Corso di laurea

Informatica

Università degli studi di Bologna · 47 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

ARCHITETTURE SOFTWARE A MICROSERVIZI 1° anno · 1° semestre · 6 CFU · INF/01 · 0 file

Al termine dell'attività formativa lo studente conosce gli aspetti principali dell'analisi, della progettazione e della realizzazione di architetture software basate su servizi, sia con approccio a microservizi sia SOA…

Scheda dell'insegnamento

Obiettivi formativi

Al termine dell'attività formativa lo studente conosce gli aspetti principali dell'analisi, della progettazione e della realizzazione di architetture software basate su servizi, sia con approccio a microservizi sia SOA enterprise; sa inoltre modellare esupportare l'esecuzione dei processi di business, integrando opportunamente i servizi che li compongono. E' in grado di progettare e realizzare tali architetture complesse,anche supportandone l'esecuzione con infrastrutture virtualizzate, attraverso l'applicazione di pratiche, pattern e opportune soluzioni tecnologiche.

Programma

Le architetture basate su servizi (SOA) vengono utilizzate per realizzare grandi sistemi software che operano fra più organizzazioni (come avviene in ambito enterprise) ma anche come struttura di base su cui costruire applicazioni flessibili ed estremamente scalabili (come nel caso dei microservizi).
Progettare questo tipo di sistemi e ragionare sulle loro proprietà richiede l’uso di astrazioni e tecniche di modellazione appropriate.
In questo insegnamento vedremo come le astrazioni di servizio e di processo possono interoperare per descrivere sistemi distribuiti complessi e vedremo tecniche di modellazione basate su queste astrazioni che aiutano a progettarli. Impareremo come modellare processi (usando BPMN), servizi (usando UML) e come modellare l’interazione fra processi e servizi e fra servizi diversi attraverso le coreografie.
Vedremo come sfruttare queste tecniche per progettare applicazioni aderenti allo stile architetturale orientato ai servizi sia in ambito cross-enterprise sia attraverso i microservizi (anche adottando specifici pattern). Vedremo anche nella pratica i protocolli e le tecnologie che possono essere utilizzati per la loro realizzazione; in particolare per le tecnologie di supporto ai servizi web vedremo SOAP/WSDL e lo stile RESTful; per i microservizi vedremo l’uso dei container (es. Docker), degli orchestratori di microservizi (es. Kubernetes), delle service mesh (es. Linkerd) e delle tecnologie di serializzazione (es. Protobuf).
Per quello che riguarda i microservizi cercheremo in particolare di capire i punti forti e i punti deboli di questa classe di applicazioni e capiremo come realizzare sistemi che siano scalabili e affidabili.
Per facilitare la realizzazione immediata di esempi di alcune delle tecnologie legate ai servizi web man mano che verranno introdotte, useremo il linguaggio Jolie che permette la prototipazione rapida di soluzioni SOA.
Segue una lista dei principali argomenti del corso, divisi per moduli:
Modulo 1
Enterprise software systems, architecture and modeling Business Process Management e BPMN Web services (RESTful/gRPC) Microservices properties, design, patterns and implementation Virtualized infrastructures supporting SOAs: containers (Docker), distributed containers (Kubernetes)
Modulo 2:
SOA/Coreografie Web services (SOAP/WSLD/RESTful) Jolie

Modalità d'esame

Consegna e discussione di un progetto. La valutazione considererà la completezza e correttezza del materiale consegnato, l'adesione alle pratiche viste a lezione, la capacità di mettere in relazione i vari argomenti trattati dall'insegnamento e uso del pensiero critico.
La correzione degli homework in itinere opzionali può determinare un bonus fino ad 1 punto della valutazione.

Testi di riferimento

Michael Papazoglou, "Web Services and SOA: Principles and Technology", 2nd ed. 2013, ISBN 9780273732167 Mathias Weske, “Business Process Management: Concepts, Languages, Architectures”, 3rd ed. 2019, ISBN 9783662594315

Codice insegnamento B5474

BLOCKCHAIN AND CRYPTOCURRENCIES 1° anno · 1° semestre · 6 CFU · INF/01 · 0 file

Al termine dell'attività formativa, lo studente conosce le principali tematiche collegate alle nuove tecnologie blockchain, criptovalute, smart contract and nuove applicazioni costruite sopra la blockchain. È capace di…

Scheda dell'insegnamento

Obiettivi formativi

Al termine dell'attività formativa, lo studente conosce le principali tematiche collegate alle nuove tecnologie blockchain, criptovalute, smart contract and nuove applicazioni costruite sopra la blockchain. È capace di definire e realizzare semplici smart contracts che possano essere inseriti in una blockchain.

Programma

Bitcoin e le nuove criptovalute hanno generato un vasto interesse. Sempre più utenti si interessano e investono su queste tecnologie, mentre altri etichettano queste innovazioni come una pericolosa bolla speculativa, con potenziali applicazioni di carattere illegale. La verità è che ogni tecnologia è di per sé neutra. La blockchain, così come tutte le implementazioni di un "distributed ledger", rappresenta una interessante tecnologia che può essere utilizzata per costruire nuove applicazioni distribuite.
Gli elementi che compongono una blockchain, e in general un distributed ledger, sono strettanente collegati ad aspetti fondamentali dell'informatica. Questo corso si propone di illustrare i principi della blockchain e delle criptovalute.
Programma
Introduzione ai sistemi Peer-to-Peer Tipologie di overlay e decentralizzazione Introduzione alle criptovalute La blockchain: come si ottiene la decrentralizzazione Transazioni e linguaggi di scripting Mining Attacchi alla blockchain Anononimità Smart contracts

Modalità d'esame

La prova d'esame mira a verificare il raggiungimento degli obiettivi del corso. La verifica dell'apprendimento avviene attraverso il solo esame finale, che accerta l'acquisizione delle conoscenze e delle abilità attese tramite lo svolgimento di una prova di progetto.
Studenti/sse con DSA o disabilità temporanee o permanenti: si raccomanda di contattare per tempo l’ufficio di Ateneo responsabile (https://site.unibo.it/studenti-con-disabilita-e-dsa/it): sarà sua cura proporre agli/lle studenti/sse interessati/e eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all’approvazione del/della docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell'insegnamento.

Testi di riferimento

Dispense e slide fornite dal docente, assieme ad articoli e riferimenti bibliografici.
Il materiale fornito sarà principalmente in lingua inglese.

Codice insegnamento 90748

CALCOLO PARALLELO 1° anno · 2° semestre · 6 CFU · INF/01 · 0 file

Al termine del corso, lo studente conosce le principali architetture dei sistemi di calcolo ad alte prestazioni; è in grado di progettare e analizzare algoritmi paralleli per diversi modelli di calcolo; è in grado di…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, lo studente conosce le principali architetture dei sistemi di calcolo ad alte prestazioni; è in grado di progettare e analizzare algoritmi paralleli per diversi modelli di calcolo; è in grado di implementare algoritmi paralleli su architetture a memoria condivisa e distribuita utilizzando i linguaggi, gli strumenti e le tecnologie appropriate.

Programma

Programma
Algoritmi paralleli e modelli di calcolo. Introduzione alle architetture per il calcolo parallelo: tassonomia di Flynn; sistemi a memoria condivisa e distribuita; GPGPU. Pattern per la programmazione parallela (embarassingly parallel; stencil; work farm; scan; reduce). Programmazione parallela su architetture a memoria condivisa con OpenMP. Programmazione parallela su architetture a memoria distribuita con MPI. Programmazione GPGPU. Valutazione delle prestazioni di programmi paralleli.
Prerequisiti
Questo insegnamento assume i prerequisiti seguenti:
Programmazione in linguaggio C. Uso dell'ambiente Unix/Linux (shell, Makefile, ecc.). Architetture dei calcolatori. Programmazione concorrente (concetto di deadlock, mutua esclusione, data race, ecc.). Algoritmi e strutture dati (notazioni asintotiche, strutture dati elementari, algoritmi di ordinamento, valutazione della complessità asintotica di algoritmi ricorsivi e iterativi, Master Theorem). Conoscenze base di analisi matematica (calcolo di semlici limiti e sommatorie).

Modalità d'esame

Le conoscenze acquisite durante il corso verranno valutate mediante una prova scritta e un progetto di programmazione. Le due prove sono indipendenti e possono essere sostenute in qualsiasi ordine. Tuttavia, le due prove devono essere completate nello stesso anno accademico: infatti, all'inizio di ogni nuova edizione del corso, tutti i voti in sospeso saranno annullati.
Prova scritta
Struttura: la prova scritta si compone di alcune domande a quiz e/o a risposta aperta. Le domande a risposta aperta possono riguardare sia aspetti metodologici/teorici degli argomenti visti a lezione, sia lo svolgimento di semplici esercizi di programmazione parallela o lo svolgimento di semplici calcoli (non è richiesto l'uso della calcolatrice).
Svolgimento: la prova scritta dura 90 minuti. Per sostenere la prova è necessario presentarsi muniti di un documento di riconoscimento (es., badge universitario) e di una penna. Durante la prova scritta non è consentito consultare libri, appunti o altro materiale. Non è altresì consentito l'uso di dispositivi elettronici di alcun tipo, inclusi computer, tablet, cellulari, smart watches, smart glasses o simili. La violazione comporterà l'immediata esclusione dalla prova con verbalizzazione di "RESPINTO". L'esclusione potrà avvenire anche a prova conclusa, nel caso emergano prove di comportamenti scorretti.
Valutazione: La prova scritta viene valutata in trentesimi; il punteggio massimo assegnato a ciascuna risposta corretta è indicato nel testo d'esame. Presentarsi ad un appello scritto implica il rifiuto di un precedente voto valido allo scritto (il voto del progetto rimane però valido); questo vale anche se si decide di ritirarsi al nuovo esame scritto o se si ottiene una valutazione inferiore alla precedente.
Progetto di programmazione
Struttura: Il progetto di programmazione consiste nella realizzazione di una applicazione parallela su specifiche fornite dal docente al termine del corso, usando gli strumenti visti a lezione e in laboratorio. È richiesto di fornire il codice sorgente con le istruzioni necessarie alla compilazione. L'applicazione deve essere accompagnata da una relazione scritta che indichi e motivi le scelte progettuali, e analizzi le prestazioni dei programmi realizzati utilizzando le metriche opportune tra quelle illustrate a lezione.
Svolgimento: Il progetto deve essere svolto individualmente, e può essere consegnato in qualunque momento fino alla scadenza indicata nelle specifiche (tipicamente, l'ultimo giorno dell'ultima sessione d'esami precedente l'inizio della nuova edizione del corso).
Valutazione: Il progetto viene valutato in trentesimi. Nella valutazione del progetto si terrà conto della correttezza dell'implementazione, della chiarezza ed efficienza del codice, nonché della qualità della relazione. Nel caso si rifiuti il voto del progetto, sarà necessario svolgere un nuovo progetto basato su nuove specifiche fornite dal docente.
Valutazione complessiva
L'esame si intende superato se si riporta una valutazione maggiore o uguale a 18/30 su ognuna delle due prove. Il voto finale si ottiene come media pesata del voto della prova scritta (peso 0.6) e del progetto (peso 0.4), arrotondato all'intero più vicino. La lode viene assegnata a discrezione del docente per prove d'esame di qualità particolarmente elevata.

Testi di riferimento

Argomenti selezionati dai seguenti volumi:
Peter Pacheco and Matthew Malensek, An Introduction to Parallel Programming, Morgan Kauìffman, 2nd edition, 2021, ISBN 9780128046050; va bene anche la prima edizione: Peter Pacheco, An Introduction to Parallel Programming, Morgan Kaufmann, 2011, ISBN 978-0123742605. CUDA C++ programming guide (liberamente disponibile sul sito di NVidia). Ananth Grama, Anshul Gupta, George Karypis, Vipin Kumar, Introduction to Parallel Computing, 2nd Edition, Addison-Wesley, 2003, ISBN 978-0201648652. Joseph Jaja, An Introduction to Parallel Algorithms, ‎Addison-Wesley, 1st edition, 1992, ISBN 978-0201548563. Georg Hager, Gerhard Wellein, Introduction to High Performance Computing for Scientists and Engineers, CRC Press; 1 edition (July 2, 2010), ISBN 978-1439811924.
sito del corso

Codice insegnamento 58437

COMPLEMENTI DI BASI DI DATI 1° anno · 1° semestre · 6 CFU · INF/01 · 0 file

Al termine del corso lo studente: - conosce i modelli dei dati semi strutturato e non strutturati in relazione a quelli strutturati ed i principali costrutti dei linguaggi SQL/XML ed XQuery; - conosce le principali…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente: - conosce i modelli dei dati semi strutturato e non strutturati in relazione a quelli strutturati ed i principali costrutti dei linguaggi SQL/XML ed XQuery; - conosce le principali tecniche di information retrieval e di analisi dei dati; - è in grado di progettare e realizzare un datawarehouse; - è capace di elaborare un progetto utilizzando le principali tecniche di data mining.

Programma

Modelli dei dati strutturati, semi strutturati e non strutturati Limiti di SQL Introduzione ad SQL/XML ed XQuery I modelli di information retrieval (boolean e vector space) e web information retrieval (PageRank) Introduzione al datawarehousing (OLAP) e al data mining (Machine Learning)

Modalità d'esame

L’esame consiste in una prova orale. In ogni anno accademico sono fissati sei “appelli”: due nella prima Sessione (Gennaio/Febbraio); tre nella seconda (Giugno/Luglio) e uno nella terza (Settembre). Le date degli appelli sono pubblicate su Almaesami e possono subire variazioni. Si consiglia di verificare 24 ore prima dello scritto che la data non sia cambiata.
Per partecipare ad un appello d’esame occorre iscriversi su Almaesami entro 7 giorni dalla data dell’esame. Chi non si iscrive in tempo non potrà sostenere l’esame, e dovrà attendere l’appello successivo.
La verifica avviene con la discussione di un articolo ed eventuali domande sugli argomenti del corso. Lo studente dovrà quindi dimostrare di saper approfondire un argomento avanzato partendo da un articolo tra quelli proposti. Il contenuto dell’articolo e il relativo argomento dovranno essere discussi durante l’esame con una presentazione preparata dallo studente.
Individuato l'articolo di maggiore interesse da Link a Google Drive, lo studente dovrà inserire il proprio nome e cognome nella cella corrispondente del foglio Paperi_Appelli_Studenti, in corrispondenza della data d'appello scelta per sostenere l'esame.
Ogni cella può contenere un solo nominativo. Per ciascun appello è ammessa una sola presentazione per articolo; prima di effettuare la scelta è pertanto necessario consultare il foglio Paperi_Appelli_Studenti per verificare che l'articolo non sia già stato opzionato da un altro studente per il medesimo appello.
Prima dell'appello, lo studente dovrà inviare al docente una mail allegando la versione definitiva della presentazione in formato PDF usando il seguente Template, rinominata secondo il seguente schema:
<cognome-studente_nome-studente.pdf>
Durante la prova orale, della durata di circa 25/30 minuti, lo studente presenterà in modo critico l’articolo scelto con l’ausilio delle slide preparate, inoltre potranno essere poste domande riguardanti tutti gli argomenti in programma. La prova orale è valutata con un punteggio in 30-esimi predendo in considerazione la preparazione, le capacità di esposizione e l’approccio critico. Il voto dell’esame orale è stabilito in base ai criteri seguenti:
se la preparazione, l’esposizione e l’approccio critico sono limitati ed emergono solo con l’aiuto del docente, il voto sarà compreso nell’intervallo 18-21; se la preparazione e l’esposizione sono soddisfacenti, ma l’approccio critico e le capacità di rielaborazione si rivelano autonome solo in modo limitato, il voto sarà compreso nell’intervallo 22-25; se la preparazione, l’esposizione e l’approccio critico sono buoni e le conoscenze degli argomenti affrontati nel corso sono adeguate, il voto sarà compreso nell’intervallo 26-29; se la preparazione, l’esposizione e l’approccio critico sono ottimi, con piena padronanza degli argomenti del corso, allora il voto sarà 30 oppure 30 e lode.
Al termine della prova orale lo studente saprà il voto conseguito e potrà decidere se accettarlo o rifiutarlo. Come da Regolamento Didattico di Ateneo, il rifiuto deve essere concesso dal docente almeno una volta sul singolo insegnamento.
Questo corso è integrato con il corso di 81940 - INTELLIGENZA ARTIFICIALE, di conseguenza la verbalizzazione del voto finale potrà avvenire solo entro 3 giorni dal conseguimento di entrambi i voti.
Link utili per la verifica:
Cartella del docente con gli articoli tra cui scegliere: Link a Google Drive Foglio di registrazione: Link a foglio di registrazione

Testi di riferimento

A. Moller et al - Introduzione a XML - Addison Wesley, 2007 ISBN: 9788871923734 R. Baeza-Yates et al - Introduction to Information Retrieval - Cambridge University Press, 2008 ISBN: 0521865719 P.N. Tan et al - Introduction to Data Mining - Financial Times Prentice Hall, 2019 ISBN: 9780273769224 M. Golfarelli et al - Datawarehouse - Teoria e pratica della progettazione - McGrawHill, 2006 ISBN: 9788838662911

Codice insegnamento 28796

COMPLEMENTI DI BASI DI DATI - INTELLIGENZA ARTIFICIALE (C.I.) 1° anno · 1° semestre · 0 file

Al termine del corso lo studente: - conosce i modelli dei dati semi strutturato e non strutturati in relazione a quelli strutturati ed i principali costrutti dei linguaggi SQL/XML ed XQuery; - conosce le principali…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente: - conosce i modelli dei dati semi strutturato e non strutturati in relazione a quelli strutturati ed i principali costrutti dei linguaggi SQL/XML ed XQuery; - conosce le principali tecniche di information retrieval e di analisi dei dati; - è in grado di progettare e realizzare un datawarehouse; - è capace di elaborare un progetto utilizzando le principali tecniche di data mining.

Programma

Modelli dei dati strutturati, semi strutturati e non strutturati Limiti di SQL Introduzione ad SQL/XML ed XQuery I modelli di information retrieval (boolean e vector space) e web information retrieval (PageRank) Introduzione al datawarehousing (OLAP) e al data mining (Machine Learning)

Modalità d'esame

L’esame consiste in una prova orale. In ogni anno accademico sono fissati sei “appelli”: due nella prima Sessione (Gennaio/Febbraio); tre nella seconda (Giugno/Luglio) e uno nella terza (Settembre). Le date degli appelli sono pubblicate su Almaesami e possono subire variazioni. Si consiglia di verificare 24 ore prima dello scritto che la data non sia cambiata.
Per partecipare ad un appello d’esame occorre iscriversi su Almaesami entro 7 giorni dalla data dell’esame. Chi non si iscrive in tempo non potrà sostenere l’esame, e dovrà attendere l’appello successivo.
La verifica avviene con la discussione di un articolo ed eventuali domande sugli argomenti del corso. Lo studente dovrà quindi dimostrare di saper approfondire un argomento avanzato partendo da un articolo tra quelli proposti. Il contenuto dell’articolo e il relativo argomento dovranno essere discussi durante l’esame con una presentazione preparata dallo studente.
Individuato l'articolo di maggiore interesse da Link a Google Drive, lo studente dovrà inserire il proprio nome e cognome nella cella corrispondente del foglio Paperi_Appelli_Studenti, in corrispondenza della data d'appello scelta per sostenere l'esame.
Ogni cella può contenere un solo nominativo. Per ciascun appello è ammessa una sola presentazione per articolo; prima di effettuare la scelta è pertanto necessario consultare il foglio Paperi_Appelli_Studenti per verificare che l'articolo non sia già stato opzionato da un altro studente per il medesimo appello.
Prima dell'appello, lo studente dovrà inviare al docente una mail allegando la versione definitiva della presentazione in formato PDF usando il seguente Template, rinominata secondo il seguente schema:
<cognome-studente_nome-studente.pdf>
Durante la prova orale, della durata di circa 25/30 minuti, lo studente presenterà in modo critico l’articolo scelto con l’ausilio delle slide preparate, inoltre potranno essere poste domande riguardanti tutti gli argomenti in programma. La prova orale è valutata con un punteggio in 30-esimi predendo in considerazione la preparazione, le capacità di esposizione e l’approccio critico. Il voto dell’esame orale è stabilito in base ai criteri seguenti:
se la preparazione, l’esposizione e l’approccio critico sono limitati ed emergono solo con l’aiuto del docente, il voto sarà compreso nell’intervallo 18-21; se la preparazione e l’esposizione sono soddisfacenti, ma l’approccio critico e le capacità di rielaborazione si rivelano autonome solo in modo limitato, il voto sarà compreso nell’intervallo 22-25; se la preparazione, l’esposizione e l’approccio critico sono buoni e le conoscenze degli argomenti affrontati nel corso sono adeguate, il voto sarà compreso nell’intervallo 26-29; se la preparazione, l’esposizione e l’approccio critico sono ottimi, con piena padronanza degli argomenti del corso, allora il voto sarà 30 oppure 30 e lode.
Al termine della prova orale lo studente saprà il voto conseguito e potrà decidere se accettarlo o rifiutarlo. Come da Regolamento Didattico di Ateneo, il rifiuto deve essere concesso dal docente almeno una volta sul singolo insegnamento.
Questo corso è integrato con il corso di 81940 - INTELLIGENZA ARTIFICIALE, di conseguenza la verbalizzazione del voto finale potrà avvenire solo entro 3 giorni dal conseguimento di entrambi i voti.
Link utili per la verifica:
Cartella del docente con gli articoli tra cui scegliere: Link a Google Drive Foglio di registrazione: Link a foglio di registrazione

Testi di riferimento

A. Moller et al - Introduzione a XML - Addison Wesley, 2007 ISBN: 9788871923734 R. Baeza-Yates et al - Introduction to Information Retrieval - Cambridge University Press, 2008 ISBN: 0521865719 P.N. Tan et al - Introduction to Data Mining - Financial Times Prentice Hall, 2019 ISBN: 9780273769224 M. Golfarelli et al - Datawarehouse - Teoria e pratica della progettazione - McGrawHill, 2006 ISBN: 9788838662911

Codice insegnamento 93474

COMPLEMENTI DI LINGUAGGI DI PROGRAMMAZIONE 1° anno · 2° semestre · 6 CFU · INF/01 · 0 file

Lo sviluppo del software moderno richiede strumenti veloci e sofisticati per la trasformazione e l'analisi. Ad esempio, il codice Java viene verificato dalla Virtual Machine prima di eseguirlo per controllare alcune…

Scheda dell'insegnamento

Obiettivi formativi

Lo sviluppo del software moderno richiede strumenti veloci e sofisticati per la trasformazione e l'analisi. Ad esempio, il codice Java viene verificato dalla Virtual Machine prima di eseguirlo per controllare alcune proprietà di base sull'uso della memoria e dei lock. Facebook, prima del rilascio, verifica le proprie app attraverso un analizzatore statico che esclude l'assenza di bug senza alcuna esecuzione del codice. Le stesse applicazioni performance-critical e per l'asset-management sarebbero impossibili da costruire e far evolvere senza compilatori in grado di ottenere codice macchina ottimizzato e corretto a partire da codice di alto livello. L'obiettivo del corso è di presentare le moderne tecniche di trasformazione e analisi del codice e di mostrarne la loro realizzazione. Per questo motivo il corso farà riferimento a un framework, ANTLR, ampiamente utilizzato sia nel mondo accademico che in quello industriale per implementare linguaggi, strumenti e framework di ogni sorta. Ad esempio, Twitter search usa ANTLR per il parsing delle query, processando oltre 2 miliardi di query al giorno. Al termine dell'attività formativa lo studente conosce i fondamenti della trasformazione e analisi statica del codice. Sarà in grado di applicare la teoria estendendo un linguaggio piccolo, ma espressivo, per mezzo del framework ANTLR.

Programma

Introduzione alla trasformazione di codice ed analisi. Il framework ANTLR e la sua analisi lessicale e sintattica. Analisi Semantica: la tabella dei simboli, il type checking, la verifica statica di proprietà come risorse utilizzate o asset consumati. Generazione di codice intermedio per primitive standard e avanzate di linguaggi di programmazione. Macchine virtuali e interpreti.

Modalità d'esame

L’esame consiste in uno scritto e un'orale opzionale. Lo scritto verificherà che lo studente abbia acquisito competenze di compilazione e interpretazione, in particolare la capacità di risolvere problemi di compilazione. Esso è formato da 3 esercizi e il massimo voto finale è 30; lo scritto è superato con voto maggiore o uguale a 18. Nell'orale si discute lo sviluppo preventivo di un progetto che gli studenti svolgono in gruppo (di al massimo 3 persone). Il voto massimo dell'orale è 5 punti.

Testi di riferimento

Cosimo Laneve: Progettare ed Eseguire Linguaggi di Programmazione, 2025. materiale sul sito di e-learning.
ALTRI TESTI:
Torben Morgensen: Basics of Compiler Design. 2010. Terence Parr: Language Implementation Patterns. 2010

Codice insegnamento 72671

COMPUTER GRAPHICS 1° anno · 2° semestre · 6 CFU · MAT/08 · 0 file

Al termine del corso, gli studenti conoscono i fondamenti della grafica 3D al calcolatore, tra cui i concetti di modellazione poligonale e resa in tempo reale. In particolare, sono in grado di modellare e rendere scene…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, gli studenti conoscono i fondamenti della grafica 3D al calcolatore, tra cui i concetti di modellazione poligonale e resa in tempo reale. In particolare, sono in grado di modellare e rendere scene 3D mediante opportuni software e librerie open source.

Programma

Sistemi raster-scan, dispositivi di I/O, librerie grafiche, programmazione event-driven. Mesh 3D e loro rappresentazione grafica. Trasformazioni geometriche 2D/3D, trasformazioni di vista, proiezioni prospettica e parallela, trasformazione window-viewport. Pipeline grafica. Algoritmi di real-time rendering, rimozione delle parti nascoste (hidden line e hidden surface), modelli di illuminazione e algoritmi di shading (Z-buffer), texture mapping. Modellazione poligonale 3D. Il corso prevede una attivita' pratica in cui verra' utilizzato il linguaggio di programmazione HTML5 + JavaScript + libreria grafica WebGL e programmazione GLSL (modulo 1 (6 CFU)).
Nel modulo 2 (2 CFU) si vedrà la Libreria JavaScript cross-browser Three.js, API utilizzata per realizzare applicazioni di Computer Graphics 3D interattive e animate su Web mediante WebGL. Modellazione geometrica di curve e superfici NURBS con esempi in Three.js.

Modalità d'esame

La verifica dell'apprendimento avviene attraverso lo svolgimento di due progetti, uno per ciascuno dei moduli del corso. I progetti consistono nella realizzazione di applicazioni Web 3D interattive-grafiche utilizzando le librerie viste nel corso. Nello svolgere questi progetti lo studente deve utilizzare le conoscenze acquisite durante il corso ed è consentito un uso limitato, dichiarato e non sostanziale dell’IA. La consegna dei progetti deve avvenire almeno 7 (sette) giorni prima dell'esame e devono essere accompagnate da una relazione (tipo tutorial) in linguaggio html eventualmente sulla base di un format passato dal docente. L'esame orale consiste nell'esporre i progetti e nella verifica che gli argomenti del corso e quanto visto utilizzando l'IA siano stati acquisiti. Il voto finale consiste nella media pesata dei voti dei due progetti e relativi orali. Le prove orali possono essere svolte, a scelta dello studente, contestualmente o in momenti separati (prima modulo 1 e poi 2), ma nella stessa sessione.
Studenti e studentesse con DSA o disabilità temporanee o permanenti: si raccomanda di contattare per tempo l’ufficio di Ateneo responsabile (https://site.unibo.it/studenti-con-disabilita-e-dsa/it); sarà sua cura proporre agli studenti e alle studentesse interessati/e eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all’approvazione del/della docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell’insegnamento.

Testi di riferimento

1.Peter Shirley, Fundamentals of Computer Graphics, AK Peters (2005);
2.Samuel R. Buss, Computer Graphics: A mathematical introduction with OpenGL, Cambridge University Press (2003);
3.Max K. Agoston, Computer Graphics and Geometric Modeling: Implementation and Algorithms, Springer (2004).
4.Max K. Agoston, Computer Graphics and Geometric Modeling: Mathematics, Springer (2005).

Codice insegnamento 70090

COMPUTER VISION 1° anno · 1° semestre · 6 CFU · INF/01 · 0 file

Al termine del percorso didattico, lo studente è in grado di implementare algoritmi fondamentali di visione artificiale, come ad esempio: rilevamento di oggetti, segmentazione semantica, descrizione del contenuto di…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del percorso didattico, lo studente è in grado di implementare algoritmi fondamentali di visione artificiale, come ad esempio: rilevamento di oggetti, segmentazione semantica, descrizione del contenuto di immagini e video. Durante il percorso lo studente acquisisce le basi della visione artificiale e le conoscenze necessarie alla progettazione e l'implementazione di reti neurali convoluzionali, reti neurali ricorrenti e loro combinazione. Lo studente acquisisce, inoltre, familiarità con gli strumenti fondamentali per la realizzazione di applicazioni di visione artificiale basate su reti neurali.

Programma

Il corso è tenuto in lingua inglese. Fare riferimento alla versione inglese del sito.

Modalità d'esame

Il corso è tenuto in lingua inglese. Fare riferimento alla versione inglese del sito.

Testi di riferimento

Il corso è tenuto in lingua inglese. Fare riferimento alla versione inglese del sito.

Codice insegnamento 93478

DECISION MAKING WITH CONSTRAINT PROGRAMMING 1° anno · 1° semestre · 6 CFU · INF/01 · 0 file

Il corso tratta i metodi fondamentali dell'intelligenza artificiale per modellare e risolvere problemi che richiedono di prendere decisioni (ottime) in presenza di vincoli numerosi e complessi. Tali problemi si…

Scheda dell'insegnamento

Obiettivi formativi

Il corso tratta i metodi fondamentali dell'intelligenza artificiale per modellare e risolvere problemi che richiedono di prendere decisioni (ottime) in presenza di vincoli numerosi e complessi. Tali problemi si presentano spesso in diverse aree scientifiche, aziendali e industriali. La difficoltà intrinseca nel risolvere problemi così cruciali nella pratica ha portato allo sviluppo di una tecnologia che consente di costruire sistemi intelligenti di supporto alle decisioni, che va sotto il nome di programmazione a vincoli (Constraint Programming, CP). Un numero sempre maggiore di aziende e centri di ricerca nel mondo si avvale e contribuisce al miglioramento di questa tecnologia. Competenze acquisite in questo settore sono quindi molto bene spendibili nel mercato del lavoro. Il corso combina fondamenti teorici con una parte pratica di modellazione e risoluzione di problemi ispirati al mondo reale. Al termine del corso, lo studente conoscerà tecniche avanzate di modellazione e metodi risolutivi efficienti, e sarà in grado di modellare problemi usando un linguaggio a vincoli, e di risolverli tramite un risolutore di vincoli.

Programma

Il corso è erogato in lingua inglese. Per informazioni sul corso fare riferimento alla versione inglese di questa pagina web.

Codice insegnamento 87469

DEEP LEARNING TECHNIQUES FOR COMPUTATIONAL IMAGING 1° anno · 2° semestre · 6 CFU · MATH-05/A · 0 file

Al termine del corso lo studente conosce alcuni metodi computazionali per l’elaborazione delle immagini e loro applicazioni, con particolare riferimento ai problemi inversi nell’imaging, quali rimozione del rumore, dello…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente conosce alcuni metodi computazionali per l’elaborazione delle immagini e loro applicazioni, con particolare riferimento ai problemi inversi nell’imaging, quali rimozione del rumore, dello sfocamento, o super-risoluzione. E’ in grado di risolvere alcuni di questi problemi utilizzando sia algoritmi classici di ottimizzazione che moderni approcci basati su reti neurali convoluzionali (CNN).

Programma

  • Concetti di base della formazione delle immagini e modellazione del rumore
  • Strumenti matematici per l' elaborazione di immagini: filtri, trasformata discreta di Fourier
  • Applicazioni di computational imaging come problemi inversi: rimozione del rumore, del blur, super risoluzione, segmentazione, ricostruzione da dati tomografici , ....
  • Metodi classici con approccio regolarizzazione per la risoluzione dei problemi di computational imaging
  • Approccio con reti neurali convolutive. Studio di architetture e loss per imaging allo stato dell'arte.
  • Approccio generativo: Generative Adversarial Networks (GAN), Diffusion models e loro applicazione in computational imaging. Recenti sviluppi.
  • Esercitazioni pratiche utilizzando Python e Pytorch.

Modalità d'esame

L'esame è costituito da due prove: uno scritto con una domanda aperta sui contenuti del programma (no codice) della durata di 20 minuti con votazione massima 8 e minima 4 e la discussione del progetto assegnato al gruppo con votazione massima 24 e minima 14.
Il voto finale è la somma dei due voti e se si supera il 30 viene assegnata la lode.
Tutti i componenti del gruppo devono sostenere l'esame nello stesso giorno.
1) Se la discussione del progetto è sufficiente ma lo scritto insufficiente lo studente RIPETE SOLO LA PARTE SCRITTA.
2) Se la discussione del progetto è insufficiente LO STUDENTE RIPETE L'INTERO ESAME.
Per discutere il progetto lo studente prepara una presentazione contenente la parte teorica, i dettagli implementativi e i risultati ottenuti sotto forma di grafici e tabelle. NON DEVE inserire il codice che viene comunque portato all'esame e sul quale vengono fatte domande.
E' concesso l'uso della AI per la scrittura del codice, ma durante la discussione del progetto lo studente deve dimostrare padronanza del codice, saperlo spiegare e motivare le scelte fatte.

Testi di riferimento

note del docente

Codice insegnamento C9749

DIDATTICA DELL'INFORMATICA 1° anno · 2° semestre · 6 CFU · INF/01 · 0 file

Il corso si propone di fornire conoscenze teoriche, tecniche e strumenti utili per l’insegnamento dell’informatica. Al termine dell'attività formativa lo studente conosce i principali approcci pedagogici e didattici…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di fornire conoscenze teoriche, tecniche e strumenti utili per l’insegnamento dell’informatica. Al termine dell'attività formativa lo studente conosce i principali approcci pedagogici e didattici per l’insegnamento dell’informatica nei diversi livelli scolastici. È in grado di organizzare e tenere corsi di informatica, confrontare e scegliere diverse metodologie per generare materiale didattico e per valutare l’apprendimento.

Programma

Per seguire proficuamente l'insegnamento sono importanti conoscenze pregresse di Informatica e di programmazione.
Gli obiettivi generali di questo insegnamento includono:
la conoscenza di alcuni aspetti storici, epistemologici ed etici dell'Informatica come disciplina scientifica e delle motivazioni alla base della necessità del suo insegnamento; la comprensione di aspetti pedagogici e teorie dell'apprendimento nel contesto dell'insegnamento dell'Informatica; la conoscenza di molteplici approcci didattici specifici per la materia; la conoscenza delle principali difficoltà cognitive che l'apprendimento dell'Informatica pone, con particolare riferimento alla programmazione, e di possibili strategie e tecniche di scaffolding per superarle; la conoscenza di strumenti software specifici e di dispositivi di physical computing a supporto dell'insegnamento dell'Informatica; la capacità di formulare e gestire percorsi di studio coerenti con le indicazioni nazionali e i curricula relativi all'Informatica in scuole di ogni ordine e grado; la capacità di progettare attività didattiche coerenti con obiettivi specifici di apprendimento, metodologie, materiali e forme di valutazione formativa.
Argomenti del Modulo 1
Visione scientifica dell'Informatica. Didattica degli aspetti tecnologici: architettura degli elaboratori, sistemi operativi, reti. Metodologie per la Didattica dell'Informatica: teatralizzazione; making/tinkering con strumenti di physical computing. Le licenze del software (software libero vs. software proprietario): implicazioni nella didattica.
Argomenti del Modulo 2
Big ideas per la didattica dell'Informatica. Paradigmi e teorie dell'apprendimento, con particolare riferimento a costruttivismo e costruzionismo applicati alla didattica dell'Informatica. Progettazione didattica: traguardi, obiettivi specifici in forma operativa, tassonomie, competenze, unità didattiche e unità di apprendimento. Valutazione formativa e valutazione per l'apprendimento: rubric, feedback, autovalutazione, valutazione tra pari e strumenti per osservare i processi di apprendimento. Valutazione di apprendimenti informatici. Approcci top-down e bottom-up nell'insegnamento dell'Informatica. "Coding", pensiero computazionale e Informatica. Didattica della programmazione, degli algoritmi e delle strutture dati. Implicazioni didattiche nella scelta dei linguaggi di programmazione. Difficoltà e misconcezioni nell'apprendimento della programmazione. Metodologie e tecniche di scaffolding per la Didattica dell'Informatica, anche attraverso attività unplugged, lettura e comprensione di codice, debugging di codice non proprio, visualizzazione dello stato della macchina durante l'esecuzione di un programma e attività guidate di modifica o completamento di programmi. L'Informatica nei libri di testo e nei curricoli scolastici internazionali e italiani. Didattica dell'IA, didattica della programmazione con l'AI generativa, implicazioni dell'IA per l'insegnamento, l'apprendimento e la valutazione in Informatica.

Modalità d'esame

Vista la natura partecipativa e interattiva delle lezioni, la frequenza alle lezioni è caldamente consigliata.
L'esame finale consiste obbligatoriamente nell'ideazione di un'attività didattica innovativa, e del relativo materiale, per l'insegnamento di contenuti di Informatica scelti dallo studente e concordati con i docenti.
Non è prevista la consegna preventiva dei materiali ideati.
L'esame consiste esclusivamente in una prova orale con voto in trentesimi, della durata massima di 60 minuti per ciascun candidato, divisa in tre parti di circa 20 minuti ciascuna.
Presentazione della progettazione didattica. Lo studente presenta la progettazione di un'attività didattica, indicativamente di 1-3 ore, esplicitando gli aspetti indicati in https://csed-unibo.github.io/#!pages/struttura_esame.md : argomento, indirizzo e classe, collocazione in una unità didattica o di apprendimento, elementi di innovatività, riferimenti ai documenti ministeriali, prerequisiti, obiettivi specifici in forma operativa, approcci metodologici, risorse, spazi, attrezzature, micro-planning e modalità di valutazione formativa Simulazione. Lo studente simula una parte significativa dell'attività progettata, impersonando il ruolo del docente e rivolgendosi al pubblico scolastico indicato nella progettazione Discussione. Lo studente risponde a domande sulla progettazione, sulla simulazione, sui contenuti informatici scelti e sugli argomenti di Didattica dell'Informatica collegati.
Durante il corso verranno inoltre proposti questionari ed esercitazioni in itinere per favorire il consolidamento progressivo delle conoscenze e abilità. Nella valutazione si tiene conto anche della partecipazione in classe e della consegna di eventuali attività in itinere: aver consegnato tutte le attività in tempo e con esito sufficiente dà diritto a un punto aggiuntivo.
I criteri per la determinazione del voto sono descritti nella rubric disponibile all'indirizzo https://csed-unibo.github.io/#!pages/rubric_esame.md . La valutazione considera le seguenti dimensioni: conoscenza dei contenuti di Informatica; correttezza concettuale dei contenuti informatici; contenuti di Didattica dell'Informatica; innovatività; coerenza con età e/o indirizzo di scuola; terminologia; adeguatezza del materiale rispetto a traguardi e obiettivi; metodologie didattiche; guida per l'insegnante; valutazione; replicabilità; attenzione a studenti con difficoltà e a studenti particolarmente avanzati; simulazione; capacità di rispondere alle sollecitazioni dei docenti.
Se lo studente raggiunge, per tutti i criteri, un livello "parziale" ottiene 18/30. Se raggiunge, per tutti i criteri, un livello "adeguato" ottiene 28/30. Le valutazioni più alte sono attribuite quando la proposta mostra particolare originalità, è costruita o adattata sulla base di una ricerca estesa e motivata di materiali esistenti, genera curiosità verso concetti informatici collegati, usa termini ed esempi pienamente adeguati al pubblico e attenti alla diversità culturale e di genere, applica metodologie fondate sulla ricerca in Didattica dell'Informatica, propone forme di valutazione formativa e continuativa efficaci, e nella simulazione risulta coinvolgente, adattabile alle sollecitazioni e didatticamente ben giustificata.
Per quanto riguarda la progettazione didattica e i materiali d'esame, l'uso dell'IA generativa non è né vietato né obbligatorio. Può essere utilizzata come supporto alla progettazione didattica, per esempio per esplorare idee, reperire o riorganizzare informazioni, confrontare alternative, riformulare testi o produrre bozze da rivedere criticamente. Al colloquio di presentazione del progetto, gli studenti dovranno comunque dimostrare piena padronanza dei contenuti informatici e di Didattica dell'Informatica citati, nonché saper giustificare didatticamente le scelte progettuali, metodologiche e valutative, e i materiali presentati.
Lo studente può accettare o rifiutare il voto dell'orale. Anche il rifiuto del voto verrà registrato su AlmaEsami. Se lo studente non supera l'orale o rifiuta il voto, deve ripresentarsi a uno degli appelli successivi con una progettazione su un argomento significativamente diverso.
È necessario che gli studenti seguano il corso nell'anno accademico, I o II, che coincide con quello indicato per questo insegnamento nel loro piano di studi; in particolare, non è possibile seguire il corso al I anno se è segnato al II anno.
Saranno calendarizzati sei appelli per ogni anno accademico: tre in giugno/luglio, uno in settembre, due in gennaio/febbraio. Non saranno svolte prove su appuntamento.
Studenti e studentesse con DSA o disabilità temporanee o permanenti: si raccomanda di contattare per tempo l'ufficio di Ateneo responsabile (https://site.unibo.it/studenti-con-disabilita-e-dsa/it ); sarà sua cura proporre agli studenti e alle studentesse interessati/e eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all'approvazione dei docenti, che ne valuteranno l'opportunità anche in relazione agli obiettivi formativi dell'insegnamento.

Testi di riferimento

Non è necessario acquistare alcun libro di testo.
Materiali necessari per la preparazione dell'esame
Le slide, gli articoli, i capitoli e gli altri documenti da studiare saranno indicati durante il corso e resi disponibili in forma elettronica sul wiki del corso (https://csed-unibo.github.io/#!index.md ) e su Virtuale (https://virtuale.unibo.it/ ).
Materiale di riferimento
M. Lodi (2020). Introducing Computational Thinking in K-12 Education: Historical, Epistemological, Pedagogical, Cognitive, and Affective Aspects. Tesi di dottorato. http://amsdottorato.unibo.it/9188/1/Tesi_Dottorato_Lodi.pdf . Capitoli selezionati saranno assegnati da studiare durante il corso.
Materiali liberi di approfondimento
La rivista Hello World (https://helloworld.raspberrypi.org/ ) della Raspberry Pi Foundation propone contenuti utili, sia teorici sia pratici, per la didattica dell'Informatica. In particolare, le special editions Big Book of Computing Pedagogy (https://helloworld.raspberrypi.org/books/big_book_of_pedagogy ) e Big Book of Computing Content (https://helloworld.raspberrypi.org/books/big_book_of_computing_content ) possono essere usate come materiali liberi di approfondimento.
Testi consigliati per approfondimento
S. Grover. Computer Science in K-12: An A-To-Z Handbook on Teaching Programming. Edfinity, 2020. S. Sentance, E. Barendsen, N.R. Howard, C. Schulte. Computer Science Education: Perspectives on Teaching and Learning in School. Bloomsbury Academic, 2023, 2nd ed. Risorse aggiuntive liberamente scaricabili: https://www.bloomsburyonlineresources.com/computer-science-education-2 O. Hazzan, T. Lapidot, N. Ragonis. Guide to Teaching Computer Science: An Activity-Based Approach. Third Edition. Springer, 2020. Liberamente scaricabile da rete UniBO: https://link.springer.com/book/10.1007/978-3-030-39360-1 S. Fincher, A. Robins. The Cambridge Handbook of Computing Education Research. Cambridge University Press, 2019. Liberamente scaricabile da rete UniBO: https://doi.org/10.1017/9781108654555

Codice insegnamento 90749

DIGITAL FORENSICS 1° anno · 1° semestre · 6 CFU · INF/01 · 0 file

Al termine del corso lo studente conosce le principali problematiche della digital forensics e si è confrontato con l'utilizzo di base di alcuni tool per gestire gli scenari più comuni: singolo device (computer,…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente conosce le principali problematiche della digital forensics e si è confrontato con l'utilizzo di base di alcuni tool per gestire gli scenari più comuni: singolo device (computer, tablet, smartphone) e diversi tipi di file, rete (wireless e wired), e-mail e social media. Lo studente conosce l'importanza della catena di custodia e le principali metodologie di acquisizione, conservazione e analisi dei dati. Lo studente conosce l'importanza della relazione finale e dispone di strumenti concettuali per la sua corretta stesura.

Programma

Le basi della digital forensics Struttura di base del laboratorio Acquisizione dei dati Esame delle scene Lavorare con sistemi Windows e CLI Principali strumenti di digital forensics File system di Linux e Macintosh Recupero di file grafici Analisi e validazione Macchine virtuali, acquisizioni live, network forensics Investigazioni legali di e-mail e social media Device mobili Cloud Scrittura della relazione Testimonianza Etica

Modalità d'esame

Gli studenti si dividono in gruppi. Ogni gruppo lavora ad un caso in qualità di perito di una delle parti o del giudice. I gruppi producono le perizie. Gli argomenti verteranno sulle le tematiche del corso e sono concordati preventivamente con il docente. La perizia viene valutata in contraddittorio con gli altri due gruppi e deve essere consegnata alla scadenza stabilita prima della data dell'esame. L'esame prosegue con una prova orale in cui si discutono gli aspetti peculiari del lavoro realizzato. L'esame si conclude con una ulteriore prova orale in merito agli argomenti del corso.

Testi di riferimento

Nelson B., Phillips A., Steuart C., Wilson R., Guide to Computer Forensics and Investigations (7-th ed.). Cengage.
Quenau R., , Einaudi, 2014. [http://www.einaudi.it/libri/libro/raymond-queneau/esercizi-di-stile/978880622074]
[http://www.einaudi.it/libri/libro/raymond-queneau/esercizi-di-stile/978880622074]Nelson B., Philips A., Steuart C., Cengage, 2018 [https://www.cengage.co.uk/books/9781337568944/]
ISO/IEC 27037:2012, Information technology - Security techniques - Guidelines for identification, collection, acquisition and preservation of digital evidence [https://www.iso.org/standard/44381.html]
ISO/IEC 27041:2015, Information technology - Security techniques - Guidance on assuring suitability and adequacy of incident investigative method [https://www.iso.org/standard/44405.html]
ISO/IEC 27042:2015, Preview Information technology - Security techniques - Guidelines for the analysis and interpretation of digital evidence [https://www.iso.org/standard/44406.html]
ISO/IEC 27043:2015 Preview, Information technology - Security techniques - Incident investigation principles and processes [https://www.iso.org/standard/44407.html]

Codice insegnamento 81676

FONDAMENTI LOGICI DELL'INFORMATICA 1° anno · 1° semestre · 6 CFU · MAT/01 · 0 file

Al termine del corso lo studente ha acquisito le basi logico formali di aree dell'informatica teorica quali il lambda-calcolo, i sistemi di riscrittura, la teoria delle basi di dati e i metodi formali volti all’analisi e…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente ha acquisito le basi logico formali di aree dell'informatica teorica quali il lambda-calcolo, i sistemi di riscrittura, la teoria delle basi di dati e i metodi formali volti all’analisi e alla verifica di programmi. E' in grado di codificare in lambda-calcolo vari costrutti di programmazione, di esprimere interrogazioni a basi di dati in forma predicativa, di specificare proprietà di sistemi reattivi come formule di logiche temporali e di descrivere protocolli di comunicazione come formule di logiche substrutturali.

Programma

Primo modulo:
1. Richiami di Logica Proposizionale e al Prim'Ordine. Sintassi, Semantica, Correttezza e Completezza, Indecidibilità della Logica al Prim'Ordine 2. Lambda Calcolo non tipato. Sintassi e Semantica Operazionale. Il Lambda Calcolo come linguaggio di programmazione: stategie di valutazione e rappresentazione dei dati; Turing completezza (cenni). 3. Meta-teoria del Lambda Calcolo non tipato. Confluenza. 4. Lambda Calcolo Tipato Semplice e Isomorfismo di Curry-Howard Sintassi alla Curry e alla Church. Isomorfismo con la logica proposizionale minimale. Algoritmi per il type-checking e la type- inference. 5. Meta-teoria del Lambda Calcolo tipato semplice. Teoremi di normalizzazione debole e forte. 6. Isomorfismo di Curry-Howard ed estensioni del sistema di tipi. Tipi prodotto, coprodotto, vuoto e singleton. Polimorfismo parametrico (cenni al System F). Cenni ai sistemi di tipi dipendenti e al tipaggio alla Hindley-Milner.
Prerequisiti: il modulo è essenzialmente autocontenuto.
Secondo modulo:
1. Modellazione e analisi statica di sistemi distribuiti Sintassi e semantica operazionale del pi-calcolo; Logica lineare; Logica lineare come sistema di tipi per il pi-calcolo; meta-teoria del pi-calcolo tipato 2. Logica e Metodi Formali LTL e CTL: sintassi e semantica. Sistemi Reattivi e Loro Verifica. Model Checking.

Modalità d'esame

L'esame è unico per entrambi i moduli e consiste in una prova orale. La prova orale verte su tutti gli argomenti visti a lezione. Per ogni modulo vengono poste dal docente del modulo domande per circa 10 minuti. Le domande sono finalizzate a verificare l'effettiva comprensione sia degli argomenti esposti, che della loro rilevanza. Sarà valutata l'accuratezza delle risposte e delle definizioni, la chiarezza e la sintesi con cui si espongono gli argomenti e la capacità di collegamento dei diversi argomenti trattati. Il voto da verbalizzare viene concordato fra i due docenti al termine delle domande. La verbalizzazione avviene seduta stante, a meno del caso in cui lo studente sia indeciso sulla verbalizzazione del voto. In tal caso la decisione deve essere presa entro le 24 ore successive.
Persone con disabilità e DSA
Le persone con disabilità o disturbi specifici dell’apprendimento hanno diritto a speciali adattamenti in relazione alla loro condizione, previa valutazione del Servizio d’ateneo per le studentesse e gli studenti con disabilità e DSA. Si prega di non rivolgersi al/la docente, ma di contattare il Servizio per un appuntamento. Sarà cura del Servizio stabilire quali adattamenti si rendono opportuni. Maggiori informazioni alla pagina https://site.unibo.it/studenti-con-disabilita-e-dsa/it/per-studenti.

Testi di riferimento

Per il primo modulo:

  • H.P. Barendregt: The Lambda Calculus, Its Syntax and Semantics (Studies in Logic and the Foundations of Mathematics, Volume 103).
  • J.Y. Girard, Y. Lafont, P. Taylor: Proof and Types. Available on-line at http://www.paultaylor.eu/stable/Proofs+Types.html
    Congiuntamente i due testi coprono tutti gli argomenti visti a lezione.
    Per il secondo modulo:
  • E. Clarke and O. Grumberg and D. Peled. Model Checking. MIT Press, 1999. Il testo copre i soli argomenti relativi a "Logica e Metodi Formali". Per quanto riguarda "Modellazione e analisi statica di sistemi distribuiti" il docente fornirà materiale didattico integrativo.

Codice insegnamento 30214

IDONEITA' LINGUA INGLESE B - 2 1° anno · 1° semestre · 6 CFU · L-LIN/12 · 0 file

Consulta la pagina del sito del CLA-Centro Linguistico d'Ateneo per informazioni sulla preparazione dell'idoneita' linguistica, sui corsi, i materiali e le scadenze.

Scheda dell'insegnamento

Scheda dell'a.a. 2025/2026: quella dell'anno in corso non è ancora pubblicata.

Programma

Consulta la pagina del sito del CLA-Centro Linguistico d'Ateneo per informazioni sulla preparazione dell'idoneita' linguistica, sui corsi, i materiali e le scadenze.

Codice insegnamento 26337

INTELLIGENZA ARTIFICIALE 1° anno · 1° semestre · 6 CFU · INFO-01/A · 0 file

Al termine del corso, lo studente conosce i principali linguaggi, tecniche di modellizzazione e metodi di ragionamento che stanno alla base della risoluzione di problemi di intelligenza artificiale. In particolare, è…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, lo studente conosce i principali linguaggi, tecniche di modellizzazione e metodi di ragionamento che stanno alla base della risoluzione di problemi di intelligenza artificiale. In particolare, è in grado di realizzare sistemi 'intelligenti' che, nella soluzione di problemi, simulano il comportamento di esperti umani della disciplina in oggetto. Inoltre è in grado di modellizzare e risolvere semplici problemi di ottimizzazione basati su programmazione a vincoli.

Programma

Il corso e' tenuto in lingua inglese. Per i contenuti e le altre informazioni sul corso si faccia riferimento alla versione inglese.

Codice insegnamento 81940

INTELLIGENZA ARTIFICIALE 1° anno · 1° semestre · 6 CFU · INF/01 · 0 file

Al termine del corso, lo studente conosce i principali linguaggi, tecniche di modellizzazione e metodi di ragionamento che stanno alla base della risoluzione di problemi di intelligenza artificiale. In particolare, è…

Scheda dell'insegnamento

Scheda dell'a.a. 2025/2026: quella dell'anno in corso non è ancora pubblicata.

Obiettivi formativi

Al termine del corso, lo studente conosce i principali linguaggi, tecniche di modellizzazione e metodi di ragionamento che stanno alla base della risoluzione di problemi di intelligenza artificiale. In particolare, è in grado di realizzare sistemi 'intelligenti' che, nella soluzione di problemi, simulano il comportamento di esperti umani della disciplina in oggetto. Inoltre è in grado di modellizzare e risolvere semplici problemi di ottimizzazione basati su programmazione a vincoli.

Programma

Introduzione all' intelligenza artificiale. Le principali tecnologie e applicazioni dell'intelligenza artificiale. La nozione di agente. Strategie di ricerca non informata. Strategie di ricerca informata. Ricerca con avversari. Modellazione di problemi con vincoli e CSP: nozioni di base. Programmazione logica. Programmazione con vincoli, cenni a MiniZinc. Introduzione al machine learning. Il calcolo sub-simbolico e le reti neurali Large language models Aspetti economici, etici e filosofici.

Modalità d'esame

L’esame consiste nello sviluppo di un progetto e nella sua presentazione e discussione. in ogni anno accademico sono fissati sei “appelli”: due nella prima Sessione (Gennaio/Febbraio); tre nella seconda (Giugno/Luglio) e uno nella terza (Settembre). Le date degli appelli sono pubblicate su Almaesami e possono subire variazioni. Si consiglia di verificare 24 ore prima dello scritto che la data non sia cambiata. Per partecipare ad un appello d’esame occorre iscriversi su Almaesami entro 7 giorni dalla data dell’esame. Chi non si iscrive in tempo non potrà sostenere l’esame, e dovrà attendere l’appello successivo. La verifica avviene con la presentazione del progetto ed eventuali domande sugli argomenti del corso. Lo studente dovrà quindi dimostrare di aver lavorato attivamente al progetto (che viene fatto a gruppi)( e di padroneggiare le tecniche principali di AI viste nel corso. Il voto dell’esame è stabilito in base ai criteri seguenti: - se i contenuti del progetto, la sua esposizione e la discussione sono limitati, con limitata padronanza degli argomenti del corso, il voto sarà compreso nell’intervallo 18-21; - se i contenuti del progetto, la sua esposizione e la discussione sono soddisfacenti, con sufficiente padronanza degli argomenti del corso, il voto sarà compreso nell’intervallo 22-25; - se i contenuti del progetto, la sua esposizione e la discussione sono buoni, con buona padronanza degli argomenti del corso, il voto sarà compreso nell’intervallo 26-29; - se i contenuti del progetto, la sua esposizione e la discussione sono ottimi, con piena padronanza degli argomenti del corso, allora il voto sarà 30 oppure 30 e lode. Al termine della prova orale lo studente saprà il voto conseguito e potrà decidere se accettarlo o rifiutarlo. Come da regolamento didattico di ateneo, il rifiuto deve essere concesso dal docente almeno una volta sul singolo insegnamento. Questo corso è integrato con il corso di 28796 - COMPLEMENTI DI BASI DI DATI, di conseguenza la verbalizzazione del voto finale potrà avvenire solo entro 3 giorni dal conseguimento di entrambi i voti.

Testi di riferimento

Russell, Norvig. Artificial Intelligence: A Modern Approach, 3rd Edition. Pearson (Intl) 2010 (US edition) and 2016 (Global edition). Materiale fornito a lezione.

Codice insegnamento 81940

INTRODUCTION TO QUANTUM COMPUTING 1° anno · 2° semestre · 6 CFU · INF/01 · 0 file

Al termine del corso, lo studente conosce le nozioni matematiche soggiacenti il calcolo quantistico, ed è in grado di implementare algoritmi quantistici nella forma di famiglie di circuiti quantistici. E' inoltre a…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, lo studente conosce le nozioni matematiche soggiacenti il calcolo quantistico, ed è in grado di implementare algoritmi quantistici nella forma di famiglie di circuiti quantistici. E' inoltre a conoscenza di tematiche più avanzate come la crittografia e la correzione di errori quantistica, e lo sviluppo di linguaggi grafici per descrivere circuiti quantistici.

Programma

Primo modulo:

  • introduzione alla computazione quantistica
  • fondamenti matematici: algebra lineare e spazi di Hilbert complessi
  • qubits e loro rappresentazione matematica
  • un modello di calcolo quantistico: i circuiti quantistici
  • esempi di circuiti (Deutsch, Bernstein-Vazirani)
    Secondo modulo:
  • complessita' computazionale quantistica
  • discussione di alcuni algoritmi quantistici (Simon, Grover, Shor)
  • correzione di errori quantistica
  • protocolli quantistici
  • cenni alla programmazione quantistica e ai linguaggi grafici quantistici
  • ottimizzazione di circuiti quantistici
  • crittografia post-quantistica

Modalità d'esame

L'esame sara' a seminario: durante il corso verra' proposta una lista di possibile articoli di approfondimento, e ogni studente dovra' presentare uno di questi articoli. Durante la presentazione verranno fatte domande inerenti all'articolo scelto e alle sue relazioni con gli argomenti visti a lezione. Previo accordo coi docenti e' anche possibile basarsi su articoli al di fuori della lista o svolgere un piccolo progetto al posto del seminario.
Per quanto riguarda la verifica dell’apprendimento, è consentito un uso limitato, dichiarato e non sostanziale dell’IA per attività di supporto (sintesi, riformulazioni). Non è permesso l’uso sostanziale per lo svolgimento di parti della prova.

Testi di riferimento

[1] P. Kaye, R. Laflamme, M. Mosca. An introduction to quantum computing. Oxford University Press, 2007. [2] M. Hirvensalo. Quantum computing. Springer, 2004.

Codice insegnamento B3567

LABORATORIO XR E GAMING 1° anno · 1° semestre · 6 CFU · INFO-01/A · 0 file

Al termine del percorso didattico, lo studente conosce i principi fondamentali del game development real-time basato su engine, con particolare riferimento all’utilizzo di Unity per la progettazione e l’implementazione…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del percorso didattico, lo studente conosce i principi fondamentali del game development real-time basato su engine, con particolare riferimento all’utilizzo di Unity per la progettazione e l’implementazione di prototipi di gioco. Lo studente acquisisce le competenze necessarie per sviluppare meccaniche di gioco all’interno di un motore commerciale, comprendendo il funzionamento del game loop di Unity, la gestione degli oggetti di scena, dell’input e delle interazioni fisiche, nonché l’integrazione di sistemi di Intelligenza Artificiale generativa nel gameplay e nel processo di sviluppo.

Programma

Prerequisiti
Sono richieste una buona conoscenza della programmazione, preferibilmente orientata agli oggetti, e conoscenze di base di algebra lineare, in particolare vettori, matrici, sistemi di coordinate e trasformazioni geometriche. È utile una conoscenza elementare del controllo di versione. Non è richiesta una precedente esperienza con dispositivi XR o motori di gioco.
1. Introduzione a XR e gaming Realtà virtuale, aumentata e mista; continuum reale-virtuale; applicazioni ludiche, educative, culturali, industriali e sociali; struttura di una pipeline di sviluppo real-time.
2. Fondamenti di ambienti tridimensionali real-time Scene graph, oggetti e componenti, sistemi di coordinate, trasformazioni, camere, materiali, illuminazione, animazione, audio spaziale e simulazione fisica.
3. Game design e prototipazione Obiettivi e regole, core loop, meccaniche e dinamiche, feedback, game feel, progressione, difficoltà, level design, serious games e prototipazione iterativa.
4. Architetture e dispositivi XR Display immersivi e see-through, tracciamento a tre e sei gradi di libertà, controller, hand tracking, passthrough, sensori, runtime XR e standard OpenXR.
5. Interazione tridimensionale Selezione e manipolazione diretta e a distanza; locomozione e teleporting; interfacce diegetiche e spaziali; input multimodale; feedback visivo, sonoro e aptico.
6. Percezione, presenza e fattori umani Percezione visiva e uditiva, immersione, presenza, embodiment, latenza, cybersickness, ergonomia, durata delle sessioni, accessibilità e progettazione inclusiva.
7. Gameplay programming e ingegneria del progetto Gestione dello stato, eventi, salvataggio, fisica, animazione, sistemi di comportamento, architettura del codice, controllo di versione, asset pipeline, build e deployment. Cenni ad avatar ed esperienze multiutente.
8. Prestazioni e qualità Frame timing, latenze, profiling CPU/GPU, gestione delle risorse, livelli di dettaglio, testing su dispositivi differenti, robustezza e riproducibilità.
9. Valutazione e sviluppo responsabile Playtesting, test di usabilità, raccolta di dati e metriche, progettazione di piccoli studi utente, privacy dei dati di tracciamento, licenze delle risorse digitali, inclusione e implicazioni etiche.
10. Progetto di laboratorio Ideazione, progettazione, implementazione, verifica e dimostrazione di un prototipo XR dotato di un gameplay o di una struttura di interazione significativa.
Le esercitazioni di laboratorio riguardano configurazione della scena e della pipeline XR, input e tracciamento, locomozione, selezione e manipolazione, gameplay, gestione del progetto con Git, profiling, playtesting e documentazione tecnica. Il lavoro di gruppo sviluppa competenze trasversali di pianificazione, comunicazione, collaborazione, revisione tra pari e presentazione dei risultati.

Modalità d'esame

L’esame comporta l’attribuzione di un voto in trentesimi e consiste nella realizzazione, dimostrazione e discussione di un progetto di laboratorio. Il progetto può essere svolto individualmente oppure in gruppi di due o tre persone, previa registrazione del gruppo e approvazione della proposta su Virtuale.
Il progetto deve integrare almeno una tecnica di interazione XR e una struttura di gameplay, simulazione o interazione coerente con gli obiettivi dichiarati. Sono richiesti:
un prototipo eseguibile; il repository del codice sorgente, con cronologia dei contributi; un file README con requisiti, istruzioni di compilazione, installazione ed esecuzione; una breve relazione tecnica che descriva obiettivi, architettura, scelte progettuali e limiti; evidenze delle attività di testing, profiling, playtesting e valutazione di usabilità, comfort e accessibilità; l’elenco delle risorse di terze parti e delle relative licenze; una dichiarazione degli eventuali strumenti di IA generativa utilizzati, con scopo e parti interessate.
La sequenza della prova è la seguente: verifica preliminare della completezza dei materiali; dimostrazione del prototipo; discussione individuale sugli argomenti del corso, sulle scelte progettuali, sul codice, sui risultati dei test e sul contributo personale. La discussione individuale è obbligatoria per ogni componente del gruppo.
Iscrizione e consegna. L’iscrizione all'esame può essere concordata scrivendo al docente di riferimento quando il progetto è pronto. Tutti i materiali devono essere consegnati almeno sette giorni prima della data di esame, secondo la struttura e i formati indicati nella specifica del progetto.
Componente
Peso
Risultati verificati e criteri principali
Prototipo
60%
Progettazione e implementazione di XR e gameplay; tecniche di interazione; correttezza, robustezza, architettura, prestazioni, comfort, accessibilità e qualità complessiva dell’esperienza.
Documentazione e valutazione
15%
Testing e playtesting; analisi critica; riproducibilità; chiarezza; gestione di asset, licenze e dichiarazione d’uso dell’IA.
Discussione individuale
25%
Comprensione dei principi teorici; capacità di spiegare il codice, motivare le scelte, collegare teoria e pratica, riconoscere limiti e proporre miglioramenti; contributo personale.
Il punteggio delle tre componenti viene ponderato secondo le percentuali indicate e convertito in trentesimi. Per superare l’esame è necessario ottenere almeno 18/30 e una valutazione sufficiente sia nel progetto, comprensivo di prototipo e documentazione, sia nella discussione individuale. Una discussione individuale insufficiente non può essere compensata dal lavoro di gruppo. Il voto dei componenti di uno stesso gruppo può essere differenziato sulla base del contributo documentato e della prova individuale.
Voto
Descrittore
18-21
Prototipo essenziale o parzialmente completo; conoscenze di base; analisi prevalentemente guidata; documentazione sufficiente.
22-25
Soluzione corretta e ragionevolmente robusta; buona comprensione; scelte progettuali nel complesso appropriate; test e documentazione adeguati.
26-28
Progetto completo e ben strutturato; buona qualità dell’interazione e del gameplay; valutazione autonoma; argomentazione chiara e consapevole.
29-30
Soluzione tecnicamente solida, curata e originale; analisi critica approfondita; ottima documentazione; piena padronanza degli argomenti.
30 e lode
Risultati eccellenti sotto il profilo tecnico e progettuale, particolare originalità, valutazione rigorosa e capacità di collegare criticamente metodi, letteratura e risultati sperimentali.
Strumenti ammessi durante la prova. Durante la dimostrazione possono essere utilizzati il prototipo, il repository, la relazione e brevi slide. Durante la discussione individuale i materiali del progetto possono essere consultati soltanto su richiesta del docente. Non sono ammessi ricerche in rete, comunicazioni con terzi, assistenza esterna o strumenti di IA generativa. Non sono richiesti ausili di calcolo o vocabolari.
Sono previste verifiche intermedie formative associate alle milestone pubblicate su Virtuale. Tali attività servono a ricevere feedback e non concorrono al voto finale. Per studentesse e studenti non frequentanti valgono lo stesso programma, gli stessi materiali obbligatori e le stesse modalità d’esame.
Per quanto riguarda la verifica dell’apprendimento, è consentito un uso limitato, dichiarato e non sostanziale dell’IA per attività di supporto, quali sintesi e riformulazioni. Non è permesso l’uso sostanziale per lo svolgimento di parti della prova. Nel progetto sono inoltre ammessi brainstorming, chiarimenti, individuazione di casi di test, suggerimenti di debugging e piccoli frammenti di supporto, purché verificati criticamente e documentati. Non è consentito delegare all’IA la generazione sostanziale dell’applicazione, della relazione o delle risorse principali.
Ogni utilizzo deve essere descritto nella documentazione indicando strumento, scopo e parti interessate. Studentesse e studenti rimangono responsabili della correttezza, sicurezza, originalità e conformità alle licenze di ogni materiale consegnato e devono essere in grado di spiegare autonomamente tutto il codice e tutti i contenuti presentati.
Studenti e studentesse con DSA o disabilità temporanee o permanenti: si raccomanda di contattare per tempo l’ufficio di Ateneo responsabile [https://site.unibo.it/studenti-con-disabilita-e-dsa/it]; sarà sua cura proporre agli studenti e alle studentesse interessati/e eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all’approvazione del/della docente, che ne valuterà l’opportunità anche in relazione agli obiettivi formativi dell’insegnamento.

Testi di riferimento

Materiali necessari per la preparazione dell’esame
Materiali pubblicati su Virtuale: slide, schede di laboratorio, esempi di codice, specifica del progetto e rubriche di valutazione contrassegnati come “Obbligatorio / Required”. L’accesso avviene con credenziali istituzionali; l’elenco obbligatorio viene consolidato all’avvio del corso e resta disponibile anche per chi non frequenta. Steven M. LaValle, Virtual Reality, Cambridge University Press, 2023: capitolo 2; sezioni 3.2-3.5, 6.1-6.4, 7.3-7.4, 8.2-8.4, 9.2-9.5; capitolo 10; sezioni 12.2-12.4. Jesse Schell, The Art of Game Design: A Book of Lenses, terza edizione, A K Peters/CRC Press, 2020: capitoli 2, 4-5, 8-10, 13-16, 22-23 e 28-29. Khronos Group, OpenXR 1.1 Specification: sezioni 1, 2.5, 2.18, 7 e 9-11. Documentazione ufficiale della versione LTS di Unity adottata nel corso: GameObjects e componenti, Transform, fisica, animazione, Profiler, XR Plug-in Management, OpenXR Plugin e XR Interaction Toolkit. Su Virtuale sono indicati i collegamenti e le pagine obbligatorie riferite alla versione utilizzata. Letture consigliate e di approfondimento Jason Jerald, The VR Book: Human-Centered Design for Virtual Reality, ACM Books, 2015. Dieter Schmalstieg e Tobias Höllerer, Augmented Reality: Principles and Practice, Addison-Wesley, 2016. Articoli scientifici e linee guida tecniche di approfondimento pubblicati su Virtuale in una sezione separata e non obbligatoria, salvo diversa marcatura esplicita.
Per studentesse e studenti non frequentanti valgono gli stessi materiali obbligatori, lo stesso programma e le stesse modalità di valutazione. Le attività svolte in aula non sostituiscono i materiali contrassegnati come obbligatori su Virtuale.

Codice insegnamento C9747

MATEMATICA COMPUTAZIONALE 1° anno · 2° semestre · 6 CFU · MAT/08 · 0 file

Al termine del corso, lo studente conosce diverse tecniche e strumenti alla base della soluzione computazionale di problemi del calcolo scientifico. È in grado di risolvere problemi applicativi, di aree di studio o…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, lo studente conosce diverse tecniche e strumenti alla base della soluzione computazionale di problemi del calcolo scientifico. È in grado di risolvere problemi applicativi, di aree di studio o didattica interdisciplinari, in un ambiente software integrato, simbolico e numerico.

Programma

Introduzione all'ambiente di Mathematica: Kernel, FrontEnd, notebook.
Introduzione alla programmazione in Mathematica.
Risorse grafiche e di visualizzazione.
Utilizzo delle capacita' del sistema per l'analisi e la soluzione di un particolare problema applicativo, di interesse didattico e per lo studente, tramite lo sviluppo di un package.

Modalità d'esame

L'esame consiste in una consegna di un progetto di laboratorio, scelto dallo studente secondo i propri interessi di studio ed in accordo con la docente, e definito entro aprile dell'anno accademico corrente, in cui viene svolto e frequentato il corso.
Il progetto e' di gruppo; l'attivita' di lavoro nel gruppo rientra nella valutazione.
La consegna e' seguita da una prova orale, che puo' consistere anche in domande sugli argomenti del corso.
La durata della discussione del progetto e' molto variabile; in genere, richiede almeno un'ora, ma e' possibile che richieda piu' tempo.

Testi di riferimento

Il materiale svolto a lezione viene messo a disposizione degli studenti iscritti al corso, tramite piattaforma VIRTUALE.
Qualsiasi altro materiale/testo, sulle risorse di Calcolo Numerico e Simbolico di Mathematica, e' ovviamente pure utile, in particolare per approfondimenti specifici relativi al progetto d'esame.
I seguenti libri (non obbligatori) sono consigliati perche' (oltre ad essere ottimi testi) sono reperibili presso le Biblioteche dell'Ateneo di Bologna.
Mathematica: A Problem-Centered Approach (2nd ed.), Roozbeh Hazrat, 2nd ed., Springer, London, UK, 2015
An Introduction to Programming with Mathematica (3rd ed), R.J.Gaylord, S.N.Kamin, P.R.Wellin, Cambridge University Press, Cambridge, UK, 2005
Programming in Mathematica (3rd ed), R. Maeder, Addison -Wesley, Reading, Mass., USA, 1997
Front-end vision and multi-scale image analysis : multi-scale computer vision theory and applications, written in Mathematica, B. M. Ter Haar Romeny, Springer, Dordrecht, Netherlands, 2003
Modern differential geometry of curves and surfaces with Mathematica (3rd ed), A.Gray, E. Abbena, S. Salamon, Chapman & Hall, Boca Raton, Florida, USA, 2006
Inoltre:
Wolfram U: open courses for students and professionals, https://www.wolfram.com/wolfram-u/
WRI Documentation Center, https://reference.wolfram.com/language/
WRI How To Topics, https://reference.wolfram.com/language/guide/HowToTopics.html
Mathematica Resources, https://www.wolfram.com/mathematica/resources/
MathWorld, first released 1999 by E.Weisstein. Upgraded and revisioned 2024 by WRI. https://mathworld.wolfram.com/

Codice insegnamento 12569

MODELLI E SISTEMI CONCORRENTI 1° anno · 2° semestre · 6 CFU · INF/01 · 0 file

Il corso presenta metodi formali per la modellazione, l’analisi e la verifica di sistemi distribuiti utilizzando reti di Petri e altri modelli per la concorrenza. Al termine del corso, lo studente è in grado di costruire…

Scheda dell'insegnamento

Obiettivi formativi

Il corso presenta metodi formali per la modellazione, l’analisi e la verifica di sistemi distribuiti utilizzando reti di Petri e altri modelli per la concorrenza. Al termine del corso, lo studente è in grado di costruire modelli di sistemi concorrenti e distribuiti, di analizzare tali modelli e di verificarne le proprietà

Programma

  • Introduzione alla concorrenza e al problema della correttezza del progetto di sistemi reattivi.
  • Reti di Petri e Sistemi di transizione etichettati.
  • Linear nets. Equivalenza di linguaggio, a tracce, per isomorfismo. Bisimulazione. Logica modale BML. Process algebra Lin. Teorema di rappresentazione. Congruenza e proprietà algebriche della bisimulazione. Assiomatizzazione sound and complete.
  • Forking nets. Team bisimulation. Logica modale TML. Process algebra Fork. Teorema di rappresentazione. Congruenza e proprietà algebriche della team bisimuation. Assiomatizzazione sound and complete.
  • Petri nets. Place bisimulation. Structure-preserving bisimulation. Logiche modali MKL e LKL. Process algebra Pet. Teorema di rappresentazione. Congruenza e proprietà algebriche. Assiomatizzazione.
  • Altre equivalenze per reti di Petri: sequenziali, concorrenti, causali.
  • Bisimulazione su reti con transizioni silenti: cenni a weak e branching bisimulation.
  • Il linguaggio CCS: semantica operazionale strutturata. Turing completezza di CCS finitario; indecidibilità delle equivalenze comportamentali per CCS finitario.
  • Cenni a computabilità distribuita: Last man standing problem.
  • Teoria del punto fisso e sue applicazioni (algoritmo per bisimulation equivalence e logiche temporali).

Modalità d'esame

Agli studenti verrà assegnato un piccolo progetto, da svolgere a casa (senza poter usare strumenti di IA), che verrà valutato in 30-esimi. A seguire una prova scritta, anch'essa valutata in 30-esimi. Il voto finale sarà ottenuto come media di questi due voti.

Testi di riferimento

R. Gorrieri. Syntax and Semantics of Petri Nets, Cambridge Tracts in TheoreticalComputer Science 63, CUP, 2025.
R. Gorrieri, C. Versari. Introduction to Concurrency Theory: Transition Systems and CCS, EATCS texts in theoretical computer science, Springer, 2015.
R. Gorrieri. Process Algebras for Petri Nets: The Alphabetization of Distributed Systems, EATCS monographs in theoretical computer science, Springer, 2017

Codice insegnamento 66870

MODELLI PROBABILISTICI 1° anno · 2° semestre · 6 CFU · MAT/06 · 0 file

Al completamento del corso, lo studente avrà acquisito una conoscenza approfondita dei principi fondamentali della teoria dei processi stocastici a tempo discreto, con un focus particolare sulla teoria delle…

Scheda dell'insegnamento

Obiettivi formativi

Al completamento del corso, lo studente avrà acquisito una conoscenza approfondita dei principi fondamentali della teoria dei processi stocastici a tempo discreto, con un focus particolare sulla teoria delle martingale, sulle catene di Markov e sul controllo stocastico. Sarà inoltre capace di analizzare sistemi stocastici applicativi attraverso strumenti di implementazione informatica

Programma

Richiami di calcolo delle probabilità in spazi discreti. Spazi di probabilità, variabili aleatorie discrete, indipendenza, misurabilità e criteri di misurabilità, valore atteso e valore atteso condizionale. Convergenza e legge dei grandi numeri.
Processi stocastici a tempi discreti in spazi discreti Generalità. Filtrazioni. Martingale e passeggiate aleatorie.
Finanza matematica a tempo discreto Modelli di mercato uni-periodali. Valutazione e copertura di opzioni. Teoremi fondamentali dell'asset pricing. Modelli multiperiodali. Modello binomiale e possibili estensioni.
Catene di Markov. Introduzione al concetto di catena di Markov. Costruzione di catene di Markov. Stati ricorrenti e transienti. Distribuzioni stazionarie e convergenza. Controllo stocastico. Formulazione di problemi di controllo stocastico a tempo discreto. Programmazione dinamica: equazione di Bellman e teoremi di verifica. Applicazioni.

Modalità d'esame

Esame orale

Testi di riferimento

Dispense del docente (Virtuale)
Altri testi suggeriti:
Pierre Brémaud, Markov Chains (Second edition), Springer (2020). Chung and AitShalia, Elementary Probability Theory. Springer (2003) W. Woess. Catene di Markov e teoria del potenziale nel discreto. Quaderni UMI (1996). A. Pascucci e W. Runggaldier, Finanza matematica. Teoria e problemi per modelli multiperiodali. Springer Unitext (2009).

Codice insegnamento 30216

MULTIMEDIA DATA MANAGEMENT 1° anno · 2° semestre · 6 CFU · ING-INF/05 · 0 file

The course aims to provide the knowledge and skills necessary for the effective and efficient management of multimedia (MM) data, with particular attention to the problems of MM data representation, MM data retrieval…

Scheda dell'insegnamento

Obiettivi formativi

The course aims to provide the knowledge and skills necessary for the effective and efficient management of multimedia (MM) data, with particular attention to the problems of MM data representation, MM data retrieval models, and interaction paradigms between the user and the MM system (both for purposes of data presentation and exploration). We first consider architectures of traditional ("standalone") MM systems; then, we concentrate on more complex MM services, by primarily focusing on search engines, social networks and recommendation systems.

Programma

The course intends to provide students with methodology, modeling, design, and implementation skills/expertise related to the development of smart "MM data-intensive" applications and services like the the ones included in commercial solutions like Google search engine, YouTube, Facebook, Instagram, Flickr, and Twitter, just to named a few, but especially possible smarter extensions.
Constraints on previous knowledge: nothing. The course has no specific prerequisites in terms of master's degree skills; it only requires a bachelor's degree in "computer science" area (i.e., computer engineering, computer science, etc.).
COURSE CONTENTS:
Basics on Multimedia Data Management
Multimedia data and content representations
MM data and applications MM data coding MM data content representation
How to find MM data of interest
Description models for complex MM objects Similarity measures for MM data content MM Data Base Management Systems
Efficient algorithms for MM data retrieval
MM query formulation paradigms Sequential retrieval of MM data Index-based retrieval of MM data
Automatic techniques for MM data semantic annotations
Browsing MM data collections MM data presentation
User interfaces Visualization paradigms Dimensionality reduction techniques
Result accuracy, use cases and real applications
Quality of the results and relevance feedback techniques Use cases and demos of some applications
Multimedia Data on the Web
Web search engines Graph-based data: semantic Web and social networks Web recommender systems
N.B. Per gli studenti di Laurea Magistrale in Artificial intelligence e di Laurea Magistrale in Informatica per i quali i CFU del corso sono 6, la parte di programma "Efficient algorithms for MM data retrieval" non è richiesta per l'esame finale.
N.B. Gli studenti possono decidere di sostenere l'esame finale in inglese o in italiano.

Modalità d'esame

Achievements will be assessed by the means of a final exam. This is based on an analytical assessment of the "expected learning outcomes" described above. In order to properly assess such achievement the examination is composed of an oral exam.
The admission of the students to the final examination is constrained to the upload of the complete practical project into the dedicated OneDrive folder "MDM", following the instructions provided by the teacher (see the slides of the course presentation for more details).
To participate to the final exam, interested students have to register themselves by exploiting the usual UniBO Web application, called AlmaEsami.
Higher grades will be awarded to students who demonstrate an organic understanding of the subject, a high ability for critical application, and a clear and concise presentation of the contents. To obtain a passing grade, students are required to at least demonstrate a knowledge of the key concepts of the subject, some ability for critical application, and a comprehensible use of technical language. A failing grade will be awarded if the student shows knowledge gaps in key-concepts of the subject, inappropriate use of language, and/or logic failures in the analysis of the subject.

Testi di riferimento

Education material provided by the teachers (copies of the slides used in the classroom, scientific literature, bibliography, and useful links). For more details, refer to the dedicated Web site: http://www-db.disi.unibo.it/courses/MDM/.

Codice insegnamento 91269

NATURAL LANGUAGE PROCESSING 1° anno · 1° semestre · 6 CFU · INF/01 · 0 file

Al termine del corso, lo studente conosce le principali problematiche relative all'elaborazione del linguaggio naturale, ponendo particolare attenzione alle metodologie statistico/algoritmiche alla base di questo tipo di…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, lo studente conosce le principali problematiche relative all'elaborazione del linguaggio naturale, ponendo particolare attenzione alle metodologie statistico/algoritmiche alla base di questo tipo di analisi. Tali metodologie saranno applicate a ogni livello dell'analisi linguistica

Programma

Part I: Foundations Introduction Natural Language Processing - Problems and perspectives Introduction/Recall to/of probability calculus N-grams and Language Models Deep Neural Networks The evaluation of NLP applications Corpora Corpora and their construction: representativeness Concordances, collocations and measures of words association Methods for Text Retrieval
Part II: Natural Language Processing Computational Phonetics Speech samples: properties and acoustic measures Analysis in the frequency domain, Spectrograms Applications in the acoustic phonetic field. Speech recognition with Deep Neural Networks Computational Morphology Morphological operations Static lexica, Two-level morphology Computational Syntax Part-of-speech tagging Grammars for natural language Natural language Parsing Supplementary worksheet: formal grammars for NL Formal languages and Natural languages. Natural language complexity Phrase structure grammars, Dependency Grammars Treebanks Modern formalisms for parsing natural languages Computational Semantics Lexical semantics: WordNet and FrameNet Word Sense Disambiguation Word-Space models Logical approaches to sentence semantics
Part III: Applications and Case studies: Solving Downstream Tasks Document classification Sentiment Analysis Named Entity Recognition Semantic Textual Similarity Prompting Pre-Trained Language Models Agents
Students with SLD or temporary or permanent disabilities. It is suggested that they get in touch as soon as possible with the relevant University office (https://site.unibo.it/studenti-con-disabilita-e-dsa/en) and with the lecturer in order to seek together the most effective strategies for following the lessons and/or preparing for the examination.

Modalità d'esame

Students attending this course can choose between two different exam types:
develop a project, previously approved by the teacher, write a report on it (at least 10 pages) and discuss it at the oral exam with some other very general questions on other course topics. A list of project proposals can be found here [http://corpora.ficlit.unibo.it/NLP/index.php?slab=projects] . Students are allowed to suggest other project topics to the teacher; a classical oral colloquium consisting of at least three questions (either general or very specific) on the course contents.
The oral colloquium is designed to evaluate the critical skills and methodological knowledge gained by the student. Reaching a clear view of all the course topics as well as using a correct language terminology will be valued with maximum rankings. Mnemonic knowledge of the course topics or not completely appropriate terminology will be valued with intermediate rankings. Unknown topics or inappropriate terminology use will be valued, depending on the seriousness of the omissions, with minimal or insufficient rankings. With regard to the project report, a critical analysis of the problem and the proposed solution(s) as well as a proper evaluation of the proposed solution(s) are required to get maximum rankings.The exam consists of an oral colloquium on the course contents designed to evaluate the critical skills and methodological knowledge gained by the student.
The report must be sent to the teacher at least 7 days before the exam date.
It is compulsory to register for the exam using the online procedure.
Students with SLD or temporary or permanent disabilities. It is necessary to contact the relevant University office (https://site.unibo.it/studenti-con-disabilita-e-dsa/en) with ample time in advance: the office will propose some adjustments, which must in any case be submitted 15 days in advance to the lecturer, who will assess the appropriateness of these in relation to the teaching objectives.

Testi di riferimento

Some chapters extracted from:
Tamburini F. (2026). Neural Models for the Automatic Processing of Italian, II Edition, Pàtron. D. Jurafsky and J.H. Martin (2008). Speech and Language Processing, Prentice Hall. A. Clark, C. Fox, S. Lappin (2010). The Handbook of Computational Linguistics and Natural Language Processing, Blackwell Handbooks in Linguistics. Mitkow R. (ed.) (2003). The Oxford Handbook of Computational Linguistics. Ritchie C. and Mellish C. (2000). Techniques in Natural Language Processing.
Slides, handouts and papers downloadable from the course web site.
students not attending the lessons

Codice insegnamento 91258

SIMULAZIONE DI SISTEMI 1° anno · 1° semestre · 6 CFU · INF/01 · 0 file

Al termine del corso, lo studente conosce le metodologie e gli strumenti per progettare, realizzare e convalidare modelli di simulazione per l'analisi e la valutazione di sistemi di elaborazione e comunicazione, e per…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, lo studente conosce le metodologie e gli strumenti per progettare, realizzare e convalidare modelli di simulazione per l'analisi e la valutazione di sistemi di elaborazione e comunicazione, e per l'analisi di sistemi sociali. È in grado di progettare, realizzare e convalidare modelli di simulazione per l'analisi e la valutazione di sistemi complessi.

Programma

1. Classificazione dei sistemi e dei modelli;
2. Modelli analitici e modelli di simulazione;
3. Simulazione ad eventi discreti: modelli e tecniche;
4. Generazione di numeri casuali e di variabili aleatorie;
5. Progettazione e implementazione di simulatori e ambienti di simulazione;
6. Analisi statistica dei dati di input e output di simulazione;
7. Progettazione degli esperimenti di simulazione;
8. Verifica, validazione e testing dei modelli di simulazione;
9. Simulazione basata su agenti;
10. Digital Twin;
11. Analisi e valutazione di sistemi complessi;
12. Introduzione alla simulazione distribuita e parallela;

Modalità d'esame

La verifica dell'apprendimento avviene attraverso i) lo sviluppo di un progetto e, ii) una prova orale. Lo sviluppo del progetto ha lo scopo di accertare le capacità progettuali e di implementazione dello studente.La valutazione del progetto deve risultare almeno sufficiente ( i.e., deve ottenere una valutazione ≥ 18/30) per essere valida ai fini dell'esame.La prova orale, anch'essa valutata in trentesimi, consiste essenzialmente nella discussione dei risultati ottenuti nei progetti e mira a verificare l'acquisizione, da parte dello studente, delle conoscenze previste dal programma del corso. Il voto finale, espresso in trentesimi, tiene conto delle valutazione ottenente nelle prove sostenute.

Testi di riferimento

  • M. Law, W. D. Kelton. Simulation Modellino and Analysis, McGraw-Hill, 2015.
  • R. M. Fujimoto. Parallel and Distributed Simulation Systems, Wiley Interscience, 2000.
  • Jerry Banks, John S. Carson, II,Barry L. Nelson, David M. Nicol. Discrete-Event System Simulation, 5/E, Prentice Hall, 2013.
  • Christos G. Cassandras, S. Lafortune. Introduction to Discrete Events Systems, Springer, 2021.
  • Macal, C., and M. J. North. 2009. Agent-based modeling and simulation. In Proceedings of the 2009 Winter Simulation Conference, ed. M. D. Rossetti, R. R. Hill, B. Johansson, A. Dunkin, and R. G. Ingalls.
  • A. Sharma, E. Kosasih, J. Zhang, A. Brintrup, A. Calinescu. Digital Twins: State of the art theory and pratice, challenges, and open research questions. In Journal of Industrial Infromation Integration, vol 30, 2022, https://doi.org/10.1016/j.jii.2022.100383.

Codice insegnamento 37760

SISTEMI CONTEXT-AWARE 1° anno · 2° semestre · 6 CFU · INF/01 · 0 file

Al termine del corso, lo studente è in grado di progettare, sviluppare e valutare sistemi ubiqui ed applicazioni operanti su dispositivi mobili in grado di adattarsi alle caratteristiche del contesto ed alla…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, lo studente è in grado di progettare, sviluppare e valutare sistemi ubiqui ed applicazioni operanti su dispositivi mobili in grado di adattarsi alle caratteristiche del contesto ed alla posizione/mobilità dell’utente. Al termine del corso, lo studente: - conosce le basi del context-aware computing e le principali tecniche per la localizzazione di utenti/dispositivi e per il riconoscimento dell’attività; -conosce i principali modelli per la rappresentazione e manipolazione di dati di contesto; -conosce i principali middleware ed architetture software per lo sviluppo di applicazioni e servizi adattivi ed ubiqui.

Programma

Il corso affronta tematiche legate alla progettazione e realizzazione di sistemi ed applicazioni ubiqui e context-aware, resi oggi possibili dalla diffusione pervasiva di dispositivi in grado di fare sensing dell’ambiente e di elaborare i dati raccolti. Il programma del corso è suddiviso in tre blocchi principali. Nel primo blocco, vengono presentate le definizioni di “contesto” e di sistema context-aware, le architetture software di riferimento e le tipologie, soffermandosi in particolare sulla progettazione ed implementazione di sistemi location-aware ed activity-aware. Viene dedicato molto spazio alla gestione di dati spaziali, illustrando, nel dettaglio, le tecnologie per la localizzazione, visualizzazione di dati geospaziali su mappe, storage e location intelligence. Nel secondo blocco viene discusso il ciclo di vita della progettazione di sistemi context-aware distribuiti, con enfasi su approcci di mobile edge computing in cui l'allocazione del workload tiene conto della posizione attuale degli utenti/dispositivi. A tal proposito, vengono presentate tecnologie e framework di edge computing per containerizzazione del software (Docker), orchestrazione dei task (Docker Swarm e Kubernates), e migrazione dei servizi sulla base della mobilità. Infine, nel terzo blocco vengono presentate architetture di context-modelling e context-reasoning, agnostiche dal caso d'uso: viene prestata particolare attenzione a soluzioni di context reasoning basate sull'utilizzo di LLM ed agenti AI.
Segue l'elenco degli argomenti trattati nel corso:
Introduzione e definizione di contesto e di sistema context-aware
Casi d’uso di sistemi context-aware
Sistemi location-aware
Location-based services Tecnologie per la localizzazione Mapping APIs Spatial database management systems Location intelligence Privacy e dati spaziali
Sistemi activity-aware
Architetture e algoritmi per Human Activity Recognition (HAR) HAR mediante tecniche AI di apprendimento supervisionato
Architetture di mobility-aware edge computing
Definizione ed esempi di applicazione del mobile edge computing Tecniche di modularizzazione del software (mediante container Docker) Orchestrazione di servizi e workload (Docker Swarm, Kubernates) Metriche per allocazione dei task sulla base del contesto utente/dispositivo (es. posizione)
Architetture di context-modeling e context-reasoning
Context-modeling con LLM ed agentic AI

Modalità d'esame

Il corso prevede un seminario (facoltativo) ed un progetto (obbligatorio). Il seminario viene svolto durante l'ultima settimana del corso, e consiste in una presentazione di 20-30 minuti nella quale lo studente presenta un argomento di ricerca legato al programma di corso, prendendo spunto da un articolo scientifico o da un tool esistente. L'argomento del seminario può essere scelto da una lista messa a disposizione dai docenti oppure proposto dallo studente. Il seminario viene valutato su una scala di 4 valori (Insufficiente, Sufficiente, Buono, Ottimo).
Il progetto consiste nello sviluppo di un sistema software con caratteristiche di context-awareness. Come per l'argomento del seminario, la traccia del progetto viene proposta dagli studenti ed approvata dal docente, o direttamente proposta dal docente. Il progetto produce un voto in 30-esimi.
Il voto finale viene calcolato tenendo in considerazione il voto del progetto ed il giudizio ottenuto durante il seminario, in base ai seguenti vincoli:
(1) Se il seminario non è stato svolto, il voto massimo finale ottenibile è 23.
(2) Se il seminario è stato svolto, con giudizio Sufficiente, il voto massimo finale ottenibile è 25.
(3) Se il seminario è stato svolto, con giudizio Buono, il voto massimo finale ottenibile è 28.
(4) Se il seminario è stato svolto, con giudizio Ottimo, il voto massimo finale ottenibile è 30 e lode.

Testi di riferimento

Slides e dispense rese disponibili tramite Virtuale.
Letture consigliate:
Richard Ferraro, Murat Aktihanoglu, Location Aware Applications, Manning Editions Stefan Posland, Ubiquitous Computing: Smart Devices, Environments And Interactions, Wiley Edition

Codice insegnamento 84401

USABILITY & USER EXPERIENCE DESIGN 1° anno · 2° semestre · 6 CFU · INF/01 · 0 file

Al termine del corso lo studente è in grado di progettare, implementare e valutare sistemi software interattivi relativamente alle caratteristiche di praticità, esperienza, affettività, significato e valore che essi…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente è in grado di progettare, implementare e valutare sistemi software interattivi relativamente alle caratteristiche di praticità, esperienza, affettività, significato e valore che essi possono avere sull'utenza a cui sono destinati. Aspetti come facilità d'uso, utilità ed efficienza sono determinanti per una caratterizzazione positiva della esperienza d'uso di un artefatto. Lo studente saprà focalizzare l'analisi funzionale del software sulle caratteristiche e le esigenze del target di utenza, saprà dirigere il processo di sviluppo in modo da garantire un costante collegamento tra le esigenze tecniche ed implementative e le aspettative dell'utenza, e saprà verificare quanto e rispetto a quali metriche un software soddisfi o meno queste aspettative.

Programma

Il corso verrà tenuto perlopiù in inglese. L'esame verrà erogato sia in italiano sia in inglese. Il programma è diviso in parti distinte:
Background: L'evoluzione della disciplina da Human Computer Interaction a User Experience Design. Una descrizione dell'ambito di operazione della disciplina: la persona, il computer, l'interazione tra i due. La analisi e la progettazione dell'usabilità: Una illustrazione delle tecniche e degli standard per la gestione di un processo di progettazione software attento alla user experience, con particolare attenzione alle fasi di analisi dell'usabilità del sistema (con e senza la partecipazione di utenti), e di progettazione basata sugli utenti e sui goal degli utenti. Linee guida, pattern e metodi per la progettazione della user experience: Una discussione, anche storica, dei principi di fondo su cui si basa la concreta progettazione di software in cui l'usabilità ha un ruolo importante. Si farà anche particolare attenzione al problema dell'usabilità sul web e dei sistemi mobili. Applicazioni dello User Experience Design a sistemi complessi (ad esempio sistemi di Intelligenza Artificiale): breve modulo riservato agli studenti della magistrale in Artificial Intelligence e facoltativo per gli altri.
Gli studenti con disturbi specifici dell’apprendimento (DSA) o disabilità temporanee/permanenti sono invitati a contattare tempestivamente l’ufficio di Ateneo competente (https://site.unibo.it/studenti-con-disabilita-e-dsa/it ) e concordare con il docente le strategie più efficaci per seguire le lezioni e prepararsi all’esame.

Modalità d'esame

La verifica è basata sulla valutazione di progetti da realizzare individualmente o in gruppi di 2-3 e di un test scritto a fine corso. Gli studenti stranieri possono, se lo desiderano, chiedere al docente un progetto personalizzato per i loro interessi e le loro esigenze.
Il voto è espresso in trentesimi.
Gli studenti con disturbi specifici dell’apprendimento (DSA) o disabilità temporanee/permanenti sono invitati a contattare preventivamente l’ufficio di Ateneo competente (https://site.unibo.it/studenti-con-disabilita-e-dsa/it ). L’ufficio sarà responsabile della proposta di adattamenti per gli studenti interessati. Tali adattamenti dovranno essere sottoposti all’approvazione del docente almeno 15 giorni prima dell’appello d’esame. Il docente valuterà inoltre la coerenza degli adattamenti con gli obiettivi formativi dell’insegnamento.

Testi di riferimento

Parti del corso sono basate su:
Interazione uomo-macchina, Alan Dix, Janet Finlay, Gregory D. Abowd, Russell Beale. McGraw Hill ISBN: 978-8838672194 La caffettiera del masochista. Il design degli oggetti quotidiani , Donald A. Norman, Giunti Ed. ISBN: 978-8809785038 Elements of User Experience,The: User-Centered Design for the Web and Beyond, 2nd Edition, Jesse James Garrett, New Riders, 2011, ISBN: 978-0321683687

Codice insegnamento 90720

ARTIFICIAL INTELLIGENCE, BLOCKCHAIN E CRIPTOVALUTE NELLO SVILUPPO SOFTWARE 2° anno · 2° semestre · 6 CFU · INF/01 · 0 file

L'insegnamento si propone di formare gli studenti, affinché alla fine del corso: • conoscano i principali modelli cognitivi che possano spiegare come le persone sviluppano il software • siano consapevoli delle…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento si propone di formare gli studenti, affinché alla fine del corso: • conoscano i principali modelli cognitivi che possano spiegare come le persone sviluppano il software • siano consapevoli delle opportunità e dei limiti dell’applicazione degli strumenti dell’intelligenza artificiale per lo sviluppo del software • acquisiscano familiarità a come i principi di ingegneria del software possano guidare lo sviluppo di sistemi basati sull’intelligenza artificiale • padroneggino i principi del blockchain e le sue applicazioni • comprendano il ruolo e le potenzialità delle criptovalute, e le problematiche ad esse associate nello sviluppo di sistemi software • riescano costruire complessi modelli di produzione e di prodotto combinando i vari settori di punta degli odierni produttivi, con particolare rilevanza all’intelligenza artificiale, ai sistemi blockchain e alle criptovalute

Programma

Negli ultimi anni si è assistito ad un sostanziale cambio di paradigma nello sviluppo del software che ha portato a ripensare processi ed ambiti applicativi. In particolare, è emerso un rinnovato interesse per l’intelligenza artificiale, con un forte interesse all’applicazione dell’apprendimento automatico nei modelli di predizione e qualità, e nell’uso di modelli cognitivi per orientare i processi di produzione. D’altrocanto, è emerso un forte bisogno di identificare strumenti software adatti per gestire le piattaforme di analisi dati, che sono sempre più complesse e generano sistemi che in prima battuta sembrano di notevole portata ma poi sono difficili da far evolvere.

Modalità d'esame

Esame orale.

Testi di riferimento

Materiale presentato a lezione, altri riferimenti comunicati dal docente.

Codice insegnamento B1459

BUSINESS INTELLIGENCE 2° anno · 6 CFU · SECS-S/03 · 0 file

The students is expert in the design, implementation and information systems management for intelligence of decisions that melt on the management knowledge of analytical nature. The second part (30 hours) of the course…

Scheda dell'insegnamento

Obiettivi formativi

The students is expert in the design, implementation and information systems management for intelligence of decisions that melt on the management knowledge of analytical nature. The second part (30 hours) of the course is developed in the computing laboratory using the system language of SAS System and SAS Enterprise Miner. At the end of the course, the student knows: - Customer relationship management (CRM) and Customer Intelligence; - Problems of evaluation of the advertising impact; - Oriented information system implementation for the analytical approach to the Business Intelligence; - Software realization for Analytical Business Intelligence projects and statistical data mining.

Programma

This course provides an applied introduction to the main techniques of market research and data analysis with a focus on their business applications. Compared to the bachelor’s course, the master version is more concise (half the hours) and emphasizes technical implementation and managerial use of results. The course covers: 1) overview of data types in market research (commercial, administrative, survey data); 2) introduction to SAS software for data management and descriptive analysis; 3) Multivariate descriptive techniques: Factor Analysis, Principal Component Analysis (PCA), Cluster Analysis; 4) analysis of categorical data: Chi-square test, Binary and Multiple Correspondence Analysis (BCA, MCA); 5) application of data analysis to psychographic segmentation in CRM contexts; 6) focus on business interpretation of results rather than predictive modelling. Structure of the course: 1. SAS software training - Hands-on training on the use of SAS for data management and statistical modeling. 2. SAS software training (continued) - Continuation of practical exercises and lab work using SAS. 3. Introduction to Statistics - Basic concepts: variables, distributions, central tendency, and variability. 4. Introduction to Statistics (continued) - Applied examples and exercises on descriptive statistics. 5. Analytical CRM - Use of data analysis to understand customer behavior and support marketing strategies. 6. Principal Component Analysis (PCA) - Dimensionality reduction technique to identify latent factors in multivariate data. 7. Clustering techniques - Unsupervised classification of individuals based on similarity measures. 8. Clustering techniques (continued) - Application of clustering methods (e.g., k- means, hierarchical) in CRM datasets. 9. Cluster description - Statistical profiling and naming of clusters based on their distinctive traits. 10. CRM-based cluster interpretation and application - Strategic interpretation of clusters for CRM, marketing segmentation, and targeting.

Modalità d'esame

The exam is an individual oral discussion of a group work. The rating scale ranges from 1 to 30 and is a continuous indicator. The oral exam consists of 3/4 questions. The starting hypothesis is that the student knows the entire exam program perfectly and that, depending on the quality of his answers, starting from 30 (maximum grade) this grade can be reduced. The laude is awarded at the discretion of the teacher if the understanding of the technical topics of the course is particularly thorough in the methodological details.
ILO 1 Apply supervised and unsupervised classification methods and multivariate analysis techniques (e.g., PCA, correspondence analysis, discriminant analysis) to derive actionable insights ILO 2 Design and implement data-driven information systems using tools like SAS System and SAS Enterprise Miner to support decision-making ILO 3 Leverage CRM strategies and Customer Intelligence to enhance client interactions and evaluate marketing impact ILO 4 Develop BI projects using programming tools like SAS, focusing on statistical modeling and survey data processing ILO5 Work in teams to design surveys, process data, and create analytical reports for real CRM projects

Testi di riferimento

Data Mining and Statistics for Decision Making, Stephane Tuffery, Wiley, March 2011
Chapters: 7, 9, 11.1-11.3, 11.6
SAS ProgrammingThe One-Day Course - Neil Spencer Chapman and Hall/CRC 2003Print ISBN: 978-1-58488-409-5eBook ISBN: 978-0-203-49928-3

Codice insegnamento 81613

CRYPTOGRAPHY 2° anno · 1° semestre · 6 CFU · INF/01 · 0 file

Al termine del corso, lo studente conosce i fondamenti della crittografia computazionale e le tecniche per l'analisi della sicurezza dei protocolli di comunicazione. È in grado di verificare l'assenza di crepe nel flusso…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, lo studente conosce i fondamenti della crittografia computazionale e le tecniche per l'analisi della sicurezza dei protocolli di comunicazione. È in grado di verificare l'assenza di crepe nel flusso dell'informazione o l'assenza di attacchi crittografici per semplici protocolli.

Programma

Questo corso tratta di alcuni risultati fondamentali della crittografia moderna e di alcune tecniche per la verifica formale dei protocolli crittografici. Oltre a molti concetti nuovi, si discutono alcune tecniche crittografiche già note dai corsi di laurea triennali, studiandone le proprietà più interessanti. L'enfasi principale di questo corso è sugli aspetti teorici della crittografia: si cerca di dare alla sicurezza informatica uno status scientifico chiaro e preciso, in modo da dare allo studente gli strumenti atti avalutare(e non solo autilizzare) le tecniche crittografiche. In altre parole, ci si concentra molto sul"perché"mettendo magari in secondo piano il"come". Più nello specifico, si cercherà di dare risposta a domande come le seguenti: quando una tecnica crittografica si può dire sicura? E' possibile dimostrare formalmente che una tecnica crittografica è sicura? E' possibile analizzare la sicurezza di un protocollo crittografico in modo automatico o semiautomatico?
Gli argomenti trattati includono la sicurezza perfetta, la pseudocasualità, i cifrari a chiave pubblica e privata e il modello simbolico.

Modalità d'esame

È prevista un'unica modalità di esame: una prova orale sull'intero programma del corso, preceduta da una brevissima prova scritta composta da cinque domande a scelta multipla. La prova scritta non contribuisce alla determinazione del voto finale, ma ha esclusivamente lo scopo di verificare che lo studente possieda le conoscenze di base necessarie per sostenere la prova orale.

Testi di riferimento

[1] J. Katz and Y. Lindell. Introduction to Modern Cryptography. Chapman & Hall, 2007. [2] O. Goldreich. Foundations of Cryptography I: Basic Tools. Cambridge University Press, 2001. [3] O. Goldreich. Foundations of Cryptography II: Basic Applications. Cambridge University Press, 2004. [4] D. R. Stinson. Cryptography: theory and practice. Chapman & Hall, Third Edition, 2006. [5] J. A. Buchmann. Introduction to Cryptography. Springer, Second Edition, 2004. [6] M. Abadi. Security Protocols: Principles and Calculi. Foundations of Security Analysis and Design IV, FOSAD 2006/2007 Tutorial Lectures, Springer-Verlag (2007), 1-23. [7] M. Abadi and P. Rogaway. Reconciling Two Views of Cryptography. Journal of Cryptology 15(2), 103-127 (2002). [8] B. Blanchet. An Efficient Cryptographic Protocol Verifier Based on Prolog Rules. 14th IEEE Computer Security Foundations Workshop (CSFW-14), pages 82-96, Cape Breton, Nova Scotia, Canada, June 2001. IEEE Computer Society. [9] B. Blanchet. ProVerif. Automatic Cryptographic Protocol Verifier. User Manual.

Codice insegnamento 93467

CYBERSECURITY 2° anno · 1° semestre · 6 CFU · INF/01 · 0 file

In un modo digitale, tutte le attività e servizi risultano essere vulnerabili ad attacchi informatici. Alla fine del corso gli studenti saranno capaci di riconoscere e valutare le minacce informatiche più pericolose…

Scheda dell'insegnamento

Obiettivi formativi

In un modo digitale, tutte le attività e servizi risultano essere vulnerabili ad attacchi informatici. Alla fine del corso gli studenti saranno capaci di riconoscere e valutare le minacce informatiche più pericolose per la società e per specifiche organizzazioni ed imprese. Inoltre, saranno in grado di progettare e realizzare sistemi sicuri adottando le strategie e tecnologie difensive più moderne che saranno discusse in aula e sperimentate tramite attività di laboratorio.

Programma

Cyber scenario Cybersecurity goals: security and availability of information and services
Defensive and Offensive security
Analysis of cyber threats: actors and motivations (Too many) vulnerability human and technological issues A top-down approach to cybersecurity Cyber risk management Qualitative and quantitative evaluation Strategie, policitiche e tecnologie Assessment e validation Cyber threat intelligence Modern approaches: AI for cybersecurity, Zero Trust, Deception

Modalità d'esame

The students can choose between two alternatives. (1) Oral exam that includes the analysis of a networked system and its services, discussion about cybersecurity issues, presentation of possible solutions. (2) Project (max 3 students), presentation of the results and discussion. The students interested to the option (2) must agree on the topic of the group project with the teacher before the end of November 2025 and complete the assessment in the first exam session (by the end of February 2026).
The students interested to the option (1) can take the exam whenever they want.
cum laude

Testi di riferimento

Slides, teacher's notes, book chapters, scientific articles and online resources indicated on the course website (virtuale.unibo.it).

Codice insegnamento 93470

DEEP LEARNING 2° anno · 1° semestre · 6 CFU · INF/01 · 0 file

L'insegnamento è incentrato su tecniche avanzate di Machine Learning, con particolare attenzione all'area del Deep Learning. Al termine dell'attività formativa, lo studente comprende le idee fondamentali, gli sviluppi…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento è incentrato su tecniche avanzate di Machine Learning, con particolare attenzione all'area del Deep Learning. Al termine dell'attività formativa, lo studente comprende le idee fondamentali, gli sviluppi recenti e le applicazioni potenziali dei sistemi neurali (artificiali) profondi. Lo studente apprende tecniche supervisionate e non supervisionate, architetture neurali di base, metodi per visualizzare e interpretare il comportamento dei modelli, tecniche antagoniste e generative, apprendimento per rinforzo e reti ricorrenti. Lo studente è capace di utilizzare tali tecnologie per la risoluzione di problemi di classificazione e interpretazione dei dati in domini applicativi concreti, tra cui computer vision e elaborazione del linguaggio naturale

Programma

Il corso comincia con una introduzione alle Reti Neurali e al Deep Learning, e al loro tipico meccanismo di addestramento: l'algoritmo di backpropagation.
Si discuteranno i principali tipi di reti neurali: feed forward, convoluzionali e ricorrenti, fornendo esempi concreti e discutendo architetture che si sono dimostrate utili per elaborazione di immagini, localizzazione, segmentazione, trasferimento di stile, elaborazione del testo e molti altre applicazioni.
Investigheremo tecniche per la visualizzazione del comportamento delle unita' neurali nascoste (tematica collegata a deep dreams e inceptionism), tecniche per ingannare le reti neural, e moderne tecniche generative tra cui i recenti diffusion models.
La parte finale del corso sara' destinata ad una introduzione al Deep Reinforcement Learning, con particolare attenzione alla progettazione di agenti per video giochi, guida autonoma, ed ad altre situazioni che richiedono comportamenti intelligenti complessi e adattivi.
Prerequisiti
Si presuppongono conoscenze di:
machine learning analisi algebra pyhton

Modalità d'esame

Progetto individuale su tracce definite dal docente.
Il voto può essere integrato mediante un esame orale opzionale.
Questa modalita' di verifica puo essere soggetta a cambiamenti in conseguenza del numero degli sudenti iscritti.

Testi di riferimento

Letture suggerite:
Dive into Deep Learning
I.Goodfellow, Y.Bengio, A.Courville. Deep Learning. MIT Press.
Altri puntatori a material on line saranno forniti ad ogni lezione, in aggiunta alle slides del corso.

Codice insegnamento 91250

DIGITAL TWIN 2° anno · 2° semestre · 6 CFU · INF/01 · 0 file

Al termine del corso, lo studente è in grado di costruire un Digital Twin di entità reali ed è in grado di comprendere i processi di scambio dei dati fra l'entità reale e il suo gemello digitale e le ripercussioni sui…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, lo studente è in grado di costruire un Digital Twin di entità reali ed è in grado di comprendere i processi di scambio dei dati fra l'entità reale e il suo gemello digitale e le ripercussioni sui loro comportamenti. Durante il corso, lo studente prenderà familiarità con le basi dell'analisi dei dati tramite modelli matematici e apprendimento automatico. Prenderà inoltre confidenza con i metodi di acquisizione e processazione dei dati da scenari reali complessi tramite metodologie come il Mobile Crowdsensing e il Federated Learning. Lo studente imparerà ad applicare modelli digitali di oggetti, processi o sistemi reali, fondendo sinergicamente approcci simulativi a approcci data-driven. Le applicazioni contemplate vanno dal monitoraggio (dashboard e rendering) a strumenti di modellazione a supporto (decision support, design support, what-if analysis) di progettazione, conduzione e gestione di sistemi complessi. Il corso illustrerà aspetti tecnici, tecnologici e applicativi, mettendo in evidenza l'uso dei gemelli digitali in vari ambiti come il monitoraggio, la gestione delle risorse, la produzione nell'ingegneria e nell'industria e le smart cities.

Programma

Introduzione ai Digital Twin e multidisciplinarità La pipeline dei dati nell'Internet of Things Modellazione fisica (Physics-based Modeling) Simulazione a eventi discreti Assimilazione dei dati e gestione dell'incertezza Analisi di serie temporali Physics-Informed Machine Learning Anomaly Detection Processi decisionali Reinforcement Learning

Modalità d'esame

L'esame prevede la realizzazione di un progetto (individuale oppure in gruppi di due studenti) consistente nello sviluppo di un Digital Twin. Gli studenti dovranno individuare e proporre un proprio caso di studio, appartenente a qualsiasi dominio applicativo (ad esempio manifattura, agricoltura, smart cities o altri contesti analoghi), utilizzando dati aperti, simulatori validati oppure sensori installati su un sistema reale come riferimento (ground truth).
Prima dell'avvio dello sviluppo, il progetto dovrà essere concordato con il docente, preferibilmente mediante l'invio di una e-mail contenente una descrizione dettagliata della proposta.
Entro la scadenza prevista, gli studenti dovranno consegnare il codice sorgente del progetto (oppure un collegamento a un sistema di versionamento, ad esempio GitHub); una relazione tecnica in formato PDF contenente la descrizione del funzionamento del Digital Twin, corredata da schermate illustrative, dalle principali scelte progettuali e dai riferimenti ai materiali utilizzati, al codice sviluppato e alla documentazione consultata.
Sono normalmente previste sei scadenze annuali per la consegna dei progetti: giugno, luglio, settembre, novembre, gennaio e febbraio. I progetti dovranno essere consegnati entro le scadenze indicate (comunicate tramite la mailing list del corso e pubblicate sulla piattaforma VIRTUALE), esclusivamente mediante caricamento della relazione e del collegamento all'implementazione sulla piattaforma VIRTUALE.
Successivamente alla consegna, gli studenti saranno normalmente convocati per la prova orale entro una o due settimane dalla scadenza prevista. La data dell'esame verrà pubblicata con anticipo su AlmaEsami e comunicata attraverso il newsgroup del corso. L'esame si svolgerà in presenza e consisterà nella discussione delle scelte progettuali adottate per il Digital Twin sviluppato, accompagnata da domande sugli argomenti trattati durante il corso, al fine di verificare la preparazione teorica e metodologica. Al termine della discussione il docente proporrà un voto espresso in trentesimi. Qualora il voto finale raggiunga o superi i 30/30, potrà essere attribuita la lode.
Studenti e studentesse con DSA o disabilità temporanee o permanenti: si raccomanda di contattare per tempo l’ufficio di Ateneo responsabile (https://site.unibo.it/studenti-con-disabilita-e-dsa/it); sarà sua cura proporre agli studenti e alle studentesse interessati/e eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all’approvazione del/della docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell’insegnamento.
Per quanto riguarda la verifica dell’apprendimento, è consentito un uso limitato, dichiarato e non sostanziale dell’IA per attività di supporto (sintesi, riformulazioni). Non è permesso l’uso sostanziale per lo svolgimento di parti della prova.

Testi di riferimento

Walid M. Taha, Abd-Elhamid M. Taha, Johan Thunberg, Cyber-Physical Systems: A Model-Based Approach. Steven L. Brunton, J. Nathan Kutz, Data-Driven Science and Engineering: Machine Learning, Dynamical Systems, and Control. Articoli scientifici fondamentali online.

Codice insegnamento B9133

DISTRIBUTED SOFTWARE SYSTEMS 2° anno · 1° semestre · 6 CFU · INF/01 · 0 file

Il corso presenta le principali tecnologie attualmente usate per sviluppare sistemi software distribuiti. Inizialmente si introducono i principi fondamentali dei sistemi distribuiti e successivamente si discutono le…

Scheda dell'insegnamento

Obiettivi formativi

Il corso presenta le principali tecnologie attualmente usate per sviluppare sistemi software distribuiti. Inizialmente si introducono i principi fondamentali dei sistemi distribuiti e successivamente si discutono le tecnologia middleware che mettono a disposizione piattaforme per la programmazione distribuita. Questo materiale introduttivo è seguito dalla descrizione delle principali architetture per la realizzazione di sistemi distribuiti, incluse quelle per implementare applicazioni basate su servizi in ambiente cloud. Alla fine del corso lo studente saprà selezionare la piattaforma middleware appropriata per un dato problema, e sarà in grado di applicare le tecnologie presentate per risolvere casi di studio pratici. L'esame consisterà di 1) una presentazione preliminare di un articolo di ricerca scelto dallo studente e di 2) un progetto finale assegnato dal docente.

Programma

Il corso è in inglese. Si veda la versione inglese

Modalità d'esame

Il corso è in inglese. Si veda la versione inglese

Codice insegnamento 93468

EMERGING PROGRAMMING PARADIGMS 2° anno · 2° semestre · 6 CFU · INF/01 · 0 file

Negli ultimi anni, anche a seguito dell'avvento dei processori multicore e della necessità di trovare linguaggi di programmazione che ne semplifichino lo sfruttamento, si osserva un rinnovato fermento riguardo allo…

Scheda dell'insegnamento

Obiettivi formativi

Negli ultimi anni, anche a seguito dell'avvento dei processori multicore e della necessità di trovare linguaggi di programmazione che ne semplifichino lo sfruttamento, si osserva un rinnovato fermento riguardo allo sviluppo di nuovi linguaggi di programmazione. Go, Scala, Erlang, Clojure, Rust sono alcuni esempi di linguaggi che stanno attirando l'interesse della comunità industriale e che attingono sia da nuovi paradigmi di programmazione, sia da paradigmi più tradizionali, ma precedentemente di nicchia, che stanno aumentando la loro visibilità. Al termine del corso lo studente sarà a conoscenza dei principali paradigmi emergenti, sapendone valutare criticamente vantaggi e svantaggi, e avrà acquisito nuove competenze di programmazione.

Programma

L’insegnamento presenta diversi linguaggi di programmazione mettendo in risalto i princìpi, le peculiarità, le caratteristiche che ne costituiscono punti di forza, e gli aspetti implementativi interessanti. Un tema portante e comune a tutti gli argomenti affrontati riguarda il ruolo dei tipi nel concepire e utilizzare costrutti e forme di programmazione che consentano la scrittura di codice robusto, facilmente componibile e con garanzie di correttezza. Gli argomenti affrontati comprendono:
Programmazione orientata agli oggetti senza classi Limiti del paradigma di programmazione a oggetti Trait in Go e in Rust, classi di tipo in Haskell Caso di studio: testing di codice con QuickCheck Approcci composizionali alla programmazione con effetti collaterali Origine delle monadi e monadi classiche (computazioni parziali, stato, I/O) Trasformazioni di monadi Casi di studio: parsing non deterministico, programmazione concorrente con Software Transactional Memory Programmazione certificata Dai tipi parametrici ai tipi dipendenti Casi di studio: programmazione certificata su numeri, liste, vettori dimensionati

Modalità d'esame

L'esame è costituito da una prova scritta che si svolge individualmente su carta o al calcolatore il giorno dell’esame senza l’ausilio di manuali, materiale didattico o appunti personali. La prova comprende domande aperte ed esercizi di programmazione nei linguaggi presentati.
La prova è valutata con un punteggio da 0 a 31 ed è ritenuta sufficiente se il punteggio è almeno 18.
In caso di svolgimento dell’esame in laboratorio, si richiede lo svolgimento in modalità e-learning da parte di tutti gli studenti dei moduli 1 e 2 del corso di sicurezza.
Per questo esame l’uso dell’IA è vietato e ogni suo utilizzo costituisce violazione dell’integrità accademica.

Testi di riferimento

Il docente fornirà i lucidi e programmi presentati a lezione nonché puntatori ad articoli, manuali e altro materiale disponibile on-line.

Codice insegnamento 81672

HUMAN DATA SCIENCE 2° anno · 2° semestre · 6 CFU · INF/01 · 0 file

Il Corso propone prospettive umano-centriche come approccio innovativo per analizzare, valutare e comprendere modelli decisionali basati sul machine learning (ML). Al termine del corso, obiettivo didattico da…

Scheda dell'insegnamento

Obiettivi formativi

Il Corso propone prospettive umano-centriche come approccio innovativo per analizzare, valutare e comprendere modelli decisionali basati sul machine learning (ML). Al termine del corso, obiettivo didattico da perseguire è mettere il discente nella condizione di comprendere che interpretazioni puramente computazionali di modelli di ML potrebbero rivelarsi insufficienti e/o non accettate dalle persone. Viceversa, una riflessione sul ruolo e la qualità delle informazioni e una valorizzazione della relazione persone-dati-algoritmi possono portare alla realizzazione di modelli di ML più efficaci, più comprensibili e più accettabili sul piano umano. Sarà evidenziato, in particolare, come la prospettiva di una disciplina del Data Science, attenta alle esigenze delle persone, possa essere perseguita evitando di porre scarsa attenzione sulla qualità dei dati, sul significato profondo del loro uso, e sul coinvolgimento della componente di competenze umane.

Programma

La Human Data Science integra metodologie di data science con i progressi nella comprensione del comportamento umano e nel perfezionamento degli algoritmi, finalizzandoli al progresso dell'ecosistema conoscitivo e all'ottimizzazione dei processi decisionali, rendendoli più rigorosi e informati. In definitiva, la Human Data Science non indaga solo il modo in cui i modelli apprendono dai dati, ma anche se i dati disponibili siano epistemicamente adeguati a supportare una conoscenza umana significativa e decisioni affidabili. Verranno presentati casi studio atti a illustrare quanto segue:
Inferential Modeling: Foundations of logical inference (Modus Ponens/Tollens) vs. probabilistic reasoning (Bayesian updating) to model human reasoning and decision-making under uncertainty. Data reliability: Regression, Hypothesis testing, CI, sampling bias. Variance-based Analytics: Variance partitioning, reliability assessment, and data integrity as critical tools to separate signal from noise in complex human domains. Datification/Interaction: Understanding how we transform human behavior into data and the risks of misinterpretation. Predictive/Prescient Intelligence: The promises and limits of forecasting human-centric events. Data Thinking & Delusion: Navigating the data deluge, from information profusion to the critical necessity of filtering. Models for Humans and Machines: Machine learning and Deep learning architectures as cognitive augmentations rather than replacements. Human-Machine Collaboration Workflow: Designing feedback loops that maintain human agency and oversight. Human factors and ELSI: Ethical, Legal, and Social Implications of algorithm-driven decisions.

Modalità d'esame

L'esame di fine corso mira a valutare il raggiungimento degli obbiettivi didattici prefissati e in particolare a misurare se studenti/studentesse possiedano gli strumenti concettuali e tecnici per progettare e discutere dell'efficacia di sistemi, alla luce del contesto definito da human data science.
In particolare l'esame consiste in un progetto il cui svolgimento e' il seguente. Durante il corso, il docente, direttamente o tramite ospiti esterni invitati a tenere seminari, esemplifica alcuni casi di studio, la soluzione dei problemi dei quali può essere perseguita alla luce degli argomenti trattati durante il corso. Gli/le studenti/studentesse scelgono uno dei casi presentati, lo analizzano, individuano una soluzione e dopo averne discusso con il docente e la classe ne propongono uno sviluppo concreto. Quando gli/le studenti/studentesse ritengono che la soluzione individuata sia pronta per essere valutata da parte del docente ha luogo un colloquio con il docente. Il colloquio ha come fine la valutazione della soluzione proposta. Casi di studio particolari possono essere proposti da studenti/studentesse, previo accordo con il docente.
Il punteggio assegnato dipende in misura uguale da tre fattori principali: originalità della proposta, correttezza dell'esecuzione, adesione ai principi di base sviluppati durante il corso.
Per quanto riguarda studenti/sse con DSA o disabilità temporanee o permanenti: si raccomanda di contattare per tempo l’ufficio di Ateneo responsabile ( https://site.unibo.it/studenti-con-disabilita-e-dsa/it): sarà sua cura proporre agli/lle studenti/sse interessati/e eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all’approvazione del/della docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell'insegnamento.

Testi di riferimento

Il docente renderà disponibile ad ogni lezione paper e report scientifici relativi all'argomento trattato

Codice insegnamento 93469

INTERNET OF THINGS 2° anno · 2° semestre · 6 CFU · INF/01 · 0 file

Al termine del corso, lo studente conosce le principali architetture e metodologie alla base dell’Internet of Things (IoT), con particolare riferimento alle tecnologie wireless di comunicazione Machine-to-Machine…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, lo studente conosce le principali architetture e metodologie alla base dell’Internet of Things (IoT), con particolare riferimento alle tecnologie wireless di comunicazione Machine-to-Machine (M2M), ai protocolli di rete dell’IoT, alle soluzioni a supporto dell’interoperabilità software basate su approccio Web of Things, ed alle tecniche ed alla piattaforme per la gestione ed analisi dei dati di sensori. Inoltre, lo studente è in grado di progettare e implementare pipeline IoT composte da dispositivi edge in grado di fare sensing dell’ambiente, da piattaforme cloud/fog per la gestione scalabile dei dati IoT, e da software per l’analisi ed il forecasting dei dati IoT mediante tecniche statistiche e di machine learning. Saranno illustrate soluzioni per favorire l’integrazione di dati, dispositivi e piattaforme eterogenei sulla base di approcci Web of Things, e modelli emergenti di computazione (edge/distributed/cloud/…) legati all’analisi dei dati IoT. Saranno infine discussi casi d’uso emergenti ed applicazioni dell’IoT in vari domini.

Programma

Il corso introduce le tecnologie abilitanti, i linguaggi, i protocolli, le architetture software e le applicazioni legate al paradigma emergente dell’Internet of Things (IoT). Dopo una breve introduzione alle tematiche del pervasive computing ed ai suoi campi di utilizzo emergenti (Industry 4.0, domotica, intelligent transportation systems, dispositivi wearable, etc), il corso fornisce una panoramica esaustiva degli elementi abilitanti di un sistema IoT dal punto di vista delle tecnologie per la comunicazione wireless tra dispositivi, della programmazione embedded (architetture e linguaggi), delle tecniche di processamento dati. In particolare, le componenti di un tipico sistema IoT vengono illustrate seguendo un percorso data-oriented: dalla generazione e processamento dei dati su sistema embedded/microcontrollore, alla loro trasmissione all’interno di una rete WSAN/WLAN/WPAN, all'acquisizione su sistema remoto e storage, fino all'estrazione di conoscenza mediante tecniche di AI ed integrazione all’interno di un sistema edge (approcci edge AI e tinyML).
Segue un elenco sommario dei contenuti del corso:
Introduzione ai sistemi IoT: definizioni, applicazioni, tecnologie abilitanti
Componenti IoT: Comunicazione e Networking
Sensori e attuatori, elementi di progettazione di circuiti elettronici (cenni), politiche di sensing e acquisizione dati Tecnologie di comunicazione senza fili e codifiche per IoT Comunicazione Machine-to-machine (M2M) tra dispositivi: tecnologie wireless abilitanti per reti WPAN (BLE, IEEE 802.15.4, Z-Wave, etc.), WLAN e LP-WAN (LoRA, LoRaWAN) Architetture di rete e routing (6LoWPAN, RPL)
Componenti IoT: Sistemi embedded
Sistemi embedded: introduzione e pattern architetturali Approcci bare-metal e framework-oriented (es., Arduino) Approcci basati su Real Time Operating Systems (es. FREERTOS e ESP-IDF) Approcci basati su micro-interpreti (Micropython, Web Assembly) Interfacciamento del microcontrollore con sensori/attuatori mediante protocolli seriali
Componenti IoT: Acquisizione dati
Protocolli di acquisizione dati: COAP, MQTT, HTTP Web of Things ed interoperabilità
Componenti IoT: Gestione e prossamento/analisi dati
Storage e processamento di dati di sensori, Time-series e time-series database: INFLUX-DB Visualizzazione di serie temporali: esempi con tool GRAFANA Forecasting di serie-temporali con metodi statistici Forecasting di serie-temporali con techniche di AI/ML Edge AI e TinyML
Componenti IoT: Architetture IoT edge/cloud
Architetture di storage/processamento dati: approcci cloud/fog/edge computing Piattaforme IoT: AWS IoT, ThingSpeak, etc.

Modalità d'esame

Il corso prevede un seminario (facoltativo) ed un progetto (obbligatorio). Il seminario viene svolto durante l'ultima settimana del corso, e consiste in una presentazione di 20-30 minuti nella quale lo studente presenta un argomento di ricerca legato al programma di corso, prendendo spunto da un articolo scientifico o da un tool esistente. L'argomento del seminario può essere scelto da una lista messa a disposizione dai docenti oppure proposto dallo studente. Il seminario viene valutato su una scala di 4 valori (Insufficiente, Sufficiente, Buono, Ottimo).
Il progetto consiste nello sviluppo di un sistema IoT che implementi tutta la pipeline presentata a lezione (acquisizione dati da sensori, sistema embedded basato su microcontrollore, acquisizione dati su nodo edge con protocolli HTTP/CoAP/MQTT, storage dei dati con database di serie temporali, dashboard, analisi dati/forecasting di serie temporali con approcci AI/ML e di statistical learning). Come per l'argomento del seminario, la traccia del progetto viene proposta dagli studenti ed approvata dal docente, o direttamente proposta dal docente. Il progetto produce un voto in 30-esimi.
Il voto finale viene calcolato tenendo in considerazione il voto del progetto ed il giudizio ottenuto durante il seminario, in base ai seguenti vincoli:
(1) Se il seminario non è stato svolto, il voto massimo finale ottenibile è 23.
(2) Se il seminario è stato svolto, con giudizio Sufficiente, il voto massimo finale ottenibile è 25.
(3) Se il seminario è stato svolto, con giudizio Buono, il voto massimo finale ottenibile è 28.
(4) Se il seminario è stato svolto, con giudizio Ottimo, il voto massimo finale ottenibile è 30 e lode.

Testi di riferimento

Slides del docente, link a capitoli di libro, articoli scientifici ed a risorse online indicate sul sito del corso. Testo consigliato: Riccardo Melen, Vittorio Trecordi, "IoT Networking", Pearson, ISBN 8891931934, ISBN13 978-8891931931, 336 pp. (cover price 34 EUR). Altri testi sono consigliati durante il corso in base all'argomento trattato.

Codice insegnamento 81683

PREPARAZIONE PROVA FINALE ALL'ESTERO Se scegli quest’attività intendi partecipare ad un bando per la mobilità internazionale d’Ateneo (es.: Bando Tesi Estero, Erasmus+, etc.) L’individuazione dell’ente ospitante e la definizione delle attività sono da con 2° anno · 1° semestre · 18 CFU · 0 file

Al termine dell'attività all'estero, lo studente è in grado di documentarsi ed aggiornarsi autonomamente, nonché di organizzare e gestire in autonomia il proprio lavoro relativo alla prova finale

Scheda dell'insegnamento

Obiettivi formativi

Al termine dell'attività all'estero, lo studente è in grado di documentarsi ed aggiornarsi autonomamente, nonché di organizzare e gestire in autonomia il proprio lavoro relativo alla prova finale

Codice insegnamento 81355

PROVA FINALE L’attività non prevede presenze continuative né presso strutture dell’Ateneo né presso enti esterni (aziende/enti). 2° anno · 2° semestre · 24 CFU · 0 file

Al termine della prova finale, attraverso l'elaborazione di un elaborato scritto in cui viene trattato uno specifico aspetto dell'Assistenza Infermieristica, lo studente dimostra ed esprime le proprie capacità di…

Scheda dell'insegnamento

Obiettivi formativi

Al termine della prova finale, attraverso l'elaborazione di un elaborato scritto in cui viene trattato uno specifico aspetto dell'Assistenza Infermieristica, lo studente dimostra ed esprime le proprie capacità di autonomia, di elaborazione personale, di pensiero/ riflessione, di analisi e di giudizio critico. Il lavoro prodotto impegna lo studente in un lavoro di formalizzazione, progettazione e sviluppo che contribuisce al completamento della sua formazione professionale e scientifica.

Codice insegnamento 35199

PROVA FINALE L’attività non prevede presenze continuative né presso strutture dell’Ateneo né presso enti esterni (aziende/enti). 2° anno · 2° semestre · 6 CFU · 0 file
RESPONSABILITA' SOCIALE ED ETICA D'IMPRESA 2° anno · 2° semestre · 6 CFU · SECS-P/07 · 0 file

Il corso si propone di esporre le teorie principali relative al ruolo dell’impresa nella società, alle finalità assegnate alla creazione di valore e alla produzione di utile, al rapporto con i portatori di interesse e ai…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di esporre le teorie principali relative al ruolo dell’impresa nella società, alle finalità assegnate alla creazione di valore e alla produzione di utile, al rapporto con i portatori di interesse e ai principi etici che sottendono l’attività economica. Nello specifico, il corso si pone come obiettivo didattico il raggiungimento da parte degli studenti di un livello di conoscenza adeguata ad interpretare le grandi trasformazioni in essere nel rapporto tra aziende e società emerse come conseguenza dell’evoluzione della scienza e della tecnologia dell’informazione. Ad una prima parte teorica generale, segue una seconda parte caratterizzata dall’approfondimento dell’evoluzione del ruolo economico e socio-politico di grandi aziende come Google, Facebook e Amazon

Programma

Cosa è l'etica d'impresa
I dilemmi morali in economia
La teoria degli stakeholder
Il concetto di Responsabilità Sociale d'Impresa
Teorie etiche normative tradizionali
Teorie etiche normative alternative
Teorie etiche descrittive
Il management etico: Strumenti e processi
Dilemmi etici: Il rapporto con gli azionisti
Dilemmi etici: Il rapporto con i dipendenti
Dilemmi etici: Il rapporto con i consumatori
Dilemmi etici: Il rapporto con i fornitori e concorrenti
Dilemmi etici: Il rapporto con la società civile

Modalità d'esame

La verifica si basa su un esame scritto composto da:
1. domande a risposta chiusa;
2. domande a risposta aperte.
Generalmente, l'esame è composto da un numero di domande che variano da 5 a 10. Non è prevista alcuna prova orale, neppure di natura integrativa.
La valutazione della prova di esame è espressa in trentesimi.
Non sono previste prove di verifica intermedie.
Durante la prova d'esame non è consentito utilizzare appunti e non si possono mantenere in funzione computer o cellulari. Per quanto riguarda la verifica dell’apprendimento, l’uso dell’IA è vietato. Ogni utilizzo costituisce violazione dell’integrità accademica.
Per sostenere l'esame è fondamentale studiare il testo indicato come obbligatorio dal quale sono estratte le domande di esame. Gli appunti e le lezioni del docente NON sono da considerarsi sostitutive del testo obbligatorio. D'altra parte, la frequenza alle lezioni sebbene non sia obbligatoria è fortemente consigliata.
Studenti e studentesse con DSA o disabilità temporanee o permanenti: si raccomanda di contattare per tempo l’ufficio di Ateneo responsabile (https://site.unibo.it/studenti-con-disabilita-e-dsa/it); sarà sua cura proporre agli studenti e alle studentesse interessati/e eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all’approvazione del/della docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell'insegnamento.

Testi di riferimento

Testi:
Crane, A., Matten, D., Glozer, S. e L. Spence. 5° Edizione. 2019. Business Ethics. Oxford University Press.
Arnold, D. G., Beauchamp, T. L. and N. E. Bowie. (2020). Ethical Theory and Business (10th Edition). Cambridge University Press.
Materiali aggiuntivi:
Coen, D., Grant, W., e G. Wilson. 2011. The Oxford Handbook of Business and Government. Oxford University Press. Dardot, P. e C. Laval. 2016. La Nuova Ragione del Mondo. DeriveApprodi. Habermas, J. (1996). Between Facts and Norms. Cambridge, MA: MIT Press. Mitnick, B. M. 1993. Corporate Political Agency. Sage. Picketty, T. 2020. Capitale e Ideologia. La Nave di Teseo. Rasche, A., Morsing, M. e J. Moon. 2017. Corporate Social Responsibility. Cambridge University Press. Rawls, J. (1971). A Theory of Justice. Cambridge, MA: Belknap Press. Scherer, A.G., e G. Palazzo (2007). Toward a political conception of corporate responsibility: Business and society seen from a Habermasian perspective. Academy of Management Review, 32(4): 1096-1120. Zuboff, S. 2019. Il Capitalismo della Sorveglianza. LUISS University Press.

Codice insegnamento 90747

SCALABLE AND CLOUD PROGRAMMING 2° anno · 1° semestre · 6 CFU · INF/01 · 0 file

Alla fine del corso gli studenti conosceranno: - le principali problematiche relative alla realizzazione di programmi altamente paralleli e distribuiti; - uno stile di programmazione, basato su concetti tipici della…

Scheda dell'insegnamento

Obiettivi formativi

Alla fine del corso gli studenti conosceranno: - le principali problematiche relative alla realizzazione di programmi altamente paralleli e distribuiti; - uno stile di programmazione, basato su concetti tipici della programmazione funzionale e object-oriented, adatto allo sviluppo di applicazioni scalabili, ovvero che possano essere facilmente messe in esecuzione su diverse architetture di calcolo, con differenti quantità di risorse di calcolo a disposizione. In particolare, gli studenti saranno in grado di: - sviluppare una applicazione tramite il linguaggio di programmazione Scala e la piattaforma Spark che possa essere messa in esecuzione su sistemi cloud quali quelli forniti da Amazon Web Services (AWS) e Google Cloud Platform (GCP).

Programma

Analisi delle problematiche relative alla realizzazione di applicazioni altamente concorrenti e distribuite.
Tecniche di parallelizzazione e distribuzione scalabili di dati e programmi, quali il modello di programmazione MapReduce.
Approccio funzionale alla realizzazione di sistemi scalabili tramite linguaggi e framework quali Scala e Spark.
Piattaforme cloud per l’esecuzione di applicazioni scalabili quali Amazon Web Services (AWS) e Google Cloud Platform (GCP).

Modalità d'esame

Le modalità di verifica prevedono un esame scritto composto da domande aperte relative al programma del corso ed un progetto che prevede lo consegna di un sistema da sviluppare utilizzando le tecniche e le piattaforme discusse a lezione.
La valutazione finale combinerà le singole valutazioni dando peso 2/3 allo scritto e 1/3 al progetto.

Testi di riferimento

Programming in Scala (3rd edition) Martin Odersky, Lex Spoon, Bill Venners Artima Learning Concurrent Programming in Scala (2nd edition) Aleksandar Prokopec Packt Publishing Learning Spark: Lightning-Fast Big Data Analysis Holden Karau, Andy Konwinski, Patrick Wendell, Matei Zaharia O’Reilly Modifica

Codice insegnamento 81942

SOCIAL NETWORK ANALYSIS 2° anno · 1° semestre · 6 CFU · INF/01 · 0 file

L'obiettivo del corso è permettere allo studente di conosce i concetti teorici e pratici alla base della Network Analysis, per essere in grado di condurre un'indagine scientifica su reti. Ciò implica la conoscenza…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo del corso è permettere allo studente di conosce i concetti teorici e pratici alla base della Network Analysis, per essere in grado di condurre un'indagine scientifica su reti. Ciò implica la conoscenza della teoria matematica delle reti — sociali, biologiche, tecnologiche — e delle sue applicazioni per una valutazione quantitativa dei fenomeni basati sulle reti. Durante il corso, lo studente ha la possibilità di studiare applicazioni in diversi campi, come la letteratura, la storia, la medicina legale, l'informatica e la biologia. Il corso prevede sessioni pratiche in cui lo studente impara ad automatizzare la ricerca sulle reti attraverso l'uso di strumenti software per l'analisi e la visualizzazione delle reti.

Programma

The programme is the same for both attending and non-attending students:
Introduction to Network Analysis, gentle introduction to the field of network analysis and its usages in other fields of research (e.g., computer science, forensics, archeology, literature, history, science of religion, etc.). Research Design and How to Read a (Network Analysis) Research Paper: introduction to the scientific publication process, elements of research papers (on network analysis), research design, analysis of research papers. Mathematics of Networks: networks and their representation, types of networks, graph representations, paths and components, adjacency matrices and matrix representations, ways and modes, operations on Matrices. Data Collection and Data Management: network questions, data collection and reliability, data formats and transformation, algorithms and software for network analysis and visualisation. Measures and Metrics, Nodes: kinds of measures, multi-category nominal scales, ordinal and scalar measures, centrality, degree and other kinds of centrality (e.g. Google's PageRank), hubs and authorities, closeness and betweenness centrality, groups of nodes (cliques, cores, components and k-components), clustering and clustering coefficients, reciprocity and similarity, structural and other types of equivalence, homophily and types of assortative mixing. Testing Hypotheses: the role of hypotheses in the scientific method, testing hypotheses in network analysis, permutation tests, dyadic hypotheses.
Measures and Metrics, Networks: small-world effects, degree distribution, power laws and scale-free networks, visualisation and properties of power-law distributions, local-clustering coefficient, cohesion, reciprocity, transitivity and the clustering coefficient, triad census, centralisation and core-periphery indices, centrality, random graphs, means on edges and degree, degree distribution, giant and small component(s), locally tree-like networks. Network Visualisation: the importance of network visualisation, graph-layout algorithms, embedding node attributes, node filtering, visualising ego networks, embedding tie characteristics, tie strengths, visualising network change. Handling Large Networks: reducing the size of the problem, eliminating edges, pruning nodes, divide and conquer, aggregation, sampling, small-world and scale-free networks.
Students with specific learning disorders (SLD) or temporary/permanent disabilities should contact the appropriate University office (https://site.unibo.it/studenti-con-disabilita-e-dsa/en) immediately and agree with the teacher the most effective strategies for attending the lectures and preparing for the exam.

Modalità d'esame

The exam’s hand-in consists of a report: a 5000-word PDF done by a group of 3–5 students, detailing the context, the problem/motivation, the data, the measures, and the results of the project that the students performed.
The report is the artefact evaluated for the exam and it is an essential tool for the students to check that they considered and reported on all the important aspects of their project study. The clear presentation/explanation of those aspects also forms the weighted partition that guides the grading, as listed below:
context, problem(s), motivation — 20% dataset(s) and source(s), validity and reliability, applied measure/s and its/their justification, possible hypotheses and tests, results — 60% interpretation of the overall results, critique (brief) — 20%
Please, refer to the website of the teacher for a more detailed exam description.
Students with specific learning disorders (SLD) or temporary/permanent disabilities should contact the appropriate University office (https://site.unibo.it/studenti-con-disabilita-e-dsa/en ) in advance. The office will be responsible for proposing adaptations to interested students. Such adaptations must be submitted to the teacher for approval at least 15 days before the exam session. The teacher will also evaluate the adaptations regarding the training objectives of teaching.

Testi di riferimento

Lecture Notes, Research Papers, and datasets provided by the teacher.
Main references:
Newman, M. (2018). Networks. Oxford university press. Recommended chapters: 1 (+ one or more among 2, 3, 4, 5), 6, 7, 10, 11.
Borgatti, S. P., Everett, M. G., & Johnson, J. C. (2018). Analyzing social networks. Sage. Recommended chapters: 1–8.
Additional references:
Wasserman, S., & Faust, K. (1994). Social network analysis: Methods and applications (Vol. 8). Cambridge university press.
Watts, D. J. (2004). Six degrees: The science of a connected age. WW Norton & Company.
Koch, R., & Lockwood, G. (2011). Superconnect: Harnessing the power of networks and the strength of weak links. Random House Digital, Inc..
Barabasi, A. L. (2014). Linked-how Everything is Connected to Everything Else and what it Means F (pp. 1-1). Perseus Books Group.

Codice insegnamento 90730

TIROCINIO 2° anno · 1° semestre · 6 CFU · 0 file

Tramite partecipazione ad un tirocinio presso strutture interne o esterne all'Università, in Italia o all'estero, lo studente completa la propria formazione svolgendo attività pratiche in settori attinenti…

Scheda dell'insegnamento

Obiettivi formativi

Tramite partecipazione ad un tirocinio presso strutture interne o esterne all'Università, in Italia o all'estero, lo studente completa la propria formazione svolgendo attività pratiche in settori attinenti all'astrofisica e alla cosmologia, quali la divulgazione e comunicazione scientifica, le tecnologie, l'analisi dei dati, l'informatica, ecc. Nel corso di tali attività, lo studente acquisisce dimestichezza con la lingua italiana e una crescente padronanza della stessa.

Programma

Questo insegnamento permette agli studenti e alle studentesse di vivere esperienze diverse da quelle solitamente offerte dai corsi accademici. Tali esperienze possono includere tirocini presso istituti di ricerca, in particolare l'Istituto Nazionale di Astrofisica (INAF) – nello specifico l'Osservatorio di Astrofisica e Scienza dello Spazio (OAS) e l'Istituto di Radioastronomia (IRA) di Bologna. Le attività spaziano dall'analisi dei dati all'acquisizione di nuove competenze in astrofisica osservativa, numerica e/o teorica, fino alla calibrazione di strumenti e alla comunicazione scientifica. Il tirocinio richiede la presenza di un accordo attivo tra l’Università di Bologna e l’ente (altre università, ente di ricerca, azienda) in cui viene condotto.

Modalità d'esame

Il livello di preparazione dello studente sull'argomento prescelto sarà valutato dal ricercatore o docente responsabile delle attività di tirocinio attraverso interazioni quotidiane, incontri settimanali ed eventualmente una relazione scritta o presentazione PowerPoint finale (facoltativa). Le conoscenze dello studente nell'ambito di riferimento saranno valutate in base alla capacità di esporre - in modo scientificamente rigoroso e appropriato - le principali scoperte e i risultati del progetto, collocando il tutto in un contesto più ampio. Non viene attribuito nessun voto alle attività del Tirocinio ma solo un’idoneità. Si prevede altresì che lo studente/la studentessa acquisisca una certa padronanza della lingua italiana.

Testi di riferimento

La bibliografia sarà accuratamente selezionata dal tutor responsabile del tirocinio, in base all'argomento prescelto.

Codice insegnamento 82287

TIROCINIO IN PREPARAZIONE DELLA PROVA FINALE Se scegli quest’attività intendi attivare un tirocinio presentando richiesta tramite SOL - Tirocini (per saperne di più vai sul sito web del tuo CdS > homepage > studiare > tirocinio prova finale). 2° anno · 1° semestre · 18 CFU · 0 file

Al termine dell'attività, lo studente possiede una conoscenza sperimentale di uno degli argomenti del corso di studi tramite un progetto software svolto internamente alle strutture universitarie con un docente di…

Scheda dell'insegnamento

Obiettivi formativi

Al termine dell'attività, lo studente possiede una conoscenza sperimentale di uno degli argomenti del corso di studi tramite un progetto software svolto internamente alle strutture universitarie con un docente di riferimento o in un'azienda esterna all'Università. È in grado di documentare un programma tramite un manuale di riferimento.

Codice insegnamento 87471

81940 INTELLIGENZA ARTIFICIALE 1° semestre · 6 CFU · INF/01 · 0 file
COMPUTATIONAL IMAGING 2° semestre · 6 CFU · MAT/08 · 0 file
LABORATORIO DI REALTA' VIRTUALE E REALTA' AUMENTATA 1° semestre · 6 CFU · INF/01 · 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.