Corso di laurea

MATHEMATICAL MODELLING

Università degli Studi di L'Aquila · 107 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

APPLIED PARTIAL DIFFERENTIAL EQUATIONS 1° anno · 1° semestre · 6 CFU · MATH-03/A · 0 file

OBIETTIVI FORMATIVI DELL’INSEGNAMENTO. L'insegnamento ha lo scopo di fornire le nozioni basilari e le tecniche principali per risolvere equazioni alle derivate parziali di base. Tali obiettivi fanno parte delle…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI DELL’INSEGNAMENTO. L'insegnamento ha lo scopo di fornire le nozioni basilari e le tecniche principali per risolvere equazioni alle derivate parziali di base. Tali obiettivi fanno parte delle finalità formative del corso di studi, come già verificato in fase di progettazione del corso di laurea magistrale in Ingegneria Matematica. RISULTATI DI APPRENDIMENTO. Alla fine del corso, la studentessa/lo studente dovrebbe: 1. conoscere le nozioni basilari (esistenza, unicità, ecc.) e le tecniche principali (caratteristiche, separazione delle variabili, metodi di Fourier, funzioni di Green, soluzioni autosimilari, ecc.) per risolvere equazioni alle derivate parziali di base (equazioni semilineari del primo ordine, equazione del calore, di Laplace, delle onde); 2. comprendere e saper spiegare tesi e dimostrazioni nel campo delle equazioni alle derivate parziali di base; 3. avere rafforzato la capacità di argomentazione logica e di calcolo matematico; 4. essere in grado di leggere e capire altri testi scientifici su argomenti correlati.

Programma

Equazioni differenziali alle derivate parziali semilineari del primo ordine. Definizione di vettori e superfici caratteristici. Caratteristiche per equazioni differenziali parziali (semi)lineari del primo ordine in due variabili indipendenti. Esistenza e unicità dei problemi ai valori iniziali per equazioni differenziali parziali semilineari del primo ordine in due variabili indipendenti. Principio di Duhamel per equazioni differenziali alle derivate parziali del primo ordine non omogenee. Equazioni differenziali alle derivate parziali del secondo ordine. Classificazione delle equazioni differenziali alle derivate parziali semilineari del secondo ordine in due variabili indipendenti. Forma canonica per equazioni differenziali alle derivate parziali semilineari del secondo ordine in due variabili indipendenti. Classificazione per equazioni differenziali alle derivate parziali semilineari del secondo ordine in più variabili indipendenti. Equazione del calore. Derivazione dell'equazione del calore e problemi ben posti in una dimensione spaziale. Soluzione del problema di Cauchy-Dirichlet per l'equazione del calore monodimensionale mediante il metodo di Fourier di separazione delle variabili. Metodo dell'energia e unicità. Principio di massimo. Soluzione fondamentale. Soluzione del problema di Cauchy globale. Il problema non omogeneo: il principio di Duhamel. Equazione di Laplace. Equazione di Laplace e di Poisson: problemi ben posti; unicità mediante il metodo dell'energia. Proprietà del valor medio e principi del massimo. Equazione di Laplace in un disco mediante separazione di variabili. La formula di Poisson. La disuguaglianza di Harnack e il teorema di Liouville. Soluzione fondamentale dell'operatore Laplace. Soluzione dell'equazione di Poisson nello spazio. Funzioni di Green e formula di rappresentazione di Green. Equazione delle onde. Vibrazioni trasversali di una corda. Problemi ben posti in una dimensione spaziale. Formula di D'Alembert. Parallelogramma caratteristico. Dominio di dipendenza e range di influenza. Soluzione fondamentale per l'equazione delle onde monodimensionale. Principio di Duhamel per equazioni delle onde monodimensionali non omogenee. Soluzioni speciali dll'equazione delle onde multi-d: onde planari e sferiche. Buona positura per problemi ai valori iniziali e al bordo: unicità mediante stime dell'energia. Separazione di variabili. Dominio di dipendenza e range di influenza in più variabili spaziali. Soluzione fondamentale per l'equazione delle onde multidimensionale. Soluzione dell'equazione delle onde in 3-d: formula di Kirchhoff e principio di Huygens forte. Equazione delle onde in due dimensioni: metodo della discesa. Soluzione fondamentale in 2–d.

Gli studenti devono conoscere le nozioni base dell'analisi matematica, tra cui il calcolo differenziale per funzioni in più variabili, le equazioni differenziali ordinarie e le serie di Fourier, e le nozioni base della meccanica dei continui.

Lezioni frontali e svolgimento di esercizi in classe e a casa. Esercitazioni con tutor.

Modalità d'esame

Prova scritta e orale (con possibilità di svolgimento di prove parziali) tesa ad accertare: - la preparazione teorica; - il rigore logico; - la capacità di risolvere problemi teorici ed esercizi, applicando le conoscenze acquisite. L’attribuzione del voto rifletterà i seguenti livelli di preparazione: - sufficiente: comprensione basilare delle definizioni, delle strutture e degli esercizi; - adeguata: saper riprodurre e spiegare alcune dimostrazioni fondamentali; - buona: saper applicare quanto appreso alla soluzione di problemi e quesiti anche teorici; - approfondita: saper applicare il ragionamento logico anche ad altri contesti teorici con autonomia.

Testi di riferimento

  • W.A. Strauss. Partial differential equations: an introduction, 2nd edition, John Wiley & Sons, 2008 - S. Salsa. Partial Differential Equations in Actions: from Modelling to Theory. Springer–Verlag Italia, 2008. - E.C. Zachmanoglou, D.W. Thoe. lntroduction to Partial Differential Equations with Applications. Dover Publications, Inc., 1986. Altri testi utili: - L.C. Evans. Partial Differential Equations. Graduate Studies in Mathematics, Vol. 19, AMS, 2010. - S. Salsa, G. Verzini. Equazioni a derivate parziali: complementi ed esercizi. Springer–Verlag Italia. 2005 (in italiano)

Codice insegnamento 30701

CALCULUS OF VARIATIONS 1° anno · 2° semestre · 6 CFU · IINF-04/A · 0 file
COMPUTATIONAL IMAGING 1° anno · 2° semestre · 6 CFU · IINF-04/A · 0 file
DYNAMICAL SYSTEMS AND BIFURCATION THEORY 1° anno · 1° semestre · 6 CFU · MATH-03/A · 0 file

Questa unità didattica è fondamentale per imparare l'approccio analitico, attraverso i sistemi dinamici, alla modellistica per l'ingegneria. A conclusione dell'unità didattica lo studente avrà capito l'importanza della…

Scheda dell'insegnamento

Obiettivi formativi

Questa unità didattica è fondamentale per imparare l'approccio analitico, attraverso i sistemi dinamici, alla modellistica per l'ingegneria. A conclusione dell'unità didattica lo studente avrà capito l'importanza della linearizzazione ma anche che è fondamentale analizzare i modelli non lineari quando un equilibrio non è iperbolico.

Programma

SISTEMI DI EQUAZIONI DIFFERENZIALI LINEARI. Esponenziale di un operatore, matrice fondamentale. Stabilità per sistemi lineari: sottospazi stabile, instabile e centrale. Pozzi e sorgenti. Classificazione dei punti di equilibrio per un sistema lineare planare: selle, nodi, fuochi, centri. Ritratto di fase in dimensione due. Sistemi lineari non omogenei. TEORIA LOCALE PER SISTEMI DI EQUAZIONI DIFFERENZIALI NON LINEARI. Insiemi invarianti. Ponti di equilibrio iperbolici. Linearizzazione. Teorema della varietà stabile. Teorema della varietà centrale. Teorema di Hartman-Grobman. Punti di equilibrio iperbolici e sistemi planari: selle, nodi, fuochi, centri. Stabilità e funzione di Lyapunov. Punti di equilibrio non iperbolici per sistemi planari. Teoria della varietà stabile. Teoria della forma normale. Sistemi gradiente e Hamiltoniani. TEORIA GLOBALE PER SISTEMI DI EQUAZIONI DIFFERENZIALI NON LINEARI. Sistemi dinamici. Insiemi limiti e attrattori. Orbite periodiche, cicli limite e cicli separatori. Orbite omocline ed eterocline. Cicli separatori composti. Teorema di Dulac. Mappa di Poincaré per un ciclo. Mappa di Poincaré per un fuoco. Caso planare e mappa di Poincaré. Teorema della varietà stabile per orbite periodiche. Teorema di Floquet. Teorema della varietà stabile e orbite periodiche. Teorema di Liouville per la matrice fondamentale. Esponenti e moltiplicatori caratteristici per orbite periodiche. INTRODUZIONE ALLA TEORIA DELLA BIFORCAZIONE. Stabilità strutturale e Teorema di Peixoto. Biforcazione in un punto di equilibrio non iperbolico: biforcazione di tipo sella-nodo, transcritica e a forcone. Teorema di Sotomayor. Biforcazioni di Hopf e biforcazioni di cicli limite per un fuoco multiplo. Biforcazioni per orbite periodiche non iperboliche. Diagramma di biforcazione.

Algebra lineare, fondamenti della teoria sulle equazioni differenziali.

Insegnare attraverso esempi e connessioni logiche.

Modalità d'esame

Esame scritto e/o orale.

Testi di riferimento

Lawrence Perko, Differential Equations and Dynamical Systems , Springer. 2001. Third edition (ISBN: 0-387-9516-4)

Codice insegnamento 32146

GERMAN AS A FOREIGN LANGUAGE FOR INTERNATIONAL MASTER PROGRAMS 1° anno · 2° semestre · 3 CFU · GERM-01/C · 0 file
GERMAN AS A FOREIGN LANGUAGE, LEVEL A1.1 1° anno · 2° semestre · 3 CFU · GERM-01/C · 0 file
INTENSIVE GERMAN LANGUAGE COURSE (LEVEL A1/1) 1° anno · 3 CFU · GERM-01/C · 0 file
INTRODUCTION TO MATHEMATICAL CONTROL THEORY 1° anno · 1° semestre · 6 CFU · MATH-03/A · 0 file

Apprendere le basi matematiche della teoria del controllo e del controllo ottimo.Conoscere problemi classici di teoria del controllo governati da equazioni differenziali ordinarie e saperli analizzare utilizzando le…

Scheda dell'insegnamento

Obiettivi formativi

Apprendere le basi matematiche della teoria del controllo e del controllo ottimo.Conoscere problemi classici di teoria del controllo governati da equazioni differenziali ordinarie e saperli analizzare utilizzando le nozioni apprese.Conoscere e interpretare applicazioni significative della teoria del controllo ottimo nelle scienze della vita, in fisica e in economia.Conoscere qualche esempio di problema di controllo di modelli governati da equazioni alle derivate parziali.

Programma

Controllabilità di sistemi lineari e principio bang-bang. Controllabilità di sistemi nonlineari. Stabilizzabilità di sistemi lineari e nonlineari.Problemi di base del controllo ottimo. Condizioni necessarie. Equazione aggiunta. Principio del Massimo di Pontryagin.Risultati di esistenza e unicità. Hamiltoniana e problemi autonomi. Condizioni di ottimalità.Condizioni di stato al tempo finale. Termini di costo. Stati con estremi fissati.Principio della programmazione dinamica ed equazioni di Hamilton-Jacobi. Problemi di controllo ottimo in biologia, fisica, economia. Problemi di controllo per sistemi multiagente.Introduzione alla controllabilità e alla stabilizzabilità di equazioni alle derivate parziali: equazione delle onde ed equazione del calore.

Analisi matematica di base (calcolo differenziale ed integrale in una e più variabili). Equazioni differenziali ordinarie.

Lezioni alla lavagna: teoria ed esercizi.

Modalità d'esame

Esame scritto a domande aperte sugli argomenti svolti nel corso. L’ attribuzione del voto rifletterà i seguenti livelli dipreparazione.18-21: conoscenza sufficiente dei contenuti, 22-25: preparazione appropriata ma non approfondita, 26-28: preparazione buona, 29-30, 30 e lode: conoscenza approfondita degli argomenti.

Testi di riferimento

-A. Bressan, B. Piccoli, Introduction to the Mathematical Theory of Control, AIMS, 2007. -L.C. Evans, An introduction to mathematical control theory, Berkley, Lecture notes. -S. Lenhart and J.T. Workman, Optimal Control Applied to Biological Models, Chapman & Hall/CRC. ​​​​​​​-E. Trélat, Control in finite and infinite dimension. SpringerBriefs PDEs Data Sci., Springer, Singapore, 2024.

Codice insegnamento 40630

ITALIAN LANGUAGE FOR FOREIGNERS (LEVEL A1) - INTERMATHS 1° anno · 1° semestre · 3 CFU · 0 file

Il corso è finalizzato all'acquisizione delle competenze linguistiche e comunicative di base in lingua italiana corrispondenti al livello A1 del Quadro Comune Europeo di Riferimento per le Lingue (QCER). L'insegnamento…

Scheda dell'insegnamento

Obiettivi formativi

Il corso è finalizzato all'acquisizione delle competenze linguistiche e comunicative di base in lingua italiana corrispondenti al livello A1 del Quadro Comune Europeo di Riferimento per le Lingue (QCER). L'insegnamento mira a sviluppare le quattro abilità linguistiche (comprensione orale, compresione scritta, produzione orale e produzione scritta), fornendo allo studente gli strumenti necessari per affrontare semplici situazioni comunicative della vita quotidiana. Particolare attenzione sarà dedicata allo studio delle principali strutture grammaticali della lingua italiana, allo sviluppo del lessico di base e alla conoscenza degli elementi fondamentali della cultura italiana utili all'interazione in contesti sociali e accademici.

Programma

Modulo 1 — Introduzione alla lingua italiana-Alfabeto.-Pronuncia e fonetica.-Saluti formali e informali.-Presentazioni.-Verbi essere e chiamarsi.Modulo 2 — Informazioni personali-Nazionalità.-Professioni.-Articoli determinativi e indeterminativi.-Genere e numero dei nomi.-Verbo avere.Modulo 3 — Famiglia e Relazioni-Lessico della famiglia.-Aggettivi possessivi.-Verbi regolari della prima coniugazione (in -are).-Descrivere persone.Modulo 4 — Vita quotidiana-Routine quotidiana.-Giorni, mesi e stagioni.-Chiedere ed esprimere l'ora.-Verbi regolari della seconda (in -ere) e terza coniugazione (in -ire).-Preposizioni semplici.Modulo 5 — La città-Luoghi della città.-Mezzi di trasporto.-C'è/Ci sono.-Chiedere e dare indicazioni.-Fare acquisti.Modulo 6 — Tempo libero-Hobby.-Gusti e Preferenze.-Verbi modali (potere, volere, dovere).Modulo 7 — Cibo e ristorante-Cibo e bevande.-Ordinare al ristorante.-Verbo piacere.-Quantità.Modulo 8 — Consolidamento-Ripasso grammaticale.-Attività comunicative.-Simulazioni d'esame.-Ambiti lessicali.-Dati personali.-Nazionalità.-Professioni.-Famiglia.-Casa.-Routine quotidiana.-Scuola e università.-Città.-Mezzi di trasporto.-Negozi.-Abbigliamento.-Cibo e bevande.-Tempo libero.-Numeri.-Date.-Orari.-Uffici e servizi.Sillabo funzionale Lo studente acquisirà le funzioni comunicative necessarie per:-salutare e congedarsi;-presentarsi e presentare altre persone;-chiedere e fornire informazioni personali;-descrivere persone e luoghi;-parlare della famiglia;-parlare della routine quotidiana;-esprimere gusti e preferenze;-chiedere e dare indicazioni;-fare acquisti; -ordinare al bar e al ristorante;-chiedere il permesso;-invitare, accettare e rifiutare un invito;-ringraziare e rispondere ai ringraziamenti.Sillabo morfosintattico -Alfabeto e fonetica;-ortografia;-articoli determinativi e indeterminativi; -genere e numero;-plurali regolari e principali plurali irregolari;-aggettivi qualificativi;-aggettivi possessivi;-aggettivi dimostrativi;-pronomi soggetto;-il "Lei" di cortesia;-verbi "essere" e "avere"; -presente indicativo dei verbi regolari; -principali verbi irregolari;-verbi modali;-verbo "sapere";-verbo "piacere";-c'è/ ci sono;-preposizioni semplici e articolate;-forme interrogative;-frasi affermative e negative;-comparativi;-imperativo informale.

Non sono richieste conoscenze pregresse della lingua italiana.

L'insegnamento adotta un approccio comunicativo orientato all'azione, coerente con il QCER.Le attività comprendono:-lezioni frontali partecipate;-esercitazioni linguistiche;-lavori individuali, a coppie e in piccoli gruppi;-role-play;-ascolti guidati;-utilizzo di materiali autentici;-esercizi su piattaforme digitali;-attività di autovalutazione.

Modalità d'esame

L'esame consiste in una prova scritta e in una prova orale.La prova scritta, propedeutica alla prova orale (votazione minima: 18/30), verifica:-comprensione orale;-comprensione scritta;-competenza grammaticale e lessicale;-produzione scritta.La prova orale verifica:-capacità di interazione;-correttezza grammaticale;-adeguatezza lessicale;-efficacia comunicativa;-pronuncia.La valutazione finale è così articolata: prova scritta: 70%prova orale: 30%La valutazione tiene conto del raggiungimento dei risultati di apprendimento attesi e della progressiva acquisizione delle competenze linguistiche previste dal livello A1 del QCER.

Testi di riferimento

Nuovo Senza Frontiere 1, Edilingua.Pari e Dispari A1, Loescher.Materiali integrativi forniti dal docente.

Codice insegnamento 42090

ITALIAN LANGUAGE FOR FOREIGNERS (LEVEL A1) - MATHMODS 1° anno · 1° semestre · 3 CFU · 0 file

Il corso ha l’obiettivo di introdurre gli studenti alla lingua italiana al livello A1 (principiante), sviluppando le quattro abilità fondamentali della comunicazione: comprensione orale, produzione orale, lettura e…

Scheda dell'insegnamento

Obiettivi formativi

Il corso ha l’obiettivo di introdurre gli studenti alla lingua italiana al livello A1 (principiante), sviluppando le quattro abilità fondamentali della comunicazione: comprensione orale, produzione orale, lettura e produzione scritta. In particolare, il corso si propone di: • consentire l’acquisizione delle competenze linguistiche di base necessarie per comunicare in italiano in contesti semplici; • favorire la consapevolezza dei meccanismi della lingua e dei processi di apprendimento linguistico; • promuovere lo sviluppo di competenze trasferibili in diversi ambiti professionali e disciplinari; • costruire una solida base di conoscenze, abilità linguistiche e atteggiamenti, funzionale alla prosecuzione degli studi o all’inserimento nel mondo del lavoro, sia in contesti italiani sia in contesti internazionali. Al termine del corso, lo studente sarà in grado di: • comprendere parole ed espressioni di uso quotidiano relative alla propria persona e all’ambiente circostante, se pronunciate lentamente e chiaramente; • leggere e interpretare brevi testi semplici, quali avvisi, manifesti o brevi documenti informativi; • interagire in conversazioni elementari, purché l’interlocutore collabori; • formulare e rispondere a domande semplici riguardanti esigenze immediate o situazioni di vita quotidiana; • descrivere in modo elementare il proprio domicilio, le persone conosciute e contesti familiari; • produrre testi scritti brevi, quali messaggi, presentazioni, dialoghi.

Programma

Gli studenti saranno chiamati a dimostrare la conoscenza e la comprensione delle aree tematiche elencate di seguito, le quali costituiscono il contesto per l’acquisizione del lessico e per lo studio della grammatica e delle relative strutture. AMBITI LESSICALI - abbigliamento e accessori; - colori; - paesi, nazionalità e lingue; - tempo cronologico (giorni della settimana, mesi, stagioni, espressioni di tempo, chiedere ed esprimere l’ora) e tempo atmosferico; - istruzione; - famiglia e amici; - sentimenti ed emozioni; - cibi e bevande; - interessi, sport e attività; - lavoro; - i mezzi di trasporto; - numeri cardinali; - stanze e arredamento; - negozi e luoghi; - indicazioni stradali; - il corpo umano e le sue parti. SILLABO FUNZIONALE - Accettare/ ringraziare; - fare domanda per lavoro; - chiedere informazioni personali; - chiedere permesso; - fare acquisti, chiedere il prezzo; - descrivere persone e oggetti; - esprimere opinioni; - dare istruzioni; - salutare e presentarsi; - invitare; rifiutare un invito; - dare consigli; - fare una richiesta, un’offerta; - parlare di gusti, preferenze; - parlare della routine quotidiana. SILLABO DELLE STRUTTURE MORFOSINTATTICHE - Suoni e alfabeto; - nomi: genere e numero; - nomi con plurale irregolare; - articoli determinativi; - articolo indeterminativi; - aggettivi, primo e secondo gruppo, posizione degli aggettivi; - aggettivi possessivi; - il Lei di cortesia; - pronomi soggetto. - pronomi diretti e indiretti; -preposizioni semplici e articolate; - interrogativi; - avverbi; - presente indicativo dei verbi regolari e irregolari di prima, seconda e terza coniugazione; - verbi modali, il verbo piacere, verbi riflessivi, verbo essere e verbo avere.

Nessun prerequisito richiesto.

Il corso prevede lezioni frontali integrate da attività pratiche, seguendo un approccio comunicativo che utilizza situazioni della vita reale come contesto per la comunicazione. Coinvolgendo gli studenti in interazioni autentiche, si favorisce l’attivazione delle strategie naturali di acquisizione linguistica, permettendo un apprendimento funzionale e contestualizzato della lingua. Le attività previste comprendono: • consolidamento e ampliamento delle strutture grammaticali; • arricchimento del vocabolario; • lettura di testi autentici tratti da libri di testo, giornali e risorse online; • esercizi di produzione scritta; • comprensione scritta; • interazione orale, con discussioni su argomenti di vita quotidiana; • attività di comprensione orale; • compiti a casa per il rinforzo e la pratica autonoma delle competenze.

Modalità d'esame

L’esame si articola in una prova scritta e in una prova orale. La prova orale può essere sostenuta solo se lo studente ha superato la prova scritta, con un punteggio minimo di 18/30. PROVA SCRITTA La prova scritta è composta da quattro sezioni: 1. Comprensione orale: ascolto di un breve testo e risposte a domande relative (vero/falso, scelta multipla). 2. Comprensione scritta: lettura di un breve testo con domande a scelta multipla, corrispondenza e risposte brevi. 3. Grammatica e vocabolario: esercizi pratici, come completamento di spazi vuoti, trasformazioni e altro. 4. Produzione scritta: redazione di brevi testi funzionali, quali messaggi, e-mail, lettere o compilazione di moduli. PROVA ORALE La prova orale consiste in conversazioni su argomenti della vita quotidiana, espressione di opinioni, bisogni e sentimenti, valutando la capacità di interazione e produzione orale in contesti semplici e significativi.

Testi di riferimento

-"Nuovo senza frontiere 1 - Corso d'italiano come seconda lingua", Edilingua, Roma, 2023. -"Pari e dispari-Italiano L2 per adulti in classi ed abilità differenziate", Loescher Editore, Torino, 2018.

Codice insegnamento 42091

MACHINE LEARNING 1° anno · 2° semestre · 6 CFU · MATH-05/A · 0 file

Il corso fornisce le metodologie di base per la modellazione, l'analisi e la progettazione di sistemi di controllo. Nel contesto della modellazione dei sistemi di controllo verranno presentate tecniche per la stima di…

Scheda dell'insegnamento

Obiettivi formativi

Il corso fornisce le metodologie di base per la modellazione, l'analisi e la progettazione di sistemi di controllo. Nel contesto della modellazione dei sistemi di controllo verranno presentate tecniche per la stima di modelli dinamici basate sull’approccio del machine learning e sulla teoria dell’identificazione dei sistemi. Inoltre, verrano presentati i principali approcci di base per il controllo di sistemi lineari. L’obiettivo del corso è di fornire agli studenti le tecniche di base per l'identificazione di sistemi dinamici, la loro analisi e la corrispondente progettazione di strategie controllo.

Programma

Richiami di algebra lineare: vettori, matrici, sottospazi. La decomposizione ai valori singolari di una matrice. Modelli nel dominio della frequenza di sistemi lineari: Trasformata di Laplace, Funzioni di trasferimento, Diagrammi a blocchi. Modelli nel dominio del tempo di sistemi lineari: rappresentazione nello spazio di stato. Stabilità BIBO. Specifiche di controllo per le risposte transitorie e stazionarie. Reiezione di disturbi polinomiali e sinusoidali. Controllori PID. Analisi e progettazione di controllori mediante l'assegnazione degli autovalori: controllabilità, osservabilità, principio di separazione. Progettazione del controllo tramite MATLAB. 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. Fitting dei dati: stima di funzioni lineari e non lineari dai dati mediante regressione. Minimi quadrati regolarizzati, cenni di utilizzo in contesti di learning. 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. L'algoritmo MOESP per sistemi con uscita corrotta da rumore bianco. Riduzione dell'ordine di un modello mediante realizzazione troncata.

Matematica: teoria della probabilità, analisi matriciale, calcolo integro-differenziale. Informatica: fondamenti di programmazione.

Lezioni di teoria ed esercitazioni.

Modalità d'esame

La verifica dell'apprendimento è articolata in una prova scritta ed una prova orale. La prova scritta consiste in due esercizi applicativi e una domanda teorica e durerà 2 ore. La prova orale si terrà lo stesso giorno della prova scritta e si articolerà come segue: (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. Il voto finale si baserà su un giudizio complessivo della prova scritta e di quella orale. Non sono consentiti computer, libri o note.

Testi di riferimento

K. J. Astrom, R. M. Murray, "Feedback Systems: An Introduction for Scientists and Engineers". Princeton Univ. Pr., 2nd Edition, 2021; S. L. Brunton, J. N. Kutz, "Data-Driven Science and Engineering: Machine Learning, Dynamical Systems, and Control", Cambridge University Press, 2nd Edition, 2022; R. C. Dorf, R. H. Bishop. "Modern Control Systems". Prentice Hall, 12th Edition, 2008; G. F. Franklin, J. D. Powell, A. Emami-Naeini. "Feedback control of dynamic systems", Prentice Hall, 4th Edition, 2002; G. F. Franklin, J. D. Powell, M. L. Workman, "Digital Control of Dynamic Systems", Addison-Wesley, 3rd Edition, 1998; K. Ogata, "Discrete-Time Control Systems", Prentice Hall, 2nd Edition, 1995; A. Isidori, "Sistemi di controllo", Siderea, 1996; M. Verhaegen, V. Verdult, "Filtering and System Identification – A least squares approach", Cambridge University Press (2012); S. Boyd, L. Vandenberghe, "Introduction to Applied Linear Algebra", Cambridge University Press (2018); H. J. van Waarde, M. K. Camlibel, H. L. Trentelman, "Data-Based Linear Systems and Control Theory", Kindle Direct Publishing (2025); Materiale didattico fornito su Microsoft Teams.

Codice insegnamento 40674

MODELLING CAMP 1° anno · 2° semestre · 3 CFU · IINF-05/A · 0 file
NUMERICAL APPROXIMATION OF PARTIAL DIFFERENTIAL EQUATIONS BY FINITE DIFFERENCES 1° anno · 2° semestre · 6 CFU · MATH-05/A · 0 file
NUMERICAL METHODS FOR ORDINARY DIFFERENTIAL EQUATIONS A 1° anno · 2° semestre · 3 CFU · MATH-05/A · 0 file
NUMERICAL METHODS FOR ORDINARY DIFFERENTIAL EQUATIONS B 1° anno · 2° semestre · 3 CFU · MATH-05/A · 0 file
NUMERICAL METHODS FOR PARTIAL DIFFERENTIAL EQUATIONS - GALERKIN METHODS 1° anno · 2° semestre · 6 CFU · MATH-05/A · 0 file
NUMERICAL METHODS FOR PARTIAL DIFFERENTIAL EQUATIONS A 1° anno · 2° semestre · 4 CFU · MATH-05/A · 0 file
NUMERICAL METHODS FOR PARTIAL DIFFERENTIAL EQUATIONS B 1° anno · 2° semestre · 3 CFU · IINF-05/A · 0 file
NUMERICAL OPTIMISATION A 1° anno · 2° semestre · 4 CFU · IINF-04/A · 0 file
NUMERICAL OPTIMISATION B 1° anno · 2° semestre · 1 CFU · IINF-04/A · 0 file
NUMERICAL TREATMENT OF ORDINARY DIFFERENTIAL EQUATIONS 1° anno · 2° semestre · 6 CFU · MATH-05/A · 0 file
OPTIMISATION 1° anno · 2° semestre · 6 CFU · IINF-04/A · 0 file
PARALLEL PROGRAMMING FOR INTERDISCIPLINARY MATHEMATICS 1° anno · 2° semestre · 3 CFU · IINF-05/A · 0 file
PARALLELISATION 1° anno · 2° semestre · 3 CFU · IINF-05/A · 0 file
PROBABILITY THEORY 1° anno · 2° semestre · 6 CFU · IINF-04/A · 0 file
RANDOMIZED ALGORITHMS 1° anno · 2° semestre · 6 CFU · MATH-05/A · 0 file
REAL AND FUNCTIONAL ANALYSIS 1° anno · 1° semestre · 9 CFU · MATH-03/A · 0 file

Scopo dell'insegnamento è l'introduzione degli studenti agli strumenti di base dell'analisi reale avanzata, come spazi metrici, spazi di Banach, spazi di Hilbert, operatori limitati, convergenze deboli, operatori…

Scheda dell'insegnamento

Obiettivi formativi

Scopo dell'insegnamento è l'introduzione degli studenti agli strumenti di base dell'analisi reale avanzata, come spazi metrici, spazi di Banach, spazi di Hilbert, operatori limitati, convergenze deboli, operatori compatti, compattezza debole e forte negli spazi metrici, teoria spettrale. Tali obiettivi sono coerenti con quelli del corso di studi in quanto forniscono un contesto rigoroso ed astratto all'analisi infinto-dimensionale, che permette di approcciare elementi fondanti del percorso formativo del corso di studi quali equazioni differenziali ordinarie e alle derivate parziali, metodi numerici per equazioni differenziali e problemi variazionali, formulazione di modelli matematici in fisica e ingegneria.

Programma

Spazi metrici, spazi lineari normati. Topologia negli spazi metrici. Compattezza. Spazi di funzioni continue. Convergenza di successioni di funzioni. Approssimazione per polinomi. Compattezza in spazi di funzioni continue. Teorema di Arzelà. Teorema di contrazione. Corso intensivo su misura di Lebesgue e integrazione. Spazi misurabili e funzioni misurabili. Teoremi di convergenza per scambio limite. Spazi Lp. Introduzione alla teoria degli operatori lineari limitati su spazi di Banach. Operatori limitati. Norma duale. Esempi. Lemma di Riesz. Convergenza della norma per operatori limitati. Spazi di Hilbert. Proprietà elementari. Ortogonalità. Proiezioni ortogonali. Disuguaglianza di Bessel. Basi ortonormali. Esempi. Operatori limitati su spazi di Hilbert. Duale di uno spazio di Hilbert. Operatore aggiunto, operatori autoaggiunti, operatori unitari. Applicazioni. Convergenza debole su spazi di Hilbert. Teorema di Banach-Alaoglu. Introduzione alla teoria spettrale. Operatori compatti. Teorema spettrale per operatori compatti autoaggiunti su spazi di Hilbert.

Analisi matematica di base di funzioni in una o più variabili reali. Algebra lineare. Integrale di Riemann.

Didattica frontale tradizionale

Modalità d'esame

Esame scritto. Esame orale.

Testi di riferimento

John K. Hunter, Bruno Nachtergaele, Applied Analysis. World Scientific. H. Brezis, Funtional Analysis, Sobolev Spaces, and partial differential equations. Springer. Piermarco Cannarsa, Teresa D’Aprile, Introduction to Measure Theory and Functional Analysis, Springer. Dispense dei docenti.

Codice insegnamento 37879

SCIENTIFIC COMPUTING 1° anno · 2° semestre · 6 CFU · MATH-05/A · 0 file
SCIENTIFIC COMPUTING AND PARALLELISATION 1° anno · 2° semestre · 9 CFU · IINF-05/A · 0 file
SCIENTIFIC PROGRAMMING FOR INTERDISCIPLINARY MATHEMATICS 1° anno · 2° semestre · 5 CFU · MATH-05/A · 0 file
SOLVERS FOR SPARSE LINEAR SYSTEMS 1° anno · 2° semestre · 6 CFU · MATH-05/A · 0 file
VARIATIONAL CALCULUS 1° anno · 2° semestre · 6 CFU · MATH-03/A · 0 file
ADVANCED ANALYSIS 2° anno · 6 CFU · MATH-03/A · 0 file

L'insegnamento ha lo scopo di fornire le nozioni matematiche avanzate usate nel campo dell'analisi matematica (applicata) e le loro applicazioni a una varietà di casi, inclusi le equazioni fondamentali della fisica…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento ha lo scopo di fornire le nozioni matematiche avanzate usate nel campo dell'analisi matematica (applicata) e le loro applicazioni a una varietà di casi, inclusi le equazioni fondamentali della fisica matematica e alcuni argomenti di ricerca contemporanei riguardo equazioni alle derivate parziali lineari e nonlineari. Tali obiettivi sono parte delle finalità formative del corso di studi, in quanto la coerenza interna del corso di laurea magistrale in Matematica è stata verificata e armonizzata in fase di progettazione dello stesso.

Programma

Distribuzioni. Funzioni integrabili localmente. Lo spazio delle funzioni test D(Ω). Distribuzioni associate a funzioni localmente integrabili. Distribuzioni singolari. Esempi. Operazioni sulle distribuzioni: somma, prodotto per funzioni, cambio di variabili, restrizioni, prodotto tensore. Differenziazione e sue proprietà; confronto con le derivate classiche. Differenziazione delle funzioni salto. Partizione dell'unità. Supporto di una distribuzione; distribuzioni a supporto compatto. Trasformata di Fourier e distribuzioni temperate. Convoluzione tra distribuzioni e regolarizzazione delle distribuzioni. Densità di D(Ω) in D'(Ω). Spazi di Sobolev. Definizione di derivata debole e sua motivazione. Spazi di Sobolev Wk,p(Ω) e loro proprietà. Approssimazione interna e globale con funzioni regolari. Estensioni. Tracce. Teoremi di immersione: disuguaglianza di Gagliardo–Nirenberg–Sobolev e teorema di immersione per p<n. Spazi di Hölder. Disuguaglianza di Morrey. Teorema di immersione per p> n. Disuguaglianze di Sobolev nel caso generale. Immersioni compatte: il teorema di Rellich–Kondrachov, disuguaglianze di Poincaré. Teorema di immersione per p = n. Lo spazio duale H-s. Equazioni ellittiche del secondo ordine. Definizione di operatore (uniformemente) ellittico. Soluzioni deboli per equazioni ellittiche. Stime dell'energia, Teorema di Lax-Milgram e dell'alternativa di Fredholm ed esistenza delle soluzioni deboli. Regolarità Lp delle soluzioni deboli: operatori integrali singolari e decomposizione di Calderón-Zygmund. Misure. Sistemi di insiemi, misure positive, misure esterne. Costruzioni]e di misure, misure con segno, misure di Borel e di Radon. Integrazione. Funzioni misurabili, funzioni semplici, convergenza quasi ovunque, integrali di funzioni misurabili, teoremi di convergenza, teorema di Fubini-Tonelli. Differenziazione. Teorema di Radon-Nikodym, Differenziazione su spazi euclidei, differenziazione sulla retta reale. Misure di Radon e funzioni continue. Spazi di funzioni continue e teorema di Riesz.

Nozioni base di teoria della misura di Lebesgue in spazi euclidei, analisi funzionale, funzioni di variabile complessa, proprietà standard di soluzioni classiche di equazioni semilunari del primo ordine, equazione del calore, delle onde, di Laplace e Poisson.

Lezioni frontali e svolgimento di esercizi in classe e a casa.

Modalità d'esame

Prova scritta e orale tesa ad accertare: - la preparazione teorica; - il rigore logico; - la capacità di risolvere problemi teorici ed esercizi, applicando le conoscenze acquisite. L’attribuzione del voto rifletterà i seguenti livelli di preparazione: - sufficiente: comprensione basilare delle definizioni, delle strutture e degli esercizi; - adeguata: saper riprodurre e spiegare alcune dimostrazioni fondamentali; - buona: saper applicare quanto appreso alla soluzione di problemi e quesiti anche teorici; - approfondita: saper applicare il ragionamento logico per collegarsi anche ad altri contesti teorici in maniera indipendente.

Testi di riferimento

  • H. Abels. Pseudodifferential and singular integral operators, De Gruyter.- L. Ambrosio, G. Da Prato, A. Mennucci. Introduction to measure theory and integration. Edizioni della Normale. - L. Ambrosio, N. Fusco, D. Pallara. Functions of Bounded Variation and Free Discontinuity Problems, Oxford Mathematical Monographs. - V.I. Bogachev. Measure theory, Volume I, Springer. - H. Brezis. Functional Analysis, Sobolev Spaces and Partial Differential Equations. Universitext, Springer. - P. Cannarsa, T. D’Aprile. Introduction to Measure Theory and Functional Analysis. Springer. - C.M. Dafermos. Hyperbolic Conservation Laws in Continuum Physics, Springer. - L.C. Evans. Partial Differential Equations. Graduate Studies in Mathematics, Vol. 19, AMS. - L. Evans, R. Gariepy. Measure Theory and Fine Properties of Functions, CRC Press. Revised Edition. - G.B. Folland. Real analysis: Modern techniques and their applications. New York Wiley - G. Gilardi. Analisi 3. McGraw–Hill. - L. Grafakos, Classical Fourier Analysis. Springer.- L. Hörmander. Linear partial differential operators, Springer. - V.S. Vladimirov. Equations of Mathematical Physics. Marcel Dekker, Inc

Codice insegnamento 35162

ADVANCED MACHINE LEARNING 2° anno · 6 CFU · IINF-05/A · 0 file
ADVANCED NUMERICAL ANALYSIS 2° anno · 6 CFU · MATH-05/A · 0 file

------------------------------------------------------------ Modulo: DT0945 - Advanced Numerical Analysis mod. I ------------------------------------------------------------ Obiettivi formativi dell’insegnamento. Lo…

Scheda dell'insegnamento

Obiettivi formativi

------------------------------------------------------------ Modulo: DT0945 - Advanced Numerical Analysis mod. I ------------------------------------------------------------ Obiettivi formativi dell’insegnamento. Lo scopo dell’insegnamento è fornire conoscenze e competenze nell'ambito della modellistica numerica per equazioni differenziali stocastihe e le abilità nell'analisi di proprietà teoriche e nel disegno di software matematico basato sugli schemi numerici proposti. Risultati di apprendimento. Alla fine del corso, ogni discente dovrebbe: - conoscere i più rilevanti metodi numerici per l'approssimazione di equazioni differenziali stocastiche, unitamente agli aspetti legati alla loro implementazione in un software matematico accurato ed efficiente; - comprendere e saper spiegare nozioni, tesi e dimostrazioni nell'ambito della matematica numerica per equazioni differenziali stocastiche; - essere in grado di applicare la sua conoscenza per risolvere numericamente, utilizzando un ambiente di programmazione, equazioni differenziali stocastiche; - essere in grado di leggere e comprendere di altri testi su argomenti correlati. ------------------------------------------------------------ Modulo: DT0946 - Advanced Numerical Analysis mod. II ------------------------------------------------------------ L'obiettivo del corso è quello di introdurre la teoria moderna e i metodi di soluzione numerica delle equazioni differenziali parziali (PDE) e delle equazioni di fisica matematica. Analizziamo la precisione e la stabilità dei metodi, costruiamo metodi ottimali e prendiamo in considerazione diverse applicazioni.

Programma

------------------------------------------------------------ Modulo: DT0945 - Advanced Numerical Analysis mod. I ------------------------------------------------------------ - Moto browniano discretizzato. - Approssimazione di integrali stocastici di Ito e di Stratonovich. - Equazioni differenziali stocastiche: discretizzazione del problema. - Metodi numerici espliciti: Eulero-Maruyama e Milstein. - Metodi numerici impliciti: teta-metodi stocastici. - Convergenza forte e debole. - Stabilità lineare in media e asintotica di schemi numerici. - Analisi della stabilità non lineare di schemi numerici. - Integrazione geometrico-numerica stocastica. ------------------------------------------------------------ Modulo: DT0946 - Advanced Numerical Analysis mod. II ------------------------------------------------------------ ODE numerica: principali problemi e metodologia. Soluzioni numeriche del differenziale equazioni. Gli schemi di differenza. Lo schema delle differenze di Eulero. La precisione, il tasso di convergenza e aspetti numerici. Differenziazione numerica. Le formule ottime, la precisione ed i tassi di convergenza. Stabilità degli schemi differenziali. Stabilità di Lyapunov e stabilità asintotica. Criteri di stabilità. Problemi di stabilità per la differenziazione numerica. Integrazione numerica. Formule di quadratura nitide sui polinomi. La precisione e la velocità di convergenza. Gli schemi Runge-Kutta. Equazioni integrali. Stabilità, precisione e tassi di convergenza. Soluzione numerica del problema dei valori al contorno. Il problema dei valori al contorno e il principio di Eulero Equazione di Lagrange. Il metodo di ripresa e il metodo Thomas. Realizzazione del parallelo calcolo. PDE numerica. Schemi di differenza per PDE. L'analisi di convergenza e stabilità. Il finito metodo degli elementi e metodo di Galerkin.

------------------------------------------------------------ Modulo: DT0945 - Advanced Numerical Analysis mod. I ------------------------------------------------------------ Conoscenze di base di Analisi Numerica ed equazioni differenziali. Elementi di analisi funzionale. ------------------------------------------------------------ Modulo: DT0946 - Advanced Numerical Analysis mod. II ------------------------------------------------------------ I contenuti dei corsi di analisi di base (calcolo differenziale ed integrale per funzioni di più variabili) Equazioni differenziali ordinarie e con derivate parziali. Algebra lineare.

------------------------------------------------------------ Modulo: DT0945 - Advanced Numerical Analysis mod. I ------------------------------------------------------------ Lezioni frontali teoriche e di laboratorio. ------------------------------------------------------------ Modulo: DT0946 - Advanced Numerical Analysis mod. II ------------------------------------------------------------ Lezioni frontali, immagini illustrative e grafici nel proiettore, problemi di lavoro a casa inviati via e-mail. Analisi delle soluzioni del compito a casa in classe, discussioni interattive.

Modalità d'esame

------------------------------------------------------------ Modulo: DT0945 - Advanced Numerical Analysis mod. I ------------------------------------------------------------ L’esame prevede - una prova scritta su tutti gli argomenti teorici dell'insegnamento; - la discussione di alcuni esercizi di laboratorio. L’attribuzione del voto rifletterà i seguenti quattro livelli di preparazione: - sufficiente: conoscenza base degli strumenti e delle metodologie dell'Analisi Numerica; - adeguata: saper riprodurre e spiegare alcune dimostrazioni fondamentali; - buona: saper applicare quanto appreso alla soluzione di problemi e quesiti anche teorici; - approfondita: saper applicare il ragionamento logico per collegarsi anche ad altri contesti teorico-pratici in maniera indipendente. ------------------------------------------------------------ Modulo: DT0946 - Advanced Numerical Analysis mod. II ------------------------------------------------------------ Esame scritto. I problemi dell'esame si compongono di più parti: 1. Definizione e formulazione di teoremi; 2) Teorema con dimostrazione; 3) Descrizione del metodo e algoritmo: le iterazione e risultati teoretici; 4) Un esempio dalle applicazioni; 5) Problemi ed esercizi

Testi di riferimento

------------------------------------------------------------ Modulo: DT0945 - Advanced Numerical Analysis mod. I ------------------------------------------------------------ - R. D'Ambrosio, Numerical Approximation of Ordinary Differential Problems - From Deterministic to Stochastic Numerical Methods, Springer (2023). ------------------------------------------------------------ Modulo: DT0946 - Advanced Numerical Analysis mod. II ------------------------------------------------------------ 1. A.Quarteroni, Numerical Models for Differential Problems, 2014 2. J.R.Chasnov, Numerical Methods and Optimization, 2012

Codice insegnamento 36284

ADVANCED SCIENTIFIC COMPUTING 2° anno · 6 CFU · MATH-05/A · 0 file

Gli obiettivi del corso consistono nell'apprendimento di tecniche di algebra lineare numerica avanzata per la risoluzione di sistemi lineari di grandi dimensioni e di algoritmi di ottimizzazione numerica, nonché nella…

Scheda dell'insegnamento

Obiettivi formativi

Gli obiettivi del corso consistono nell'apprendimento di tecniche di algebra lineare numerica avanzata per la risoluzione di sistemi lineari di grandi dimensioni e di algoritmi di ottimizzazione numerica, nonché nella loro applicazione. Il corso mira inoltre a fornire agli studenti gli strumenti teorici e computazionali necessari per comprendere, analizzare e implementare i principali metodi numerici per problemi di ottimizzazione, con particolare attenzione alle proprietà di convergenza, all'efficienza algoritmica e alle applicazioni su problemi di grandi dimensioni.

Programma

Contenuti del corsoRichiami dei fondamenti dell’algebra lineare numerica per problemi di grandi dimensioni.Metodi iterativi per la risoluzione di sistemi lineari. Tecniche di matrix splitting, metodo di Richardson, metodi basati sul gradiente e analisi della convergenza.Metodi dei sottospazi di Krylov per sistemi lineari sparsi di grandi dimensioni, con particolare riferimento ai metodi del Gradiente Coniugato (CG), Full Orthogonalization Method (FOM) e Generalized Minimal Residual (GMRES).Introduzione all’ottimizzazione non vincolata. Condizioni di ottimalità e proprietà dei problemi convessi.Metodi di ricerca lineare per problemi di ottimizzazione non vincolata, inclusi il metodo del gradiente, strategie di globalizzazione e metodo di Newton.Introduzione all’ottimizzazione stocastica. Metodo del gradiente stocastico (SGD), metodi mini-batch, proprietà di convergenza, tecniche di riduzione della varianza e algoritmi di ottimizzazione adattivi.Implementazione computazionale degli algoritmi studiati e applicazioni a problemi di grandi dimensioni in ambito scientifico e ingegneristico.

Conoscenze di algebra lineare e di analisi matematica a livello di laurea triennale. In particolare, è richiesta familiarità con spazi vettoriali, matrici, autovalori e autovettori, calcolo differenziale in più variabili e nozioni di base di analisi numerica.

Il corso prevede lezioni frontali teoriche dedicate alla presentazione dei fondamenti matematici e algoritmici dei metodi numerici trattati, esercitazioni volte alla comprensione e all’applicazione pratica degli algoritmi studiati, e attività di programmazione in ambiente MATLAB finalizzate all’implementazione e alla sperimentazione computazionale dei metodi presentati.

Modalità d'esame

La verifica dell’apprendimento avviene mediante un esame finale orale, integrato dalla discussione di un progetto computazionale sviluppato in ambiente MATLAB. L’esame è finalizzato ad accertare la conoscenza dei contenuti teorici, la comprensione delle proprietà degli algoritmi studiati e la capacità di applicarli a problemi numerici concreti.Il progetto MATLAB consiste nell’implementazione, analisi e confronto di uno o più algoritmi affrontati durante il corso, con particolare riferimento alla soluzione iterativa di sistemi lineari di grandi dimensioni e/o a problemi di ottimizzazione numerica.La valutazione terrà conto dei seguenti livelli di apprendimento:Sufficiente: possesso delle conoscenze di base relative agli strumenti, ai concetti e alle metodologie fondamentali dell’Analisi Numerica e dell’ottimizzazione numerica.Adeguata: capacità di riprodurre e spiegare alcune dimostrazioni e risultati teorici fondamentali relativi agli argomenti affrontati nel corso.Buona: capacità di applicare le conoscenze acquisite alla soluzione di problemi numerici, alla discussione di quesiti teorici e all’interpretazione dei risultati computazionali ottenuti.Approfondita: capacità di utilizzare il ragionamento logico e critico per collegare autonomamente gli strumenti e le metodologie apprese ad altri contesti teorici e applicativi, anche attraverso l’analisi dei risultati numerici prodotti.

Testi di riferimento

Walter Gander, Martin J. Gander, Felix Kwok. Scientific Computing: An Introduction Using Maple and MATLAB. Springer, 2014.Gene H. Golub, Charles F. Van Loan. Matrix Computations. 4th Edition. Johns Hopkins University Press, Baltimore, 2013.Yousef Saad. Iterative Methods for Sparse Linear Systems. 2nd Edition. Society for Industrial and Applied Mathematics (SIAM), Philadelphia, 2003.Jorge Nocedal, Stephen J. Wright. Numerical Optimization. 2nd Edition. Springer Series in Operations Research and Financial Engineering. Springer, New York, 2006.

Codice insegnamento 39768

ADVANCED STOCHASTICS AND APPLICATIONS 2° anno · 6 CFU · IINF-04/A · 0 file
ADVANCED TOPICS IN FLUID DYNAMICS 2° anno · 6 CFU · MATH-03/A · 0 file
ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING FOR NATURAL HAZARD RISK ASSESSMENT 2° anno · 6 CFU · GEOS-04/A · 0 file
BEHAVIORAL AND COGNITIVE NEUROSCIENCE 2° anno · 6 CFU · IBIO-01/A · 0 file
BIOMAT COURSE 2° anno · 6 CFU · MATH-03/A · 0 file
BIOMATHEMATICS 2° anno · 6 CFU · MATH-03/A · 0 file

1) Acquisire le basi nella modellistica matematica in dinamica delle popolazioni. 2) Provvedere ad una descrizione matematica di modelli di EDP in biologia delle popolazioni ed interpretare il comportamento qualitativo…

Scheda dell'insegnamento

Obiettivi formativi

1) Acquisire le basi nella modellistica matematica in dinamica delle popolazioni. 2) Provvedere ad una descrizione matematica di modelli di EDP in biologia delle popolazioni ed interpretare il comportamento qualitativo delle soluzioni. 3) Acquisire le nozioni di base di modelli in epidemiologia ed in cinetica delle reazioni chimiche. 4) Apprendere la modellistica matematica in dinamica delle popolazioni in ambienti eterogenei mediante EDP. 5) Conoscere modelli avanzati in biologia, come i modelli di chemiotassi o i modelli di dinamica strutturata. 6) Acquisire un solido background sulla matematica dei fenomeni di reazione-diffusione, sull'instabilità di Turing e sulla formazione di pattern.

Programma

  • Modelli continui di popolazione per una specie. Modelli continui di crescita. Modelli con ritardo. Analisi lineare di modelli con ritardo: soluzioni periodiche. - Modelli continui per popolazioni interagenti. Modello preda-predatore. Sistema di Lotka-Volterra. Modelli realistici. Modelli di competizione: principio di esclusione competitiva. Modelli di mutualismo. - Modelli in cinetica delle reazioni. Azione di massa. Stime temporali e adimesionalizzazione. Analisi quasi stazionaria di Michaelis-Menten. - Dinamica delle malattie infettive: modelli epidemiologici e modelli di AIDS. Modelli semplici (SIR, SI) ed applicazioni pratiche. Modelli di malattie veneree. AIDS: modelli di trasmissione dell'HIV.- Modelli multiagente del I e II ordine. Comportamento collettivo. Consenso e flocking. Modelli con leadership. - Modelli spazio-tempo: EDP in biologia. Equazioni di diffusione. Diffusione e random walk. La distribuzione Gaussiana. Proprietà regolarizzanti e di decadimento dell'operatore di diffusione. Diffusione nonlineare. - Reazione-diffusione per una singola specie. Equazione diffusiva di Malthus ed ampiezza critica dell'intervallo. Onde viaggianti. Equazione di Fisher-Kolmogorov. - Sistemi di reazione-diffusione. Onde multispecie in sistemi preda-predatore diffusivi. Instabilità di Turing. Formazione di pattern. - Modelli di chemiotassi. Diffusione vs chemiotassi: stabilità e instabilità. Stabilità e blow-up. Chemiotassi con diffusione nonlineare. Modelli con densità massimale. - Modelli di interazione nonlocale in biologia. Modelli matematici di swarm. Derivazione di modelli PDE come limite di modelli ODE per numero infinito di agenti. Comportamento asintotico. - Dinamica strutturata. Un esempio in ecologia: competizione per risorse. Tratti continui. ESS in modelli continui.

Analisi matematica di base (calcolo differenziale ed integrale in una e più variabili). Equazioni differenziali ordinarie. Nozioni di base in sistemi dinamici finito dimensionali. Conoscenze di base di equazioni alle derivate parziali lineari. Conoscenze di base di analisi funzionale.

Lezioni

Modalità d'esame

L'esame consiste in una prova scritta, con esercizi o domande sulla prima parte del programma, seguita da una prova scritta e/o orale sulla seconda parte.L’ attribuzione del voto rifletterà i seguenti livelli dipreparazione.18-21: conoscenza sufficiente dei contenuti, 22-25: preparazione appropriata ma non approfondita, 26-28: preparazione buona, 29-30, 30 e lode: conoscenza approfondita degli argomenti.

Testi di riferimento

  • James D. Murray, Mathematical Biology I: an introduction, Springer. - James D. Murray, Mathematical Biology II: Spatial models and biomedical applications, Springer. - Benoit Perthame, Transport equations in biology, Birkaeuser.

Codice insegnamento 36292

BIOMATHEMATICS AND MULTI-AGENT MODELLING 2° anno · 9 CFU · MATH-03/A · 0 file
CASE STUDIES IN OPTIMISATION PROBLEMS IN INDUSTRY 2° anno · 6 CFU · IINF-04/A · 0 file
CFD CODES AND TURBULENT FLOWS 2° anno · 6 CFU · MATH-05/A · 0 file
COMBINATORIAL OPTIMISATION 2° anno · 6 CFU · MATH-06/A · 0 file
COMPUTATIONAL FLUID DYNAMICS 2° anno · 5 CFU · IIND-01/F · 0 file

L'obiettivo di questo corso è fornire i principi base della meccanica dei fluidi e le nozioni di base metodi numerici per l'analisi del moto dei fluidi con trasferimento di calore e di massa. Una volta completato con…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo di questo corso è fornire i principi base della meccanica dei fluidi e le nozioni di base metodi numerici per l'analisi del moto dei fluidi con trasferimento di calore e di massa. Una volta completato con successo questo modulo, lo studente dovrebbe - conoscere le basi della meccanica dei fluidi - conoscere le basi del metodo dei volumi finiti per discretizzare le equazioni fondamentali della meccanica dei fluidi - essere in grado di utilizzare uno strumento CFD per condurre semplici simulazioni sul flusso di fluidi - essere in grado di leggere e comprendere testi scientifici ad argomenti correlati temi.

Programma

Introduzione alla CFD e alla Meccanica dei Fluidi Conservazione di massa, quantità di moto ed energia: forma integrale e differenziale Forme particolari delle equazioni di Navier–Stokes Strato limite Il metodo dei volumi finiti: discretizzazione del termine diffusive, del termine convettivo, accoppiamento pressione–velocità e termine transitorio Condizioni al contorno, errori e griglia non uniforme Come utilizzare OpenFOAM

Lo studente deve possedere le conoscenze di base e i concetti fondamentali di matematica, fisica, analisi numerica e meccanica dei fluidi.

I metodi di insegnamento includeranno lezioni frontali, lezioni di problem solving, esercitazioni e compiti a casa.

Modalità d'esame

La prova scritta consisterà in domande volte a verificare quanto acquisito conoscenza dei principali argomenti della meccanica dei fluidi e della CFD.

Testi di riferimento

1) Versteeg and Malalasekera, 2007 ‘An introduction to Computational Fluid Dynamics: the finite volume method’, Pearson. 2) Kundu & Cohen, 2015 Fluid Mechanics, 6th edition, Academic Press

Codice insegnamento 37921

COMPUTATIONAL METHODS IN HEALTH CARE SYSTEMS 2° anno · 6 CFU · MATH-05/A · 0 file

Gli obiettivi del corso consistono nell'apprendimento di tecniche di algebra lineare numerica avanzata per la risoluzione di sistemi lineari di grandi dimensioni e di algoritmi di ottimizzazione numerica, nonché nella…

Scheda dell'insegnamento

Obiettivi formativi

Gli obiettivi del corso consistono nell'apprendimento di tecniche di algebra lineare numerica avanzata per la risoluzione di sistemi lineari di grandi dimensioni e di algoritmi di ottimizzazione numerica, nonché nella loro applicazione. Il corso mira inoltre a fornire agli studenti gli strumenti teorici e computazionali necessari per comprendere, analizzare e implementare i principali metodi numerici per problemi di ottimizzazione, con particolare attenzione alle proprietà di convergenza, all'efficienza algoritmica e alle applicazioni su problemi di grandi dimensioni.

Programma

Contenuti del corsoRichiami dei fondamenti dell’algebra lineare numerica per problemi di grandi dimensioni.Metodi iterativi per la risoluzione di sistemi lineari. Tecniche di matrix splitting, metodo di Richardson, metodi basati sul gradiente e analisi della convergenza.Metodi dei sottospazi di Krylov per sistemi lineari sparsi di grandi dimensioni, con particolare riferimento ai metodi del Gradiente Coniugato (CG), Full Orthogonalization Method (FOM) e Generalized Minimal Residual (GMRES).Introduzione all’ottimizzazione non vincolata. Condizioni di ottimalità e proprietà dei problemi convessi.Metodi di ricerca lineare per problemi di ottimizzazione non vincolata, inclusi il metodo del gradiente, strategie di globalizzazione e metodo di Newton.Introduzione all’ottimizzazione stocastica. Metodo del gradiente stocastico (SGD), metodi mini-batch, proprietà di convergenza, tecniche di riduzione della varianza e algoritmi di ottimizzazione adattivi.Implementazione computazionale degli algoritmi studiati e applicazioni a problemi di grandi dimensioni in ambito scientifico e ingegneristico.

Conoscenze di algebra lineare e di analisi matematica a livello di laurea triennale. In particolare, è richiesta familiarità con spazi vettoriali, matrici, autovalori e autovettori, calcolo differenziale in più variabili e nozioni di base di analisi numerica.

Il corso prevede lezioni frontali teoriche dedicate alla presentazione dei fondamenti matematici e algoritmici dei metodi numerici trattati, esercitazioni volte alla comprensione e all’applicazione pratica degli algoritmi studiati, e attività di programmazione in ambiente MATLAB finalizzate all’implementazione e alla sperimentazione computazionale dei metodi presentati.

Modalità d'esame

La verifica dell’apprendimento avviene mediante un esame finale orale, integrato dalla discussione di un progetto computazionale sviluppato in ambiente MATLAB. L’esame è finalizzato ad accertare la conoscenza dei contenuti teorici, la comprensione delle proprietà degli algoritmi studiati e la capacità di applicarli a problemi numerici concreti.Il progetto MATLAB consiste nell’implementazione, analisi e confronto di uno o più algoritmi affrontati durante il corso, con particolare riferimento alla soluzione iterativa di sistemi lineari di grandi dimensioni e/o a problemi di ottimizzazione numerica.La valutazione terrà conto dei seguenti livelli di apprendimento:Sufficiente: possesso delle conoscenze di base relative agli strumenti, ai concetti e alle metodologie fondamentali dell’Analisi Numerica e dell’ottimizzazione numerica.Adeguata: capacità di riprodurre e spiegare alcune dimostrazioni e risultati teorici fondamentali relativi agli argomenti affrontati nel corso.Buona: capacità di applicare le conoscenze acquisite alla soluzione di problemi numerici, alla discussione di quesiti teorici e all’interpretazione dei risultati computazionali ottenuti.Approfondita: capacità di utilizzare il ragionamento logico e critico per collegare autonomamente gli strumenti e le metodologie apprese ad altri contesti teorici e applicativi, anche attraverso l’analisi dei risultati numerici prodotti.

Testi di riferimento

Walter Gander, Martin J. Gander, Felix Kwok. Scientific Computing: An Introduction Using Maple and MATLAB. Springer, 2014.Gene H. Golub, Charles F. Van Loan. Matrix Computations. 4th Edition. Johns Hopkins University Press, Baltimore, 2013.Yousef Saad. Iterative Methods for Sparse Linear Systems. 2nd Edition. Society for Industrial and Applied Mathematics (SIAM), Philadelphia, 2003.Jorge Nocedal, Stephen J. Wright. Numerical Optimization. 2nd Edition. Springer Series in Operations Research and Financial Engineering. Springer, New York, 2006.

Codice insegnamento 41879

COMPUTER TOMOGRAPHY 2° anno · 6 CFU · IINF-05/A · 0 file
CONTINUUM AND KINETIC MODELLING WITH PDES 2° anno · 6 CFU · MATH-04/A · 0 file
CONTINUUM MODELS IN SEMICONDUCTOR THEORY 2° anno · 7 CFU · IINF-01/A · 0 file
DECISION MAKING IN LOGISTICS 2° anno · 9 CFU · MATH-06/A · 0 file
DYNAMIC OPTIMIZATION 2° anno · 5 CFU · IINF-04/A · 0 file
EXPERIMENTAL TRAINING AND TRAINING SEMINARS 2° anno · 6 CFU · 0 file
FUNDAMENTALS OF MACHINE LEARNING AND COMPUTATIONAL OPTIMAL TRANSPORT 2° anno · 6 CFU · MATH-05/A · 0 file
GENETICS, EPIGENETICS AND BIOMOLECULAR ANALYSIS APPROACHES TO COMPLEX DISEASES 2° anno · 3 CFU · MEDS-26/A · 0 file
IMPLEMENTING FINITE ELEMENT METHODS FOR ADVANCED APPLICATIONS 2° anno · 5 CFU · MATH-05/A · 0 file
INTELLIGENT SYSTEMS IN MEDICINE 2° anno · 6 CFU · INFO-01/A · 0 file
LINEAR OPTIMIZATION 2° anno · 5 CFU · IINF-04/A · 0 file
MACHINE LEARNING FOR ICT 2° anno · 6 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 40631

MASTER'S THESIS 2° anno · 24 CFU · 0 file
MATHEMATICAL FLUID DYNAMICS 2° anno · 6 CFU · MATH-03/A · 0 file

L'obiettivo del corso è di fornire una panoramica della fluidodinamica da un punto di vista matematico e per introdurre gli studenti alla modellizzazione matematica di tipo fluidodinamico. Al termine del corso gli…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo del corso è di fornire una panoramica della fluidodinamica da un punto di vista matematico e per introdurre gli studenti alla modellizzazione matematica di tipo fluidodinamico. Al termine del corso gli studenti saranno in grado di eseguire un'analisi qualitativa e quantitativa di soluzioni per particolari problemi di fluidodinamica e di utilizzare concetti e tecniche matematiche apprese da questo corso per l'analisi di altre equazioni alle derivate parziali.

Programma

  • Derivazione delle equazioni fondamentali: Eulero e Navier-Stokes - Descrizione euleriana e lagrangiana del moto fluido; esempi di fluidi - Fluidi di tipo Poiseulle e Couette - Equazione della vorticità in 2D e 3D - Analisi dimensionale: numero di Reynolds, numero di Mach, numero di Frohde. - Passaggio da modelli comprimibili a quelli incomprimibili - Esistenza di soluzioni per fluidi viscosi e non viscosi - Modellistica fluidodinamica in vari campi: miscele di fluidi, combustione, astrofisica, geofisica (atmosfera e oceani)

Nozioni di base di analisi funzionale, funzioni a valori complessi, proprietà standard dell'equazione del calore, equazione delle onde, equazioni di Laplace e di Poisson, spazi di Sobolev

Lezione frontale, svolgimento di esercizi in classe e a casa.

Modalità d'esame

Accertamento del processo formativo: L’accertamento del processo di apprendimento viene effettuato mediante una interazione continua tra il docente e gli studenti durante le lezioni.Accertamento del raggiungimento degli obiettivi formativi: Prova scritta. MODALITÀ DI ESAME: - l'esame si considera concluso se nella prova scritta si ottiene un voto maggiore o uguale a 18; - sono previsti 7 appelli: 2 o 3 nella sessione invernale, 3 nella sessione estiva, 1 nella sessione autunnale; Potrebbero svolgersi delle prove parziali che il docente concorderà con gli studenti. L’attribuzione del voto rifletterà i seguenti livelli di preparazione.- sufficiente: comprensione basilare delle definizioni, delle strutture e degli esercizi;- adeguata: saper riprodurre e spiegare alcune dimostrazioni fondamentali;- buona: saper applicare quanto appreso alla soluzione di problemi e quesiti anche teorici;- ottima: saper applicare il ragionamento logico per collegarsi anche ad altri contesti teorici in maniera indipendente

Testi di riferimento

  • Alexandre Chorin, Jerrold E. Marsden, A Mathematical Introduction to Fluid Mechanics. Springer. - Roger M. Temam, Alain M. Miranville, Mathematical Modeling in Continum Mechanics. Cambridge University Press. - Franck Boyer, Pierre Fabrie, Mathematical Tools for the Study of the Incompressible Navier-Stokes Equations and Related Models. Springer-Verlag Italia. - Andrea Bertozzi, Andrew Majda, Vorticity and Incompressible Flow. Cambridge University Press. -Note fornite dal docente

Codice insegnamento 36285

MATHEMATICAL IMAGE PROCESSING 2° anno · 6 CFU · MATH-05/A · 0 file
MATHEMATICAL IMAGE PROCESSING 2° anno · 6 CFU · MATH-05/A · 0 file
MATHEMATICAL MODELLING AND HPC SIMULATION OF NATURAL DISASTERS 2° anno · 6 CFU · MATH-03/A · 0 file

L'obiettivo del corso è lo studio dei metodi analitici, numerici e computazionali (su strutture di calcolo parallelo), per la soluzione di equazioni alle derivate parziali da considerare elementi di base per la…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo del corso è lo studio dei metodi analitici, numerici e computazionali (su strutture di calcolo parallelo), per la soluzione di equazioni alle derivate parziali da considerare elementi di base per la costruzione di modelli matematici rivolti all'analisi dei disastri naturali. Nel corso verranno introdotti concetti di base relativi alla soluzione analitica e numerica delle seguenti equazioni: onde, trasporto, elastodinamica, calore e dei sistemi di trasporto-reazione-diffusione. Oltre all'approccio analitico e numerico classico verranno introdotti gli elementi essenziali per la simulazione dei modelli introdotti durante il corso su strutture di calcolo parallelo con riferimento alla programmazione di architetture di tipo Shared Memory, Distributed Memory e/o GPU computing. Le attività dell'insegnamento risultano essere coerenti con i profili professionali proposti dal corso di Laurea Magistrale in Ingegneria Matematica in relazione alla acquisizione di capacità di utilizzo di strutture di calcolo complesse per la soluzione di modelli teorici.

Programma

Argomenti principaliEquazione del trasporto metodi analitici e numerici. Equazione delle onde metodi analitici e numerici, equazione dell’ elastodinamica metodi analitici e numerici. Equazione di diffusione metodi analitici e numerici. Sistemi di trasporto-reazione-diffusione metodi analitici e numerici. Introduzione alle architetture di calcolo parallelo: Sistemi a memoria condivisa, sistemi a memoria distribuita, elaborazione su GPU. Modelli per la valutazione delle prestazioni Speedup, Efficiency e Legge di Amdahl. Introduzione ai sistemi operativi Linux/Unix e scheduling per applicazioni HPC. Programmazione MPI (Message Passing Interface). Nozioni di base di MPI, comunicazioni punto-punto, comunicazioni collettive.

Conoscenze di base di analisi matematica, analisi numerica ed elementi di programmazione scientifica.

Didattica frontale, esercitazioni di laboratorio su strutture di calcolo High Performance Computing. Esercizi teorici in classe ed a casa.

Modalità d'esame

Esame scritto ed orale. Nelle prove di esame verrano valutate le seguenti capacità: 1) Comprensione dei modelli teorici e numerici. 2) Capacità di soluzione dei problemi tramite l'utilizzo di strutture HPC. Per l'attribuzione del punteggio finale verranno seguiti i seguenti criteri: 1) Sufficiente: capacità di identificare modelli di base e proporre una soluzione teorica e numerica. 2) Buono: capacità di identificare modelli di media complessità e proporre una soluzione teorica e numerica con riferimento a strutture di calcolo parallelo. 3) Ottimo: capacità di identificare modelli complessi e proporre una soluzione teorica e numerica con riferimento a strutture di calcolo parallelo.

Testi di riferimento

Dispense del docente (le dispese verranno rese disponibili sul canale MS Teams del corso.)S. Salsa Equazioni differenziali a derivate parziali (2016), Springer, G. B. Whitham linear and non linear waves (1999), J. Weley and Sons Inc. H. Igel Computational Seismology (2016), Oxford. A. Quarteroni Numerical models for differential equations (2017), Springer.

Codice insegnamento 39622

MATHEMATICAL MODELS FOR COLLECTIVE BEHAVIOUR 2° anno · 6 CFU · MATH-03/A · 0 file

Lo scopo del corso è di presentare alcuni modelli matematici frequentemente utilizzati nell'analisi di fenomeni collettivi, come il traffico veicolare e pedonale, nonché fenomeni di aggregazione e sincronizzazione. Per…

Scheda dell'insegnamento

Obiettivi formativi

Lo scopo del corso è di presentare alcuni modelli matematici frequentemente utilizzati nell'analisi di fenomeni collettivi, come il traffico veicolare e pedonale, nonché fenomeni di aggregazione e sincronizzazione. Per questi modelli si affrontera' uno studio matematico rigoroso e un'analisi qualitativa delle loro soluzioni. Risultati di apprendimento attesi (RA) Dopo aver superato l'esame di questo corso, lo studente dovrebbe RA1. Conoscere i modelli matematici di base che descrivono i fenomeni collettivi e alcune tecniche per la loro analisi RA2. Dimostrare abilità nell'interpretare correttamente un modello matematico per il comportamento collettivo RA3. Comprendere il significato di altri modelli usando un formalismo matematico corretto RA4. Comprendere in modo autonomo altri testi su argomenti correlati.

Programma

Modelli macroscopici per il traffico stradale. Modello LWR (Lighthill-Whitham-Richards) e la sua derivazione. Diagrammi fondamentali. Il problema di Riemann. Traffico libero e congestionato. Modelli del secondo ordine per il flusso di traffico: modello Payne-Whitham, modello Aw-Rascle, descrizione degli shock, domini invarianti, instabilità vicino al vuoto. Teoria: sistemi di leggi di conservazione, stretta iperbolicità, condizioni di Rankine-Hugoniot; Condizione di ammissibilità per gli shock. Il problema di Riemann per i sistemi: il caso lineare; Campi GNL e LD; rarefazioni e discontinuità di contatto. Funzioni BV, esempi e proprietà. Un teorema di compattezza. Algoritmo di wave-front tracking: rarefazioni approssimate, possibili tipi di interazioni. Limiti sul numero di onde e sulla variazione totale. Compattezza di soluzioni approssimate. Il problema del valore del limite iniziale sulla semiretta. Il problema del casello autostradale. Reti, definizioni di base, conservazione del flusso. Esempi. Distribuzioni lungo le strade, massimizzazione del flusso. Problema di Riemann su un incrocio composto da 2 strade in entrata e 2 strade in uscita. Il caso di 2 strade in entrata e 1 in uscita: la regola del "diritto di passaggio". Incrocio tra una strada in entrata e una in uscita, flussi diversi. Flusso pedonale: situazione normale e di panico. Modelli macroscopici per l'evacuazione, conservazione della "massa", equazione eikonale. Il modello Hughes per il flusso pedonale. L'equazione eikonale: non unicità, soluzioni di viscosità, relazione con l'approssimazione della viscosità evanescente. Il modello di Hughes in una dimensione spaziale. Curva di “turning”, condizioni di Rankine-Hugoniot. Il caso di densità iniziale costante e di dati iniziali simmetrici; conservazione della massa sinistra e destra. Modelli macroscopici per il flusso pedonale che includono: conoscenza di un percorso preferito, disagio nel camminare lungo le pareti, tendenza ad evitare alte densità di pedoni in un quartiere (termine non locale di tipo convoluzione), angolo di visione, ostacolo nel dominio. Stabilità linearizzata attorno a una soluzione uniforme. Il modello Cucker-Smale per descrivere fenomeni di attrazione (flocking). Conservazione del momento, stime dell'energia cinetica. Un teorema di “flocking”. Alcuni inconvenienti del modello e loro superamento. Introduzione al limite cinetico per il modello di flocking: funzione di distribuzione delle particelle N, equazione di Liouville, distribuzione marginale, equazione di continuità. Il limite formale di campo medio: un'equazione di tipo Vlasov. Un modello matematico per la sincronizzazione: il modello Kuramoto, proprietà di base, stime di sincronizzazione per oscillatori identici. (Alcuni degli argomenti potrebbero non essere trattati, in base al tempo a disposizione.)

Nozioni elementari di analisi funzionale. Teoria classica per le equazioni differenziali ordinarie. Soluzioni classiche di equazioni differenziali alle derivate parziali del primo ordine, metodo delle caratteristiche.

Lezioni frontali

Modalità d'esame

L'esame si baserà sulla valutazione delle conoscenze e l'approfondimento degli argomenti elencati nel programma dettagliato, illustrati durante le lezioni del corso. Potrà essere prevista una prova parziale scritta durante il corso. L'esame consiste in una prova scritta con esercizi o domande sul programma del corso, seguita da una prova orale. L’attribuzione dei voti rifletterà indicativamente 4 livelli di preparazione: Sufficiente (18-20): Conoscenza di base dei modelli matematici che descrivono i fenomeni collettivi e alcune tecniche per la loro analisi (RA1) Adeguato (21-23): Conoscenza di base dei modelli e abilità nella loro interpretazione (RA1-RA2) Buono (24-27): Oltre a RA1-RA2, comprensione ed elaborazione di altri modelli usando un formalismo matematico corretto (RA1-RA3) Ottimo (28-30L): capacità di risolvere e discutere in modo autonomo problemi inediti e capacità di approfondimento di argomenti correlati. (RA1-RA4)

Testi di riferimento

1) M. Garavello, B. Piccoli, Traffic flow on networks. Conservation laws models , AIMS Series on Applied Mathematics. 2006. http://www.aimsciences.org/books/am/AMVol1.html 2) M.D. Rosini, Macroscopic models for vehicular flows and crowd dynamics: theory and applications , Springer. 2013 3) Materiale fornito durante il corso

Codice insegnamento 34377

MATHEMATICAL MODELS IN ECOLOGY 2° anno · 6 CFU · MATH-03/A · 0 file
MATHEMATICS FOR DECISION MAKING 2° anno · 6 CFU · STAT-04/A · 0 file

Il corso ha lo scopo di fornire motivazioni, nozioni e tecniche relative allo studio di problemi di ottimizzazione non lineare e di equilibrio. Convincere gli studenti dell'utilità di un approccio astratto per lo…

Scheda dell'insegnamento

Obiettivi formativi

Il corso ha lo scopo di fornire motivazioni, nozioni e tecniche relative allo studio di problemi di ottimizzazione non lineare e di equilibrio. Convincere gli studenti dell'utilità di un approccio astratto per lo studio di modelli economici concreti ed interessarli alla matematica applicata.

Programma

Contenuti del Corso:- Approccio combinatorio al teorema del punto fisso di Brouwer.- Esistenza di soluzioni di disequazioni variazionali e problemi di equilibrio.- Convessità e monotonia generalizzata.- Concetti di continuità per mappe set-valued- Teorema del massimo di Berge.- Teoremi di punto fisso per mappe set-valued, quali Browder, Kakutani e Fan-Glicksberg.- Equilibrio di Nash di un gioco non cooperativo.- Equilibrio di Walras di un'economia.- Applicazioni a modelli di traffico su reti.

Gli studenti devono conoscere i concetti fondamentali di analisi per funzioni a valori reali, di topologia e di analisi convessa, come continuità, compattezza e convessità, spazi Euclidei, metrici e normati.

Lezioni frontali ed esecitazioni.

Modalità d'esame

L'esame consiste in una prova scritta composta da 3 esercizi, per un totale di almeno 30 punti. Gli esercizi mirano ad accertare l’assimilazione dei risultati trattati nel corso e le capacità di applicarli.Il primo esercizio consiste nel dimostrare un risultato tra quelli studiati in classe. Gli altri sono esercizi di applicazione dei concetti e dei risultati trattati. Il punteggio massimo di ogni esercizio è riportato nel testo. Il punteggio attribuito allo studente è massimo quando l’esercizio è svolto completamente, motivando ogni singolo passaggio. Durante il corso è possibile prevedere due prove scritte intermedie facoltative. In caso di valutazione positiva (media di almeno 18 punti), lo studente è esonerato dalla prova d’esame.

Testi di riferimento

Slide del corso verranno rese disponibili sul canale TEAMS del corso.Letture consigliate sono:- Aliprantis, C.D., Border, K.C. Infinite dimensional analysis. A hitchhiker's guide. Springer, 2006.- Border, K.C. Fixed point theorems with applications to economics and game theory. Cambridge University Press, 1989.

Codice insegnamento 37917

MEDICAL IMAGING 2° anno · 6 CFU · IINF-03/A · 0 file
MOBILITY AND CELL DYNAMICS: INTRODUCTION TO TUMOR DYNAMICS AND GROWTH 2° anno · 6 CFU · MEDS-26/A · 0 file
MODELLING AND CONTROL OF NETWORKED DISTRIBUTED SYSTEMS 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 34375

MODELLING AND NUMERICAL METHODS FOR PHASE-FIELD FRACTURE IN CONTINUUM MECHANICS 2° anno · 5 CFU · IINF-05/A · 0 file
MODELLING AND SIMULATION OF WATER-RELATED NATURAL HAZARD 2° anno · 6 CFU · CEAR-01/A · 0 file

L’insegnamento contribuisce al raggiungimento degli obiettivi formativi del Corso di Studio fornendo le conoscenze teoriche e gli strumenti metodologici necessari per la modellazione e la simulazione numerica dei…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento contribuisce al raggiungimento degli obiettivi formativi del Corso di Studio fornendo le conoscenze teoriche e gli strumenti metodologici necessari per la modellazione e la simulazione numerica dei rischi naturali legati all’acqua. Il corso approfondisce i principi fisici alla base dei principali fenomeni idraulici e marittimi estremi, quali alluvioni, mareggiate, tsunami e altri eventi naturali, illustrando i principali approcci di modellazione matematica e numerica. Particolare attenzione è dedicata alla scelta del modello più appropriato, alla definizione delle condizioni al contorno, alla calibrazione e validazione dei modelli e all’interpretazione critica dei risultati, con applicazioni a problemi di interesse ingegneristico.Tali obiettivi sono parte delle finalità formative del corso di laurea magistrale in Ingegneria Matematica.

Programma

Il programma dell’insegnamento è mirato al raggiungimento dei suoi obiettivi. In particolare, può essere diviso nelle seguenti sezioni tematiche: Introduzione alla fisica dei rischi naturali Introduzione al linguaggio pythonMetodi numerici: introduzione alla modellazione numerica, cenni sui metodi alle differenze finite, cenni sui metodi ali volumi finiti e cenni sui metodi senza griglia. Stabilità, convergenza, calibrazione e validazione. Applicazioni nella modellazione numerica agli elementi finiti Applicazioni nella modellazione numerica ai volumi finiti Applicazioni nella modellazione senza griglia Alla fine dell’insegnamento, lo studente: conoscerà le basi teoriche e applicative della modellazione numerica. Sarà in grado di saper scegliere la tipologia di modellazione più adatta al problema fisico oggetto di studio. Sarà inoltre in grado di analizzare e interpretare criticamente i risultati delle simulazioni numeriche.

Il Corso di Studio non prevede propedeuticità. Tuttavia, prima di iniziare l’insegnamento, lo studente dovrebbe avere conoscenze di base di Analisi Matematica, Fisica, meccanica dei fluidi e analisi numerica.

L’insegnamento sarà costituito da lezioni frontali, esercitazioni con volgimento di problemi pratici in classe (insieme al docente) e a casa (anche in cooperazione).Inoltre, l’insegnamento prevederà almeno un seminario tenuto da professionisti ed esperti sia nazionali che internazionali nel campo della modellazione numerica.

Modalità d'esame

All’inizio dell’insegnamento, verrà chiesto agli studenti di rispondere ad una serie di domande a risposta multipla (test di riferimento). Il test non ha una finalità valutativa, pertanto non verrà richiesto di inserire gli estremi dell’identità dei singoli studenti. Il test è, invece, finalizzato a definire sinteticamente le conoscenze degli studenti prima del corso. Al termine dell’insegnamento, verrà proposto agli studenti di rispondere ad un’ulteriore serie di domande, anch’esse a risposta multipla. Anche in questo caso, il test non ha una finalità valutativa, ma di autovalutazione da parte degli studenti per ottimizzare il risultato della valutazione finale. I suoi risultati, confrontati con quello del test di riferimento, serviranno anche per migliorare la qualità dell’insegnamento. La valutazione finale è costituita dalla presentazione di un lavoro che presupponga la trattazione (modellazione e analisi critica dei risultati) di un problema fisico dal punto di vista della modellazione numerica con l’applicazione di almeno un metodo numerico trattato durante il corso. Il lavoro verrà discusso in una prova orale durante la quale lo studente sarà chiamato a discutere i risultati di quanto proposto.

Testi di riferimento

Presentazioni ed appunti redatti dal docente.Manuali dei modelli numerici oggetto di studio durante il corso.

Codice insegnamento 42001

MODELS OF NON-EQUILIBRIUM PHENOMENA: THEORY AND SIMULATIONS 2° anno · 6 CFU · MATH-04/A · 0 file

Il corso mira a illustrare gli aspetti fondazionali della meccanica statistica del non equilibrio e a caratterizzarne l'evoluzione di sistemi con un numero elevato di gradi di libertà secondo i dettami della teoria…

Scheda dell'insegnamento

Obiettivi formativi

Il corso mira a illustrare gli aspetti fondazionali della meccanica statistica del non equilibrio e a caratterizzarne l'evoluzione di sistemi con un numero elevato di gradi di libertà secondo i dettami della teoria ergodica.​​​​​​​

Programma

Spazio delle fasi e teoria ergodica, operatore di Perron-Frobenius, teoria della risposta lineare ed esatta, relazioni di dispersione, equazioni di Langevin e Fokker-Planck.

Teoria dela probabilità, Sistemi dinamici, Equazioni differenziali alle derivate parziali.

Lezioni ed esercitazioni frontali.

Modalità d'esame

L'esame finale consiste in una prova scritta insieme, eventualmente, alla realizzazione di un progetto numerico riguardante lo studio di catene di oscillatori.

Testi di riferimento

A. Lasota, M. C. Mackey, Chaos, Fractals and Noise, Springer 1994; C. Mejìa-Monasterio, L. Rondoni, Nonequilibrium Statistical Mechanics I, Springer 2025; R. Livi, A.Politi, Nonequilibrium Statistical Physics, Cambridge University Press, 2025; A.Vulpiani, A. Puglisi, A. Sarracino, Nonequilibrium Statistical Mechanics, IOP Publishing Ltd, 2025.

Codice insegnamento 41878

NONLINEAR ANALYSIS AND DIFFERENTIAL EQUATIONS 2° anno · 6 CFU · MATH-03/A · 0 file
NONLINEAR FUNCTIONAL ANALYSIS 2° anno · 10 CFU · MATH-03/A · 0 file
NONLINEAR OPTIMIZATION 1 2° anno · 10 CFU · IINF-04/A · 0 file
NONLINEAR PDES: ELLIPTIC EQUATIONS 2° anno · 5 CFU · MATH-05/A · 0 file
NONLINEAR PDES: PARABOLIC EQUATIONS 2° anno · 5 CFU · MATH-05/A · 0 file
NUMERICAL ANALYSIS OF PDES AND APPROXIMATION 2° anno · 6 CFU · MATH-05/A · 0 file
NUMERICAL METHODS FOR ALGORITHMICS SYSTEMS AND NEURAL NETWORKS 2° anno · 5 CFU · IINF-05/A · 0 file
NUMERICAL METHODS FOR PARTIAL DIFFERENTIAL EQUATIONS WITH THE FINITE ELEMENT METHOD 2° anno · 10 CFU · MATH-05/A · 0 file
NUMERICAL SIMULATION AND SCIENTIFIC COMPUTING 2° anno · 6 CFU · MATH-05/A · 0 file
OPTIMAL CONTROL WITH ODE MODELS 2° anno · 5 CFU · IINF-04/A · 0 file
OPTIMISATION IN SIGNAL PROCESSING AND WAVELETS 2° anno · 6 CFU · MATH-05/A · 0 file

L'obiettivo del corso è presentare gli strumenti e i problemi moderni dell'elaborazione del segnale e costruire vari sistemi wavelet. Come lavoro preliminare gli studenti studiano alcuni risultati di base del calcolo…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo del corso è presentare gli strumenti e i problemi moderni dell'elaborazione del segnale e costruire vari sistemi wavelet. Come lavoro preliminare gli studenti studiano alcuni risultati di base del calcolo delle variazioni e del controllo ottimale.

Programma

Il problema elementare del calcolo delle variazioni. L'equazione di Eulero-Lagrange e l'integrale di energia. I problemi di Bolza e problema del Isoperimetria. Problemi misti. Le condizioni di trasversalità. I problemi di controllo ottimali. Il massimo principio di Pontryagin. I principali problemi dell'elaborazione del segnale. Il problema elementare del calcolo delle variazioni. L'equazione di Eulero-Lagrange e l'integrale di energia. I problemi di Bolza e problema del Isoperimetria. Problemi misti. Le condizioni di trasversalità. I problemi di controllo ottimali. Il massimo principio di Pontryagin. I principali problemi dell'elaborazione del segnale. Strumenti di base della teoria dell'approssimazione. Teoremi di Jackson e Bernstein. Trasformata discreta di Fourier. Trasformata di Fourier veloce. Robustezza. Sistemi Haar continui e discreti. L'algoritmo in cascata. Costruzione generale di wavelets. Analisi multiresoluzione. Wavelet di Shannon-Kotelnikov. Formula di campionamento Wavelets di Meyer. Wavelets di Daubechies. Esempi di applicazioni. Applicazione dell'ottimizzazione nell'elaborazione del segnale. Wavelet con proprietà di localizzazione ottimali.

Analisi di base, analisi funzionale, algebra lineare, equazioni differenziali.

Lezioni frontali, immagini illustrative e grafici nel proiett

Modalità d'esame

Esame scritto

Testi di riferimento

I. Daubechies, Ten lectures on wavelets, 1988 I.Novikov, V.Protasov, M.Skopina, Wavelets theory, 2011 V.Alexeev, V.Tikhomirov, S.Fomin, Optimal control, 1987.

Codice insegnamento 36503

OPTIMISATION MODELS AND ALGORITHMS 2° anno · 6 CFU · MATH-06/A · 0 file

Il corso si propone di mettere lo studente in condizione di Formalizzare i processi decisionali attraverso la definizione di opportuni modelli logico-matematici. Comprendere il ruolo dell'ottimizzazione nella costruzione…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di mettere lo studente in condizione di Formalizzare i processi decisionali attraverso la definizione di opportuni modelli logico-matematici. Comprendere il ruolo dell'ottimizzazione nella costruzione di modelli decisionali. Familiarizzare con i principali algoritmi per la soluzione dei problemi posti. Gli obiettivi formativi sopra elencati sono parte delle finalità formative del CdS, come previsto in sede di progettazione globale del corso di Laurea.

Programma

Data analytics e modelli decisionali: il rischio di usare male i dati. Fonti di errore. Metriche, clustering e classificazione, regressione, separazione e sovrapposizione. Strumenti modellistici: grafi; ottimizzazione lineare, non lineare e intera; strutture combinatoriche. Descriptive analytics: distribuzioni statistiche; bias, paradossi, accuratezza, catastrofi; serie temporali, (auto)-correlazione.Modelli prescrittivi: singolo- vs. multiplo decisore/obiettivo. Esempio: problemi di localizzazione. Principali strutture matematiche dei problemi di ottimizzazione: dualità nell'ottimizzazione lineare, matroidi. Metodi numerici generali: branch-and-bound, branch-and-cut, branch-and-price, euristiche.

Fondamenti di teoria dei grafi e notazione; fondamenti di algebra Lineare e norme.

Lezioni frontali, esercitazione di metà corso per autovalutazione (con valore di esonero), seminari su applicazioni significative.

Modalità d'esame

L’esame prevede una prova scritta (50%) e una orale (50%).La prova scritta consiste in esercizi, con possibili attività di calcolo, su tutte le tematiche svolte. Scopo della prova è stabilire il raggiungimento degli obiettivi formativi per quanto riguarda la parte applicativa. Lo scritto può essere superato anche attraverso due prove parziali; alla seconda prova parziale si accede esclusivamente avendo conseguito una votazione sufficiente alla prima. Il risultato della prova parziale può tuttavia essere utilizzato come esonero dallo scritto solo negli esami della sessione estiva dell'anno di corso.La prova orale riguarda principalmente gli aspetti metodologici e teorici. Per sostenerla lo studente deve aver conseguito un giudizio sufficiente nella prova scritta.

Testi di riferimento

Diapositive del corso, dispense. Testo di approfondimento: Papadimitriou and Steiglitz, Combinatorial Optimization.

Codice insegnamento 35914

OPTIMISATION OF COMPLEX SYSTEMS GOVERNED BY ODES AND PDES 2° anno · 6 CFU · MATH-03/A · 0 file
PARTIAL DIFFERENTIAL EQUATIONS OF MATHEMATICAL BIOLOGY 2° anno · 5 CFU · MATH-05/A · 0 file
PDE CONSTRAINED OPTIMIZATION IN ENGINEERING AND PHYSICS 2° anno · 5 CFU · IINF-04/A · 0 file
PHYSICS OF BIOMEDICAL IMAGING AND RADIATION THERAPY 2° anno · 6 CFU · IINF-05/A · 0 file
PHYSICS OF COMPLEX NETWORKS AND INTERDISCIPLINARY APPLICATIONS 2° anno · 6 CFU · IINF-05/A · 0 file
PROBABILISTIC COMPUTATIONAL METHODS 2° anno · 6 CFU · MATH-05/A · 0 file
PROBABILISTIC NUMERICAL METHODS 2° anno · 6 CFU · MATH-03/B · 0 file
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

PROJECT MANAGEMENT 2° anno · 3 CFU · MATH-06/A · 0 file
SEMIGROUPS & EVOLUTION EQUATIONS 2° anno · 10 CFU · MATH-03/A · 0 file
SEMINAR: MODELS AND APPLICATIONS IN SCIENCES 2° anno · 5 CFU · MATH-05/A · 0 file
SIMULATIONS AND BAYESIAN NETWORKS 2° anno · 6 CFU · STAT-01/A · 0 file
SPACE-TIME MODELING, GOAL-ORIENTED ERROR CONTROL, AND ADAPTIVITY FOR CONTINUUM MECHANICS 2° anno · 5 CFU · IINF-05/A · 0 file
STATISTICAL LEARNING FROM AND FOR GRAPHS AND GEOMETRIC STATISTICS 2° anno · 6 CFU · STAT-01/A · 0 file
STOCHASTIC CALCULUS AND APPLICATIONS 2° anno · 6 CFU · IINF-04/A · 0 file
STOCHASTIC MODELS IN NEUROCOGNITION AND THEIR STATISTICAL INFERENCE 2° anno · 6 CFU · STAT-01/A · 0 file
STOCHASTICS FOR MACHINE LEARNING 2° anno · 6 CFU · IINF-04/A · 0 file
SYSTEMS BIOLOGY 2° anno · 6 CFU · IINF-04/A · 0 file

La Systems Biology è un'area di ricerca emergente che studia modelli matematici con l'obiettivo di comprendere le interazioni dinamiche intra- e inter-cellulari. Questo corso fornisce gli strumenti matematici…

Scheda dell'insegnamento

Obiettivi formativi

La Systems Biology è un'area di ricerca emergente che studia modelli matematici con l'obiettivo di comprendere le interazioni dinamiche intra- e inter-cellulari. Questo corso fornisce gli strumenti matematici essenziali per la modellistica e l'analisi delle reti di trascrizione genica e delle reti di reazioni biochimiche: vengono investigati gli schemi più rilevanti, seguendo sia l'approccio deterministico che l'approccio stocastico.

Programma

Richiami di biologia e probabilità; approccio deterministico e stocastico.Fattori e reti di trascrizione; espressione genica: trascrizione e traslazione; separazione delle scale temporali e approssimazione quasi stazionaria (QSSA); attivatori e repressori; funzioni di ingresso Hill e logiche; dinamica di semplice regolazione e con produzione discontinua in forma di equazioni differenziali ordinarie (ODE); tempo di risposta; legge di azione di massa, equazione di conservazione; cinetica di Michaelis-Menten; cooperatività; legami dipendenti e indipendenti; funzioni di ingresso multi-dimensionali.Network motifs: reti reali e reti random; modello di Erdos-Renyi (ER); proprietà dei grafi; regolazione negativa (NAR) e analisi di stabilità; motivi a 3 nodi: anelli a feedback (FBL) e feedforward (FFL); FFL coerenti e incoerenti; ritardo segno-dipendente, generazione di impulsi in uscita, accelerazione del tempo di risposta, curve di risposta bifasiche; altri tipi di FFL; esempi: arabinosio, galattosio, flagelli nel batterio E.Coli.Introduzione alla simulazione numerica nella Systems Biology; MATLAB: introduzione e nozioni base, integrazione di equazioni differenziali non rigide con ode45; calcolo randomizzato, simulazioni Monte Carlo, costruzione di reti random (modelli E-R) e grafi orientati.Reti generali e di interazione: modulo a singolo ingresso (SIM), feedforward loop con più uscite, programmi temporali LIFO e FIFO, bi-fan, DOR, FFL collegati; autoregolazione positiva (PAR) e rallentamento del tempo di risposta; feedback positivi “lock-on” e “toggle-switch”; motivi a tre nodi; interazioni proteina-proteina (PPI) e motivi ibridi: motivi in reti reali: reti trofiche, sociali, elettriche, neuronali. Esempi: sporulazione del batterio Bacillus subtilis, fosforilazione, risposta al dolore nell’essere umano.Oscillatori biologici: il ruolo della regolazione negativa e del ritardo; separazione delle scale temporali, forza del feedback e cooperatività; oscillazioni indotte dal rumore e dal ritardo; bistabilità e isteresi; robustezza nei circuiti biologici; modelli a livello gerarchico più alto: organi e tessuti.Approccio stocastico: motivazione, reti di reazioni biochimiche, catene di Markov a tempo continuo; la Chemical Master Equation (CME) e le sue proprietà, caratterizzazione della distribuzione stazionaria, l’equazione macroscopica, processi “one step”; simulazione stocastica, metodo dell’inversione, Gillespie Stochastic Simulation Algorithm (SSA); esempi.Modelli mesoscopici: equazione di Langevin, il processo di Wiener, integrazione Eulero-Maruyama di equazioni differenziali stocastiche (SDE).Esempi biologici/medici: crescita tumorale, modelli epidemiologici.

Nozioni base di analisi matematica e sistemi dinamici

Lezione frontale o da remoto, esercizi, simulazione al calcolatore

Modalità d'esame

Lettura/presentazione di un articolo + esame orale con l'ausilio del pc

Testi di riferimento

  • Uri Alon, An introduction to systems biology: design principles ofbiological circuits, CRC press, 2019.- E. Klipp, W. Liebermeister, C. Wierling, and A. Kowald, Systems biology: a textbook, John Wiley & Sons, 2016.- J. D. Murray, Mathematical biology, 3rd edition. New York: Springer, 2001.

Codice insegnamento 34385

TRAFFIC FLOW MODELS 2° anno · 6 CFU · IINF-04/A · 0 file
TRANSPORT PDES IN KINETIC THEORY AND FLUID MECHANICS 2° anno · 6 CFU · IINF-05/A · 0 file
MATHEMATICAL MODELLING OF MULTI-AGENT SYSTEMS 6 CFU · MAT/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.