Corso di laurea

INGEGNERIA INFORMATICA

Università degli Studi di L'Aquila · 44 materie · 0 file condivisi

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

Sfoglia il materiale didattico

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

Materie del corso

ADVANCED COMPUTING TECHNOLOGIES 1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file

L’insegnamento si propone di introdurre gli studenti alle metodologie, alle tecniche ed agli strumenti di analisi e progettazione di architetture di calcolo in grado di soddisfare i requisiti prestazionali delle…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento si propone di introdurre gli studenti alle metodologie, alle tecniche ed agli strumenti di analisi e progettazione di architetture di calcolo in grado di soddisfare i requisiti prestazionali delle moderne applicazioni software. Obiettivo formativo dell’insegnamento è quello di sviluppare la capacità degli studenti di utilizzare tali conoscenze per progettare il migliore sistema hardware/software dati determinati requisiti, nonché la capacità di comprendere e prevedere le evoluzioni architetturali per l’elaborazione delle informazioni. Gli studenti studieranno le principali tecniche utilizzate nei moderni microprocessori, le diverse forme di parallelismo presenti nelle applicazioni e come esse possano essere sfruttate in combinazione con le diverse caratteristiche architetturali. Gli obiettivi formativi sono parte delle finalità formative del Corso di Studi, in quanto la coerenza del corso di laurea in Ingegneria Informatica è stata verificata e armonizzata in fase di progettazione dello stesso. In particolare, l’insegnamento concorre alle competenze caratterizzanti comuni ai due curricula, specificatamente per quanto riguarda le metodologie di progettazione ed analisi, anche rivolte all’innovazione. RISULTATI DI APPRENDIMENTO - Learning Objectives (LO) Al termine dell’insegnamento, lo/a studente/ssa sarà in grado di: LO1 - CONOSCERE e COMPRENDERE l’evoluzione storica, i paradigmi e i modelli delle architetture di elaborazione avanzate, il processo di progettazione delle stesse, le relative metodologie, le tecniche di analisi di performance e la specifica dei requisiti, i framework di sviluppo, nonché – per ognuno di questi aspetti - le variabili che ne influenzano la scelta. LO2 - APPLICARE TALI CONOSCENZE all’analisi di performance ed alla progettazione di architetture di elaborazione in grado di eseguire determinate applicazioni con determinate performance, tenendo conto dei contesti d’uso e delle tecnologie a disposizione. LO3 - VALUTARE CRITICAMENTE l’adeguatezza delle architetture di elaborazione in base a tecniche di scheduling e valutazione del response-time, ed a tecniche di individuazione dei bottleneck mediante la scelta di opportuni benchmark. LO4 - DISCUTERE le giustificazioni progettuali ed ESPORRE i concetti in modo scientificamente corretto e rigoroso sia oralmente che per iscritto LO5 - APPRENDERE IN MODO AUTONOMO ed ESPORRE testi di approfondimento correlati ai temi del corso. LO6 - APPLICARE TALI CONOSCENZE ai problemi proposti in fase d’esame.

Programma

Introduzione e ripasso dei concetti di pipeline, cache, prestazioni Metriche di valutazione delle prestazioni per architetture avanzate Tecniche di misura delle prestazioni: simulatori, sistemi di monitor Multi-threading e parallelismo Branch prediction Parallelismo a livello di istruzione Scheduling statico Scheduling dinamico Limite dell’ILP e processori superscalari Architetture multiprocessore

Si presuppone che gli studenti abbiano familiarità con la progettazione di sistemi digitali, con le nozioni base di architetture di elaborazione, e con i concetti base di sistemi operativi. Tutte le competenze sono tipicamente acquisite nel corso di una laurea triennale in Ingegneria dell'Informazione o affine. In maggior dettaglio, i prerequisiti sono i seguenti: Buon livello di Inglese (orale e scritto) Conoscenza dei sistemi combinatori e loro progettazione. Conoscenza dei sistemi sequenziali e loro progettazione. Progettazione mediante modello di Moore/Mealy. Progettazione mediante modello datapath/control path. Conoscenza dei circuiti aritmetici di base. Conoscenza delle tecniche di programmazione di base con esperienza di programmazione in un qualsiasi linguaggio. Conoscenza di concetti base di sistemi operativi. Conoscenza di concetti base di calcolatori elettronici.

Didattica frontale; in particolare: il giorno della lezione saranno disponibili diapositive su ciascuno degli argomenti specifici affrontati nel corso. Cooperazione attiva: durante le lezioni, verranno proposti problemi a complessità crescente, che gli studenti risolveranno associandosi in piccoli gruppi. Gli argomenti trattati verranno ulteriormente approfonditi all'interno di lezioni dove si discuteranno reali architetture.

Modalità d'esame

Le competenze verranno valutate grazie ad una prova scritta ed orale. La prova scritta consiste in un mix di domande e problemi: la loro soluzione è necessaria a dimostrare la conoscenza delle nozioni acquistite e permette di valutare tutti i risultati di apprendimento, con particolare attenzione a LO1, LO2, LO3 e LO6. La prova orale mira ad accertare le conoscenze e su come esse vengano applicate in casi pratici, dimostrando che lo studente ha raggiunto il metodo di studio e la capacità di apprendimento necessarie per proseguire lo studio della materia. Tale parte permette di valutare i risultati di apprendimento, con particolare attenzione a LO4 e LO5. Il voto totale scaturito dalla somma di prova scritta e prova orale rifletterà i seguenti livelli di preparazione: SUFFICIENTE: sufficiente conoscenza e comprensione dei contenuti del corso. Sufficiente capacità di applicare le conoscenze di tali contenuti. Difficoltà nell’apprendimento autonomo. Qualche difficoltà nell’argomentazione e nella comunicazione. Qualche difficoltà nel collegamento tra i contenuti del corso. ADEGUATA: discreta conoscenza e comprensione dei contenuti del corso. Discreta capacità di applicare le conoscenze di tali contenuti. Sufficiente capacità di apprendimento autonomo e sufficiente capacità di applicare i suoi risultati. Sufficienti capacità argomentative e di esposizione. Sufficiente capacità di collegamento tra i contenuti del corso. BUONA: buona conoscenza e comprensione dei contenuti del corso. Buona capacità di applicare le conoscenze di tali contenuti. Buona capacità di apprendimento autonomo e buona capacità di applicare i suoi risultati. Buone capacità di argomentazione e comunicazione. Adeguata capacità di collegamento tra i contenuti del corso. APPROFONDITA: ottima conoscenza e comprensione dei contenuti del corso. Ottima capacità di applicare le conoscenze di tali contenuti. Buona capacità di apprendimento autonomo e ottima capacità di applicare i suoi risultati. Ottime capacità di argomentazione e comunicazione. Ottima capacità di collegamento tra i contenuti del corso.

Testi di riferimento

Hennessy and Patterson, “Computer Architecture: the HW/SW Interface” Hennessy and Patterson, “Computer Architecture: A Quantitative Approach”

Codice insegnamento 38996

ADVANCED DATABASE SYSTEMS 1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file

L’insegnamento si propone di approfondire i principi, le architetture, i metodi e i meccanismi alla base dei moderni sistemi di gestione delle basi di dati, a partire dalle conoscenze acquisite in un insegnamento…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento si propone di approfondire i principi, le architetture, i metodi e i meccanismi alla base dei moderni sistemi di gestione delle basi di dati, a partire dalle conoscenze acquisite in un insegnamento introduttivo di Basi di Dati.Scopo dell’insegnamento è sviluppare conoscenze e capacità relative all’organizzazione fisica dei dati, all’elaborazione e ottimizzazione delle interrogazioni, alla gestione delle transazioni e dei dati distribuiti. L’insegnamento introduce inoltre i principali modelli e sistemi non relazionali e vettoriali, evidenziandone le caratteristiche, gli ambiti di applicazione e le differenze rispetto ai sistemi relazionali.L’insegnamento contribuisce agli obiettivi formativi del Corso di Laurea Magistrale in Ingegneria Informatica, fornendo competenze avanzate per analizzare, selezionare e valutare soluzioni per la gestione efficiente, affidabile e scalabile dei dati.

Programma

ORGANIZZAZIONE FISICA E GESTIONE DELLE INTERROGAZIONI. Architettura interna dei DBMS, gestione del buffer e organizzazione fisica dei dati. Strutture di accesso, indici e strutture hash. Elaborazione e ottimizzazione delle interrogazioni, metodi di accesso e di join, piani di esecuzione.GESTIONE DELLE TRANSAZIONI. Proprietà delle transazioni, controllo dell’affidabilità, log e procedure di ripristino. Esecuzione concorrente, serializzabilità e meccanismi di controllo della concorrenza.BASI DI DATI DISTRIBUITE. Architetture distribuite, frammentazione, allocazione e replicazione dei dati. Livelli di trasparenza, elaborazione delle interrogazioni e gestione delle transazioni distribuite.BASI DI DATI NON RELAZIONALI. Motivazioni e caratteristiche dei sistemi NoSQL. Principali modelli di dati, proprietà CAP e BASE e confronto con i sistemi relazionali. Basi di dati documentali e utilizzo di MongoDB.BASI DI DATI VETTORIALI. Rappresentazione dei dati mediante embeddings, misure di similarità e ricerca vettoriale. Principi dei metodi di indicizzazione approssimata e applicazioni delle basi di dati vettoriali.

È richiesta una conoscenza di base dei sistemi di basi di dati, con particolare riferimento al modello relazionale, alla progettazione concettuale e logica, alla normalizzazione e al linguaggio SQL. Tali argomenti sono generalmente trattati in un insegnamento di Basi di Dati nell’ambito di un Corso di laurea triennale in Ingegneria dell’Informazione o in un ambito affine.

L’insegnamento prevede lezioni frontali, esercitazioni pratiche e seminari applicativi. Le attività pratiche prevedono anche l’utilizzo di sistemi di gestione di basi di dati relazionali e non relazionali, con esercizi e attività guidate finalizzate all’applicazione dei concetti trattati.

Modalità d'esame

La verifica dell’apprendimento comprende la valutazione in itinere di homework collegati alle esercitazioni pratiche e una prova scritta finale composta da esercizi e domande aperte sugli argomenti dell’insegnamento.Il voto finale, espresso in trentesimi, è determinato per il 10% dalla valutazione degli homework e per il 90% dalla prova scritta. La prova scritta deve essere superata con una votazione minima di 18/30.Gli/le studenti/esse che superano la prova scritta possono richiedere una prova orale facoltativa, consistente nella discussione della prova scritta e degli argomenti dell’insegnamento. L’esito della prova orale può confermare o modificare, in aumento o in diminuzione, il voto complessivo La valutazione tiene conto della conoscenza e comprensione dei contenuti, della capacità di applicare i metodi, gli algoritmi e i meccanismi trattati, della correttezza e completezza delle soluzioni e della capacità di motivare le scelte effettuate.L’attribuzione del voto riflette i seguenti livelli di preparazione:SUFFICIENTE (18–21): conoscenza essenziale degli argomenti e capacità di risolvere esercizi semplici, pur con alcune imprecisioni;ADEGUATA (22–24): conoscenza appropriata dei contenuti e applicazione generalmente corretta dei metodi trattati;BUONA (25–27): conoscenza completa, corretta risoluzione dei problemi e capacità di motivare le soluzioni proposte;APPROFONDITA (28–30): conoscenza rigorosa e approfondita, capacità di analizzare problemi complessi e di confrontare autonomamente soluzioni alternative.La lode può essere attribuita in presenza di una preparazione particolarmente completa, rigorosa e autonoma.

Testi di riferimento

Atzeni, P., Ceri, S., Fraternali, P., Paraboschi, S., Torlone, R., Basi di dati: modelli e linguaggi di interrogazione, 6ª edizione, McGraw-Hill, 2023.Ulteriori materiali didattici, esercizi e documentazione tecnica relativi ai sistemi e agli strumenti utilizzati saranno resi disponibili attraverso la piattaforma e-learning di Ateneo.

Codice insegnamento 38998

ALGORITMS AND DATA STRUCTURES 1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file

IIl corso si propone di fornire allo studente una conoscenza approfondita delle principali tecniche per il progetto di strutture di dati ed algoritmi efficienti per la soluzione di problemi classici dell'informatica.…

Scheda dell'insegnamento

Obiettivi formativi

IIl corso si propone di fornire allo studente una conoscenza approfondita delle principali tecniche per il progetto di strutture di dati ed algoritmi efficienti per la soluzione di problemi classici dell'informatica. Tali obiettivi sono parte delle finalità formative della Laurea Magistrale in Ingegneria Informatica.

Programma

Introduzione alle nozioni di algoritmo e struttura dati. Il processo dell'ingegneria degli algoritmi. Un esempio giocattolo: i numeri di Fibonacci. Modelli di calcolo e metodologie di analisi. I modelli elementari di calcolo. La nozione di complessità asintotica e le notazioni O, Omega e Theta. Delimitazioni inferiori e superiori. Metodi di analisi. Analisi di algoritmi ricorsivi. Il problema dell’ordinamento. Delimitazione inferiore al numero di confronti per il problema dell’ordinamento. Metodi di ordinamento: SelectionSort, InsertionSort, BubbleSort, HeapSort, MergeSort, QuickSort, IntegerSort, BucketSort, RadixSort. Alberi di ricerca. Alberi binari di ricerca. Il problema del bilanciamento. Alberi AVL. Alberi 2-3. Tabelle Hash. Tabelle ad accesso diretto. Tabelle Hash. Risoluzione delle collisioni. Code con priorità. Definizione e rappresentazione tramite strutture di dati elementari. Heap binari. Heap binomiali. Grafi e visite di grafi. Definizioni. Tecniche di rappresentazione in memoria di un grafo. Algoritmi di visita in ampiezza e profondità. Componenti connesse di un grafo non orientato. Componenti fortemente connesse di un grafo orientato. Minimo albero ricoprente. Proprietà del minimo albero ricoprente. Tagli e cicli. Algoritmo greedy. Algoritmo di Kruskal. Algoritmo di Prim. Cammini minimi. Cammini minimi e distanze in un grafo. La tecnica del rilassamento. Algoritmo di Bellmann-Ford. Algoritmo per grafi diretti aciclici. Algoritmo di Djikstra. Algoritmo di Floyd-Warshall. Teoria della NP-completezza. Complessità di problemi decisionali. Le classi di complessità P e NP. Problemi NP-completi. Algoritmi di approssimazione: copertura di vertici e orientazione di grafi.

Conoscenza delle tecniche di programmazione di base con esperienza di programmazione in un qualsiasi linguaggio. Conoscenza delle strutture di dati elementari come array e liste, e delle principali tecniche per la loro rappresentazione nella memoria RAM di un elaboratore elettronico. Familiarità con dimostrazioni e concetti matematici di base (induzione e dimostrazioni per assurdo). Conoscenza di nozioni elementari di probabilità.

Didattica frontale + cooperativa/attiva

Modalità d'esame

L’esame consiste in una prova unica scritto+orale più una discussione orale della prova unica. La prova unica consiste di 2 problemi di tipo algoritmico da risolvere più 2 domande a carattere teorico su tutto il programma. La prova scritta ha l’obiettivo di valutare se lo studente mostra conoscenza e comprensione e capacità di applicare conoscenza e comprensione. La discussione orale ha l’obiettivo di verificare se lo studente dimostra autonomia di giudizio, capacità di comunicazione e capacità di apprendimento autonoma. Il livello di competenza e conoscenza raggiunto sarà considerato: Sufficiente: conoscenza e comprensione degli argomenti principali del corso; capacità di applicare le conoscenze di tali contenuti. Difficoltà nell’argomentazione e nella comunicazione. Adeguato: conoscenza e comprensione dei contenuti del corso; capacità di applicare le conoscenze di tali contenuti. Alcune difficoltà nell’argomentazione e nella comunicazione. Buono: conoscenza e comprensione dei contenuti del corso; capacità di applicare le conoscenze di tali contenuti. Buone capacità di argomentazione e nella comunicazione. Approfondita: conoscenza e comprensione dei contenuti del corso; capacità di applicare le conoscenze di tali contenuti. Ottime capacità di argomentazione e nella comunicazione in cui vengono mostrati efficacemente i contenuti nell’esposizione e vengono approfonditi temi affrontati in autonomia con collegamenti ad altri contesti.

Testi di riferimento

Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest, Clifford Stein, Introduzione agli Algoritmi e Strutture Dati (terza edizione). McGraw-Hill. 2005.

Codice insegnamento 38995

ALTRE ATTIVITÀ 1° anno · 6 CFU · 0 file
COMBINATORICS AND CRYPTOGRAPHY 1° anno · 2° semestre · 6 CFU · MATH-02/A · 0 file

Obiettivi formativi. Il corso ha lo scopo di fornire 1) Nozioni di aritmetica, di teoria dei campi finiti e di teoria delle funzioni Booleane alla base degli algoritmi classici della crittografia simmetrica e della…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivi formativi. Il corso ha lo scopo di fornire 1) Nozioni di aritmetica, di teoria dei campi finiti e di teoria delle funzioni Booleane alla base degli algoritmi classici della crittografia simmetrica e della crittografia asimmetrica. 2) Alcuni algoritmi classici della crittografia simmetrica e della crittografia asimmetrica. Tali obiettivi sono parte delle finalità formative del corso di studi, in quanto la coerenza interna del corso di laurea triennale in Matematica è stata verificata e armonizzata in fase di progettazione dello stesso.

Programma

Gli argomenti trattati sono: - Panoramica sulla crittografia. - Aritmetica elementare - Campi finiti e loro costruzione - Funzioni Booleane e loro proprietà - Crittografia a chiave pubblica, esempi di crittosistemi a chiave pubblica, problemi matematici collegati. - Crittografia simmetrica, esempi di crittosistemi simmetrici, applicazione delle funzioni Booleane alla crittografia simmetrica

Aritmetica modulare; definizione e nozioni di base dei gruppi, come sottogruppi normali, gruppi quozienti, teoremi di isomorfismo; nozioni di base dell’anello dei polinomi, come sue proprietà algebriche fondamentali, divisione tra polinomi, irriducibilità dei polinomi, radici di polinomi.

Lezioni frontal

Modalità d'esame

Accertamento del raggiungimento degli obiettivi formativi: prova orale in cui le domande coprono tutti gli argomenti trattai nel corso. I criteri per la valutazione saranno: il livello di conoscenza degli argomenti trattati durante il corso, capacità di applicarli e/o riconoscerli in altre situazioni, il linguaggio scientifico utilizzato, la chiarezza e completezza delle argomentazioni. L’attribuzione del voto rifletterà i seguenti livelli di preparazione: - sufficiente: conoscenza degli aspetti di base della teoria dei campi finiti e delle funzioni Booleane e comprensione delle loro interazioni e delle loro applicazioni nella crittografia. - adeguata: conoscenza degli aspetti di base della teoria dei campi finiti e delle funzioni Booleane e comprensione delle loro interazioni e delle loro applicazioni nella crittografia; saper enunciare correttamente e dimostrare i risultati fondamentali presentati a lezione - buona: conoscenza degli aspetti di base della teoria dei campi finiti e delle funzioni Booleane e comprensione delle loro interazioni e delle loro applicazioni nella crittografia; saper enunciare correttamente e dimostrare i risultati fondamentali presentati a lezione; saper applicare i risultati presentati a lezione allo studio delle tecniche di crittografia descritte durante il corso. - approfondita: conoscenza degli aspetti di base della teoria dei campi finiti e delle funzioni Booleane e comprensione delle loro interazioni e delle loro applicazioni nella crittografia; saper enunciare correttamente e dimostrare i risultati fondamentali presentati a lezione; saper applicare i risultati presentati a lezione allo studio delle tecniche di crittografia descritte durante il corso; saper interpretare ed analizzare i problemi matematici e applicativi alla base degli schemi crittografici studiati.

Testi di riferimento

1) Trappe and Washington, "Introduction to Cryptography with Coding Theory", second edition, Pearson Pretince Hall, 2006; 2) Smart, "Cryptography made simple", Information Security and Cryptography, Springer, 2016; 3) Heys, "A Tutorial on Linear and Differential Cryptanalysis", https://www.engr.mun.ca/~howard/PAPERS/ldc_tutorial.pdf 4) Lidl and Niederreteir, "Introduction to Finite Fields and Their Applications", Cambridge University Press, 1986; 5) Canteaut, "Lecture Notes on Cryptographic Boolean Functions", https://www.rocq.inria.fr/secret/Anne.Canteaut/poly.pdf

Codice insegnamento 38999

DATA ANALYTICS 1° anno · 2° semestre · 6 CFU · MATH-06/A · 0 file

​​​​​​​Il corso presenta le metodologie fondamentali per raccogliere ed analizzare dati (descriptive analytics), realizzare modelli predittivi (predictive analytics) e modelli di ottimizzazione (prescriptive analytics)…

Scheda dell'insegnamento

Obiettivi formativi

​​​​​​​Il corso presenta le metodologie fondamentali per raccogliere ed analizzare dati (descriptive analytics), realizzare modelli predittivi (predictive analytics) e modelli di ottimizzazione (prescriptive analytics) per prendere decisioni basate sui dati (data driven). Si introducono gli strumenti software più diffusi per l'analisi dei dati e per l'ottimizzazione.

Programma

1. Descriptive and Predictive Analytics (48 ore) Introduzione agli analytics.Statistica fondazionale per l'analisi dei dati e il machine learning. Modelli di ottimizzazione per l'analisi dei dati e per il machine learning: modelli di regressione. Preprocessamento dei dati, validazione dei modelli, selezione ed estrazione delle caratteristiche di un dataset. Clustering e analisi delle componenti principali (PCA). Rilevamento degli outlier Metriche per la valutazione dei modelli di learning. Panoramica di modelli per il learning supervisionato e non supervisionato:Regressione Logistica, Alberi di Decisione Support Vector Machine, Reti Neurali Apprendimento su dataset non bilanciati Introduzione all'analisi delle serie temporali​​​​​​​ 2. Prescriptive analytics: Ottimizzazione per le decisioni (48 ore) Introduzione alla programmazione matematica: programmazione lineare, non lineare e lineare intera.Modelli di programmazione lineare intera per problemi fondamentali di ottimizzazione combinatoria. Problema dell'Assegnamento, problemi di Set Packing, Covering e Partitioning. Problema del Minimo Albero Ricoprente. Problema del Commesso Viaggiatore. Formulazione di condizioni logiche e di costo fisso. Problema di Localizzazione di Impianti; problema di Lot-Sizing; problemi con insiemi finiti di alternative; problemi disgiuntivi. Geometria della programmazione lineare intera. Ottimalità, rilassamenti e bound. Poliedri: dimensione, rappresentazioni, disuguaglianze valide, facce, vertici e facce massimali. Gerarchia di formulazioni e formulazione ideale. Algoritmo di branch-and-bound basato sul rilassamento lineare: Preprocessamento, euristiche primali e strategie di branching. Algoritmo del piano di taglio: tagli di Chvatal-Gomory: definizione e procedura di separazione. Disuguaglianze valide forti: disuguaglianze cover e clique. Algoritmo di branch-and- cut. Applicazioni. Minimo albero ricoprente con vincoli aggiuntivi, problemi di cammino minimo vincolato, problemi di clustering, problemi flusso multicommodity; Problema del Commesso viaggiatore (simmetrico e asimmetrico), problema di vehicle routing, problema dell'albero di Steiner. Esempi di integrazione di tecniche di data analytics predittive e prescrittive in applicazioni industriali.

Nozioni di base di Statistica, Matematica Discreta, Programmazione Lineare e Algoritmi e Strutture Dati. Capacità elementare di programmazione in Python

Lezioni ed esercitazioni al computer. Diverse soluzioni software in Python verranno presentate durante il corso a supporto del processo di apprendimento.

Modalità d'esame

Accertamento del processo di apprendimentoL’apprendimento attivo viene stimolato e supportato attraverso sessioni di sviluppo modellistico e di implementazione supervisionate dal docente. Si presentano e si discutono con gli studenti esempi di analisi di dataset e di modellizzazione e risoluzione di problemi di ottimizzazione.Accertamento dei risultati di apprendimento1. Descriptive and predictive analytics (50% del voto finale)Prove scritte: tecniche di Data Analysis (fino a 30 punti): test a risposta multipla (15 domande), domande a risposta aperta.Progetto di gruppo: implementazione e presentazione di una Exploratory Data Analysis su un dataset assegnato dal docente (fino a 1 punto).2. Prescriptive analytics (50% del voto finale)Prova scritta: modellizzazione matematica e capacità di risolvere problemi (fino a 30 punti): esercizi di formulazione di modelli matematici e relativa implementazioneProgetto individuale: implementazione, esperimenti computazionali e presentazione di un modello di ottimizzazione assegnato dal docente (fino a 1 punto).L’attribuzione del voto rifletterà i seguenti livelli di preparazione.Sufficiente: conoscenza basilare dei metodi e delle soluzioni di data analytics, conoscenza basilare dei paradigmi di machine learning e dei modelli di ottimizzazione.Adeguata: buona conoscenza dei metodi e delle soluzioni di data analytics e dei modelli di ottimizzazione, capacità di esplorare semplici dataset per estrarre informazioni dai dati.Buona: conoscenza approfondita degli argomenti del corso, capacità di risolvere problemi decisionali a partire dai dati integrando efficacemente i metodi predittivi e prescrittivi.Approfondita: comprensione profonda degli aspetti teorici del processo decisionale basato sui dati, utilizzo competente dei metodi e degli strumenti di analisi dei dati, capacità di progettare soluzioni basate sui dati.

Testi di riferimento

Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani, An Introduction to Statistical Learning with applications in Python, Springer Texts in Statistics 2023. Marc Peter Deisenroth, A. Aldo Faisal, and Cheng Soon Ong Mathematics for Machine Learning, Cambridge University Press 2020. L.A. Wolsey, Integer Programming (Second Edition), Wiley. 2021.

Codice insegnamento 36486

DECISION OPTIMIZATION 1° anno · 2° semestre · 6 CFU · MATH-06/A · 0 file

​​​​​​​Il corso presenta le metodologie fondamentali per raccogliere ed analizzare dati (descriptive analytics), realizzare modelli predittivi (predictive analytics) e modelli di ottimizzazione (prescriptive analytics)…

Scheda dell'insegnamento

Obiettivi formativi

​​​​​​​Il corso presenta le metodologie fondamentali per raccogliere ed analizzare dati (descriptive analytics), realizzare modelli predittivi (predictive analytics) e modelli di ottimizzazione (prescriptive analytics) per prendere decisioni basate sui dati (data driven). Si introducono gli strumenti software più diffusi per l'analisi dei dati e per l'ottimizzazione.

Programma

1. Descriptive and Predictive Analytics (48 ore) Introduzione agli analytics.Statistica fondazionale per l'analisi dei dati e il machine learning. Modelli di ottimizzazione per l'analisi dei dati e per il machine learning: modelli di regressione. Preprocessamento dei dati, validazione dei modelli, selezione ed estrazione delle caratteristiche di un dataset. Clustering e analisi delle componenti principali (PCA). Rilevamento degli outlier Metriche per la valutazione dei modelli di learning. Panoramica di modelli per il learning supervisionato e non supervisionato:Regressione Logistica, Alberi di Decisione Support Vector Machine, Reti Neurali Apprendimento su dataset non bilanciati Introduzione all'analisi delle serie temporali​​​​​​​ 2. Prescriptive analytics: Ottimizzazione per le decisioni (48 ore) Introduzione alla programmazione matematica: programmazione lineare, non lineare e lineare intera.Modelli di programmazione lineare intera per problemi fondamentali di ottimizzazione combinatoria. Problema dell'Assegnamento, problemi di Set Packing, Covering e Partitioning. Problema del Minimo Albero Ricoprente. Problema del Commesso Viaggiatore. Formulazione di condizioni logiche e di costo fisso. Problema di Localizzazione di Impianti; problema di Lot-Sizing; problemi con insiemi finiti di alternative; problemi disgiuntivi. Geometria della programmazione lineare intera. Ottimalità, rilassamenti e bound. Poliedri: dimensione, rappresentazioni, disuguaglianze valide, facce, vertici e facce massimali. Gerarchia di formulazioni e formulazione ideale. Algoritmo di branch-and-bound basato sul rilassamento lineare: Preprocessamento, euristiche primali e strategie di branching. Algoritmo del piano di taglio: tagli di Chvatal-Gomory: definizione e procedura di separazione. Disuguaglianze valide forti: disuguaglianze cover e clique. Algoritmo di branch-and- cut. Applicazioni. Minimo albero ricoprente con vincoli aggiuntivi, problemi di cammino minimo vincolato, problemi di clustering, problemi flusso multicommodity; Problema del Commesso viaggiatore (simmetrico e asimmetrico), problema di vehicle routing, problema dell'albero di Steiner. Esempi di integrazione di tecniche di data analytics predittive e prescrittive in applicazioni industriali.

Nozioni di base di Statistica, Matematica Discreta, Programmazione Lineare e Algoritmi e Strutture Dati. Capacità elementare di programmazione in Python

Lezioni ed esercitazioni al computer. Diverse soluzioni software in Python verranno presentate durante il corso a supporto del processo di apprendimento.

Modalità d'esame

Accertamento del processo di apprendimentoL’apprendimento attivo viene stimolato e supportato attraverso sessioni di sviluppo modellistico e di implementazione supervisionate dal docente. Si presentano e si discutono con gli studenti esempi di analisi di dataset e di modellizzazione e risoluzione di problemi di ottimizzazione.Accertamento dei risultati di apprendimento1. Descriptive and predictive analytics (50% del voto finale)Prove scritte: tecniche di Data Analysis (fino a 30 punti): test a risposta multipla (15 domande), domande a risposta aperta.Progetto di gruppo: implementazione e presentazione di una Exploratory Data Analysis su un dataset assegnato dal docente (fino a 1 punto).2. Prescriptive analytics (50% del voto finale)Prova scritta: modellizzazione matematica e capacità di risolvere problemi (fino a 30 punti): esercizi di formulazione di modelli matematici e relativa implementazioneProgetto individuale: implementazione, esperimenti computazionali e presentazione di un modello di ottimizzazione assegnato dal docente (fino a 1 punto).L’attribuzione del voto rifletterà i seguenti livelli di preparazione.Sufficiente: conoscenza basilare dei metodi e delle soluzioni di data analytics, conoscenza basilare dei paradigmi di machine learning e dei modelli di ottimizzazione.Adeguata: buona conoscenza dei metodi e delle soluzioni di data analytics e dei modelli di ottimizzazione, capacità di esplorare semplici dataset per estrarre informazioni dai dati.Buona: conoscenza approfondita degli argomenti del corso, capacità di risolvere problemi decisionali a partire dai dati integrando efficacemente i metodi predittivi e prescrittivi.Approfondita: comprensione profonda degli aspetti teorici del processo decisionale basato sui dati, utilizzo competente dei metodi e degli strumenti di analisi dei dati, capacità di progettare soluzioni basate sui dati.

Testi di riferimento

Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani, An Introduction to Statistical Learning with applications in Python, Springer Texts in Statistics 2023. Marc Peter Deisenroth, A. Aldo Faisal, and Cheng Soon Ong Mathematics for Machine Learning, Cambridge University Press 2020. L.A. Wolsey, Integer Programming (Second Edition), Wiley. 2021.

Codice insegnamento 37905

DIGITAL ELECTRONIC SYSTEMS 1° anno · 1° semestre · 6 CFU · IINF-01/A · 0 file

L’obiettivo di questo corso è quello di concentrarsi sui fondamenti della logica booleana e sulle sue implicazioni pratiche necessarie per costruire la fattibilità dei moderni sistemi elettronici digitali sia per le…

Scheda dell'insegnamento

Obiettivi formativi

L’obiettivo di questo corso è quello di concentrarsi sui fondamenti della logica booleana e sulle sue implicazioni pratiche necessarie per costruire la fattibilità dei moderni sistemi elettronici digitali sia per le ICT che per le applicazioni industriali. Particolare attenzione è rivolta ai metodi e alle metodologie per la modellizzazione, la descrizione, la formalizzazione e lo sviluppo di importanti progetti chiave, nonché ai loro risultati pratici come raccolta di automi a stati finiti.Per completare con successo questo corso, lo studente dovrebbe:- avere una profonda conoscenza dell’algebra booleana applicata, metodi di sintesi applicati a sistemi sia combinatori che sequenziali (automi a stati finiti);- essere in grado di sviluppare un progetto semplice ma significativo di un sistema elettronico digitale;- comprendere e spiegare la logica e lo schema a blocchi elettronici per un sistema digitale semplice ma significativo;- dimostrare abilità nel partizionamento modulare top-down di un sistema digitale;- essere in grado di leggere e comprendere altri testi su argomenti correlati;- dimostrare la capacità di comunicare i risultati delle opere tecniche in modo chiaro e coerente, con la generazione di documentazione sistematica e significativa per qualsiasi sistema digitale progettato e assemblato;- avere conoscenza e comprensione dei concetti fondamentali adottati per una progettazione modulare dall’alto verso il basso di sistemi digitali, utilizzando una serie di modelli di automi a stati finiti;- dimostrare la capacità di definire e selezionare strategie appropriate per risolvere i problemi relativi alla loro attuazione fisica.

Programma

Gli argomenti del corso includono: Introduzione al sistema digitale: sistemi digitali, logica combinatoria e sequenziale, macchina a stati finiti (FSM) e suoi modelli (Mealy e Moore), sistema sincrono e asincrono, reale implementazione del sistema digitale (circuiti SSI e MSI; sistemi PLD e FPGA; sistemi a microprocessore). Sistemi combinatori: algebra booleana, funzioni di commutazione e porte, tabelle di verità e progettazione combinatoria, implicanti e implicati, somma di prodotti e prodotti di somme, mappe e metodi per minimizzare le funzioni booleane (mappe di Karnaugh, algoritmo Quine-McCluskey), progettazioni minimali e robuste. Blocchi MSI: encoder, decodificatori, multiplexer, demultiplexer, comparatori. Sistemi e codici di numerazione binari. Sistemi di numerazione binaria, ottale ed esadecimale. Codici. Numeri negativi con segno e modulo, complemento a 1, complemento a 2. Applicazione all’aritmetica binaria. Sistemi sequenziali: Flip-Flop, tipi Flip-Flop: FF SR, FF SRE, FF JK, FF Master-Slave, FF T, FF D. Semplici sistemi sequenziali: contatori asincroni; sequenziatore sincrono, registri a scorrimento (PIPO, PISO, SIPO e SISO); set di registro; analisi di reti sequenziali. Diagrammi di temporizzazione. Macchina a stati finiti e sua descrizione: diagramma di transizione di stato, tabella PS/NS; Diagramma di flusso (Algorithmic State Machine, ASM) e sua applicazione a contatori, sequenziatori e controllo di registri. Hardware aritmetico: sommatori di base (half e full), ripple adder, CLA, Carry skip adder, subtractor, ALU; Moltiplicatori: algoritmico (sum loop), seriale e parallelo; Moltiplicatore di Wallace, algoritmo di Booth. Register Transfer Model: esempi di analisi, progettazione e sintesi di unità di controllo (basate su FSM con descrizione ASM) per blocco aritmetico e hardware per smart register. Introduzione alla logica programmabile (HW + SW): Approccio algoritmico per la progettazione di blocchi HW; dal set di macchine Moore all’architettura a microprocessore; sistemi selezionabili e programmabili; Architettura VN, architettura Harvard, architetture ad hoc. Cenni sull'architettura di microprocessori, microcontrollori, processore di segnali digitali (DSPor), computer a scheda singola (SBC), passi e strumenti per lo sviluppo di una progettazione a logica programmata, integrazione HW e SW.

Lo studente deve sapere: i fondamenti dell’algebra e dell’algebra booleana, i fondamenti della rappresentazione dell’informazione e della transcodifica tra diverse rappresentazioni.

Lezioni teoriche, esercitazioni ed esercitazioni/progetti di laboratorio. Possibilità di erogazione, di lezioni in modalità remota (fino ad un massimo del 15% delle ore complessive).

Modalità d'esame

L’esame consisterà in una prova scritta relativa a un progetto di elettronica digitale e in una discussione orale su almeno due argomenti del corso. In alternativa, si possono sostenere 2 esami scritti parziali durante il corso, riservati agli studenti che seguono il corso, seguiti da una discussione orale finale.

Testi di riferimento

  • J. D. Daniels: Digital Design from Zero to One, J. Wiley. - M.M. Mano - C.K. Kime: Fondamenti di progettazione logica e computer - Prentice Hall. - G. Donzellini, L. Oneto, D. Ponta, D. Anguita, “Introduction to digital systems design”, Springer. - Presentazioni (slides) e appunti in classe organizzati/preparati/scritti dal docente.

Codice insegnamento 37604

INTERACTIVE SYSTEMS DESIGN 1° anno · 1° semestre · 9 CFU · IINF-05/A · 0 file

L’insegnamento si propone di fornire agli/alle studenti/esse i fondamenti teorici e metodologici della progettazione centrata sull’utente di sistemi interattivi. Scopo dell’insegnamento è sviluppare conoscenze e capacità…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento si propone di fornire agli/alle studenti/esse i fondamenti teorici e metodologici della progettazione centrata sull’utente di sistemi interattivi. Scopo dell’insegnamento è sviluppare conoscenze e capacità metodologiche per analizzare gli utenti, le loro attività e i contesti d’uso, definire i requisiti, progettare e prototipare soluzioni, e valutarne l’usabilità mediante metodi basati sulla valutazione da parte di esperti e sul coinvolgimento degli utenti. L’insegnamento concorre agli obiettivi formativi del Corso di Laurea Magistrale in Ingegneria Informatica, contribuendo alla preparazione di professionisti in grado di progettare e valutare sistemi interattivi centrati sugli utenti finali, integrando aspetti tecnologici, metodologici e socio-tecnici. In particolare, l’insegnamento concorre all’acquisizione delle competenze caratterizzanti comuni ai due curricula, specificamente per quanto riguarda le metodologie di progettazione, anche rivolte all’innovazione.

Programma

FONDAMENTI DELLA HUMAN-COMPUTER INTERACTION. Introduzione alla Human-Computer Interaction (HCI) e alla sua evoluzione storica e tecnologica. Paradigmi e modelli dell’interazione persona-macchina. PROGETTAZIONE DELL’INTERAZIONE. Modelli concettuali e metafore dell’interazione. Progetto del dialogo. Stili di interazione: manipolazione diretta, ambienti immersivi, navigazione, linguaggio di comandi e linguaggio naturale. Elementi di Visual Design, strutture visive, progetto di display e webpage. Gestione delle finestre. Information search. Data visualization. Principi di accessibilità e inclusività.PROCESSI E METODOLOGIE DI PROGETTAZIONE USER-CENTERED. Il processo iterativo di progettazione di sistemi interattivi (analisi, progettazione, prototipazione e valutazione). Design Thinking, User-Centered Design Methodology (UCDM), Participatory Design e Co-Design. ANALISI DEGLI UTENTI, DELLE ATTIVITÀ E DEL CONTESTO D’USO. Identificazione degli utenti finali e stakeholders. Analisi del contesto fisico, tecnologico, organizzativo e sociale. Metodi e tecniche di indagine degli utenti finali: Osservazioni sul campo, Interviste, Focus Group, Questionari, Diari. Analisi delle attività e dei compiti. DEFINIZIONE DEI REQUISITI. Personas e Scenari. Casi d’uso e Task Analysis. Requisiti utente funzionali/non funzionali.PROTOTIPAZIONE. Finalità e ruolo dei prototipi nel processo di progettazione. Prototipi a bassa e ad alta fedeltà. Paper sketches, wireframe, mock-up e prototipi interattivi.VALUTAZIONE DELL’USABILITÀ. Metodi di valutazione basati sull’analisi di esperti: valutazione euristica e cognitive walkthrough. Metodi di valutazione basati sul coinvolgimento degli utenti. Pianificazione delle valutazioni dell’usabilità: definizione degli obiettivi, selezione dei partecipanti, definizione dei task, procedure, misure di efficacia, efficienza e soddisfazione e strumenti di valutazione dell’usabilità. ANALISI DI CASI DI STUDIO REALI.

È richiesta una conoscenza di base della progettazione di basi di dati e di applicazioni stand-alone e web. Tali competenze sono tipicamente acquisite nell’ambito di un Corso di laurea triennale in Ingegneria dell’Informazione, Informatica o in un ambito affine.

L’insegnamento prevede lezioni frontali, discussioni partecipate, analisi guidate di casi di studio e attività progettuali. La didattica è organizzata prevalentemente secondo un approccio di Project-Based Learning, attraverso lo sviluppo di un unico progetto di gruppo articolato in fasi progressive: analisi degli utenti e del contesto d’uso, definizione dei requisiti, progettazione concettuale, prototipazione e valutazione dell’usabilità.Le attività progettuali comprendono sessioni di lavoro di gruppo assistito e revisioni periodiche, in forma plenaria o per gruppi, dedicate alla verifica di specifici prodotti intermedi, alla discussione delle criticità e alla rielaborazione del lavoro sulla base del feedback ricevuto. Durante il corso saranno utilizzati la piattaforma e-learning, strumenti collaborativi e strumenti per la prototipazione.Per gli/le studenti/esse che non possono frequentare regolarmente è previsto un percorso progettuale individuale equivalente, concordato con le docenti e accompagnato da revisioni programmate.

Modalità d'esame

Agli/Alle studenti/esse viene assegnato un lavoro di gruppo consistente nella progettazione user-centered di un sistema interattivo.Il PROGETTO viene preferibilmente sviluppato durante il corso sotto la supervisione delle docenti. Esso prevede il rilascio della documentazione di progetto, inclusi il documento utente e il documento attività, e di un prototipo interattivo. Il progetto comprende le fasi di analisi degli utenti e del contesto d’uso, definizione dei requisiti, progettazione dell’interazione, prototipazione, applicazione di un metodo di valutazione expert-based e predisposizione di un piano di valutazione dell’usabilità con utenti finali.Il progetto è finalizzato a valutare tutti i risultati di apprendimento attesi. In particolare:1. La conoscenza e la corretta applicazione dei principi, dei modelli e dei metodi della Human-Computer Interaction concorrono alla valutazione di LO1;2. L’applicazione del processo di progettazione centrata sull’utente la definizione dei requisiti e la realizzazione del prototipo concorrono alla valutazione di LO2;3. La definizione e prioritizzazione dei requisiti sulla base dell’analisi svolta, la giustificazione delle decisioni progettuali, l’applicazione della valutazione expert-based, la pianificazione della valutazione con utenti e la considerazione delle relative implicazioni concorrono alla valutazione di LO3.4. L’organizzazione del lavoro di gruppo, la documentazione, la presentazione e la discussione del progetto concorrono alla valutazione di LO4;5. La ricerca, la selezione e l’integrazione di contributi scientifici, standard e linee guida pertinenti al progetto concorrono alla valutazione di LO5.I progressi del progetto vengono discussi durante revisioni periodiche. Tali revisioni hanno funzione formativa e permettono ai gruppi di ricevere indicazioni e feedback per il miglioramento progressivo del lavoro.L’ESAME FINALE consiste in una presentazione del progetto della durata indicativa di 15–20 minuti, seguita da una discussione critica del lavoro svolto. Durante la discussione, ciascun/a componente del gruppo è chiamato/a a illustrare il proprio contributo, motivare le decisioni progettuali e dimostrare la conoscenza dei fondamenti teorici e metodologici applicati. La presentazione e la discussione finale sono parte integrante della valutazione del progetto e sono finalizzate ad accertare tutti i risultati di apprendimento, con particolare attenzione a LO1, LO3 e LO4.Il voto finale del/la singolo/a studente/ssa è determinato dalla combinazione: (i) del giudizio complessivo relativo al progetto di gruppo, fino a 20 punti;(ii) del giudizio individuale relativo al contributo al progetto e alla presentazione e discussione finale, fino a 10 punti.Il voto individuale può pertanto differire tra i componenti dello stesso gruppo.I giudizi complessivi sul LAVORO PROGETTUALE DI GRUPPO non si riferiscono esclusivamente al prodotto finale, ma sono determinati anche dalla qualità della documentazione e dalle modalità con cui il processo progettuale viene condotto. In particolare, contribuiscono alla determinazione del giudizio:- Per l’impostazione generale del progetto: il rigore progettuale, la coerenza con i processi, i metodi e i principi studiati durante il corso, la capacità di confrontarsi con lo stato dell’arte e l’uso appropriato delle tecnologie di riferimento;- Per il documento utente: l’impostazione generale, il rigore dell’indagine sugli utenti e la qualità dell’elaborazione dei risultati;- Per il documento attività: impostazione generale di gerarchia e piani della task analysis, coerenza con i risultati dell’indagine sugli utenti.- Per la definizione dei requisiti: la correttezza, la completezza, la prioritizzazione e la tracciabilità rispetto all’analisi degli utenti e del contesto d’uso;- Per il prototipo interattivo: l’adeguatezza della soluzione proposta, la coerenza con i requisiti e l’adesione ai principi di interaction design, visual design, accessibilità e inclusività;- Per la valutazione dell’usabilità: l’appropriatezza e il rigore metodologico della valutazione expert-based e la qualità, la coerenza e la fattibilità del piano di valutazione con utenti, con riferimento a obiettivi, partecipanti, task, procedure, misure e strumenti;- Per le modalità di svolgimento del lavoro: l’autonomia nell’individuazione di soluzioni efficaci e la capacità di recepire correzioni e suggerimenti e tradurli in effettivi miglioramenti del progetto;- La qualità, la chiarezza e il rigore della documentazione progettuale consegnata.Il GIUDIZIO INDIVIDUALE viene formulato tenendo conto:- Del contributo personale alle diverse fasi del progetto; - Della conoscenza complessiva del lavoro svolto dal gruppo; - Della capacità di motivare criticamente le decisioni progettuali; - Della capacità di collegare il progetto ai fondamenti teorici e metodologici dell’insegnamento; - Della chiarezza, del rigore e dell’autonomia dimostrati durante la presentazione e la discussione finale. L’attribuzione del voto riflette i seguenti livelli di preparazione:- SUFFICIENTE (18-21): Sufficiente conoscenza e comprensione dei contenuti del corso e sufficiente capacità di applicare i relativi metodi. Il progetto risulta complessivamente coerente, pur presentando limitata profondità nell’analisi, nella valutazione o nella motivazione delle decisioni. Sono presenti alcune difficoltà nell’argomentazione, nella comunicazione e nel collegamento tra i contenuti del corso. - ADEGUATA (22-24): Discreta conoscenza e comprensione dei contenuti del corso e applicazione generalmente corretta dei metodi. Il progetto, il prototipo e il piano di valutazione risultano adeguati. Sono dimostrate sufficienti capacità di autonomia, argomentazione, esposizione e collegamento tra i contenuti.- BUONA (25-27): Buona conoscenza e comprensione dei contenuti del corso e buona capacità di applicare in modo rigoroso e coerente i metodi acquisiti. Il progetto presenta una buona qualità metodologica e progettuale. Sono dimostrate buone capacità critiche, argomentative e comunicative.- APPROFONDITA (28-30): Ottima conoscenza e comprensione dei contenuti del corso e applicazione autonoma e metodologicamente rigorosa dei metodi acquisiti. Il progetto presenta un’elevata qualità e integra criticamente aspetti tecnologici, metodologici, etici e socio-tecnici. Sono dimostrate ottime capacità di argomentazione, comunicazione e collegamento tra i contenuti.La lode può essere attribuita in presenza di un progetto di particolare qualità, originalità e rigore, accompagnato da piena padronanza teorica e metodologica, elevata autonomia critica e contributo individuale chiaramente riconoscibile.Per gli/le studenti/esse che non frequentano con regolarità e continuità, il progetto viene svolto individualmente e concordato preventivamente con le docenti, prevedendo verifiche programmate. I criteri di valutazione restano invariati.

Testi di riferimento

Shneiderman, B., Plaisant, C., Cohen, M., Jacobs, S., Elmqvist, N., Diakopoulos, N., Designing the User Interface: Strategies for Effective Human-Computer Interaction, 6th edition, Pearson, 2016.Lazar, J., Feng, J. H., Hochheiser, H., Research Methods in Human-Computer Interaction, 2nd edition, Morgan Kaufmann, 2017.Rogers, Y., Sharp, H., Preece, J., Interaction Design: Beyond Human-Computer Interaction, 6th edition, Wiley, 2023.Ulteriore materiale didattico e di approfondimento, comprendente slide, articoli scientifici, linee guida, standard, e casi di studio e risorse relative agli strumenti utilizzati durante il corso, sarà reso disponibile dai/dalle docenti attraverso la piattaforma e-learning di Ateneo.

Codice insegnamento 36927

SOFTWARE ENGINEERING 1° anno · 1° semestre · 9 CFU · IINF-05/A · 0 file

Lo scopo del corso è presentare gli aspetti fondamentali della modellazione, analisi e progettazione del software, con riferimento alle moderne tecniche di analisi e progettazione orientata agli oggetti e allo…

Scheda dell'insegnamento

Obiettivi formativi

Lo scopo del corso è presentare gli aspetti fondamentali della modellazione, analisi e progettazione del software, con riferimento alle moderne tecniche di analisi e progettazione orientata agli oggetti e allo sviluppo, iterativo, incrementale e agile. Vengono inoltre analizzate le diverse architetture sottostanti i sistemi da realizzare. In questo contesto vengono presentate problematiche e tecnologie inerenti alla realizzazione di sistemi distribuiti ad oggetti. Gli obiettivi formativi sono parte delle finalità formative del Corso di Studi, in quanto la coerenza del corso di laurea in Ingegneria Informatica è stata verificata e armonizzata in fase di progettazione dello stesso. In particolare, l’insegnamento concorre alle competenze caratterizzanti entrambi i curricula, specificatamente per quanto riguarda la progettazione del software: conoscenza di metodologie di design, sviluppo e realizzazione di sistemi software, incluse tecnologie, consolidate ed emergenti, per la gestione dell’intero ciclo di sviluppo, il monitoraggio della qualità, e la manutenibilità.

Programma

Ciclo di vita e processo di sviluppo di un sistema software. Sviluppo iterativo e incrementale. Unified Process (UP) Determinazione, specifica e analisi dei requisiti. Casi d'uso. Analisi orientata agli oggetti (OOA). Modello di dominio. Diagrammi di sequenza di sistema. Contratti delle operazioni. Progettazione orientata agli oggetti (OOD). Diagrammi di interazione. Diagrammi delle classi di progetto. Dalla progettazione orientata agli oggetti alla programmazione orientata agli oggetti. Principi di analisi e progettazione orientata agli oggetti. Pattern GRASP. Principi SOLID. Design patterns. Progettazione dell'architettura logica. Pattern architetturali. Unified Modeling Language (UML). CASE tools come strumenti di modellazione e round-trip engineering. Visual Paradigm for UML. Gestione della persistenza degli oggetti. Tecnologie ORM. ORM in Java: Hibernate.

Costituisce un prerequisito fondamentale di questo corso la conoscenza dei principi della programmazione ad oggetti e delle basi di dati. Si raccomanda la frequenza del corso di Programmazione per il web offerto alla triennale di Ingegneria dell’Informazione.

Lezioni frontali; Discussioni in classe su progetti software; Progetti; Lavoro di gruppo; Preparazione e realizzazione di presentazioni; Preparazione di report scritti.

Modalità d'esame

La prova finale consiste nella presentazione di un progetto realizzato da un team di studenti. Il progetto consiste nella specifica, l'analisi e la progettazione di un sistema software. Gli studenti devono applicare una metodologia agile allo sviluppo software e applicare i principi di progettazione orientata agli oggetti presentati durante il corso compresi i design patterns. Il report di progetto deve essere presentato e discusso dal team e rappresenta la fonte principale per la valutazione dei risultati ottenuti. Allo studente saranno rivolte domande finalizzate ad accertare il livello di conoscenza degli argomenti teorici trattati durante il corso. L’attribuzione del voto rifletterà i seguenti quattro livelli di preparazione:- Sufficiente: conoscenza di base delle tecniche e delle metodologie di progettazione, capacità di applicare le conoscenze e metodologie in modo semplice.- Adeguata: conoscenza dei contenuti appropriata ed ampia, discreta capacità di applicare le nozioni e le tecniche apprese alla soluzione di problemi. Capacità di presentare i contenuti in modo articolato.- Buona: conoscenza dei contenuti precisa e completa, capacità di analisi molto buona, esposizione sicura e corretta, capacità di applicare le nozioni e le tecniche apprese alla soluzione di problemi più che soddisfacente.- Approfondita: conoscenza completa e approfondita degli argomenti. Ottima capacità di analisi, esposizione precisa. Ottima capacità di applicare le nozioni e le tecniche apprese alla soluzione di problemi. Il punteggio finale è determinato sulla base delle due parti dell'esame: 75% per il progetto, 25% per la presentazione e la risposta a quesiti teorici.

Testi di riferimento

1.Applying UML and patterns – an introduction to object-oriented analysis and design and iterative development, Craig Larman. Third edition (2004) ISBN: 0131489062Prentice Hall. 2. Design Patterns: Elements of Reusable Object-Oriented Software, Erich Gamma, Richard Helm, Ralph Johnson, John Vlissides.Addison-Wesley Professional (2005).

Codice insegnamento 36926

ADVANCED AND SOFTWARE DEFINED NETWORKS 2° anno · 9 CFU · IINF-03/A · 0 file

Scopo del corso è fornire agli studenti conoscenze avanzate sul funzionamento delle reti di telecomunicazione e sulla loro evoluzione verso paradigmi programmabili, virtualizzati e automatizzati. Il corso è organizzato…

Scheda dell'insegnamento

Obiettivi formativi

Scopo del corso è fornire agli studenti conoscenze avanzate sul funzionamento delle reti di telecomunicazione e sulla loro evoluzione verso paradigmi programmabili, virtualizzati e automatizzati. Il corso è organizzato in tre principali aree tematiche. La prima riguarda i meccanismi fondamentali di switching e routing nelle reti tradizionali, con particolare attenzione alle architetture Ethernet, alle VLAN, ai protocolli di spanning tree, ai protocolli di routing e ai principi di MPLS. La seconda area affronta l'evoluzione verso reti controllate e gestite tramite software, introducendo i paradigmi di Software Defined Networking (SDN), Network Function Virtualization (NFV), Service Function Chaining e Network Slicing. Particolare attenzione è dedicata ai protocolli e ai modelli per il controllo, la configurazione e l'automazione della rete, quali OpenFlow, NETCONF, YANG e OpenConfig, nonché alle tecnologie di containerizzazione, orchestrazione e automazione tipiche degli ambienti cloud-native e NetDevOps, quali Docker, Kubernetes e pipeline CI/CD. La terza area è dedicata ai sistemi radiomobili e alla loro evoluzione, dai sistemi cellulari di seconda generazione fino alle moderne reti 5G. Vengono approfonditi i principi architetturali del 5G Core e le tecniche di disaggregazione, virtualizzazione e programmabilità delle reti di accesso radio secondo il paradigma O-RAN. L'obiettivo complessivo del corso è fornire allo studente una visione integrata delle reti moderne, combinando gli aspetti protocollari e architetturali con gli strumenti software utilizzati per la loro configurazione, automazione, sperimentazione e gestione.

Programma

Architettura gerarchica delle reti switched. Principi di funzionamento degli switch Ethernet. Virtual LAN (VLAN), trunking e inter-VLAN routing. Spanning Tree Protocol e principali varianti. Ridondanza e prevenzione dei loop nelle reti Ethernet. Principi di instradamento nelle reti IP. Routing statico e dinamico. Concetti fondamentali dei protocolli Interior Gateway Protocol. Routing IPv4 e IPv6. Introduzione a Multiprotocol Label Switching (MPLS), principi di label switching e principali scenari di utilizzo. Introduzione alle Software Defined Networks (SDN). Separazione tra control plane e data plane. Architetture SDN centralizzate e distribuite. Controllo software della rete tramite il protocollo OpenFlow. Interfacce e protocolli per la configurazione e la gestione programmabile della rete. NETCONF, YANG e OpenConfig. Principi di network programmability e network automation. Network Function Virtualization (NFV). Virtual Network Functions e Cloud-native Network Functions. Service Function Chaining. Principi di Network Slicing. Tecnologie per la virtualizzazione, il deployment e l'orchestrazione delle funzioni di rete. Introduzione a Docker e Kubernetes. Concetti di containerizzazione, deployment, scaling e gestione del ciclo di vita dei servizi. Principi di NetDevOps. Automazione delle operazioni di rete e utilizzo di pipeline Continuous Integration/Continuous Deployment in contesti di networking. Strumenti e metodologie per la simulazione, l'emulazione e la virtualizzazione delle reti software-defined e delle infrastrutture di telecomunicazione. Principi fondamentali dei sistemi radiomobili e loro evoluzione dalle reti 2G alle reti 5G. Evoluzione delle architetture di rete mobile e principali funzionalità introdotte dalle diverse generazioni. Architettura 5G Core. Principi della Service-Based Architecture, separazione delle funzioni di rete e supporto alla virtualizzazione e al network slicing. Introduzione alle architetture Open Radio Access Network (O-RAN). Disaggregazione della Radio Access Network, virtualizzazione delle funzioni di accesso radio, principi di controllo programmabile della RAN e introduzione ai concetti di RAN Intelligent Controller. Applicazioni delle reti mobili, software-defined e virtualizzate in scenari sperimentali e nei sistemi di trasporto intelligente.

Sono richieste conoscenze di base del modello protocollare ISO/OSI e dell'architettura TCP/IP, nonché dei principali concetti relativi allo switching e al routing nelle reti di calcolatori. Per una migliore comprensione degli argomenti relativi alle reti radiomobili, sono inoltre utili conoscenze di base sui principi di trasmissione e ricezione dei segnali nei sistemi di telecomunicazione.

Il corso prevede lezioni frontali dedicate alla presentazione degli aspetti teorici, protocollari e architetturali, affiancate da esercitazioni e attività di laboratorio finalizzate all'applicazione pratica dei concetti trattati. Le attività di laboratorio prevedono l'utilizzo di strumenti software per la configurazione, l'emulazione, la virtualizzazione, l'automazione e l'orchestrazione delle reti. Gli studenti svolgeranno inoltre una tesina o un progetto, individualmente o in gruppo, finalizzato all'approfondimento e all'applicazione sperimentale di uno o più argomenti trattati durante il corso.

Modalità d'esame

L'esame è composto da due parti: la discussione di una tesina o di un progetto e una prova orale. Nella presentazione della tesina o del progetto, lo studente dovrà dimostrare la capacità di progettare e realizzare una soluzione relativa al controllo, alla gestione o all'orchestrazione di una rete in un contesto sperimentale, simulato o emulato. La valutazione terrà conto della correttezza metodologica del lavoro svolto, della capacità di individuare metriche significative per valutare la soluzione proposta, della qualità dell'analisi sperimentale e della capacità di interpretare criticamente i risultati ottenuti. La prova orale consiste generalmente in due o tre domande sui principali argomenti affrontati durante il corso. Essa è finalizzata a verificare la conoscenza degli aspetti teorici e architetturali, la comprensione dei principali problemi di progettazione e gestione delle reti e la capacità dello studente di individuare soluzioni protocollari e architetturali appropriate nei contesti di switching e routing, reti mobili, Software Defined Networking, virtualizzazione e orchestrazione delle funzioni di rete. La valutazione complessiva tiene conto sia della padronanza dei contenuti teorici sia della capacità di applicarli a problemi progettuali e sperimentali.

Testi di riferimento

Il materiale didattico utilizzato durante il corso, incluse slide, documentazione tecnica e materiale per le attività di laboratorio, sarà reso disponibile attraverso il sito web o la piattaforma didattica del corso. Testi di riferimento: A. S. Tanenbaum, D. J. Wetherall, Computer Networks. M. S. Iacobucci, Reconfigurable Radio Systems: Network Architectures and Standards. A. Al-Dulaimi et al., 5G Networks: Fundamental Requirements, Enabling Technologies, and Operations Management. P. Göransson, C. Black, T. Culver, Software Defined Networks: A Comprehensive Approach. Y. Zhang, Network Function Virtualization: Concepts and Applicability in 5G Networks. R. Chayapathi, S. F. Hassan, P. Shah, Network Functions Virtualization (NFV) with a Touch of SDN. Ulteriore documentazione tecnica, articoli scientifici, standard e specifiche tecniche potranno essere indicati durante il corso per l'approfondimento di argomenti specifici.

Codice insegnamento 37597

ADVANCED ICT SECURITY 2° anno · 6 CFU · IINF-03/A · 0 file

L'insegnamento ha lo scopo di illustrare le nozioni medio-avanzate della sicurezza ICT e le tecniche per analizzare la sicurezza delle piattaforme ICT. Dopo aver superato l'esame, lo studente sarà in grado di…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento ha lo scopo di illustrare le nozioni medio-avanzate della sicurezza ICT e le tecniche per analizzare la sicurezza delle piattaforme ICT. Dopo aver superato l'esame, lo studente sarà in grado di analizzare un sistema ICT, riconoscere eventuali problematiche di sicurezza utilizzare strumenti per la messa in sicurezza di questo.

Programma

  • Course Introduction & Linux Recap- Security-oriented Linux Networking- Tunnels, Bridging & Pivoting- WiFi Security- Container Security- VPNs- Mobile Security overview- Web Security Recap- Advanced Attack Techniques- Advanced SQLi- Content Security Policies- De-Serialization attacks- Software Security Recap & Binary Formats- Boot2Root Challenges- Exploitation (BOF and Countermeasures)- Format Strings Vulnerabilities- Ret2LibC, ROP & Additional topics- Cryptography Recap- Encryption & Authentication- Elliptic Curve Cryptography- Attacks to Cryptographic Protocols

Nozioni di ambienti Unix/Linux, Programmazione in linguaggio C, Programmazione in linguaggio Python. Conoscenza dei principali stack protocollari di rete e del Web. Nozioni di crittografia. E' fortemente consigliato aver seguito il corso ICT Security (DT-0349)

Lezioni frontali, esercitazioni pratiche in classe

Modalità d'esame

L'esame orale, composto di domande sui principali contenuti del corso è mirato ad accertare la conoscenza dei contenuti e la capacità ragionamento acquisita dalla studente. (LO: 1, 2, 3). L'esame pratico, composto di una serie di esercizi (challenge), mira ad accertare la capacità dello studente ad applicare le capacità acquisite in un contesto operativo. (LO: 2). Il voto finale è calcolato considerando un peso del 50% della prova orale e un 50% della prova pratica. (LO: 1, 2, 3). L'attribuzione del voto rifletterà i seguenti quattro criteri di valutazione: - Sufficiente: conoscenza di base degli argomenti teorici e competenze elementari nell’affrontare problemi pratici di cybersecurity. - Adeguata: comprensione discreta dei concetti teorici e buone capacità nella risoluzione di problemi pratici legati alla cybersecurity. - Buona: solida capacità di applicare i contenuti del corso a scenari reali di cybersecurity e buona padronanza degli aspetti teorici. - Approfondita: conoscenza approfondita degli argomenti trattati nel corso ed eccellente abilità nell'affrontare problemi pratici complessi in ambito cybersecurity.

Testi di riferimento

  • Slide del docente (riferimento principale) - Testi opzionali: 1) S. Davidoff, J. Ham: Network Forensics: Tracking Hackers Through Cyberspace 2) D. Stuttard, M. Pinto: The Web Application Hacker's Handbook: Finding and Exploiting Security Flaws: Discovering and Exploiting Security Flaws (2nd edition) 3) Sikorski, Honig: Practical Malware Analysis: The Hands-On Guide to Dissecting Malicious Software 4) Anley,Heasman,Lindner,Richarte: The Shellcoder's Handbook Discovering and Exploiting Security Holes, 2nd Edition

Codice insegnamento 40673

ALGORITHM ENGINEERING AND BIG DATA PROCESSING 2° anno · 12 CFU · IINF-05/A · 0 file

------------------------------------------------------------ Modulo: DT0432 - ALGORITHMS ENGINEERING ------------------------------------------------------------ Obiettivi formativi dell'insegnamento. L'obiettivo…

Scheda dell'insegnamento

Obiettivi formativi

------------------------------------------------------------ Modulo: DT0432 - ALGORITHMS ENGINEERING ------------------------------------------------------------ Obiettivi formativi dell'insegnamento. L'obiettivo principale del presente corso è introdurre gli studenti alla disciplina dell'Ingegneria degli Algoritmi, coprendo sia tecniche algoritmiche avanzate sia la loro implementazione pratica ed efficiente. Il corso è organizzato in tre macro-aree: (i) algoritmica classica avanzata, che estende i temi non coperti dal corso introduttivo di Algoritmi e Strutture Dati; (ii) algoritmica per sistemi di calcolo moderni, inclusi algoritmi scalabili, distribuiti e paralleli, algoritmi sub-lineari, e tecniche non oblivie/consapevoli delle gerarchie di memoria; (iii) algoritmica sperimentale, che copre le metodologie per la valutazione empirica ed il miglioramento euristico degli algoritmi, e la progettazione di implementazioni efficienti, con particolare enfasi sul linguaggio di programmazione Rust. ------------------------------------------------------------ Modulo: DT0783 - BIG DATA PROCESSING (mutua dall'attività formativa Open and Big Data Management and Processing - DT0713 del CdS DATA SCIENCE APPLICATA - F4Z) ------------------------------------------------------------ Segmento INF/01: Open Data (3 CFU) Acquisizione di strumenti, e relative conoscenze, per la comprensione, manipolazione e interrogazione di dati in formato RDF (Resource Description Framework) da parte di persone che non necessariamente siano in possesso di conoscenze informatiche. Risultati di apprendimento Segmento IINF-05/A: Big Data Processing (6 CFU) Apprendimento di strumenti, modelli e tecniche per la progettazione, l'analisi e l'implementazione di algoritmi per il processamento di dataset di dimensioni massive (Big Data) su architetture distribuite e cluster moderne, con particolare attenzione alle soluzioni algoritmiche di elevato valore industriale.

Programma

------------------------------------------------------------ Modulo: DT0432 - ALGORITHMS ENGINEERING ------------------------------------------------------------ Parte 1 – Algoritmica classica avanzata Argomenti oltre il corso base di Algoritmi e Strutture Dati: analisi ammortizzata, programmazione dinamica; Programmazione lineare; Algoritmi di approssimazione per problemi NP-Hard; Algoritmi randomizzati e loro analisi; Algoritmi dinamici per grafi e dataset time-evolving; Algoritmi online. Parte 2 – Algoritmica per sistemi di calcolo moderni Algoritmi scalabili, paralleli e distribuiti; nozioni di algoritmi distribuiti e modelli di calcolo distribuito; Algoritmi sub-lineari; Gerarchie di memoria e progettazione algoritmica cache-aware/cache-oblivious; Tecniche base di preprocessamento e compressione per dataset di grandi dimensioni. Parte 3 – Algoritmica sperimentale Il ciclo dell'algorithm engineering: dalla progettazione teorica all'implementazione ingegnerizzata e validata; Il processo sperimentale: scala degli esperimenti, nozioni di Design of Experiments (DOE), precisione ed accuratezza nella sperimentazione algoritmica; Progettazione ed esecuzione di sperimentazione algoritmica rigorosa; Tecniche di implementazione efficiente con particolare enfasi sul linguaggio di programmazione Rust; Programmi di test, profiler, debugger, ottimizzazione del codice e performance engineering, tuning algoritmico e del codice; Analisi dei dati sperimentali; Casi di studio pratici sugli argomenti trattati. ------------------------------------------------------------ Modulo: DT0783 - BIG DATA PROCESSING (mutua dall'attività formativa Open and Big Data Management and Processing - DT0713 del CdS DATA SCIENCE APPLICATA - F4Z) ------------------------------------------------------------ Segmento INF/01: Open Data (3 CFU) - Strutture dati e formato dei file - Open data - RDF - SPARQL - Struttura di una query a SPARQL - Data Cleaning - OpenRefine Segmento IINF-05/A: Big Data Processing (6 CFU) Limitations of Sequential Approaches for Processing Massive Datasets Models and Algorithms for Big Data Processing, Map Reduce Model, Workflow Systems Software Frameworks for Implementing Map Reduce Algorithms and Workflow Systems Algorithms (Apache Hadoop/Spark) Large Scale Data Mining (Sorting at Scale, TeraSort algorithm, Distributed Relational Operators, Matrix Algebra, Web Indexing, Similarity Computation, Min-Hashing, Locality Sensitive Hashing, etc.) Massive Graphs Mining (Diameter, Shortest Paths, Communities, Triangles, Transitive Closure, Graph Traversals) Filtering and Randomized Approaches

------------------------------------------------------------ Modulo: DT0432 - ALGORITHMS ENGINEERING ------------------------------------------------------------ Principi fondamentali di Algoritmi e Strutture Dati / Competenze base di programmazione ------------------------------------------------------------ Modulo: DT0783 - BIG DATA PROCESSING (mutua dall'attività formativa Open and Big Data Management and Processing - DT0713 del CdS DATA SCIENCE APPLICATA - F4Z) ------------------------------------------------------------ Segmento INF/01: Open Data (3 CFU) Utilizzo del computer e nozioni di base di XML. Segmento IINF-05/A: Big Data Processing (6 CFU) Conoscenze di base di programmazione procedurale / ad oggetti (e.g., linguaggio Python). Rudimenti di algoritmi e strutture dati. Conoscenze di base di sistemi operativi e reti di calcolatori.

------------------------------------------------------------ Modulo: DT0432 - ALGORITHMS ENGINEERING ------------------------------------------------------------ Lezione frontale, realizzazione di elaborati progettuali in autonomia con supervisione del docente. ------------------------------------------------------------ Modulo: DT0783 - BIG DATA PROCESSING (mutua dall'attività formativa Open and Big Data Management and Processing - DT0713 del CdS DATA SCIENCE APPLICATA - F4Z) ------------------------------------------------------------ Segmento INF/01: Open Data (3 CFU) - Presentazione e discussione degli argomenti del corso tramite slides PowerPoint e discussione degli argomenti del corso tramite esempi concreti e successiva introduzione di concetti generali. - Esercitazioni pratiche in classe tramite l’utilizzo di tool e continua interazione con gli studenti in classe. Sviluppo di piccoli progetti. Segmento IINF-05/A: Big Data Processing (6 CFU) Didattica frontale + cooperativa/attiva

Modalità d'esame

------------------------------------------------------------ Modulo: DT0432 - ALGORITHMS ENGINEERING ------------------------------------------------------------ L'esame consiste in una prova scritta con quesiti a risposta aperta (70%), volta all'accertamento delle competenze teoriche e pratiche acquisite sui temi trattati nel corso, e in una prova orale (30%), volta a verificare in maniera più approfondita il livello di comprensione degli argomenti, nonché il grado di autonomia e capacità di problem solving raggiunto dallo studente. L'attribuzione del voto rifletterà i seguenti livelli di preparazione, coerentemente con i risultati di apprendimento prefissati: sufficiente: raggiungimento di un livello base di conoscenza di tutti gli obiettivi formativi (OF1, OF2, OF3, OF4); adeguata: raggiungimento di un livello buono di conoscenza di tutti gli obiettivi formativi (OF1, OF2, OF3, OF4); buona: raggiungimento di un livello avanzato di conoscenza di tutti gli obiettivi formativi (OF1, OF2, OF3, OF4); approfondita: raggiungimento di un livello avanzato di conoscenza di tutti gli obiettivi formativi (OF1, OF2, OF3, OF4), unitamente ad un elevato livello di autonomia e capacità di problem solving applicato. ------------------------------------------------------------ Modulo: DT0783 - BIG DATA PROCESSING (mutua dall'attività formativa Open and Big Data Management and Processing - DT0713 del CdS DATA SCIENCE APPLICATA - F4Z) ------------------------------------------------------------ Segmento INF/01: Open Data (3 CFU) Pre-Assessment:non c’è una verifica formale dei pre-requisiti richiesti, ma tale valutazione verrà fatta durante l’accertamento del processo di apprendimento. Accertamento del processo di apprendimento: L’accertamento del processo di apprendimento viene effettuato mediante una interazione continua tra il docente e gli studenti durante le lezioni e le esercitazioni. Gli studenti sono coinvolti in discussioni e proposte di strategie per la soluzione degli esercizi e lo sviluppo di piccoli progetti per mezzo di domande orali in classe. Accertamento del raggiungimento degli obiettivi formativi: svolgimento di un progetto seguito da una prova orale per la presentazione e discussione del progetto realizzato (100%) L’esame consiste nello svolgimento di un piccolo progetto (in gruppi composti da 1-3 studenti) e in una prova orale che prevede la presentazione e discussione dei progetti (realizzati da tutti i membri del gruppo) e alcune domande sui concetti introdotti nel corso. N.B.: I progetti dovranno essere inviati via e-mail ai singoli docenti di riferimento almeno 2 giorni prima della discussione in sede di esame. Nella mail andranno indicati i nominativi dei componenti del gruppo. Questo permetterà ai docenti una valutazione preliminare (che potrebbe dar luogo ad una richiesta di revisione del progetto). L’attribuzione del voto rifletterà i seguenti livelli di preparazione. sufficiente: conoscenza dei costrutti dei linguaggi introdotti durante il corso da parte dei vari componenti del gruppo; adeguata: abilità nella risoluzione di problemi e nell’implementare correttamente le idee proposte nei progetti. La prova orale dura 15-20 minuti e le domande coprono gli argomenti del corso a partire dai costrutti utilizzati nei progetti, come implementare eventuali modifiche e/o introdurre nuovi aspetti, personaggi, costrutti, strutture dati, etc. nei progetti presentati. I criteri di valutazione riguarderanno: (i) la correttezza e completezza dei progetti (ovvero, l’utilizzo corretto dei concetti fondamentali presentati nel corso); (ii) il livello di conoscenza degli argomenti trattati nel corso e la capacità di ragionamento su tali argomenti; (iii) le competenze, la proprietà di linguaggio, la chiarezza di esposizione delle scelte progettuali e delle relative soluzioni e le capacità critiche acquisite da ogni studente. Un gruppo può chiedere di sostenere nuovamente la prova orale per discutere una versione rivista del/dei progetto/i con lo scopo di migliorare la valutazione finale. Segmento IINF-05/A: Big Data Processing (6 CFU) L'esame consiste in una prova scritta con quesiti a risposta aperta (100%), volta all'accertamento delle competenze teoriche e pratiche acquisite sui temi trattati nel corso, comprendente domande teoriche, esercizi di tipologia progettuale (progettazione di un algoritmo per la risoluzione di un problema computazionale che richieda l'adattamento di algoritmi studiati durante il corso) ed esercizi di applicazione di tecniche note ad istanze di input di esempio. A discrezione del docente, la prova scritta può essere seguita da una prova orale, nel caso in cui si renda necessario accertare ed approfondire situazioni di ambiguità nello stato di comprensione dimostrato dallo studente. L'attribuzione del voto rifletterà i seguenti livelli di preparazione, coerentemente con i risultati di apprendimento prefissati: sufficiente: raggiungimento di un livello base di conoscenza di tutti gli obiettivi formativi (LO1, LO2, LO3, LO4); adeguata: raggiungimento di un livello buono di conoscenza di tutti gli obiettivi formativi (LO1, LO2, LO3, LO4); buona: raggiungimento di un livello avanzato di conoscenza di tutti gli obiettivi formativi (LO1, LO2, LO3, LO4); approfondita: raggiungimento di un livello avanzato di conoscenza di tutti gli obiettivi formativi (LO1, LO2, LO3, LO4), unitamente ad un elevato livello di autonomia e capacità di problem solving applicato.

Testi di riferimento

------------------------------------------------------------ Modulo: DT0432 - ALGORITHMS ENGINEERING ------------------------------------------------------------ Il corso prevede lo studio di capitoli selezionati dai seguenti testi: Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest, Clifford Stein. Introduction to Algorithms, 4th Edition. MIT Press, 2022. Shang-Hua Teng. Scalable Algorithms for Data and Network Analysis. Foundations and Trends in Theoretical Computer Science 12(1-2): 1-274 (2016). Catherine C. McGeoch. A Guide to Experimental Algorithmics. Cambridge University Press, 2012. ------------------------------------------------------------ Modulo: DT0783 - BIG DATA PROCESSING (mutua dall'attività formativa Open and Big Data Management and Processing - DT0713 del CdS DATA SCIENCE APPLICATA - F4Z) ------------------------------------------------------------ Segmento INF/01: Open Data (3 CFU) - Materiale fornito dal docente e disponibile sul team del corso o su pagina web dedicata. - Materiale disponibile sul web che verrà indicato dal docente. Segmento IINF-05/A: Big Data Processing (6 CFU) J. Leskovec, A. Rajaraman, J. D. Ullman. Mining of Massive Datasets. 3rd Edition. Cambridge University Press. Handouts e dispense fornite dal docente Selezione di articoli scientifici suggeriti

Codice insegnamento 39001

AUTOMATED VERIFICATION OF CYBER-PHYSICAL SYSTEMS 2° anno · 6 CFU · INFO-01/A · 0 file

Lo scopo dell'insegnamento è fornire allo studente una panoramica sulle metodologie di modellazione e verifica della correttezza del software, con particolare riferimento al controllo e monitoraggio per cyber-physical…

Scheda dell'insegnamento

Obiettivi formativi

Lo scopo dell'insegnamento è fornire allo studente una panoramica sulle metodologie di modellazione e verifica della correttezza del software, con particolare riferimento al controllo e monitoraggio per cyber-physical systems. Verranno fornite anche nozioni di base sullo sviluppo di controllori software corretti per costruzione per detti sistemi.Tali obiettivi contribuiscono alle finalità formative del corso di studi, in quanto la coerenza interna del corso di laurea magistrale in Informatica è stata verificata e armonizzata in fase di progettazione dello stesso.

Programma

Il corso è diviso in 6 moduli da svolgere in sequenza, descritti qui di seguito: 1 - Introduzione (8 ore). Introduzione alle metodologie di model checking classico per sistemi a stati finiti. Definizione di cyber-physical system e del problema della verifica della loro correttezza. 2 - Probabilistic model checking (16 ore). Teoria e pratica delle metodologie di probabilistic model checking, con particolare attenzione al model checker PRISM, con applicazioni ai cyber-physical systems. 3 - Simulazione di cyber-physical systems (8 ore). Nozioni generali sulla descrizione matematica di cyber-physical systems. Descrizione del linguaggio di modellazione Modelica, con esempi. Cenni a Simulink. 4 - Statistical model checking (10 ore). Teoria e pratica delle metodologie di statistical model checking, con esempi di applicazione ai cyber-physical systems. 5 - System level formal verification (4 ore). Teoria e pratica delle metodologie di system level formal verification, con esempi di applicazione ai cyber-physical systems. 6 - Generazione di controllori (2 ore). Teoria e pratica delle metodologie per la generazione automatica di controllori corretti per costruzione, con esempi di applicazione ai cyber-physical systems.

È richiesta una buona conoscenza dei linguaggi di programmazione imperativi (Java, C/C++ e Python). È richiesta inoltre una buona conoscenza di logica matematica e di analisi matematica di base (derivate ed integrali di funzioni).

Il corso consisterà principalmente di lezioni frontali, sia teoriche che con dimostrazioni pratiche.

Modalità d'esame

L'esame può essere svolto, a discrezione dell'utente, in 2 modi: 1. svolgimento di un progetto (es.: verificare la correttezza di un dato cyber-physical system); 2. relazione sulle metodologie e sui risultati di un articolo di ricerca sugli argomenti trattati nel corso, tra quelli proposti dal docente. In entrambi i casi, è prevista una discussione orale sul materiale presentato.Tale prova d'esame ha la finalità di verificare la capacità dello studente di applicare le metodologie studiate durante il corso a casi di studio interessanti (nel caso del progetto), o la sua capacità di confrontarsi con la letteratura recente sull'argomento (nel caso della relazione).L'attribuzione del voto rifletterà i seguenti livelli di preparazione: - insufficiente (<18): progetto svolto in modo molto lacunoso ed impreciso o relazione che non coglie i punti salienti dell'articolo proposto - sufficiente (18-21): progetto svolto con una soluzione accettabile o relazione che coglie solo i punti salienti dell'articolo proposto - adeguata (22-25): progetto svolto con una soluzione più che accettabile o relazione che dimostra una comprensione discreta dell'articolo, con riproduzione almeno parziale dei risultati - buona (26-28): progetto svolto con una soluzione buona o relazione che dimostra una comprensione buona dell'articolo, con riproduzione quasi completa dei risultati - ottima (29-30 e lode): progetto svolto in modo ottimo o relazione che dimostra un'approfondita comprensione dell'articolo, con riproduzione totale dei risultati, e proposizione di nuovi casi di studio

Testi di riferimento

Edmund M. Clarke, Thomas A. Henzinger, Helmut Veith, Roderick Bloem (Editors): "Handbook of Model Checking", SpringerArticoli forniti dal docente

Codice insegnamento 38944

CLOUD ARCHITECTURE AND SERVICES 2° anno · 6 CFU · IINF-03/A · 0 file

Il corso si pone l’obiettivo di fornire le conoscenze e le abilità minime necessarie alla gestione di sistemi di cloud computing e alla progettazione di servizi tramite gli stessi. Si desidera rendere lo studente…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si pone l’obiettivo di fornire le conoscenze e le abilità minime necessarie alla gestione di sistemi di cloud computing e alla progettazione di servizi tramite gli stessi. Si desidera rendere lo studente capace di esprimere un giudizio sulla qualità dei servizi erogati dall’architettura di riferimento, permettendogli di progettare nuove soluzioni, ove necessario, allineante agli standard attuali. Il corso ambisce a sviluppare il giudizio critico dello studente verso queste nuove tecnologie, analizzato pregi e difetti delle architetture esistenti. L’obiettivo è raggiunto analizzando le tecnologie alla base delle architetture cloud (e.g., virtualizzazione di macchine, memorie e reti), i modelli dati innovativi (e.g., modelli noSQL), ed utilizzando le diverse modalità di erogazione dei servizi offerte dal cloud (e.g., IaaS, PaaS, SaaS, etc.). Sono inoltre presentate le maggiori problematiche di sicurezza e privacy. Questi aspetti sono studiati, dove possibile, tenendo come riferimento le architetture delle principali soluzioni commerciali (e.g., Amazon Web Service, etc.). Gli obiettivi formativi sono parte delle finalità formative del Corso di Studi, in quanto la coerenza del corso di laurea in Ingegneria Informatica è stata verificata e armonizzata in fase di progettazione dello stesso. In particolare, l’insegnamento concorre alle competenze caratterizzanti comuni ai due curricula, specificatamente per quanto riguarda le metodologie di progettazione di servizi cloud. RISULTATI DI APPRENDIMENTO - Learning Objectives (LO) Al termine dell’insegnamento, lo/a studente/ssa sarà in grado di: LO1 - CONOSCERE e COMPRENDERE il paradigma del cloud computing, il processo di progettazione di servizi cloud, le relative metodologie, i framework di sviluppo, i parametri di valutazione delle proposte progettuali, nonché – per ognuno di questi aspetti - le variabili che ne influenzano la scelta LO2 - APPLICARE TALI CONOSCENZE alla progettazione di servizi cloud che tengano conto dei contesti d’uso, delle caratteristiche dell’utente e dei suoi compiti, e delle piattaforme tecnologiche LO3 - VALUTARE CRITICAMENTE l’adeguatezza delle soluzioni proposte LO4 - DISCUTERE le giustificazioni progettuali ed ESPORRE i concetti in modo scientificamente corretto e rigoroso sia oralmente che per iscritto LO5 - APPRENDERE IN MODO AUTONOMO ed ESPORRE testi di approfondimento correlati ai temi di progetti LO6 - APPLICARE TALI CONOSCENZE ai progetti assegnati

Programma

Modulo 1 – Panoramica dei concetti cloud (3h): lo scopo di questo modulo è introdurre gli studenti al cloud computing e cosa possono offrire i servizi cloud. Vengono presentati anche alcuni provider cloud (ad es. Amazon Web Services (AWS)) Modulo 2 – Cloud Economics and Billing (2h): lo scopo di questo modulo è introdurre gli studenti ai vantaggi aziendali per il passaggio al cloud. Il modulo inizia spiegando la filosofia dei prezzi dei servizi cloud e il concetto generale di costo totale di proprietà. Questi concetti sono importanti da comprendere per gli studenti perché potrebbero aver bisogno di fare affidamento su di essi nelle loro carriere come professionisti del cloud. Modulo 3 – Panoramica dell'infrastruttura cloud (2,5 ore): lo scopo di questo modulo è introdurre l'infrastruttura cloud. Modulo 4 – Cloud Security (2,5h): lo scopo di questo modulo è introdurre l'approccio alla sicurezza cloud e alcuni concetti correlati (ad es. Modello di responsabilità condivisa, protezione dei dati) Modulo 5 – Networking e Content Delivery (3h): lo scopo di questo modulo è introdurre gli studenti ai servizi fondamentali di cloud networking e content delivery, incluso il Virtual Private Cloud (VPC). Modulo 6 – Compute (2h): lo scopo di questo modulo è introdurre molti dei servizi di calcolo offerti dai servizi cloud. Facendo riferimento ad AWS, questi servizi includono Amazon Elastic Compute Cloud (Amazon EC2), AWS Lambda, AWS Elastic Beanstalk, Amazon Elastic Container Service (Amazon ECS), Amazon Elastic Container Registry (ECR) e Amazon Elastic Kubernetes Service. Modulo 7 – Archiviazione (2h): Lo scopo di questo modulo è introdurre gli studenti alle varie opzioni per l'archiviazione dei dati nel cloud. Il modulo descrive quattro diverse tecnologie di archiviazione. Il modulo si concentra sui servizi di archiviazione descritti in modo che gli studenti possano decidere quale servizio di archiviazione utilizzare per i vari casi d'uso. Lo storage è uno dei principali servizi cloud ed è importante che gli studenti comprendano i vantaggi e gli svantaggi di ciascuna tecnologia. Il modulo si conclude con un'attività che offre agli studenti l'opportunità di applicare ciò che hanno appreso a uno scenario del mondo reale. Modulo 8 – Database (3h): Lo scopo di questo modulo è introdurre gli studenti a quattro dei servizi di database più comunemente usati. Il modulo descrive quattro diversi servizi di database. Il modulo si concentra sui servizi di database descritti in modo che gli studenti possano decidere quale servizio di database utilizzare per i vari casi d'uso. I database sono uno dei servizi cloud principali ed è importante che gli studenti comprendano i vantaggi e gli svantaggi di ciascun servizio. Il modulo si conclude con un'attività che offre agli studenti l'opportunità di applicare ciò che hanno appreso a uno scenario del mondo reale. Modulo 9 - Architettura cloud (3 ore): lo scopo di questo modulo è introdurre gli studenti alla progettazione e alla costruzione di architetture cloud secondo le best practies (ad es. Well-Architected Framework Design Principles, Security, Reliability, Performance Efficiency, Cost Optimization, Reliability & High Availability). Modulo 10 – Scaling automatico e monitoraggio (2h): Lo scopo di questo modulo è introdurre gli studenti ai servizi fondamentali che possono essere utilizzati insieme per costruire architetture dinamiche e scalabili utilizzando Load Balancing, Scaling Architecture.

Lo studente che accede a questo corso ha una conoscenza generica tecnica IT (Information Technologies), possiede nozioni di algoritmi e sistemi di gestione dei dati (DBMS). Una conoscenza di base di protocolli e reti di comunicazioni è consigliata.

Lezioni frontali con l'utilizzo di slide che vengono fornite agli studenti. Esercitazioni con e senza calcolatore. Agli studenti che non frequentano con regolarità e continuità viene assegnato un programma di progetti individuali con verifiche programmate.

Modalità d'esame

L’esame consiste in una prova scritta e/o pratica della durata di 2 ore in cui lo studente è tenuto a rispondere a domande aperte (LO1 a LO4) e all'elaborazione di un progetto (LO5 e LO6), volte all'accertamento dell’acquisizione e della corretta comprensione degli argomenti trattati nel corso, atti a valutare i risultati di apprendimento, con particolare attenzione a LO2, LO3, LO4 e LO6. Il voto finale, espresso in trentesimi, terrà conto dell’esattezza e della qualità delle risposte (70%), dell’abilità d’esposizione (10%) e della capacità di motivare adeguatamente affermazioni, analisi e giudizi (20%). L’attribuzione del voto rifletterà i seguenti livelli di preparazione: SUFFICIENTE: sufficiente conoscenza e comprensione dei contenuti del corso. Sufficiente capacità di applicare le conoscenze di tali contenuti. Difficoltà nell’apprendimento autonomo. Qualche difficoltà nell’argomentazione e nella comunicazione. Qualche difficoltà nel collegamento tra i contenuti del corso. ADEGUATA: discreta conoscenza e comprensione dei contenuti del corso. Discreta capacità di applicare le conoscenze di tali contenuti. Sufficiente capacità di apprendimento autonomo e sufficiente capacità di applicare i suoi risultati. Sufficienti capacità argomentative e di esposizione. Sufficiente capacità di collegamento tra i contenuti del corso. BUONA: buona conoscenza e comprensione dei contenuti del corso. Buona capacità di applicare le conoscenze di tali contenuti. Buona capacità di apprendimento autonomo e buona capacità di applicare i suoi risultati. Buone capacità di argomentazione e comunicazione. Adeguata capacità di collegamento tra i contenuti del corso. APPROFONDITA: ottima conoscenza e comprensione dei contenuti del corso. Ottima capacità di applicare le conoscenze di tali contenuti. Buona capacità di apprendimento autonomo e ottima capacità di applicare i suoi risultati. Ottime capacità di argomentazione e comunicazione. Ottima capacità di collegamento tra i contenuti del corso.

Testi di riferimento

Maarten van Steen and Andrew S. Tanenbaum, Distributed Systems: Principles and Paradigms - 3rd Edition, CreateSpace Independent Publishing Platform. ISBN: 978-1543057386. Freely available from the author's site. George Coulouris, Jean Dollimore, Tim Kindberg and Gordon Blair, Distributed Systems: Concepts and Design - Fifth Edition, Addison Wesley, 2011. Arshdeep Bahga, Vijay Madisetti, "Cloud Computing Solutions Architect: A Hands-On Approach", 2019. Dan Marinescu, "Cloud Computing: Theory and Practice, Second Edition", Morgan Kaufmann, 2018. I seguenti articoli approfondiscono ed integrano gli argomenti trattati a lezione; la loro lettura è raccomandata: A. Rotem-Gal-Oz, "Fallacies of distributed computing explained" M. van Steen and A.S. Tanenbaum, "A brief introduction to distributed systems", Computing, vol. 98, no. 10, pp. 967-1009, 2016. S. Vinoski, "Rediscovering distributed systems", IEEE Internet Computing, Vol. 18, No. 2, Mar.-Apr. 2014. J. Hodges, "Notes on distributed systems for young bloods", 2013. P. Maddox, "Testing a distributed system", ACM Queue, 2015. Introduzione al Cloud Computing M. Armbrust et al., "Above the clouds: A Berkeley view of cloud computing", EECS Department, University of California Berkeley Technical Report No. UCB/EECS-2009-28, Feb. 2009. (pdf) P. Mell, T. Grance, "The NIST definition of cloud computing", Sept. 2011. (pdf) S.A. Baset, "Cloud SLAs: Present and future", SIGOPS Oper. Syst. Rev., Vol. 46, No. 2, pp. 57-66, July 2012. (pdf) N. Herbst, R. Krebs, G. Oikonomou, G. Kousiouris, A. Evangelinou, A. Iosup, S. Kounev, "Ready for rain? A View from SPEC Research on the future of cloud metrics", SPEC Research Group - Cloud Working Group, Standard Performance Evaluation Corporation (SPEC), Technical Report SPEC-RG-2016-0, 2016. (pdf) R. Buyya et al., "A manifesto for future generation Cloud Computing: Research directions for the next decade", ACM Comput. Surv., Vol 51, No. 5, 2019. (pdf) Architetture dei Sistemi Distribuiti P.T. Eugster, P.A. Felber, R. Guerraoui, A.-M. Kermarrec, "The many faces of publish/subscribe", ACM Computing Surveys, Vol. 35, No. 2, pp. 114-131, June 2003. (pdf) H. Balakrishnan, M.F. Kaashoek, D. Karger, R. Morris, I. Stoica, "Looking up data in P2P systems", Communications of the ACM, Vol. 46, No. 2, pp. 43-48, Feb. 2003. (pdf) I. Stoica, R. Morris, D. Liben-Nowell, D.R. Karger, M.F. Kaashoek, F, Dabek, H. Balakrishnan, "Chord: a scalable peer-to-peer lookup protocol for Internet applications", IEEE/ACM Trans. Netw., Vol. 11, No. 1, pp. 17-32, Feb. 2003. (pdf) J.O. Kephart, D.M. Chess, "The vision of autonomic computing", IEEE Computer, Vol. 36, No. 1, Jan. 2003. (pdf) D. Weyns, B. Schmerl, V. Grassi, S. Malek, R. Mirandola, C. Prehofer, J. Wuttke, J. Andersson, H. Giese, K. Göschka, "On patterns for decentralized control in self-adaptive systems", In Software Engineering for Self-Adaptive Systems II, 2013. (pdf) Virtualizzazione K. Hwang, J. Dongarra, G.C. Fox, "Virtual machines and virtualization of clusters and data centers", chapter 3 of Distributed and Cloud Computing, Morgan Kaufmann, 2011. (pdf) J.E. Smith, R. Nair, "The architecture of virtual machines", IEEE Computer, pp. 32-38, May 2005. (pdf) OS-level virtualization D. Bernstein, "Containers and cloud: from LXC to Docker to Kubernetes", IEEE Cloud Computing, Vol. 1, No. 3, pp. 81-84, Sept. 2014. (pdf) C. Pahl, "Containerisation and the PaaS Cloud", IEEE Cloud Computing, Vol. 2, No. 3, pp. 24-31, May 2015. S. Yegulalp, "What is Docker? The spark for the container revolution", InfoWorld, 2019. Architetture a microservizi e serverless J. Lewis, M. Fowler, "Microservices", 2014. (html) P. Jamshidi, C. Pahl, N. C. Mendonça, J. Lewis and S. Tilkov, "Microservices: The Journey So Far and Challenges Ahead", IEEE Software, Vol. 35, No. 3, 2018. P. Castro, V. Ishakian, V. Muthusamy, A. Slominski, "The Rise of Serverless Computing", Communications of the ACM, Vol. 62, No. 12, pp. 44-54, Dec. 2019. E. Jonas et al., "Cloud Programming Simplified: A Berkeley View on Serverless Computing", Technical Report No. UCB/EECS-2019-3, Feb. 2019. M. Roberts, "Serverless Architectures", 2018.

Codice insegnamento 37752

DEEP NEURAL NETWORKS 2° anno · 6 CFU · INFO-01/A · 0 file

Le reti neurali artificiali (ANN), o semplicemente reti neurali (NN), sono un modello computazionale di apprendimento automatico (machine learning) ispirato alla struttura e al funzionamento delle reti neurali biologiche…

Scheda dell'insegnamento

Obiettivi formativi

Le reti neurali artificiali (ANN), o semplicemente reti neurali (NN), sono un modello computazionale di apprendimento automatico (machine learning) ispirato alla struttura e al funzionamento delle reti neurali biologiche presenti nel cervello animale. Una rete neurale è costituita da unità o nodi interconnessi, denominati neuroni artificiali, che riproducono in modo semplificato i neuroni cerebrali; tali unità sono collegate tra loro da archi che simulano le sinapsi del cervello.All'interno di una rete neurale, i neuroni artificiali sono organizzati in "livelli" di elaborazione. Ciascuno di questi livelli, comunemente definito "layer" (strato), è costituito da un insieme di singoli neuroni che operano in parallelo per analizzare i dati in ingresso, elaborarli e trasmetterli al livello successivo. Nel caso delle reti neurali profonde ("Deep Neural Network" o DNN), il termine "profondo" indica semplicemente la presenza di numerosi strati sovrapposti. Le DNN costituiscono l'ossatura architettonica del deep learning e sono alla base di innovazioni moderne quali l'intelligenza artificiale (IA) generativa, i modelli linguistici di grandi dimensioni (LLM), l'IA agentica e i sistemi autonomi.Questo corso offre un approfondimento completo sulle DNN, combinando teoria ed esercitazioni pratiche. Partiremo dalle architetture di rete neurale più semplici e fondamentali, ovvero il perceptron (una rete composta da un singolo neurone) e la sua evoluzione nel perceptron multistrato (MLP), in cui i perceptron sono organizzati in più strati. Successivamente, esamineremo modelli di rete neurale più complessi e moderni, tra cui le reti neurali convoluzionali (CNN), le reti neurali ricorrenti (RNN) e i Transformer. Tutti i modelli saranno contestualizzati nell'ambito delle principali applicazioni odierne basate sull'IA, spaziando dalla computer vision all'elaborazione del linguaggio naturale (NLP) e alla traduzione automatica.

Programma

Ottimizzazione non lineare e aspetti computazionali delle reti neurali standard [12 ore]: - Ottimizzazione non lineare: introduzione all'ottimizzazione; algoritmi di ottimizzazione senza vincoli; tecniche di regolarizzazione. - Aspetti computazionali delle reti neurali standard: problema dell'addestramento delle reti neurali; procedura di backpropagation; algoritmi di addestramento. Architetture avanzate di reti neurali [36h]:- Reti neurali feedforward standard. - Reti neurali convoluzionali (CNN) e loro applicazione alla visione artificiale. - Reti neurali ricorrenti (RNN) e loro applicazione all'elaborazione del linguaggio naturale (NLP) e alla traduzione automatica. - Meccanismo di attenzione e Transformer, e loro applicazione a modelli linguistici di grandi dimensioni (LLM) e intelligenza artificiale generativa. - Cenni di intelligenza artificiale agentica.

Non sono previsti prerequisiti formali.Tuttavia, è vivamente consigliato possedere almeno una conoscenza di base del machine learning.

Lezioni frontali e collaborazione attiva. Sono incluse sessioni teoriche e di laboratorio pratiche.

Modalità d'esame

Pre-valutazione: nessuna pre-valutazione formale. Il possesso dei prerequisiti viene verificato tramite valutazione formativa.Valutazione formativa: effettuata attraverso l'interazione tra docente e studenti durante le lezioni.Valutazione intermedia: sì. Valutazione globale. L'esame consisterà in: 1. Una prova scritta con domande sugli argomenti teorici del corso (tutti gli argomenti trattati durante le lezioni, escluse le esercitazioni pratiche). La prova includerà domande aperte, alcune che richiederanno risposte molto brevi (1-2 frasi) e altre che richiederanno risposte più dettagliate (1-2 paragrafi), nonché esercizi. - La prova scritta è suddivisa in 2 parti: Parte I su tutti gli argomenti trattati durante le lezioni di ottimizzazione non lineare e aspetti computazionali delle reti neurali standard e Parte II su tutti gli argomenti trattati durante le lezioni sulle architetture di reti neurali avanzate. 2. Un progetto da svolgere offline, che verrà discusso il giorno dell'esame orale (vedi Punto 3). Il progetto è individuale per ogni studente e consisterà in un'attività di programmazione relativa agli argomenti trattati nel corso. 3. Un esame orale, che avrà come scopo principale la discussione del progetto. Inoltre, potranno essere poste ulteriori domande sugli argomenti del corso, al fine di approfondire la valutazione complessiva. Valutazione: - Ogni prova (scritta, progetto, orale) riceverà un voto individuale su 30 (eventualmente con lode). - Come per la prova scritta, ogni parte (Parte I e Parte II) riceverà un voto individuale in trentesimi (eventualmente con lode). Il voto finale della prova scritta corrisponderà (approssimativamente) a una media ponderata dei voti individuali ottenuti in ciascuna parte, con pesi pari a 1/3 per la Parte I e 2/3 per la Parte II. - Il voto complessivo finale (risultante da tutte le prove, scritta, progetto e orale) corrisponderà (approssimativamente) a una media ponderata dei voti individuali ottenuti in ciascuna prova, con pesi pari a 4/6 per la prova scritta, 1/6 per il progetto e 1/6 per la prova orale.

Testi di riferimento

Non è previsto un libro di testo ufficiale per questo corso.Tuttavia, ecco un elenco (non esaustivo) di testi consigliati (le slide del corso potrebbero basarsi su materiale tratto da alcuni di essi): - Prince, 2023 – Understanding Deep Learning (https://udlbook.github.io/udlbook/). - Goodfellow, Bengio, Courville, 2016 – Deep Learning (https://www.deeplearningbook.org). - Grippo, Sciandrone, 2021 – Introduction to Methods for Nonlinear Optimization. - Russell, Norvig, 2021 - Artificial Intelligence: A Modern Approach, 4th ed. (https://aima.cs.berkeley.edu/global-index.html). - Aggarwal, 2023 – Neural Networks and Deep Learning - A Textbook, 2nd ed. (http://www.charuaggarwal.net).

Codice insegnamento 37945

DIGITAL SIGNAL PROCESSING WITH PROGRAMMABLE HW DESIGN 2° anno · 6 CFU · IINF-03/A · 0 file

Obiettivi Formativi: L’insegnamento concorre all’obiettivo formativo del Corso di Studi di fornire allo studente le conoscenze di elaborazione dei segnali e competenze sulle tecnologie di sviluppo e, nello specifico,…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivi Formativi: L’insegnamento concorre all’obiettivo formativo del Corso di Studi di fornire allo studente le conoscenze di elaborazione dei segnali e competenze sulle tecnologie di sviluppo e, nello specifico, in riferimento a delle soluzioni di elaborazione del segnale digitale implementate su hardware programmabile. Risultati di Apprendimento: Al termine del percorso lo studente dovrà dimostrare di aver maturato i seguenti Risultati di Apprendimento (RdA): RdA1: conoscenza e capacità di esposizione dei metodi per l'elaborazione del segnale digitale; RdA2: conoscenza delle principali tecnologie e metodologie di sviluppo, e capacità di progettazione di sistemi di elaborazione del segnale digitale; RdA3: capacità di sviluppo di sistemi di elaborazione del segnale digitale su hardware programmabile; RdA4: abilità nella gestione delle diverse soluzioni disponibili in funzione del problema da risolvere.

Programma

Processamento del Segnale Digitale (3CFU): - Segnali tempo discreto nel dominio del tempo, segnali tempo discreto nel dominio della frequenza; - Sistemi tempo discreto, trasformate discrete a lunghezza finita, sistemi tempo discreto LTI; - Strutture principali dei filtri digitali, progettazione di filtri digitali IIR, progettazione dei filtri digitali di tipo FIR. Progettazione e sviluppo di sistemi di elaborazione del segnale digitale su hardware programmabile (3CFU): - Concetti di base (throughput, latenza, pipelining), logica programmabile e logica configurabile, rappresentazione dei dati, panoramica sulle tecnologie VLSI, architetture di hardware configurabile (PLD, CPLD, FPGA), flusso di progetto; - Linguaggi di descrizione hardware (fondamenti di VHDL); - Strumenti CAD e implementazione su FPGA.

Teoria dei segnali Teoria dell'Informazione Elettronica dei Sistemi Digitali 1

Lezioni frontali con l'utilizzo di slide che vengono fornite agli studenti. Esercitazioni con e senza calcolatore. Sessioni di laboratorio con strumenti CAD e implementazioni su FPGA.

Modalità d'esame

Accertamento del raggiungimento degli obiettivi formativi: Il processo di valutazione interessa la parte teorica e implementativa. L’accertamento sulla parte teorica avviene mediante esame orale, consistente in 3 domande, mirato ad accertare la conoscenza delle nozioni di elaborazione del segnale digitale. Le competenze di sviluppo implementativo vengono valutate attraverso la discussione di una tesina e di un’eventuale domanda sulla panoramica delle tecnologie VLSI. L’attribuzione del voto rifletterà i seguenti livelli di preparazione: - sufficiente: conoscenza dei metodi per l'elaborazione del segnale digitale, acquisizione delle nozioni di base relative alle differenti tecnologie VLSI, e capacità di sviluppo architetturale (RdA1 e RdA2); - adeguata: acquisizione delle competenze di base relative allo sviluppo di sistemi di elaborazione del segnale digitale su hardware programmabile (RdA3); - buona: consolidata capacità di gestione dell'intero flusso di progetto per lo sviluppo di sistemi di elaborazione del segnale digitale su hardware programmabile (RdA3); - approfondita: gestione critica delle soluzioni discusse nel corso al fine di risolvere problemi avanzati (RdA4).

Testi di riferimento

Sanjit K. Mitra, Digital Signal Processing, A computer Based Approach, McGraw-Hill International Edition. 4th edition Alan V. Oppenheim, Ronald W. Schafer, Discrete-time Signal Processing, Prentice Hall Signal Processing Series. Alan V. Oppenheim Series Editor, 2nd edition U. Meyer-Baese, Digital Signal Processing with Field Programmable Gate Arrays, Springer, 3rd edition.

Codice insegnamento 37745

DIGITAL TRANSFORMATION: STRATEGIES AND APPLICATIONS 2° anno · 3 CFU · IINF-05/A · 0 file

L’insegnamento si propone di fornire alle studentesse e agli studenti concetti, quadri di analisi e criteri per comprendere e valutare la trasformazione digitale come processo strategico e socio-tecnico.​​​​​​​…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento si propone di fornire alle studentesse e agli studenti concetti, quadri di analisi e criteri per comprendere e valutare la trasformazione digitale come processo strategico e socio-tecnico.​​​​​​​ Considerata la dimensione dell’insegnamento, i contenuti tecnologici sono affrontati in modo selettivo, comparativo e strategico. Il corso non mira a fornire una trattazione tecnica esaustiva delle tecnologie emergenti, ma a introdurre i principi essenziali, i principali ambiti applicativi e i criteri con cui valutarne e motivarne l’adozione. Gli approfondimenti tecnici sono demandati a conoscenze già acquisite e a materiali e letture per lo studio individuale. La blockchain e le tecnologie di registro distribuito costituiscono il principale approfondimento tecnologico del corso e sono analizzate attraverso un unico caso di studio, sviluppato progressivamente, relativo alla loro applicazione nella Pubblica Amministrazione. Il caso consente di esaminare il passaggio dall’identificazione di un problema pubblico alla valutazione comparativa delle alternative, alla definizione della soluzione e all’analisi di governance, fattibilità, rischi, sostenibilità e valore pubblico. L’Intelligenza Artificiale e la Network Science sono introdotte come ulteriori prospettive rilevanti per la trasformazione digitale, ma sono trattate a livello di inquadramento e confronto. La nuova frontiera della Public AI è proposta come ambito di approfondimento autonomo per gli elaborati finali, con attenzione all’IA come infrastruttura e bene pubblico, all’accountability e alla misurazione del valore sociale e pubblico. L’insegnamento contribuisce agli obiettivi formativi del Corso di Laurea Magistrale in Ingegneria Informatica, sviluppando la capacità di analizzare criticamente una trasformazione digitale, motivare la scelta o la non adozione di una tecnologia e comunicarne benefici, limiti, rischi e impatti.

Programma

FONDAMENTI E STRATEGIE DELLA TRASFORMAZIONE DIGITALE. Differenze tra digitization, digitalization e digital transformation. Trasformazione digitale come processo strategico e socio-tecnico. Impatto su processi, servizi, organizzazioni, modelli di valore e società. Innovazione problem-driven e technology push. Utenti, stakeholder, capacità organizzative, governance, roadmap e criteri di valutazione. Selezione delle tecnologie in relazione a problemi, requisiti, alternative e impatti. BLOCKCHAIN E DISTRIBUTED LEDGER TECHNOLOGIES. Sistemi centralizzati e distribuiti. Principi essenziali di ledger distribuito, hashing, consenso e immutabilità. Blockchain permissioned e permissionless. Smart contract, identità, certificazione, tracciabilità e provenienza. Governance delle reti, ruoli e responsabilità. Scalabilità, interoperabilità, sicurezza, privacy e sostenibilità. Criteri per stabilire quando una blockchain sia appropriata e quando una soluzione centralizzata sia preferibile. CASO DI STUDIO PROGRESSIVO: BLOCKCHAIN NELLA PUBBLICA AMMINISTRAZIONE. Sviluppo passo passo di un unico caso relativo a un processo o servizio pubblico. Definizione del problema pubblico e del valore atteso; identificazione di utenti e stakeholder; analisi del processo corrente e dei requisiti di fiducia, coordinamento, condivisione e tracciabilità; confronto tra architettura centralizzata, blockchain permissioned e altre alternative; modellazione concettuale di attori, dati, transazioni e regole; valutazione di identità, autorizzazioni, interoperabilità e governance; analisi di fattibilità, rischi, costi, sostenibilità, inclusione e accountability; definizione di una roadmap e di indicatori di risultato. Il caso è utilizzato per mostrare come una tecnologia debba essere valutata criticamente e non adottata per il solo carattere innovativo. PROSPETTIVE COMPLEMENTARI: INTELLIGENZA ARTIFICIALE, PUBLIC AI E NETWORK SCIENCE. Inquadramento essenziale dell’Intelligenza Artificiale e della Generative AI come abilitatori della trasformazione digitale. Automazione, supporto alle decisioni, human augmentation, affidabilità, controllo umano e valore pubblico. Public AI come possibile infrastruttura pubblica: accessibilità, accountability e produzione di beni pubblici permanenti. Network Science come prospettiva per interpretare piattaforme, ecosistemi, interdipendenze, diffusione e resilienza. I temi sono introdotti in forma sintetica e approfonditi mediante letture e studio autonomo. TRASFORMAZIONE DIGITALE RESPONSABILE E SOSTENIBILE. Valutazione comparativa di benefici, costi e rischi. Dimensioni ambientale, economica, sociale, organizzativa e democratica del valore. Privacy, cybersecurity, etica, accessibilità, inclusione e digital divide. Proporzionalità tecnologica, accountability e misurazione degli impatti.

Non sono previste propedeuticità formali. Sono richieste conoscenze di base nell’ambito dei sistemi informatici, delle reti, dei dati e delle tecnologie digitali, generalmente acquisite in un Corso di laurea triennale in Ingegneria dell’Informazione, Informatica o in un ambito affine.​​​​​​​ È fortemente consigliata una conoscenza preliminare delle architetture Internet of Things e delle moderne reti di comunicazione, acquisibile attraverso gli insegnamenti Software Engineering for the Internet of Things e/o Wireless Communication, o attraverso insegnamenti equivalenti. Sono inoltre utili conoscenze introduttive di Intelligenza Artificiale. Tali conoscenze consentono di concentrarsi sugli aspetti strategici, applicativi e socio-tecnici, demandando allo studio individuale gli approfondimenti tecnici non centrali per il corso.

L’insegnamento prevede lezioni frontali, discussioni partecipate, analisi guidate e attività di applicazione. Le lezioni introducono i concetti e i criteri della trasformazione digitale e forniscono un inquadramento selettivo delle tecnologie considerate. La blockchain e le tecnologie di registro distribuito sono approfondite mediante un unico caso di studio relativo alla Pubblica Amministrazione, sviluppato progressivamente durante il corso. Ciascuna fase riprende e completa la precedente: definizione del problema, analisi degli stakeholder e del processo, individuazione dei requisiti, confronto delle alternative, definizione concettuale della soluzione, valutazione di governance, fattibilità, rischi, sostenibilità e impatto. Il caso comune permette alle studentesse e agli studenti di osservare e discutere l’intero percorso di progettazione e valutazione di una trasformazione digitale senza richiedere lo sviluppo di software. L’Intelligenza Artificiale, la Public AI e la Network Science sono introdotte attraverso lezioni di inquadramento, discussioni e letture guidate. Gli approfondimenti sono affidati allo studio individuale e costituiscono la base per il breve elaborato finale sulla Public AI. Durante il corso saranno utilizzati la piattaforma e-learning di Ateneo, articoli scientifici, rapporti istituzionali, casi di studio e materiali tecnici selezionati.

Modalità d'esame

La verifica dell’apprendimento comprende un BREVE ELABORATO DI APPROFONDIMENTO e una PRESENTAZIONE E DISCUSSIONE FINALE. Il BREVE ELABORATO DI APPROFONDIMENTO riguarda la Public AI e viene sviluppato individualmente o in coppia. A partire dalle letture indicate e da ulteriori fonti scientifiche, tecniche o istituzionali selezionate autonomamente, l’elaborato analizza una proposta, un’iniziativa o uno scenario di Intelligenza Artificiale orientato all’interesse pubblico. Il lavoro deve presentare in modo sintetico: il problema pubblico affrontato e i beneficiari; la distinzione tra semplice impiego dell’IA da parte della PA e IA concepita come infrastruttura o bene pubblico; il modello di accesso e accountability; il valore atteso per cittadini, organizzazioni e società; i costi, i rischi e le alternative disponibili; i meccanismi di controllo umano e governance; gli indicatori con cui valutare valore pubblico, inclusione, sostenibilità e risultati. Non è richiesto lo sviluppo di software. La PRESENTAZIONE E DISCUSSIONE FINALE comprende l’esposizione dell’elaborato e una discussione individuale. La discussione verifica la capacità di argomentare le scelte compiute e di trasferire i criteri appresi nel caso blockchain/PA al tema della Public AI. Comprende inoltre domande sui fondamenti della trasformazione digitale e sul caso di studio blockchain sviluppato durante il corso, in modo da verificare la conoscenza dei contenuti comuni dell’insegnamento. Il raggiungimento dei risultati di apprendimento è verificato come segue:la conoscenza dei fondamenti della trasformazione digitale, dei principi della blockchain/DLT, del caso PA e dell’inquadramento introduttivo di Public AI e Network Science, verificata anche durante la discussione finale, concorre alla valutazione di LO1;la capacità di analizzare il problema, gli stakeholder, le alternative e i requisiti nel caso blockchain/PA e nell’elaborato Public AI concorre alla valutazione di LO2;la valutazione critica di proporzionalità, fattibilità, valore pubblico, rischi, governance e sostenibilità concorre alla valutazione di LO3;la qualità dell’elaborato, della presentazione e della discussione concorre alla valutazione di LO4;la ricerca e l’integrazione autonoma di fonti pertinenti concorrono alla valutazione di LO5. Il voto finale, espresso in trentesimi, è determinato dalla combinazione:(i) della valutazione dell’elaborato, fino a 15 punti;(ii) della valutazione individuale della presentazione, della discussione e della conoscenza dei contenuti comuni del corso, fino a 15 punti.Nel caso di un elaborato svolto in coppia, il voto individuale può differire tra i componenti. La valutazione considera: correttezza e chiarezza dell’analisi; qualità e appropriatezza delle fonti; capacità di distinguere innovazione tecnologica e valore pubblico; coerenza tra problema, soluzione, governance e indicatori; capacità di confrontare alternative e di riconoscere quando l’IA o la blockchain non siano necessarie; considerazione di accessibilità, accountability, controllo umano, sostenibilità e rischi; padronanza del caso blockchain/PA; chiarezza e rigore della comunicazione.​​​​​​​ L’attribuzione del voto riflette i seguenti livelli di preparazione:SUFFICIENTE (18–21): conoscenza essenziale dei contenuti e capacità di formulare un’analisi complessivamente coerente, sebbene con limitata profondità critica o uso parziale delle fonti;ADEGUATA (22–24): conoscenza appropriata e applicazione generalmente corretta dei concetti e dei criteri, con un elaborato adeguatamente motivato;BUONA (25–27): conoscenza completa dei contenuti essenziali, analisi metodologicamente solida, confronto motivato tra alternative e buona capacità di valutare valore pubblico, governance e rischi;APPROFONDITA (28–30): conoscenza rigorosa e ben organizzata, elevata autonomia critica, elaborato originale e coerente e capacità di integrare in modo convincente aspetti tecnologici, strategici, umani, istituzionali, etici e di sostenibilità. La lode può essere attribuita in presenza di un lavoro di particolare qualità, originalità e rigore, accompagnato da piena padronanza dei contenuti e da elevata autonomia critica.

Testi di riferimento

Vial, G., “Understanding Digital Transformation: A Review and a Research Agenda”, The Journal of Strategic Information Systems, 28(2), 118–144, 2019. Verhoef, P. C., Broekhuizen, T., Bart, Y., Bhattacharya, A., Dong, J. Q., Fabian, N., & Haenlein, M., “Digital Transformation: A Multidisciplinary Reflection and Research Agenda”, Journal of Business Research, 122, 889–901, 2021. Narayanan, A., Bonneau, J., Felten, E., Miller, A., & Goldfeder, S., Bitcoin and Cryptocurrency Technologies: A Comprehensive Introduction, Princeton University Press, 2016. Capitoli selezionati. Public AI Network, “What is Public AI?” e Public AI White Paper, https://publicai.network/ e https://publicai.network/whitepaper/. Ruggiero, G., “AI, oltre l’hype: quanto conta il valore sociale e come misurarlo”, Agenda Digitale, 27 luglio 2026, https://www.agendadigitale.eu/smart-city/ai-oltre-lhype-quanto-conta-il-valore-sociale-e-come-misurarlo/. Ulteriori materiali didattici e di approfondimento, comprendenti slide, articoli scientifici, rapporti istituzionali, documentazione tecnica e casi di studio su blockchain/DLT nella Pubblica Amministrazione, Public AI, Network Science, sostenibilità e valutazione del valore pubblico, saranno resi disponibili attraverso la piattaforma e-learning di Ateneo. I materiali indicati per lo studio individuale consentiranno di approfondire gli aspetti tecnici ​​​​​​​

Codice insegnamento 42100

EMBEDDED SYSTEMS 2° anno · 6 CFU · IINF-05/A · 0 file

L'obiettivo di questo corso è quello di fornire l'insieme fondamentale di concetti e tecniche relativi all' "Ingegneria dei sistemi dedicati HW/SW". Di fatto, presenta le principali problematiche legate alla…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo di questo corso è quello di fornire l'insieme fondamentale di concetti e tecniche relativi all' "Ingegneria dei sistemi dedicati HW/SW". Di fatto, presenta le principali problematiche legate alla progettazione di dispositivi elettronici HW/SW dedicati (cioè, specifici per l'applicazione) che sono anche tipicamente "embedded" (ovvero integrati in un sistema eterogeneo più complesso) e/o con vincoli in tempo reale. In tale contesto, il corso richiama le principali tecnologie HW/SW, fornendo anche una visione unificata (tipicamente basata su modelli) di tutti i concetti coinvolti.Tali obiettivi formativi sono parte delle finalità formative del corso di studi, in quanto la coerenza del corso di laurea in Ingegneria Informatica è stata verificata e armonizzata in fase di progettazione dello stesso. In particolare, l’insegnamento concorre alle competenze caratterizzanti il curriculum Computer Engineering, specificatamente per quanto riguarda le tecnologie HW/SW.

Programma

Introduzione: obiettivi e struttura del corso, caratteristiche generali dei sistemi integrati, principali problemi di progettazione. Tecnologie: visione unificata delle tecnologie HW di base (ASIC, FPGA), componenti HW (processori, memorie, timer, interfacciamento, comunicazione), concetti avanzati del sistema operativo e interazione HW/SW. Architettura: sistemi su board, sistemi su chip, sistemi di rete/distribuiti. Casi studio.

Conoscenze di base di informatica, elettronica digitale, sistemi operativi, architetture dei calcolatori e sviluppo di software.

Lezioni frontali, casi di studio, homelab, tutorial, seminari.

Modalità d'esame

L’esame è articolato in tre parti. La prima riguarda lo svolgimento dei cosiddetti Homelab, di fatto dei tutorial da seguire prendendo eventualmente in prestito dei kit di sviluppo, che hanno l'obiettivo di mettere in pratica i principali concetti teorici visti durante il corso. Questa parte vale fino a 9 punti. La seconda riguarda una prova scritta teorica che vale fino a 12 punti. La terza riguarda una prova pratica (programmazione in C per microcontrollori) che vale fino a 12 punti. La somma dei punteggi parziali rappresenta il voto finale che, per essere sufficiente, deve essere maggiore o uguale 18. Se tale somma è maggiore di 30 il voto finale è "30 e lode". L’attribuzione del voto rifletterà i seguenti quattro livelli di preparazione: - sufficiente: conoscenza base delle tecnologie, delle metodologie e dei relativi strumenti di sviluppo - adeguata: acquisizione di una basilare abilità di progettazione di sistemi dedicati HW/SW - buona: acquisizione di una buona abilità di progettazione di sistemi dedicati HW/SW raggiungimento e della capacità di valutazione di scelte progettuali alternative - approfondita: acquisizione di una buona abilità di progettazione di sistemi dedicati HW/SW raggiungimento, della capacità di valutazione di scelte progettuali alternative e della capacità di lavorare attivamente e collaborare in un team.NOTA: per l'esame da 9 CFU è previsto, come integrazione rispetto a quanto sopra, lo svoglimento di un progetto su tematiche da concordare e, una volta completato, da discutere con il docente. Il progetto non assegna ulteriori punti am è funzionale all'ottenimento dei 3 CFU extra.

Testi di riferimento

Embedded System Design: A Unified HW/SW Introduction. F. Vahid, T. Givargis.

Codice insegnamento 35823

EMBEDDED SYSTEMS 2° anno · 3 CFU · IINF-05/A · 0 file

L'obiettivo di questo corso è quello di fornire l'insieme fondamentale di concetti e tecniche relativi all' "Ingegneria dei sistemi dedicati HW/SW". Di fatto, presenta le principali problematiche legate alla…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo di questo corso è quello di fornire l'insieme fondamentale di concetti e tecniche relativi all' "Ingegneria dei sistemi dedicati HW/SW". Di fatto, presenta le principali problematiche legate alla progettazione di dispositivi elettronici HW/SW dedicati (cioè, specifici per l'applicazione) che sono anche tipicamente "embedded" (ovvero integrati in un sistema eterogeneo più complesso) e/o con vincoli in tempo reale. In tale contesto, il corso richiama le principali tecnologie HW/SW, fornendo anche una visione unificata (tipicamente basata su modelli) di tutti i concetti coinvolti.Tali obiettivi formativi sono parte delle finalità formative del corso di studi, in quanto la coerenza del corso di laurea in Ingegneria Informatica è stata verificata e armonizzata in fase di progettazione dello stesso. In particolare, l’insegnamento concorre alle competenze caratterizzanti il curriculum Computer Engineering, specificatamente per quanto riguarda le tecnologie HW/SW.

Programma

Introduzione: obiettivi e struttura del corso, caratteristiche generali dei sistemi integrati, principali problemi di progettazione. Tecnologie: visione unificata delle tecnologie HW di base (ASIC, FPGA), componenti HW (processori, memorie, timer, interfacciamento, comunicazione), concetti avanzati del sistema operativo e interazione HW/SW. Architettura: sistemi su board, sistemi su chip, sistemi di rete/distribuiti. Casi studio.

Conoscenze di base di informatica, elettronica digitale, sistemi operativi, architetture dei calcolatori e sviluppo di software.

Lezioni frontali, casi di studio, homelab, tutorial, seminari.

Modalità d'esame

L’esame è articolato in tre parti. La prima riguarda lo svolgimento dei cosiddetti Homelab, di fatto dei tutorial da seguire prendendo eventualmente in prestito dei kit di sviluppo, che hanno l'obiettivo di mettere in pratica i principali concetti teorici visti durante il corso. Questa parte vale fino a 9 punti. La seconda riguarda una prova scritta teorica che vale fino a 12 punti. La terza riguarda una prova pratica (programmazione in C per microcontrollori) che vale fino a 12 punti. La somma dei punteggi parziali rappresenta il voto finale che, per essere sufficiente, deve essere maggiore o uguale 18. Se tale somma è maggiore di 30 il voto finale è "30 e lode". L’attribuzione del voto rifletterà i seguenti quattro livelli di preparazione: - sufficiente: conoscenza base delle tecnologie, delle metodologie e dei relativi strumenti di sviluppo - adeguata: acquisizione di una basilare abilità di progettazione di sistemi dedicati HW/SW - buona: acquisizione di una buona abilità di progettazione di sistemi dedicati HW/SW raggiungimento e della capacità di valutazione di scelte progettuali alternative - approfondita: acquisizione di una buona abilità di progettazione di sistemi dedicati HW/SW raggiungimento, della capacità di valutazione di scelte progettuali alternative e della capacità di lavorare attivamente e collaborare in un team.NOTA: per l'esame da 9 CFU è previsto, come integrazione rispetto a quanto sopra, lo svoglimento di un progetto su tematiche da concordare e, una volta completato, da discutere con il docente. Il progetto non assegna ulteriori punti am è funzionale all'ottenimento dei 3 CFU extra.

Testi di riferimento

Embedded System Design: A Unified HW/SW Introduction. F. Vahid, T. Givargis.

Codice insegnamento 39003

EMBEDDED SYSTEMS AND ELECTRONIC DESIGN AUTOMATION 2° anno · 12 CFU · IINF-05/A · 0 file

------------------------------------------------------------ Modulo: DT0195 - EMBEDDED SYSTEMS ------------------------------------------------------------ L'obiettivo di questo corso è quello di fornire l'insieme…

Scheda dell'insegnamento

Obiettivi formativi

------------------------------------------------------------ Modulo: DT0195 - EMBEDDED SYSTEMS ------------------------------------------------------------ L'obiettivo di questo corso è quello di fornire l'insieme fondamentale di concetti e tecniche relativi all' "Ingegneria dei sistemi dedicati HW/SW". Di fatto, presenta le principali problematiche legate alla progettazione di dispositivi elettronici HW/SW dedicati (cioè, specifici per l'applicazione) che sono anche tipicamente "embedded" (ovvero integrati in un sistema eterogeneo più complesso) e/o con vincoli in tempo reale. In tale contesto, il corso richiama le principali tecnologie HW/SW, fornendo anche una visione unificata (tipicamente basata su modelli) di tutti i concetti coinvolti. Tali obiettivi formativi sono parte delle finalità formative del corso di studi, in quanto la coerenza del corso di laurea in Ingegneria Informatica è stata verificata e armonizzata in fase di progettazione dello stesso. In particolare, l’insegnamento concorre alle competenze caratterizzanti il curriculum Computer Engineering, specificatamente per quanto riguarda le tecnologie HW/SW. ------------------------------------------------------------ Modulo: DT1055 - Electronic design automation ------------------------------------------------------------ L'obiettivo di questo corso è quello di fornire l'insieme fondamentale di metodologie e strumenti SW relativi all' "Ingegneria dei sistemi dedicati HW/SW". Di fatto, presenta le principali problematiche legate alla progettazione di dispositivi elettronici HW/SW dedicati (cioè, specifici per l'applicazione) che sono anche tipicamente "embedded" (ovvero integrati in un sistema eterogeneo più complesso) e/o con vincoli in tempo reale. In tale contesto, il corso richiama le principali metodologie e strumenti di progettazione (sia accademici che commerciali), fornendo anche una visione unificata (tipicamente basata su modelli) di tutti i concetti coinvolti. Tali obiettivi formativi sono parte delle finalità formative del corso di studi, in quanto la coerenza del corso di laurea in Ingegneria Informatica è stata verificata e armonizzata in fase di progettazione dello stesso. In particolare, l’insegnamento concorre alle competenze caratterizzanti il curriculum Computer Engineering, specificatamente per quanto riguarda le metodologie e i relativi strumenti di supporto alla progettazione.

Programma

------------------------------------------------------------ Modulo: DT0195 - EMBEDDED SYSTEMS ------------------------------------------------------------ Introduzione: obiettivi e struttura del corso, caratteristiche generali dei sistemi integrati, principali problemi di progettazione. Tecnologie: visione unificata delle tecnologie HW di base (ASIC, FPGA), componenti HW (processori, memorie, timer, interfacciamento, comunicazione), concetti avanzati del sistema operativo e interazione HW/SW. Architettura: sistemi su board, sistemi su chip, sistemi di rete/distribuiti. Casi studio. ------------------------------------------------------------ Modulo: DT1055 - Electronic design automation ------------------------------------------------------------ Introduzione: obiettivi e struttura del corso, caratteristiche generali dei sistemi integrati, principali problemi di progettazione. Metodologie e strumenti: flusso e strumenti di progettazione a livello di sistema, flusso e strumenti di progettazione HW/SW. Casi studio.

------------------------------------------------------------ Modulo: DT0195 - EMBEDDED SYSTEMS ------------------------------------------------------------ Conoscenze di base di informatica, elettronica digitale, sistemi operativi, architetture dei calcolatori e sviluppo di software. ------------------------------------------------------------ Modulo: DT1055 - Electronic design automation ------------------------------------------------------------ Conoscenze di base di informatica, elettronica digitale, sistemi operativi, architetture dei calcolatori, sistemi embedded e sviluppo di software.

------------------------------------------------------------ Modulo: DT0195 - EMBEDDED SYSTEMS ------------------------------------------------------------ Lezioni frontali, casi di studio, homelab, tutorial, seminari. ------------------------------------------------------------ Modulo: DT1055 - Electronic design automation ------------------------------------------------------------ Lezioni frontali, casi di studio, tutorial, seminari.

Modalità d'esame

------------------------------------------------------------ Modulo: DT0195 - EMBEDDED SYSTEMS ------------------------------------------------------------ L’esame è articolato in tre parti. La prima riguarda lo svolgimento dei cosiddetti Homelab, di fatto dei tutorial da seguire prendendo eventualmente in prestito dei kit di sviluppo, che hanno l'obiettivo di mettere in pratica i principali concetti teorici visti durante il corso. Questa parte vale fino a 9 punti. La seconda riguarda una prova scritta teorica che vale fino a 12 punti. La terza riguarda una prova pratica (programmazione in C per microcontrollori) che vale fino a 12 punti. La somma dei punteggi parziali rappresenta il voto finale che, per essere sufficiente, deve essere maggiore o uguale 18. Se tale somma è maggiore di 30 il voto finale è "30 e lode". L’attribuzione del voto rifletterà i seguenti quattro livelli di preparazione: - sufficiente: conoscenza base delle tecnologie, delle metodologie e dei relativi strumenti di sviluppo - adeguata: acquisizione di una basilare abilità di progettazione di sistemi dedicati HW/SW - buona: acquisizione di una buona abilità di progettazione di sistemi dedicati HW/SW raggiungimento e della capacità di valutazione di scelte progettuali alternative - approfondita: acquisizione di una buona abilità di progettazione di sistemi dedicati HW/SW raggiungimento, della capacità di valutazione di scelte progettuali alternative e della capacità di lavorare attivamente e collaborare in un team. NOTA: per l'esame da 9 CFU è previsto, come integrazione rispetto a quanto sopra, lo svoglimento di un progetto su tematiche da concordare e, una volta completato, da discutere con il docente. Il progetto non assegna ulteriori punti am è funzionale all'ottenimento dei 3 CFU extra. ------------------------------------------------------------ Modulo: DT1055 - Electronic design automation ------------------------------------------------------------ L’esame è articolato in due parti. La prima parte riguarda una prova scritta con esercizi e/o domande di teoria (che vale fino a 22 punti). La seconda riguarda lo sviluppo di un progetto (che vale fino a 11 punti) e che ha l'obiettivo di mettere in pratica i principali concetti teorici visti durante il corso. La somma dei punteggi parziali rappresenta il voto finale che, per essere sufficiente, deve essere maggiore o uguale 18. Se tale somma è maggiore di 30 il voto finale è "30 e lode". L’attribuzione del voto rifletterà i seguenti quattro livelli di preparazione: - sufficiente: conoscenza base delle metodologie e dei relativi strumenti di sviluppo - adeguata: acquisizione di una basilare abilità di progettazione di sistemi dedicati HW/SW - buona: acquisizione di una buona abilità di progettazione di sistemi dedicati HW/SW raggiungimento e della capacità di valutazione di scelte progettuali alternative - approfondita: acquisizione di una buona abilità di progettazione di sistemi dedicati HW/SW raggiungimento, della capacità di valutazione di scelte progettuali alternative e della capacità di lavorare attivamente e collaborare in un team.

Testi di riferimento

------------------------------------------------------------ Modulo: DT0195 - EMBEDDED SYSTEMS ------------------------------------------------------------ Embedded System Design: A Unified HW/SW Introduction. F. Vahid, T. Givargis. ------------------------------------------------------------ Modulo: DT1055 - Electronic design automation ------------------------------------------------------------ Electronic Design Automation: Synthesis, Verification, and Test. Laung-Terng Wang, Yao-Wen Chang, Kwang-Ting (Tim) Cheng. Morgan Kaufmann, 2009.

Codice insegnamento 42099

ENGINEERING GAMIFIED SYSTEMS 2° anno · 6 CFU · INFO-01/A · 0 file

Obiettivo formativo dell’insegnamento è sviluppare un approccio ingegneristico alla progettazione, alla modellazione, allo sviluppo e alla valutazione di sistemi gamificati: soluzioni software che impiegano elementi di…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivo formativo dell’insegnamento è sviluppare un approccio ingegneristico alla progettazione, alla modellazione, allo sviluppo e alla valutazione di sistemi gamificati: soluzioni software che impiegano elementi di gioco per promuovere comportamenti desiderati in contesti non ludici (istruzione, sostenibilità, mobilità intelligente, ingegneria del software). L’insegnamento tratta l’intero ciclo di vita di un sistema gamificato, dall’analisi dei bisogni e dei modelli motivazionali alla progettazione, alla realizzazione di prototipi funzionanti, fino alla valutazione empirica dell’efficacia, introducendo strumenti concreti quali Flutter/Dart, Unity, un Gamification Engine(il motore di regole Drools), con particolare attenzione alla progettazione adattiva e alla personalizzazione dinamica dell’esperienza.​​​​​​​

Programma

Il programma è articolato in cinque moduli, presentati nell’ordine temporale in cui saranno svolti, per un totale di 48 ore di attività frontali (6 CFU). I moduli sono accompagnati dallo sviluppo incrementale del progetto di gruppo. 1. Fondamenti di gamification- Introduzione al game design; dai videogiochi ai serious game; definizione di gamification e suo posizionamento nella letteratura scientifica.- Modelli motivazionali: Self-Determination Theory, framework Octalysis; motivazione intrinseca ed estrinseca.- Elementi di gioco: punti, badge, livelli, sfide, classifiche, ricompense, narrazione; loro effetti e limiti documentati dalla ricerca empirica.- Etica della gamification: pratiche manipolatorie e dark pattern, rischio di erosione della motivazione intrinseca, tracciamento del comportamento e tutela dei dati personali. 2. Design e modellazione- GamiDOC e altri framework per la progettazione di sistemi gamificati.- Gamification Canvas e rappresentazioni visuali del progetto.- Co-design e progettazione centrata sull’utente; dai bisogni ai comportamenti obiettivo.- Modellazione concettuale del dominio e dei flussi di gioco; definizione dei criteri di successo. 3. Sviluppo e prototipazione- Prototipi di applicazioni mobili multipiattaforma con Flutter/Dart.- Prototipi 2D interattivi in Unity 6 con C#: scene, componenti, ciclo di gioco.- Uso di un Gamification Engine per il tracciamento degli eventi e degli stati utente e per l’orchestrazione delle meccaniche e dei feedback.- Integrazione con Firebase, API esterne e basi di dati per la persistenza e la raccolta dei dati d’uso. 4. Regole di gioco e automazione- Introduzione ai motori di regole (rule engine) e all’inferenza in avanti; separazione fra logica di dominio e codice applicativo.- Definizione di regole nel linguaggio Drools; fatti, condizioni, azioni e gestione dei conflitti.- Architettura di un sistema gamificato guidato da regole: eventi → regole → azioni.- Simulazione e verifica del comportamento adattivo mediante il linguaggio dedicato DSL4Gar. 5. Testing e valutazione- Metodi di valutazione: questionari validati, osservazione, metriche di esperienza d’uso, Games User Research (GUR).- Progettazione di uno studio di valutazione: ipotesi, partecipanti, misure, aspetti etici e consenso informato.- Analisi dei dati raccolti e adattamento del sistema sulla base delle evidenze.- Valutazione fra pari dei progetti dei diversi gruppi.

Le conoscenze richieste corrispondono a quelle previste per l’accesso al corso di laurea magistrale in Informatica e ai risultati di apprendimento degli insegnamenti di base di area informatica. In particolare:- padronanza della programmazione in almeno un linguaggio a oggetti (Dart, Java, Python o C#) e dei principi della progettazione orientata agli oggetti;- conoscenza di algoritmi e strutture dati;- capacità di utilizzare un ambiente di sviluppo integrato (Visual Studio Code, Android Studio, Unity Editor) e un sistema di versionamento (Git) in un flusso di lavoro collaborativo;- conoscenza dei fondamenti dell’ingegneria del software: analisi dei requisiti, modellazione e verifica. Non è richiesta alcuna esperienza pregressa di sviluppo di videogiochi, né di logica a regole: Unity e Drools sono introdotti a lezione a partire dai fondamenti. Poiché l’insegnamento è erogato in lingua inglese, è richiesta una conoscenza dell’inglese adeguata a seguire le lezioni, a leggere la letteratura scientifica e a redigere e discutere gli elaborati.​​​​​​​

L’insegnamento è organizzato attorno a un progetto di gruppo che accompagna l’intero semestre; ogni modulo fornisce i concetti e gli strumenti necessari alla milestone successiva:- lezioni frontali con casi di studio reali e discussione guidata, per l’inquadramento teorico e metodologico (risultato di apprendimento 1);- lezioni pratiche con Flutter, Unity, Drools e il Gamification Engine, in cui ogni concetto è applicato alla costruzione di componenti funzionanti (risultato di apprendimento 2);- esercitazioni di design e di simulazione con DSL4Gar, per verificare il comportamento adattivo prima dell’implementazione (risultati di apprendimento 2 e 3);- progetto collaborativo di gruppo con milestone settimanali e revisione periodica con il docente (risultati di apprendimento 2, 3 e 4);- lettura e discussione in aula di articoli scientifici del settore (risultati di apprendimento 3 e 5);- presentazioni intermedie e valutazione fra pari fra i gruppi, con restituzione strutturata (risultato di apprendimento 4).

Modalità d'esame

L’esame accerta il raggiungimento dei risultati di apprendimento attesi ed è articolato in due componenti. Tutti gli elaborati e la discussione sono in lingua inglese.1) Progetto finale di gruppo. Progettazione, sviluppo (con Flutter o Unity o altre Engine di Gioco, integrati con il Gamification Engine e con regole Drools) e valutazione empirica di un sistema gamificato completo. La consegna comprende il codice sorgente su repository Git, gli artefatti di progettazione, le regole di gioco e la relazione sullo studio di valutazione. Le milestone intermedie concordate durante il semestre concorrono a questa valutazione. Verifica i risultati di apprendimento 2 e 3. 2) Presentazione e discussione orale. Presentazione del progetto (obiettivi, funzionamento del sistema, risultati ottenuti) seguita da una discussione individuale in cui ciascun componente motiva le proprie scelte e risponde a domande sui contenuti dell’insegnamento. Verifica i risultati di apprendimento 1, 3 e 4 e consente di individualizzare la valutazione del lavoro di gruppo. Studenti e studentesse che non possano partecipare al lavoro di gruppo concordano con il docente un progetto individuale di pari impegno.

Testi di riferimento

Materiale didattico fornito dal docente- Slide e dispense delle lezioni.- Repository GitHub con esempi, template di progetto e casi di studio.- Gamification Engine e DSL4Gar, con la relativa documentazione d’uso. Documentazione tecnica di riferimento- Documentazione ufficiale di Unity, di Flutter/Dart e di Drools.- Materiale per lo sviluppo in Unity: risorse 2D e 3D ad accesso libero.- Strumenti per la somministrazione di questionari e la valutazione dell’esperienza d’uso (Google Forms, Qualtrics). Letture consigliate- Salen, K., & Zimmerman, E. (2004). Rules of Play: Game Design Fundamentals. MIT Press.- McGonigal, J. (2011). Reality is Broken: Why Games Make Us Better and How They Can Change the World. Penguin.- Drachen, A., Mirza-Babaei, P., & Nacke, L. (2018). Games User Research. Oxford University Press.- Deterding, S., Dixon, D., Khaled, R., & Nacke, L. (2011). From game design elements to gamefulness: defining "gamification". Proceedings of the 15th International Academic MindTrek Conference, 9–15.- Koivisto, J., & Hamari, J. (2019). The rise of motivational information systems: a review of gamification research. International Journal of Information Management, 45, 191–210. Ulteriori articoli scientifici sono indicati durante il corso e resi disponibili sul canale Teams del corso.

Codice insegnamento 41867

FOUNDATIONS OF MACHINE LEARNING 2° anno · 3 CFU · IINF-05/A · 0 file
FRONT-END ENGINEERING 2° anno · 6 CFU · IINF-05/A · 0 file

Il corso rappresenta una risposta dell'accademia alla forte domanda di mercato per il ruolo di Frontend Software Engineer. Un ingegnere frontend progetta, crea e mantiene interfacce utente interattive innovative ed…

Scheda dell'insegnamento

Obiettivi formativi

Il corso rappresenta una risposta dell'accademia alla forte domanda di mercato per il ruolo di Frontend Software Engineer. Un ingegnere frontend progetta, crea e mantiene interfacce utente interattive innovative ed altamente efficienti come parte di applicazioni software web o mobili. ​​​​​​​

Programma

Javascript (JS): Document Object Model, Primitive data types, Functions, Collections, Structural Data types: Arrays and Objects, Structural Data types: OOP in JS5 and in JS6, Ajax (the ES5 version), JS Promises, The Event Loop, Async-Await, JS Modules. React JS: Creating a React App, React Components, Virtual DOM e JSX, Building Reusable Components with React, React Event and State systems, Using API; Child-to-Parent communication, Handling forms in React, Data persistence in React, Using "Context" in React, Creating custom widgets, A "State Design" process, Designing a Rect "Navigation System", Creating Modal and Table components, React Portals, React Reducers, Redux toolkit. Altro: (opz) Micro-Frontend and DevOps tools.

Come prerequisito per questo corso, si consiglia agli studenti di possedere:conoscenza dei principi e delle metodologie di progettazione software in generaleconoscenza dei problemi fondamentali e delle tecnologie relative alla creazione di applicazioni web lato server

Lezioni frontali; Discussioni in classe su progetti software; Progetti; Lavoro di gruppo; Preparazione e realizzazione di presentazioni; Preparazione di report scritti.

Modalità d'esame

L’esame è articolato in tre parti. La prima è tenuta a metà del corso e riguarda un’applicazione web basata nativamente su Javascript. La seconda riguarda la realizzazione di un’applicazione web, completa e più complessa della precedente, basata su un framework front-end (es, React). Entrambe le applicazioni devono essere realizzate da un team di 3 studenti. Ogni team deve utilizzare nel progetto tutte le conoscenze acquisite nel corso. La terza prova riguarda la presentazione e discussione del secondo progetto da parte dal team. Il punteggio finale è determinato sulla base delle tre parti dell'esame: 20% per la prima, 60% per la seconda, e 20% per la presentazione.

Testi di riferimento

Materiale: Materiale disponibile al sito javascript.info Materiale disponibile sul sito react.dev/ You don't know JS (series), di Kyle Simpson Fullstack React: The Complete Guide to ReactJS and Friends (2020 Ed.), di Anthony Accomazzo, Nathaniel Murray, and Ari Lerner. The Road to React: The React.js with Hooks in JavaScript Book (2023 Ed.), di Robin Wieruch.

Codice insegnamento 39000

FURTHER TRAINING AND INTERNSHIP 2° anno · 6 CFU · 0 file
HYBRID SYSTEMS CONTROL AND SIMULATION 2° anno · 6 CFU · IINF-04/A · 0 file

L’obiettivo del corso è di fornire agli studenti gli strumenti per la modellistica, il controllo e la simulazione di sistemi comprendenti l’integrazione di componenti continue (descritte da equazioni differenziali) e…

Scheda dell'insegnamento

Obiettivi formativi

L’obiettivo del corso è di fornire agli studenti gli strumenti per la modellistica, il controllo e la simulazione di sistemi comprendenti l’integrazione di componenti continue (descritte da equazioni differenziali) e discrete (descritte da automi a stati finiti). Tali sistemi si incontrano in applicazioni avanzate quali il controllo automotive, le smart grids, il controllo del traffico autonomo, i sistemi ​​​​​​​bioogici.

Programma

Uso dei sistemi ibridi per la progettazione di sistemi di controllo, con particolare enfasi su sistemi di “cyber-physical” e distribuiti.-Modellistica: Automi a stati finiti deterministici e non deterministici. Transition systems. Timed Automata. Automi ibridi. Sistemi a commutazione. Sistemi ibridi. Proprietà di sicurezza, liveness, deadlocks.-Stabilità di sistemi a commutazione.-Analisi e Controllo: Raggiungibilità e controllo con vincoli di sicurezza, simulazioni e bisimulazioni.Astrazioni e verifica per astrazione.Osservabilità e osservatori ibridi.Problemi di security e proprietà di resilienza ad attacchi malevoli.Modelli simbolici e metodi formali per il controllo e la verifica di specifiche.Metodi di simulazione di sistemi ibridi.-Applicazioni: controllo autonomo di veicoli, controllo di veicoli elettrici, micro-grids, sistemi biologici.

Nessuno

Lezioni frontali sulla modellistica e controllo di sistemi ibridi, accompagnate da esercitazioni.È possibile svolgere tesi di laurea magistrale anche in ambito industriale o all’estero.

Modalità d'esame

La verifica finale è costituita da un esame scritto della durata di due ore sugli argomenti del corso, e da una prova orale sugli argomenti del corso per accertare il livello di comprensione e di giudizio raggiunto.

Testi di riferimento

-J. Lygeros, Lecture Notes on Hybrid Systems, Notes for an ENSIETA short course, Feb 2004.http://robotics.eecs.berkeley.edu/~sastry/ee291e/lygeros.pdf-S. Sastry, C. Tomlin “Hybrid Systems: Computation and Control”, EECS291e and ME290qhttp://inst.eecs.berkeley.edu/~ee291e/sp09/handouts/book.pdf-D. Liberzon, Switching in systems and control. Birkhauser, 2003.-E. De Santis, M.D. Di Benedetto, Observability of Hybrid Dynamical Systems, Foundations and Trends in Systems and Control, Vol. 3, No. 4 (2016) 363–540, 2016.-E. De Santis, M.D. Di Benedetto, H-Systems: Observability, Diagnosability, and Predictability of Hybrid Dynamical Systems, Springer, 2023, https://doi.org/10.1007/978-3-031-20447-0.-M.D. Di Benedetto, G. Pola, A. Borri, P. Pepe, Lecture Notes from SIDRA – Bertinoro, July 2017

Codice insegnamento 36995

HYBRID SYSTEMS MODELING 2° anno · 6 CFU · IINF-04/A · 0 file

L'obiettivo di questo corso è di fornire agli studenti conoscenze di base per la modellazione, l'analisi ed il controllo di sistemi in rete e multi agente mediante tecniche di consenso

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo di questo corso è di fornire agli studenti conoscenze di base per la modellazione, l'analisi ed il controllo di sistemi in rete e multi agente mediante tecniche di consenso

Programma

Introduzione ai sistemi in rete e multi agente. Richiami di teoria dei grafi. Il protocollo di consenso nel caso lineare e nonlineare. Controllo di formazione.

Nessuno

Lezioni frontali

Modalità d'esame

Il corso prevede una prova scritta e una prova orale. La prova scritta consiste in tre domande, alcune delle quali di natura teorica, mentre altre sono esercizi. La prova orale è volta ad accertare il livello di comprensione e di giudizio raggiunto.

Testi di riferimento

Graph Theoretic Methods in Multiagent Networks, Princeton University Press, Mehran Mesbahi & Magnus Egerstedt, 2010

Codice insegnamento 36994

INDUSTRIAL INTERNET OF THINGS 2° anno · 9 CFU · IINF-03/A · 0 file

L'obiettivo di questo modulo è fornire l'insieme fondamentale di concetti e tecniche che riguardano le comunicazioni negli scenari industriali.​​​​​​​

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo di questo modulo è fornire l'insieme fondamentale di concetti e tecniche che riguardano le comunicazioni negli scenari industriali.​​​​​​​

Programma

Concetti di base sulle reti di telecomunicazioni. Il modello ISO/OSI e il networking basato su TCP/IP. Protocolli di accesso multipli, programmati vs. accesso basato sulla contesa. Principali aspetti dei sistemi radiomobili e loro evoluzioni. Controller area networks (CAN bus). Standard cablati per l'automazione industriale (inclusi HART e Fieldbus). Standard wireless per l'automazione industriale (inclusi WirelessHART e 802.15.4). Comunicazioni veicolari e V2X. 5G industriale e comunicazioni ultra affidabili a bassa latenza (URLLC). Progettazione cross-layer di comunicazione e controllo. Laboratorio di comunicazioni industriali

Sebbene i prerequisiti formali non siano definiti, il corso richiede la conoscenza dei concetti di base della teoria dei segnali e dell'elaborazione dei segnali e dei fondamenti dei sistemi di comunicazione e dell'internetworking.

Lezioni frontali e sessioni pratiche al computer e in laboratorio.

Modalità d'esame

Esame orale con domande su tutto il programma del corso. Preparazione di una relazione su uno degli esperimenti di laboratorio svolti a lezione. Il voto finale conseguito è calcolato considerando un peso pari al 60% alla prova orale e 40% alla relazione.L’attribuzione del voto rifletterà i seguenti livelli di preparazione: < 18 insufficiente: Conoscenze frammentarie e superficiali dei contenuti, errori nell’applicare i concetti, esposizione carente. 18 – 20: Conoscenze dei contenuti sufficienti ma generali, esposizione semplice, incertezze nell’applicazione di concetti teorici. 21 – 23: Conoscenze dei contenuti appropriate ma non approfondite, capacità di applicare i concetti teorici, capacità di presentare i contenuti in modo semplice. 24 – 25: Conoscenze dei contenuti appropriate ed ampie, discreta capacità di applicazione delle conoscenze, capacità di presentare i contenuti in modo articolato. 26 – 27: Conoscenze dei contenuti precise e complete, buona capacità di applicare le conoscenze, capacità di analisi, esposizione chiara e corretta. 28 – 29: Conoscenze dei contenuti ampie, complete ed approfondite, buona applicazione dei contenuti, buona capacità di analisi e di sintesi, esposizione sicura e corretta.​​​​​​​ 30 - 30 e lode: Conoscenze dei contenuti molto ampie, complete ed approfondite, capacità ben consolidata di applicare i contenuti, ottima capacità di analisi, di sintesi e di collegamenti interdisciplinari, padronanza di esposizione

Testi di riferimento

Testo raccomandato: Bogdan M. Wilamowski & J. David Irwin. Industrial Communication Systems (The Industrial Electronics Handbook). 2nd edition. CRC Press, 2011. Altri testi: Henning Trsek. Isochronous wireless network for real-time communication in industrial automation. Springer, 2016. Nurul Huda Mahmood, Nikolaj Marchenko, Mikael Gidlund, & Petar Popovski. Wireless Networks and Industrial IoT. Springer, 2021. Dispense prodotte dai docenti saranno disponibili per gli studenti

Codice insegnamento 40641

INTELLIGENT SYSTEMS AND ROBOTICS LABORATORY 2° anno · 6 CFU · IINF-05/A · 0 file

Il corso mira a fornire strumenti teorici e pratici per la progettazione e lo sviluppo di sistemi intelligenti e applicazioni di robotica cognitiva, in particolare di robotica mobile, con forte attenzione…

Scheda dell'insegnamento

Obiettivi formativi

Il corso mira a fornire strumenti teorici e pratici per la progettazione e lo sviluppo di sistemi intelligenti e applicazioni di robotica cognitiva, in particolare di robotica mobile, con forte attenzione all’integrazione delle tecnologie ICT e al lavoro progettuale.Al termine dell’insegnamento, lo/a studente/ssa sarà in grado di:LO1: Conoscere e comprendere paradigmi, tecnologie e metodi per sistemi intelligenti e robotica cognitiva e robotica mobile.LO2: Applicare le conoscenze allo sviluppo pratico di un progetto con tecnologie ICT per la robotica.LO3: Valutare criticamente le soluzioni progettuali tramite sperimentazione e confronto di approcci.LO4: Documentare e presentare le scelte progettuali in modo rigoroso e scientifico.LO5: Apprendere autonomamente nuove tecnologie e analizzare la letteratura tecnica.LO6: Collaborare in gruppo per pianificare e realizzare il progetto, mostrando capacità di problem-solving e autonomia.

Programma

Argomenti del modulo includono: • Python per la robotica • Tecniche di cloud computing • Simulazioni di robotica virtuale • Applicazioni dell'intelligenza artificiale alla robotica • Piattaforme robotiche antropomorfe e mobili • LEGO Mindstorms con EV3DEV GNU/Linux • SkRobot/CyB Data Distribution Service • ROS 2 • Robot umanoidi • Tecniche di navigazione autonoma .

Esame di Fisica 1 nella carrriera di studi. Conoscenze preferenziali su: • Programmazione orientata agli oggetti • Esperienza di sviluppo del software nel lavoro di gruppo, in particolare per le applicazioni distribuite in rete • concetti di Intelligenza Artificiale • Familiarità con shell Unix, GNU / Linux, o WSL

Lezione frontale. Esercitazione guidata. Lavoro di gruppo. Analisi e studio di piatttaforme hardware elettroniche e robotiche. Uso di Single Board Computers. Ore integrative di lavoro autonomo in laboratorio per lo sviluppo del progetto di robotica.L’impegno totale è di 150 ore complessive, di cui solo il 40% sono le lezioni frontali. Il 60% è distribuito tra studio e lavoro autonomo e tempo speso presso il “Laboratorio di Sistemi di Interazione e Calcolo”.

Modalità d'esame

Valutazione informale: gli studenti sono incoraggiati a partecipare attivamente alle lezioni e ai progetti di gruppo, ponendo domande e discutendo le soluzioni presentate negli esempi sviluppati a lezione. Anche l'interazione online con il docente è tenuta in considerazione, in particolare tramite l’assegnazione di problemi che richiedono studio e lavoro autonomo di approfondimento. Valutazione formale: Rispetto delle scadenze sui compiti di lavoro autonomo. Valutazione sommativa: durante il corso gli studenti si organizzano in team che deve lavorare su un determinato progetto di robotica cognitiva in due fasi: simulazione virtuale ed implementazione semplificata su robot fisico. La valutazione del progetto mira a verificare: • il livello di completezza e documentazione (15% del punteggio totale), • il corretto utilizzo delle tecnologie di sviluppo della robotica cognitiva di base (30%), • le modalità e complessità della comunicazione inter-processo / agenti • la programmazione (20%), • la capacità di sfruttare le tecnologie ICT avanzate (5%) • esistenza di un'interfaccia utente usabile (30%). Sufficiente: Simulazione robotica 2D, Implementazione fisica con Kit LEGO Mindstorms EV3DEV, documentazione descrittiva, UI testuale Discreto: Simulazione robotica 3D, Implementazione fisica con robot mobile e SBC, documentazione con diagrammi, GUI Buono: Simulazione robotica 3D, Implementazione fisica con robot mobile o antropomorfo con SBC, documentazione UML, GUI web-based Eccellente: Simulazione robotica 3D con digital twin connnesso alla implementazione fisica, indoor e outdoor, documentazione UML/GAIA, GUI web-based e/o app mobile

Testi di riferimento

  • A. Cangelosi, M. Asada: Cognitive Robotics, MIT Press 2022 - D. Poole, A. Mackworth, Artificial Intelligence: Foundations of Computational Agents, third edition, Cambridge University Press 2023 - Documentazione online dei framework SkRobot e CyB su GitLab - Paper: "SkRobot: A Pseudo-Realtime Multiplatform Framework For Robotics Agents Development". G. De Gasperis, D. Di Ottavio, P. Migliarini, S. Costantini, WOA 2024 Workshop - Paper: "SkRobot with TeleoR/QuLog: A Pseudo-Realtime Robotics Data Distribution Service Extended with Production Rules and Reasoning.". G. De Gasperis,, D. Di Ottavio, and S. D. Facchini. - A Concise Introduction to Robot Programming with ROS2. F. Martin Rico. CRC Press - OpenCV Computer Vision with Python, Joseph Howse, PACKT Publishing - Learning Robotics Using Python, Lentin Joseph, PACKT Publishing. - “Retrofitting a Pepper Robot with Flownetwork”, G. De Gasperis, D. Di Ottavio, S. D. Facchini, L. Iaconi, 2025 International Conference on Advanced Robotics and Mechatronics (ICARM)

Codice insegnamento 35824

LARGE LANGUAGE MODELS AND AGENTIC ARTIFICIAL INTELLIGENCE 2° anno · 3 CFU · IINF-05/A · 0 file
MASTER'S THESIS 2° anno · 12 CFU · 0 file
MODELS AND ALGORITHMS FOR THE WEB 2° anno · 3 CFU · IINF-05/A · 0 file

Il corso si propone di fornire allo studente una conoscenza approfondita delle principali tecniche per il progetto di strutture di dati ed algoritmi efficienti per il Web. In particolare:Comprendere i principi e le sfide…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di fornire allo studente una conoscenza approfondita delle principali tecniche per il progetto di strutture di dati ed algoritmi efficienti per il Web. In particolare:Comprendere i principi e le sfide algoritmiche alla base dei sistemi web moderni.Acquisire familiarità con gli algoritmi chiave utilizzati nella ricerca, raccomandazione, ranking e gestione dei dati web.Sviluppare la capacità di analizzare la complessità e le prestazioni degli algoritmi in contesti web.Fornire una base per la ricerca e lo sviluppo di nuove soluzioni algoritmiche per il web.​​​​​​​Tali obiettivi sono parte delle finalità formative della Laurea Magistrale in Ingegneria Informatica.

Programma

Grafo del Web: proprietà e modelli.Struttura del Web e strumenti algoritmici per la sua analisi.Rappresentazione dei grafi del Web: problemi di compressione.Anatomia di un motore di ricerca.Crawler (spider), indicizzatore, gestore delle query. Raccolta di informazioni: problemi algoritmici, tecnici e sociali nella creazione di crawler. Confronto tra strategie di visita.Algoritmi di ranking: PageRank, HITS, ecc.

Corso di Algorithms and Data Structures. In particolare, complessità computazionale, grafi, alberi, hash tables.Familiarità con un linguaggio di programmazione (es. Python, Java).

Didattica frontale + cooperativa/attiva

Modalità d'esame

L’esame consiste in una prova unica scritto+orale più una discussione orale della prova unica. La prova unica consiste di 1 problema di tipo algoritmico da risolvere più 2 domande a carattere teorico su tutto il programma. La prova scritta ha l’obiettivo di valutare se lo studente mostra conoscenza e comprensione e capacità di applicare conoscenza e comprensione. La discussione orale ha l’obiettivo di verificare se lo studente dimostra autonomia di giudizio, capacità di comunicazione e capacità di apprendimento autonoma. Il livello di competenza e conoscenza raggiunto sarà considerato: Sufficiente: conoscenza e comprensione degli argomenti principali del corso; capacità di applicare le conoscenze di tali contenuti. Difficoltà nell’argomentazione e nella comunicazione. Adeguato: conoscenza e comprensione dei contenuti del corso; capacità di applicare le conoscenze di tali contenuti. Alcune difficoltà nell’argomentazione e nella comunicazione. Buono: conoscenza e comprensione dei contenuti del corso; capacità di applicare le conoscenze di tali contenuti. Buone capacità di argomentazione e nella comunicazione. Approfondita: conoscenza e comprensione dei contenuti del corso; capacità di applicare le conoscenze di tali contenuti. Ottime capacità di argomentazione e nella comunicazione in cui vengono mostrati efficacemente i contenuti nell’esposizione e vengono approfonditi temi affrontati in autonomia con collegamenti ad altri contesti.

Testi di riferimento

Da compilare

Codice insegnamento 42101

PROCESS AND OPERATIONS SCHEDULING 2° anno · 6 CFU · MATH-06/A · 0 file

L'insegnamento si prefigge di introdurre gli/le studenti/esse ai problemi di scheduling, una classe di problemi di ottimizzazione combinatoria di grande rilevanza industriale e, al contempo, di notevole difficoltà.…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento si prefigge di introdurre gli/le studenti/esse ai problemi di scheduling, una classe di problemi di ottimizzazione combinatoria di grande rilevanza industriale e, al contempo, di notevole difficoltà. Sebbene lo studio di questi problemi tragga origine dai sistemi di produzione, essi sono fortemente pervasivi. In pratica, i problemi di scheduling sorgono nei sistemi di servizio, nei trasporti, nella sanità, nelle telecomunicazioni ed in molte discipline dell'ingegneria. L'insegnamento intende addestrare lo/la studente/ssa a riconoscere i problemi di scheduling, a classificarli in termini di complessità computazionale ed a risolverli mediante algoritmi euristici, approssimati o esatti. Tali obiettivi contribuiscono alle finalità formative dei CdS, come previsto dalla progettazione globale del corso di laurea.

Programma

Elementi di un problema di scheduling (deterministico), esempi ed applicazioni; classificazione dei problemi di scheduling; formulazione come problemi Programmazione Lineare Intera; problemi a macchina singola: complessità computazionale, algoritmi euristici ed esatti; problemi su macchine parallele: algoritmi esatti, euristici ed approssimati; relazioni con i problemi di base dell'Ottimizzazione Combinatoria; problemi di Ottimizzazione nel Project Scheduling; Job Shop scheduling: formulazioni, algoritmi euristici ed esatti.

Nozioni di complessità computazionale, fondamenti di Programmazione Lineare (Intera) e Flussi su Rete (cammini minimi, flusso a costo minimo).

Lezioni frontali ed esercitazioni interattive

Modalità d'esame

L'esame prevede una prova scritta ed una prova orale. La prova scritta consiste prevalentemente in esercizi di tipo computazionale mentre la prova orale riguarda principalmente aspetti metodologici. Per sostenere la prova orale lo studente deve aver conseguito un giudizio sufficiente alla prova scritta. Quest'ultima può essere conseguita anche mediante prove parziali.

Testi di riferimento

Michael Pinedo, Scheduling Theory, Algorithms, and Systems. Prentice Hall.

Codice insegnamento 35913

SOFTWARE ENGINEERING FOR AUTONOMOUS SYSTEMS 2° anno · 6 CFU · INFO-01/A · 0 file

I sistemi che possono cambiare il loro comportamento in risposta a eventi imprevisti durante il funzionamento sono chiamati "autonomi". A differenza dei sistemi tradizionali con scopi predefiniti, i sistemi autonomi…

Scheda dell'insegnamento

Obiettivi formativi

I sistemi che possono cambiare il loro comportamento in risposta a eventi imprevisti durante il funzionamento sono chiamati "autonomi". A differenza dei sistemi tradizionali con scopi predefiniti, i sistemi autonomi personalizzano il proprio comportamento in base al contesto e alle circostanze. L'ingegnerizzazione di tali sistemi è un compito complesso che coinvolge basi teoriche e campi applicativi multidisciplinari (ad es. self-adaptiveness, machine learning, reti di sensori, ingegneria del controllo e intelligenza artificiale).Il corso si propone di fornire agli studenti i concetti e le metodologie fondamentali per lo sviluppo di sistemi autonomi dal punto di vista dell'Ingegneria del Software. Vengono presentati attributi self-*, architetture, modelli e linguaggi autonomi per mostrare la fattibilità tecnica di sistemi capaci di adattare dinamicamente il loro comportamento a condizioni operative variabili. Esempi concreti vengono analizzati nei domini dell'Internet of Things (IoT), dei Cyber-Physical Systems (CPS) e dei veicoli autonomi. Tali obiettivi concorrono alle finalità formative del Corso di Laurea Magistrale, fornendo competenze avanzate e caratterizzanti nell'ambito della progettazione di sistemi software complessi, adattativi e distribuiti.

Programma

Gli argomenti trattati nel corso includono: - Autonomous and Self-adaptive systems: concetti e principi fondanti. - Software Engineering for Autonomous Systems: sfide architetturali e cicli di controllo (e.g., MAPE-K). - Model-Driven Engineering (MDE) e Models@runtime: uso dei modelli durante la fase di progettazione e di esecuzione. - Internet of Things (IoT) e Cyber-Physical Systems (CPS): integrazione tra software e ambiente fisico.- Unmanned Vehicles: casi di studio ed esempi applicativi di sistemi autonomi veicolari.

Conoscenze di base di ingegneria del software e di sviluppo software.

Lezioni frontali, esercitazioni pratiche e attività laboratoriali condotte anche attraverso lavori di gruppo.

Modalità d'esame

Pre-Assessment: Non è prevista una prova formale di verifica dei prerequisiti; l'adeguatezza delle conoscenze di base viene accertata durante le interazioni in aula e nelle prime fasi di laboratorio.Accertamento del processo di apprendimento (Formative Assessment): L'accertamento avviene mediante una continua interazione partecipativa tra docente e studenti durante le lezioni e le esercitazioni. Gli studenti vengono coinvolti attivamente in discussioni, domande aperte e momenti di confronto sui temi trattati.Valutazione finale (Summative Assessment): La valutazione complessiva si basa sul superamento di due prove pratiche e concettuali: - Seminario di gruppo: Presentazione orale approfondita su un argomento/topic avanzato dell'Ingegneria del Software per Sistemi Autonomi, liberamente prescelto dallo studente ed approvato dal docente. La prova è intesa a verificare l'autonomia di ricerca bibliografica, la capacità di comprensione di articoli scientifici recenti e la chiarezza espositiva.- Progetto di gruppo: Realizzazione e presentazione di un progetto software svolto in team. Il progetto è finalizzato a verificare: (a) la capacità di applicare concretamente linguaggi di modellazione, tecniche MDE e strumenti basati su modelli a un caso di studio reale; (b) la capacità di analisi dei problemi e sintesi di architetture autonome e self-adaptive; (c) la capacità di lavoro collaborativo in team e la qualità della documentazione prodotta.Criteri di attribuzione del voto e graduazione:Il voto finale scaturisce dalla valutazione congiunta del seminario (50%) e del progetto di gruppo (50%), riflettendo i seguenti livelli di preparazione: Sufficiente (18-20): Conoscenza di base dei principi dei sistemi autonomi; esposizione semplice nel seminario con comprensione essenziale del tema scelto; realizzazione basilare ma funzionale delle componenti del progetto di gruppo. Adeguata (21-23): Comprensione soddisfacente dei contenuti teorici; presentazione del seminario con linguaggio tecnico corretto; progetto sviluppato con buona correttezza metodologica. Buona (24-27): Buona padronanza di MDE e Models@runtime; seminario ben strutturato con capacità critica di contestualizzare la letteratura scientifica; progetto di gruppo ben articolato con un'adeguata analisi delle soluzioni architetturali. Approfondita/Eccellente (28-30 e Lode): Conoscenza approfondita ed esaustiva di tutti i temi del corso; seminario di livello eccellente per rigore, autonomia di giudizio e chiarezza espositiva; progetto di gruppo di elevata complessità tecnica, spiccata originalità metodologica e padronanza assoluta del linguaggio scientifico.

Testi di riferimento

Articoli scientifici, lucidi delle lezioni e materiale di riferimento forniti dal docente.

Codice insegnamento 35863

SOFTWARE ENGINEERING FOR THE INTERNET OF THINGS 2° anno · 6 CFU · INFO-01/A · 0 file

Una tendenza crescente nei sistemi software odierni è quella di sfruttare Internet come piattaforma aperta per connettere entità digitali e fisiche. La disponibilità di un ampio numero di dispositivi eterogenei che…

Scheda dell'insegnamento

Obiettivi formativi

Una tendenza crescente nei sistemi software odierni è quella di sfruttare Internet come piattaforma aperta per connettere entità digitali e fisiche. La disponibilità di un ampio numero di dispositivi eterogenei che collaborano nell'ambito dell'Internet of Things (IoT) offre opportunità senza precedenti per migliorare la qualità della vita e dei servizi attraverso collaborazioni tra dispositivi industriali e di consumo. Tuttavia, l'eterogeneità dei dispositivi e delle condizioni operative richiede l'integrazione di competenze e discipline multidisciplinari nella progettazione di tali prodotti. L'obiettivo di questo corso è esplorare gli elementi costitutivi fondamentali per la progettazione e lo sviluppo di sistemi IoT da una prospettiva di ingegneria del software. Vengono analizzati componenti hardware, piattaforme software open source, protocolli di comunicazione, architetture distribuite e dispositivi di rilevamento/attuazione, fornendo una solida esperienza pratica basata su componenti di rete e dispositivi come Raspberry Pi. Tali obiettivi concorrono alle finalità formative del Corso di Laurea Magistrale in Informatica, fornendo competenze avanzate nell'ingegnerizzazione di sistemi software distribuiti, eterogenei e ad alta intensità di dati.

Programma

Gli argomenti trattati nel corso includono:- Introduzione all'Internet of Things: architetture software e tassonomia dei componenti. - Piattaforme Software e Framework Open Source: gestione di dispositivi, messaggistica e middleware IoT.- Protocolli di Comunicazione IoT: protocolli di rete, di trasporto e applicativi (es. MQTT, CoAP, HTTP/REST, WebSockets). - Sensori, Attuatori e Dispositivi Mobile/Embedded: programmazione di dispositivi ed elaborazione dati da sensori (es. Raspberry Pi, smartphone). - Integrazione Cloud e Edge Computing: memorizzazione ed elaborazione distribuita di dati IoT tramite database e framework di calcolo (es. Hadoop). - Sicurezza e Privacy nei Sistemi IoT: problematiche di cifratura, autenticazione e sicurezza nei dispositivi limitati nelle risorse.

Conoscenze di base di ingegneria del software e di sviluppo software.

Lezioni frontali, esercitazioni pratiche guidate ed attività laboratoriali condotte mediante l'uso di kit software IoT.

Modalità d'esame

Pre-Assessment: Non è prevista una prova formale dei prerequisiti; l'adeguatezza delle competenze di base viene verificata attraverso le interazioni iniziali in classe e nelle sessioni di laboratorio. Accertamento del processo di apprendimento (Formative Assessment): L'accertamento avviene mediante una continua interazione tra docente e studenti durante le lezioni e le attività laboratoriali. Gli studenti sono stimolati a partecipare attivamente ponendo e rispondendo a quesiti di approfondimento tecnico sui temi trattati. Valutazione finale (Summative Assessment): La valutazione complessiva si articola in due prove pratiche e concettuali: - Seminario di gruppo: Presentazione orale approfondita su un argomento/topic avanzato dell'Ingegneria del Software per l'Internet of Things, liberamente prescelto dal team di studenti e approvato dal docente. La prova mira a verificare l'autonomia nella ricerca bibliografica, la capacità di analisi e comprensione della letteratura scientifica di settore e la chiarezza espositiva.- Progetto di gruppo: Realizzazione e presentazione di un progetto software/hardware svolto in team. Il progetto è finalizzato a verificare: (a) le competenze pratiche nella programmazione di dispositivi ed integrazione di piattaforme/protocolli IoT; (b) le capacità di analisi del problema e sintesi di architetture distribuite; (c) la capacità di lavoro collaborativo in team e la qualità della documentazione prodotta.Criteri di attribuzione del voto e graduazione:Il voto finale scaturisce dalla valutazione congiunta della prova seminariale (50%) e del progetto di gruppo (50%), riflettendo i seguenti livelli di preparazione: Sufficiente (18-20): Conoscenza basilare dei principi dell'IoT e dei principali protocolli; esposizione semplice nel seminario con comprensione essenziale del tema prescelto; realizzazione di un progetto di gruppo minimale ma con funzionalità di base operanti. Adeguata (21-23): Buona comprensione delle componenti architetturali IoT; presentazione del seminario con linguaggio tecnico corretto; progetto sviluppato con buona correttezza metodologica e adeguata configurazione di sensori/protocolli. Buona (24-27): Padronanza sicura delle piattaforme software e dei framework di calcolo distribuiti; seminario ben strutturato con capacità critica di contestualizzare la letteratura scientifica; progetto di gruppo ben articolato con un'efficace integrazione hardware/software. Approfondita/Eccellente (28-30 e Lode): Conoscenza esaustiva di tutti i temi del corso; seminario di livello eccellente per rigore, autonomia di giudizio e chiarezza espositiva; progetto IoT complesso, fortemente innovativo ed eseguito con spiccata padronanza tecnica e metodologica.

Testi di riferimento

Articoli scientifici, documentazione tecnica di piattaforme open source e materiale didattico fornito dal docente.

Codice insegnamento 37249

SOFTWARE QUALITY ENGINEERING 2° anno · 6 CFU · INFO-01/A · 0 file

Questo corso ha lo scopo di esplorare più in profondità alcuni dei concetti trattati nel corso di base sull'ingegneria del software e di introdurre nuovi concetti. In particolare, questo corso si occupa di: proprietà non…

Scheda dell'insegnamento

Obiettivi formativi

Questo corso ha lo scopo di esplorare più in profondità alcuni dei concetti trattati nel corso di base sull'ingegneria del software e di introdurre nuovi concetti. In particolare, questo corso si occupa di: proprietà non funzionali dell'architettura software (come affidabilità e prestazioni), con particolare attenzione alla loro valutazione quantitativa. Il corso intende consentire allo studente di acquisire non solo capacità di modellizzazione e analisi del software, attraverso l'uso di strumenti a supporto di tali attività, ma mira anche a sviluppare la capacità dello studente di adattarsi a strumenti diversi e di interpretare i risultati che tali strumenti possono offrire.

Programma

Architetture software. Ingegneria basata sui modelli. Profilazione UML. Convalida non funzionale del software. Affidabilità (definizioni). Analisi di performance.

Questo è un corso avanzato nell'area dell'ingegneria del software, quindi si presume che gli studenti abbiano già seguito un corso di basi di ingegneria del software. È inoltre richiesta la conoscenza di UML.

Il modulo comprende 48 ore di lezioni frontali più 30 ore di chiarimenti su richiesta nell'ufficio dell'insegnante. Le lezioni frontali sono suddivise in teoria ed esercitazioni.

Modalità d'esame

Non esiste una pre-valutazione formale, a parte i prerequisiti del corso. L'adempimento di tali prerequisiti è verificato mediante valutazione formativa. La valutazione formativa viene eseguita tramite interazioni tra insegnante e studenti durante le lezioni. Gli studenti sono consapevoli sin dall'inizio del Corso di essere coinvolti (a turno) in: domande e discussioni, mediante domande orali aperte alla classe o ai singoli studenti; Progetti del gruppo di valutazione sommativa seguiti da una prova orale facoltativa. I progetti di gruppo sono finalizzati a: (1) verifica delle competenze teoriche, in particolare della conoscenza e comprensione dei contenuti del corso; (2) verifica delle capacità di comprensione e risoluzione di problemi significativi e di spiegazione delle soluzioni proposte, (3) capacità di lavoro collaborativo. Questo ha lo scopo di verificare la capacità di applicare le tecniche apprese durante il Corso, di analisi dei problemi e di sintesi di soluzioni adeguate e di valutazione di soluzioni alternative. I criteri di valutazione saranno: il livello di conoscenza e capacità pratica; la proprietà d'uso di un linguaggio tecnico / matematico; la chiarezza e la completezza delle spiegazioni. L'esame orale si svolgerà entro una settimana dalla consegna dell’ultimo progetto e coprirà in genere le aree dei progetti che necessitano di chiarimenti e ulteriori argomenti proposti dall'insegnante e inclusi nel programma. La prova orale si svolge per tutti gli studenti. L’attribuzione del voto rifletterà i seguenti livelli di preparazione: sufficiente (comprensione basilare dei concetti); discreto (comprensione piena di concetti e metodologie); buono (capacità di applicazione delle metodologie di base a problemi teorici e pratici); ottimo (capacità di applicazione di metodologie avanzate a problemi teorici e pratici)

Testi di riferimento

Connie U. Smith, Lloyd Williams, Performance Solutions , Addison Wesley. Ian Sommerville, Software Engineering , Addison Wesley. Vittorio Cortellessa, Antinisca Di Marco, Paola Inverardi, Model-based Software Performance Analysis , Springer.

Codice insegnamento 35853

SYSTEMS IDENTIFICATION AND MACHINE LEARNING 2° anno · 9 CFU · IINF-04/A · 0 file

Modulo di “Identificazione dei sistemi e analisi dei dati” L’obiettivo di questo modulo è di avviare gli studenti allo studio delle tecniche di analisi dei dati e di stima stocastica, e in particolar modo di…

Scheda dell'insegnamento

Obiettivi formativi

Modulo di “Identificazione dei sistemi e analisi dei dati” L’obiettivo di questo modulo è di avviare gli studenti allo studio delle tecniche di analisi dei dati e di stima stocastica, e in particolar modo di identificazione dei modelli di sistemi dinamici e della stima dello stato mediante tecniche di filtraggio. Al completamento del corso lo studente sarà in grado di formulare e analizzare problemi di stima e di identificazione di modelli dinamici sulla base di misure affette da rumore stocastico, e di proporre diversi tipi di soluzioni. Inoltre, sarà in grado di proporre soluzioni a problemi di analisi e compressione dei dati, e di riconoscimento di pattern. Le conoscenze acquisite in questo insegnamento andranno ad aumentare le competenze e le abilità dello studente nelle attività di modellistica, simulazione e progetto di sistemi di controllo, nonché nell’analisi dei dati. Modulo di “Machine Learning”: L'obiettivo di questo modulo è fornire le motivazioni, le definizioni e le tecniche per l'acquisizione e la manipolazione dei dati provenienti da sistemi di automazione in rete, al fine di derivare, mediante tecniche di Machine Learning, modelli predittivi, ed utilizzare tali modelli per gestire risorse in modo dinamico ed ottimo.

Programma

Modulo di “Identificazione dei sistemi e analisi dei dati” - Richiami di algebra lineare: vettori, matrici, sottospazi. Quattro sottospazi fondamentali associati a una matrice, pseudo-inversa, proiezioni. Richiami di Calcolo delle Probabilità: eventi, variabili aleatorie, distribuzioni di probabilità, momenti di variabili aleatorie; la distribuzione Gaussiana multivariabile; probabilità condizionata e condizionamento, indipendenza tra eventi e tra variabili aleatorie. Calcolo del valore atteso condizionato nel caso gaussiano. Lo spazio di Hilbert delle variabili aleatorie con varianza finita; valore atteso condizionato e proiezione. - La decomposizione ai valori singolari di una matrice e la sua relazione con pseudo-inversa e quattro sottospazi fondamentali associati alla matrice. Fattorizzazione QR. Prime applicazioni all'analisi dei dati e alla compressione dei dati: approssimazione a basso rango di una matrice, teorema di Eckart–Young–Mirsky. - Soluzioni approssimate e a norma minima per sistemi lineari sovradeterminati e sottodeterminati tramite il metodo dei minimi quadrati ordinari. Interpretazione geometrica dei minimi quadrati. Applicazioni al fitting dei dati: stima di funzioni lineari e non lineari dai dati mediante regressione. - Teoria della stima: concetti base sulla stima, fenomeni reali e i loro modelli, raccolta dei dati, set di dati per l'addestramento e il test, validazione del modello. Stima di minima varianza dell’errore e valore atteso condizionato nel caso generale e nel caso Gaussiano; stima ottima e subottima mediante proiezioni. Stima di massima probabilità a posteriori e stima di massima verosimiglianza. Stima dei parametri di una distribuzione; esempi gaussiani. Stima di Markov. - Richiami sui sistemi dinamici lineari: modelli tempo-invarianti; risposta impulsiva e matrice di trasferimento. Proprietà strutturali (osservabilità, controllabilità), stabilità. - Sistemi dinamici stocastici e filtro di Kalman: rumore bianco e modello di generazione del segnale; sistemi stocastici lineari a tempo discreto; processi di innovazione dello stato e dell’uscita; le equazioni ricorsive dello stimatore ottimo (filtro di Kalman); calcolo ricorsivo della covarianza dell'errore di stima e del guadagno del filtro (equazioni di Riccati). Predittore ottimo; interpolatore ottimo mediante lo stato esteso. Cenno sui sistemi stocastici a tempo continuo con osservazioni discrete. Cenni alla soluzione stazionaria delle equazioni e al filtro di Kalman stazionario. Stima dello stato nei sistemi non lineari: il filtro di Kalman esteso. Note sulla stima parametrica dei sistemi stocastici con la massima verosimiglianza. - Risultati classici nell'identificazione dei sistemi: panoramica dei metodi basati sull’errore di predizione (PEM) per modelli in forma ingresso-uscita (Box-Jenkins, ARMAX, ARX). Soluzione ai minimi quadrati per modelli ARX. - Identificazione ai sottospazi: il metodo Ho-Kalman per la realizzazione deterministica di risposte impulsive. Ho-Kalman rivisitato (ingressi generali, rumore di misura). Metodi ai sottospazi: l'algoritmo MOESP per sistemi con uscita corrotta da rumore bianco. Riduzione dell'ordine di un modello mediante realizzazione troncata. Modulo Machine Learning: Questo modulo copre i fondamenti di tecniche di analisi dei dati, di Machine Learning e di Model Predictive Control per il monitoraggio e la gestione di sistemi di automazione in rete. Si forniranno innanzitutto le nozioni di base di tecniche, basate su Machine Learning, sfruttate per estrarre un modello predittivo di un sistema. Quindi, si forniranno le nozioni di base della teoria del controllo ottimo, quali la definizione e interpretazione di un problema di ottimizzazione con funzione di costo quadratica e vincoli affini e quadratici, la conoscenza delle tecniche e tools esistenti per la soluzione e la loro complessità computazionale, e l’integrazione dei modelli predittivi su descritti come vincoli di tali problemi di ottimizzazione. Infine, si mostrerà con esempi simulativi in Matlab come applicare le tecniche introdotte nel corso ai problemi di modellazione e controllo di sistemi di automazione in rete. Nel dettaglio, il modulo è organizzato come segue: Introduzione su raccolta e pre-processamento dati, su classi di modelli, funzioni di costo, esercitazioni su Matlab. Elementi di ottimizzazione convessa, richiami di controllo ottimo, (approfondimenti di) Model Predictive Control, esercitazioni su Matlab. Introduzione al Machine Learning, percettrone, Support Vectors Machines. Modelli e tecniche di regressione: AutoRegressive eXogenous (ARX) models, Regression trees, Random forests, esercitazioni su Matlab. Elementi di Artificial Neural Networks, esercitazioni su Matlab. Algoritmi di identificazione e MPC basati su modelli ottenuti da tecniche di Machine Learning, esercitazioni Matlab. Esercitazioni su Matlab con applicazione su data-set reali: costruzione di modelli predittivi e loop di controllo.

Matematica: teoria della probabilità, analisi matriciale, calcolo integro-differenziale. Informatica: fondamenti di programmazione. Automatica: conoscenze delle tecniche di analisi e controllo di sistemi lineari e non lineari. Modulo machine learning: Teoria dei Sistemi, Analisi ed Elaborazione dei segnali

Modulo di “Identificazione dei sistemi e analisi dei dati” - Lezioni frontali di teoria; - Attività relative all’applicazione della teoria a situazioni pratiche: proposizione di esercizi e problemi da svolgere in classe. Modulo Machine Learning: Lezioni teoriche, esercitazioni Matlab

Modalità d'esame

Modulo di “Identificazione dei sistemi e analisi dei dati” All’inizio del corso: verifica informale dei prerequisiti mediante discussione e domande in classe. In itinere: proposta di esercizi e problemi da svolgere e risolvere in classe, nel corso delle lezioni. Esame finale:colloquio orale composto da: (A) domande volte a verificare la comprensione dei contenuti del corso; (B) proposte di problemi e situazioni pratiche atti a valutare la capacità degli studenti di applicare le metodologie apprese. Le parti (A) e (B) concorrono, rispettivamente, per circa il 70% e il 30% alla formazione del voto finale. L’attribuzione del voto rifletterà i seguenti livelli di preparazione: sufficiente (18-23): lo studente conosce le tematiche svolte nel corso, ma non in modo approfondito (non è pronto nei collegamenti e nell’applicazione delle metodologie, ha una conoscenza superficiale dei passaggi matematici); adeguata/buona (24-27): buona conoscenza delle tematiche svolte nel corso, sa fare collegamenti e sa motivare, del tutto o in parte, le metodologie apprese. Sa applicare le metodologie apprese se indirizzato; approfondita (28-30 L): conoscenza approfondita delle tematiche svolte nel corso, sa fare collegamenti, sa motivare efficacemente le metodologie e le sa applicare in modo autonomo a problemi specifici. Modulo Machine Learning: La verifica dell’apprendimento è costituita da una prova orale e dalla discussione di una tesina preparata dallo studente e i cui argomenti saranno preventivamente concordati con il docente. Il voto finale dipenderà per l'80% dalla prova orale e per il 20% dalla discussione della tesina. L’attribuzione del voto rifletterà i seguenti tre livelli di preparazione: - sufficiente: conoscenza base delle definizioni formali, degli algoritmi e delle metodologie trattati nel corso; - buona: conoscenza avanzata delle definizioni formali, degli algoritmi e delle metodologie trattati nel corso; capacità di impostare formalmente un problema di controllo relativo ad una rete di telecomunicazioni; - eccellente: conoscenza avanzata, con approfondimenti tecnici, delle definizioni formali, degli algoritmi e delle metodologie trattati nel corso; capacità di impostare formalmente un problema di controllo relativo ad una rete di telecomunicazioni, e di confrontare e scegliere in modo adeguato le varie tecniche in modo coerente al problema specifico.

Testi di riferimento

Modulo di “Identificazione dei sistemi e analisi dei dati” - M. Dalla Mora, A. Germani, C. Manes: Introduzione alla Teoria dell'Identificazione dei Sistemi; EUROMA-La Goliardica (1997). - M. Verhaegen, V. Verdult: Filtering and System Identification; Cambridge University Press (2012). - Balakrishnan, A.V. Kalman Filtering Theory. Optimization Software, Inc .(1984). Modulo Machine Learning: - Slides del corso. - Book 1: Christopher M. Bishop. Pattern Recognition And Machine Learning - Springer-Verlag New York 2006 - Book 2: Trevor Hastie, Robert Tibshirani and Jerome Friedman. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer Series In Statistics, 2009 - Book 3: Richard S. Sutton and Andrew G. Barto. Reinforcement Learning: An Introduction. MIT Press, Cambridge, MA, 2018

Codice insegnamento 40763

WIRELESS COMMUNICATIONS 2° anno · 9 CFU · IINF-03/A · 0 file

The goal of this module is to provide the fundamental set of concepts, techniques and standards that relate to modern systems for wireless communications and networking: this is one of the major areas of competences of…

Scheda dell'insegnamento

Obiettivi formativi

The goal of this module is to provide the fundamental set of concepts, techniques and standards that relate to modern systems for wireless communications and networking: this is one of the major areas of competences of the master program. On successful completion of this module, the student should understand i) the fundamental characteristics of wireless channels and related statistical models, ii) modern digital techniques for high capacity and wide-band transmissions on the wireless channel, iii) the set of relevant standardized systems for wireless communications in the cellular domain up to 5G, broadband wireless access, ad-hoc networks, short range communications, wireless sensor networks and Internet-of-Things paradigms. The students are educated and trained to tackle both design and operation problems, and to acquire the ability to model and solve networking problems in both traditional (e.g. communications services, internet services, etc.) and novel application contexts (e.g. industrial automation, environmental monitoring, ITS, etc.). The module is tightly connected with the modules of Digital Communications, Digital Electronics, Embedded Systems, Propagation and modelling of communication channels, Digital Signal Processing and Multimedia, Advanced and Software Defined Networks, Laboratory of SDR and IoT.

Programma

Wireless systems: introduction and overview on architectures, technologies and applications; The wireless channel: from physical behaviour to statistical modelling; Relevant channel models: WSSUS, GWSSUS, spatio-temporal models and MIMO; Digital transmissions over the wireless channels: performance analysis, diversity, spatio-temporal processing, spread spectrum systems, MIMO; Multiple Access Techniques: FDMA, TDMA, CDMA, OFDM, OFDMA and SC-FDMA; Cellular mobile radio systems: the wireless interface of GSM, GPRS, EDGE, UMTS; HSDPA/HSUPA, LTE and 4G; Wireless Personal Area Networks, Wireless Sensor Networks and the IEEE 802.15.x standard set (Bluetooth and Zigbee); emerging standards for industrial automation (ISA, IETF) and inter-vehicular communications (IEEE 802.11p, Cellular V2X with PC5); Radio technologies for short-medium range, Radio Frequency Identification (RFiD) systems and energy-neutral networks; dense and heterogeneous networks, scalable OFDM, 5G and 6G wireless interface. Satellite systems for mobile communications and not terrestrial networks: main constellations and standardization efforts in 5G/6G. Applications to the connected car domain. Practical experiences with radio link simulation, network simulation and test-beds for WSN, MANETs, VANETs, and Software Defined Radio (SDR) (Embedded Systems and Lab of SDR and IoT).

The student should be aware of fundamentals of digital communications systems, telecommunication networks and internetworking.

Lectures, exercises, practical sessions in simulation and real test-beds, invited talks by industry speakers, thematic workshops. On successful completion of this module, the student should - have solid knowledge of advanced theory and techniques for digital transmissions over wireless channels, standard architectures and protocols of modern wireless networks; - have knowledge and understanding of design methods for wireless links and networks, as well as for wireless network planning and management; - understand and explain the complete path from specification of system requirements, choice of wireless technology, development and simulation of an appropriate system model for validation, and eventual step to SW development on a target platform; - demonstrate skill in analyzing problems, elaborate appropriate written documentation and oral presentations of problems, solutions, and validation methods; - demonstrate capacity for reading and understanding any textbooks and scientific papers on specific matters, with particular emphasis on research oriented literature and documents that describes standard systems.

Modalità d'esame

1) Internediate tests based on homeworks 2) Project (group) work: cooperation with other exams within the TLC master program (e.g. Embedded Systems, Advanced and Software Defined Networks, Digital Communications, Laboratory of SDR and IoT) and also with mobility programs are encouraged. Small and large scale experimental setups are available. Questions are posed during the exam: they refer to the project work and on a part of the overall course contents that has been agreed in advance.

Testi di riferimento

Traditional books (spread spectrum): [1] John G. Proakis, “Digital communications”, 3. ed. - New York, McGraw-Hill, [1995] [2] M.K. Simon, J.K. Omura, R.A. Scholtz, B.K. Levitt, “Spread Spectrum Communications Handbook”, New York, McGraw-Hill, 1994. [3] R. L. Peterson, R. E. Ziemer, D.E. Borth, “Introduction to Spread Spectrum Communications”, Englewood Cliffs, Prentice Hall, 1995. [4] A.J. Viterbi, “Principles of Spread Spectrum Communications”, Addison Wesley, 1995. Some specific books (Mobile radio): [5] A. Molisch, “Wireless Communications”, Prentice-Hall; [6] A. Goldsmith, “Wireless Communications”, Wiley; [7] “LTE – The UMTS Long Term Evolution From Theory to Practice”, by S. Sesia, I. Toufik, M. Baker editors, J. Wiley; [8] E. Dahlman, S. Parkvall, J. Skold, “4G, LTE-Advanced Pro and The Road to 5G”, Elsevier; [9] E. Dahlman, S. Parkvall, J. Skold, “5G NR: The Next Generation Wireless Access Technology”, Associated Press. Some on-line resources: http://www.etsi.org http://www.umts-forum.org http://www.3gpp.org http://www.ieee.org A complete set of transparencies is made available to the students.

Codice insegnamento 35869

GEOGRAPHICAL INFORMATION SYSTEMS 6 CFU · ING-INF/05 · 0 file
MACHINE LEARNING FOR SMART CITIES AUTOMATION 6 CFU · ING-INF/04 · 0 file
METHODS AND MEASURES FOR IT 1° semestre · 6 CFU · ING-INF/05 · 0 file
REALTA' VIRTUALE E ARCHEOMATICA M 3 CFU · ING-INF/05 · 0 file
TECHNOLOGIES FOR ARTIFICIAL INTELLIGENCE 3 CFU · ING-INF/05 · 0 file
TOOLKIT FOR MODERN ALGORITHMS 3 CFU · ING-INF/05 · 0 file

Recensioni del corso

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

★

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