Corso di laurea

Ingegneria Informatica

Università degli Studi di Bergamo · 76 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

Adaptive Learning, Estimation And Supervision Of Dynamical Systems 1° anno · 1° semestre · 6 CFU · IINF-04/A · 0 file

Il corso di Adaptive Learning, Estimation and Supervision of dynamical systems (ALES) è la naturale prosecuzione del corso di Identificazione di Modelli e Analisi dei Dati (IMAD), con l'ulteriore approfondimento della…

Scheda dell'insegnamento

Obiettivi formativi

Il corso di Adaptive Learning, Estimation and Supervision of dynamical systems (ALES) è la naturale prosecuzione del corso di Identificazione di Modelli e Analisi dei Dati (IMAD), con l'ulteriore approfondimento della diagnosi dei guasti, oggi fondamentale per implementare i concetti di manutenzione predittiva in un'ottica di Industria 4.0.

Al termine del corso, lo studente sarà in grado di:

  • Utilizzare e implementare metodi di stima ricorsivi e adattivi
  • Stimare modelli di sistemi dinamici in forma di spazio di stato e con ingressi e uscite multiple
  • Stimare modelli di sistemi dinamici in condizioni di anello chiuso
  • Definire e risolvere problemi di diagnosi dei guasti industriali, identificandone le componenti principali e ipotizzando una possibile soluzione utilizzando un approccio basato su modelli

Il corso permette di ottenere una solida preparazione per collaborare con il laboratorio CAL (Control and Automation Lab) in progetti di ricerca metodologia e in collaborazione con imprese del territorio sulle tematiche inerenti di controlli automatici, l'identificazione e la diagnosi dei guasti.

Il corso è complementare ai corsi di:

  • Controllo Avanzato e Multivariabile
  • Controlli Automatici

Programma

PARTE 1: STIMA RICORSIVA E ADATTIVA
Algoritmo Recursive Least Squares (RLS). Variabili strumentali (IV). Fattore di oblio. Stima di sistemi lineari tempo-varianti. Algoritmo Least Mean Squares (LMS).

PARTE 2: IDENTIFICAZIONE A CIRCUITO CHIUSO
Identificazione PEM per sistemi con dati collezionati in anello chiuso. Confronto con l'identificazione in anello aperto.

PARTE 3: IDENTIFICAZIONE DEL SOTTOSPAZI
Ripasso dei concetti di algebra lineare.
Stima di un modello dinamico nello spazio degli stati. Metodi N4SID e MOESP, con estensione ai sistemi MIMO.

PARTE 4: SUPERVISIONE E DIAGNOSI DEI GUASTI
Diagnosi dei guasti basata su modelli. Guasti additivi e moltiplicativi. Modellazione di un sistema dinamico con guasti. Approccio dello spazio di parità. Approccio basato su osservatore. Diagnosi robusta contro i disturbi. Diagnosi dei guasti basata sul segnale. Diagnosi di cuscinetti e ingranaggi con analisi delle vibrazioni.
Diagnosi dei guasti basata sulla conoscenza. Monitoraggio Statistico di Processo (SPM). Approccio basato su RLS.

CASI DI STUDIO:

1) Virtual Reference Feedback Tuning (VRFT): progettazione basata sui dati di controllori utilizzando il metodo delle variabili strumentali per la stima dei parametri del controllore

2) Classificazione delle particelle nucleari: utilizzo di metodi di identificazione a sottospazi per caratterizzare le proprietà delle particelle nucleari e classificarle in categorie predefinite

3) Rilevamento perdite in una valvola industriale: applicazione di metodi di diagnosi guasti per una valvola idraulica soggetta a perdite d'acqua

Concetti di identificazione dei sistemi dinamici

Analisi dei sistemi dinamici a tempo continuo e discreto. Schemi a blocchi e retroazione. Risposta in frequenza. Teorema del campionamento. Trasformata di Fourier.

Matrici, autovalori e autovettori, spazi vettoriali.

Derivate, integrali, gradienti, limiti, punti stazionari di una funzione matematica.

Variabili casuali, distribuzioni di probabilità, momenti di una distribuzione di probabilità.

Il percorso didattico proposto allo studente è il seguente:

  • Seguire la lezione frontale esposta con il supporto di diapositive. Esse sono tutte disponibili prima dell’inizio del corso ed è utile che lo studente visioni le diapositive di una lezione prima di seguire la lezione.
  • Studiare gli argomenti della lezione con l’ausilio del libro di testo, delle diapositive e degli appunti personali.
  • Implementare gli algoritmi visti a lezione, in modo autonomo, in MATLAB. La valutazione degli esercizi di implementazione fornisce dei punti per superare l'esame.
  • Verso la fine delle lezioni lo studente è in grado di svolgere un tema d’esame di esempio. Viene data molta importanza alla partecipazione attiva alle lezioni da parte degli studenti, che viene stimolata mediante un dialogo continuo.
    Gli studenti possono trovare il docente in ogni momento (meglio previo appuntamento) recandosi presso l'ufficio del docente (Laboratori via Galvani 2, Dalmine).

Modalità d'esame

L'esame è composto da due parti:
1) Esame scritto da 1 ora con 3 domande di teoria a risposta aperta. Ogni domanda vale da 5 a 8 punti. L'esame scritto vale al massimo 15 punti. Sono necessari almeno 10 punti per superare l'esame scritto e accedere alla valutazione del progetto.
2) Valutazione di un progetto con discussione orale. Il progetto consiste nell'implementare in MATLAB un algoritmo dalla letteratura scientifica. Il progetto vale fino a 15 punti. Gli esercizi per casa concorrono fino a un massimo di +3 punti sul voto finale.

Al fine di garantire l'efficace organizzazione e gestione delle prove d'esame, il docente può adottare il cosiddetto “salto d’appello” immediatamente successivo per gli studenti che abbiano riportato una valutazione gravemente insufficiente o che, essendosi iscritti, risultino assenti ingiustificati.

Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione.

Codice insegnamento 9207_45416_16329

Advanced Data Management 1° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file

Al termine del corso, lo studente possiede una approfondita conoscenza delle nozioni alla base di sistemi per l’integrazione e gestione dei dati. L'attenzione viene soprattutto posta sulla comprensione dei principi che…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, lo studente possiede una approfondita conoscenza delle nozioni alla base di sistemi per l’integrazione e gestione dei dati. L'attenzione viene soprattutto posta sulla comprensione dei principi che sono alla base della costruzione di sistemi di integrazione di dati in sorgenti indipendenti ed eterogenei e di gestione di grandi quantità di dati (Big Data) in modo efficiente.

Programma

Il corso è strutturato in due moduli: Il primo (di 6 CFU) presenta una panoramica del lavoro di ricerca svolto nell'area della teoria delle basi di dati e dell'integrazione dei dati, con enfasi sugli aspetti teorici rilevanti per lo sviluppo di soluzioni di integrazione delle informazioni. Particolare attenzione sarà dedicata alle architetture per i sistemi di integrazione dei dati, alla modellazione di un'applicazione di integrazione delle informazioni, al data exchange, alla valutazione di query in sistemi di integrazione dei dati ed all’applicazione di tecnologie semantiche alla gestione dei dati. Il secondo modulo (di 3 CFU) tratta l'utilizzo di basi di dati per l'analisi, la protezione dei dati per l'analisi mediante anonimizzazione e differential privacy, le architetture noSQL, le tecniche di indicizzazione multidimensionali.

Non ci sono precedenze obbligatorie. Il corso assume che si disponga delle conoscenze relative alle basi di dati che vengono erogate negli insegnamenti di "Basi di dati e Web" e “Data bases 2”.

La didattica si svolgerà tramite lezioni frontali, dando però importanza al confronto e al dialogo diretto con gli studenti, i quali, durante le lezioni, potranno formulare domande e proposte di approfondimento. Esercizi verranno svolti in aula sia dal docente che dagli studenti stessi.

Modalità d'esame

L'esame consiste in una prova scritta della durata di due ore, generalmente articolata in 5-6 domande ed esercizi volti a verificare le conoscenze e le competenze acquisite sull'intero programma del corso. Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora lo ritenga necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione finale.

Codice insegnamento 9207_45408_18183

Automazione Industriale 1° anno · 2° semestre · 6 CFU · IINF-04/A · 0 file

Il corso di Automazione Industriale si propone di illustrare le seguenti tematiche: Architettura di un sistema di automazione industriale Controllo logico tramite PLC e linguaggi IEC 61131 Ladder Sequential Function…

Scheda dell'insegnamento

Obiettivi formativi

Il corso di Automazione Industriale si propone di illustrare le seguenti tematiche:

  • Architettura di un sistema di automazione industriale
  • Controllo logico tramite PLC e linguaggi IEC 61131
  • Ladder
  • Sequential Function Chart
  • Testo Strutturato
  • Modellistica di sistemi ad eventi discreti
  • Sviluppo pratico di applicazioni di automazione industriale attraverso Codesys

Programma

Il corso comprende:

  • Programmazione PLC
  • Reti di Petri

Non sono richiesti particolari pre-requisiti

Lezioni frontali e attività di laboratorio

Modalità d'esame

Esame scritto

Codice insegnamento 9207_45402_1604

C.I. Controlli Automatici E Identificazione Dei Modelli E Analisi Dei Dati (Modulo Di Controlli Automatici + Modulo Di Identificazione Dei Modelli E Analisi Dei Dati) 1° anno · 12 CFU · IINF-04/A · 0 file

Il corso di Identificazione dei Modelli e Analisi dei Dati (IMAD) ha l'obiettivo di fornire allo studente i concetti teorici e pratici per la stima di modelli matematici a partire da osservazioni del fenomeno che si…

Scheda dell'insegnamento

Obiettivi formativi

Il corso di Identificazione dei Modelli e Analisi dei Dati (IMAD) ha l'obiettivo di fornire allo studente i concetti teorici e pratici per la stima di modelli matematici a partire da osservazioni del fenomeno che si vuole modellare. Il corso è diviso in due parti. La prima parte tratta la stima di modelli statici e algoritmi di regressione e classificazione, i cui concetti sono propedeutici alla seconda parte del corso e ai corsi successivi di

  • Adaptive Learning, Estimation and Supervision of dynamical systems
  • Machine learning e Statistical learning.
    La seconda parte del corso riguarda la stima di modelli dinamici, il cui utilizzo è fondamentale per mettere in pratica le tecniche di controllo e filtraggio dei sistemi dinamici.

Alla fine del corso lo studente sarà in grado di:

  • Formulare un problema di stima, individuando le variabili del problema (e.g. dati di input e output)
  • Stimare un modello statico o dinamico dai dati, attraverso la risoluzione di un problema di ottimizzazione
  • Scegliere il modello più opportuno per la tipologia di dati a disposizione
  • Valutare la bontà del modello stimato dai dati
  • Applicare diverse metodologie di stima, a seconda della domanda a cui si vuol fornire una risposta tramite l’analisi del dato

Il corso è complementare ai corsi di:

  • Control Systems Technology
  • Controlli Automatici
  • Controllo Avanzato e Multivariabile

Il corso fornisce le basi per il corso di:

  • Adaptive learning, estimation and supervision of dynamical systems

Il corso di controlli automatici e' la naturale prosecuzione del corso di Fondamenti di Automatica.
L'obiettivo è fornire allo studente nuove competenze su metodologie più avanzate per l'analisi dei sistemi dinamici, la progettazione dei controllori ed il filtraggio. Inoltre sara' fornita una buona conoscenza operativa del filtraggio alla Kalman ed una buona capacità di progettare sistemi di controllo con tecniche avanzate direttamente nel dominio digitale.
Alla fine del corso lo studente sara' in grado di:

  • progettare ed implementare un filtro di Kalman;
  • progettare elementari sistemi di controllo multivariabile
  • progettare sistemi di controllo in cascata
  • realizzare implementazioni anti-windup per controllori PID
  • progettare sistemi di controllo di posizione e velocita per motori elettrici in corrente continua

Programma

INTRODUZIONE
Richiami di statistica. Variabili casuali scalari e multivariabili. Distribuzioni di probabilità continue e discrete. Teoria della stima e stimatori.

PARTE 1: SISTEMI STATICI
Regressione lineare. Formulazione del problema e funzione di costo. Stima a minimi quadrati. Metodo del gradiente discendente. Proprietà della stima a minimi quadrati. Esercizi in MATLAB

Stima a massima verosimiglianza. Stima di parametri della popolazione. Stima di modelli lineari.

Regressione logistica per la classificazione. Formulazione del problema e funzione di costo. Esercizi in MATLAB

Fondamenti di machine learning. Introduzione al machine learning e alla data science. Problemi supervisionati e non supervisionati. Fattibilità dell'apprendimento. Bias-variance tradeoff. Learning curves. Overfitting. Regolarizzazone. Validazione, cross-validazione e formule di complessità ottima. Esercizi in MATLAB

PARTE 2: SISTEMI DINAMICI
Processi stocastici. Processi stocastici stazionari. Momenti temporali e ergodicità. Trasformata Z e trasformata di Fourier. Densità spettrale di potenza. Stima spettrale. Sistemi dinamici lineari discreti deterministici. Sistemi dinamici lineari discreti stocastici. Esercizi in MATLAB

Famiglie di modelli stocastici. Famiglie di modelli a spettro razionale. Serie temporali: MA, AR, ARMA. Sistemi ingresso\uscita: ARX, ARMAX, FIR, OE, BJ.

Predizione. Scomposizione di Wold. Filtro passa-tutto e forma canonica. Predittore ottimo. Predittore ottimo per processi MA, ARMA, ARMX. Confronto con predittore di Kalman

Identificazione: concetti fondamentali. Metodi a minimizzazione dell'errore di predizione (PEM). Identificazione PEM di modelli ARX, ARMAX. Esercizi in MATLAB

Identificazione: analisi e complementi. Analisi asintotica dei metodi PEM. Persistente eccitazione. Valutazione dell'incertezza della stima PEM. Esercizi in MATLAB

Identificazione: valutazione del modello. Scelta della struttura e della complessità del modello. Validazione e formule di complessità. Analisi dei residui. Analisi dell'incertezza della stima. Simulazione vs. predizione del modello identificato. Esercizi in MATLAB

PARTE 1 - Proprietà strutturali dei sistemi dinamici Raggiungibilità, Controllabilità, Osservabilità, Ricostruibilità Test di Kalman Realizzazione in forma di stato, forme canoniche, sistema duale Assegnamento degli autovalori, ricostruzione dello stato.
PARTE 2 - Filtro di Kalman Introduzione e problema base per il caso lineare tempo invariante predizione ad un passo estensioni soluzione di regime e teoremi asintotici Filtro di Kalman Esteso (EKF) e identificazione a scatola grigia
PARTE 3 - Controllo predittivo Controllo predittivo a Minima Varianza (MV): legge di controllo, proprieta' del sistema di controllo; controllo a Minima Varianza Generalizzata (GMV): schema di progetto a Modello di Riferimento (MR), schema di progetto a controllo penalizzato.
PARTE 4 - Metodi avanzati di controlli automatici Compensazione di disturbi in anello aperto, implementazione anti-windup di controllori con azione integrale, predittore di Smith, controllo in cascata. Cenni di controllo multivariabile: metodi di disaccoppiamento, controllo decentralizzato, matrice dei guadagni relativi.
PARTE 5 - Controllo del moto Principi di conversione elettromeccanica. Motori elettrici a corrente continua: modellistica ed analisi dinamica. Controllo di velocita'. Controllo di posizione. Compensazione dei disturbi di coppia.

I prerequisiti del corso sono i seguenti:

  • Analisi dei sistemi dinamici a tempo continuo e discreto. Schemi a blocchi e retroazione. Risposta in frequenza. Teorema del campionamento. Trasformata di Fourier.
  • Matrici, autovalori e autovettori, spazi vettoriali.
  • Derivate, integrali, gradienti, limiti, punti stazionari di una funzione matematica.
  • Variabili casuali, distribuzioni di probabilità, momenti di una distribuzione di probabilità.

Analisi dei sistemi dinamici a tempo continuo e a tempo discreto sia nel dominio del tempo che nel dominio delle frequenze.
Progettazione di controllori lineari in retroazione usando metodi in frequenza.

Il percorso didattico proposto allo studente è il seguente:

1) Seguire la lezione frontale esposta con il supporto di diapositive. Esse sono tutte disponibili prima dell’inizio del corso ed è utile che lo studente visioni le diapositive di una lezione prima di seguire la lezione.

2) Studiare gli argomenti della lezione con l’ausilio del libro di testo, delle diapositive e degli appunti personali.

3) Rispondere agli esercizi MATLAB predisposti. Lo scopo di questi esercizi è verificare sia conoscenza dei concetti esposti, la loro comprensione e la capacità dello studente di utilizzarli

4) Seguire l’esercitazione frontale svolta alla lavagna (elettronica o tradizionale). Il testo e lo svolgimento degli esercizi sono tutti disponibili prima dell’inizio del corso ed è utile che lo studente visioni gli svolgimenti degli esercizi prima di seguire l’esercitazione.

6) Verso la fine delle lezioni lo studente è in grado di svolgere un tema d’esame, proposto con la sua soluzione.

Viene data molta importanza alla partecipazione attiva alle lezioni da parte degli studenti, che viene stimolata mediante un dialogo continuo. Gli studenti possono trovare il docente in ogni momento (meglio previo appuntamento) recandosi presso l'ufficio del docente (Laboratorio di Automatica).

Il percorso didattico proposto allo studente è il seguente:
1) Seguire la lezione frontale esposta con il supporto di diapositive. Esse sono tutte disponibili prima dell’inizio del corso ed è utile che lo studente visioni le diapositive di una lezione prima di seguirla.
2) Studiare gli argomenti della lezione con l’ausilio di libri di testo, delle diapositive e degli appunti personali.
3) Seguire l’esercitazione frontale svolta alla lavagna (elettronica o tradizionale). Il testo e lo svolgimento degli esercizi sono tutti disponibili prima dell’inizio del corso ed è utile che lo studente visioni gli svolgimenti degli esercizi prima di seguire l’esercitazione.
4) Svolgere gli esercizi proposti, disponibili su Teams in numero limitato ed accuratamente selezionati. Lo scopo degli esercizi proposti è verificare il livello di comprensione dei concetti esposti nelle lezioni ed esercitazioni e la capacità dello studente di utilizzarli.
5) Verso la fine delle lezioni lo studente è in grado di svolgere alcuni temi d’esame, proposti con la loro soluzione e scelti tra i più rappresentativi e paradigmatici.
6) Agli studenti è offerta la possibilità di svolgere un progetto finale che sarà possibile sottomettere al docente per la valutazone. L’obiettivo è rendere lo studente autonomo nell’utilizzo di Matlab per la risoluzione di problemi di Automatica.

Vengono svolti alcuni esempi di applicazione nell'ambito del controllo di sistemi industriali. Sono previsti seminari didattici da parte di ricercatori industriali e accademici. Viene data molta importanza alla partecipazione attiva alle lezioni da parte degli studenti, che viene stimolata mediante un dialogo continuo.
Gli studenti possono trovare il docente in ogni momento (meglio previo appuntamento) recandosi presso l'ufficio del docente (Ufficio 303 Edificio C).

Modalità d'esame

La verifica dell'apprendimento avviene attraverso una prova scritta finale della durata di 2 ore. Essa è abitualmente costituita da 6 quesiti: 3 esercizi e 3 domande teoriche. Tutti gli esercizi e le domande valgono da 5 a 8 punti.
Non sono previste prove in itinere. Lo svolgimento dei compiti per casa concorre fino a +3 punti sul voto finale.

Al fine di garantire l'efficace organizzazione e gestione delle prove d'esame, il docente può adottare il cosiddetto “salto d’appello” immediatamente successivo per gli studenti che abbiano riportato una valutazione gravemente insufficiente o che, essendosi iscritti, risultino assenti ingiustificati.

N.B. Per gli allievi informatici questo corso può essere integrato con Controlli Automatici. Il voto complessivo del corso integrato sarà calcolato come media (approssimata all'intero superiore) dei voti conseguiti nei due moduli.

Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione.

La verifica dell'apprendimento avviene attraverso una prova scritta finale della durata di 2 ore. Essa e' abitualmente costituita da 5 o 6 quesiti: 4 esercizi ed 1 o 2 domande teoriche. Tutti gli esercizi e le domande valgono da 5 a 8 punti. Sono previste prove in itinere.
Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione.

N.B. Per gli allievi informatici questo corso può essere integrato con Identificazione dei Modelli ed Analisi dei Dati. Il voto complessivo del corso integrato sarà calcolato come media (approssimata all'intero superiore) dei voti conseguiti nei due moduli.

Codice insegnamento 9207_49258_1794

C.I. Modelli E Algoritmi Di Ottimizzazione + Intelligenza Artificiale 1° anno · 12 CFU · IINF-05/A · 0 file

Al termine del corso, lo studente/la studentessa avrà acquisito conoscenze sui principi fondamentali dell'Intelligenza Artificiale (IA), con particolare riferimento all'Intelligenza Artificiale simbolica, basata sulla…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, lo studente/la studentessa avrà acquisito conoscenze sui principi fondamentali dell'Intelligenza Artificiale (IA), con particolare riferimento all'Intelligenza Artificiale simbolica, basata sulla rappresentazione della conoscenza mediante formule logiche e regole di inferenza. Sarà inoltre in grado di modellare un problema come un problema di ricerca nello spazio degli stati, selezionare le tecniche di ricerca più appropriate e progettare semplici artefatti software basati su tecniche di Intelligenza Artificiale simbolica per la risoluzione di problemi.

Nel corso vengono introdotti modelli di programmazione matematica per la risoluzione di problemi decisionali in vari ambiti (ad es. industria manifatturiera, distribuzione e trasporti, finanza, supply chain, energia,...), con particolare riferimento ai modelli lineari con variabili di ottimizzazione sia reali che intere. Lo studio teorico dei principali algoritmi per il calcolo della soluzione ottima è completato dalla sperimentazione numerica di tali algoritmi mediante il linguaggio di modellazione GAMS.
Al termine del corso lo studente è in grado di
a. Formulare un problema decisionale in un contesto reale mediante un modello di programmazione matematica, individuando le variabili decisionali ed esprimendo in funzione di esse l’obiettivo da conseguire ed i vincoli che devono essere rispettati affinché la soluzione sia effettivamente utilizzabile nel contesto reale
b. Individuare il metodo (o i metodi) da utilizzare per la determinazione della soluzione ottima, conoscendone applicabilità e limiti
c. Analizzare la soluzione ottima determinata dal metodo risolutivo, in particolare la sua unicità e la sua sensibilità rispetto ai valori assegnati ai parametri del modello sulla base dei dati osservati disponibili.
d. Utilizzare l’ambiente di modellazione GAMS per la codifica dei modelli formulati e la loro risoluzione.
Il corso contribuisce agli obiettivi formativi del corso di studi in Ingegneria Gestionale, in particolare per quanto riguarda le competenze nell’ambito delle applicazioni della matematica.

Programma

Il programma dell'insegnamento prevede la trattazione dei seguenti argomenti:

  • Introduzione all'Intelligenza Artificiale: definizioni e concetti fondamentali; che cos'è l'Intelligenza Artificiale; cenni storici; differenze tra Intelligenza Artificiale simbolica e sub-simbolica.
  • Agenti intelligenti: nozione di agente intelligente e suoi componenti principali; comportamento razionale; agenti reattivi semplici, basati su modelli, basati su obiettivi e basati sull'utilità; ambienti operativi e loro proprietà.
  • Analisi degli algoritmi e complessità computazionale: algoritmi e risorse di calcolo; costo computazionale; problemi decisionali; classi di complessità.
  • Risoluzione di problemi mediante ricerca: formulazione dei problemi come ricerca nello spazio degli stati; strategie di ricerca; algoritmi di ricerca non informata; algoritmi di ricerca informata ed euristiche.
  • Ricerca in ambienti complessi: algoritmi di ricerca locale; hill climbing; simulated annealing; algoritmi genetici.
  • Problemi di soddisfacimento di vincoli (Constraint Satisfaction Problems - CSP): definizione di CSP; tecniche di inferenza; ricerca con backtracking.
  • Agenti basati sulla conoscenza e logica proposizionale: rappresentazione della conoscenza; introduzione alla logica; sintassi e semantica della logica proposizionale; model checking; dimostrazione di teoremi; metodo della risoluzione.
  • Logica del primo ordine e inferenza: sintassi e semantica della logica del primo ordine; unificazione; lifting; inferenza mediante risoluzione.

Modelli di programmazione matematica.
Il metodo del simplesso (versione base e varianti) per la soluzione dei problemi di programmazione lineare.
Analisi di sensitività della soluzione ottima ai parametri del modello.
Metodi Branch-and-Bound e a piani di taglio per la soluzione dei problemi di programmazione lineare mista intera.
Algoritmi per la soluzione di problemi di programmazione non lineare nonvincolati e vincolati.
Esempi di applicazioni a problemi reali.
Ambiente GAMS per la soluzione dei problemi di ottimizzazione.

Conoscenze fondamentali di informatica, comprendenti la nozione di algoritmo e i principali costrutti della programmazione imperativa, quali variabili, strutture di controllo (if, if-else, while, for), funzioni e strutture dati elementari.

Funzione reale di variabili reali
Algebra delle matrici
Sistemi di equazioni lineari

La didattica si svolgerà tramite lezioni frontali, dando però importanza al confronto e al dialogo diretto con gli studenti, i quali, durante le lezioni, potranno formulare domande e proposte di approfondimento. Esercizi verranno svolti in aula sia dal docente che dagli studenti stessi.

Il corso si compone di lezioni frontali, esercitazioni ed eventuale tutorato.

Modalità d'esame

L'esame consiste in una prova scritta della durata di due ore, generalmente articolata in 6-7 domande ed esercizi volti a verificare le conoscenze e le competenze acquisite sull'intero programma del corso. Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora lo ritenga necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione finale.

L'esame del corso di Modelli e Algoritmi di Ottimizzazione consiste in una prova scritta e una prova orale.
La prova scritta è composta da: (i) tre esercizi algebrici; e (ii) lo sviluppo di un modello matematico e del corrispondente codice GAMS.
La durata della prova è di 2 ore e 15 minuti.
La prova scritta è valutata come segue: (i) 21 punti per la parte algebrica; e (ii) 10 punti per la parte relativa a GAMS.
Per superare l'esame scritto è necessario conseguire almeno 13 punti nella parte algebrica e almeno 5 punti nella parte GAMS.
Gli studenti che superano la prova scritta sono ammessi alla prova orale.

Gli studenti che conseguono nella prova scritta una votazione inferiore o pari a 9/30 dovranno saltare l'appello immediatamente successivo.
Gli studenti iscritti a un appello che risultino assenti ingiustificati dovranno saltare l'appello immediatamente successivo.
Il ritiro dello studente prima del termine della prova d'esame non comporta l'obbligo di saltare l'appello successivo.

Codice insegnamento 9207_49257_15799

C.I. Programmazione Avanzata + Progettazione,Algoritmi E Computabilita' 1° anno · 15 CFU · IINF-05/A · 0 file

Al termine del modulo, lo studente acquisisce conoscenze teoriche e pratiche su metodi, strumenti e tecnologie per progettare e implementare applicazioni software distribuite, sia “in grande” sia “in piccolo”. In…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del modulo, lo studente acquisisce conoscenze teoriche e pratiche su metodi, strumenti e tecnologie per progettare e implementare applicazioni software distribuite, sia “in grande” sia “in piccolo”. In particolare, il modulo affronta: processi di sviluppo agili; progettazione, documentazione e analisi dell’architettura software; sviluppo orientato a componenti e servizi; principi di progettazione di API e architetture distribuite; uso efficiente di algoritmi e strutture dati; modellazione con UML; programmazione orientata agli oggetti con Java; utilizzo di ambienti di sviluppo, framework, plug-in e tecnologie di supporto per la realizzazione e testing di sistemi software modulari, manutenibili e scalabili.
Il modulo introduce inoltre le principali evoluzioni delle architetture software moderne, con particolare attenzione ai sistemi distribuiti basati su servizi, microservizi e componenti intelligenti. In prospettiva, vengono discussi anche i principi alla base delle architetture agentic, in cui componenti software autonomi o agenti basati su AI/LLM possono pianificare, interagire con strumenti, coordinarsi con altri servizi o agenti e contribuire alla realizzazione di workflow software complessi.

Imparare i principi dei linguaggi di programmazione (sia procedurali che object oriented che funzionali) per poter poi programmare in modo corretto e efficace.

Programma

**Progettazione in grande**: Si progetta e analizza la suddivisione del software in sotto-sistemi/componenti funzionali e lo scambio dati/comunicazione tra questi mediate API in ambito distribuito. Argomenti: processi di sviluppo agili, AMDD, gestione dei requisiti e modellazione dei casi d'uso, progettazione dell'architettura software e delle componenti in UML, analisi di qualità di una architettura software (affidabilità e disponibilità), design pattern e stili architetturali avanzati quali architetture adattative, IoT-Cloud, architettura a (micro)-servizi, ad agenti, ecc., sviluppo del software per componenti/oggetti, sviluppo di interfacce grafiche di applicazioni desktop e mobili in Java/Android, sviluppo di API REST, testing di unità delle componenti e testing di API, strumenti per il calcolo di metriche di qualità e analisi statica del software. **Progettazione in piccolo**: Analisi di dettaglio di ogni componente e definizione dell'algoritmo. Argomenti: Introduzione agli algoritmi e strutture dati, ciclo di sviluppo di codice algoritmo, complessità del calcolo e notazione asintotica, realizzazione di algoritmi e tipi astratti di dati in Java, strutture dati e algoritmi fondamentali (liste, pile, code), algoritmi di ordinamento, alberi e loro gestione, alberi di ricerca (alberi binari di ricerca, B-alberi, alberi rosso-neri), applicazioni degli alberi per il processamento di documenti XML, tabelle hash, grafi e loro rappresentazione e gestione, cammini minimi, metodologie di progettazione di algoritmi (incrementale,divide-et-impera,greedy,programmazione dinamica). **Computabilità**: Teoria della computabilità: concetti e teoremi fondamentali; Macchine di Turing; calcolo deterministico e non-deterministico.

Principi dei Linguaggi di Programmazione.
Fondamenti: storia dei linguaggi di programmazione, compilatori, sintassi.
Tipi e sicurezza dei tipi. Regole di visibilità, funzioni, gestione della memoria (con l'uso del linguaggio C).
Object Oriented programming: concetti fondamentali e loro applicazione con Java e C++.
Alcuni design pattern (facade, singleton, visitor)
Programmazione funzionale con Scala.

Fondamenti di informatica, ingegneria del software e notazione UML, programmazione Java, elementi di analisi matematica su serie e successioni.

Fondamenti di programmazione (OO e procedurale) e progettazione software.

Didattica frontale ed esercitazione in laboratorio.

Didattica frontale ed esercitazioni in laboratorio.

Modalità d'esame

Prova scritta e prova orale (progettazione e sviluppo di un progetto software).

L'esame prevede una prova scritta ed una, successiva, prova orale. Entrambe le prove sono obbligatorie. La prova scritta è divisa in due parti. La prima parte comprende 4 domande a risposta aperta su "Progettazione e algoritmi" (durata di un'ora e mezza), mentre la seconda parte comprende un questionario a risposta multipla e una a risposta aperta sulla "Computabilità" (durata 30 minuti). Viene ammesso all'orale solo chi consegue nella prova scritta un punteggio superiore a 18/30. La prova orale consiste nella presentazione e discussione di un elaborato software, realizzabile anche a piccoli gruppi di 2-3 studenti, e la si supera con un punteggio superiore a 18/30.
Il voto finale dell'intero corso integrato di "PROGRAMMAZIONE AVANZATA + PROGETTAZIONE,ALGORITMI E COMPUTABILITA'" a cui questo modulo appartiene è dato dalla media pesata (in base ai CFU) tra i voti conseguiti nei due moduli.
Al fine di garantire l'efficace organizzazione e gestione delle prove d'esame, il docente può adottare il cosiddetto "salto d’appello"; immediatamente successivo per gli studenti che abbiano riportato una valutazione gravemente insufficiente o che, essendosi iscritti, risultino assenti ingiustificati.

L'esame è composto da una prova scritta. La prova scritta consiste in due parti (I e II), entrambe eseguite al calcolatore in laboratorio. La parte I è un quiz (di circa 30 minuti). La parte II è un elaborato software che prevede la conoscenza degli argomenti del corso.

Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione.

Al fine di garantire l'efficace organizzazione e gestione delle prove d'esame, il docente può adottare il cosiddetto “salto d’appello” immediatamente successivo per gli studenti che abbiano riportato una valutazione gravemente insufficiente o che, essendosi iscritti, risultino assenti ingiustificati.

Codice insegnamento 9207_49252_15805

C.I. Reti + Teoria Tit 1° anno · 15 CFU · IINF-03/A · 0 file

Acquisizione dei concetti di base della teoria dell'informazione, dei codici correttori e della teoria della trasmissione. Acquisizione della capacita' di progettare tecniche efficienti per la memorizzazione e la…

Scheda dell'insegnamento

Obiettivi formativi

Acquisizione dei concetti di base della teoria dell'informazione, dei codici correttori e della teoria della trasmissione. Acquisizione della capacita' di progettare tecniche efficienti per la memorizzazione e la trasmissione di informazione in presenza di disturbi.

Il corso si prefigge di introdurre e familiarizzare lo studente con i problemi fondamentali riguardanti le reti di telecomunicazione e la valutazione delle loro prestazioni, allo scopo di metterlo in grado di operare in tale area sia nel mondo industriale che in ambito di ricerca.

Programma

Elementi di teoria dell'informazione: Misura dell'informazione di una sorgente. Sorgenti senza memoria e con memoria. Teorema di Shannon sulla codifica di sorgente. Esempi di tecniche di codifica di sorgente. Cenni alla codifica con perdita. Modelli di canale. Informazione trasmessa attraverso un canale. Capacità di canale. Effetti della lunghezza del blocco. Teorema di Shannon sulla codifica di canale. Codici a blocco: Cifre di parità. Sistematicità. Linearità. Distanza tra parole. Capacità di correzione e rivelazione. Rappresentazione polinomiale. Algebra dei campi finiti: Elementi primitivi. Rappresentazione degli elementi del campo. Operazioni nel campo. Estensioni del campo. Proprietà e Trasformata di Fourier nei campi. Codici ciclici Polinomio generatore. Codici binari e non binari. Codificatori. Codici BCH e Reed-Solomon. Decodifica algebrica. Codici concatenati e decodificati iterativa: Progetto e analisi di codici LDPC su canale con cancellazioni. Decodifica iterativa di codici LDPC su canale con cancellazioni e su canale Gaussiano. Esempi di applicazione. Elementi di teoria della trasmissione Teoria dei segnali. Analisi spettrale tramite trasformata di Fourier. Sistemi Lineari Tempo Invarianti. Rappresentazione geometrica dei segnali. Trasmissione in banda base di segnali numerici modulati in ampiezza. Ricevitore ottimo in presenza di disturbi. Interferenza intersimbolica e criterio di Nyquist. Trasmissione in banda passante. Modulazioni multilivello.

Introduzione: classificazione delle reti e tecniche di commutazione. Introduzione alla teoria delle file di attesa. Analisi delle prestazioni di sistemi di multiplazione e di tecniche ARQ, sistemi con priorità. Reti di Code Markoviane e Qualità di Servizio (QoS) di una rete. Ottimizzazione delle reti: Cammini minimi. Progetto di una rete a commutazione di pacchetto (Network Design): definizione di parametri e vincoli; assegnamento ottimo di topologia, flussi e capacità (algoritmo di Flow Deviation). Funzioni dello strato di rete. Instradamento: parametri e requisiti. Stabilità dell'instradamento. Controllo di flusso e congestione nelle reti dati; esempi ed analisi delle prestazioni di tecniche di controllo di flusso: Hop Level (CQL), Rate Control (Token Bucket), End-to-end (TCP). Affidabilità delle reti di telecomunicazione: Tecniche di protezione. La simulazione delle reti di Telecomunicazione: generazione numeri pseudocasuali, analisi statistica risultati. Esempi di simulatori ad eventi discreti: coda M/M/1 e Network Simulator. Reti Wireless - Reti Ad Hoc/Mesh.
Laboratorio di reti di telecomunicazione: generazione di numeri pseudo-casuali a supporto della simulazione di rete, simulazione di reti di telecomunicazione, emulazione di rete (architetture e protocolli), modelli matematici per l'ottimizzazione delle reti fisse e wireless.

Conoscenze di analisi matematica e calcolo delle probabilita'.

I prerequisiti comprendono conoscenze generali di statistica, reti e protocolli di rete.

Lezione frontale.

Lezione frontale ed esercitazioni.

Qualora l'insegnamento venisse impartito in modalità mista o a distanza potranno essere introdotte modifiche rispetto a quanto dichiarato nel syllabus per rendere il corso e gli esami fruibili anche secondo queste modalità.

Modalità d'esame

Esame scritto e orale

Prova scritta e orale. La prova consiste in una serie di esercizi e domande che fanno riferimento al programma svolto a lezione.
Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione.

Codice insegnamento 9207_49254_15821

C.I. Statistical Learning And Optimization 1° anno · 9 CFU · MATH-06/A · 0 file

Scopo del corso è di fornire una panoramica dei moderni metodi e algoritmi di ottimizzazione per applicazioni all’apprendimento statistico, machine learning e al data science. Verrà discussa la teoria alla base di questi…

Scheda dell'insegnamento

Obiettivi formativi

Scopo del corso è di fornire una panoramica dei moderni metodi e algoritmi di ottimizzazione per applicazioni all’apprendimento statistico, machine learning e al data science. Verrà discussa la teoria alla base di questi metodi (condizioni di ottimalità e teoria della dualità) e come scegliere i giusti metodi di ottimizzazione per diverse applicazioni di apprendimento statistico e machine learning.
Al termine del corso lo studente sarà in grado di:

  • Valutare gli algoritmi, le classi di funzioni e velocità di convergenza degli algoritmi più importanti.
  • Implementare i più importanti algoritmi di ottimizzazione per il data science in ambiente Python.
  • Comprendere il trade-off tra tempo computazionale e precisione di algoritmi per l’apprendimento statistico e machine learning.
    Dal punto di vista empirico, gli algoritmi presentati verranno applicati a database del mondo reale.

L'obiettivo del corso è quello di fornire allo studente i metodi e gli strumenti per estrarre informazione utile da dataset anche complessi a fini decisionali, valutando nel contempo la probabilità che la decisione presa non sia quella che porta al risultato desiderato. In particolare, lo studente acquisirà la capacità di valutare la complessità del dataset e le strutture di dipendenza/correlazione che lo caratterizzano, di identificare la metodologia adeguata per estrarre informazione dal dataset, di identificare gli algoritmi utili a tale scopo e di implementarli in ambiente MATLAB. Lo sviluppo del codice sarà assistito dall'intelligenza artificiale messa a disposizione dell'ambiente MATLAB.

Programma

Nello specifico il corso coprirà i seguenti argomenti:

  • Condizioni di ottimalità, Metodi di Ottimizzazione univariata e multivariata senza l’utilizzo di derivate (Derivative-Free), Metodo del Gradiente, Metodo del Gradiente Stocastico, Metodo del Subgradient, Metodo di Newton e Quasi-Newton, Metodo del Gradiente Coniugato, Metodi Penalty Function. Support Vector Machines (SVM): classificatori Soft and hard Margin e loro formulazione di programmazione quadratica (PQ). Metodo dei kernel. Condizioni di Karush-Kuhn-Tucker (KKT). Formulazione duale del problema PQ primale. Teoria della dualità di Wolfe per PQ. Problemi SVM multiclasse.
  • Alberi decisionali ottimali.

Uso pratico di algoritmi di apprendimento. Confronto tra algoritmi di apprendimento dal punto di vista dell'ottimizzazione. Utilizzo di software (Python).

  • Metodi di shrinkage per modelli di regressione lineare
  • Metodi di regressione per dati con errori eteroschedastici
  • Minimi quadrati generalizzati
  • Metodi di regressione per dati binari
  • Metodi di regressione per dati multinomiali
  • Metodi di regressione per dati di conteggio (regressione di Poisson)
  • Dati funzionali e metodi di regressione funzionale
  • Metodi Monte Carlo e Bootstrap per la valutazione dell'incertezza

Algebra lineare e funzioni reali di variabile reale in una e due variabili.

Conoscenze base di probabilità ed inferenza statistica.

Il corso sarà organizzato in lezioni frontali, esercitazioni e tutorato comprensive dello svolgimento di esempi e esercizi. Alcune lezioni si svolgeranno presso il laboratorio informatico in cui verranno implementate in ambiente Python le metodologie descritte a lezione su dati provenienti da vari contesti applicativi (business analytics, news, diagnosi medica ecc.).

Il corso è strutturato in lezioni frontali teoriche in aula e lezioni frontali in laboratorio informatico. Le lezioni in aula affrontano la metodologia statistica mentre le lezioni in laboratorio sono basate sul software MATLAB. Durante le lezioni in laboratorio gli studenti sono chiamati ad analizzare dataset provenienti da applicazioni reali e a competere con gli strumenti di intelligenza artificiale di analisi dati.

Modalità d'esame

L'esame si svolge in due parti:

  • discussione orale di casi studio assegnati (50 % del voto finale). Gli studenti possono lavorare in piccoli gruppi o individualmente.
  • Esame finale orale (50 % del voto finale).

Al fine di garantire l'efficace organizzazione e gestione delle prove d'esame, il docente può adottare il cosiddetto “salto d’appello” immediatamente successivo per gli studenti che abbiano riportato una valutazione gravemente insufficiente o che, essendosi iscritti, risultino assenti ingiustificati.

La verifica profitto si basa sulla valutazione dell'output prodotto da un lavoro di gruppo (eventualmente svolto singolarmente). Nel lavoro di gruppo, gli studenti scelgono un dataset e lo analizzano tramite i metodi statistici appresi a lezione. Al gruppo sarà richiesto di stendere un report e consegnare il codice software implementato.

Codice insegnamento 9207_45411_15815

Computer Security 1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file

Il corso si propone di fornire agli studenti le competenze di base per l'analisi e il progetto di sistemi informatici sicuri.

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di fornire agli studenti le competenze di base per l'analisi e il progetto di sistemi informatici sicuri.

Programma

CRITTOGRAFIA: Crittografia classica; Crittoanalisi; Moderni cifrari a blocchi simmetrici: DES e AES; Cifrari stream; Crittografia a chiave pubblica; Funzioni hash; Accordo su chiavi; Firme digitali; Message Authentication Code; PKI; Altre tecniche crittografiche. CONTROLLO DEGLI ACCESSI: Autenticazione: password, dispositivi hardware, biometria; controllo di accesso discrezionale; modello HRU; Modello Take-Grant; Mandatory Access Control: modello Bell-LaPadula, modello Biba; modello Mandatory e DBMS relazionali; Moderni linguaggi per politiche di accesso; Controllo dell'accesso basato su ruoli.

Conoscenze relative alle principali tecnologie informatiche. Il corso è pensato per studenti iscritti al corso di laurea magistrale in Ingegneria Informatica.

La didattica si svolgerà mediante lezioni frontali.

Modalità d'esame

L'esame consiste di una prova scritta al termine del corso. E' possibile superare l'esame con prove in itinere. E' possibile preparare un progetto individuale, da presentare al termine del corso.
Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione.

Codice insegnamento 9207_45421_18191

Control System Technology 1° anno · 2° semestre · 6 CFU · IINF-04/A · 0 file

Il corso si propone di analizzare tematiche fondamentali relative al controllo di sistemi in retroazione, con particolare enfasi su specifiche classi di sensori e attuatori, tecniche avanzate di tuning dei controllori…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di analizzare tematiche fondamentali relative al controllo di sistemi in retroazione, con particolare enfasi su specifiche classi di sensori e attuatori, tecniche avanzate di tuning dei controllori e metodologie per la progettazione di controllori digitali

Programma

Obiettivi formativi del corso sono analizzare i componenti tipici di un anello di controllo.

Si partirà quindi analizzando i sensori che permettono di conoscere lo stato del sistema. Se ne analizzeranno quindi le modalità di scelta, utilizzo e filtraggio.

Verranno poi analizzati gli attuatori con l'obbiettivo di fornire indicazioni sulla scelta corretta. Verranno quindi introdotti in modo dettagliato i motori elettrici.

Il terzo componente analizzato sono le tecniche di tuning controllori lineari.

Infine, tecniche di progettazione di algoritmi di controllo digitale vengono analizzate.

Fondamenti di Automatica (o equivalenti). Statistica (o equivalenti).

Lezioni frontali, presentazione di casi di studio e simulazioni al computer

Modalità d'esame

Esame scritto con domande a risposta aperta e/o esercizi. Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione.

Codice insegnamento 9207_45410_17841

Controllo Avanzato Multivariabile 1° anno · 2° semestre · 6 CFU · IINF-04/A · 0 file

L'obiettivo del corso è fornire allo studente competenze su metodologie avanzate per l'analisi dei sistemi dinamici multivariabili, e la progettazione di controllori avanzati. Alla fine del corso lo studente sarà in…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo del corso è fornire allo studente competenze su metodologie avanzate per l'analisi dei sistemi dinamici multivariabili, e la progettazione di controllori avanzati. Alla fine del corso lo studente sarà in grado di:

  • studiare la stabilità dei sistemi dinamici secondo il criterio di Lyapunov
  • analizzare le proprietà strutturali dei sistemi dinamici
  • progettare sistemi di controllo multivariabile
  • progettare un regolatore ottimo lineare quadratico (LQR)
  • progettare un controllore predittivo

Questo corso arricchisce la formazione dello studente nell'ambito dei controlli automatici e risulta essere un utile complemento ai seguenti corsi:
1) IMAD
2) Control Systems Technology
3) Controlli Automatici

Programma

1. Sistemi non lineari a tempo discreto: equilibri, stabilità, teoremi di Lyapunov.
2. Proprietà strutturali dei sistemi lineari SISO e MIMO: controllabilità, osservabilità, poli, zeri invarianti.
3. Progetto di regolatore per assegnamento degli autovalori.
4. Controllo ottimo. Controllo Lineare Quadratico (LQR): definizioni, proprietà, esempi.
5. Osservatore degli stati.
6. Controllo predittivo basato nel modello (MPC): formulazione. Stabilità.
7. Esempi di applicazione.

Elementi di analisi di sistemi dinamici lineari, basi di algebra delle matrici, calcolo differenziale multivariabile

1) Lezione frontali con il supporto di diapositive. Esse sono tutte disponibili prima dell’inizio del corso ed è utile che lo studente visioni le diapositive di una lezione prima di seguirla.
2) Lo studente è invitato a studiare gli argomenti della lezione con l’ausilio del libro di testo, delle diapositive e degli appunti personali.
3) Esercitazioni frontali svolte alla lavagna (elettronica o tradizionale). Il testo e lo svolgimento degli esercizi sono tutti disponibili prima dell’inizio del corso ed è utile che lo studente visioni gli svolgimenti degli esercizi prima di seguire l’esercitazione.
4) In parallelo a questo percorso sono proposte delle lezioni sull’implementazione Matlab dei concetti esposti nelle lezioni.

Modalità d'esame

La verifica dell'apprendimento avviene attraverso una prova scritta finale della durata di 2 ore e la presentazione di un progetto. La prova scritta è abitualmente costituita da 4 o 5 quesiti di natura teorica.

Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione.

Codice insegnamento 9207_45398_17843

Data Bases 2 1° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file

Al termine del corso, lo studente possiede una approfondita conoscenza del funzionamento interno di un moderno DBMS. L'attenzione viene soprattutto posta sulla comprensione dei principi che sono alla base della…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, lo studente possiede una approfondita conoscenza del funzionamento interno di un moderno DBMS. L'attenzione viene soprattutto posta sulla comprensione dei principi che sono alla base della costruzione dei vari componenti dedicati alla gestione dei dati e delle transazioni, mettendo a disposizione un repertorio di conoscenze che possono trovare uso anche al di fuori dello specifico dominio dei sistemi relazionali e guidare al progetto di applicazioni software efficienti.

Programma

Sistemi transazionali.

Ruolo dei sistemi transazionali ed esempi classici: sistemi finanziari, bancari, di prenotazione. Concetto di transazione. Proprietà di una transazione: atomicità, consistenza, isolamento, persistenza. Teoria del controllo di concorrenza. Nozioni di serializzabilità ed equivalenza fra schedule. Locking a due fasi. Locking gerarchico. Analisi e risoluzione dei deadlock. Cenni ad altre tecniche per il controllo di concorrenza basate sull'uso di timestamp. Teoria della affidabilità. Gestione del log. Protocolli di recovery.

Architettura interna di un server relazionale.

Nozione di pagina logica e fisica. Politiche di gestione del buffer. Tecniche di ricerca e gestione e riordino dei dati con: organizzazione sequenziale, diretta, ad indice. Alberi B e B+. Funzioni di hashing. Metodi di accesso: scansioni, ordinamenti, join. Ottimizzazione delle interrogazioni.

Architetture distribuite e parallele.

Scenari applicativi per le basi di dati in un sistema informativo distribuito. Descrizione delle funzionalità dei client e dei server. Classificazione delle tipologie di basi di dati distribuite. Frammentazione e allocazione dei dati. Distribuzione e ottimizzazione delle interrogazioni. Transazioni distribuite. Commit a due, tre o quattro fasi. Paxos commit. Parallelismo. Scale-up e speed-up delle transazioni. Gestione di dati replicati: tecniche sincrone e asincrone.

Basi di dati attive.

Descrizione del paradigma ECA (evento/condizione/azione) per regole attive. Meccanismi di esecuzione di regole attive. Tecniche di analisi per regole attive. Trigger nei sistemi relazionali. Applicazioni delle basi di dati attive.

Basi di dati XML.

Introduzione ad XML come standard di interoperabilità per scambiare dati. Basi di dati relazionali-XML, basi di dati XML native. Linguaggi di interrogazione per XML: XPath, XQuery.

Cenni ad aspetti evolutivi e linee di tendenza.

Non ci sono precedenze obbligatorie. Il corso assume che si disponga delle conoscenze relative alle basi di dati che vengono erogate negli insegnamenti di "Basi di dati".

La didattica si svolgerà mediante lezioni frontali ed esercitazioni. Durante il corso si proporranno continuamente riferimenti a problematiche correnti e a situazioni che derivano dall'esperienza professionale e di ricerca dei docenti.

Modalità d'esame

L'esame consiste in una prova scritta, tipicamente strutturata in 4-6 domande ed esercizi che coprono l'intero programma. E' consuetudine che compaia un esercizio che richiede di realizzare un sistema di trigger e un esercizio che chiede di formulare query in XQuery. Il tempo a disposizione per lo svolgimento della prova è di norma pari a 2,5 ore. Per gli studenti che frequentano il corso è anche possibile superare l'esame mediante prove in itinere, una offerta a metà del corso e l'altra a fine corso, ciascun su metà del programma. E' anche possibile sviluppare un elaborato.
Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione

Codice insegnamento 9207_45430_12905

Deep Learning 1° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file

Comprendere i principi fondamentali del deep learning, inclusi l’ottimizzazione, l’addestramento delle reti neurali e la generalizzazione. Progettare e implementare architetture avanzate di reti neurali come CNN, RNN e…

Scheda dell'insegnamento

Obiettivi formativi

  • Comprendere i principi fondamentali del deep learning, inclusi l’ottimizzazione, l’addestramento delle reti neurali e la generalizzazione.
  • Progettare e implementare architetture avanzate di reti neurali come CNN, RNN e Transformers.
  • Analizzare e applicare modelli generativi e tecniche di apprendimento delle rappresentazioni non supervisionato.
  • Identificare e affrontare le sfide nel deep learning, tra cui bias nei dati, cambiamenti di distribuzione, robustezza e adattamento al dominio.
  • Applicare i metodi di deep learning a problemi reali in ambiti come computer vision, elaborazione del linguaggio naturale, robotica, e reinforcement learning.
  • Valutare criticamente e applicare tecniche di transfer learning, apprendimento semi-supervisionato e few-shot learning.
  • Valutare le implicazioni etiche e sociali dei sistemi di deep learning, con attenzione a equità, bias e interpretabilità.
  • Sviluppa le competenze per portare a termine un progetto di deep learning, passando dalla formulazione del problema al deployment del modello.

Programma

1. Introduction to Machine Learning and Deep Learning: la prima parte copre le basi dell’apprendimento, incluse le tecniche di ottimizzazione, gli algoritmi basati sul gradiente, la generalizzazione e l’addestramento delle reti neurali.
2. Advanced Neural Networks: convolutional neural networks (CNNs) per dati di tipo immagine, recurrent neural networks (RNNs) per la modellazione sequenziale, e transformers, che costituiscono la base dei modelli moderni su larga scala.
3. Generative Models and Unsupervised Representation Learning: i modelli generativi includono Variational Autoencoders (VAEs), Generative Adversarial Networks (GANs) e diffusion models. Insieme a metodi di apprendimento delle rappresentazioni non supervisionato e self-supervised (es. DINO, SimCLR).
4. Challenges in Learning-Based Models: bias nei dataset, cambiamento di distribuzione, robustezza e generalizzazione, transfer learning, apprendimento semi-supervisionato e tecniche di adattamento che aiutano i modelli a funzionare bene su diversi compiti e domini.
5. Applications of Deep Learning:
5.1 Computer Vision: classificazione di immagini, rilevamento oggetti, segmentazione, generazione di didascalie, modelli visione-linguaggio e generazione di immagini da testo.
5.2 Natural Language Processing: embeddings, tokenizzazione, large language models come BERT e GPT, fine-tuning, prompting e traduzione automatica.
5.3 Modelli di visione, linguaggio e azione per il controllo robotico.
6. Deep Reinforcement Learning: concetti base di RL e modelli di policy basati su deep learning.
7. Responsible AI: interpretabilità, equità, bias e considerazioni etiche nell’uso di sistemi di deep learning.

Questo corso è pensato per studenti che hanno già una certa esperienza con la matematica di base e la programmazione. È consigliabile avere:

  • Una comprensione generale dei concetti fondamentali di algebra lineare, calcolo e probabilità a livello base.
  • Il completamento di un corso introduttivo di ML (o esperienza equivalente) è utile ma non obbligatorio.
  • Competenze base di programmazione in Python, inclusa la familiarità con librerie come NumPy e Pandas. L’uso precedente di PyTorch o TensorFlow è un vantaggio, ma non indispensabile.

Il corso utilizzerà slide e Google Colab per esercitazioni pratiche di programmazione. Tutti i materiali saranno messi a disposizione degli studenti prima delle lezioni.

Si noti che tutto il materiale didattico e le modalità di svolgimento delle lezioni saranno in lingua inglese.

Modalità d'esame

L’apprendimento degli studenti sarà valutato attraverso una combinazione di due compiti e un esame scritto finale.

Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione

Codice insegnamento 9207_45437_40362

Elettronica E Misure Industriali 1° anno · 2° semestre · 11 CFU · IINF-01/A · 0 file

Il corso offre una vasta panoramica sulla strumentazione elettronica utilizzata per misure accurate in campo industriale. Vengono approfondite le tematiche legate all'amplificazione, al filtraggio, al campionamento dei…

Scheda dell'insegnamento

Obiettivi formativi

Il corso offre una vasta panoramica sulla strumentazione elettronica utilizzata per misure accurate in campo industriale. Vengono approfondite le tematiche legate all'amplificazione, al filtraggio, al campionamento dei segnali, alla conversione analogico-digitale, all'effetto del rumore elettronico. Vengono inoltre presentati gli strumenti di misura comunemente utilizzati per la caratterizzazione di circuiti elettronici. Infine vengono descritti alcuni esempi di sistemi per l'acquisizione di segnali da sensori realizzati con le più evolute tecnologie microelettroniche. Il corso prevede un'intensa attività pratica di laboratorio.

Programma

1. Introduzione. Catena elettronica di acquisizione di segnali. Amplificazione, filtraggio, campionamento, quantizzazione, conversione analogico-digitale. Analisi di Fourier e trasformata di Laplace. 2. Amplificatori operazionali. Transistori bipolari. Stadi di amplificazione. Amplificatori operazionali. Specifiche degli OPAMP. Offset, corrente di ingresso e loro compensazione. Effetti del guadagno finito. Effetti della reazione su resistenze di ingresso e uscita. Effetto della reazione sulla risposta in frequenza. Prodotto banda-guadagno. Criteri di stabilità. 3. Disturbi e rumore. Rumore di interferenza. Rumore dalle alimentazioni. PSRR. Rumore stocastico. Rapporto segnale-rumore. Densità spettrale di potenza. Sorgenti di rumore nei dispositivi elettronici. Rumore negli amplificatori operazionali. Effetto del rumore in un circuito di elaborazione analogica di segnali da sensori. 4. Filtri attivi. Filtri low-pass, high-pass, bandpass. Filtri Butterworth, Chebyshev, Bessel. Realizzazione di filtri con amplificatori operazionali. Filtri a condensatori commutati. 5. Campionamento di segnali analogici. Analisi di Fourier di segnali campionati. Teorema di campionamento. Aliasing e filtri antialiasing. DFT e FFT. Spectral leakage e windowing. 6. ADC e DAC. Rumore di quantizzazione. Bit effettivi di risoluzione. Schemi di convertitori D/A. Convertitori A/D. Convertitori a rampa, ad approssimazioni successive, pipeline, Flash ADC. Convertitori a sovracampionamento (sigma-delta). 7. Strumenti elettronici di misura. Multimetri. Misura di tensioni e correnti. Misure di impedenze. Oscilloscopi digitali. Analizzatori di segnale a FFT. Analizzatori di spettro a supereterodina. Analizzatori di rete. Analizzatori di stati logici. Generatori di segnale.

Conoscenze di base sull'elettronica.

Lezioni in aula, esercitazioni in laboratorio

Modalità d'esame

Esame orale al termine del corso. Agli studenti viene richiesto inoltre di consegnare una relazione sulle attività svolte in laboratorio. L'esame prevede domande sugli argomenti svolti durante il corso e la discussione della relazione di laboratorio.

Codice insegnamento 9207_49255_1797

Elettronica Industriale 1° anno · 2° semestre · 6 CFU · IINF-01/A · 0 file

Al termine del corso lo studente possiede una conoscenza approfondita dei principali aspetti ingegneristici e tecnologici connessi con la realizzazione, a livello industriale, di sistemi destinati all’acquisizione,…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente possiede una conoscenza approfondita dei principali aspetti ingegneristici e tecnologici connessi con la realizzazione, a livello industriale, di sistemi destinati all’acquisizione, all’elaborazione ed al controllo di grandezze fisiche ambientali quali temperatura, forza, accelerazione, ecc.
A tale scopo la prima parte del corso è dedicata alla presentazione di diversi tipi di trasduttori in grado di convertire grandezze fisiche generiche in grandezze di tipo elettrico. Da queste è possibile passare ad una tensione che abbia determinate proprietà attraverso opportune reti di condizionamento. La grandezza fisica misurata può essere tenuta sotto controllo attraverso l’impiego di attuatori, che permettono di intervenire sul processo, ai quali viene dedicata la seconda parte del corso. Nella terza parte, infine, vengono illustrate le principali modalità di realizzazione della sezione di elaborazione che, a partire dalla grandezza fisica misurata dal trasduttore, stabilisce come controllare l’attuatore.

Programma

Introduzione al corso

  • Sistema di controllo per processi industriali.

Trasduttori

  • Generalità sui trasduttori: classificazione, caratteristiche statiche e dinamiche.
  • Trasduttori di posizione lineare: a potenziometro, elettro-ottico, capacitivo a lamina, capacitivo cilindrico, a induttanza variabile, trasformatore differenziale.
  • Trasduttori di posizione angolare: a potenziometro. Encoder binario e a codice Gray, Encoder incrementale.
  • Trasduttore di velocità: trasduttore elettromagnetico.
  • Trasduttore di velocità angolare: dinamo tachimetrica, elettroottico, a carica e scarica capacitiva.
  • Trasduttore di accelerazione: a massa e molla, servoaccelerometro, accelerometro piezoelettrico.
  • Trasduttore di deformazione: Estensimetri: misura di forze, della coppia, della pressione.
  • Trasduttore di temperatura: termocoppie e termopile, termoresistenze, termistori, trasduttori integrati di temperatura
  • Rivelatori di radiazione.
  • MEMS e eircuiti di interfaccia per microsensori integrati

Reti di condizionamento

  • Amplificatori di tensione, di corrente e di carica.
  • Misure di R e G.
  • Circuiti a ponte.
  • Reti per sensori elettro-ottici.
  • Raddrizzatori sincroni e asincroni.
  • Trasmissione del segnale e collegamento con microcontrollore.

Attuatori

  • Introduzione agli azionamenti elettrici. Valvole elettroniche di potenza.
  • Diodi, tiristori: SCR, TRIAC. Interruttori controllati: BJT, GTO, IGBT.
  • Motore in Corrorrente Continua. Motore Passo Passo. Circuiti per il pilotaggio di motori passo-passo.Circuiti per il pilotaggio di motori passo-passo. Power MOSFET driving circuit, Motion control, Switching regulator.

Controllo

  • Introduzione ai sistemi di controllo.
  • ASICs, PLD, FPGA.
  • Struttura di un microcontrollore.

Per un’adeguata comprensione degli argomenti è richiesta la conoscenza dei principali argomenti trattati nei corsi di Elettronica.

La didattica si svolgerà tramite lezioni frontali. Durante il corso saranno organizzati incontri con ricercatori ed esperti del settore finalizzati all’approfondimento di particolari applicazioni di elettronica industriale.

Modalità d'esame

La verifica dell'apprendimento avviene attraverso una prova scritta finale di 2 ore. La prova scritta consiste di 6 quesiti a risposta aperta che riguardano gli aspetti teorici del corso, ciascuno corrispondente a 5 punti. I risultati dello scritto vengono resi pubblici sullo sportello studente.
Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell’effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione.
Non sono previste prove intermedie.

Codice insegnamento 9207_45434_1605

Gestione Aziendale 1° anno · 2° semestre · 6 CFU · IEGE-01/A · 0 file

Al termine del corso lo studente possiede una conoscenza approfondita della gestione d'impresa con particolare riferimento all'organizzazione aziendale, ai metodi di decision making e alla gestione delle relazioni…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente possiede una conoscenza approfondita della gestione d'impresa con particolare riferimento all'organizzazione aziendale, ai metodi di decision making e alla gestione delle relazioni all'interno della filiera. Le principali abilità acquisite nel corso sono: 1) identificare le principali strutture organizzative e adattarle all'ambiente in cui opera l'impresa; 2) applicare metodi di valutazione di diverse alternative decisionali per problemi multi-obiettivo, caratterizzati da rischio/incertezza o in presenza di diversi attori; 3) identificare la tipologia di relazione da mantenere tra l'impresa e i propri fornitori.
Nel percorso da 9 crediti formativi, lo studente apprende inoltre come è strutturato il processo di previsione della domanda all'interno di un'azienda e le principali tecniche di demand forecasting (media mobile, modelli di scomposizione e di smorzamento esponenziale).

Programma

Il corso è strutturato in 4 parti: La progettazione organizzativa: ripresa e approfondimento dei contenuti di Economia e Organizzazione Aziendale e teorie contingenti. Organizzazione, macrostruttura, microstruttura, fattori contingenti quali l’ambiente esterno e le caratteristiche interne al contesto aziendale, processi aziendali. Il processo decisionale: approcci, metodi e strumenti. Criteri di scelta in condizioni di rischio e incertezza, metodi di quantitavi a supporto delle scelte . La gestione della supply chain e le relazioni cliente-fornitore: scelte di make or buy, relazioni di partnership, collaborazione operativa e tecnologica (per 9 crediti), supply chain management (per 9 crediti). La gestione della domanda (per 9 crediti). Il processo di previsione della domanda e modelli quantitativi di pricing.

Conoscenza di base dell'economia e dell'organizzazione aziendale (non obbligatorie)

La didattica è articolata in 4 parti corrispondenti alle 4 aree tematiche del corso: Organizzazione Aziendale Processo Decisionale Gestione della Supply Chain Previsione della domanda Ogni area prevederà l’utilizzo di diverse modalità di svolgimento delle attività didattiche tra cui: Lezioni frontali , Esercitazioni e discussione di casi, Testimonianze aziendali.

Modalità d'esame

La verifica dell’apprendimento avviene mediante una prova finale

prova scritta composta da domande teoriche su modelli organizzativi e da esercizi numerici. la prova ha una durata di 2h:30 min
i dettagli saranno contenuti nel materiale discusso il primo giorno del corso

Codice insegnamento 9207_45423_82

Gestione Dei Sistemi Ict 1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file

Al termine del corso lo studente possiede conoscenze diversificate nell’ambito delle ICT (Information and Communication Technologies), con particolare riferimento agli aspetti organizzativi, metodologici, tecnologici e…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente possiede conoscenze diversificate nell’ambito delle ICT (Information and Communication Technologies), con particolare riferimento agli aspetti organizzativi, metodologici, tecnologici e architetturali dei sistemi informativi aziendali.
In particolare, lo studente è in grado di comprendere il ruolo dei sistemi informativi all’interno dell’organizzazione; conosce le caratteristiche dei sistemi ERP e le modalità della loro integrazione nei processi aziendali; conosce il contenuto di un’Enterprise Architecture Blueprint ed è in grado di rappresentare l’architettura di una piccola organizzazione; conosce le fasi della progettazione di un sistema informativo e dello studio di fattibilità; conosce gli strumenti di Business Intelligence e i principali aspetti relativi alla sicurezza dei sistemi informativi.
Lo studente conosce inoltre i principi per la gestione dei sistemi ICT basati sull’intelligenza artificiale, con particolare riferimento alla definizione di ruoli e responsabilità, alla gestione dei rischi e degli impatti, alla qualità dei dati, al controllo umano, al monitoraggio delle prestazioni e al miglioramento continuo.

Programma

Il programma dell’insegnamento prevede la presentazione e trattazione dei seguenti argomenti:

  • Introduzione ai Sistemi Informativi
  • Sistemi ERP: stato dell’arte ed evoluzione, paradigma ERP, piattaforme software
  • Enterprise Architecture: framework e strumenti
  • Business Intelligence
  • Progettazione dei Sistemi Informativi: ciclo di vita, studio di fattibilità, valutazione dei rischi e degli impatti
  • Gestione dei sistemi ICT basati sull’intelligenza artificiale: ruoli e responsabilità, gestione dei dati, controllo umano, monitoraggio delle prestazioni e miglioramento continuo
  • Sicurezza dei Sistemi Informativi

Nessuno

La didattica si svolgerà tramite lezioni frontali alternando lezioni teoriche ad attività pratiche. Si pone inoltre un'attenzione particolare al confronto e al dialogo diretto con gli studenti, che potranno, durante le lezioni, formulare proposte di approfondimento.

Durante il corso saranno organizzati seminari finalizzati all'approfondimento di argomenti visti a lezione. Al fine di meglio strutturare tali seminari, il docente procederà ad individuare gli argomenti in relazione alle tematiche esposte.

Modalità d'esame

L'esame finale è costituito da una prova scritta e una successiva prova orale che prevede la presentazione dei risultati di un project work.
La prova scritta è strutturata in due parti: una parte consiste in quesiti a risposta aperta che riguardano gli aspetti teorici della disciplina, mentre l'altra parte prevede la risoluzione di un esercizio su uno degli argomenti trattati durante il corso.

La valutazione sarà costituita per il 10% sulla base del project work (di gruppo) sviluppato utilizzando un software ERP open-source e il restante dalla prova scritta.

Codice insegnamento 9207_45407_1548

Identificazione Dei Modelli E Analisi Dei Dati 1° anno · 1° semestre · 6 CFU · IINF-04/A · 0 file

Il corso di Identificazione dei Modelli e Analisi dei Dati (IMAD) ha l'obiettivo di fornire allo studente i concetti teorici e pratici per la stima di modelli matematici a partire da osservazioni del fenomeno che si…

Scheda dell'insegnamento

Obiettivi formativi

Il corso di Identificazione dei Modelli e Analisi dei Dati (IMAD) ha l'obiettivo di fornire allo studente i concetti teorici e pratici per la stima di modelli matematici a partire da osservazioni del fenomeno che si vuole modellare. Il corso è diviso in due parti. La prima parte tratta la stima di modelli statici e algoritmi di regressione e classificazione, i cui concetti sono propedeutici alla seconda parte del corso e ai corsi successivi di

  • Adaptive Learning, Estimation and Supervision of dynamical systems
  • Machine learning e Statistical learning.
    La seconda parte del corso riguarda la stima di modelli dinamici, il cui utilizzo è fondamentale per mettere in pratica le tecniche di controllo e filtraggio dei sistemi dinamici.

Alla fine del corso lo studente sarà in grado di:

  • Formulare un problema di stima, individuando le variabili del problema (e.g. dati di input e output)
  • Stimare un modello statico o dinamico dai dati, attraverso la risoluzione di un problema di ottimizzazione
  • Scegliere il modello più opportuno per la tipologia di dati a disposizione
  • Valutare la bontà del modello stimato dai dati
  • Applicare diverse metodologie di stima, a seconda della domanda a cui si vuol fornire una risposta tramite l’analisi del dato

Il corso è complementare ai corsi di:

  • Control Systems Technology
  • Controlli Automatici
  • Controllo Avanzato e Multivariabile

Il corso fornisce le basi per il corso di:

  • Adaptive learning, estimation and supervision of dynamical systems

Programma

INTRODUZIONE
Richiami di statistica. Variabili casuali scalari e multivariabili. Distribuzioni di probabilità continue e discrete. Teoria della stima e stimatori.

PARTE 1: SISTEMI STATICI
Regressione lineare. Formulazione del problema e funzione di costo. Stima a minimi quadrati. Metodo del gradiente discendente. Proprietà della stima a minimi quadrati. Esercizi in MATLAB

Stima a massima verosimiglianza. Stima di parametri della popolazione. Stima di modelli lineari.

Regressione logistica per la classificazione. Formulazione del problema e funzione di costo. Esercizi in MATLAB

Fondamenti di machine learning. Introduzione al machine learning e alla data science. Problemi supervisionati e non supervisionati. Fattibilità dell'apprendimento. Bias-variance tradeoff. Learning curves. Overfitting. Regolarizzazone. Validazione, cross-validazione e formule di complessità ottima. Esercizi in MATLAB

PARTE 2: SISTEMI DINAMICI
Processi stocastici. Processi stocastici stazionari. Momenti temporali e ergodicità. Trasformata Z e trasformata di Fourier. Densità spettrale di potenza. Stima spettrale. Sistemi dinamici lineari discreti deterministici. Sistemi dinamici lineari discreti stocastici. Esercizi in MATLAB

Famiglie di modelli stocastici. Famiglie di modelli a spettro razionale. Serie temporali: MA, AR, ARMA. Sistemi ingresso\uscita: ARX, ARMAX, FIR, OE, BJ.

Predizione. Scomposizione di Wold. Filtro passa-tutto e forma canonica. Predittore ottimo. Predittore ottimo per processi MA, ARMA, ARMX. Confronto con predittore di Kalman

Identificazione: concetti fondamentali. Metodi a minimizzazione dell'errore di predizione (PEM). Identificazione PEM di modelli ARX, ARMAX. Esercizi in MATLAB

Identificazione: analisi e complementi. Analisi asintotica dei metodi PEM. Persistente eccitazione. Valutazione dell'incertezza della stima PEM. Esercizi in MATLAB

Identificazione: valutazione del modello. Scelta della struttura e della complessità del modello. Validazione e formule di complessità. Analisi dei residui. Analisi dell'incertezza della stima. Simulazione vs. predizione del modello identificato. Esercizi in MATLAB

I prerequisiti del corso sono i seguenti:

  • Analisi dei sistemi dinamici a tempo continuo e discreto. Schemi a blocchi e retroazione. Risposta in frequenza. Teorema del campionamento. Trasformata di Fourier.
  • Matrici, autovalori e autovettori, spazi vettoriali.
  • Derivate, integrali, gradienti, limiti, punti stazionari di una funzione matematica.
  • Variabili casuali, distribuzioni di probabilità, momenti di una distribuzione di probabilità.

Il percorso didattico proposto allo studente è il seguente:

1) Seguire la lezione frontale esposta con il supporto di diapositive. Esse sono tutte disponibili prima dell’inizio del corso ed è utile che lo studente visioni le diapositive di una lezione prima di seguire la lezione.

2) Studiare gli argomenti della lezione con l’ausilio del libro di testo, delle diapositive e degli appunti personali.

3) Rispondere agli esercizi MATLAB predisposti. Lo scopo di questi esercizi è verificare sia conoscenza dei concetti esposti, la loro comprensione e la capacità dello studente di utilizzarli

4) Seguire l’esercitazione frontale svolta alla lavagna (elettronica o tradizionale). Il testo e lo svolgimento degli esercizi sono tutti disponibili prima dell’inizio del corso ed è utile che lo studente visioni gli svolgimenti degli esercizi prima di seguire l’esercitazione.

6) Verso la fine delle lezioni lo studente è in grado di svolgere un tema d’esame, proposto con la sua soluzione.

Viene data molta importanza alla partecipazione attiva alle lezioni da parte degli studenti, che viene stimolata mediante un dialogo continuo. Gli studenti possono trovare il docente in ogni momento (meglio previo appuntamento) recandosi presso l'ufficio del docente (Laboratorio di Automatica).

Modalità d'esame

La verifica dell'apprendimento avviene attraverso una prova scritta finale della durata di 2 ore. Essa è abitualmente costituita da 6 quesiti: 3 esercizi e 3 domande teoriche. Tutti gli esercizi e le domande valgono da 5 a 8 punti.
Non sono previste prove in itinere. Lo svolgimento dei compiti per casa concorre fino a +3 punti sul voto finale.

Al fine di garantire l'efficace organizzazione e gestione delle prove d'esame, il docente può adottare il cosiddetto “salto d’appello” immediatamente successivo per gli studenti che abbiano riportato una valutazione gravemente insufficiente o che, essendosi iscritti, risultino assenti ingiustificati.

N.B. Per gli allievi informatici questo corso può essere integrato con Controlli Automatici. Il voto complessivo del corso integrato sarà calcolato come media (approssimata all'intero superiore) dei voti conseguiti nei due moduli.

Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione.

Codice insegnamento 9207_49256_1805

Introduction To Machine Learning 1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso, gli studenti comprenderanno i concetti chiave e gli algoritmi del machine learning (ML). Acquisiranno esperienza pratica nell’implementazione di modelli di ML utilizzando Python e librerie…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, gli studenti comprenderanno i concetti chiave e gli algoritmi del machine learning (ML). Acquisiranno esperienza pratica nell’implementazione di modelli di ML utilizzando Python e librerie rilevanti, come Scikit-Learn e PyTorch. Inoltre, impareranno a valutare e ottimizzare i modelli di machine learning per diversi compiti.

Programma

  • Introduzione al Machine Learning: panoramica dei paradigmi di machine learning, principali applicazioni e differenze tra apprendimento supervisionato, non supervisionato e per rinforzo.
  • Apprendimento Supervisionato: comprensione dei dati etichettati, regressione vs classificazione, e algoritmi chiave come regressione lineare e regressione logistica.
  • Nearest Neighbors: introduzione all’algoritmo k-Nearest Neighbors (k-NN), metriche di distanza e confini decisionali.
  • Alberi decisionali e Random Forest: spiegazione dell’apprendimento degli alberi decisionali, entropia, guadagno informativo e metodi ensemble come bagging e random forest.
  • Metodi a kernel: introduzione al kernel trick, Support Vector Machines (SVM) e loro applicazione in spazi ad alta dimensionalità.
  • Reti neurali profonde: panoramica del deep learning, comprese reti feedforward, reti neurali convoluzionali (CNN) per l’elaborazione di immagini e reti neurali ricorrenti (RNN) per dati sequenziali.
  • Time series forecasting: la stima di valori futuri basata su dati storici osservati e dotati di marcatura temporale. Tale processo modella le dipendenze temporali, come trend e stagionalità.
  • Apprendimento non supervisionato: esplorazione di metodi di clustering (K-means, clustering gerarchico) e tecniche di riduzione della dimensionalità (PCA, t-SNE).
  • Modelli generativi: introduzione a generative adversarial networks (GANs), variational autoencoders (VAEs), modelli autoregressivi e modelli di diffusione per la generazione di dati sintetici.
  • Apprendimento per rinforzo: fondamenti dell’apprendimento per rinforzo, processi decisionali di Markov (MDP), Q-learning e metodi basati su policy gradient.

Si consiglia una conoscenza di base degli algoritmi di informatica, dell’algebra lineare e della programmazione (Python).

Le lezioni saranno supportate da slide, che verranno fornite agli studenti in anticipo. Le esercitazioni di laboratorio saranno svolte utilizzando Python.

Modalità d'esame

Gli studenti saranno valutati tramite un esame scritto, che comprenderà domande teoriche. Il voto finale sarà espresso su una scala da 30 punti.

Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione”

Codice insegnamento 9207_45438_40360

Laboratorio Di Programmazione Evoluta E Competitiva 1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file

L'obiettivo del corso è studiare ed imparare a risolvere problemi algoritmici che si trovano tipicamente in competizioni di programmazione. Particolare attenzione viene dedicata a come utilizzare algoritmi…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo del corso è studiare ed imparare a risolvere problemi algoritmici che si trovano tipicamente in competizioni di programmazione. Particolare attenzione viene dedicata a come utilizzare algoritmi fondamentali, strutture dati, e approcci tipici (patterns) per produrre soluzioni con bassa complessità computazionale. Al termine del corso lo studente sarà in grado di applicare le conoscenze acquisite anche al di fuori dello specifico ambito delle competizioni di programmazione, e sarà in grado di implementare delle soluzioni che performano bene anche nel caso problemi caratterizzati da input di grandi dimensioni.

Programma

Il corso è strutturato in unità.

  • Introduzione alle coding competitions. Lo studente verrà introdotto alla programmazione competitiva. Lo studente ripasserà il concetto di complessità computazionale (tempo e spazio), che viene utilizzato per determinare la qualità di una soluzione. Lo studente ripasserà la notazione asintotica.
  • Scelta del linguaggio di programmazione. Lo studente comprenderà i vantaggi e gli svantaggi legati all'uso di diversi linguaggi di programmazione nel dominio delle competizioni di programmazione. Lo studente ripasserà le fondamenti della programmazione in Python. Problemi specifici verranno utilizzati per studiare le differenze tra array, lista, e hashmap. Analisi e valutazione del dynamic resizing.
  • Ordinamento. Lo studente implementerà i principali approcci per ordinare numeri. Lo studente comprenderà le proprietà associate ad ogni metodo di ordinamento. Inoltre, lo studente imparerà a utilizzare in modo combinato (e.g., approccio ibrido) i diversi metodi di ordinamento, con l'obiettivo di migliorare l'efficienza in caso di limitazioni legate all'hardware (e.g., limitata quantità di memoria).
  • Strutture dati. Lo studente studierà ed implementerà le strutture dati fondamentali quali Pila, Coda (anche con priorità), Heap, Albero Binario (eventualmente con auto-bilanciamento), Grafo, LRU Cache, Trie, Union-Find, Segment Tree, Sparse Table. Una selezione di coding questions sarà usata per mettere in risalto il vantaggio che si può trarre dall'uso di ciascuna struttura.
  • Programmazione dinamica e ricorsione. Lo studente studierà come utilizzare la programmazione dinamica e la ricorsione per risolvere problemi algoritmici. Lo studente studierà anche le problematiche associate a ciascuno dei due approcci.
  • Soluzione di problemi per categoria. Lo studente studierà e risolverà una selezione di problemi da categorie comuni. Per la categoria string ad esempio, lo studente apprenderà come cercare prefissi in modo efficiente.
  • Programmazione evolutiva e genetica. Lo studente studierà i principi e i concetti comuni alla computazione evolutiva. Si studierà in dettaglio la programmazione evolutiva (concetti come popolazione, mutazioni, selezione) e la programmazione genetica (concetti come genotipo, crossover, fitness).
  • Algoritmi di ricerca. Lo studente sarà introdotto all'utilizzo di algoritmi di ricerca, con un focus su tecniche di base e avanzate (metaeuristiche), per lo sviluppo di soluzioni software efficienti in diversi contesti applicativi.

Non ci sono prerequisiti formali. Il corso assume che lo studente abbia familiarità con la programmazione e la notazione asintotica.

Lezioni con approfondimenti teorici abbinate a sessioni di programmazione interattiva ed esercizi di laboratorio. Il docente esporrà allo studente un problema algoritmico, spiegherà come risolvere in modo efficiente il problema, infine implementerà una soluzione in modo interattivo.
Una copia di tutto il materiale utilizzato dal docente sarà disponibile sulla piattaforma e-learning dell'università.

Modalità d'esame

Esame scritto e progetto obbligatorio.
L'esame scritto è strutturato in 2/3 esercizi che coprono i primi 6 moduli del programma. L'obiettivo dell'esame è verificare che lo studente abbia appreso gli algoritmi ed i concetti spiegati durante il corso. E' consuetudine che compaia un esercizio che richiede di implementare un algoritmo studiato in classe ed un esercizio stile coding interview dove viene valutata la capacità di applicare le nozioni apprese durante il corso al fine di risolvere un problema applicativo. Il tempo disponibile è di solito di 1.5 o 2 ore.
Il progetto obbligatorio è focalizzato sulla valutazione dei moduli di programmazione evolutiva ed algoritmi di ricerca.
I punteggi ottenuti nell'esame scritto e nel progetto contribuiscono entrambi alla definizione del voto finale (in misura proporzionale al numero di ore dedicate ai moduli).

Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione

Codice insegnamento 9207_45394_18193

Linguaggi Formali 1° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file

Presentare le tecniche per la definizione dei linguaggi formali e mostrare gli algoritmi di riconoscimento dei linguaggi. Presentazione degli strumenti freeware per la generazione automatica dei compilatori. Lo…

Scheda dell'insegnamento

Obiettivi formativi

Presentare le tecniche per la definizione dei linguaggi formali e mostrare gli algoritmi di riconoscimento dei linguaggi.
Presentazione degli strumenti freeware per la generazione automatica dei compilatori.
Lo studente acquisirà la capacità di progettare piccoli linguaggi artificiali e realizzare il traduttore.

Programma

Teoria dei linguaggi.
Operatori sui linguaggi.
Espressioni regolari: derivazione del linguaggio, riconoscimento mediante automi a stati finiti-
Sintassi dei linguaggi: grammatiche BNF, proprietà.
Famiglie di linguaggi e tecniche di riconoscimento (parsing): discendente (LL(1)) e ascendente (LR(0), LALR(1), LR(1)).
Semantica dei linguaggi: modello delle grammatiche ad attributi e modalità di valutazione semantica.
La macchina virtuale di Java e il byte code.

Buona conoscenza delle nozioni fondamentali di informatica e relative ai linguaggi di programmazione.

Lezioni frontali, esercizi.
Sedute in laboratorio.

Modalità d'esame

Esame scritto obbligatorio.
Progetto facoltativo ma consigliato.

Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell’effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell’insegnamento e della corretta attribuzione della valutazione.

Codice insegnamento 9207_45429_10013

Modulo Di Controlli Automatici 1° anno · 1° semestre · 6 CFU · IINF-04/A · 0 file

Il corso di controlli automatici e' la naturale prosecuzione del corso di Fondamenti di Automatica. L'obiettivo è fornire allo studente nuove competenze su metodologie più avanzate per l'analisi dei sistemi dinamici,…

Scheda dell'insegnamento

Obiettivi formativi

Il corso di controlli automatici e' la naturale prosecuzione del corso di Fondamenti di Automatica.
L'obiettivo è fornire allo studente nuove competenze su metodologie più avanzate per l'analisi dei sistemi dinamici, la progettazione dei controllori ed il filtraggio. Inoltre sara' fornita una buona conoscenza operativa del filtraggio alla Kalman ed una buona capacità di progettare sistemi di controllo con tecniche avanzate direttamente nel dominio digitale.
Alla fine del corso lo studente sara' in grado di:

  • progettare ed implementare un filtro di Kalman;
  • progettare elementari sistemi di controllo multivariabile
  • progettare sistemi di controllo in cascata
  • realizzare implementazioni anti-windup per controllori PID
  • progettare sistemi di controllo di posizione e velocita per motori elettrici in corrente continua

Programma

PARTE 1 - Proprietà strutturali dei sistemi dinamici Raggiungibilità, Controllabilità, Osservabilità, Ricostruibilità Test di Kalman Realizzazione in forma di stato, forme canoniche, sistema duale Assegnamento degli autovalori, ricostruzione dello stato.
PARTE 2 - Filtro di Kalman Introduzione e problema base per il caso lineare tempo invariante predizione ad un passo estensioni soluzione di regime e teoremi asintotici Filtro di Kalman Esteso (EKF) e identificazione a scatola grigia
PARTE 3 - Controllo predittivo Controllo predittivo a Minima Varianza (MV): legge di controllo, proprieta' del sistema di controllo; controllo a Minima Varianza Generalizzata (GMV): schema di progetto a Modello di Riferimento (MR), schema di progetto a controllo penalizzato.
PARTE 4 - Metodi avanzati di controlli automatici Compensazione di disturbi in anello aperto, implementazione anti-windup di controllori con azione integrale, predittore di Smith, controllo in cascata. Cenni di controllo multivariabile: metodi di disaccoppiamento, controllo decentralizzato, matrice dei guadagni relativi.
PARTE 5 - Controllo del moto Principi di conversione elettromeccanica. Motori elettrici a corrente continua: modellistica ed analisi dinamica. Controllo di velocita'. Controllo di posizione. Compensazione dei disturbi di coppia.

Analisi dei sistemi dinamici a tempo continuo e a tempo discreto sia nel dominio del tempo che nel dominio delle frequenze.
Progettazione di controllori lineari in retroazione usando metodi in frequenza.

Il percorso didattico proposto allo studente è il seguente:
1) Seguire la lezione frontale esposta con il supporto di diapositive. Esse sono tutte disponibili prima dell’inizio del corso ed è utile che lo studente visioni le diapositive di una lezione prima di seguirla.
2) Studiare gli argomenti della lezione con l’ausilio di libri di testo, delle diapositive e degli appunti personali.
3) Seguire l’esercitazione frontale svolta alla lavagna (elettronica o tradizionale). Il testo e lo svolgimento degli esercizi sono tutti disponibili prima dell’inizio del corso ed è utile che lo studente visioni gli svolgimenti degli esercizi prima di seguire l’esercitazione.
4) Svolgere gli esercizi proposti, disponibili su Teams in numero limitato ed accuratamente selezionati. Lo scopo degli esercizi proposti è verificare il livello di comprensione dei concetti esposti nelle lezioni ed esercitazioni e la capacità dello studente di utilizzarli.
5) Verso la fine delle lezioni lo studente è in grado di svolgere alcuni temi d’esame, proposti con la loro soluzione e scelti tra i più rappresentativi e paradigmatici.
6) Agli studenti è offerta la possibilità di svolgere un progetto finale che sarà possibile sottomettere al docente per la valutazone. L’obiettivo è rendere lo studente autonomo nell’utilizzo di Matlab per la risoluzione di problemi di Automatica.

Vengono svolti alcuni esempi di applicazione nell'ambito del controllo di sistemi industriali. Sono previsti seminari didattici da parte di ricercatori industriali e accademici. Viene data molta importanza alla partecipazione attiva alle lezioni da parte degli studenti, che viene stimolata mediante un dialogo continuo.
Gli studenti possono trovare il docente in ogni momento (meglio previo appuntamento) recandosi presso l'ufficio del docente (Ufficio 303 Edificio C).

Modalità d'esame

La verifica dell'apprendimento avviene attraverso una prova scritta finale della durata di 2 ore. Essa e' abitualmente costituita da 5 o 6 quesiti: 4 esercizi ed 1 o 2 domande teoriche. Tutti gli esercizi e le domande valgono da 5 a 8 punti. Sono previste prove in itinere.
Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione.

N.B. Per gli allievi informatici questo corso può essere integrato con Identificazione dei Modelli ed Analisi dei Dati. Il voto complessivo del corso integrato sarà calcolato come media (approssimata all'intero superiore) dei voti conseguiti nei due moduli.

Codice insegnamento 9207_45431_1796

Multimedia Internet 1° anno · 2° semestre · 6 CFU · IINF-03/A · 0 file

Il modulo è dedicato alla presentazione e descrizione dei principali protocolli impiegati nella rete Internet per la trasmissione di contenuti multimediali. Sono dapprima introdotte le principali tecnologie di…

Scheda dell'insegnamento

Obiettivi formativi

Il modulo è dedicato alla presentazione e descrizione dei principali protocolli impiegati nella rete Internet per la trasmissione di contenuti multimediali. Sono dapprima introdotte le principali tecnologie di trasmissione e di trasporto dei contenuti multimediali e i meccanismi di garanzia della qualità del servizio, le reti CDN (Content Delivery Networks) e i paradigmi di evoluzione della rete Internet (ICN, Information Centric Networks, SDN, Software Defined Networking). L'ultima parte del corso è dedicata alle reti locali wireless e alla convergenza con le reti multimediali.

Programma

Introduzione ai servizi multimediali. Brevi richiami di networking: IPv4, IPv6, Multiprotocol Label Switching (MPLS), NAT, Multicast, Internet Group Management Protocol (IGMP). Livello applicativo, DNS. Tecniche per la diffusione efficace dei contenuti multimediali: il paradigma ed il funzionamento delle Content Delivery Networks (CDN). Evoluzione della rete Internet per la diffusione dei contenuti multimediali (Information Centric Networks, ICN) e Software Defined Networking (SDN). Gestione della qualità dei servizi multimediali. Convergenza reti wireless e multimediali. Introduzione alle Wireless LAN, reti Mesh (livello fisico, data link e routing). Gestione efficiente dello spettro. Gestione della qualità del servizio, Sicurezza.

Non ci sono precedenze obbligatorie. Il corso assume che si disponga delle conoscenze relative ai fondamenti delle reti di telecomunicazione e di Internet.

Lezioni, esercitazioni.

Qualora l'insegnamento venisse impartito in modalità mista o a distanza potranno essere introdotte modifiche rispetto a quanto dichiarato nel syllabus per rendere il corso e gli esami fruibili anche secondo queste modalità.

Modalità d'esame

Prova scritta e orale. La prova consiste in una serie di esercizi e domande che fanno riferimento al programma svolto a lezione.
Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione.

Codice insegnamento 9207_45420_12907

Piattaforme Cloud E Applicazioni Mobili 1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file

Comprendere i concetti fondamentali del cloud computing, inclusi i modelli di servizio (SaaS, PaaS, IaaS) e le infrastrutture cloud. Esaminare le architetture serverless e comprendere i vantaggi e le sfide associate a…

Scheda dell'insegnamento

Obiettivi formativi

  • Comprendere i concetti fondamentali del cloud computing, inclusi i modelli di servizio (SaaS, PaaS, IaaS) e le infrastrutture cloud.
  • Esaminare le architetture serverless e comprendere i vantaggi e le sfide associate a questa tecnologia.
  • Approfondire le basi di dati in cloud, comprendendo i servizi di gestione dati offerti dai principali provider cloud e le best practice per la gestione dei dati in un ambiente cloud.
  • Analizzare i microservizi come architettura per lo sviluppo e la gestione di applicazioni distribuite, comprendendo i principi di progettazione e le tecnologie correlate.
  • Esplorare le tecnologie e le piattaforme per lo sviluppo di applicazioni mobile, comprendendo le sfide specifiche legate alla progettazione, sviluppo e distribuzione di applicazioni per dispositivi mobili.
  • Integrare le tecnologie mobili e cloud per lo sviluppo di soluzioni innovative, comprendendo i vantaggi e le sfide di tale integrazione.
  • Applicare le competenze acquisite attraverso progetti pratici che coinvolgono lo sviluppo di applicazioni mobili, l'implementazione di servizi cloud e l'integrazione di microservizi.

Programma

Architetture Cloud

  • Introduzione alle architetture cloud: dalla gestione dei sistemi on-premises al cloud computing.
  • Differenze tra sistemi virtuali e architetture cloud.
  • Concetti fondamentali dei microservizi e delle architetture serverless.
  • Principi DevOps e l'importanza della collaborazione tra sviluppatori e operatori IT.
  • Infrastrutture come codice (Infrastructure as Code) e automazione delle risorse cloud.
    Elaborazioni in cloud
  • Gestione dei dati in ambiente cloud: dal modello relazionale al NoSQL.
  • Approfondimento sui database di tipo document store, con particolare attenzione a MongoDB.
  • Elaborazione dei dati in cloud utilizzando strumenti come PySpark e Hadoop.
  • Esposizione di API come servizi serverless (Functions as a Service) per l'implementazione di logica di business.
  • Introduzione all'architettura di elaborazione dei dati in tempo reale in cloud.
    Applicazioni Mobile
  • Concetti di sviluppo di applicazioni mobili: approccio ibrido vs nativo.
  • Esplorazione delle differenze tra le esperienze utente nelle applicazioni mobili.
  • Introduzione a Flutter come framework per lo sviluppo di applicazioni mobili cross-platform.
  • Approfondimento sulle best practice per la progettazione e lo sviluppo di applicazioni mobili.
  • Considerazioni sull'integrazione delle applicazioni mobili con le risorse e i servizi cloud.

Applicazioni:

  • Utilizzo di servizi cloud come Amazon Web Services (AWS) per implementare le architetture descritte.
  • Pratica nell'utilizzo di database cloud come MongoDB per la gestione dei dati.
  • Sviluppo di applicazioni mobili utilizzando il framework Flutter per dimostrare le tecniche apprese.

Sistemi Operativi, Reti di Calcolatori, Basi di Dati

Lezione frontale ed esercitazioni in laboratorio, nel semestre, tutorato

Modalità d'esame

Prova scritta sugli aspetti metodologici (domande a risposta chiusa)
Progetto (singolo o in gruppo)

Codice insegnamento 9207_45439_40361

Progettazione Dei Sistemi Elettronici 1° anno · 2° semestre · 6 CFU · IINF-01/A · 0 file

Al termine del corso lo studente possiede una conoscenza approfondita degli aspetti legati al progetto ed alla fabbricazione di circuiti e sistemi elettronici. Il livello di conoscenza fornito dal corso può essere…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente possiede una conoscenza approfondita degli aspetti legati al progetto ed alla fabbricazione di circuiti e sistemi elettronici. Il livello di conoscenza fornito dal corso può essere considerato un'utile passaggio tra le conoscenze di base acquisite nel corso di "Fondamenti di Elettronica" e l'impiego nell'industria della progettazione di sistemi elettronici e di circuiti a semiconduttore.

Programma

Introduzione
Componenti Elettronici di Base

  • Resistenze, Condensatori e Induttanze
  • Trasformatori
  • Fusibili
  • Interruttori e Relays
  • Batterie
  • Fili, Cavi e Connettori
    Semiconduttori
  • Diodi
  • Transistor Bipolare
  • Junction Field-Effect Transistors
  • Metal Oxide Semiconductor Field-Effect Transistors
    Simulazione Circuitale
  • Guida al Simulatore SPICE
  • Modelli dei Dispositivi
  • Caratterizzazione di Dispositivi
  • Caratterizzazione di Circuiti
    Oscillatori e Temporizzatori
  • Oscillatori RC
  • Timer Integrato 555
  • Oscillatori Controllati in Tensione (VCO)
  • Oscillatori a Ponte di Wien
  • Oscillatori LC
  • Oscillatori a Cristallo
    Circuiti Elettronici per Applicazioni Audio
  • Micorfoni
  • Amplificatori Audio e Preamplificatori
  • Mixer
  • Altoparlanti
  • Redi di Crossover
    Progetto di Circuiti Stampati
  • Principi Base dei Circuiti Stampati
  • Bypass e Disaccoppiamento
  • Distribuzione dei Segnali di Clock
  • Interconnessioni e I/O
  • Software per Progetto di Circuiti Stampati

Per un'adeguata comprensione degli argomenti è richiesta la conoscenza dei principali argomenti trattati nel corso di Fondamenti di Elettronica.

La didattica si svolgerà tramite lezioni frontali. Durante il corso saranno organizzati incontri con ricercatori ed esperti del settore finalizzati all’approfondimento di particolari sistemi elettronici e delle relative applicazioni.

Modalità d'esame

La verifica dell'apprendimento avviene attraverso una prova scritta finale di 2 ore. La prova scritta consiste di 5 quesiti a risposta aperta che riguardano gli aspetti teorici del corso, ciascuno corrispondente a 5 punti. Ulteriori 5 punti vengono assegnati per la valutazione del progetto svolto durante il corso. I risultati dello scritto vengono resi pubblici sullo sportello studente.
Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell’effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione.
Non sono previste prove intermedie.

Codice insegnamento 9207_45397_1595

Reti Di Telecomunicazione 1° anno · 2° semestre · 6 CFU · IINF-03/A · 0 file
Archivio Globale

Il corso si prefigge di introdurre e familiarizzare lo studente con i problemi fondamentali riguardanti le reti di telecomunicazione e la valutazione delle loro prestazioni, allo scopo di metterlo in grado di operare…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si prefigge di introdurre e familiarizzare lo studente con i problemi fondamentali riguardanti le reti di telecomunicazione e la valutazione delle loro prestazioni, allo scopo di metterlo in grado di operare in tale area sia nel mondo industriale che in ambito di ricerca.

Programma

Introduzione: classificazione delle reti e tecniche di commutazione. Introduzione alla teoria delle file di attesa. Analisi delle prestazioni di sistemi di multiplazione e di tecniche ARQ, sistemi con priorità. Reti di Code Markoviane e Qualità di Servizio (QoS) di una rete. Ottimizzazione delle reti: Cammini minimi. Progetto di una rete a commutazione di pacchetto (Network Design): definizione di parametri e vincoli; assegnamento ottimo di topologia, flussi e capacità (algoritmo di Flow Deviation). Funzioni dello strato di rete. Instradamento: parametri e requisiti. Stabilità dell'instradamento. Controllo di flusso e congestione nelle reti dati; esempi ed analisi delle prestazioni di tecniche di controllo di flusso: Hop Level (CQL), Rate Control (Token Bucket), End-to-end (TCP). Affidabilità delle reti di telecomunicazione: Tecniche di protezione. La simulazione delle reti di Telecomunicazione: generazione numeri pseudocasuali, analisi statistica risultati. Esempi di simulatori ad eventi discreti: coda M/M/1 e Network Simulator. Reti Wireless - Reti Ad Hoc/Mesh.
Laboratorio di reti di telecomunicazione: generazione di numeri pseudo-casuali a supporto della simulazione di rete, simulazione di reti di telecomunicazione, emulazione di rete (architetture e protocolli), modelli matematici per l'ottimizzazione delle reti fisse e wireless.

I prerequisiti comprendono conoscenze generali di statistica, reti e protocolli di rete.

Lezione frontale ed esercitazioni.

Qualora l'insegnamento venisse impartito in modalità mista o a distanza potranno essere introdotte modifiche rispetto a quanto dichiarato nel syllabus per rendere il corso e gli esami fruibili anche secondo queste modalità.

Modalità d'esame

Prova scritta e orale. La prova consiste in una serie di esercizi e domande che fanno riferimento al programma svolto a lezione.
Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione.

Codice insegnamento 9207_45418_1801

Robotica 1° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file

Il corso illustra i concetti fondamentali relativi al funzionamento di robot manipolatori industriali e di robot mobili autonomi. Viene specificatamente trattato il tema della progettazione del sistema software di…

Scheda dell'insegnamento

Obiettivi formativi

Il corso illustra i concetti fondamentali relativi al funzionamento di robot manipolatori industriali e di robot mobili autonomi. Viene specificatamente trattato il tema della progettazione del sistema software di controllo per robot autonomi. Lo svolgimento di un progetto a piccoli gruppi in laboratorio consente di comprendere le problematiche di progettazione, sviluppo e integrazione di sistemi software complessi.

Programma

Il corso è strutturato in tre moduli di 3 cfu ciascuno. Il corso da 9 cfu include tutti e tre i moduli. Il corso da 6 cfu include il Modulo 1 e, a scelta dello studente, il Modulo 2 o il Modulo 3. Il Modulo 3 richiede adeguata conoscenza del linguaggio di programmazione C++

Modulo 1 : sistemi di Percezione e Navigazione per robot mobili autonomi

  • Architetture di controllo Sense-Plan-Act
  • Modelli di componente software e architetture a componenti
  • Modelli cinematici di robot mobile e controllo del moto
  • Localizzazione e costruzione di mappe
  • Navigazione e aggiramento degli ostacoli
  • Visione 2D e 3D

Modulo 2: Algoritmi di controllo per robot manipolatori

  • Modelli cinematici di robot manipolatore e controllo del moto
  • Cinematica diretta, inversa e differenziale
  • Controllo del moto degli assi
  • Pianificazione del moto e generazione della traiettoria
  • Pianificazione automatica delle attività

Modulo 3: Progettazione software di sistemi di controllo per robot autonomi

  • ROS Middleware
  • Reingegnerizzazione e integrazione di librerie open source
  • Sviluppo di algoritmi per la navigazione autonoma di robot
  • Test sperimentali con robot mobili reali e simulati

Non ci sono precedenze obbligatorie. Il corso assume che si disponga delle conoscenze di base di informatica. Per l’attività di progetto è richiesta un’adeguata conoscenza del linguaggio C++

Lezioni e attività sperimentali presso il laboratorio di robotica. E’ richiesta un’assidua frequentazione alle attività sperimentali in laboratorio che verranno svolte esclusivamente durante le ore previste dal calendario accademico del corso.

Modalità d'esame

Prova scritta con domande di teoria. Il progetto software (Modulo 3) deve essere completato entro il semestre del corso. La valutazione del progetto si basa sul test sperimentale con un robot reale o simulato e concorre al voto finale dell'esame.

Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell’effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell’insegnamento e della corretta attribuzione della valutazione.

Codice insegnamento 9207_45428_1015

Sensori 1° anno · 1° semestre · 6 CFU · IINF-01/A · 0 file

Al termine del corso lo studente possiede una conoscenza approfondita delle principali tipologie di sensori, dei relativi principi di funzionamento e delle tecnologie di misura associate. Lo studente è inoltre in grado…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente possiede una conoscenza approfondita delle principali tipologie di sensori, dei relativi principi di funzionamento e delle tecnologie di misura associate. Lo studente è inoltre in grado di analizzare le caratteristiche prestazionali dei sensori, valutarne l'idoneità per differenti applicazioni e comprendere lo stato dell'arte delle moderne tecnologie di sensoristica nei settori industriale, biomedico e della ricerca scientifica.

Programma

  • Principi di funzionamento e caratteristiche delle principali tipologie di sensori.
  • Sensori per applicazioni industriali, biomediche e di ricerca scientifica.
  • Sensori ottici: CMOS image sensors, CCD e rivelatori per l'infrarosso.
  • Sensori e sistemi per il monitoraggio di parametri fisici, fisiologici e ambientali.
  • Sensori e microsistemi wireless: architetture, protocolli di comunicazione e reti di sensori.
  • Tecniche di energy harvesting per sistemi di sensoristica autonoma.
  • Esempi di sistemi di sensoristica avanzata per applicazioni innovative

Per un'adeguata comprensione degli argomenti è richiesto di aver frequentato il corso di Fondamenti di Elettronica o di Strumentazione e Misure Elettroniche.

La didattica prevede lezioni frontali dedicate agli aspetti teorici e metodologici della sensoristica, integrate da esercitazioni di laboratorio. Durante le attività di laboratorio gli studenti utilizzeranno piattaforme multisensore per sviluppare, individualmente o in gruppo (a discrezione del docente), progetti applicativi concordati con i docenti del corso.

Modalità d'esame

La verifica dell'apprendimento avviene mediante una prova finale, scritta o orale (a discrezione del docente), basata su quesiti a risposta aperta sugli argomenti trattati durante il corso. La prova è finalizzata ad accertare la conoscenza dei principi di funzionamento delle principali tipologie di sensori, la comprensione delle tecnologie di misura e la capacità di analizzare e valutare soluzioni di sensoristica per differenti applicazioni. Le eventuali attività di laboratorio potranno concorrere alla valutazione finale secondo modalità comunicate dal docente durante il corso. Nel caso in cui la verifica dell'apprendimento avvenga mediante prova scritta, il docente si riserva la facoltà di richiedere un colloquio orale integrativo successivamente allo svolgimento della prova, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione. La valutazione finale è espressa in trentesimi e tiene conto della correttezza e della completezza delle risposte, dell'appropriatezza del linguaggio tecnico e della capacità di applicare le conoscenze acquisite.

Codice insegnamento 9207_45396_8405

Teoria Dell'Informazione E Della Trasmissione (Tit) 1° anno · 2° semestre · 6 CFU · IINF-03/A · 0 file

Acquisizione dei concetti di base della teoria dell'informazione, dei codici correttori e della teoria della trasmissione. Acquisizione della capacita' di progettare tecniche efficienti per la memorizzazione e la…

Scheda dell'insegnamento

Obiettivi formativi

Acquisizione dei concetti di base della teoria dell'informazione, dei codici correttori e della teoria della trasmissione. Acquisizione della capacita' di progettare tecniche efficienti per la memorizzazione e la trasmissione di informazione in presenza di disturbi.

Programma

Elementi di teoria dell'informazione: Misura dell'informazione di una sorgente. Sorgenti senza memoria e con memoria. Teorema di Shannon sulla codifica di sorgente. Esempi di tecniche di codifica di sorgente. Cenni alla codifica con perdita. Modelli di canale. Informazione trasmessa attraverso un canale. Capacità di canale. Effetti della lunghezza del blocco. Teorema di Shannon sulla codifica di canale. Codici a blocco: Cifre di parità. Sistematicità. Linearità. Distanza tra parole. Capacità di correzione e rivelazione. Rappresentazione polinomiale. Algebra dei campi finiti: Elementi primitivi. Rappresentazione degli elementi del campo. Operazioni nel campo. Estensioni del campo. Proprietà e Trasformata di Fourier nei campi. Codici ciclici Polinomio generatore. Codici binari e non binari. Codificatori. Codici BCH e Reed-Solomon. Decodifica algebrica. Codici concatenati e decodificati iterativa: Progetto e analisi di codici LDPC su canale con cancellazioni. Decodifica iterativa di codici LDPC su canale con cancellazioni e su canale Gaussiano. Esempi di applicazione. Elementi di teoria della trasmissione Teoria dei segnali. Analisi spettrale tramite trasformata di Fourier. Sistemi Lineari Tempo Invarianti. Rappresentazione geometrica dei segnali. Trasmissione in banda base di segnali numerici modulati in ampiezza. Ricevitore ottimo in presenza di disturbi. Interferenza intersimbolica e criterio di Nyquist. Trasmissione in banda passante. Modulazioni multilivello.

Conoscenze di analisi matematica e calcolo delle probabilita'.

Lezione frontale.

Modalità d'esame

Esame scritto e orale

Codice insegnamento 9207_49253_1803

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

Familiarizzare con le fasi di validazione e verifica di sistemi e software all'interno dello sviluppo del software. Apprendere tecniche e metodologie per il testing e la verifica del software,

Scheda dell'insegnamento

Obiettivi formativi

Familiarizzare con le fasi di validazione e verifica di sistemi e software all'interno dello sviluppo del software. Apprendere tecniche e metodologie per il testing e la verifica del software,

Programma

  • Introduzione Concetti generali Processo di test e di verifica
  • Modellazione del sw mediante metodi formali (Logica temporale e Abstract State Machines)
  • Validazione e Verifica tramite Model Checking Linear-time Temporal Logic (LTL) Computation Tree Logic (CTL) Algoritmi di Model Checking AsmetaSMV
  • Testing Ruolo del testing Fondamenti teorici Program-based testing (creiteri di copertura) Esecuzione dei test
  • Verifica del codice Concetti generali sulla logica Concetti generali sulla verifica Design by Contract JML Analisi statica del codice
  • Testing Model-based Partition testing e testing combinatoriale Testing basato su specifiche (FSM) Concretizzazione dei test

Sapere i principi base delle programmazione (special modo Java) e dell'ingegneria del software.

Lezioni frontali con esercitazioni. Durante il corso verranno presentati da parte di alcune aziende dei problemi reali su cui sviluppare i propri progetti.

Modalità d'esame

Prova pratica in laboratorio in cui è richiesto di svolgere alcuni esercizi pratici e teorici e prova orale. All'orale, lo studente dovrà presentare un progetto da concordare con li professore. All'inizio del corso verranno proposti alcuni progetti da ditte esterne e lo studente potrà scegliere un progetto industriale (didattica innovativa - modalità consigliata per il progetto).

Codice insegnamento 9207_45424_1581

Abilità Informatiche E Telematiche 2° anno · 1 CFU · 0 file
Adaptive Learning, Estimation And Supervision Of Dynamical Systems 2° anno · 6 CFU · IINF-04/A · 0 file

Il corso di Adaptive Learning, Estimation and Supervision of dynamical systems (ALES) è la naturale prosecuzione del corso di Identificazione di Modelli e Analisi dei Dati (IMAD), con l'ulteriore approfondimento della…

Scheda dell'insegnamento

Obiettivi formativi

Il corso di Adaptive Learning, Estimation and Supervision of dynamical systems (ALES) è la naturale prosecuzione del corso di Identificazione di Modelli e Analisi dei Dati (IMAD), con l'ulteriore approfondimento della diagnosi dei guasti, oggi fondamentale per implementare i concetti di manutenzione predittiva in un'ottica di Industria 4.0.

Al termine del corso, lo studente sarà in grado di:

  • Utilizzare e implementare metodi di stima ricorsivi e adattivi
  • Stimare modelli di sistemi dinamici in forma di spazio di stato e con ingressi e uscite multiple
  • Stimare modelli di sistemi dinamici in condizioni di anello chiuso
  • Definire e risolvere problemi di diagnosi dei guasti industriali, identificandone le componenti principali e ipotizzando una possibile soluzione utilizzando un approccio basato su modelli

Il corso permette di ottenere una solida preparazione per collaborare con il laboratorio CAL (Control and Automation Lab) in progetti di ricerca metodologia e in collaborazione con imprese del territorio sulle tematiche inerenti di controlli automatici, l'identificazione e la diagnosi dei guasti.

Il corso è complementare ai corsi di:

  • Controllo Avanzato e Multivariabile
  • Controlli Automatici

Programma

PARTE 1: STIMA RICORSIVA E ADATTIVA
Algoritmo Recursive Least Squares (RLS). Variabili strumentali (IV). Fattore di oblio. Stima di sistemi lineari tempo-varianti. Algoritmo Least Mean Squares (LMS).

PARTE 2: IDENTIFICAZIONE A CIRCUITO CHIUSO
Identificazione PEM per sistemi con dati collezionati in anello chiuso. Confronto con l'identificazione in anello aperto.

PARTE 3: IDENTIFICAZIONE DEL SOTTOSPAZI
Ripasso dei concetti di algebra lineare.
Stima di un modello dinamico nello spazio degli stati. Metodi N4SID e MOESP, con estensione ai sistemi MIMO.

PARTE 4: SUPERVISIONE E DIAGNOSI DEI GUASTI
Diagnosi dei guasti basata su modelli. Guasti additivi e moltiplicativi. Modellazione di un sistema dinamico con guasti. Approccio dello spazio di parità. Approccio basato su osservatore. Diagnosi robusta contro i disturbi. Diagnosi dei guasti basata sul segnale. Diagnosi di cuscinetti e ingranaggi con analisi delle vibrazioni.
Diagnosi dei guasti basata sulla conoscenza. Monitoraggio Statistico di Processo (SPM). Approccio basato su RLS.

CASI DI STUDIO:

1) Virtual Reference Feedback Tuning (VRFT): progettazione basata sui dati di controllori utilizzando il metodo delle variabili strumentali per la stima dei parametri del controllore

2) Classificazione delle particelle nucleari: utilizzo di metodi di identificazione a sottospazi per caratterizzare le proprietà delle particelle nucleari e classificarle in categorie predefinite

3) Rilevamento perdite in una valvola industriale: applicazione di metodi di diagnosi guasti per una valvola idraulica soggetta a perdite d'acqua

Concetti di identificazione dei sistemi dinamici

Analisi dei sistemi dinamici a tempo continuo e discreto. Schemi a blocchi e retroazione. Risposta in frequenza. Teorema del campionamento. Trasformata di Fourier.

Matrici, autovalori e autovettori, spazi vettoriali.

Derivate, integrali, gradienti, limiti, punti stazionari di una funzione matematica.

Variabili casuali, distribuzioni di probabilità, momenti di una distribuzione di probabilità.

Il percorso didattico proposto allo studente è il seguente:

  • Seguire la lezione frontale esposta con il supporto di diapositive. Esse sono tutte disponibili prima dell’inizio del corso ed è utile che lo studente visioni le diapositive di una lezione prima di seguire la lezione.
  • Studiare gli argomenti della lezione con l’ausilio del libro di testo, delle diapositive e degli appunti personali.
  • Implementare gli algoritmi visti a lezione, in modo autonomo, in MATLAB. La valutazione degli esercizi di implementazione fornisce dei punti per superare l'esame.
  • Verso la fine delle lezioni lo studente è in grado di svolgere un tema d’esame di esempio. Viene data molta importanza alla partecipazione attiva alle lezioni da parte degli studenti, che viene stimolata mediante un dialogo continuo.
    Gli studenti possono trovare il docente in ogni momento (meglio previo appuntamento) recandosi presso l'ufficio del docente (Laboratori via Galvani 2, Dalmine).

Modalità d'esame

L'esame è composto da due parti:
1) Esame scritto da 1 ora con 3 domande di teoria a risposta aperta. Ogni domanda vale da 5 a 8 punti. L'esame scritto vale al massimo 15 punti. Sono necessari almeno 10 punti per superare l'esame scritto e accedere alla valutazione del progetto.
2) Valutazione di un progetto con discussione orale. Il progetto consiste nell'implementare in MATLAB un algoritmo dalla letteratura scientifica. Il progetto vale fino a 15 punti. Gli esercizi per casa concorrono fino a un massimo di +3 punti sul voto finale.

Al fine di garantire l'efficace organizzazione e gestione delle prove d'esame, il docente può adottare il cosiddetto “salto d’appello” immediatamente successivo per gli studenti che abbiano riportato una valutazione gravemente insufficiente o che, essendosi iscritti, risultino assenti ingiustificati.

Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione.

Codice insegnamento 9207_49287_16329

Advanced Data Management 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine del corso, lo studente possiede una approfondita conoscenza delle nozioni alla base di sistemi per l’integrazione e gestione dei dati. L'attenzione viene soprattutto posta sulla comprensione dei principi che…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, lo studente possiede una approfondita conoscenza delle nozioni alla base di sistemi per l’integrazione e gestione dei dati. L'attenzione viene soprattutto posta sulla comprensione dei principi che sono alla base della costruzione di sistemi di integrazione di dati in sorgenti indipendenti ed eterogenei e di gestione di grandi quantità di dati (Big Data) in modo efficiente.

Programma

Il corso è strutturato in due moduli: Il primo (di 6 CFU) presenta una panoramica del lavoro di ricerca svolto nell'area della teoria delle basi di dati e dell'integrazione dei dati, con enfasi sugli aspetti teorici rilevanti per lo sviluppo di soluzioni di integrazione delle informazioni. Particolare attenzione sarà dedicata alle architetture per i sistemi di integrazione dei dati, alla modellazione di un'applicazione di integrazione delle informazioni, al data exchange, alla valutazione di query in sistemi di integrazione dei dati ed all’applicazione di tecnologie semantiche alla gestione dei dati. Il secondo modulo (di 3 CFU) tratta l'utilizzo di basi di dati per l'analisi, la protezione dei dati per l'analisi mediante anonimizzazione e differential privacy, le architetture noSQL, le tecniche di indicizzazione multidimensionali.

Non ci sono precedenze obbligatorie. Il corso assume che si disponga delle conoscenze relative alle basi di dati che vengono erogate negli insegnamenti di "Basi di dati e Web" e “Data bases 2”.

La didattica si svolgerà tramite lezioni frontali, dando però importanza al confronto e al dialogo diretto con gli studenti, i quali, durante le lezioni, potranno formulare domande e proposte di approfondimento. Esercizi verranno svolti in aula sia dal docente che dagli studenti stessi.

Modalità d'esame

L'esame consiste in una prova scritta della durata di due ore, generalmente articolata in 5-6 domande ed esercizi volti a verificare le conoscenze e le competenze acquisite sull'intero programma del corso. Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora lo ritenga necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione finale.

Codice insegnamento 9207_49267_18183

Advanced Data Management And Laboratory 2° anno · 9 CFU · IINF-05/A · 0 file

Al termine del corso, lo studente possiede una approfondita conoscenza delle nozioni alla base di sistemi per l’integrazione e gestione dei dati. L'attenzione viene soprattutto posta sulla comprensione dei principi che…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, lo studente possiede una approfondita conoscenza delle nozioni alla base di sistemi per l’integrazione e gestione dei dati. L'attenzione viene soprattutto posta sulla comprensione dei principi che sono alla base della costruzione di sistemi di integrazione di dati in sorgenti indipendenti ed eterogenei e di gestione di grandi quantità di dati (Big Data) in modo efficiente.

Programma

Il corso è strutturato in due moduli: Il primo (di 6 CFU) presenta una panoramica del lavoro di ricerca svolto nell'area della teoria delle basi di dati e dell'integrazione dei dati, con enfasi sugli aspetti teorici rilevanti per lo sviluppo di soluzioni di integrazione delle informazioni. Particolare attenzione sarà dedicata alle architetture per i sistemi di integrazione dei dati, alla modellazione di un'applicazione di integrazione delle informazioni, al data exchange, alla valutazione di query in sistemi di integrazione dei dati ed all’applicazione di tecnologie semantiche alla gestione dei dati. Il secondo modulo (di 3 CFU) tratta l'utilizzo di basi di dati per l'analisi, la protezione dei dati per l'analisi mediante anonimizzazione e differential privacy, le architetture noSQL, le tecniche di indicizzazione multidimensionali.

Non ci sono precedenze obbligatorie. Il corso assume che si disponga delle conoscenze relative alle basi di dati che vengono erogate negli insegnamenti di "Basi di dati e Web" e “Data bases 2”.

La didattica si svolgerà tramite lezioni frontali, dando però importanza al confronto e al dialogo diretto con gli studenti, i quali, durante le lezioni, potranno formulare domande e proposte di approfondimento. Esercizi verranno svolti in aula sia dal docente che dagli studenti stessi.

Modalità d'esame

L'esame consiste in una prova scritta della durata di due ore, generalmente articolata in 5-6 domande ed esercizi volti a verificare le conoscenze e le competenze acquisite sull'intero programma del corso. Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora lo ritenga necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione finale.

Codice insegnamento 9207_49289_16325

Algebra E Logica 2° anno · 6 CFU · MATH-02/A · 0 file

Dopo questo corso studente acquisirà le capacità di calcolo modulo n, la nozione di gruppo, anello e campo, le proprietà di base delle relazioni binarie e le nozioni di base di logica proposizionale e del primo ordine.

Scheda dell'insegnamento

Obiettivi formativi

Dopo questo corso studente acquisirà le capacità di calcolo modulo n, la nozione di gruppo, anello e campo, le proprietà di base delle relazioni binarie e le nozioni di base di logica proposizionale e del primo ordine.

Programma

1. Relazioni binarie.
2. Z/nZ
3. Gruppi, anelli, campi.
4. Logica proposizionale.
5. Logica del primo ordine.

I corsi di matematica del primo e secondo anno.
Per sostenere l'esame di Algebra e Logica, è obbligatorio aver superato l'esame di Geometria e Algebra Lineare.

Il corso sarà strutturate in lezioni frontali con richiesta di intervento da parte dello studente e invito a chiedere tutte le domande. Le lezioni frontali saranno completate di sessioni di esercitazione pratica e di tutorato di sostegno.

Modalità d'esame

La verifica dell'apprendimento avviene attraverso una prova finale pratica, scritta, di 2 ore e di una prova teorica, che può essere scritta o orale. Entrambe le prove sono obbligatorie. Viene ammesso alla prova teorica solo chi consegue alla prima prova un punteggio superiore a 15. La prova pratica prevede la risoluzione di esercizi. La prova teorica riguarda gli aspetti teorici della disciplina.
Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento di una prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione.

Codice insegnamento 9207_49288_1592

Automazione Industriale 2° anno · 6 CFU · IINF-04/A · 0 file

Il corso di Automazione Industriale si propone di illustrare le seguenti tematiche: Architettura di un sistema di automazione industriale Controllo logico tramite PLC e linguaggi IEC 61131 Ladder Sequential Function…

Scheda dell'insegnamento

Obiettivi formativi

Il corso di Automazione Industriale si propone di illustrare le seguenti tematiche:

  • Architettura di un sistema di automazione industriale
  • Controllo logico tramite PLC e linguaggi IEC 61131
  • Ladder
  • Sequential Function Chart
  • Testo Strutturato
  • Modellistica di sistemi ad eventi discreti
  • Sviluppo pratico di applicazioni di automazione industriale attraverso Codesys

Programma

Il corso comprende:

  • Programmazione PLC
  • Reti di Petri

Non sono richiesti particolari pre-requisiti

Lezioni frontali e attività di laboratorio

Modalità d'esame

Esame scritto

Codice insegnamento 9207_49304_1604

C.I. Statistical Learning And Optimization 2° anno · 9 CFU · MATH-06/A · 0 file

Scopo del corso è di fornire una panoramica dei moderni metodi e algoritmi di ottimizzazione per applicazioni all’apprendimento statistico, machine learning e al data science. Verrà discussa la teoria alla base di questi…

Scheda dell'insegnamento

Obiettivi formativi

Scopo del corso è di fornire una panoramica dei moderni metodi e algoritmi di ottimizzazione per applicazioni all’apprendimento statistico, machine learning e al data science. Verrà discussa la teoria alla base di questi metodi (condizioni di ottimalità e teoria della dualità) e come scegliere i giusti metodi di ottimizzazione per diverse applicazioni di apprendimento statistico e machine learning.
Al termine del corso lo studente sarà in grado di:

  • Valutare gli algoritmi, le classi di funzioni e velocità di convergenza degli algoritmi più importanti.
  • Implementare i più importanti algoritmi di ottimizzazione per il data science in ambiente Python.
  • Comprendere il trade-off tra tempo computazionale e precisione di algoritmi per l’apprendimento statistico e machine learning.
    Dal punto di vista empirico, gli algoritmi presentati verranno applicati a database del mondo reale.

L'obiettivo del corso è quello di fornire allo studente i metodi e gli strumenti per estrarre informazione utile da dataset anche complessi a fini decisionali, valutando nel contempo la probabilità che la decisione presa non sia quella che porta al risultato desiderato. In particolare, lo studente acquisirà la capacità di valutare la complessità del dataset e le strutture di dipendenza/correlazione che lo caratterizzano, di identificare la metodologia adeguata per estrarre informazione dal dataset, di identificare gli algoritmi utili a tale scopo e di implementarli in ambiente MATLAB. Lo sviluppo del codice sarà assistito dall'intelligenza artificiale messa a disposizione dell'ambiente MATLAB.

Programma

Nello specifico il corso coprirà i seguenti argomenti:

  • Condizioni di ottimalità, Metodi di Ottimizzazione univariata e multivariata senza l’utilizzo di derivate (Derivative-Free), Metodo del Gradiente, Metodo del Gradiente Stocastico, Metodo del Subgradient, Metodo di Newton e Quasi-Newton, Metodo del Gradiente Coniugato, Metodi Penalty Function. Support Vector Machines (SVM): classificatori Soft and hard Margin e loro formulazione di programmazione quadratica (PQ). Metodo dei kernel. Condizioni di Karush-Kuhn-Tucker (KKT). Formulazione duale del problema PQ primale. Teoria della dualità di Wolfe per PQ. Problemi SVM multiclasse.
  • Alberi decisionali ottimali.

Uso pratico di algoritmi di apprendimento. Confronto tra algoritmi di apprendimento dal punto di vista dell'ottimizzazione. Utilizzo di software (Python).

  • Metodi di shrinkage per modelli di regressione lineare
  • Metodi di regressione per dati con errori eteroschedastici
  • Minimi quadrati generalizzati
  • Metodi di regressione per dati binari
  • Metodi di regressione per dati multinomiali
  • Metodi di regressione per dati di conteggio (regressione di Poisson)
  • Dati funzionali e metodi di regressione funzionale
  • Metodi Monte Carlo e Bootstrap per la valutazione dell'incertezza

Algebra lineare e funzioni reali di variabile reale in una e due variabili.

Conoscenze base di probabilità ed inferenza statistica.

Il corso sarà organizzato in lezioni frontali, esercitazioni e tutorato comprensive dello svolgimento di esempi e esercizi. Alcune lezioni si svolgeranno presso il laboratorio informatico in cui verranno implementate in ambiente Python le metodologie descritte a lezione su dati provenienti da vari contesti applicativi (business analytics, news, diagnosi medica ecc.).

Il corso è strutturato in lezioni frontali teoriche in aula e lezioni frontali in laboratorio informatico. Le lezioni in aula affrontano la metodologia statistica mentre le lezioni in laboratorio sono basate sul software MATLAB. Durante le lezioni in laboratorio gli studenti sono chiamati ad analizzare dataset provenienti da applicazioni reali e a competere con gli strumenti di intelligenza artificiale di analisi dati.

Modalità d'esame

L'esame si svolge in due parti:

  • discussione orale di casi studio assegnati (50 % del voto finale). Gli studenti possono lavorare in piccoli gruppi o individualmente.
  • Esame finale orale (50 % del voto finale).

Al fine di garantire l'efficace organizzazione e gestione delle prove d'esame, il docente può adottare il cosiddetto “salto d’appello” immediatamente successivo per gli studenti che abbiano riportato una valutazione gravemente insufficiente o che, essendosi iscritti, risultino assenti ingiustificati.

La verifica profitto si basa sulla valutazione dell'output prodotto da un lavoro di gruppo (eventualmente svolto singolarmente). Nel lavoro di gruppo, gli studenti scelgono un dataset e lo analizzano tramite i metodi statistici appresi a lezione. Al gruppo sarà richiesto di stendere un report e consegnare il codice software implementato.

Codice insegnamento 9207_49279_15815

Calcolo Numerico 2° anno · 6 CFU · MATH-05/A · 0 file
Archivio Globale

Il corso vuole essere una introduzione alle principali metodologie e tecniche per la risoluzione numerica di problemi matematici ed alla loro implementazione a calcolatore.

Scheda dell'insegnamento

Obiettivi formativi

Il corso vuole essere una introduzione alle principali metodologie e tecniche per la risoluzione numerica di problemi matematici ed alla loro implementazione a calcolatore.

Programma

Nello specifico verranno affrontati i seguenti argomenti:
1) Sorgenti di Errori (modello matematico, dati, metodo e accuratezza macchina), Caratteristiche di un metodo numerico (Convergenza, Accuratezza, Affidabilità e efficienza), buona posizione e numero di condizionamento;
2) Equazioni non lineari: metodo di bisezione, metodo di Newton, Metodo delle Secanti, Iterazioni di punto fisso; Criteri di arresto e convergenza;
3) Risoluzione di sistemi lineari: Forward substitution, backward substitution, fattorizzazione LU, metodo di eliminazione di Gauss, fattorizzazione di Cholesky, numero di condizionamento spettrale, metodo di Richardson, metodo di Jacobi, metodo di Gauss-Seidel, metodo del Gradiente e del Gradiente coniugato. Criteri di arresto e convergenza;
4) Approssimazione di funzioni: Interpolazione lagrangiana e errore del polinomio di Lagrange, spline, metodo dei minimi quadrati;
5) Integrazione: Formula del punto medio, trapezio, Simpson. Integrazione composita. Formule di Newton-Cotes. Formule gaussiane;
6) Risoluzione di equazioni differenziali ordinarie: Approssimazione delle derivate tramite differenze finite. Problema di Cauchy. Metodo di Eulero esplicito, implicito, metodo di Crank-Nicolson, metodo di Heun. Analisi di Consistenza, stabilità e convergenza. Metodi Runge-Kutta e multi-step. Stiffness;
7) Equazioni differenziali parziali: Equazioni del calore, metodo alle differenze finite, problemi con valori ai limiti;
8) Calcolo numerico di autovalori: Metodo delle potenze, metodo delle potenze inverse, potenze inverse con shift.

Analisi Matematica I e II, Geometria ed Algebra Lineare.

Il corso sarà organizzato in lezioni frontali ed esercitazioni comprensive dello svolgimento di esempi ed esercizi. Alcune lezioni si svolgeranno presso il laboratorio informatico.

Modalità d'esame

L'esame si svolge in due parti: una prova scritta e una prova orale. La prova scritta prevede la risoluzione di esercizi inerenti il programma e domande teoriche. L’esame orale è volto a valutare capacità di ragionamento e proprietà di linguaggio sui temi oggetto del corso. La prova orale è facoltativa. Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione.

Codice insegnamento 9207_49297_90

Computer Security 2° anno · 6 CFU · IINF-05/A · 0 file

Il corso si propone di fornire agli studenti le competenze di base per l'analisi e il progetto di sistemi informatici sicuri.

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di fornire agli studenti le competenze di base per l'analisi e il progetto di sistemi informatici sicuri.

Programma

CRITTOGRAFIA: Crittografia classica; Crittoanalisi; Moderni cifrari a blocchi simmetrici: DES e AES; Cifrari stream; Crittografia a chiave pubblica; Funzioni hash; Accordo su chiavi; Firme digitali; Message Authentication Code; PKI; Altre tecniche crittografiche. CONTROLLO DEGLI ACCESSI: Autenticazione: password, dispositivi hardware, biometria; controllo di accesso discrezionale; modello HRU; Modello Take-Grant; Mandatory Access Control: modello Bell-LaPadula, modello Biba; modello Mandatory e DBMS relazionali; Moderni linguaggi per politiche di accesso; Controllo dell'accesso basato su ruoli.

Conoscenze relative alle principali tecnologie informatiche. Il corso è pensato per studenti iscritti al corso di laurea magistrale in Ingegneria Informatica.

La didattica si svolgerà mediante lezioni frontali.

Modalità d'esame

L'esame consiste di una prova scritta al termine del corso. E' possibile superare l'esame con prove in itinere. E' possibile preparare un progetto individuale, da presentare al termine del corso.
Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione.

Codice insegnamento 9207_49272_18191

Control System Technology 2° anno · 6 CFU · IINF-04/A · 0 file

Il corso si propone di analizzare tematiche fondamentali relative al controllo di sistemi in retroazione, con particolare enfasi su specifiche classi di sensori e attuatori, tecniche avanzate di tuning dei controllori…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di analizzare tematiche fondamentali relative al controllo di sistemi in retroazione, con particolare enfasi su specifiche classi di sensori e attuatori, tecniche avanzate di tuning dei controllori e metodologie per la progettazione di controllori digitali

Programma

Obiettivi formativi del corso sono analizzare i componenti tipici di un anello di controllo.

Si partirà quindi analizzando i sensori che permettono di conoscere lo stato del sistema. Se ne analizzeranno quindi le modalità di scelta, utilizzo e filtraggio.

Verranno poi analizzati gli attuatori con l'obbiettivo di fornire indicazioni sulla scelta corretta. Verranno quindi introdotti in modo dettagliato i motori elettrici.

Il terzo componente analizzato sono le tecniche di tuning controllori lineari.

Infine, tecniche di progettazione di algoritmi di controllo digitale vengono analizzate.

Fondamenti di Automatica (o equivalenti). Statistica (o equivalenti).

Lezioni frontali, presentazione di casi di studio e simulazioni al computer

Modalità d'esame

Esame scritto con domande a risposta aperta e/o esercizi. Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione.

Codice insegnamento 9207_49305_17841

Controllo Avanzato Multivariabile 2° anno · 6 CFU · IINF-04/A · 0 file

L'obiettivo del corso è fornire allo studente competenze su metodologie avanzate per l'analisi dei sistemi dinamici multivariabili, e la progettazione di controllori avanzati. Alla fine del corso lo studente sarà in…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo del corso è fornire allo studente competenze su metodologie avanzate per l'analisi dei sistemi dinamici multivariabili, e la progettazione di controllori avanzati. Alla fine del corso lo studente sarà in grado di:

  • studiare la stabilità dei sistemi dinamici secondo il criterio di Lyapunov
  • analizzare le proprietà strutturali dei sistemi dinamici
  • progettare sistemi di controllo multivariabile
  • progettare un regolatore ottimo lineare quadratico (LQR)
  • progettare un controllore predittivo

Questo corso arricchisce la formazione dello studente nell'ambito dei controlli automatici e risulta essere un utile complemento ai seguenti corsi:
1) IMAD
2) Control Systems Technology
3) Controlli Automatici

Programma

1. Sistemi non lineari a tempo discreto: equilibri, stabilità, teoremi di Lyapunov.
2. Proprietà strutturali dei sistemi lineari SISO e MIMO: controllabilità, osservabilità, poli, zeri invarianti.
3. Progetto di regolatore per assegnamento degli autovalori.
4. Controllo ottimo. Controllo Lineare Quadratico (LQR): definizioni, proprietà, esempi.
5. Osservatore degli stati.
6. Controllo predittivo basato nel modello (MPC): formulazione. Stabilità.
7. Esempi di applicazione.

Elementi di analisi di sistemi dinamici lineari, basi di algebra delle matrici, calcolo differenziale multivariabile

1) Lezione frontali con il supporto di diapositive. Esse sono tutte disponibili prima dell’inizio del corso ed è utile che lo studente visioni le diapositive di una lezione prima di seguirla.
2) Lo studente è invitato a studiare gli argomenti della lezione con l’ausilio del libro di testo, delle diapositive e degli appunti personali.
3) Esercitazioni frontali svolte alla lavagna (elettronica o tradizionale). Il testo e lo svolgimento degli esercizi sono tutti disponibili prima dell’inizio del corso ed è utile che lo studente visioni gli svolgimenti degli esercizi prima di seguire l’esercitazione.
4) In parallelo a questo percorso sono proposte delle lezioni sull’implementazione Matlab dei concetti esposti nelle lezioni.

Modalità d'esame

La verifica dell'apprendimento avviene attraverso una prova scritta finale della durata di 2 ore e la presentazione di un progetto. La prova scritta è abitualmente costituita da 4 o 5 quesiti di natura teorica.

Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione.

Codice insegnamento 9207_49262_17843

Data Bases 2 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine del corso, lo studente possiede una approfondita conoscenza del funzionamento interno di un moderno DBMS. L'attenzione viene soprattutto posta sulla comprensione dei principi che sono alla base della…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, lo studente possiede una approfondita conoscenza del funzionamento interno di un moderno DBMS. L'attenzione viene soprattutto posta sulla comprensione dei principi che sono alla base della costruzione dei vari componenti dedicati alla gestione dei dati e delle transazioni, mettendo a disposizione un repertorio di conoscenze che possono trovare uso anche al di fuori dello specifico dominio dei sistemi relazionali e guidare al progetto di applicazioni software efficienti.

Programma

Sistemi transazionali.

Ruolo dei sistemi transazionali ed esempi classici: sistemi finanziari, bancari, di prenotazione. Concetto di transazione. Proprietà di una transazione: atomicità, consistenza, isolamento, persistenza. Teoria del controllo di concorrenza. Nozioni di serializzabilità ed equivalenza fra schedule. Locking a due fasi. Locking gerarchico. Analisi e risoluzione dei deadlock. Cenni ad altre tecniche per il controllo di concorrenza basate sull'uso di timestamp. Teoria della affidabilità. Gestione del log. Protocolli di recovery.

Architettura interna di un server relazionale.

Nozione di pagina logica e fisica. Politiche di gestione del buffer. Tecniche di ricerca e gestione e riordino dei dati con: organizzazione sequenziale, diretta, ad indice. Alberi B e B+. Funzioni di hashing. Metodi di accesso: scansioni, ordinamenti, join. Ottimizzazione delle interrogazioni.

Architetture distribuite e parallele.

Scenari applicativi per le basi di dati in un sistema informativo distribuito. Descrizione delle funzionalità dei client e dei server. Classificazione delle tipologie di basi di dati distribuite. Frammentazione e allocazione dei dati. Distribuzione e ottimizzazione delle interrogazioni. Transazioni distribuite. Commit a due, tre o quattro fasi. Paxos commit. Parallelismo. Scale-up e speed-up delle transazioni. Gestione di dati replicati: tecniche sincrone e asincrone.

Basi di dati attive.

Descrizione del paradigma ECA (evento/condizione/azione) per regole attive. Meccanismi di esecuzione di regole attive. Tecniche di analisi per regole attive. Trigger nei sistemi relazionali. Applicazioni delle basi di dati attive.

Basi di dati XML.

Introduzione ad XML come standard di interoperabilità per scambiare dati. Basi di dati relazionali-XML, basi di dati XML native. Linguaggi di interrogazione per XML: XPath, XQuery.

Cenni ad aspetti evolutivi e linee di tendenza.

Non ci sono precedenze obbligatorie. Il corso assume che si disponga delle conoscenze relative alle basi di dati che vengono erogate negli insegnamenti di "Basi di dati".

La didattica si svolgerà mediante lezioni frontali ed esercitazioni. Durante il corso si proporranno continuamente riferimenti a problematiche correnti e a situazioni che derivano dall'esperienza professionale e di ricerca dei docenti.

Modalità d'esame

L'esame consiste in una prova scritta, tipicamente strutturata in 4-6 domande ed esercizi che coprono l'intero programma. E' consuetudine che compaia un esercizio che richiede di realizzare un sistema di trigger e un esercizio che chiede di formulare query in XQuery. Il tempo a disposizione per lo svolgimento della prova è di norma pari a 2,5 ore. Per gli studenti che frequentano il corso è anche possibile superare l'esame mediante prove in itinere, una offerta a metà del corso e l'altra a fine corso, ciascun su metà del programma. E' anche possibile sviluppare un elaborato.
Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione

Codice insegnamento 9207_49301_12905

Deep Learning 2° anno · 6 CFU · IINF-05/A · 0 file

Comprendere i principi fondamentali del deep learning, inclusi l’ottimizzazione, l’addestramento delle reti neurali e la generalizzazione. Progettare e implementare architetture avanzate di reti neurali come CNN, RNN e…

Scheda dell'insegnamento

Obiettivi formativi

  • Comprendere i principi fondamentali del deep learning, inclusi l’ottimizzazione, l’addestramento delle reti neurali e la generalizzazione.
  • Progettare e implementare architetture avanzate di reti neurali come CNN, RNN e Transformers.
  • Analizzare e applicare modelli generativi e tecniche di apprendimento delle rappresentazioni non supervisionato.
  • Identificare e affrontare le sfide nel deep learning, tra cui bias nei dati, cambiamenti di distribuzione, robustezza e adattamento al dominio.
  • Applicare i metodi di deep learning a problemi reali in ambiti come computer vision, elaborazione del linguaggio naturale, robotica, e reinforcement learning.
  • Valutare criticamente e applicare tecniche di transfer learning, apprendimento semi-supervisionato e few-shot learning.
  • Valutare le implicazioni etiche e sociali dei sistemi di deep learning, con attenzione a equità, bias e interpretabilità.
  • Sviluppa le competenze per portare a termine un progetto di deep learning, passando dalla formulazione del problema al deployment del modello.

Programma

1. Introduction to Machine Learning and Deep Learning: la prima parte copre le basi dell’apprendimento, incluse le tecniche di ottimizzazione, gli algoritmi basati sul gradiente, la generalizzazione e l’addestramento delle reti neurali.
2. Advanced Neural Networks: convolutional neural networks (CNNs) per dati di tipo immagine, recurrent neural networks (RNNs) per la modellazione sequenziale, e transformers, che costituiscono la base dei modelli moderni su larga scala.
3. Generative Models and Unsupervised Representation Learning: i modelli generativi includono Variational Autoencoders (VAEs), Generative Adversarial Networks (GANs) e diffusion models. Insieme a metodi di apprendimento delle rappresentazioni non supervisionato e self-supervised (es. DINO, SimCLR).
4. Challenges in Learning-Based Models: bias nei dataset, cambiamento di distribuzione, robustezza e generalizzazione, transfer learning, apprendimento semi-supervisionato e tecniche di adattamento che aiutano i modelli a funzionare bene su diversi compiti e domini.
5. Applications of Deep Learning:
5.1 Computer Vision: classificazione di immagini, rilevamento oggetti, segmentazione, generazione di didascalie, modelli visione-linguaggio e generazione di immagini da testo.
5.2 Natural Language Processing: embeddings, tokenizzazione, large language models come BERT e GPT, fine-tuning, prompting e traduzione automatica.
5.3 Modelli di visione, linguaggio e azione per il controllo robotico.
6. Deep Reinforcement Learning: concetti base di RL e modelli di policy basati su deep learning.
7. Responsible AI: interpretabilità, equità, bias e considerazioni etiche nell’uso di sistemi di deep learning.

Questo corso è pensato per studenti che hanno già una certa esperienza con la matematica di base e la programmazione. È consigliabile avere:

  • Una comprensione generale dei concetti fondamentali di algebra lineare, calcolo e probabilità a livello base.
  • Il completamento di un corso introduttivo di ML (o esperienza equivalente) è utile ma non obbligatorio.
  • Competenze base di programmazione in Python, inclusa la familiarità con librerie come NumPy e Pandas. L’uso precedente di PyTorch o TensorFlow è un vantaggio, ma non indispensabile.

Il corso utilizzerà slide e Google Colab per esercitazioni pratiche di programmazione. Tutti i materiali saranno messi a disposizione degli studenti prima delle lezioni.

Si noti che tutto il materiale didattico e le modalità di svolgimento delle lezioni saranno in lingua inglese.

Modalità d'esame

L’apprendimento degli studenti sarà valutato attraverso una combinazione di due compiti e un esame scritto finale.

Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione

Codice insegnamento 9207_49284_40362

Digital Human Modelling & Rehabilitation 2° anno · 6 CFU · IIND-03/B · 0 file

Il corso ha lo scopo di fornire le conoscenze di base sulla modellazione del corpo umano per applicazioni ingegneristiche e medicali secondo un approccio gerarchico. Lo studente impara a utilizzare strumenti per…

Scheda dell'insegnamento

Obiettivi formativi

Il corso ha lo scopo di fornire le conoscenze di base sulla modellazione del corpo umano per applicazioni ingegneristiche e medicali secondo un approccio gerarchico. Lo studente impara a utilizzare strumenti per l’acquisizione della geometria del corpo intero, o di distretti anatomici, utilizzando sistemi di scansione 3D e e realizza modelli geometrici anche a partire da immagini diagnostiche DICOM provenienti, ad esempio, da TAC o RMN. E’, inoltre, capace di acquisire il movimento del corpo umano, o di una sua parte, attraverso soluzioni di Motion Capture e di elaborare i dati così ottenuti per fare assessment e monitoraggio di pazienti con deficit motori di diversa natura. Lo studente acquisisce la capacità di valutare l’ergonomia (intermini di visibilità, raggiungibilità, comfort, ecc.) di un prodotto o di una postazione di lavoro attraverso l’utilizzo di soluzioni commerciali per la modellazione e simulazione del comportamente del copro umano.

Programma

Introduzione alla modellazione del copro umano. Tipologie di modelli del corpo umano, classificazione in base alle applicazioni industriali, medicali e di intrattenimento. Strumenti di modellazione e simulazione del comportamento del corpo umano e di singoli distretti anatomici. Ricostruzione geometrica tridimensionale a partire da scansioni 3D e/o immagini diagnostiche. Cenni alla progettazione di componenti custom-fit, come protesi interne, esterne ed ortesi. Soluzioni HW e SW per il Motion Capture in ambito medicale, ingegneristico e sportivo. Acquisizione ed elaborazione di dati sul movimento del corpo umano. Ergonomia virtuale e medicina del lavoro.

Nozioni di base di disegno tecnico e principi di prototipazione virtuale

La didattica si svolgerà tramite lezioni frontali ed esercitazioni pratiche guidate per l’utilizzo dei sistemi di modellazione 3D del corpo umano e simulazione. Le esercitazioni saranno svolte in modo da permettere allo studente di lavorare con crescente autonomia ma con una supervisione e supporto costanti. Sono previste esercitazioni di laboratorio in cui lo studente utilizzerà sistemi di scansione tridimensionale e strumenti per la cattura del moto del corpo umano.

Modalità d'esame

L'esame prevede lo sviluppo di un progetto, concordato coi docenti del corso, e svolto in un gruppo di due o tre studenti.
In casi eccezionali si può richiedere ai docenti che un gruppo sia formato da un solo studente.
La prova d'esame è orale e prevede due parti da sostenere nello stesso giorno:
1. Presentazione e discussione del progetto (80% della valutazione finale)
2. Esame orale sui contenuti delle lezioni frontali (20% della valutazione finale)

Lo studente che avrà conseguito una votazione inferiore o pari a 9/30 dovrà saltare l'appello immediatamente successivo.

Codice insegnamento 9207_49307_11153

Economia Del Cambiamento Tecnologico 2° anno · 6 CFU · IEGE-01/A · 0 file

Il corso offre una comprensione basilare del concetto di cambiamento tecnologico e del suo ruolo nelle discipline economico- manageriali. In particolare, alla fine del corso lo studente sarà in grado di comprendere le…

Scheda dell'insegnamento

Obiettivi formativi

Il corso offre una comprensione basilare del
concetto di cambiamento tecnologico e del
suo ruolo nelle discipline economico-
manageriali. In particolare, alla fine del corso
lo studente sarà in grado di comprendere le
implicazioni del cambiamento tecnologico al
fine di: (1) analizzare i processi innovativi e
identificare i diversi attori coinvolti; (2)
interpretare l’evoluzione dei mercati e dei
settori economici; (3) promuovere lo sviluppo
imprenditoriale e analizzare la strategia
aziendale per l’innovazione.

Programma

Il corso è costituito da tre parti.
Nella prima parte sono illustrati i fondamenti dell’innovazione per fornire allo studente le basi e gli strumenti concettuali per comprendere e analizzare i principali fenomeni di cambiamento tecnologico.
Nella seconda parte si tratta l’economia dell’innovazione, studiando il cambiamento tecnologico con riferimento al sistema economico, ai settori industriali e al mercato. In questo modulo lo studente imparerà le teorie e i concetti richiesti per capire in che modo il cambiamento tecnologica si diffonde, influenza e viene influenzata dai processi economici.
Nella terza parte del corso, viene approfondito il cambiamento tecnologico nel contesto dell’impresa quale attore protagonista del processo di innovazione. In particolare, si studia il legame tra innovazione, vantaggio competitivo e strategia dell’impresa e si affrontano tematiche di proprietà intellettuale.

Nessuno

La didattica si svolgerà tramite lezioni
frontali, ma con un'attenzione particolare al
confronto e al dialogo diretto con gli studenti,
che potranno, durante le lezioni, formulare
proposte di approfondimento o dibattito.
Durante il corso potranno essere organizzati
interventi da parte qualificate personalità
dell’ecosistema dell’innovazione finalizzati
all'approfondimento di metodologie e ambiti
applicativi legati al cambiamento tecnologico.
Il corso offre la possibilità e gli strumenti di
supporto per applicare i concetti appresi
all’analisi di un caso di studio di innovazione
nell’ambito di un Project Work di gruppo.

Modalità d'esame

La verifica dell'apprendimento avviene attraverso una prova scritta finale di 90 minuti. La prova scritta è strutturata in tre sezioni di 10 punti ciascuno che verificano mediante esercizi, casi di studio e quesiti aperti la comprensione dei contenuti delle tre parti da cui è composto il corso. Nelle risposte sono premiate capacità di analisi critica, l’approfondimento autonomo e l’utilizzo di esempi reali.
La votazione finale corrisponde al punteggio ottenuto nello scritto con l'eventuale premialità fino ad un massimo di 3 punti per lo sviluppo di un Project Work concordato con il docente durante il semestre. Il Project Work è facoltativo ma consente di applicare ad un caso reale i concetti imparati durante il corso.
Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione.
Inoltre per questo corso non è previsto il
cosiddetto “salto d’appello” immediatamente
successivo per gli studenti che abbiano riportato una valutazione gravemente
insufficiente o che, essendosi iscritti, risultino
assenti ingiustificati.

Codice insegnamento 9207_49264_1050

Elettronica E Misure Industriali 2° anno · 12 CFU · IINF-01/A · 0 file

Il corso offre una vasta panoramica sulla strumentazione elettronica utilizzata per misure accurate in campo industriale. Vengono approfondite le tematiche legate all'amplificazione, al filtraggio, al campionamento dei…

Scheda dell'insegnamento

Obiettivi formativi

Il corso offre una vasta panoramica sulla strumentazione elettronica utilizzata per misure accurate in campo industriale. Vengono approfondite le tematiche legate all'amplificazione, al filtraggio, al campionamento dei segnali, alla conversione analogico-digitale, all'effetto del rumore elettronico. Vengono inoltre presentati gli strumenti di misura comunemente utilizzati per la caratterizzazione di circuiti elettronici. Infine vengono descritti alcuni esempi di sistemi per l'acquisizione di segnali da sensori realizzati con le più evolute tecnologie microelettroniche. Il corso prevede un'intensa attività pratica di laboratorio.

Programma

1. Introduzione. Catena elettronica di acquisizione di segnali. Amplificazione, filtraggio, campionamento, quantizzazione, conversione analogico-digitale. Analisi di Fourier e trasformata di Laplace. 2. Amplificatori operazionali. Transistori bipolari. Stadi di amplificazione. Amplificatori operazionali. Specifiche degli OPAMP. Offset, corrente di ingresso e loro compensazione. Effetti del guadagno finito. Effetti della reazione su resistenze di ingresso e uscita. Effetto della reazione sulla risposta in frequenza. Prodotto banda-guadagno. Criteri di stabilità. 3. Disturbi e rumore. Rumore di interferenza. Rumore dalle alimentazioni. PSRR. Rumore stocastico. Rapporto segnale-rumore. Densità spettrale di potenza. Sorgenti di rumore nei dispositivi elettronici. Rumore negli amplificatori operazionali. Effetto del rumore in un circuito di elaborazione analogica di segnali da sensori. 4. Filtri attivi. Filtri low-pass, high-pass, bandpass. Filtri Butterworth, Chebyshev, Bessel. Realizzazione di filtri con amplificatori operazionali. Filtri a condensatori commutati. 5. Campionamento di segnali analogici. Analisi di Fourier di segnali campionati. Teorema di campionamento. Aliasing e filtri antialiasing. DFT e FFT. Spectral leakage e windowing. 6. ADC e DAC. Rumore di quantizzazione. Bit effettivi di risoluzione. Schemi di convertitori D/A. Convertitori A/D. Convertitori a rampa, ad approssimazioni successive, pipeline, Flash ADC. Convertitori a sovracampionamento (sigma-delta). 7. Strumenti elettronici di misura. Multimetri. Misura di tensioni e correnti. Misure di impedenze. Oscilloscopi digitali. Analizzatori di segnale a FFT. Analizzatori di spettro a supereterodina. Analizzatori di rete. Analizzatori di stati logici. Generatori di segnale.

Conoscenze di base sull'elettronica.

Lezioni in aula, esercitazioni in laboratorio

Modalità d'esame

Esame orale al termine del corso. Agli studenti viene richiesto inoltre di consegnare una relazione sulle attività svolte in laboratorio. L'esame prevede domande sugli argomenti svolti durante il corso e la discussione della relazione di laboratorio.

Codice insegnamento 9207_49261_16367

Elettronica Industriale 2° anno · 6 CFU · IINF-01/A · 0 file

Al termine del corso lo studente possiede una conoscenza approfondita dei principali aspetti ingegneristici e tecnologici connessi con la realizzazione, a livello industriale, di sistemi destinati all’acquisizione,…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente possiede una conoscenza approfondita dei principali aspetti ingegneristici e tecnologici connessi con la realizzazione, a livello industriale, di sistemi destinati all’acquisizione, all’elaborazione ed al controllo di grandezze fisiche ambientali quali temperatura, forza, accelerazione, ecc.
A tale scopo la prima parte del corso è dedicata alla presentazione di diversi tipi di trasduttori in grado di convertire grandezze fisiche generiche in grandezze di tipo elettrico. Da queste è possibile passare ad una tensione che abbia determinate proprietà attraverso opportune reti di condizionamento. La grandezza fisica misurata può essere tenuta sotto controllo attraverso l’impiego di attuatori, che permettono di intervenire sul processo, ai quali viene dedicata la seconda parte del corso. Nella terza parte, infine, vengono illustrate le principali modalità di realizzazione della sezione di elaborazione che, a partire dalla grandezza fisica misurata dal trasduttore, stabilisce come controllare l’attuatore.

Programma

Introduzione al corso

  • Sistema di controllo per processi industriali.

Trasduttori

  • Generalità sui trasduttori: classificazione, caratteristiche statiche e dinamiche.
  • Trasduttori di posizione lineare: a potenziometro, elettro-ottico, capacitivo a lamina, capacitivo cilindrico, a induttanza variabile, trasformatore differenziale.
  • Trasduttori di posizione angolare: a potenziometro. Encoder binario e a codice Gray, Encoder incrementale.
  • Trasduttore di velocità: trasduttore elettromagnetico.
  • Trasduttore di velocità angolare: dinamo tachimetrica, elettroottico, a carica e scarica capacitiva.
  • Trasduttore di accelerazione: a massa e molla, servoaccelerometro, accelerometro piezoelettrico.
  • Trasduttore di deformazione: Estensimetri: misura di forze, della coppia, della pressione.
  • Trasduttore di temperatura: termocoppie e termopile, termoresistenze, termistori, trasduttori integrati di temperatura
  • Rivelatori di radiazione.
  • MEMS e eircuiti di interfaccia per microsensori integrati

Reti di condizionamento

  • Amplificatori di tensione, di corrente e di carica.
  • Misure di R e G.
  • Circuiti a ponte.
  • Reti per sensori elettro-ottici.
  • Raddrizzatori sincroni e asincroni.
  • Trasmissione del segnale e collegamento con microcontrollore.

Attuatori

  • Introduzione agli azionamenti elettrici. Valvole elettroniche di potenza.
  • Diodi, tiristori: SCR, TRIAC. Interruttori controllati: BJT, GTO, IGBT.
  • Motore in Corrorrente Continua. Motore Passo Passo. Circuiti per il pilotaggio di motori passo-passo.Circuiti per il pilotaggio di motori passo-passo. Power MOSFET driving circuit, Motion control, Switching regulator.

Controllo

  • Introduzione ai sistemi di controllo.
  • ASICs, PLD, FPGA.
  • Struttura di un microcontrollore.

Per un’adeguata comprensione degli argomenti è richiesta la conoscenza dei principali argomenti trattati nei corsi di Elettronica.

La didattica si svolgerà tramite lezioni frontali. Durante il corso saranno organizzati incontri con ricercatori ed esperti del settore finalizzati all’approfondimento di particolari applicazioni di elettronica industriale.

Modalità d'esame

La verifica dell'apprendimento avviene attraverso una prova scritta finale di 2 ore. La prova scritta consiste di 6 quesiti a risposta aperta che riguardano gli aspetti teorici del corso, ciascuno corrispondente a 5 punti. I risultati dello scritto vengono resi pubblici sullo sportello studente.
Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell’effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione.
Non sono previste prove intermedie.

Codice insegnamento 9207_49295_1605

Gestione Aziendale 2° anno · 6 CFU · IEGE-01/A · 0 file

Al termine del corso lo studente possiede una conoscenza approfondita della gestione d'impresa con particolare riferimento all'organizzazione aziendale, ai metodi di decision making e alla gestione delle relazioni…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente possiede una conoscenza approfondita della gestione d'impresa con particolare riferimento all'organizzazione aziendale, ai metodi di decision making e alla gestione delle relazioni all'interno della filiera. Le principali abilità acquisite nel corso sono: 1) identificare le principali strutture organizzative e adattarle all'ambiente in cui opera l'impresa; 2) applicare metodi di valutazione di diverse alternative decisionali per problemi multi-obiettivo, caratterizzati da rischio/incertezza o in presenza di diversi attori; 3) identificare la tipologia di relazione da mantenere tra l'impresa e i propri fornitori.
Nel percorso da 9 crediti formativi, lo studente apprende inoltre come è strutturato il processo di previsione della domanda all'interno di un'azienda e le principali tecniche di demand forecasting (media mobile, modelli di scomposizione e di smorzamento esponenziale).

Programma

Il corso è strutturato in 4 parti: La progettazione organizzativa: ripresa e approfondimento dei contenuti di Economia e Organizzazione Aziendale e teorie contingenti. Organizzazione, macrostruttura, microstruttura, fattori contingenti quali l’ambiente esterno e le caratteristiche interne al contesto aziendale, processi aziendali. Il processo decisionale: approcci, metodi e strumenti. Criteri di scelta in condizioni di rischio e incertezza, metodi di quantitavi a supporto delle scelte . La gestione della supply chain e le relazioni cliente-fornitore: scelte di make or buy, relazioni di partnership, collaborazione operativa e tecnologica (per 9 crediti), supply chain management (per 9 crediti). La gestione della domanda (per 9 crediti). Il processo di previsione della domanda e modelli quantitativi di pricing.

Conoscenza di base dell'economia e dell'organizzazione aziendale (non obbligatorie)

La didattica è articolata in 4 parti corrispondenti alle 4 aree tematiche del corso: Organizzazione Aziendale Processo Decisionale Gestione della Supply Chain Previsione della domanda Ogni area prevederà l’utilizzo di diverse modalità di svolgimento delle attività didattiche tra cui: Lezioni frontali , Esercitazioni e discussione di casi, Testimonianze aziendali.

Modalità d'esame

La verifica dell’apprendimento avviene mediante una prova finale

prova scritta composta da domande teoriche su modelli organizzativi e da esercizi numerici. la prova ha una durata di 2h:30 min
i dettagli saranno contenuti nel materiale discusso il primo giorno del corso

Codice insegnamento 9207_49265_82

Gestione Dei Sistemi Ict 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine del corso lo studente possiede conoscenze diversificate nell’ambito delle ICT (Information and Communication Technologies), con particolare riferimento agli aspetti organizzativi, metodologici, tecnologici e…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente possiede conoscenze diversificate nell’ambito delle ICT (Information and Communication Technologies), con particolare riferimento agli aspetti organizzativi, metodologici, tecnologici e architetturali dei sistemi informativi aziendali.
In particolare, lo studente è in grado di comprendere il ruolo dei sistemi informativi all’interno dell’organizzazione; conosce le caratteristiche dei sistemi ERP e le modalità della loro integrazione nei processi aziendali; conosce il contenuto di un’Enterprise Architecture Blueprint ed è in grado di rappresentare l’architettura di una piccola organizzazione; conosce le fasi della progettazione di un sistema informativo e dello studio di fattibilità; conosce gli strumenti di Business Intelligence e i principali aspetti relativi alla sicurezza dei sistemi informativi.
Lo studente conosce inoltre i principi per la gestione dei sistemi ICT basati sull’intelligenza artificiale, con particolare riferimento alla definizione di ruoli e responsabilità, alla gestione dei rischi e degli impatti, alla qualità dei dati, al controllo umano, al monitoraggio delle prestazioni e al miglioramento continuo.

Programma

Il programma dell’insegnamento prevede la presentazione e trattazione dei seguenti argomenti:

  • Introduzione ai Sistemi Informativi
  • Sistemi ERP: stato dell’arte ed evoluzione, paradigma ERP, piattaforme software
  • Enterprise Architecture: framework e strumenti
  • Business Intelligence
  • Progettazione dei Sistemi Informativi: ciclo di vita, studio di fattibilità, valutazione dei rischi e degli impatti
  • Gestione dei sistemi ICT basati sull’intelligenza artificiale: ruoli e responsabilità, gestione dei dati, controllo umano, monitoraggio delle prestazioni e miglioramento continuo
  • Sicurezza dei Sistemi Informativi

Nessuno

La didattica si svolgerà tramite lezioni frontali alternando lezioni teoriche ad attività pratiche. Si pone inoltre un'attenzione particolare al confronto e al dialogo diretto con gli studenti, che potranno, durante le lezioni, formulare proposte di approfondimento.

Durante il corso saranno organizzati seminari finalizzati all'approfondimento di argomenti visti a lezione. Al fine di meglio strutturare tali seminari, il docente procederà ad individuare gli argomenti in relazione alle tematiche esposte.

Modalità d'esame

L'esame finale è costituito da una prova scritta e una successiva prova orale che prevede la presentazione dei risultati di un project work.
La prova scritta è strutturata in due parti: una parte consiste in quesiti a risposta aperta che riguardano gli aspetti teorici della disciplina, mentre l'altra parte prevede la risoluzione di un esercizio su uno degli argomenti trattati durante il corso.

La valutazione sarà costituita per il 10% sulla base del project work (di gruppo) sviluppato utilizzando un software ERP open-source e il restante dalla prova scritta.

Codice insegnamento 9207_49292_1548

Gestione Della Produzione Industriale 2° anno · 6 CFU · IIND-05/A · 0 file

Gli studenti acquisiranno le competenze di base relative ai sistemi produttivi e alle metodologie di pianificazione, programmazione e controllo di un sistema industriale. Tali concetti sono funzionali allo sviluppo di…

Scheda dell'insegnamento

Obiettivi formativi

Gli studenti acquisiranno le competenze di base relative ai sistemi produttivi e alle metodologie di pianificazione, programmazione e controllo di un sistema industriale. Tali concetti sono funzionali allo sviluppo di competenze fondamentali che consentono allo studente di capire come progettare, organizzare e gestire la produzione all’interno di un’azienda manifatturiera.

In particolare lo studente acquisirà nozioni che gli consentono di classificare un sistema produttivo, misurarne le prestazioni e analizzarne i principali costi. Inoltre impara ad utilizzare le metodologie e tecniche di programmazione, pianificazione della produzione di un sistema produttivo.
In tal senso, lo studente imparerà ad utilizzare le conoscenze acquisite per analizzare ed elaborare dati numerici a supporto del sistema decisionale aziendale.

Programma

I contenuti dettagliati del corso, tramite i quali lo studente acquisisce le competenze di base che gli consentono di analizzare e gestire la complessità di un sistema produttivo, sono i seguenti:

Introduzione ai sistemi produttivi
La classificazione dei sistemi produttivi
Le prestazioni di un sistema produttivo
I costi di produzione
Pianificazione, Programmazione e Controllo della Produzione (PP&C)
Il Piano Aggregato di Produzione (PAP)
Il Master Production Schedule (MPS)
La gestione dei fabbisogni
Il Material Requirement Planning (MRP)
La gestione a scorta

nessuno

Il corso è composto da 2 tipologie di interventi: lezioni teoriche (per un totale di 32 ore), atte ad illustrare la teoria di base dei diversi contenuti, ed esercitazioni (per un totale di 16 ore), nelle quali si svolgeranno esercizi numerici e casi industriali necessari alla comprensione dei contenuti appresi a lezione. Possono poi essere organizzate delle attività laboratoriali, delle visite guidate ad aziende manifatturiere locali e/o interventi in aula di manager di aziende, finalizzati a consolidare la teoria trattata in aula, nonché a creare un momento discussione tra gli studenti e manager di azienda.

Modalità d'esame

L’esame è scritto e orale. Le prove scritte (intere o parziali) sono suddivise in due parti ognuna del valore di 15 punti. 1a parte: esercizi numerici 2a parte: teoria (V/F, domande aperte, definizioni) La correzione della 2a parte è vincolata dall’ottenimento di un punteggio minimo di 9 punti nella 1a parte dell’esame. A coloro che ottengono una valutazione inferiore a 9 punti nella 1a parte dell’esame non verrà corretta la 2° parte, la prova d’esame sarà quindi considerata insufficiente. Le prove scritte si superano con una votazione minima di 18 punti. Durante l’esame non è consentito consultare alcun tipo di materiale (appunti, libri, dispense.). Il superamento della prova scritta consente l’accesso alla prova orale che può essere svolta solo ed esclusivamente durante lo stesso appello. La prova orale, che consente di avere un incremento di voto ottenuto alla prova scritta di massimo 3 punti, può essere effettuata secondo due modalità: - tramite lo svolgimento e la discussione di un caso studio discusso durante il semestre. La durata della discussione sarà di circa 30 minuti; - tramite colloquio orale volto a valutare la preparazione dello studente su tutti i concetti del corso che si tiene a valle della prova scritta (circa 1 settimana dopo). La prova orale può essere svolta solo ed esclusivamente durante lo stesso appello della prova scritta superata e avrà una durata media di 20 minuti. Lo svolgimento del caso di studio è raccomandato dal docente poiché non solo contribuisce all'acquisizione dei concetti base del corso mediante casi reali e numerici, ma favorisce l’acquisizione di competenze di comunicazione e di lavoro in team. Il caso di studio è svolto durante il corso e discusso a fine corso, la valutazione del caso ha validità di un anno. L'accesso alla prova orale è consentito solo al superamento dalla prova scritta con voto 18. Il mancato superamento della prova orale, fa decadere anche il voto della prova scritta.

Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione

Codice insegnamento 9207_49263_65

Information Management 2° anno · 6 CFU · IEGE-01/A · 0 file

Il corso fornisce agli studenti gli strumenti e i modelli analitici necessari per gestire e valutare le decisioni finanziarie in contesti aziendali reali. Al termine del corso, gli studenti saranno in grado di:…

Scheda dell'insegnamento

Obiettivi formativi

Il corso fornisce agli studenti gli strumenti e i modelli analitici necessari per gestire e valutare le decisioni finanziarie in contesti aziendali reali. Al termine del corso, gli studenti saranno in grado di:

  • Comprendere e interpretare i documenti contabili (stato patrimoniale, conto economico, rendiconto finanziario)
  • Analizzare i flussi di cassa e valutare la solidità finanziaria di un’azienda
  • Misurare e gestire il Capitale Circolante Netto e il "cash conversion cycle"
  • Costruire budget finanziari e prevedere i fabbisogni di liquidità in condizioni di incertezza
  • Valutare le alternative di finanziamento e comprendere il costo del capitale
  • Riconoscere l’impatto finanziario dei criteri ESG e degli obiettivi di sostenibilità
  • Esaminare l’evoluzione dei fabbisogni finanziari lungo il ciclo di vita di un’azienda

Programma

Analisi dei Bilanci: Attraverso l'analisi di un caso pratico, comprendere la struttura e l’interrelazione dei principali documenti finanziari.
Flusso di Cassa Operativo, FCFF e FCFE: Sviluppare la capacità di misurare la generazione di cassa e valutare la solidità finanziaria attraverso l’analisi dei flussi di cassa.
Capitale Circolante Netto: Analizzare e gestire le componenti del capitale circolante per migliorare l’equilibrio finanziario e l’efficienza operativa.
Pianificazione Finanziaria e Budgeting: Costruire previsioni finanziarie di breve termine e simulare gli impatti finanziari sotto diverse ipotesi.
Strumenti di Finanziamento e Costo del Credito: Comprendere e confrontare le fonti di finanziamento e valutarne le implicazioni in termini di costo.
Caso Studio e Impatto del Covid: Analizzare gli effetti finanziari di una crisi attraverso un caso reale.
ESG e Sostenibilità Finanziaria: Comprendere l’integrazione dei criteri ESG nelle decisioni finanziarie e di credito.
Ciclo di Vita della PMI: Esplorare l’evoluzione dei fabbisogni finanziari di una PMI nelle diverse fasi di crescita.
Struttura del Capitale e WACC: Analizzare le componenti e le implicazioni della struttura del capitale aziendale. Comprendere come la leva finanziaria influenzi rischio, rendimento e valore dell’impresa. Valutare come raggiungere un equilibrio ottimale tra debito e capitale proprio.

Nessuno

Le attività didattiche si svolgono attraverso lezioni frontali ed esercitazioni, con un’attenzione particolare all’interazione diretta con gli studenti. Il corso prevede l’utilizzo di casi aziendali reali, analisi di imprese operanti nel contesto economico attuale ed esperienze sul campo, al fine di favorire l’apprendimento applicato e sviluppare la capacità critica. Gli studenti sono incoraggiati a partecipare attivamente alle discussioni in aula e a proporre temi di approfondimento per la riflessione collettiva.

Modalità d'esame

L’esame si compone di una prova scritta e, facoltativamente, di una prova orale.
La prova scritta, obbligatoria, prevede due o tre esercizi numerici e una o due domande a risposta aperta sugli aspetti teorici del corso. Gli studenti che conseguono un punteggio pari o superiore a 18/30 possono registrare direttamente il voto ottenuto.
La prova orale è facoltativa per gli studenti che abbiano superato la prova scritta (≥18/30) e consiste in alcune domande a risposta aperta relative all’intero programma del corso. Anche la prova orale è valutata in trentesimi; il voto finale dell’esame sarà calcolato come media aritmetica tra il punteggio della prova scritta e quello della prova orale.

Codice insegnamento 9207_49274_12715

Introduction To Machine Learning 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso, gli studenti comprenderanno i concetti chiave e gli algoritmi del machine learning (ML). Acquisiranno esperienza pratica nell’implementazione di modelli di ML utilizzando Python e librerie…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, gli studenti comprenderanno i concetti chiave e gli algoritmi del machine learning (ML). Acquisiranno esperienza pratica nell’implementazione di modelli di ML utilizzando Python e librerie rilevanti, come Scikit-Learn e PyTorch. Inoltre, impareranno a valutare e ottimizzare i modelli di machine learning per diversi compiti.

Programma

  • Introduzione al Machine Learning: panoramica dei paradigmi di machine learning, principali applicazioni e differenze tra apprendimento supervisionato, non supervisionato e per rinforzo.
  • Apprendimento Supervisionato: comprensione dei dati etichettati, regressione vs classificazione, e algoritmi chiave come regressione lineare e regressione logistica.
  • Nearest Neighbors: introduzione all’algoritmo k-Nearest Neighbors (k-NN), metriche di distanza e confini decisionali.
  • Alberi decisionali e Random Forest: spiegazione dell’apprendimento degli alberi decisionali, entropia, guadagno informativo e metodi ensemble come bagging e random forest.
  • Metodi a kernel: introduzione al kernel trick, Support Vector Machines (SVM) e loro applicazione in spazi ad alta dimensionalità.
  • Reti neurali profonde: panoramica del deep learning, comprese reti feedforward, reti neurali convoluzionali (CNN) per l’elaborazione di immagini e reti neurali ricorrenti (RNN) per dati sequenziali.
  • Time series forecasting: la stima di valori futuri basata su dati storici osservati e dotati di marcatura temporale. Tale processo modella le dipendenze temporali, come trend e stagionalità.
  • Apprendimento non supervisionato: esplorazione di metodi di clustering (K-means, clustering gerarchico) e tecniche di riduzione della dimensionalità (PCA, t-SNE).
  • Modelli generativi: introduzione a generative adversarial networks (GANs), variational autoencoders (VAEs), modelli autoregressivi e modelli di diffusione per la generazione di dati sintetici.
  • Apprendimento per rinforzo: fondamenti dell’apprendimento per rinforzo, processi decisionali di Markov (MDP), Q-learning e metodi basati su policy gradient.

Si consiglia una conoscenza di base degli algoritmi di informatica, dell’algebra lineare e della programmazione (Python).

Le lezioni saranno supportate da slide, che verranno fornite agli studenti in anticipo. Le esercitazioni di laboratorio saranno svolte utilizzando Python.

Modalità d'esame

Gli studenti saranno valutati tramite un esame scritto, che comprenderà domande teoriche. Il voto finale sarà espresso su una scala da 30 punti.

Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione”

Codice insegnamento 9207_49298_40360

Laboratorio Di Elettronica 2° anno · 3 CFU · IINF-01/A · 0 file

L'obiettivo è lo svolgimento di attività sperimentale che renda gli studenti familiari con le tecniche di caratterizzazione di circuiti analogico-digitali, e con le problematiche legate alla strumentazione elettronica di…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo è lo svolgimento di attività sperimentale che renda gli studenti familiari con le tecniche di caratterizzazione di circuiti analogico-digitali, e con le problematiche legate alla strumentazione elettronica di misura per sensori di varia natura.

Programma

Introduzione alla Strumentazione del Laboratorio:

  • Oscilloscopi analogici e digitali.
  • Alimentatori da banco.
  • Multimetri da banco.
  • Generatori di forme d'onda.

Progettazione, realizzazione e caratterizzazione di circuiti elettronici analogici e digitali.

Conoscenza degli argomenti trattati nei corsi di Fondamenti di elettronica (per studenti di Ingegneria Informatica) o Strumentazione elettronica (per studenti di Ingegneria Meccanica).

Le lezioni si sovlgono tramite attività sperimentali in Laboratorio.

Modalità d'esame

L'esame consiste nella valutazione delle relazioni delle attività sperimentali svolte in laboratorio durante il corso.
Il docente si riserva la facoltà di richiedere un colloquio orale integrativo qualora ciò sia ritenuto necessario ai fini della verifica dell’effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell’insegnamento e della corretta attribuzione della valutazione.

Codice insegnamento 9207_49260_18187

Laboratorio Di Programmazione Evoluta E Competitiva 2° anno · 6 CFU · IINF-05/A · 0 file

L'obiettivo del corso è studiare ed imparare a risolvere problemi algoritmici che si trovano tipicamente in competizioni di programmazione. Particolare attenzione viene dedicata a come utilizzare algoritmi…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo del corso è studiare ed imparare a risolvere problemi algoritmici che si trovano tipicamente in competizioni di programmazione. Particolare attenzione viene dedicata a come utilizzare algoritmi fondamentali, strutture dati, e approcci tipici (patterns) per produrre soluzioni con bassa complessità computazionale. Al termine del corso lo studente sarà in grado di applicare le conoscenze acquisite anche al di fuori dello specifico ambito delle competizioni di programmazione, e sarà in grado di implementare delle soluzioni che performano bene anche nel caso problemi caratterizzati da input di grandi dimensioni.

Programma

Il corso è strutturato in unità.

  • Introduzione alle coding competitions. Lo studente verrà introdotto alla programmazione competitiva. Lo studente ripasserà il concetto di complessità computazionale (tempo e spazio), che viene utilizzato per determinare la qualità di una soluzione. Lo studente ripasserà la notazione asintotica.
  • Scelta del linguaggio di programmazione. Lo studente comprenderà i vantaggi e gli svantaggi legati all'uso di diversi linguaggi di programmazione nel dominio delle competizioni di programmazione. Lo studente ripasserà le fondamenti della programmazione in Python. Problemi specifici verranno utilizzati per studiare le differenze tra array, lista, e hashmap. Analisi e valutazione del dynamic resizing.
  • Ordinamento. Lo studente implementerà i principali approcci per ordinare numeri. Lo studente comprenderà le proprietà associate ad ogni metodo di ordinamento. Inoltre, lo studente imparerà a utilizzare in modo combinato (e.g., approccio ibrido) i diversi metodi di ordinamento, con l'obiettivo di migliorare l'efficienza in caso di limitazioni legate all'hardware (e.g., limitata quantità di memoria).
  • Strutture dati. Lo studente studierà ed implementerà le strutture dati fondamentali quali Pila, Coda (anche con priorità), Heap, Albero Binario (eventualmente con auto-bilanciamento), Grafo, LRU Cache, Trie, Union-Find, Segment Tree, Sparse Table. Una selezione di coding questions sarà usata per mettere in risalto il vantaggio che si può trarre dall'uso di ciascuna struttura.
  • Programmazione dinamica e ricorsione. Lo studente studierà come utilizzare la programmazione dinamica e la ricorsione per risolvere problemi algoritmici. Lo studente studierà anche le problematiche associate a ciascuno dei due approcci.
  • Soluzione di problemi per categoria. Lo studente studierà e risolverà una selezione di problemi da categorie comuni. Per la categoria string ad esempio, lo studente apprenderà come cercare prefissi in modo efficiente.
  • Programmazione evolutiva e genetica. Lo studente studierà i principi e i concetti comuni alla computazione evolutiva. Si studierà in dettaglio la programmazione evolutiva (concetti come popolazione, mutazioni, selezione) e la programmazione genetica (concetti come genotipo, crossover, fitness).
  • Algoritmi di ricerca. Lo studente sarà introdotto all'utilizzo di algoritmi di ricerca, con un focus su tecniche di base e avanzate (metaeuristiche), per lo sviluppo di soluzioni software efficienti in diversi contesti applicativi.

Non ci sono prerequisiti formali. Il corso assume che lo studente abbia familiarità con la programmazione e la notazione asintotica.

Lezioni con approfondimenti teorici abbinate a sessioni di programmazione interattiva ed esercizi di laboratorio. Il docente esporrà allo studente un problema algoritmico, spiegherà come risolvere in modo efficiente il problema, infine implementerà una soluzione in modo interattivo.
Una copia di tutto il materiale utilizzato dal docente sarà disponibile sulla piattaforma e-learning dell'università.

Modalità d'esame

Esame scritto e progetto obbligatorio.
L'esame scritto è strutturato in 2/3 esercizi che coprono i primi 6 moduli del programma. L'obiettivo dell'esame è verificare che lo studente abbia appreso gli algoritmi ed i concetti spiegati durante il corso. E' consuetudine che compaia un esercizio che richiede di implementare un algoritmo studiato in classe ed un esercizio stile coding interview dove viene valutata la capacità di applicare le nozioni apprese durante il corso al fine di risolvere un problema applicativo. Il tempo disponibile è di solito di 1.5 o 2 ore.
Il progetto obbligatorio è focalizzato sulla valutazione dei moduli di programmazione evolutiva ed algoritmi di ricerca.
I punteggi ottenuti nell'esame scritto e nel progetto contribuiscono entrambi alla definizione del voto finale (in misura proporzionale al numero di ore dedicate ai moduli).

Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione

Codice insegnamento 9207_49291_18193

Linguaggi Formali 2° anno · 6 CFU · IINF-05/A · 0 file

Presentare le tecniche per la definizione dei linguaggi formali e mostrare gli algoritmi di riconoscimento dei linguaggi. Presentazione degli strumenti freeware per la generazione automatica dei compilatori. Lo…

Scheda dell'insegnamento

Obiettivi formativi

Presentare le tecniche per la definizione dei linguaggi formali e mostrare gli algoritmi di riconoscimento dei linguaggi.
Presentazione degli strumenti freeware per la generazione automatica dei compilatori.
Lo studente acquisirà la capacità di progettare piccoli linguaggi artificiali e realizzare il traduttore.

Programma

Teoria dei linguaggi.
Operatori sui linguaggi.
Espressioni regolari: derivazione del linguaggio, riconoscimento mediante automi a stati finiti-
Sintassi dei linguaggi: grammatiche BNF, proprietà.
Famiglie di linguaggi e tecniche di riconoscimento (parsing): discendente (LL(1)) e ascendente (LR(0), LALR(1), LR(1)).
Semantica dei linguaggi: modello delle grammatiche ad attributi e modalità di valutazione semantica.
La macchina virtuale di Java e il byte code.

Buona conoscenza delle nozioni fondamentali di informatica e relative ai linguaggi di programmazione.

Lezioni frontali, esercizi.
Sedute in laboratorio.

Modalità d'esame

Esame scritto obbligatorio.
Progetto facoltativo ma consigliato.

Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell’effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell’insegnamento e della corretta attribuzione della valutazione.

Codice insegnamento 9207_49293_10013

Linguaggi Formali E Compilatori 2° anno · 9 CFU · IINF-05/A · 0 file

Presentare le tecniche per la definizione dei linguaggi formali e mostrare gli algoritmi di riconoscimento dei linguaggi. Presentazione degli strumenti freeware per la generazione automatica dei compilatori. Lo…

Scheda dell'insegnamento

Obiettivi formativi

Presentare le tecniche per la definizione dei linguaggi formali e mostrare gli algoritmi di riconoscimento dei linguaggi.
Presentazione degli strumenti freeware per la generazione automatica dei compilatori.
Lo studente acquisirà la capacità di progettare piccoli linguaggi artificiali e realizzare il traduttore.

Programma

Teoria dei linguaggi.
Operatori sui linguaggi.
Espressioni regolari: derivazione del linguaggio, riconoscimento mediante automi a stati finiti-
Sintassi dei linguaggi: grammatiche BNF, proprietà.
Famiglie di linguaggi e tecniche di riconoscimento (parsing): discendente (LL(1)) e ascendente (LR(0), LALR(1), LR(1)).
Semantica dei linguaggi: modello delle grammatiche ad attributi e modalità di valutazione semantica.
La macchina virtuale di Java e il byte code.

Buona conoscenza delle nozioni fondamentali di informatica e relative ai linguaggi di programmazione.

Lezioni frontali, esercizi.
Sedute in laboratorio.

Modalità d'esame

Esame scritto obbligatorio.
Progetto facoltativo ma consigliato.

Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell’effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell’insegnamento e della corretta attribuzione della valutazione.

Codice insegnamento 9207_49266_10011

Meccanica Dei Robot 2° anno · 6 CFU · IIND-02/A · 0 file

Al termine del corso, lo studente apprende le principali metodologie per l'analisi cinematica/dinamica e per la pianificazione del moto dei manipolatori industriali. Sarà anche in grado di affrontare la progettazione…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, lo studente apprende le principali metodologie per l'analisi cinematica/dinamica e per la pianificazione del moto dei manipolatori industriali. Sarà anche in grado di affrontare la progettazione di massima di questi sistemi meccanici basandosi su opportuni criteri di progetto e di verifica delle prestazioni.
Inoltre, avrà le conoscenze per programmare e simulare il funzionamento di celle multirobot utilizzando i più diffusi programmi di simulazione offline/online sviluppati dai principali produttori di manipolatori (esempio RobotStudio, KUKA.Sim, WinCapsIII, ecc).

Programma

Cenni sui componenti funzionali di un sistema robotico, struttura meccanica del manipolatore, attuatori trasmissioni e sensori.
Cinematica dei manipolatori: moti rigidi e trasformazioni omogenee.
Cinematica diretta, parametri di Denavit e Hartenberg.
Cinematica inversa numerica e in forma chiusa.
Cinematica differenziale, Jacobiano geometrico e analitico, configurazioni singolari e indice di manipolabilità.
Spazi di lavoro primario e secondario.
Pianificazione del moto nello spazio dei giunti e nello spazio Cartesiano, differenze tra i due approcci.
Dinamica dei manipolatori seriali: modello a corpi rigidi, formulazione di Newton-Eulero e Lagrangiana.
Criteri di progetto e indici prestazionali.

Programmazione offline e simulazione dei robot (o celle robotiche) con software di simulazione proprietari (esempio ABB: RobotStudio, KUKA:KUKA.Sim, DENSO:WinCapsIII, ecc.).

Contenuti del corso di Ingegneria dei Sistemi Meccanici. Sono utili, anche se non indispensabili, conoscenze di base di MATLAB

Lezioni teoriche (32 h), esercitazioni numeriche (16 h) in aula informatica/laboratorio

Modalità d'esame

L'esame è orale e consiste nella presentazione e discussione di un elaborato che sarà assegnato verso la metà corso, seguito da una prova orale sugli argomenti svolti. L’elaborato e la prova orale valgono entrambi 15/30
L’elaborato potrà essere svolto individualmente oppure in gruppo (massimo 2 studenti)

Codice insegnamento 9207_49302_1001

Mechatronic Systems And Advanced Robotic Applications 2° anno · 6 CFU · IIND-02/A · 0 file

Fornire principi e metodi per la progettazione sinergica di sistemi meccatronici con l’obiettivo di massimizzare le prestazioni dinamiche del sistema. L’approccio sinergico si basa su modelli di simulazione della parte…

Scheda dell'insegnamento

Obiettivi formativi

Fornire principi e metodi per la progettazione sinergica di sistemi meccatronici con l’obiettivo di massimizzare le prestazioni dinamiche del sistema. L’approccio sinergico si basa su modelli di simulazione della parte di azionamento, della parte meccanica e della parte di controllo. Vengono presentate delle metodologie trasversali alle discipline meccatroniche che consentono di evidenziare I punti critici della progettazione del sistema meccatronico.

Programma

Controllo del moto in campo industriale. Soluzioni commercialmente disponibili e prestazioni ottenibili in funzione dei profili di moto. Esempi applicativi di calcolo e simulazione delle prestazioni ottenibili.
Flessibilità operativa dei sistemi di azionamento industriale per il controllo del moto. Massime prestazioni dinamiche ottenibili con i sistemi di controllo del moto in campo industriale, modelli di simulazione. Influenza della cedevolezza della trasmissione sulle prestazioni di un sistema di azionamento per il controllo del moto. Modelli dinamici delle principali trasmissioni utilizzate in campo industriale e per la realizzazione di sistemi di azionamento di macchine utensili. Simulazione dinamica di sistemi di azionamento con trasmissione cedevole, effetto della cedevolezza della trasmissione sul sistema di controllo.
Effetto della posizione dei sensori di feedback sulla qualità del controllo del moto.
Approccio sistematico per la scrittura di equazioni dinamiche di un sistema meccatronico, influenza della posizione dei sensori e degli attuatori sulle massime prestazioni ottenibili anche in relazione alla tipologia di sistema di controllo utilizzato. Comportamento dinamico del sistema meccanico in relazione alla tipologia di sistema di controllo utilizzato e al numero di sensori e di attuatori inserito nel sistema. Simulazione di un sistema meccatronico completo.
Presentazione di casi applicativi in settore industriale ed automotive.
Sistemi robotici con controllo in forza e ibrido posizione/forza. Interfacce aptiche passive, attive, attive e retroazionate. Modelli dinamici e criteri generali di progetto/simulazione. Effetto della rigidezza dell’ambiente. Interazione fra interfacce aptiche e sistemi robotici.
Modellazione e compensazione basata su modellie e misure di fenomeni di attrito in sistemi robotici e meccatronici.
Comportamento statico e dinamico di attuatori piezoelettrici. Panoramica degli azionamenti piezoelettrici, tipologie e caratteristiche funzionali equazioni costitutive delle ceramiche piezoelettriche, modelli numerici per attuatori piezoelettrici, curve caratteristiche statiche, influenza delle masse e delle forze esterne sul comportamento dinamico e statico degli attuatori
Introduzione a sistemi di visione; algoritmi di elaborazione delle immagini, formati di dato per le immagini, introduzione alle tipologie di CCD e di hw di telecamere industriali, illuminatori e sistemi di acquisizione delle immagini, principali tipi di elaborazione dell'immagine utilizzati in campo industriale

Elementi di meccanica, Elettronica di potenza (meccanica degli azionamenti), sistemi vibranti (vibrazioni meccaniche), elementi di informatica, elementi di controllo automatico

lezioni frontali e simulazioni al calcolatore

Modalità d'esame

Esame orale e discussione delle attività di simulazione

Codice insegnamento 9207_49277_40326

Metodi E Strumenti Per Il Ciclo Di Vita Del Prodotto 2° anno · 6 CFU · IIND-03/B · 0 file

Fornire i fondamenti riguardanti le METODOLOGIE e gli STRUMENTI SOFTWARE per la GESTIONE delle attività TECNICO-GESTIONALI-ORGANIZZATIVE esplicate dalle funzioni d’ingegneria durante l’intero CICLO DI VITA DEL…

Scheda dell'insegnamento

Obiettivi formativi

Fornire i fondamenti riguardanti le METODOLOGIE e gli STRUMENTI SOFTWARE per la GESTIONE delle attività TECNICO-GESTIONALI-ORGANIZZATIVE esplicate dalle funzioni d’ingegneria durante l’intero CICLO DI VITA DEL PRODOTTO. Gli studenti acquisiranno le conoscenze di base relative alle metodologie e strumenti ICT a supporto delle varie fasi del ciclo di vita del prodotto e la capacità di individuare le soluzioni più idonee per il contesto industriale specifico. E’, quindi, previsto l’utilizzo delle diverse metodologie e strumenti sia per esercitazioni guidate sia per lo sviluppo di progetti specifici. Il corso contribuisce agli obiettivi formativi del corso di studi relativi all’area tecnologico-industriale, in particolare con riferimento alle attività e agli strumenti inerenti la gestione del ciclo di vita del prodotto. Nell'ambito del corso ed in collaborazione con altri corsi potranno essere svolte tesi di laurea sia di tipo applicativo sia orientate alla ricerca ed allo sviluppo di nuovi strumenti software per il ciclo di vita del prodotto.

Programma

Durante il corso verranno trattati i seguenti argomenti:

  • Processo di sviluppo prodotto, metodi e tecnologie IT per lo sviluppo del prodotto virtuale: Computer Aided Styling (CAS), Virtual Prototyping (VP), Reverse Engineering, Simulazioni numeriche, Virtual Humans and Ergonomics, Realtà Virtuale ed aumentata, Manifattura additiva.
  • Il ruolo del PDM (Product Data Management) nel ciclo di vita del prodotto, obiettivi e benefici (tecnici ed organizzativi).
  • Integrazione di una soluzione PDM/PLM con gli altri sistemi aziendali (es. ERP, CRM).
  • Strumenti per l'analisi, la descrizione e il re-engineering dei processi d’ingegneria all'interno del ciclo di vita del prodotto.
  • Metodologie a supporto del ciclo di vita del prodotto, quali Design for X e Life Cycle Assessment.
  • Gestione della conoscenza e della proprietà intellettuale nel ciclo di vita del prodotto.
  • Soluzioni PLM: architettura delle soluzioni SW software, implementazione, gestione del progetto, gestione del cambiamento, benefici e problemi.
    Il corso comprende attività di laboratorio e presentazioni di casi aziendali con interventi di relatori esterni dal mondo industriale.

Nessuno

La didattica si svolgerà tramite:

  • Lezioni frontali in aula durante le quali verranno presentati gli argomenti citati e ponendo attenzione al confronto e al dialogo diretto con gli studenti;
  • Esercitazioni in aula o in laboratorio informatico per permettere agli studenti di sperimentare le metodologie e gli strumenti descritti.

Modalità d'esame

L'esame è composto di due parti da sostenere nello stesso giorno: 1. sviluppo e discussione di un progetto concordato con i docenti e relativo alle tematiche trattate nell’ambito del corso (80% della valutazione finale). Il progetto verrà assegnato a gruppi di 3-4 studenti. In base al progetto assegnato, è richiesta la consegna di una relazione scritta e la descrizione del lavoro svolto mediante presentazione Powerpoint. Verranno valutate le capacità critiche, di sintesi ed espositive e la completezza del lavoro svolto. 2. una prova orale al fine di verificare l’acquisizione da parte degli studenti delle nozioni impartite durante il corso (20% della valutazione finale). Verrà valutato il livello di approfondimento e le capacità espositive.
Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione.
.

Codice insegnamento 9207_49273_79

Modulo Di Controlli Automatici 2° anno · 6 CFU · IINF-04/A · 0 file

Il corso di controlli automatici e' la naturale prosecuzione del corso di Fondamenti di Automatica. L'obiettivo è fornire allo studente nuove competenze su metodologie più avanzate per l'analisi dei sistemi dinamici,…

Scheda dell'insegnamento

Obiettivi formativi

Il corso di controlli automatici e' la naturale prosecuzione del corso di Fondamenti di Automatica.
L'obiettivo è fornire allo studente nuove competenze su metodologie più avanzate per l'analisi dei sistemi dinamici, la progettazione dei controllori ed il filtraggio. Inoltre sara' fornita una buona conoscenza operativa del filtraggio alla Kalman ed una buona capacità di progettare sistemi di controllo con tecniche avanzate direttamente nel dominio digitale.
Alla fine del corso lo studente sara' in grado di:

  • progettare ed implementare un filtro di Kalman;
  • progettare elementari sistemi di controllo multivariabile
  • progettare sistemi di controllo in cascata
  • realizzare implementazioni anti-windup per controllori PID
  • progettare sistemi di controllo di posizione e velocita per motori elettrici in corrente continua

Programma

PARTE 1 - Proprietà strutturali dei sistemi dinamici Raggiungibilità, Controllabilità, Osservabilità, Ricostruibilità Test di Kalman Realizzazione in forma di stato, forme canoniche, sistema duale Assegnamento degli autovalori, ricostruzione dello stato.
PARTE 2 - Filtro di Kalman Introduzione e problema base per il caso lineare tempo invariante predizione ad un passo estensioni soluzione di regime e teoremi asintotici Filtro di Kalman Esteso (EKF) e identificazione a scatola grigia
PARTE 3 - Controllo predittivo Controllo predittivo a Minima Varianza (MV): legge di controllo, proprieta' del sistema di controllo; controllo a Minima Varianza Generalizzata (GMV): schema di progetto a Modello di Riferimento (MR), schema di progetto a controllo penalizzato.
PARTE 4 - Metodi avanzati di controlli automatici Compensazione di disturbi in anello aperto, implementazione anti-windup di controllori con azione integrale, predittore di Smith, controllo in cascata. Cenni di controllo multivariabile: metodi di disaccoppiamento, controllo decentralizzato, matrice dei guadagni relativi.
PARTE 5 - Controllo del moto Principi di conversione elettromeccanica. Motori elettrici a corrente continua: modellistica ed analisi dinamica. Controllo di velocita'. Controllo di posizione. Compensazione dei disturbi di coppia.

Analisi dei sistemi dinamici a tempo continuo e a tempo discreto sia nel dominio del tempo che nel dominio delle frequenze.
Progettazione di controllori lineari in retroazione usando metodi in frequenza.

Il percorso didattico proposto allo studente è il seguente:
1) Seguire la lezione frontale esposta con il supporto di diapositive. Esse sono tutte disponibili prima dell’inizio del corso ed è utile che lo studente visioni le diapositive di una lezione prima di seguirla.
2) Studiare gli argomenti della lezione con l’ausilio di libri di testo, delle diapositive e degli appunti personali.
3) Seguire l’esercitazione frontale svolta alla lavagna (elettronica o tradizionale). Il testo e lo svolgimento degli esercizi sono tutti disponibili prima dell’inizio del corso ed è utile che lo studente visioni gli svolgimenti degli esercizi prima di seguire l’esercitazione.
4) Svolgere gli esercizi proposti, disponibili su Teams in numero limitato ed accuratamente selezionati. Lo scopo degli esercizi proposti è verificare il livello di comprensione dei concetti esposti nelle lezioni ed esercitazioni e la capacità dello studente di utilizzarli.
5) Verso la fine delle lezioni lo studente è in grado di svolgere alcuni temi d’esame, proposti con la loro soluzione e scelti tra i più rappresentativi e paradigmatici.
6) Agli studenti è offerta la possibilità di svolgere un progetto finale che sarà possibile sottomettere al docente per la valutazone. L’obiettivo è rendere lo studente autonomo nell’utilizzo di Matlab per la risoluzione di problemi di Automatica.

Vengono svolti alcuni esempi di applicazione nell'ambito del controllo di sistemi industriali. Sono previsti seminari didattici da parte di ricercatori industriali e accademici. Viene data molta importanza alla partecipazione attiva alle lezioni da parte degli studenti, che viene stimolata mediante un dialogo continuo.
Gli studenti possono trovare il docente in ogni momento (meglio previo appuntamento) recandosi presso l'ufficio del docente (Ufficio 303 Edificio C).

Modalità d'esame

La verifica dell'apprendimento avviene attraverso una prova scritta finale della durata di 2 ore. Essa e' abitualmente costituita da 5 o 6 quesiti: 4 esercizi ed 1 o 2 domande teoriche. Tutti gli esercizi e le domande valgono da 5 a 8 punti. Sono previste prove in itinere.
Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione.

N.B. Per gli allievi informatici questo corso può essere integrato con Identificazione dei Modelli ed Analisi dei Dati. Il voto complessivo del corso integrato sarà calcolato come media (approssimata all'intero superiore) dei voti conseguiti nei due moduli.

Codice insegnamento 9207_49283_1796

Multimedia Internet 2° anno · 6 CFU · IINF-03/A · 0 file

Il modulo è dedicato alla presentazione e descrizione dei principali protocolli impiegati nella rete Internet per la trasmissione di contenuti multimediali. Sono dapprima introdotte le principali tecnologie di…

Scheda dell'insegnamento

Obiettivi formativi

Il modulo è dedicato alla presentazione e descrizione dei principali protocolli impiegati nella rete Internet per la trasmissione di contenuti multimediali. Sono dapprima introdotte le principali tecnologie di trasmissione e di trasporto dei contenuti multimediali e i meccanismi di garanzia della qualità del servizio, le reti CDN (Content Delivery Networks) e i paradigmi di evoluzione della rete Internet (ICN, Information Centric Networks, SDN, Software Defined Networking). L'ultima parte del corso è dedicata alle reti locali wireless e alla convergenza con le reti multimediali.

Programma

Introduzione ai servizi multimediali. Brevi richiami di networking: IPv4, IPv6, Multiprotocol Label Switching (MPLS), NAT, Multicast, Internet Group Management Protocol (IGMP). Livello applicativo, DNS. Tecniche per la diffusione efficace dei contenuti multimediali: il paradigma ed il funzionamento delle Content Delivery Networks (CDN). Evoluzione della rete Internet per la diffusione dei contenuti multimediali (Information Centric Networks, ICN) e Software Defined Networking (SDN). Gestione della qualità dei servizi multimediali. Convergenza reti wireless e multimediali. Introduzione alle Wireless LAN, reti Mesh (livello fisico, data link e routing). Gestione efficiente dello spettro. Gestione della qualità del servizio, Sicurezza.

Non ci sono precedenze obbligatorie. Il corso assume che si disponga delle conoscenze relative ai fondamenti delle reti di telecomunicazione e di Internet.

Lezioni, esercitazioni.

Qualora l'insegnamento venisse impartito in modalità mista o a distanza potranno essere introdotte modifiche rispetto a quanto dichiarato nel syllabus per rendere il corso e gli esami fruibili anche secondo queste modalità.

Modalità d'esame

Prova scritta e orale. La prova consiste in una serie di esercizi e domande che fanno riferimento al programma svolto a lezione.
Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione.

Codice insegnamento 9207_49268_12907

Optimization 2° anno · 3 CFU · MATH-06/A · 0 file

Scopo del corso è di fornire una panoramica dei moderni metodi e algoritmi di ottimizzazione per applicazioni all’apprendimento statistico, machine learning e al data science. Verrà discussa la teoria alla base di questi…

Scheda dell'insegnamento

Obiettivi formativi

Scopo del corso è di fornire una panoramica dei moderni metodi e algoritmi di ottimizzazione per applicazioni all’apprendimento statistico, machine learning e al data science. Verrà discussa la teoria alla base di questi metodi (condizioni di ottimalità e teoria della dualità) e come scegliere i giusti metodi di ottimizzazione per diverse applicazioni di apprendimento statistico e machine learning.
Al termine del corso lo studente sarà in grado di:

  • Valutare gli algoritmi, le classi di funzioni e velocità di convergenza degli algoritmi più importanti.
  • Implementare i più importanti algoritmi di ottimizzazione per il data science in ambiente Python.
  • Comprendere il trade-off tra tempo computazionale e precisione di algoritmi per l’apprendimento statistico e machine learning.
    Dal punto di vista empirico, gli algoritmi presentati verranno applicati a database del mondo reale.

Programma

Nello specifico il corso coprirà i seguenti argomenti:

  • Condizioni di ottimalità, Metodi di Ottimizzazione univariata e multivariata senza l’utilizzo di derivate (Derivative-Free), Metodo del Gradiente, Metodo del Gradiente Stocastico, Metodo del Subgradient, Metodo di Newton e Quasi-Newton, Metodo del Gradiente Coniugato, Metodi Penalty Function. Support Vector Machines (SVM): classificatori Soft and hard Margin e loro formulazione di programmazione quadratica (PQ). Metodo dei kernel. Condizioni di Karush-Kuhn-Tucker (KKT). Formulazione duale del problema PQ primale. Teoria della dualità di Wolfe per PQ. Problemi SVM multiclasse.
  • Alberi decisionali ottimali.

Uso pratico di algoritmi di apprendimento. Confronto tra algoritmi di apprendimento dal punto di vista dell'ottimizzazione. Utilizzo di software (Python).

Algebra lineare e funzioni reali di variabile reale in una e due variabili.

Il corso sarà organizzato in lezioni frontali, esercitazioni e tutorato comprensive dello svolgimento di esempi e esercizi. Alcune lezioni si svolgeranno presso il laboratorio informatico in cui verranno implementate in ambiente Python le metodologie descritte a lezione su dati provenienti da vari contesti applicativi (business analytics, news, diagnosi medica ecc.).

Modalità d'esame

L'esame si svolge in due parti:

  • discussione orale di casi studio assegnati (50 % del voto finale). Gli studenti possono lavorare in piccoli gruppi o individualmente.
  • Esame finale orale (50 % del voto finale).

Al fine di garantire l'efficace organizzazione e gestione delle prove d'esame, il docente può adottare il cosiddetto “salto d’appello” immediatamente successivo per gli studenti che abbiano riportato una valutazione gravemente insufficiente o che, essendosi iscritti, risultino assenti ingiustificati.

Codice insegnamento 9207_49270_15819

Piattaforme Cloud E Applicazioni Mobili 2° anno · 6 CFU · IINF-05/A · 0 file

Comprendere i concetti fondamentali del cloud computing, inclusi i modelli di servizio (SaaS, PaaS, IaaS) e le infrastrutture cloud. Esaminare le architetture serverless e comprendere i vantaggi e le sfide associate a…

Scheda dell'insegnamento

Obiettivi formativi

  • Comprendere i concetti fondamentali del cloud computing, inclusi i modelli di servizio (SaaS, PaaS, IaaS) e le infrastrutture cloud.
  • Esaminare le architetture serverless e comprendere i vantaggi e le sfide associate a questa tecnologia.
  • Approfondire le basi di dati in cloud, comprendendo i servizi di gestione dati offerti dai principali provider cloud e le best practice per la gestione dei dati in un ambiente cloud.
  • Analizzare i microservizi come architettura per lo sviluppo e la gestione di applicazioni distribuite, comprendendo i principi di progettazione e le tecnologie correlate.
  • Esplorare le tecnologie e le piattaforme per lo sviluppo di applicazioni mobile, comprendendo le sfide specifiche legate alla progettazione, sviluppo e distribuzione di applicazioni per dispositivi mobili.
  • Integrare le tecnologie mobili e cloud per lo sviluppo di soluzioni innovative, comprendendo i vantaggi e le sfide di tale integrazione.
  • Applicare le competenze acquisite attraverso progetti pratici che coinvolgono lo sviluppo di applicazioni mobili, l'implementazione di servizi cloud e l'integrazione di microservizi.

Programma

Architetture Cloud

  • Introduzione alle architetture cloud: dalla gestione dei sistemi on-premises al cloud computing.
  • Differenze tra sistemi virtuali e architetture cloud.
  • Concetti fondamentali dei microservizi e delle architetture serverless.
  • Principi DevOps e l'importanza della collaborazione tra sviluppatori e operatori IT.
  • Infrastrutture come codice (Infrastructure as Code) e automazione delle risorse cloud.
    Elaborazioni in cloud
  • Gestione dei dati in ambiente cloud: dal modello relazionale al NoSQL.
  • Approfondimento sui database di tipo document store, con particolare attenzione a MongoDB.
  • Elaborazione dei dati in cloud utilizzando strumenti come PySpark e Hadoop.
  • Esposizione di API come servizi serverless (Functions as a Service) per l'implementazione di logica di business.
  • Introduzione all'architettura di elaborazione dei dati in tempo reale in cloud.
    Applicazioni Mobile
  • Concetti di sviluppo di applicazioni mobili: approccio ibrido vs nativo.
  • Esplorazione delle differenze tra le esperienze utente nelle applicazioni mobili.
  • Introduzione a Flutter come framework per lo sviluppo di applicazioni mobili cross-platform.
  • Approfondimento sulle best practice per la progettazione e lo sviluppo di applicazioni mobili.
  • Considerazioni sull'integrazione delle applicazioni mobili con le risorse e i servizi cloud.

Applicazioni:

  • Utilizzo di servizi cloud come Amazon Web Services (AWS) per implementare le architetture descritte.
  • Pratica nell'utilizzo di database cloud come MongoDB per la gestione dei dati.
  • Sviluppo di applicazioni mobili utilizzando il framework Flutter per dimostrare le tecniche apprese.

Sistemi Operativi, Reti di Calcolatori, Basi di Dati

Lezione frontale ed esercitazioni in laboratorio, nel semestre, tutorato

Modalità d'esame

Prova scritta sugli aspetti metodologici (domande a risposta chiusa)
Progetto (singolo o in gruppo)

Codice insegnamento 9207_49271_40361

Progettazione Dei Sistemi Elettronici 2° anno · 6 CFU · IINF-01/A · 0 file

Al termine del corso lo studente possiede una conoscenza approfondita degli aspetti legati al progetto ed alla fabbricazione di circuiti e sistemi elettronici. Il livello di conoscenza fornito dal corso può essere…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente possiede una conoscenza approfondita degli aspetti legati al progetto ed alla fabbricazione di circuiti e sistemi elettronici. Il livello di conoscenza fornito dal corso può essere considerato un'utile passaggio tra le conoscenze di base acquisite nel corso di "Fondamenti di Elettronica" e l'impiego nell'industria della progettazione di sistemi elettronici e di circuiti a semiconduttore.

Programma

Introduzione
Componenti Elettronici di Base

  • Resistenze, Condensatori e Induttanze
  • Trasformatori
  • Fusibili
  • Interruttori e Relays
  • Batterie
  • Fili, Cavi e Connettori
    Semiconduttori
  • Diodi
  • Transistor Bipolare
  • Junction Field-Effect Transistors
  • Metal Oxide Semiconductor Field-Effect Transistors
    Simulazione Circuitale
  • Guida al Simulatore SPICE
  • Modelli dei Dispositivi
  • Caratterizzazione di Dispositivi
  • Caratterizzazione di Circuiti
    Oscillatori e Temporizzatori
  • Oscillatori RC
  • Timer Integrato 555
  • Oscillatori Controllati in Tensione (VCO)
  • Oscillatori a Ponte di Wien
  • Oscillatori LC
  • Oscillatori a Cristallo
    Circuiti Elettronici per Applicazioni Audio
  • Micorfoni
  • Amplificatori Audio e Preamplificatori
  • Mixer
  • Altoparlanti
  • Redi di Crossover
    Progetto di Circuiti Stampati
  • Principi Base dei Circuiti Stampati
  • Bypass e Disaccoppiamento
  • Distribuzione dei Segnali di Clock
  • Interconnessioni e I/O
  • Software per Progetto di Circuiti Stampati

Per un'adeguata comprensione degli argomenti è richiesta la conoscenza dei principali argomenti trattati nel corso di Fondamenti di Elettronica.

La didattica si svolgerà tramite lezioni frontali. Durante il corso saranno organizzati incontri con ricercatori ed esperti del settore finalizzati all’approfondimento di particolari sistemi elettronici e delle relative applicazioni.

Modalità d'esame

La verifica dell'apprendimento avviene attraverso una prova scritta finale di 2 ore. La prova scritta consiste di 5 quesiti a risposta aperta che riguardano gli aspetti teorici del corso, ciascuno corrispondente a 5 punti. Ulteriori 5 punti vengono assegnati per la valutazione del progetto svolto durante il corso. I risultati dello scritto vengono resi pubblici sullo sportello studente.
Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell’effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione.
Non sono previste prove intermedie.

Codice insegnamento 9207_49290_1595

Prova Finale Laurea Magistrale In Ingegneria Informatica 2° anno · 12 CFU · 0 file
RETI DI TELECOMUNICAZIONE (principi e laboratorio) 2° anno · 9 CFU · IINF-03/A · 0 file

Il corso si prefigge di introdurre e familiarizzare lo studente con i problemi fondamentali riguardanti le reti di telecomunicazione e la valutazione delle loro prestazioni, allo scopo di metterlo in grado di operare…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si prefigge di introdurre e familiarizzare lo studente con i problemi fondamentali riguardanti le reti di telecomunicazione e la valutazione delle loro prestazioni, allo scopo di metterlo in grado di operare in tale area sia nel mondo industriale che in ambito di ricerca.

Programma

Introduzione: classificazione delle reti e tecniche di commutazione. Introduzione alla teoria delle file di attesa. Analisi delle prestazioni di sistemi di multiplazione e di tecniche ARQ, sistemi con priorità. Reti di Code Markoviane e Qualità di Servizio (QoS) di una rete. Ottimizzazione delle reti: Cammini minimi. Progetto di una rete a commutazione di pacchetto (Network Design): definizione di parametri e vincoli; assegnamento ottimo di topologia, flussi e capacità (algoritmo di Flow Deviation). Funzioni dello strato di rete. Instradamento: parametri e requisiti. Stabilità dell'instradamento. Controllo di flusso e congestione nelle reti dati; esempi ed analisi delle prestazioni di tecniche di controllo di flusso: Hop Level (CQL), Rate Control (Token Bucket), End-to-end (TCP). Affidabilità delle reti di telecomunicazione: Tecniche di protezione. La simulazione delle reti di Telecomunicazione: generazione numeri pseudocasuali, analisi statistica risultati. Esempi di simulatori ad eventi discreti: coda M/M/1 e Network Simulator. Reti Wireless - Reti Ad Hoc/Mesh.
Laboratorio di reti di telecomunicazione: generazione di numeri pseudo-casuali a supporto della simulazione di rete, simulazione di reti di telecomunicazione, emulazione di rete (architetture e protocolli), modelli matematici per l'ottimizzazione delle reti fisse e wireless.

I prerequisiti comprendono conoscenze generali di statistica, reti e protocolli di rete.

Lezione frontale ed esercitazioni.

Qualora l'insegnamento venisse impartito in modalità mista o a distanza potranno essere introdotte modifiche rispetto a quanto dichiarato nel syllabus per rendere il corso e gli esami fruibili anche secondo queste modalità.

Modalità d'esame

Prova scritta e orale. La prova consiste in una serie di esercizi e domande che fanno riferimento al programma svolto a lezione.
Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione.

Codice insegnamento 9207_49278_15825

Reti Di Telecomunicazione 2° anno · 6 CFU · IINF-03/A · 0 file
Archivio Globale

Il corso si prefigge di introdurre e familiarizzare lo studente con i problemi fondamentali riguardanti le reti di telecomunicazione e la valutazione delle loro prestazioni, allo scopo di metterlo in grado di operare…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si prefigge di introdurre e familiarizzare lo studente con i problemi fondamentali riguardanti le reti di telecomunicazione e la valutazione delle loro prestazioni, allo scopo di metterlo in grado di operare in tale area sia nel mondo industriale che in ambito di ricerca.

Programma

Introduzione: classificazione delle reti e tecniche di commutazione. Introduzione alla teoria delle file di attesa. Analisi delle prestazioni di sistemi di multiplazione e di tecniche ARQ, sistemi con priorità. Reti di Code Markoviane e Qualità di Servizio (QoS) di una rete. Ottimizzazione delle reti: Cammini minimi. Progetto di una rete a commutazione di pacchetto (Network Design): definizione di parametri e vincoli; assegnamento ottimo di topologia, flussi e capacità (algoritmo di Flow Deviation). Funzioni dello strato di rete. Instradamento: parametri e requisiti. Stabilità dell'instradamento. Controllo di flusso e congestione nelle reti dati; esempi ed analisi delle prestazioni di tecniche di controllo di flusso: Hop Level (CQL), Rate Control (Token Bucket), End-to-end (TCP). Affidabilità delle reti di telecomunicazione: Tecniche di protezione. La simulazione delle reti di Telecomunicazione: generazione numeri pseudocasuali, analisi statistica risultati. Esempi di simulatori ad eventi discreti: coda M/M/1 e Network Simulator. Reti Wireless - Reti Ad Hoc/Mesh.
Laboratorio di reti di telecomunicazione: generazione di numeri pseudo-casuali a supporto della simulazione di rete, simulazione di reti di telecomunicazione, emulazione di rete (architetture e protocolli), modelli matematici per l'ottimizzazione delle reti fisse e wireless.

I prerequisiti comprendono conoscenze generali di statistica, reti e protocolli di rete.

Lezione frontale ed esercitazioni.

Qualora l'insegnamento venisse impartito in modalità mista o a distanza potranno essere introdotte modifiche rispetto a quanto dichiarato nel syllabus per rendere il corso e gli esami fruibili anche secondo queste modalità.

Modalità d'esame

Prova scritta e orale. La prova consiste in una serie di esercizi e domande che fanno riferimento al programma svolto a lezione.
Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione.

Codice insegnamento 9207_49285_1801

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

Il corso illustra i concetti fondamentali relativi al funzionamento di robot manipolatori industriali e di robot mobili autonomi. Viene specificatamente trattato il tema della progettazione del sistema software di…

Scheda dell'insegnamento

Obiettivi formativi

Il corso illustra i concetti fondamentali relativi al funzionamento di robot manipolatori industriali e di robot mobili autonomi. Viene specificatamente trattato il tema della progettazione del sistema software di controllo per robot autonomi. Lo svolgimento di un progetto a piccoli gruppi in laboratorio consente di comprendere le problematiche di progettazione, sviluppo e integrazione di sistemi software complessi.

Programma

Il corso è strutturato in tre moduli di 3 cfu ciascuno. Il corso da 9 cfu include tutti e tre i moduli. Il corso da 6 cfu include il Modulo 1 e, a scelta dello studente, il Modulo 2 o il Modulo 3. Il Modulo 3 richiede adeguata conoscenza del linguaggio di programmazione C++

Modulo 1 : sistemi di Percezione e Navigazione per robot mobili autonomi

  • Architetture di controllo Sense-Plan-Act
  • Modelli di componente software e architetture a componenti
  • Modelli cinematici di robot mobile e controllo del moto
  • Localizzazione e costruzione di mappe
  • Navigazione e aggiramento degli ostacoli
  • Visione 2D e 3D

Modulo 2: Algoritmi di controllo per robot manipolatori

  • Modelli cinematici di robot manipolatore e controllo del moto
  • Cinematica diretta, inversa e differenziale
  • Controllo del moto degli assi
  • Pianificazione del moto e generazione della traiettoria
  • Pianificazione automatica delle attività

Modulo 3: Progettazione software di sistemi di controllo per robot autonomi

  • ROS Middleware
  • Reingegnerizzazione e integrazione di librerie open source
  • Sviluppo di algoritmi per la navigazione autonoma di robot
  • Test sperimentali con robot mobili reali e simulati

Non ci sono precedenze obbligatorie. Il corso assume che si disponga delle conoscenze di base di informatica. Per l’attività di progetto è richiesta un’adeguata conoscenza del linguaggio C++

Lezioni e attività sperimentali presso il laboratorio di robotica. E’ richiesta un’assidua frequentazione alle attività sperimentali in laboratorio che verranno svolte esclusivamente durante le ore previste dal calendario accademico del corso.

Modalità d'esame

Prova scritta con domande di teoria. Il progetto software (Modulo 3) deve essere completato entro il semestre del corso. La valutazione del progetto si basa sul test sperimentale con un robot reale o simulato e concorre al voto finale dell'esame.

Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell’effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell’insegnamento e della corretta attribuzione della valutazione.

Codice insegnamento 9207_49280_1015

Robotica (Principi E Progetto) 2° anno · 9 CFU · IINF-05/A · 0 file

Il corso illustra i concetti fondamentali relativi al funzionamento di robot manipolatori industriali e di robot mobili autonomi. Viene specificatamente trattato il tema della progettazione del sistema software di…

Scheda dell'insegnamento

Obiettivi formativi

Il corso illustra i concetti fondamentali relativi al funzionamento di robot manipolatori industriali e di robot mobili autonomi. Viene specificatamente trattato il tema della progettazione del sistema software di controllo per robot autonomi. Lo svolgimento di un progetto a piccoli gruppi in laboratorio consente di comprendere le problematiche di progettazione, sviluppo e integrazione di sistemi software complessi.

Programma

Il corso è strutturato in tre moduli di 3 cfu ciascuno. Il corso da 9 cfu include tutti e tre i moduli. Il corso da 6 cfu include il Modulo 1 e, a scelta dello studente, il Modulo 2 o il Modulo 3. Il Modulo 3 richiede adeguata conoscenza del linguaggio di programmazione C++

Modulo 1 : sistemi di Percezione e Navigazione per robot mobili autonomi

  • Architetture di controllo Sense-Plan-Act
  • Modelli di componente software e architetture a componenti
  • Modelli cinematici di robot mobile e controllo del moto
  • Localizzazione e costruzione di mappe
  • Navigazione e aggiramento degli ostacoli
  • Visione 2D e 3D

Modulo 2: Algoritmi di controllo per robot manipolatori

  • Modelli cinematici di robot manipolatore e controllo del moto
  • Cinematica diretta, inversa e differenziale
  • Controllo del moto degli assi
  • Pianificazione del moto e generazione della traiettoria
  • Pianificazione automatica delle attività

Modulo 3: Progettazione software di sistemi di controllo per robot autonomi

  • ROS Middleware
  • Reingegnerizzazione e integrazione di librerie open source
  • Sviluppo di algoritmi per la navigazione autonoma di robot
  • Test sperimentali con robot mobili reali e simulati

Non ci sono precedenze obbligatorie. Il corso assume che si disponga delle conoscenze di base di informatica. Per l’attività di progetto è richiesta un’adeguata conoscenza del linguaggio C++

Lezioni e attività sperimentali presso il laboratorio di robotica. E’ richiesta un’assidua frequentazione alle attività sperimentali in laboratorio che verranno svolte esclusivamente durante le ore previste dal calendario accademico del corso.

Modalità d'esame

Prova scritta con domande di teoria. Il progetto software (Modulo 3) deve essere completato entro il semestre del corso. La valutazione del progetto si basa sul test sperimentale con un robot reale o simulato e concorre al voto finale dell'esame.

Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell’effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell’insegnamento e della corretta attribuzione della valutazione.

Codice insegnamento 9207_49296_10009

Sensori 2° anno · 6 CFU · IINF-01/A · 0 file

Al termine del corso lo studente possiede una conoscenza approfondita delle principali tipologie di sensori, dei relativi principi di funzionamento e delle tecnologie di misura associate. Lo studente è inoltre in grado…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente possiede una conoscenza approfondita delle principali tipologie di sensori, dei relativi principi di funzionamento e delle tecnologie di misura associate. Lo studente è inoltre in grado di analizzare le caratteristiche prestazionali dei sensori, valutarne l'idoneità per differenti applicazioni e comprendere lo stato dell'arte delle moderne tecnologie di sensoristica nei settori industriale, biomedico e della ricerca scientifica.

Programma

  • Principi di funzionamento e caratteristiche delle principali tipologie di sensori.
  • Sensori per applicazioni industriali, biomediche e di ricerca scientifica.
  • Sensori ottici: CMOS image sensors, CCD e rivelatori per l'infrarosso.
  • Sensori e sistemi per il monitoraggio di parametri fisici, fisiologici e ambientali.
  • Sensori e microsistemi wireless: architetture, protocolli di comunicazione e reti di sensori.
  • Tecniche di energy harvesting per sistemi di sensoristica autonoma.
  • Esempi di sistemi di sensoristica avanzata per applicazioni innovative

Per un'adeguata comprensione degli argomenti è richiesto di aver frequentato il corso di Fondamenti di Elettronica o di Strumentazione e Misure Elettroniche.

La didattica prevede lezioni frontali dedicate agli aspetti teorici e metodologici della sensoristica, integrate da esercitazioni di laboratorio. Durante le attività di laboratorio gli studenti utilizzeranno piattaforme multisensore per sviluppare, individualmente o in gruppo (a discrezione del docente), progetti applicativi concordati con i docenti del corso.

Modalità d'esame

La verifica dell'apprendimento avviene mediante una prova finale, scritta o orale (a discrezione del docente), basata su quesiti a risposta aperta sugli argomenti trattati durante il corso. La prova è finalizzata ad accertare la conoscenza dei principi di funzionamento delle principali tipologie di sensori, la comprensione delle tecnologie di misura e la capacità di analizzare e valutare soluzioni di sensoristica per differenti applicazioni. Le eventuali attività di laboratorio potranno concorrere alla valutazione finale secondo modalità comunicate dal docente durante il corso. Nel caso in cui la verifica dell'apprendimento avvenga mediante prova scritta, il docente si riserva la facoltà di richiedere un colloquio orale integrativo successivamente allo svolgimento della prova, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione. La valutazione finale è espressa in trentesimi e tiene conto della correttezza e della completezza delle risposte, dell'appropriatezza del linguaggio tecnico e della capacità di applicare le conoscenze acquisite.

Codice insegnamento 9207_49281_8405

Sensori + Laboratorio Di Elettronica 2° anno · 9 CFU · IINF-01/A · 0 file

Al termine del corso lo studente possiede una conoscenza approfondita delle principali tipologie di sensori, dei relativi principi di funzionamento e delle tecnologie di misura associate. Lo studente è inoltre in grado…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente possiede una conoscenza approfondita delle principali tipologie di sensori, dei relativi principi di funzionamento e delle tecnologie di misura associate. Lo studente è inoltre in grado di analizzare le caratteristiche prestazionali dei sensori, valutarne l'idoneità per differenti applicazioni e comprendere lo stato dell'arte delle moderne tecnologie di sensoristica nei settori industriale, biomedico e della ricerca scientifica.

L'obiettivo è lo svolgimento di attività sperimentale che renda gli studenti familiari con le tecniche di caratterizzazione di circuiti analogico-digitali, e con le problematiche legate alla strumentazione elettronica di misura per sensori di varia natura.

Programma

  • Principi di funzionamento e caratteristiche delle principali tipologie di sensori.
  • Sensori per applicazioni industriali, biomediche e di ricerca scientifica.
  • Sensori ottici: CMOS image sensors, CCD e rivelatori per l'infrarosso.
  • Sensori e sistemi per il monitoraggio di parametri fisici, fisiologici e ambientali.
  • Sensori e microsistemi wireless: architetture, protocolli di comunicazione e reti di sensori.
  • Tecniche di energy harvesting per sistemi di sensoristica autonoma.
  • Esempi di sistemi di sensoristica avanzata per applicazioni innovative

Introduzione alla Strumentazione del Laboratorio:

  • Oscilloscopi analogici e digitali.
  • Alimentatori da banco.
  • Multimetri da banco.
  • Generatori di forme d'onda.

Progettazione, realizzazione e caratterizzazione di circuiti elettronici analogici e digitali.

Per un'adeguata comprensione degli argomenti è richiesto di aver frequentato il corso di Fondamenti di Elettronica o di Strumentazione e Misure Elettroniche.

Conoscenza degli argomenti trattati nei corsi di Fondamenti di elettronica (per studenti di Ingegneria Informatica) o Strumentazione elettronica (per studenti di Ingegneria Meccanica).

La didattica prevede lezioni frontali dedicate agli aspetti teorici e metodologici della sensoristica, integrate da esercitazioni di laboratorio. Durante le attività di laboratorio gli studenti utilizzeranno piattaforme multisensore per sviluppare, individualmente o in gruppo (a discrezione del docente), progetti applicativi concordati con i docenti del corso.

Le lezioni si sovlgono tramite attività sperimentali in Laboratorio.

Modalità d'esame

La verifica dell'apprendimento avviene mediante una prova finale, scritta o orale (a discrezione del docente), basata su quesiti a risposta aperta sugli argomenti trattati durante il corso. La prova è finalizzata ad accertare la conoscenza dei principi di funzionamento delle principali tipologie di sensori, la comprensione delle tecnologie di misura e la capacità di analizzare e valutare soluzioni di sensoristica per differenti applicazioni. Le eventuali attività di laboratorio potranno concorrere alla valutazione finale secondo modalità comunicate dal docente durante il corso. Nel caso in cui la verifica dell'apprendimento avvenga mediante prova scritta, il docente si riserva la facoltà di richiedere un colloquio orale integrativo successivamente allo svolgimento della prova, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione. La valutazione finale è espressa in trentesimi e tiene conto della correttezza e della completezza delle risposte, dell'appropriatezza del linguaggio tecnico e della capacità di applicare le conoscenze acquisite.

L'esame consiste nella valutazione delle relazioni delle attività sperimentali svolte in laboratorio durante il corso.
Il docente si riserva la facoltà di richiedere un colloquio orale integrativo qualora ciò sia ritenuto necessario ai fini della verifica dell’effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell’insegnamento e della corretta attribuzione della valutazione.

Codice insegnamento 9207_49259_18185

Sistemi Logistici Integrati 2° anno · 6 CFU · IIND-05/A · 0 file

Nell'ambito del corso lo studente acquisisce gli elementi necessari ad analizzare criticamente e a comprendere la struttura, la dinamica, le relazioni e le politiche organizzative e gestionali delle moderne filiere…

Scheda dell'insegnamento

Obiettivi formativi

Nell'ambito del corso lo studente acquisisce gli elementi necessari ad analizzare criticamente e a comprendere la struttura, la dinamica, le relazioni e le politiche organizzative e gestionali delle moderne filiere produttive/distributive (supply chain). Al termine del corso lo studente dispone di un'estesa panoramica dei principali argomenti che costituiscono il tipico bagaglio di conoscenze di un supply chain manager di un'azienda industriale. Il corso presenta sia nozioni di carattere introduttivo che strumenti e concetti fondamentali per comprendere il funzionamento di una supply chain.
Lo studente apprende il linguaggio specifico utilizzato in ambito supply chain, che gli permette di comunicare appropriatamente in un contesto lavorativo.
Durante il corso, in base alle disponibilità, vengono organizzati seminari tenuti da manager e rappresentanti del mondo industriale, al fine di offrire allo studente occasioni di confronto e contestualizzazione di quanto appreso durante le lezioni. Ulteriori comunicazioni riguardo a questo punto seguiranno durante il corso. Il corso contribuisce agli obiettivi formativi del corso di studi relativi all’area tecnologico-industriale, in particolare con riferimento alla progettazione e gestione dei sistemi logistici, produttivi e distributivi.

Programma

1. Introduzione, definizioni e concetti fondamentali

  • Supply chain e supply chain management (SCM). Caratteristiche e configurazioni della supply chain.
  • Principali processi in ambito SCM.
  • Componenti e ruoli nella supply chain (clienti e fornitori), relazioni e coordinamento. SCM e logistica.
  • Decisioni chiave nel SCM. Supply chain driver.

2. Strategie di gestione della supply chain

  • Strategie pull e push. Punto di disaccoppiamento nella supply chain e strategie di postponement.
  • Strategie di supply chain e “fit” strategico.

3. Collaborazione e coordinamento

  • Collaborazione e coordinamento nella supply chain. Dinamiche di filiera.
  • L’effetto Bullwhip.
  • Meccanismi di coordinamento. Contratti di risk sharing (buyback contract, revenue sharing contract, real option contract).
  • Il vendor managed inventory (VMI).
  • Il postponement.

4. Demand management

  • Bilanciare domanda e offerta. Il S&OP process.
  • Demand management e logiche di intervento sulla domanda.
  • Le promozioni e i contratti di coordinamento.

5. Design della supply chain

  • Configurazione della rete logistica.
  • Sistemi di trasporto.

6. La gestione delle scorte nella supply chain

  • Modello del newsvendor.
  • Gestione multi-sito. Localizzazione degli stock. Determinazione delle scorte di sicurezza.
  • Il pooling delle scorte nella supply chain.

7. Analisi e gestione dei rischi nella supply chain

  • Definizione e classificazione di rischio.
  • Identificazione e analisi dei rischi.
  • Metodi di gestione e mitigazione.

8. La digital supply chain

  • Le tecnologie digitali nella supply chain.
  • Ambiti di utilizzo dell'IA nella supply chain.

Non sono previste propedeuticità obbligatorie.

La didattica si svolge tramite lezioni frontali, discussione di casi e articoli, e game per un totale di 48 ore, con particolare attenzione all'interazione con gli studenti che potranno formulare domande e proporre argomenti di discussione. L'approccio è prevalentemente problem-based, tramite il quale vengono discusse situazioni di business per derivarne gli aspetti teorici.

Le lezioni sono rivolte a introdurre e discutere i metodi e i princìpi gestionali illustrati negli obiettivi del corso. Durante il corso verranno organizzati seminari industriali, in funzione della disponibilità da parte delle aziende. Ulteriori comunicazioni relative a questo punto verranno effettuate durante il corso. Il materiale didattico consiste principalmente delle slide reperibili sul sito del corso, alle quali sono affiancate delle letture di approfondimento sui testi consigliati in bibliografia.

Le slide fungono da supporto alla discussione in aula: pertanto, durante la discussione in aula potranno essere forniti ulteriori dettagli non presenti sulle slide. La password di accesso al materiale pubblicato sulla pagina del corso viene comunicata durante la prima lezione del corso. In caso di impossibilità ad essere presenti alla prima lezione, si invita a contattare il docente via e-mail.

Modalità d'esame

La verifica dell'apprendimento avviene attraverso un esame scritto finale della durata complessiva di 1 ora circa, relativa al programma del corso. Le domande sono di due tipologie: quesiti di teoria a risposta chiusa (scelta multipla) orientate a testare l’apprendimento da parte dello studente dei concetti teorici e della loro applicazione basilare; quesiti aperti, orientati a testare l’acquisizione da parte dello studente di capacità di analisi critica e di sintesi. Non è prevista una prova orale.

Nella correzione delle domande a risposta aperta viene tenuto in conto la completezza, la capacità di sintesi e l'eventuale collegamento con situazioni reali o casi illustrati nell'ambito del corso.

Nella sua formulazione standard, l'esame consiste di circa 30-35 domande a scelta multipla e due domande aperte. I punteggi delle domande variano da 1 per le domande a risposta multipla a 3 per le domande aperte. Per superare l'esame è necessario ottenere almeno il 60% dei punti disponibili rispondendo in modo corretto ad almeno una domanda aperta. Il numero delle domande nella specifica sessione d’esame potrà discostarsi leggermente da quanto indicato a seconda del grado di difficoltà delle stesse.

Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, anche successivamente allo svolgimento della prova scritta, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettiva acquisizione delle conoscenze e competenze previste dagli obiettivi formativi dell'insegnamento e della corretta attribuzione della valutazione

I risultati degli esami vengono pubblicati sullo sportello studente. Le modalità d'esame sono le stesse sia per gli studenti frequentanti che non frequentanti.

Codice insegnamento 9186_48390_1563

Statistical Learning 2° anno · 6 CFU · STAT-01/B · 0 file

L'obiettivo del corso è quello di fornire allo studente i metodi e gli strumenti per estrarre informazione utile da dataset anche complessi a fini decisionali, valutando nel contempo la probabilità che la decisione presa…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo del corso è quello di fornire allo studente i metodi e gli strumenti per estrarre informazione utile da dataset anche complessi a fini decisionali, valutando nel contempo la probabilità che la decisione presa non sia quella che porta al risultato desiderato. In particolare, lo studente acquisirà la capacità di valutare la complessità del dataset e le strutture di dipendenza/correlazione che lo caratterizzano, di identificare la metodologia adeguata per estrarre informazione dal dataset, di identificare gli algoritmi utili a tale scopo e di implementarli in ambiente MATLAB. Lo sviluppo del codice sarà assistito dall'intelligenza artificiale messa a disposizione dell'ambiente MATLAB.

Programma

  • Metodi di shrinkage per modelli di regressione lineare
  • Metodi di regressione per dati con errori eteroschedastici
  • Minimi quadrati generalizzati
  • Metodi di regressione per dati binari
  • Metodi di regressione per dati multinomiali
  • Metodi di regressione per dati di conteggio (regressione di Poisson)
  • Dati funzionali e metodi di regressione funzionale
  • Metodi Monte Carlo e Bootstrap per la valutazione dell'incertezza

Conoscenze base di probabilità ed inferenza statistica.

Il corso è strutturato in lezioni frontali teoriche in aula e lezioni frontali in laboratorio informatico. Le lezioni in aula affrontano la metodologia statistica mentre le lezioni in laboratorio sono basate sul software MATLAB. Durante le lezioni in laboratorio gli studenti sono chiamati ad analizzare dataset provenienti da applicazioni reali e a competere con gli strumenti di intelligenza artificiale di analisi dati.

Modalità d'esame

La verifica profitto si basa sulla valutazione dell'output prodotto da un lavoro di gruppo (eventualmente svolto singolarmente). Nel lavoro di gruppo, gli studenti scelgono un dataset e lo analizzano tramite i metodi statistici appresi a lezione. Al gruppo sarà richiesto di stendere un report e consegnare il codice software implementato.

Codice insegnamento 9207_49299_15818

Statistics For High Dimensional Data And Compstat Lab 2° anno · 6 CFU · STAT-01/B · 0 file

L'obiettivo del corso è quello di fornire allo studente i metodi e gli strumenti per l'analisi di dataset spaziali e spazio-temporali (anche di grandi dimensioni) inerenti fenomeni che evolvono nello spazio o nello…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo del corso è quello di fornire allo studente i metodi e gli strumenti per l'analisi di dataset spaziali e spazio-temporali (anche di grandi dimensioni) inerenti fenomeni che evolvono nello spazio o nello spazio-tempo. Lo studente imparerà a modellare tramite modelli statistici parametrici (anche multivariati) le correlazioni spaziali e spazio-temporali insite nei dati, a stimare i parametri dei modelli tramite metodi di massima verosimiglianza e a utilizzare i modelli stimati per effettuare previsioni nello spazio e nel tempo con valutazione dell'incertezza delle previsioni. Tramite l'utilizzo dell'ambiente MATLAB, lo studente prenderà dimestichezza con i software di stima dei modelli statistici e di previsione spazio-temporale.

Programma

  • Analisi descrittiva di dataset geostatistici e spazio-temporali
  • Variogramma e funzione di covarianza spaziale
  • Modelli gaussiani
  • Modelli per dati geostatistici
  • Filtro di Kalman e Kalman smoother per dati geostatistici
  • Stima tramite algoritmo EM dei modelli per dati geostatistici
  • Previsione spaziale (Kriging)
  • Modelli statistici per dati spazio-temporali
  • Stima tramite algoritmo EM dei modelli per dati spazio-temporali
  • Previsione spazio-temporale

Conoscenze base di probabilità ed inferenza statistica.

Il corso è strutturato in lezioni frontali teoriche in aula e lezioni frontali in laboratorio informatico. Le lezioni in aula affrontano la metodologia statistica mentre le lezioni in laboratorio sono basate sull'ambiente MATLAB. Durante le lezioni in laboratorio gli studenti sono chiamati ad analizzare dataset provenienti da applicazioni reali tramite i metodi visti nelle lezioni teoriche.

Modalità d'esame

La verifica profitto si basa sulla valutazione dell'output prodotto da un lavoro di gruppo. Nel lavoro di gruppo, svolto in MATLAB, gli studenti scelgono un dataset e lo analizzano tramite i metodi statistici imparati a lezione. Al gruppo sarà richiesto di presentare il lavoro davanti alla classe e di consegnare un report insieme al codice software implementato.

Codice insegnamento 9207_49303_21827

Testing E Verifica Del Software 2° anno · 6 CFU · IINF-05/A · 0 file

Familiarizzare con le fasi di validazione e verifica di sistemi e software all'interno dello sviluppo del software. Apprendere tecniche e metodologie per il testing e la verifica del software,

Scheda dell'insegnamento

Obiettivi formativi

Familiarizzare con le fasi di validazione e verifica di sistemi e software all'interno dello sviluppo del software. Apprendere tecniche e metodologie per il testing e la verifica del software,

Programma

  • Introduzione Concetti generali Processo di test e di verifica
  • Modellazione del sw mediante metodi formali (Logica temporale e Abstract State Machines)
  • Validazione e Verifica tramite Model Checking Linear-time Temporal Logic (LTL) Computation Tree Logic (CTL) Algoritmi di Model Checking AsmetaSMV
  • Testing Ruolo del testing Fondamenti teorici Program-based testing (creiteri di copertura) Esecuzione dei test
  • Verifica del codice Concetti generali sulla logica Concetti generali sulla verifica Design by Contract JML Analisi statica del codice
  • Testing Model-based Partition testing e testing combinatoriale Testing basato su specifiche (FSM) Concretizzazione dei test

Sapere i principi base delle programmazione (special modo Java) e dell'ingegneria del software.

Lezioni frontali con esercitazioni. Durante il corso verranno presentati da parte di alcune aziende dei problemi reali su cui sviluppare i propri progetti.

Modalità d'esame

Prova pratica in laboratorio in cui è richiesto di svolgere alcuni esercizi pratici e teorici e prova orale. All'orale, lo studente dovrà presentare un progetto da concordare con li professore. All'inizio del corso verranno proposti alcuni progetti da ditte esterne e lo studente potrà scegliere un progetto industriale (didattica innovativa - modalità consigliata per il progetto).

Codice insegnamento 9207_49306_1581

Tirocinio Formativo 2° anno · 6 CFU · 0 file

Recensioni del corso

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

★

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