizio
Lo studente svilupperà la capacità di valutare criticamente dati, modelli e risultati empirici, riconoscendone ipotesi, limiti e condizioni di validità. Sarà in grado di selezionare metodologie appropriate per specifici problemi di ricerca e di formulare interpretazioni autonome e scientificamente fondate dei fenomeni osservati.
Abilità comunicative
Lo studente sarà in grado di descrivere modelli, metodi e risultati utilizzando un linguaggio scientifico appropriato, comunicando in modo efficace concetti complessi sia a interlocutori specialisti sia non specialisti. Sarà inoltre in grado di presentare analisi quantitative e discutere criticamente evidenze empiriche.
Capacità di apprendimento
Lo studente acquisirà gli strumenti concettuali e metodologici necessari per approfondire autonomamente temi avanzati della Network Science, dei sistemi complessi e della computational social science, nonché per affrontare attività di ricerca e applicazioni professionali che richiedano l'analisi quantitativa di sistemi complessi.

Obiettivi formativi: il corso intende fornire una panoramica ampia delle reti neurali, così come vengono impiegate oggi in numerosi ambiti applicativi. Offre una solida comprensione teorica e pratica di come le reti neurali e le moderne architetture di deep learning vengano progettate e implementate, evidenziandone i componenti più comuni, le idee fondamentali e le principali limitazioni attuali. Conoscenza e capacità di comprensione: al termine del corso, lo studente avrà acquisito una comprensione ampia del funzionamento pratico delle reti neurali, con la capacità di implementare nuovi componenti da zero, riutilizzare modelli esistenti e progettare nuove architetture per problemi che vadano oltre quelli trattati direttamente nel corso. Capacità di applicare conoscenza e comprensione: gli studenti acquisiranno la capacità di implementare modelli neurali utilizzando i moderni framework di deep learning. Impareranno a pre-processare i dati, selezionare architetture adeguate, addestrare e valutare modelli, nonché individuare e risolvere i problemi più comuni durante l’addestramento delle reti neurali. Particolare enfasi sarà posta sulla risoluzione pratica di problemi, consentendo agli studenti di applicare le conoscenze teoriche a casi reali nei domini della visione artificiale, del linguaggio naturale e dei dati strutturati. Autonomia di giudizio: lo studente sarà in grado di analizzare nuovi problemi che richiedano tecniche di apprendimento automatico e di progettare soluzioni basate su reti neurali adeguate al contesto, comprendendone sia i punti di forza sia i limiti. Abilità comunicative: il corso favorirà lo sviluppo di competenze comunicative, consentendo agli studenti di descrivere, sia in termini tecnici sia divulgativi, i principi matematici alla base dei modelli studiati, nonché di scrivere codice chiaro, leggibile e comprensibile per la loro implementazione. Capacità di apprendimento: oltre agli argomenti trattati nel corso, lo studente sarà in grado di approfondire autonomamente nuovi temi di ricerca all’avanguardia e di orientarsi nella letteratura scientifica e nel panorama software contemporaneo.

Obiettivi generali
Il principale obiettivo è la comprensione da parte degli studenti dei principali problemi (modellazione delle statistiche economiche) e dei metodi per i dati panel che utilizzano la stima parametrica. Gli “individui” sono rappresentati dalle Unità Decisionali (DMU). Più specificamente, si tratta di banche tipicamente coinvolte nel sistema bancario europeo (e anche internazionale). Il corso si concentrerà sui problemi gestionali di queste aziende studiando equazioni come le funzioni di costo (principalmente) e di profitto che sono rilevanti per valutare l'efficienza delle banche. Inoltre, gli studenti dovrebbero sapere sia come risolvere problemi analitici, al fine di applicare la metodologia appropriata, sia come interpretare i risultati ottenuti da applicazioni empiriche su dati reali.
Obiettivi specifici
a) Conoscenza e capacità di comprensione. Dopo aver frequentato il corso, gli studenti conoscono e comprendono i principali problemi dei Panel Data. In particolare, il corso terrà conto della logica di costruzione di modelli empirici, relativi alla teoria economica sottostante (e alle conseguenti suddivisioni in variabili endogene ed esogene), con una o più equazioni al fine di valutare il grado di efficienza di una tipica Unità Decisionale (in questo caso la banca ed eventualmente la compagnia assicurativa). Studieremo i principali metodi di stima dei Panel Data per risolvere i problemi di efficienza relativi a un'azienda che tradizionalmente opera nel settore privato.
b) Capacità di applicare conoscenza e comprensione. Al termine del corso gli studenti sono in grado di formalizzare e risolvere problemi mediante metodi specifici e di trattare modelli fondamentali di Panel Data per rispondere a domande sull'analisi di efficienza e produttività del sistema bancario. Infine, gli studenti saranno in grado di applicare i metodi studiati a dati reali e di interpretare correttamente i risultati anche dal punto di vista teorico.
c) Autonomia di giudizio. Gli studenti sviluppano capacità analitiche e capacità di affrontare diversi approcci alternativi per risolvere problemi empirici reali.
d) Abilità comunicative. Gli studenti apprendono un linguaggio tecnico appropriato alla materia studiata e che verrà utilizzato durante l'esame orale e scritto, attraverso esercizi pratici.
e) Capacità di apprendimento. Gli studenti che superano l'esame sono in grado di estendere la metodologia studiata anche ad altri campi e di trarne conclusioni.

Program (9 C.F.U., 72 hours, 6 C.F.U. 48 hours will cover same arguments but with lower degree of details)

Lessons spread on five main blocks. Every lesson will be briefly described from time to time on-line on the website “elearning2 Sapienza” also by uploading the accessory material used.

Part 1. Estimation methods: Panel Data Analysis

Part 2. Introduction of the analytical models (Production Economics, Productivity and Efficiency Measurements); Variables definition. Data and Measurement Issues. Initial evaluation of the datasets adopted for the applied analyses.

Part 3. Analytics for the parametric empirical approach: Cost, Profit (and in synthesis Revenue functions). Stochastic Frontier Models. Input Efficiency and Output Efficiency Indicators.

Part 4. Applied analysis to real data of the banking system, with R and STATA.

References (Available on-line (after enrollment in the course), website elearning2 Sapienza):

• Wooldridge, J.M, (2002), ”Econometric Analysis of Cross Section and Panel Data”, The MIT Press Cambridge, Massachusetts London, England (For panel Data).
• Maggi B. (2019), Lecture note (Some notions of Part I and Part II).
• Maggi B., Guida M., (2011), Modelling non-performing loans probability in the commercial banking system: efficiency and effectiveness related to credit risk in Italy, Empirical Economics, n. 2, pp 269-291 (For Dataset preparation).
• Pastor, J. M., Serrano L., (2005), "Efficiency, endogenous and exogenous credit risk in the banking systems of the Euro area.
• Berger A., Leusner J., Mingo J., (1997), “The efficiency of bank branches”, Journal of Monetary Economics, n° 1, n. 40, pp. 141-162.
• Berger A, Mester, L.J., (2001), “Explaining the dramatic changes in performance of US banks: technological change, deregulation, and dynamic changes in competition, WP n° 01-6, The Wharton Financial Institutions Center, University of Pennsylvania.
• Rolf F., Grosskopf, S., Lovell, C.A., Yaisawarng, S., (1993), “Derivation of Shadow Prices for Undesirable Outputs: A Distance Function Approach”, The Review of Economics and Statistics Vol. 75, No. 2, pp. 374-380
• Gallant, R., (1981), “On the bias of flexible functional forms and an essentially unbiased form”, Journal of Econometrics, n. 15, pp. 211-245.
• Measurement and Efficiency Issues in Commercial Banking, Chapter Author: Allen N. Berger, David B. Humphrey, Chapter URL: http://www.nber.org/chapters/c7237, Chapter pages in book: (p. 245 - 300)

Gallant, R., (1982), “Unbiased determination of production technologies”, Journal of Econometrics, n. 20, pp. 285-323.

• White, A., 1980. “Using Least squares to approximate unknown regression functions”.

Simper, R., 1999. Economies of scale in the Italian saving banking industry. Applied Financial Economics 9, 11—19.

• Battese Tim, D.S. Rao, G. Coelli, O’Donnell J., (2005), “An introduction to efficiency and productivity

analysis”, Springer.

References (Available on-line (after enrollment in the course), website elearning2 Sapienza):

• Battese Tim, D.S. Rao, G. Coelli, O’Donnell J., (2005), “An introduction to efficiency and productivity

analysis”, Springer.

• Wooldridge, J.M, (2002), ”Econometric Analysis of Cross Section and Panel Data”, The MIT Press Cambridge, Massachusetts London, England (For panel Data).
• Maggi B. (2019), Lecture note (Some notions of Part I and Part II).
• Maggi B., Guida M., (2011), Modelling non-performing loans probability in the commercial banking system: efficiency and effectiveness related to credit risk in Italy, Empirical Economics, n. 2, pp 269-291 (For Dataset preparation).
• Pastor, J. M., Serrano L., (2005), "Efficiency, endogenous and exogenous credit risk in the banking systems of the Euro area.
• Berger A., Leusner J., Mingo J., (1997), “The efficiency of bank branches”, Journal of Monetary Economics, n° 1, n. 40, pp. 141-162.
• Berger A, Mester, L.J., (2001), “Explaining the dramatic changes in performance of US banks: technological change, deregulation, and dynamic changes in competition, WP n° 01-6, The Wharton Financial Institutions Center, University of Pennsylvania.
• Rolf F., Grosskopf, S., Lovell, C.A., Yaisawarng, S., (1993), “Derivation of Shadow Prices for Undesirable Outputs: A Distance Function Approach”, The Review of Economics and Statistics Vol. 75, No. 2, pp. 374-380
• Gallant, R., (1981), “On the bias of flexible functional forms and an essentially unbiased form”, Journal of Econometrics, n. 15, pp. 211-245.
• Measurement and Efficiency Issues in Commercial Banking, Chapter Author: Allen N. Berger, David B. Humphrey, Chapter URL: http://www.nber.org/chapters/c7237, Chapter pages in book: (p. 245 - 300)

Gallant, R., (1982), “Unbiased determination of production technologies”, Journal of Econometrics, n. 20, pp. 285-323.

• White, A., 1980. “Using Least squares to approximate unknown regression functions”.

Simper, R., 1999. Economies of scale in the Italian saving banking industry. Applied Financial Economics 9, 11—19.

Obiettivi formativi L'obiettivo del corso è insegnare le metodologie di base dell'elaborazione dei segnali e mostrare la loro applicazione al machine learning e alla data science. I metodi includono: (i) strumenti standard per l'elaborazione di serie temporali e immagini, come l'analisi in frequenza, il filtraggio e il campionamento; (ii) Modelli di dati basati su sparsità e basso rango con applicazioni all'elaborazione di dati con alta dimensionalità (p.es., ricostruzione sparsa, fattorizzazione di matrici, completamento di tensori); (iii) Strumenti di elaborazione di segnali su grafo, adatti ad analizzare ed elaborare dati definiti su domini non metrici (ad es. grafi, ipergrafi, topologie, ecc.) con l’obiettivo di realizzare task di graph machine learning come filtraggio su grafo, clustering spettrale, inferenza della topologia dai dati e reti neurali su grafo. Infine, viene mostrato come formulare e risolvere problemi di machine learning in modo distribuito, adatto per applicazioni di big data, dove l'apprendimento e l'elaborazione dei dati devono essere necessariamente eseguiti su più macchine. Homework ed esercitazioni su dati reali saranno svolti utilizzando Python e/o Matlab.
Obiettivi specifici: Conoscenza e capacità di comprensione: Apprendere le basi dell'elaborazione dei segnali per il machine learning e applicare questi concetti a problemi di data science. Capacità di applicare conoscenza e comprensione: Applicare tecniche di elaborazione dei segnali e machine learning su set di dati reali, utilizzando linguaggi di programmazione come Python e Matlab. Autonomia di giudizio: Analizzare i vantaggi e i limiti dei diversi strumenti e modelli e determinare la migliore metodologia da utilizzare per un determinato problema. Abilità comunicative: Comunicare in modo efficace nei campi dell’elaborazione dei segnali e del machine learning, considerando la teoria, i vincoli, le soluzioni e le potenziali applicazioni. Abilità di apprendimento: Sviluppare studi nel campo dell'elaborazione dei segnali per il machine learning, inclusa la capacità di intraprendere ricerche in questo settore.

GENERALI L'obiettivo di questo corso è fornire una panoramica del vasto mondo delle tecnologie wireless e cablate che verranno utilizzate per gli ambienti intelligenti. Queste tecnologie saranno in grado di fornire infrastrutture di rete e piattaforme per l’elaborazione delle informazioni digitali, multimediali e in realtà estesa, utilizzate in ambienti urbani e in ambienti intelligenti. I recenti progressi in settori quali quelli dell’edge computing, dell'apprendimento automatico, delle reti wireless e rete di sensori consentono varie applicazioni ambientali intelligenti nella vita di tutti i giorni. L'obiettivo principale di questo corso è presentare e discutere i recenti progressi nell'area dell'Internet of Things, in particolare su tecnologie, architetture, algoritmi e protocolli per ambienti intelligenti con enfasi sulle applicazioni reali di ambienti intelligenti. Il corso presenterà gli aspetti di comunicazione e networking, nonché l'elaborazione dei dati multimediali e di realtà estesa da utilizzare per la progettazione dell'applicazione. Il corso proporrà due casi di studio nel campo degli ambienti intelligenti: monitoraggio del traffico veicolare per applicazioni ITS e reti wireless a basso consumo energetico. In entrambi i casi verranno forniti strumenti, modelli e metodologie per la progettazione di applicazioni per ambienti intelligenti.
SPECIFICI • Conoscenza e capacità di comprensione: Conoscere i recenti progressi nell'area dell'Internet delle cose, in particolare su tecnologie, architetture, algoritmi e protocolli per ambienti intelligenti con enfasi sulle applicazioni e sulle piattaforme di elaborazione. Conoscere i recenti progressi nella rappresentazione di dati multimediali e di realtà estesa. • Capacità di applicare conoscenza e comprensione: saper applicare criteri e tecniche di progettazione di piattaforme intelligenti per l’acquisizione dei dati, per la comunicazione in rete e per le applicazioni in contesti di ambienti intelligenti. • Autonomia di giudizio: saper analizzare benefici e limiti di progetti ambienti intelligenti. • Abilità comunicative: saper presentare progetti su ambienti intelligenti e di IoT, compresi vincoli progettuali, soluzioni e possibilità d’impiego. • Capacità di apprendimento: capacità di sviluppare studi più avanzati nell’ambito delle tecnologie di elaborazione e di rete in ambienti intelligenti.
Risultati attesi Al termine del corso, gli studenti saranno in grado di: Comprendere e descrivere le principali tecnologie wireless e cablate di all’Internet of Things (IoT) e impiegate negli ambienti intelligenti. Analizzare architetture e protocolli di rete orientati all’IoT e alla raccolta dati da sensoristica distribuita. Progettare applicazioni per ambienti intelligenti integrando comunicazione, edge computing e algoritmi di apprendimento automatico. Applicare strumenti e metodologie per il monitoraggio del traffico veicolare e la realizzazione di reti a basso consumo energetico. Comprendere le tecnologie e i flussi di elaborazione dati multimediali e sensoristici per applicazioni in ambienti intelligenti. Progettare applicazioni che integrano contenuti in realtà estesa (XR) e valutarne l’impatto in contesti urbani e intelligenti. Sviluppare un approccio critico e sistemico alla progettazione di infrastrutture digitali per città e ambienti intelligenti, considerando aspetti di scalabilità, sostenibilità ed efficienza energetica.