Ecco tutti i dettagli sul corso di laurea selezionato. Sul UniDocs troverai gli appunti condivisi dagli altri studenti del tuo corso di laurea, ordinati per materia. Ricordati che per poter visualizzare il materiale devi essere registrato al sito e possedere un numero di crediti sufficiente.
Sfoglia il materiale didattico
Con UniDocs hai l'opportunità di studiare insieme a tutto il tuo corso di laurea. Guadagna subito dei crediti, carica il materiale del tuo ultimo esame! Più condividi, più tempo avrai per studiare con tutta la community!
Materie del corso
ADVANCED SOFTWARE ENGINEERING AND DEVELOPMENT1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file
Al termine del corso lo studente possiede conoscenze avanzate su tecniche e metodologie di sviluppo software. In particolare: - conosce e sa applicare le principali metodologie di software engineering, dagli approcci a…
Scheda dell'insegnamento
Obiettivi formativi
Al termine del corso lo studente possiede conoscenze avanzate su tecniche e metodologie di sviluppo software. In particolare: - conosce e sa applicare le principali metodologie di software engineering, dagli approcci a cascata a quelli agili, e gli approcci orientati al testing; - conosce e sa applicare le principali tecniche di gestione dei progetti e delle Development Operations; - conosce e sa applicare le principali tecniche di programmazione moderna, con particolare riferimento alla combinazione di programmazione ad oggetti e funzionale, e i corrispondenti pattern di design; - conosce i principali strumenti e metodologie di AI generativa per lo sviluppo del software.
Programma
Qualità del Software - regole di "clean coding" e "effective programming" - il ruolo dei pattern di progettazione - refactoring - test-driven development - test di unità vs test di integrazione Programmazione funzionale e OO - funzioni e programmazione funzionale - lambda calcolo e dichiaratività - il linguaggio Scala (layer OO, layer funzionale, typing avanzato) - pattern di progettazione avanzati Metodologie - rassegna delle methodologie di sviluppo del software - documentazione di un progetto software - il caso di SCRUM DevOps - filosofia DevOps e automazione - modelli di branching nel controllo versione e loro relazione con la metodologia di sviluppo - build systems e gestione delle dipendenze - continuous Integration AI-assisted coding - LLM, prompting e AI agents: concetti funzionali all'AI-assisted coding - vibe-coding e agenti per lo sviluppo: tassonomia, autonomia, strumenti - personalizzazione e context engineering (ruoli e skill) - casi d'uso nello sviluppo del software - antipattern e rischi dell'AI-assisted coding
Modalità d'esame
La verifica dell'apprendimento avviene attraverso un progetto, che può essere di una delle due tipologie (a scelta dello studente): 1) singolarmente, lo studente svolge una sperimentazione su aspetti avanzati del corso, su un tema indicato dal docente o scelto dallo studente; 2) a gruppi di 3 persone circa, gli studenti svilupperanno un progetto software, concordato col docente, in cui si eserciterà la capacità di programmazione e progettazione. In entrambi i casi, il progetto verrà discusso in un esame orale, in cui si analizzerà il risultato del progetto, e si faranno domande mirate sulle varie tecniche di sviluppo studiate durante il corso. Questa doppia modalità (progetto e discussione orale) permette di verificare la capacità dello studente di andare in verticale su aspetti tecnici avanzati, e anche di rimanere orizzontale sulle tematiche a largo-spettro del corso.
Testi di riferimento
Advanced OO programming techniques: "Effective Java", Third Edition, Joshua Bloch "Design Patterns: Elements of Reusable Object-Oriented Software", Erich Gamma, Richard Helm, Ralph Johnson and John Vlissides Functional languages: "Functional Programming in Scala", Paul Chiusano and Runar Bjarnason "Programming in Scala", Bill Venners, Lex Spoon, and Martin Odersky "Functional Programming Patterns in Scala and Clojure", Michael Bevilacqua-Linn "Programming Scala: Scalability = Functional Programming + Objects", Alex Payne and Dean Wampler Software Engineering: "Fundamentals of Software Engineering", Giorgio Ghezzi, Dino Mandrioli and Mehdi Jazayeri "Clean Code", Robert Cecil Martin "The Art of Agile Development", James Shore "Scrum and XP from the Trenches: How We Do Scrum", by Henrik Kniberg "Test Driven Development: By Example", Kent Beck "JUnit in Action", Second Edition, Petar Tahchiev, Felipe Leme, Vincent Massol and Gary Gregory "Testing in Scala", Daniel Hinojosa "Managing Technical Debt: Reducing Friction in Software Development", Philippe Kruchten, Robert Nord, Ipek Ozkaya
Codice insegnamento C8649
APPLICATIONS OF DIGITAL INNOVATION Composed of: EIT Summer School - (4 ECTS) & EIT lab. - (2 ECTS)1° anno · 2° semestre · 6 CFU · 0 file
Project work to foster the ability to perform a business development process by means of digital innovation and transformation in the context of a societal relevant thematic area. Understand the process to transform…
Scheda dell'insegnamento
Obiettivi formativi
Project work to foster the ability to perform a business development process by means of digital innovation and transformation in the context of a societal relevant thematic area. Understand the process to transform new innovations into viable business solutions on the commercial market as well reflect upon ethical, societal, scientific and sustainability considerations when developing new products/technologies and business models.
Codice insegnamento 96858
CONCURRENT AND DISTRIBUTED SYSTEMS (I.C.)1° anno · 2° semestre · 0 file
The course introduces the principles, methods and techniques concerning design and development of concurrent software systems. Upon completing this course, a student will know: - how to model the execution of a…
Scheda dell'insegnamento
Obiettivi formativi
The course introduces the principles, methods and techniques concerning design and development of concurrent software systems. Upon completing this course, a student will know: - how to model the execution of a concurrent software system and how to specify and verify properties - how to design concurrent software systems, in particular the main architectures and methods - how to program concurrent software systems, adopting different concurrent programming techniques and paradigms: multi-threaded programming, asynchronous and reactive programming, task-oriented programming, message-based communication models, actor-based programming - how to program concurrent distributed systems: distributed algorithms, distributed-object computing, service-oriented computing.
Programma
1) Concurrent systems - basic concepts and models - introduction - main concepts and aspects - modelling a concurrent system -- specifying liveness and safety properties in LTL -- verifying properties with model-checking - pragmatics - visual formalism - Petri Nets, Statecharts, Activity Diagrams 2) Concurrent Programming based on multi-threading - design and development of concurrent programs -- methods, architectures - interaction models and mechanisms -- shared memory --- semaphores, monitors - From threads to tasks -- handling asynchronous results - future mechanism In lab: - multi-threaded programming in Java -- basic mechanisms and libraries -- implementing monitors in Java - task-oriented framework in Java - Executors 3) Asynchronous programming models and techniques - async programming based on events and event-loop architecture -- mechanisms and design styles (Continuation Passing style (CPS), promises, asynch/await) - async programming based on Reactive Programming -- reactive extensions (Rx) In lab: - asynchronous programming in JavaScript/Nodejs and Vertx - Reactive Programming in RxJava 4) Concurrent programming based on message-passing - message passing models -- based on channels, synchronous and asynchronous -- actor model In lab: - channel-based message-passing in the Go language - actor-based programming based on Apache Pekko framework
Modalità d'esame
The assessment is an oral exam, in which we will discuss the topics of the course, starting from the material (code + documentation) developed and delivered by the student. The material consists either (alternatively) in: The solution to three practical assignments, assigned during the course. These assignments are meant to be done during the course, but this is not mandatory. They can be done in groups, from 1 to 3 members (exceptions are possible). They should be delivered 2 days before the date planned for the oral exam. The development of a single project. The project can be proposed by the student (possibly refined, by the teacher), or can be chosen from a set proposed by the teacher at the beginning of the course. The oral exam is individual, even when the material has been developed in group. The evaluation (assessment) takes into account: the level of understanding of the course topics, of main concepts and techniques; the quality of the material delivered, including correctness and completeness; the capability to describe and discuss the material, from the general idea to the details.
Testi di riferimento
Principle of Concurrent and Distributed Programming (Ben-Ari) - Addison Wesley - Java Concurrency in Practice - Brian Goetz, Doug Lea et al - Addison Wesley - Foundations of Multithreaded, Parallel, and Distributed Programming - Gregory R. Andrews - Addison-Wesley - Concurrency - State Models & Java Programs - Jeff Magee & Jeff Kramer - Wiley
The course introduces the principles, methods and techniques concerning design and development of concurrent software systems. Upon completing this course, a student will know: - how to model the execution of a…
Scheda dell'insegnamento
Obiettivi formativi
The course introduces the principles, methods and techniques concerning design and development of concurrent software systems. Upon completing this course, a student will know: - how to model the execution of a concurrent software system and how to specify and verify properties - how to design concurrent software systems, in particular the main architectures and methods - how to program concurrent software systems, adopting different concurrent programming techniques and paradigms: multi-threaded programming, asynchronous and reactive programming, task-oriented programming, message-based communication models, actor-based programming - how to program concurrent distributed systems: distributed algorithms, distributed-object computing, service-oriented computing.
Programma
1) Concurrent systems - basic concepts and models - introduction - main concepts and aspects - modelling a concurrent system -- specifying liveness and safety properties in LTL -- verifying properties with model-checking - pragmatics - visual formalism - Petri Nets, Statecharts, Activity Diagrams 2) Concurrent Programming based on multi-threading - design and development of concurrent programs -- methods, architectures - interaction models and mechanisms -- shared memory --- semaphores, monitors - From threads to tasks -- handling asynchronous results - future mechanism In lab: - multi-threaded programming in Java -- basic mechanisms and libraries -- implementing monitors in Java - task-oriented framework in Java - Executors 3) Asynchronous programming models and techniques - async programming based on events and event-loop architecture -- mechanisms and design styles (Continuation Passing style (CPS), promises, asynch/await) - async programming based on Reactive Programming -- reactive extensions (Rx) In lab: - asynchronous programming in JavaScript/Nodejs and Vertx - Reactive Programming in RxJava 4) Concurrent programming based on message-passing - message passing models -- based on channels, synchronous and asynchronous -- actor model In lab: - channel-based message-passing in the Go language - actor-based programming based on Apache Pekko framework
Modalità d'esame
The assessment is an oral exam, in which we will discuss the topics of the course, starting from the material (code + documentation) developed and delivered by the student. The material consists either (alternatively) in: The solution to three practical assignments, assigned during the course. These assignments are meant to be done during the course, but this is not mandatory. They can be done in groups, from 1 to 3 members (exceptions are possible). They should be delivered 2 days before the date planned for the oral exam. The development of a single project. The project can be proposed by the student (possibly refined, by the teacher), or can be chosen from a set proposed by the teacher at the beginning of the course. The oral exam is individual, even when the material has been developed in group. The evaluation (assessment) takes into account: the level of understanding of the course topics, of main concepts and techniques; the quality of the material delivered, including correctness and completeness; the capability to describe and discuss the material, from the general idea to the details.
Testi di riferimento
Principle of Concurrent and Distributed Programming (Ben-Ari) - Addison Wesley - Java Concurrency in Practice - Brian Goetz, Doug Lea et al - Addison Wesley - Foundations of Multithreaded, Parallel, and Distributed Programming - Gregory R. Andrews - Addison-Wesley - Concurrency - State Models & Java Programs - Jeff Magee & Jeff Kramer - Wiley
Al termine del corso lo studente conosce i principi di base della sicurezza informatica ed è in grado di individuare le principali problematiche di sicurezza dei calcolatori e delle reti. È in grado di comprendere i…
Scheda dell'insegnamento
Obiettivi formativi
Al termine del corso lo studente conosce i principi di base della sicurezza informatica ed è in grado di individuare le principali problematiche di sicurezza dei calcolatori e delle reti. È in grado di comprendere i protocolli ed i meccanismi di comunicazione utilizzati per garantire il trasferimento sicuro delle informazioni. È in grado di valutare in modo critico la sicurezza di un sistema informatico, individuando le possibili vulnerabilità e mettendo in atto tutte le contromisure necessarie per mitigare le problematiche individuate ed incrementare la robustezza del sistema. Inoltre è in grado di contribuire alla progettazione di sistemi dove la sicurezza sia un elemento essenziale e strutturale. È infine in grado di progettare ed implementare meccanismi per la messa in sicurezza di dispositivi presenti su Internet.
Programma
Sicurezza informatica, concetti di base. Minaccia, rischio, attacchi, risorse, requisiti funzionali. Brevissima introduzione ai meccanismi crittografici. Crittografia simmetrica. Crittografia a chiave pubblica. Firma digitale. Gestione delle chiavi. Meccanismi di autenticazione e relative problematiche. Controllo degli accessi. Malicious Software. Attacchi di tipo Denial-of-Service (DoS) e Distributed Denial-of-Service (DDoS). Problematiche di progettazione ed implementazione del software. Gestione della sicurezza e del rischio. Organizzazione. Analisi e valutazione del rischio. Progettazione ed implementazione di politiche per la gestione del rischio. Gestione della componente umana. Tecniche di auditing. Tecniche minimali di computer forensics e di anti-computer forensics. Tecniche per l'hardening di sistemi informatici.
Modalità d'esame
L'esame di fine corso mira a valutare il raggiungimento degli obiettivi didattici: conoscere i principali aspetti riguardanti la sicurezza informatica e delle reti (es. concetti di base e appropriatezza della terminologia); verificare la capacità critica dello studente nell'analisi di esempi realistici o tratti dal mondo reale; valutare la capacità dello studente nel proporre soluzioni concrete alle principali problematiche analizzate durante il corso. Il voto finale del corso si basa su una prova scritta (effettuata per mezzo della piattaforma EsamiOnLine) della durata di 60 minuti che consiste in 5 domande a risposta aperta su tutti gli argomenti trattati durante il corso (parti del libro di testo che sono parte del programma, dispense fornite dal docente, esercitazioni effettuate in aula e letture obbligatorie). Non è ammesso l'uso di: libri, appunti, calcolatrici, supporti informatici, sistemi di comunicazione. Per ciascuna domanda ci si attende che lo studente sia in grado di riportare in modo conciso ma appropriato l'argomento in questione e discuterlo con senso critico e capacità d'analisi adeguate ad un percorso di laurea magistrale. Per quanto riguarda la verifica dell’apprendimento, l’uso dell’IA è vietato. Ogni utilizzo costituisce violazione dell’integrità accademica. I voti vengono assegnati in base a una valutazione complessiva delle conoscenze, competenze, capacità di presentazione e discussione delle tematiche trattate. Gli intervalli dei voti possono essere descritti come segue: 18-23: preparazione e capacità di analisi sufficienti ma relative ad un numero limitato di argomenti affrontati nel corso, utilizzo di un linguaggio complessivamente corretto; 24-27: preparazione tecnicamente adeguata ma con alcuni limiti rispetto agli argomenti trattati, capacità di analisi buone, anche se non particolarmente articolate, espresse in un linguaggio corretto; 28-30: ottima conoscenza di un ampio numero di temi affrontati nel corso, buone capacità di analisi e di critica, padronanza della terminologia specifica; 30L: conoscenza eccellente e molto approfondita ed esaustiva dei temi affrontati nel corso, capacità di analisi critica e di collegamento, padronanza della terminologia specifica. In caso di necessità, il docente può richiedere un’ulteriore discussione orale delle risposte fornite dallo studente nella prova scritta. Per sostenere la prova d'esame è necessaria l'iscrizione tramite il portale AlmaEsami, nel rispetto delle scadenze previste. Coloro che non riuscissero a iscriversi entro la data prevista, sono tenuti a comunicare tempestivamente (e comunque prima della chiusura ufficiale delle liste di iscrizione) il problema alla segreteria didattica e in copia al docente. Sarà facoltà del docente ammetterli a sostenere la prova. Una volta pubblicato il risultato della prova, ciascuno studente potrà comunicare via e-mail al docente (entro alcuni giorni) l'eventuale volontà di rifiutare il voto conseguito. Studenti/sse con DSA o disabilità temporanee o permanenti: si raccomanda di contattare per tempo l’ufficio di Ateneo responsabile: 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 materiale didattico è costituito da: libro di testo adottato; dispense in formato elettronico messe a disposizione degli studenti su Virtuale; risorse segnalate durante le lezioni (in particolare un insieme di letture obbligatorie formate da articoli di stampa e articoli scientifici). Il testo di riferimento del corso è: Computer Security: Principles and Practice, 4/E William Stallings, Lawrie Brown. Global Edition. ISBN-10: 1292220619. ISBN-13: 978-1292220611 La conoscenza di tutto il materiale didattico indicato nella lista precedente risulta essere necessaria per il superamento della prova d'esame. L'utilizzo delle sole dispense non è sufficiente a garantire una preparazione adeguata in quanto queste mirano ad integrare e sottolineare gli argomenti trattati nel libro di testo. Su Virtuale è disponibile una lista dettagliata delle parti del libro di testo che sono da considerarsi come facenti parte del programma del corso. Inoltre le risorse segnalate durante l'insegnamento (es. articoli scientifici e tecnici) e sempre indicate su Virtuale hanno lo scopo fondamentale di approfondire adeguatamente alcuni argomenti particolarmente importanti o di stretta attualità. Su Virtuale sono inoltre disponibili le risposte alle domande più frequenti sia sui contenuti didattici che sulle modalità d'esame. Gli studenti eventualmente interessati ad approfondire l'argomento CyberSecurity anche da un punto vista non tecnico possono fare riferimento al volume "Cybersicurezza: che cos'è e come funziona" (edito da Il Mulino, 2023). Nota: questo testo non è in alcun modo usato durante il corso né è necessario per l'esame.
At the end of the course, the student knows the basic principles of computer security and he/she is able to identify the main problems of computer and network security. He/she gets to understand and explain the main…
Scheda dell'insegnamento
Obiettivi formativi
At the end of the course, the student knows the basic principles of computer security and he/she is able to identify the main problems of computer and network security. He/she gets to understand and explain the main protocols and mechanisms used for securing communications and data transfer. He/she is able to perform a critical evaluation of the security of a computing infrastructure and to suggest the best countermeasures to mitigate the vulnerabilities, reduce the risk and increase the resilience to attacks. He/she is also capable of contributing to the design of systems that are secure by design and understanding the basic problems of computer forensics. Finally, he/she is able to design and contribute to the enhancement of the security of devices exposed to the Internet.
Programma
Il corso si propone di fornire agli studenti le conoscenze necessarie per comprendere la cybersecurity come disciplina strategica di governance, andando oltre gli aspetti puramente tecnici della sicurezza informatica. Verranno analizzati i principali modelli di gestione del rischio cyber, i framework internazionali, il panorama normativo europeo e nazionale e le metodologie per la progettazione, implementazione e valutazione di programmi di cybersecurity all'interno di organizzazioni pubbliche e private. Al termine del corso lo studente sarà in grado di analizzare il profilo di rischio di un'organizzazione, comprendere gli impatti organizzativi, economici e normativi degli incidenti cyber, applicare framework di riferimento per la gestione della sicurezza e contribuire alla definizione di strategie, politiche e processi di cybersecurity coerenti con gli obiettivi di business e con i requisiti normativi. Il corso affronta la cybersecurity da una prospettiva manageriale, organizzativa e strategica, analizzando il ruolo della sicurezza informatica nella governance delle organizzazioni moderne. Dopo un'introduzione allo scenario delle minacce cyber e all'evoluzione del panorama digitale, verranno presentati i principali concetti di risk management, cyber resilience e governance della sicurezza. Successivamente saranno approfonditi i principali framework e standard internazionali, tra cui il NIST Cybersecurity Framework, la serie ISO/IEC 27000, il NIST Risk Management Framework, il CIS Controls e altri modelli di riferimento utilizzati nella gestione della sicurezza. Particolare attenzione sarà dedicata al quadro normativo europeo e nazionale, con approfondimenti sulle principali direttive e regolamenti quali NIS2, Cyber Resilience Act (CRA), Cyber Solidarity Act, GDPR, DORA, AI Act e sulla Strategia Nazionale di Cybersicurezza.
Modalità d'esame
La valutazione finale tiene conto sia della partecipazione alle attività svolte durante il corso sia della verifica finale delle competenze acquisite.
Testi di riferimento
Il materiale didattico sarà costituito da slide del docente, articoli scientifici, white paper, documentazione tecnica, standard internazionali, linee guida di ENISA, NIST, CISA, Agenzia per la Cybersicurezza Nazionale (ACN), documentazione della Commissione Europea e ulteriore materiale reso disponibile attraverso il portale Virtuale. Durante il corso potranno inoltre essere discussi report tecnici e documenti pubblicati da enti istituzionali, aziende e centri di ricerca, al fine di mantenere gli argomenti costantemente aggiornati rispetto all'evoluzione del panorama cyber.
The course aims at providing students with a solid understanding of the fundamental goals, features, roles, and issues of distributed systems. It explores the underlying principles in terms of the abstractions, models,…
Scheda dell'insegnamento
Obiettivi formativi
The course aims at providing students with a solid understanding of the fundamental goals, features, roles, and issues of distributed systems. It explores the underlying principles in terms of the abstractions, models, architectures, and formalisms aimed at representing and designing distributed systems. It focuses on the main issues linked to physical distributions, such as scalability, dependability, fault tolerance, resource sharing, computation in time & space. The main theorems, algorithms, and patterns are illustrated, and connected to the most widely adopted distributed technologies and middleware, which students can test in the lab to gain hands-on experience on the main technical and practical problems of distributed systems programming and engineering.
Programma
Case Studies The CAP Theorem. Availability, Consistency, Failure in Distributed Systems The Problem of Consensus in Distributed Systems Distributed Ledger Technology. Blockchain as Middleware Representational State Transfer (ReST) Logical Clocks Simple Agents in JADE Coordination in Linda Code Mobility General Issues of Distributed Systems Why Distributed Systems? Replication & Consistency in Distributed Systems Dependability in Distributed Systems Roots of Distributed Systems. Computation in Space & Time Definitions & Goals for Distributed Systems Sorts of Distributed Systems Modelling Distributed Systems. Software & System Architectures Modelling Distributed Systems. Process Algebra Computing with Time Agents for Distributed Systems Coordination of Distributed Systems Computing with Space Technologies for Distributed Systems Infrastructural components and interaction patterns for distributed systems Tools and diagrams for distributed systems modelling Basic mechanisms for distributed systems Communication mechanisms (stream- and packet-based interaction with sockets) in Python Data presentation, serialization and deserialization: tools and technologies Anatomy of Remote Procedure Calls Case study: guided design and implementation of a distributed system from scratch
Modalità d'esame
On-campus written exam Project (optional)
Testi di riferimento
The bibliography is made available through the course web site.
At the end of the course, the student acquires the knowledge for understanding and using electronic sensors. In particular, the student learns to analyze the main issues related to sensing and to interpret data from…
Scheda dell'insegnamento
Obiettivi formativi
At the end of the course, the student acquires the knowledge for understanding and using electronic sensors. In particular, the student learns to analyze the main issues related to sensing and to interpret data from sensors for subsequent data and signal processing. Through concrete design examples, the tools are focused on the need for continuous technological development to meet the growing requirements of design in the fields of computer science and ICT infrastructure. Subsequently, the student will be able to learn the main implementation techniques of sensors by combining previous knowledge of computer systems with some concepts of electronic design that will be introduced in the course.
Programma
PART I (6 CFU) Program for: SENSORI INTELLIGENTI [Laurea Magistrale in Ingegneria Elettronica e dell'Informazione] SENSORS & NANOTECHNOLOGY [Laurea Magistrale in Biomedical Engineering] EMBEDDED SENSORS [Laurea Magistrale in Ingegneria e Scienze Informatiche] The goal of Part I is to give students fundamental know-how in sensor system design, approached from the perspective of behavioral building blocks and their technological implementation. FUNDAMENTALS · Introduction of the course, example of research. · Fundamentals on sensors. Signals and information. Sensor as an information classifier. Interface, raw data and signal processing (Machine Learning). · Basics on measurements. Characterization and operating mode. The concept of distributions and estimation. DC measurements. Digits and full-scale. Random and systematic errors. Introduction to the resolution, precision and accuracy concepts. The role of time and AC measurements. Power spectral distributions. · Ideal sensor modeling. Interface as a black-box. The quasi-static function and its limits. The concept of sensitivity. Time and space quantization, the A/D converter. Acquisition chains and gain plots. Signal bandwidth. · Recall of mathematical tools. Random signals, power and correlations. Random and ergodic processes. · Non-ideal sensor modeling. The resolution/uncertainty duality. The law of propagation of errors. · Comparing signal with noise. The concept of minimum detectable signal. The signal-to-noise ratio and the dynamic range. Systematic error modeling. · The quantization process. The concepts of number of resolution levels and effective number of bits. Relationship with Information Theory. Resolution degradation in acquisition chains. Example of designs. The role of bandwidth, oversampling and non-aliasing filters. · Feedback sensor design with examples. · Sensor trade-offs and example of design. ELECTRONIC INTERFACE DESIGN [This section is OPTIONAL and NOT REQUIRED for EMBEDDED SENSORS students] · Introduction of noise in circuit design. PSD and noise density. Thermal noise shot noise ad flicker noise. KTC noise. Superimposition of noise powers in uncorrelated signals. Equivalent noise bandwidth. Noise in OPAMPs. Resistance sensors with examples. Strain-gauges. RTDs e PRTs. Thermistors, NTC e PTC. Magnetic sensors. · Capacitive sensors. Kelvin guard ring. Charge amplifier. Differential capacitive sensing. Capacitive accelerometers. Noise in charge amplifiers. Correlated double sampling (CDS). · Lock-in e chopper sensing. Complex impedance measurements by lock-in sensing. · Introduction to optical sensors. The photodiode. Charge and voltage photodiode readout in storage mode. Passive pixel CMOS sensors (PPS) and active pixel (APS) sensors. APS with correlated doble sampling. · Sensor networks. SENSORS ECOSYSTEMS [This section is OPTIONAL and NOT REQUIRED for SENSORI ELETT. INTELLIGENTI students] · Brief overview of embedded sensor networks. I2C and SPI. · Brief overview of wireless sensor communications and networks. TOWARDS MACHINE LEARNING EMBEDDED SENSORS · The concept of predictive models. Measured vs. predicted measurements plots. · Dealing with multiple variables: scatter plots and correlation matrix in multivariate analysis. · Reduction of variables using decomposition techniques. The PCA. · Reduction to output values, introduction to the PLS technique · Example of application: embedded spectral sensors PART II (NANOTECHNOLOGY SECTION, 3 CFU) Part II is offered exclusively to students in Biomedical Engineering and is intended to introduce the physical foundations of biosensor transduction principles at the micro- and nanoscale. These concepts will then be applied in the context of protocols and instruments for biomedical laboratories. This part will also include a hands-on laboratory experience at the end of the course. · Photons, electrons and energetic interactions with matter. Fluorescence, phosphorescence and Raman scattering. Photon-electron transduction. Black body emission. Quantum efficiency and spectral sensitivity of transduction in semiconductors. Responsivity. · Basics of geometrical optics. Refraction and diffraction. Optical resolution and its limits. Optical microscope. Basics of electron microscopy. Basics of atomic force microscope (AFM). · The origin of noise. Brownian noise. Thermal noise and its derivation. Poisson processes. Shot noise and related derivation. The flicker noise and its derivation. Physical origin of flicker noise. · Introduction of biosensing principles. Ion-electron transduction. Electrical polarization of the matter. Metal-liquid interface and interfacial states. Electrical models of ion/electron interfaces and electro impedance spectroscopy. · Introduction to nanotechnology. Nanosensors: nanopores, nanotubes, nanowires, graphene, nanodots. · Lab experience on electro-impedance or Raman spectrometry.
Modalità d'esame
L’esame consiste in un colloquio orale di 40-60m su entrambi i moduli didattici. Particolarmente valutate saranno le capacitа critiche dello studente sugli argomenti del programma e nelle sue capacita’ di contestualizzare e argomentare i concetti. L'esame potra’ essere svolto in lingua italiana o inglese. In entrambi i casi saranno valutate l’appropriatezza della terminologia utilizzata dallo studente. Alle Studentesse e agli Studenti con DSA o disabilità temporanee o permanenti si raccomanda di contattare per tempo l’ufficio di Ateneo responsabile, all'indirizzo https://site.unibo.it/studenti-con-disabilita-e-dsa/it). Sarà cura dell'ufficio proporre eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all’approvazione del/la docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell'insegnamento.
Testi di riferimento
Main texbook M. Tartagni, Electronic Sensor Design Principles, Cambridge Press, 2021 ------------------------------------------------------------------------------------ Physical principles: R. Feynman et al., The Feynman Lectures on Physics, Addison Wesley, 1963 Noise in electronics: P. Gray, R. Meyer, Analysis and Design of Analog Integrated Circuits, Wiley 1993 Ion/electron interface, micro- and nano-fabrication: H. Morgan, N. Green, AC Electrokinetics: colloids and nanoparticles, RSP Press, 2001 M. Madou, Fundamentals of Microfabrication, CRC Press, 2002 Electronic interfaces: D. Johns, K. Martin, Analog Integrated Circuit Design, Wiley, 1997 B. Razavi, Design of Analog CMOS Integrated Circuits, McGraw-Hill, 2000 Machine learning and multivariate analysis: Kevin Dunn, “Process improvement using data”, [Online]. Available: https://learnche.org/pid/ K. P. Murphy, Probabilistic machine learning: an introduction. Cambridge, Massachusetts: The MIT Press, 2022.
Codice insegnamento B5722
EMBEDDED SYSTEMS AND INTERNET OF THINGS The “Embedded systems and Internet of things” course unit will be replaced by the “Intelligent robotic systems” one in the 1st year-study plan of graduate students in “Ingegneria e Scienze Informatiche – Laurea trie1° anno · 1° semestre · 6 CFU · ING-INF/05 · 0 file
The course introduces the concepts, methods and techniques concerning design and programming of embedded software, i.e. software for embedded systems, focusing in particular on an Internet of Things (IoT) perspective.…
Scheda dell'insegnamento
Obiettivi formativi
The course introduces the concepts, methods and techniques concerning design and programming of embedded software, i.e. software for embedded systems, focusing in particular on an Internet of Things (IoT) perspective. More in detail, upon completing this course a student will have: - a general background about embedded systems, including Cyber-Physical Systems and Internet-of-Things (IoT); - basic knowledge about the hardware of embedded systems, from microcontrollers to SoC (System-on-a Chip), sensors, actuators, wired/wireless communication technologies and protocols; - basic knowledge about real-time operating systems, their organisation and scheduling techniques - solid knowledge about embedded software design and programming techniques, to deal with aspects related to real-time, reactivity, concurrency, and about main models adopted for that purpose (finite state machines - time triggered and event triggered, tasks and their scheduling); - knowledge about design and programming embedded software systems for mobile and wearable computing; - basic knowledge about main aspects and issues concerning Internet of Things and the organisation and architecture of IoT systems; - the capability of developing embedded system & IoT projects, involving the design and programming of embedded software for microcontrollers or SoC based architectures, and their integration/communication with applications running on mobile devices and with services/backends on the server side.
Programma
Il corso concerne la progettazione e sviluppo di sistemi software per sistemi embedded, ovvero sistemi informatici/elettronici che interagiscono con il mondo fisico mediante sensori e attuatori, estendendone o definendone le funzionalità. Tra questi, il corso considera - in modo introduttivo - anche la programmazione di sistemi IoT (Internet of Things), considerando l’integrazione mediante la rete Internet e reti wireless a corto raggio di sistemi embedded con sistemi informatici lato server (web service) e applicazioni in esecuzione su dispositivi mobili (smartphone, tablet). Al termine del corso lo studente è in grado di sviluppare embedded software su tecnologie embedded quali microcontrollori, sistemi SoC (system-on-a-chip), integrati in rete con sistemi/applicazioni web e applicazioni mobile. Contenuti nel dettaglio
Introduzione ai sistemi embedded e Internet of Things (IoT) -- caratteristiche, tipologie, architetture e tecnologie hardware, applicazioni di riferimento -- introduzione agli aspetti elettronici di base, alla sensoristica e ai sistemi di attuazione
Tecniche di programmazione di sistemi embedded -- modelli a super-loop -- modelli a macchine a stati finiti sincrone e asincrone -- modelli a task e ad eventi -- supporti e tecniche basate su Sistemi Operativi Embedded e Real-Time
Reti di sistemi embedded e sistemi IoT (introduzione) -- modelli, architetture, protocolli di comunicazione per reti di dispositivi -- modelli a scambio di messaggi asincrono -- Framework IoT e piattaforme/middleware di supporto
Cenni su temi avanzati -- Web of Things (WoT) -- Digital Twins -- From IoT to Augmente/Mixed Reality and Back: Mirror/Augmented Worlds In laboratorio:
Arduino UNO come piattaforma a micro-controllore -- introduzione al linguaggio C++ e framework Wiring, utilizzato per implementare i programmi su Arduino - ESP32 come piattaforma SoC e FreeRTOS come sistema operativo real-time
Modalità d'esame
La verifica dell'apprendimento avviene mediante un colloquio in cui si discutono gli argomenti del corso, a partire dal materiale pratico sviluppato e consegnato dallo studente/studentessa. Tale materiale può consistere in: Le soluzioni a tre consegne, assegnate durante il corso. Le consegne riguardano piccoli progetti (codice + documentazione), focalizzati su parti del corso. Le consegne possono essere svolte sia individualmente, sia in gruppo (max 3 persone, con eventuali eccezioni). Le soluzioni devono essere consegnate entro 2 giorni la data stabilita per il colloqui. Lo sviluppo di un progetto, proposto in questo caso dallo studente/studentessa. L'esame orale è sempre individuale, anche in caso di materiale sviluppato in gruppo. La valutazione prende in considerazione come principali aspetti: il livello di comprensione raggiunto dei argomenti del corso - concetti, metodi e tecniche; la qualità del materiale consegnato (includendo correttezza e completezza); la capacità di descrivere e discutere, oltre ai contenuti del corso, anche il materiale consegnato, sia nel suo razionale generale, sia nei dettagli delle scelte fatte, anche a livello implementativo.
Testi di riferimento
An Embedded Software Primer (David E. Simon) - Addison Wesley - Programming Embedded Systems: An Introduction to Time-Oriented Programming (Vahid, Givargis, Miller) - Patterns of Time Triggered Embedded Systems (M. Pont) - Addison Wesley - Exploring Arduino: Tools and Techniques for Engineering Wizardry. J. Blum. Wiley - Design Patterns for Embedded Systems in C (B.P. Douglas) - Elsevier - The Internet of Things (S. Greengard) - MIT Press - Learning Internet of Things (P. Waher) - Packt - Building Internet of Things with The Arduino (C. Doukas) - Designing the Internet of Things (McEwen & Cassimally) - Wiley
Codice insegnamento 96859
FUNDAMENTALS OF MANAGEMENT1° anno · 1° semestre · 6 CFU · SECS-P/10 · 0 file
The goal of this course is to provide students with a framework of the core concepts of firms’ management. Through the learning of the course content, students will gain fundamental knowledge and skills for management…
Scheda dell'insegnamento
Obiettivi formativi
The goal of this course is to provide students with a framework of the core concepts of firms’ management. Through the learning of the course content, students will gain fundamental knowledge and skills for management and will develop analytical and critical thinking skills. By the end of the course students will understand the main management problems, learn about strategic decision management, and will are able to apply tools and techniques useful to support management's processes. Specifically, the learning objectives for students are: o To acquire knowledge of key principles of management and be able to critically apply this knowledge to the analysis of case studies o To understand and apply a selected management topic to a real organizational setting o To be able to discuss with others the key management principles and showing application of knowledge to case study material
Programma
In this course we will discuss essentials of management to provide foundation for understanding the challenges faced by managers and organizations. The main theories of management will be presented together with an array of core models and techniques for the implementation in an organization. The course will cover basics in management providing students with cases and example from real organizations. Specifically, the course will cover the following topics: Management, managers and management studies Strategy and Decision making Managing Change and Innovation Entrepreneurship Planning and Goal settings Structure and Design of Organizations HR management Leadership and Motivation Teams and Communication Managing operations
Codice insegnamento 79252
FUNDAMENTALS OF MANAGEMENT AND ORGANIZATION (I.C)1° anno · 1° semestre · 0 file
The goal of this course is to provide students with a framework of the core concepts of firms’ management. Through the learning of the course content, students will gain fundamental knowledge and skills for management…
Scheda dell'insegnamento
Obiettivi formativi
The goal of this course is to provide students with a framework of the core concepts of firms’ management. Through the learning of the course content, students will gain fundamental knowledge and skills for management and will develop analytical and critical thinking skills. By the end of the course students will understand the main management problems, learn about strategic decision management, and will are able to apply tools and techniques useful to support management's processes. Specifically, the learning objectives for students are: o To acquire knowledge of key principles of management and be able to critically apply this knowledge to the analysis of case studies o To understand and apply a selected management topic to a real organizational setting o To be able to discuss with others the key management principles and showing application of knowledge to case study material
Programma
In this course we will discuss essentials of management to provide foundation for understanding the challenges faced by managers and organizations. The main theories of management will be presented together with an array of core models and techniques for the implementation in an organization. The course will cover basics in management providing students with cases and example from real organizations. Specifically, the course will cover the following topics: Management, managers and management studies Strategy and Decision making Managing Change and Innovation Entrepreneurship Planning and Goal settings Structure and Design of Organizations HR management Leadership and Motivation Teams and Communication Managing operations
Codice insegnamento 95622
IDONEITA' LINGUA INGLESE B - 21° 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
INDUSTRY 4.01° anno · 2° semestre · 6 CFU · ING-INF/05 · 0 file
The general objective of this course is to provide the general conceptual and technological framework that characterise Industry 4.0, focusing in particular on Internet of Things (IoT), Industrial IoT and Computer Vision…
Scheda dell'insegnamento
Obiettivi formativi
The general objective of this course is to provide the general conceptual and technological framework that characterise Industry 4.0, focusing in particular on Internet of Things (IoT), Industrial IoT and Computer Vision and their application in digital transformation contexts. At the end of the course, a student: - has a global understanding about the big picture related to Industry 4.0 - knows the main principles, technologies and standards about Internet of Things (IoT) and Industrial IoT, integrated with contents delivered by other courses (e.g. service oriented architectures, API, web, cloud) - knows some main state-of-the art directions in this context. Examples are Web of Things, Digital Twins - knows the main application domains and concrete case studies concerning the application of IoT and Industrial IoT - knows the main topics in the field of computer vision (e.g. object detection and classification) and their applications - knows state-of-the art approaches and technologies in the context of computer vision, with reference to both classic techniques for image representation and deep learning based solutions - is able to analyse and evaluate the application of the models and technologies, as well as to build projects and prototype technologies, given a Digital Transformation context/problem - understands the technical and business vocabulary and the core topics revolving around IoT and Industry 4.0 - is able to effectively read and understand technical and specific papers and studies on IoT and Industry 4.0, to fluently discuss related topics in a technical and professional environment, and to deliver the focus information in a clear and fluent manner also laying down explicative texts.
Programma
Il corso copre i concetti fondamentali, le tecnologie, i driver, i trend e le implicazioni di Industry 4.0 e della Trasformazione Digitale in ambito industriale. Vengono affrontate le tecnologie di base dell’IoT (sensing, processing, comunicazione), le architetture industriali scalabili e gli standard di interoperabilità, l’integrazione di tecniche di AI e data analytics, nonché paradigmi avanzati come Digital Twins, Web of Things e Industry 5.0. Oltre agli aspetti tecnici, il corso analizza le implicazioni organizzative e di business della trasformazione digitale, attraverso lezioni, attività di laboratorio e un caso di studio reale. Gli studenti comprendono la storia, i driver interdisciplinari, le basi tecnologiche e lo stato attuale di Industry 4.0 e della Trasformazione Digitale industriale; sono in grado di riconoscere pattern ricorrenti, valutare modelli di business technology-driven e formulare stime ragionate sui trend futuri. Gli studenti sono in grado di ideare, progettare, implementare e presentare soluzioni e prototipi IoT nel contesto della Trasformazione Digitale, di Industry 4.0 e dell’Industrial IoT. Comprendere il concetto di resource-constrainedness nei sistemi Industry 4.0 e riconoscere metodi e approcci adeguati per sensing, identificazione, elaborazione e comunicazione in contesti a risorse limitate. Conoscere il panorama tecnologico dell’Industrial IoT, inclusi sistemi embedded, protocolli di comunicazione, gestione e rappresentazione dei dati, tecniche di AI e standard di interoperabilità. Comprendere modelli e architetture di riferimento, il concetto di Digital Twin, i principi del Web of Things e i paradigmi emergenti di Industry 5.0 e human-centered systems. Progettare e implementare prototipi funzionali di sistemi IoT end-to-end, integrando sensing, comunicazione, elaborazione dati e componenti edge/cloud. Valutare trade-off architetturali e tecnologici (es. edge vs. cloud, protocolli, standard) in scenari di Industrial IoT. Prendere decisioni informate in progetti di Trasformazione Digitale, mettendo in relazione scelte tecnologiche e esigenze di business, e comunicando in modo strutturato le soluzioni proposte. Non sono richiesti presequisiti o competenze specifiche in ambito IoT, è preferibile avere competenze di base di programmazione, sistemi distribuiti e machine learning per i laboratori.
Modalità d'esame
La valutazione si basa su una combinazione di prova scritta e lavoro progettuale, finalizzata a verificare sia le conoscenze teoriche sia le competenze applicative. Sono previste le seguenti modalità di valutazione: Prova scritta con domande aperte, volta a valutare la comprensione dei concetti fondamentali, delle architetture, degli standard e dei trade-off tecnologici nell’ambito di Industry 4.0 e dell’Industrial IoT. L’esame consiste in 8 domande, ciascuna valutata con un punteggio massimo di 4 punti. La valutazione si basa sulla completezza, chiarezza, organizzazione e sul livello di comprensione generale dei concetti trattati nel corso evidenziato nelle risposte. Il punteggio totale, con un massimo di 32 punti, viene convertito direttamente nel voto finale. I punteggi superiori a 30 punti vengono registrati con lode.
Testi di riferimento
Il materiale didattico fornito è la fonte primaria per lo studio individuale.
Codice insegnamento 95639
INGEGNERIA DEL SOFTWARE E MODELLI COMPUTAZIONALI (C.I.)1° anno · 2° semestre · 0 file
Al termine del corso lo studente conosce: - le grammatiche, la loro classificazione à la Chomsky, l'equivalenza di espressioni regolari/grammatiche con le rispettive classi di automi e il loro uso in linguistica per…
Scheda dell'insegnamento
Obiettivi formativi
Al termine del corso lo studente conosce: - le grammatiche, la loro classificazione à la Chomsky, l'equivalenza di espressioni regolari/grammatiche con le rispettive classi di automi e il loro uso in linguistica per esprimere lessico e sintassi; - gli aspetti fondamentali riguardanti la logica, i sistemi deduttivi, le logiche temporali e il loro uso per la descrizione e verifica di proprietà di sistemi concorrenti/distribuiti.
Programma
Automi e linguaggi formali: - automi a stati finiti - espressioni regolari e loro relazione con gli automi a stati finiti - grammatiche libere dal contesto e algoritmo Cocke-Younger-Kasami - automi a pila e loro relazione con le grammatiche libere dal contesto - classificazione à la Chomsky delle grammatiche Applicazioni alla linguistica formale: - grammatiche libere dal contesto probabilistiche - grammatiche regolari probabilistiche e loro relazione con automi a stati finiti probabilistici - varianti probabilistiche algoritmo Cocke-Younger-Kasami - uso di tali modelli in linguistica per esprimere lessico e sintassi Logica di base: - logica proposizionale - sistemi deduttivi (regole di inferenza) - logica dei predicati Sistemi Distribuiti e Model Checking: - sistemi di transizione per la modellazione di sistemi distribuiti/concorrenti - logiche temporali per la specifica e verifica di proprietà dei sistemi - algebre di processi (processi concorrenti a stati finiti con sincronizzazione e interleaving) - reti di Petri
Modalità d'esame
La verifica finale prevede un esame scritto, valutato con un voto in trentesimi, con due tipi di domande: - domande aventi lo scopo di verificare l'acquisizione delle competenze teoriche del corso; - esercizi aventi lo scopo di verificare la capacità di applicazione dei concetti teorici su semplici casi di studio. Per quanto riguarda la verifica dell’apprendimento, l’uso dell’IA è vietato. Ogni utilizzo costituisce violazione dell’integrità accademica.
Testi di riferimento
Hopcroft, Motwani, Ullman. "Automi, Linguaggi e Calcolabilità", terza edizione. Pearson Education Resources Italia S.R.L, 2021. AlmaStart Unibo Link (available online) Russell, Norvig. "Artificial Intelligence: A Modern Approach", 4th edition, Global Edition. Pearson International, 2022. AlmaStart Unibo Link (available online) Huth, Ryan. "Logic in Computer Science: Modelling and Reasoning about Systems", second edition. Cambridge University Press, 2004. AlmaStart Unibo Link
Codice insegnamento C8647
LINGUISTICA FORMALE E MODELLI COMPUTAZIONALI1° anno · 1° semestre · 6 CFU · INFO-01/A · 0 file
Al termine del corso lo studente conosce: - le grammatiche, la loro classificazione à la Chomsky, l'equivalenza di espressioni regolari/grammatiche con le rispettive classi di automi e il loro uso in linguistica per…
Scheda dell'insegnamento
Obiettivi formativi
Al termine del corso lo studente conosce: - le grammatiche, la loro classificazione à la Chomsky, l'equivalenza di espressioni regolari/grammatiche con le rispettive classi di automi e il loro uso in linguistica per esprimere lessico e sintassi; - gli aspetti fondamentali riguardanti la logica, i sistemi deduttivi, le logiche temporali e il loro uso per la descrizione e verifica di proprietà di sistemi concorrenti/distribuiti.
Programma
Automi e linguaggi formali: - automi a stati finiti - espressioni regolari e loro relazione con gli automi a stati finiti - grammatiche libere dal contesto e algoritmo Cocke-Younger-Kasami - automi a pila e loro relazione con le grammatiche libere dal contesto - classificazione à la Chomsky delle grammatiche Applicazioni alla linguistica formale: - grammatiche libere dal contesto probabilistiche - grammatiche regolari probabilistiche e loro relazione con automi a stati finiti probabilistici - varianti probabilistiche algoritmo Cocke-Younger-Kasami - uso di tali modelli in linguistica per esprimere lessico e sintassi Logica di base: - logica proposizionale - sistemi deduttivi (regole di inferenza) - logica dei predicati Sistemi Distribuiti e Model Checking: - sistemi di transizione per la modellazione di sistemi distribuiti/concorrenti - logiche temporali per la specifica e verifica di proprietà dei sistemi - algebre di processi (processi concorrenti a stati finiti con sincronizzazione e interleaving) - reti di Petri
Modalità d'esame
La verifica finale prevede un esame scritto, valutato con un voto in trentesimi, con due tipi di domande: - domande aventi lo scopo di verificare l'acquisizione delle competenze teoriche del corso; - esercizi aventi lo scopo di verificare la capacità di applicazione dei concetti teorici su semplici casi di studio. Per quanto riguarda la verifica dell’apprendimento, l’uso dell’IA è vietato. Ogni utilizzo costituisce violazione dell’integrità accademica.
Testi di riferimento
Hopcroft, Motwani, Ullman. "Automi, Linguaggi e Calcolabilità", terza edizione. Pearson Education Resources Italia S.R.L, 2021. AlmaStart Unibo Link (available online) Russell, Norvig. "Artificial Intelligence: A Modern Approach", 4th edition, Global Edition. Pearson International, 2022. AlmaStart Unibo Link (available online) Huth, Ryan. "Logic in Computer Science: Modelling and Reasoning about Systems", second edition. Cambridge University Press, 2004. AlmaStart Unibo Link
Al termine del corso, anche grazie a una rilevante attività di laboratorio, lo studente sarà in grado di: - progettare e valutare sistemi capaci di apprendere in modo automatico - implementare tecniche di…
Scheda dell'insegnamento
Obiettivi formativi
Al termine del corso, anche grazie a una rilevante attività di laboratorio, lo studente sarà in grado di: - progettare e valutare sistemi capaci di apprendere in modo automatico - implementare tecniche di classificazione, regressione e clustering per risolvere problemi in diversi ambiti applicativi - utilizzare reti neurali e tecniche di base in ambito deep learning
Programma
Intelligenza Artificiale e Machine Learning Apprendimento Automatico Supervisionato e Non supervisionato Classificazione e Regressione Classificatori: Bayes, k-Nearest Neighbor, Support Vector Machines, Multiclassificatori Clustering (K-means, EM) e Riduzione di Dimensionalità (PCA, DA) Neural Networks (NN) Introduzione al Deep Learning Convolutional Neural Networks (CNN) Reti Ricorrenti (RNN) Transformers e Large Language Models (LLM) Reinforcement Learning (RL)
Modalità d'esame
Esame scritto dalla durata di 90 minuti con esercizi e domande con risposta e testo libero. Esempi di esami precedenti (con correzione) sono disponibili sulla pagina web del corso. Non è possibile consultare materiale (es. dispense, libri, appunti) ma può essere usata una semplice calcolatrice (no smartphone). Il punteggio (in trentesimi) è calcolato come somma dei punteggi dei singoli esercizi e domande. Il punteggio dei singoli esercizi può essere leggermente differente a seconda della loro complessità. Se il punteggio totale raggiunto è maggiore di 30 il voto finale è 30 e lode.
Testi di riferimento
Dispense a cura del docente disponibili su Virtuale
Codice insegnamento 81610
MACHINE LEARNING E DEEP LEARNING (C.I.)1° anno · 2° semestre · 0 file
Al termine del corso, anche grazie a una rilevante attività di laboratorio, lo studente sarà in grado di: - progettare e valutare sistemi capaci di apprendere in modo automatico - implementare tecniche di…
Scheda dell'insegnamento
Obiettivi formativi
Al termine del corso, anche grazie a una rilevante attività di laboratorio, lo studente sarà in grado di: - progettare e valutare sistemi capaci di apprendere in modo automatico - implementare tecniche di classificazione, regressione e clustering per risolvere problemi in diversi ambiti applicativi - utilizzare reti neurali e tecniche di base in ambito deep learning
Programma
Intelligenza Artificiale e Machine Learning Apprendimento Automatico Supervisionato e Non supervisionato Classificazione e Regressione Classificatori: Bayes, k-Nearest Neighbor, Support Vector Machines, Multiclassificatori Clustering (K-means, EM) e Riduzione di Dimensionalità (PCA, DA) Neural Networks (NN) Introduzione al Deep Learning Convolutional Neural Networks (CNN) Reti Ricorrenti (RNN) Transformers e Large Language Models (LLM) Reinforcement Learning (RL)
Modalità d'esame
Esame scritto dalla durata di 90 minuti con esercizi e domande con risposta e testo libero. Esempi di esami precedenti (con correzione) sono disponibili sulla pagina web del corso. Non è possibile consultare materiale (es. dispense, libri, appunti) ma può essere usata una semplice calcolatrice (no smartphone). Il punteggio (in trentesimi) è calcolato come somma dei punteggi dei singoli esercizi e domande. Il punteggio dei singoli esercizi può essere leggermente differente a seconda della loro complessità. Se il punteggio totale raggiunto è maggiore di 30 il voto finale è 30 e lode.
Testi di riferimento
Dispense a cura del docente disponibili su Virtuale
Codice insegnamento C8836
MATEMATICA PER L'INTELLIGENZA ARTIFICIALE1° anno · 1° semestre · 6 CFU · 0 file
Il corso si propone di fornire agli studenti le fondamenta matematiche necessarie per lo studio dell’Intelligenza Artificiale. Saranno richiamati gli argomenti fondamentali in diversi ambiti della matematica di base…
Scheda dell'insegnamento
Obiettivi formativi
Il corso si propone di fornire agli studenti le fondamenta matematiche necessarie per lo studio dell’Intelligenza Artificiale. Saranno richiamati gli argomenti fondamentali in diversi ambiti della matematica di base quali l’algebra lineare, l’analisi matematica e la statistica. Il corso è concepito per colmare eventuali lacune nella preparazione di base e per consolidare le competenze indispensabili alla prosecuzione degli studi in insegnamenti di carattere più avanzato.
Programma
Algebra Lineare 1.Spazi vettoriali, sottospazi; combinazioni lineari e basi.2. Coordinate rispetto a una base, dimensione; operazioni tra sottospazi.3. Applicazioni lineari e loro matrici. 4.Sistemi lineari, teorema del rango e sottospazi affini.5.Cambi di base, isomorfismi e determinanti6.Autovalori, autovettori e diagonalizzazione di endomorfismi7.Forme bilineari simmetriche, prodotti scalari e ortogonalità.8.Basi ortonormali, matrici ortogonali, isometrie. Esercizi di riepilogo Analisi Matematica 1.Funzioni in più variabili: limiti e continuità.2.Derivate parziali, derivate direzionali e gradiente3.Differenziabilità, differenziale e matrice Jacobiana4.Derivate seconde, Teorema di Schwarz e matrice Hessiana5.Ottimizzazione: massimi, minimi e Teorema di Weierstrass6.Integrali multipli e densità di probabilità multivariate7.Cambiamento di variabili e trasformazioni di distribuzioni8.Esercizi di riepilogo e applicazioni. Probabilità e statistica Nozioni di base di combinatoria e di spazi di probabilità discreti. Variabili aleatorie, valore atteso e varianza. Dipendenza e indipendenza di variabili aleatorie. Spazi di probabilità continui, funzioni di ripartizione e densità. Il teorema centrale del limite. Nozioni di base di statistica inferenziale: intervalli di confidenza, test statistici.
Modalità d'esame
L'esame consiste in una prova orale volta ad accertare la capacità dello studente di saper applicare gli strumenti acquisiti durante il corso.
Codice insegnamento C8835
ORGANIZATION, TEAMS AND DIGITAL LEADERSHIP1° anno · 1° semestre · 6 CFU · SECS-P/10 · 0 file
At the end of this course students know the basics of organizations' design, how to build, manage and motivate work teams, both physically available and online. Students can make use of conceptual and computational…
Scheda dell'insegnamento
Obiettivi formativi
At the end of this course students know the basics of organizations' design, how to build, manage and motivate work teams, both physically available and online. Students can make use of conceptual and computational models to manage and understand distributed intelligence.
Programma
The course examines the main principles and practices of organizational behaviour and management, covering the following topics: Organizations Motivation Groups and teams Organizational culture Leadership Change management Lectures, classroom discussions and project activities will enable students to connect theoretical concepts with practical organizational and managerial situations.
Modalità d'esame
Assessment methods differ for attending and non-attending students. Attending students a final presentation based on an assigned project; a multiple-choice test, lasting 20 minutes, to be completed on the official examination date. Non-attending students The assessment consists of one open-ended question. Students will have 40 minutes to provide an answer of no more than one page.
Testi di riferimento
The teaching in-class materials used during the course will be made available to students on the University’s online learning platform
Codice insegnamento 96101
PARADIGMI DI PROGRAMMAZIONE E SVILUPPO1° anno · 2° semestre · 6 CFU · ING-INF/05 · 0 file
Al termine del corso lo studente possiede conoscenze specialistiche su tecniche e metodologie di sviluppo software avanzate. In particolare: - conosce le principali metodologie di software engineering, dagli approcci a…
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 possiede conoscenze specialistiche su tecniche e metodologie di sviluppo software avanzate. In particolare: - conosce le principali metodologie di software engineering, dagli approcci a cascata a quelli agili, e le sa applicare allo sviluppo di sistemi software complessi; - conosce le principali tecniche di programmazione dichiarativa, funzionale e logica; - sa applicare tecniche di programmazione e sviluppo avanzate nel contesto di linguaggi di programmazione e sistemi moderni, con particolare riferimento alla combinazione di programmazione ad oggetti e funzionale; - sa applicare pattern di progettazione avanzata nel contesto dei vari paradigmi di programmazione.
Programma
Qualità del Software regole di "clean coding" e "effective programming" il ruolo dei pattern di progettazione refactoring testing agile Programmazione funzionale funzioni e programmazione funzionale lambda calcolo il linguaggio Scala (layer OO, layer funzionale, typing avanzato) Programmazione Logica Prolog Integrazione Java-Prolog Software engineering rassegna delle methodologie di sviluppo del software documentazione di un progetto software il caso di SCRUM testing, unit testing, e test-driven development continuous integration e delivery pattern di progettazione avanzati
Modalità d'esame
La verifica dell'apprendimento avviene attraverso un progetto, che può essere di una delle due tipologie (a scelta dello studente): 1) singolarmente, lo studente svolge una sperimentazione su aspetti avanzati del corso, su un tema indicato dal docente o scelto dallo studente; 2) a gruppi di 4 persone circa, gli studenti svilupperanno un progetto software, concordato col docente, in cui si eserciterà la capacità di programmazione e progettazione. In entrambi i casi, il progetto verrà discusso in un esame orale, in cui si analizzerà il risultato del progetto, e si faranno domande mirate sulle varie tecniche di sviluppo studiate durante il corso. Questa doppia modalità (progetto e discussione orale) permette di verificare la capacità dello studente di andare in verticale su aspetti tecnici avanzati, e anche di rimanere orizzontale sulle tematiche a largo-spettro del corso.
Testi di riferimento
Advanced OO programming techniques: "Effective Java", Third Edition, Joshua Bloch "Design Patterns: Elements of Reusable Object-Oriented Software", Erich Gamma, Richard Helm, Ralph Johnson and John Vlissides Functional languages: "Functional Programming in Scala", Paul Chiusano and Runar Bjarnason "Programming in Scala", Bill Venners, Lex Spoon, and Martin Odersky "Functional Programming Patterns in Scala and Clojure", Michael Bevilacqua-Linn "Programming Scala: Scalability = Functional Programming + Objects", Alex Payne and Dean Wampler Logic languages: "The Art of Prolog", Second Edition, Leon S. Sterling and Ehud Y. Shapiro Software Engineering: "Fundamentals of Software Engineering", Giorgio Ghezzi, Dino Mandrioli and Mehdi Jazayeri "Clean Code", Robert Cecil Martin "The Art of Agile Development", James Shore "Scrum and XP from the Trenches: How We Do Scrum", by Henrik Kniberg "Test Driven Development: By Example", Kent Beck "JUnit in Action", Second Edition, Petar Tahchiev, Felipe Leme, Vincent Massol and Gary Gregory "Testing in Scala", Daniel Hinojosa "Managing Technical Debt: Reducing Friction in Software Development", Philippe Kruchten, Robert Nord, Ipek Ozkaya
Codice insegnamento 81612
PROGRAMMAZIONE CONCORRENTE E DISTRIBUITA1° anno · 2° semestre · 6 CFU · ING-INF/05 · 0 file
Al termine del corso lo studente possiede conoscenze specialistiche sulla progettazione e lo sviluppo di sistemi e applicazioni concorrenti e distribuite. In particolare: - conosce le principali tecniche di…
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 possiede conoscenze specialistiche sulla progettazione e lo sviluppo di sistemi e applicazioni concorrenti e distribuite. In particolare: - conosce le principali tecniche di modellazione e verifica di programmi/sistemi concorrenti e distribuiti; - conosce le principali architetture e pattern nella progettazione di sistemi concorrenti/distribuiti; - conosce i principali paradigmi e tecniche di programmazione concorrente, asincrona e distribuita; - sa applicare le tecniche di programmazione concorrente, asincrona e distribuita nel contesto delle tecnologie moderne di riferimento (linguaggi, piattaforme, middleware/infrastrutture)
Programma
Il corso si svolgerà nelle seguenti parti: 1 - Programmazione concorrente - modelli di base - introduzione - concetti e aspetti principali - modello a processi e memoria comune e programmazione multi-threaded -- problema sezione critica -- meccanismi e astrazioni di interazione di base: semafori, monitor - analisi comportamento e specifica/verifica di proprietà di correttezza - progettazione e sviluppo di programmi concorrenti -- formalismi visuali - Reti di Petri In Lab: - programmazione multi-threaded in Java -- meccanismi di base e supporti di libreria -- implementazione di monitor in Java 2 - Modelli e Tecniche di programmazione asincrona - Dai thread ai task - progettazione e techniche di programmazione task-oriented - Programmazione asincrona basata su architetture ad eventi e CPS -- architettura controllo event-loop, meccanismi: promise, async/await - Programmazione reattiva In Lab: - Framework task-oriented in Java - Executors - Java Virtual Threads - programmazione ad attori basata su framework Akka (Java o Scala) - programmazione asincrona in Vertx (Java) e Node (Javascript) - programmazione reattiva in RxJava 3 - Modelli e Tecniche basate su scambio di messaggi - modelli a scambio di messaggi -- modello a canali, asincrono e sincrono - modello ad attori In Lab: - programmazione a scambio di messaggi via canali usando linguaggio Go - programmazione ad attori basata su framework Akka (Java o Scala) 4 - Dalla Programmazione Concorrente alla Programmazione Distribuita - introduzione - concetti e aspetti principali - panoramica algoritmi distribuiti - richiami a distributed object computing - introduzione ai middleware message-oriented - cenni in merito a service-oriented computing e cloud computing In Lab: - programmazione distribuita ad attori basata su framework Akka (Java o Scala) - programmazione di applicazioni distribuite usando message-oriented middleware (MOM) - RabbitMQ come caso di studio - programmazione di applicazioni distribuite basate su distributed object computing come approccio - Java RMI come caso di studio
Modalità d'esame
La verifica dell'apprendimento avviene mediante: - lo svolgimento di tre consegne relativamente a programmazione multi-threaded, programmazione asincrona e programmazione ad attori/distribuita. Le consegne consistono in mini-progetti da svolgere in autonomia in laboratorio/a casa, individualmente o in gruppo, durante il corso o a fine corso, a scelta dello studente. - un colloquio orale, con domande sulla teoria e discussione delle consegne.
Testi di riferimento
Principle of Concurrent and Distributed Programming (Ben-Ari) - Addison Wesley - Java Concurrency in Practice - Brian Goetz, Doug Lea et al - Addison Wesley - Foundations of Multithreaded, Parallel, and Distributed Programming - Gregory R. Andrews - Addison-Wesley - Concurrency - State Models & Java Programs - Jeff Magee & Jeff Kramer - Wiley
Codice insegnamento 17628
SERVIZI E APPLICAZIONI WEB1° anno · 2° semestre · 6 CFU · INFO-01/A · 0 file
Al termine del corso, lo studente: - conosce principi e metodologie di progettazione di applicazioni e servizi Web, client-side e server-side; - è in grado di sviluppare siti Web basati su tecnologie Web client-side e…
Scheda dell'insegnamento
Obiettivi formativi
Al termine del corso, lo studente: - conosce principi e metodologie di progettazione di applicazioni e servizi Web, client-side e server-side; - è in grado di sviluppare siti Web basati su tecnologie Web client-side e server-side; - è in grado di sviluppare front-end basati su app e rich internet application; - è in grado di sviluppare back-end basati su servizi Web e workflow.
Programma
L'insegnamento approfondisce le architetture, i paradigmi e le tecnologie per la progettazione e lo sviluppo di applicazioni e servizi Web moderni, con particolare attenzione allo sviluppo di servizi Web, alle architetture JavaScript full-stack e ai principali solution stack adottati nello sviluppo di applicazioni distribuite. Il corso affronta gli aspetti architetturali, metodologici e tecnologici necessari per la realizzazione di applicazioni Web scalabili, modulari e manutenibili, analizzando i principali framework, pattern architetturali e strumenti di sviluppo del panorama Web contemporaneo. In particolare, il corso affronta i seguenti argomenti: Architetture e solution stack per lo sviluppo di applicazioni e servizi Web. Architettura delle piattaforme di esecuzione Web: browser, server Web, runtime JavaScript e modelli di comunicazione client-server. Pattern architetturali per lo sviluppo di applicazioni Web, con particolare riferimento ai modelli Model-View-Controller (MVC) e Model-View-ViewModel (MVVM). Il paradigma JavaScript Everywhere e il suo impatto sulla progettazione e sullo sviluppo di applicazioni Web full-stack. Architetture JavaScript full-stack e relativi solution stack, con particolare riferimento allo stack MEVN e alle principali varianti (MEAN e MERN), analizzandone i componenti tecnologici (MongoDB, Express.js, Node.js e framework front-end) e le relative modalità di integrazione. Framework JavaScript per lo sviluppo dichiarativo e component-based di applicazioni Web, con particolare riferimento a Vue.js e confronto con i principali framework e librerie del panorama attuale, quali Angular e React. Linguaggi e strumenti per lo sviluppo Web moderno, con particolare riferimento a TypeScript, Sass e SCSS.
Modalità d'esame
L'esame di fine corso mira a valutare il raggiungimento dei seguenti obiettivi formativi: comprendere le architetture, i paradigmi e le tecnologie per la progettazione e lo sviluppo di applicazioni e servizi Web moderni; acquisire competenze nella progettazione e nello sviluppo di applicazioni Web distribuite mediante framework JavaScript, solution stack full-stack e pattern architetturali; applicare metodologie e strumenti per la progettazione, lo sviluppo e l'integrazione di applicazioni e servizi Web scalabili, modulari e manutenibili. L'esame consiste nella presentazione e discussione di un elaborato progettuale sviluppato in gruppo (2 o 3 studenti per gruppo) e in una prova orale individuale. La valutazione dell'elaborato progettuale costituisce la base del voto finale, fino a un massimo di 27/30. La successiva prova orale individuale, svolta contestualmente alla discussione dell'elaborato, è finalizzata a verificare il livello di preparazione del singolo studente, la comprensione degli aspetti teorici affrontati durante il corso e il contributo individuale fornito allo sviluppo del progetto. L'esito della prova orale può determinare un incremento o una riduzione della valutazione dell'elaborato fino a un massimo di 5 punti. Per poter sostenere l'esame è necessario effettuare l'iscrizione tramite AlmaEsami. Il voto finale può essere rifiutato una sola volta.
Testi di riferimento
A causa della rapida evoluzione della materia, non esiste un libro di testo che copra tutta la disciplina. Gli studenti ricevono le slide proiettate a lezione e vengono di volta in volta guidati a risorse tipicamente gratuite e disponibili in rete per lo svolgimento del corso e l'approfondimento degli argomenti.
Codice insegnamento C8651
SISTEMI INFORMATIVI1° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file
Al termine del corso lo studente: - ha una visione approfondita sulle problematiche di gestione, organizzazione e pianificazione dei Sistemi Informativi che completano le competenze tecniche, già acquisite nel corso di…
Scheda dell'insegnamento
Obiettivi formativi
Al termine del corso lo studente: - ha una visione approfondita sulle problematiche di gestione, organizzazione e pianificazione dei Sistemi Informativi che completano le competenze tecniche, già acquisite nel corso di studi, con competenze di carattere organizzativo e manageriale. - conosce le tecniche di analisi e classificazione dei moduli di che compongono il sistema informativo aziendale - è in grado di partecipare a studi di fattibilità e a progetti di Business Process Reengineering che coinvolgano il sistema informativo aziendale - è in grado di partecipare a progetti di integrazione delle basi di dati e di master data management - acquisisce competenze pratiche sulle precedenti tematiche grazie allo svolgimento di casi di studio aziendale e alla partecipazione a seminari in aula.
Programma
Introduzione ai Sistemi Informativi Classificazione dei Sistemi Informativi Il portafoglio applicativo aziendale Sistemi CIM Sistemi ERP Sistemi CRM Metodi per la progettazione di Sistemi Informativi Risorse e processi aziendali Pianificazione del Sistema Informativo La reingegnerizzazione dei processi aziendali Lo studio di fattbilità L'analisi del rischio L'analisi costi-benefici Analisi architetturale del Sistema Informativo Il capitolato tecnico Gestione di progetti informatici Analisi e integrazione di basi di dati eterogene, Master Data Management
Modalità d'esame
L’esame di fine corso mira a valutare il raggiungimento degli obiettivi didattici. Più in dettaglio lo studente dovrebbe conoscere: - i moduli che compongono i sistemi informativi e saper discutere la loro relazione con i processi aziendali - i principi per la redazione di studi di fattibilità
la struttura dei contratti in ambito informatico e i principi per la redazione degli allegati tecnici -i principi per la realizzazione di un progetto di Business Process Reengineering -le modalità di gestione di un progetto informatico anche mediante formalismi e diagrammi
i principi dell'integrazione delle basi di dati L'esame consta di una prova orale su tutti gli argomenti trattati nel corso. Particolare rilevanza sarà data alla padronanza della terminologia e alla capacità di collegare assieme gli argomenti esposti. I voti vengono assegnati in base a una valutazione complessiva delle conoscenze, competenze, capacità di presentazione e discussione delle tematiche trattate. I range di voti corrispondono possono essere descritti come segue: 18-23: preparazione e capacità di analisi sufficienti ma relative ad un numero limitato di argomenti affrontati nel corso, utilizzo di un linguaggio complessivamente corretto; 24-27: preparazione tecnicamente adeguata ma con alcuni limiti rispetto agli argomenti trattati, capacità di analisi buone, anche se non particolarmente articolate, espresse in un linguaggio corretto; 28-30: ottima conoscenza di un ampio numero di temi affrontati nel corso, buone capacità di analisi e di critica, padronanza della terminologia specifica; 30L: conoscenza eccellente e molto approfondita ed esaustiva dei temi affrontati nel corso, capacità di analisi critica e di collegamento, padronanza della terminologia specifica.
Testi di riferimento
Bracchi, Francalanci e Motta. Sistemi Informativi d'impresa [http://www.ateneonline.it/bracchi/]. McGrawHill, 2010. Bracchi, Francalanci e Motta. Sistemi Informativi e Aziende in rete [http://www.catalogo.mcgraw-hill.it/catLibro.asp?item_id=682]. McGrawHill, 2001. Ceri, Fraternali, Bongio, Brambilla, Comai, Matera. [http://www.webml.org/webml/page2.do?ctx1=IT] McGrawHill, 2003.
Codice insegnamento 09679
ADVANCED SOFTWARE MODELLING AND DESIGN2° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file
The goal of this course is to enhance the abilities of prospective software architects and engineers to construct reliable and dependable software systems in complex scenarios (including cyber-physical systems, smart…
Scheda dell'insegnamento
Obiettivi formativi
The goal of this course is to enhance the abilities of prospective software architects and engineers to construct reliable and dependable software systems in complex scenarios (including cyber-physical systems, smart cities, and large IoT systems) and featuring AI and Generative AI both in software components (e.g., intelligent agents) and in the software development process (e.g., AI-assisted programming). The student will learn to: - model and design computational systems featuring non-determinism, stochasticity, large-scaleness, and intelligence; - adopt advanced programming language constructs, techniques and design patterns to address complex software system specifications and development; - rigorously address system requirements adopting techniques of software testing, simulation and verification; - exploit Generative AI to assist and automate the software development process in its various stages.
Programma
The course content is organised around a selected set of topics in modern software engineering, namely, focussing on the sound modelling, design, and implementation that is required due to recent trends in AI for Software Engineering (AI4SE) and Software Engineering for AI (SE4AI), including: - large-scale distributed systems - software systems featuring complex domains - software systems incorporating intelligent, autonomous, or agentic components - simulation of distributed cyber-physical systems Such topics are covered by the following didactic modules: high-level patterns of system programming in Java and Scala: DSLs, monads, effects full test-driven system development: testing coverage, TDD, Acceptance TDD and Behavioural-Driven Development, integration testing, property-based checking AI-native software engineering: intent-driven design, personalisation and adaptation of coding agents for dependable software engineering, including best practices and human-agent development patterns large-scale system modelling and validation: Petri-nets, non-determinism, networks of devices, chemical-oriented models probability and adaptiveness, and their validation: discrete-time markov chains (DTMC), continuous-time markov-chains (CTMC), self-organisation and aggregate computing decision processes and learning: markov decision processes, reinforcement learning (RL), deep RL, multiagent RL advanced AI engineering: generative AI design patterns, validation of AI agents, and engineering AI agents within structured software frameworks
Modalità d'esame
Students will develop a selection of tasks proposed in laboratory activities, or negotiated with professors. At the exam the student is expected to well present the developed activities, and to properly discuss its technical details and its connection with the other theoretical/practical parts of the course. The typical range of graduation is: [18-23] modest complexity of tasks, limited understanding of the concepts introduced in the course, limited application of those concepts to the developed tasks [24-28] reasonable complexity of tasks, good understanding of the concepts introduced in the course, good application of those concepts to the developed tasks [29-30L] very goood understanding of the concepts introduced in the course, with remarkable application to the tasks
Il corso ha l’obiettivo di fornire agli studenti una solida comprensione degli agenti intelligenti e dei sistemi multi-agente (MAS), concentrandosi sia sui fondamenti teorici sia sulle applicazioni pratiche. Si…
Scheda dell'insegnamento
Obiettivi formativi
Il corso ha l’obiettivo di fornire agli studenti una solida comprensione degli agenti intelligenti e dei sistemi multi-agente (MAS), concentrandosi sia sui fondamenti teorici sia sulle applicazioni pratiche. Si esploreranno concetti chiave come l’autonomia, le architetture basate su agenti, il ragionamento automatico, e le reti Bayesiane. Gli studenti analizzeranno inoltre paradigmi emergenti, tra cui agentic AI e gli agenti neuro-simbolici, e acquisiranno esperienza pratica con tecnologie e piattaforme per la creazione e l’implementazione di agenti intelligenti, programmazione logica inclusa. Infine, i principi, le tecnologie, e i metodi basati sugli agenti verranno utilizzati quali fondamenti per l'ingegneria dei sistemi intelligenti.
Programma
Fondamenti dell’Intelligenza Artificiale - Intelligenza e verità - Tecniche simboliche, subsimboliche e non simboliche Intelligenza Artificiale simbolica - Logica e programmazione logica / Prolog - Programmazione a vincoli / MiniZinc - Ragionamento automatico - Pianificazione automatica / STRIPS Fondamenti dell’agenzia - Intelligenza e autonomia - Logiche e architetture BDI / Jason - Ragionamento in condizioni di incertezza: ragionamento probabilistico, logica fuzzy, ragionamento bayesiano Sistemi multi-agente - Agreement technologies: comunicazione, cooperazione, coordinamento Agenti neuro-simbolici - Tecniche neuro-simboliche / SKI/SKE - XAI, agenti autoesplicativi Agenti AI - Agenti e sistemi multi-agente subsimbolici - Agenti basati sulla GenAI - Apprendimento distribuito nei sistemi multi-agente - LangGraph / AutoGen / CrewAI
Modalità d'esame
Esame scritto in aula Progetto (opzionale)
Testi di riferimento
La bibliografia è resa disponibile tramite il sito del corso.
Codice insegnamento C8654
APPLICAZIONI E SERVIZI WEB2° anno · 2° semestre · 6 CFU · ING-INF/05 · 0 file
Al termine del corso, lo studente: - conosce principi e metodologie di progettazione di applicazioni e servizi Web, client-side e server-side; - è in grado di sviluppare siti Web basati su tecnologie Web client-side e…
Scheda dell'insegnamento
Obiettivi formativi
Al termine del corso, lo studente: - conosce principi e metodologie di progettazione di applicazioni e servizi Web, client-side e server-side; - è in grado di sviluppare siti Web basati su tecnologie Web client-side e server-side; - è in grado di sviluppare front-end basati su app e rich internet application; - è in grado di sviluppare back-end basati su servizi Web e workflow.
Programma
L'insegnamento approfondisce le architetture, i paradigmi e le tecnologie per la progettazione e lo sviluppo di applicazioni e servizi Web moderni, con particolare attenzione allo sviluppo di servizi Web, alle architetture JavaScript full-stack e ai principali solution stack adottati nello sviluppo di applicazioni distribuite. Il corso affronta gli aspetti architetturali, metodologici e tecnologici necessari per la realizzazione di applicazioni Web scalabili, modulari e manutenibili, analizzando i principali framework, pattern architetturali e strumenti di sviluppo del panorama Web contemporaneo. In particolare, il corso affronta i seguenti argomenti: Architetture e solution stack per lo sviluppo di applicazioni e servizi Web. Architettura delle piattaforme di esecuzione Web: browser, server Web, runtime JavaScript e modelli di comunicazione client-server. Pattern architetturali per lo sviluppo di applicazioni Web, con particolare riferimento ai modelli Model-View-Controller (MVC) e Model-View-ViewModel (MVVM). Il paradigma JavaScript Everywhere e il suo impatto sulla progettazione e sullo sviluppo di applicazioni Web full-stack. Architetture JavaScript full-stack e relativi solution stack, con particolare riferimento allo stack MEVN e alle principali varianti (MEAN e MERN), analizzandone i componenti tecnologici (MongoDB, Express.js, Node.js e framework front-end) e le relative modalità di integrazione. Framework JavaScript per lo sviluppo dichiarativo e component-based di applicazioni Web, con particolare riferimento a Vue.js e confronto con i principali framework e librerie del panorama attuale, quali Angular e React. Linguaggi e strumenti per lo sviluppo Web moderno, con particolare riferimento a TypeScript, Sass e SCSS.
Modalità d'esame
L'esame di fine corso mira a valutare il raggiungimento dei seguenti obiettivi formativi: comprendere le architetture, i paradigmi e le tecnologie per la progettazione e lo sviluppo di applicazioni e servizi Web moderni; acquisire competenze nella progettazione e nello sviluppo di applicazioni Web distribuite mediante framework JavaScript, solution stack full-stack e pattern architetturali; applicare metodologie e strumenti per la progettazione, lo sviluppo e l'integrazione di applicazioni e servizi Web scalabili, modulari e manutenibili. L'esame consiste nella presentazione e discussione di un elaborato progettuale sviluppato in gruppo (2 o 3 studenti per gruppo) e in una prova orale individuale. La valutazione dell'elaborato progettuale costituisce la base del voto finale, fino a un massimo di 27/30. La successiva prova orale individuale, svolta contestualmente alla discussione dell'elaborato, è finalizzata a verificare il livello di preparazione del singolo studente, la comprensione degli aspetti teorici affrontati durante il corso e il contributo individuale fornito allo sviluppo del progetto. L'esito della prova orale può determinare un incremento o una riduzione della valutazione dell'elaborato fino a un massimo di 5 punti. Per poter sostenere l'esame è necessario effettuare l'iscrizione tramite AlmaEsami. Il voto finale può essere rifiutato una sola volta.
Testi di riferimento
A causa della rapida evoluzione della materia, non esiste un libro di testo che copra tutta la disciplina. Gli studenti ricevono le slide proiettate a lezione e vengono di volta in volta guidati a risorse tipicamente gratuite e disponibili in rete per lo svolgimento del corso e l'approfondimento degli argomenti.
Codice insegnamento 69867
BIG DATA2° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file
At the end of the course, the student: - Knows the applications of Big Data technologies and the respective challenges - Knows the available hardware and software architectures to define a Data Platform - Knows the…
Scheda dell'insegnamento
Obiettivi formativi
At the end of the course, the student: - Knows the applications of Big Data technologies and the respective challenges - Knows the available hardware and software architectures to define a Data Platform - Knows the techniques for data storage in distributed file systems and databases - Knows and uses the languages and programming paradigms typically adopted in this kind of systems - Knows the design methodologies and the advanced Data Platform solutions (e.g., Lakehouse) for the different kinds of Big Data applications - Acquires practical expertise in using the different technologies through laboratory and projects. Applications will be developed locally and deployed on a cluster (on-premise or in the cloud, subject to availability). Main technologies are based on the Apache Hadoop-Spark-Kafka stack.
Programma
Requirements A prior knowledge of relational databases, Java and Scala programming languages, and Unix-like systems is required to attend the course. Attendance of Business Intelligence and Data Mining courses is encouraged. Classes and teaching material are in English. A good comprehension of English is thus required to use the material and interact during class. Exam can be given in Italian. Modules The course is split into two modules. The first module (20 hours) is mostly theoretical and it is shared with the Master's Degree in Digital Transformation Management (corresponding to Module 1 of Big Data and Cloud Platforms). The second module (30 hours) is mostly practical and it is exclusive to the Master's Degree in Computer Science and Engineering. Course Contents 1. Introduction to the course and to Big Data: what they are and how to use them 2. Cluster computing to handle Big Data Hardware and software architectures The Apache Hadoop framework and its modules (HDFS, YARN) Hadoop-specific data structures (Apache Parquet) 3. The MapReduce paradigm: basic principles, limitations, design of algorithms 4. The Apache Spark system Architecture, data structures,basic principles Data partitioning and shuffling Optimization of the computation 5. SQL on Big Data with Spark SQL 6. Data streaming The architecture to handle data streaming Approximated algorithms in the streaming context 7. NoSQL databases 8. Handling Big Data in the Cloud Cluster on-premises vs in the cloud The technological stack in the cloud Deploy of a real case study on a cloud provider 9. Designing non-trivial problems under the MapReduce paradigm
Modalità d'esame
The exam consists in an oral examination on all the covered topics and in the discussion of a project. Project details: Goal: identifying a big-enough dataset and designing a notebook application to process and analyze the data (using the techniques and tools learned throughout the course). Both the dataset and the workload must be validated by the teacher before beginning the implementation. Groups of up to 2 people can be formed. The discussion is done on the day of the oral examination. A well-done project can improve the vote obtained with the oral examination; a bad one can impede the access to the oral examination. Alternative proposals for projects (e.g., in combination with projects of other courses or with the internship/thesis) are always well-received.
Testi di riferimento
Slides Recommended readings: Tom White. Hadoop - The Definitive Guide (4th edition). O'Reilly, 2015 Matei Zaharia, Holden Karau, Andy Konwinski, Patrick Wendell. Learning Spark, 2nd Edition. O'Reilly, 2020 Andrew G. Psaltis. Streaming Data - Understanding the real-time pipeline.Manning, 2017 Ian Foster, Dennis Gannon. Cloud Computing for Science and Engineering. MIT Press, 2017 Further readings will be mentioned during the course.
Codice insegnamento 81932
BUSINESS INTELLIGENCE2° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file
Al termine del corso lo studente conosce in modo approfondito i sistemi di data warehouse, con particolare riferimento alle architetture e alle tecniche di analisi dei dati, e le principali tecnologie alla base dei…
Scheda dell'insegnamento
Obiettivi formativi
Al termine del corso lo studente conosce in modo approfondito i sistemi di data warehouse, con particolare riferimento alle architetture e alle tecniche di analisi dei dati, e le principali tecnologie alla base dei sistemi di business intelligence. E altresì in grado di condurre un progetto di data warehouse attraverso le sue fasi di analisi delle sorgenti dati e dei requisiti, e di progettazione concettuale, logica, fisica e dell'alimentazione.
Programma
Prerequisiti L’allievo che accede a questo insegnamento conosce i sistemi database, il modello relazionale e il linguaggio SQL. Tali conoscenze sono acquisite, di norma, superando l’esame di Basi di Dati. Tutte le lezioni saranno tenute in Italiano. È quindi necessaria la comprensione della lingua italiana per seguire con profitto il corso e per poter utilizzare il materiale didattico fornito. Programma Business intelligence: il ruolo della BI nel sistema informativo aziendale; la piramide della BI. Data Warehousing: architetture; tecniche di analisi dei dati: reportistica e OLAP; il ciclo di sviluppo: analisi delle sorgenti dati; analisi dei requisiti; progettazione concettuale; carico di lavoro e volume dati; progettazione logica; progettazione dell'alimentazione; progettazione fisica.
Modalità d'esame
Gli esami verranno effettuati in presenza. L'esame consiste in una prova scritta della durata di 90 minuti seguita da una prova pratica di 30 minuti; durante entrambe le prove è espressamente vietato consultare libri e appunti. L’uso dell’IA è vietato; ogni utilizzo costituisce violazione dell’integrità accademica. Il testo della prova scritta si compone di una parte progettuale, che richiede di risolvere due esercizi di progettazione concettuale e logica di data warehouse (16/32 punti), e di una parte teorica (da risolvere online via EOL) che include alcune domande sui contenuti dell'intero corso (10/32 punti). La prova pratica utilizzerà le tecnologie viste durante le esercitazioni di laboratorio (6/32 punti). Ulteriori dettagli verranno comunicati a lezione e nelle "note" abbinate agli appelli pubblicati su AlmaEsami. Il punteggio viene assegnato in trentesimi. Per sostenere la prova d'esame è necessaria l'iscrizione tramite AlmaEsami, nel rispetto delle scadenze previste. Coloro che non riuscissero a iscriversi entro la data prevista, sono tenuti a comunicare tempestivamente (e comunque prima della chiusura ufficiale delle liste di iscrizione) il problema alla segreteria didattica. Sarà facoltà del docente ammetterli a sostenere la prova. Una volta pubblicato il risultato della prova, ciascuno studente ha una settimana di tempo per comunicare via email al docente se intende rifiutare il voto conseguito. Sono ammessi massimo due rifiuti. In conformità al Codice Etico di Ateneo, si richiamano gli studenti alla massima correttezza. È vietata ogni attività volta a modificare indebitamente l’esito delle prove (es. copiatura, plagio, accesso alle risorse didattiche online, ricorso a strumenti AI non autorizzati). Si segnala in particolare che il solo possesso di strumentazione o materiale non autorizzato durante la prova comporta l’annullamento immediato del compito e la segnalazione agli uffici competenti. I comportamenti che contravvengono a questo divieto possono dare corso a procedimenti disciplinari o a segnalazioni alle autorità competenti, se penalmente rilevanti; in quest’ultimo caso vi è il rischio che gli studenti coinvolti possano incorrere in procedimenti penali.
Testi di riferimento
Lucidi del corso. M. Golfarelli, Stefano Rizzi. Data Warehouse: teoria e pratica della progettazione. McGraw-Hill, seconda edizione, 2006. M. Berry, G. Linoff. Data mining techniques for marketing, sales, and customer support. John Wiley & Sons, 1997. B. Devlin. Data warehouse: from architecture to implementation. Addison-Wesley Longman, 1997. W.H. Inmon. Building the data warehouse. John Wiley & Sons, 1996. M. Jarke, M. Lenzerini, Y. Vassiliou, P. Vassiliadis. Fundamentals of data warehouse. Springer, 2000. R. Kimball, L. Reeves, M. Ross, W. Thornthwaite. The data warehouse lifecycle toolkit. John Wiley & Sons, 1998. I. Witten, E. Frank. Data mining. Morgan Kaufmann Publishers, 2000.
Codice insegnamento 30376
DATA MINING2° anno · 1° semestre · 6 CFU · ING-INF/05 · 0 file
Al termine del corso lo studente: -conosce le principali tecniche di data mining e text mining - conosce le metodologie di gestione e sviluppo di progetto - sviluppa competenze pratiche nella generazione, nell'analisi…
Scheda dell'insegnamento
Obiettivi formativi
Al termine del corso lo studente: -conosce le principali tecniche di data mining e text mining - conosce le metodologie di gestione e sviluppo di progetto - sviluppa competenze pratiche nella generazione, nell'analisi e interpretazione dei risultati mediante esercitazioni pratiche svolte con tool commerciali e/o open source.
Programma
The AA 26-27 edition consists of two courses running in parallel: Data Centric AI (for students enrolled in AA 26-27) composed by: Module I - (prof. Matteo Golfarelli) Module II - (prof. Matteo Francia) Data Mining (for students enrolled before AA 26-27). Module I - (prof. Matteo Golfarelli) Module III - (prof. Gianluca Moro) Module I - Data Centric AI/Data Mining (Golfarelli) Introduction to Data-Centric AI From model-centric to data-centric development Data quality dimensions Data Understanding and Profiling Exploratory data analysis and data visualization Data profiling techniques Statistical characterization of datasets Detection of quality issues Data Cleaning and Validation Missing data handling Duplicate detection Outlier detection Noise reduction Data consistency and integrity validation Feature Engineering Feature construction and transformation Feature encoding Feature scaling and normalization Feature selection Dimensionality reduction techniques Dataset Optimization Class imbalance handling Sampling and resampling techniques Data augmentation Data Quality and Fairness Assessment Dataset evaluation metrics Bias and Fairness evaluation Module II - Data Centric AI (Francia) Graphs Graph data and ML models Graph-RAG Privacy-Aware Techniques Privacy risks Privacy-preserving methods Privacy–utility trade-offs Explainability Local and global explanations Feature attribution Explanation quality AutoML and MLOps Applications Automated model development Deployment and monitoring, and error analysis Data validation and drift detection Continuous dataset improvement Practical Applications Case studies from real-world AI applications End-to-end Data-Centric AI workflows Laboratory sessions using Python and modern machine learning libraries for dataset preparation, validation, and optimization. Module III - Text Mining and NLP (Gianluca Moro) Acquisition of the theoretical and practical foundations of text mining and natural language processing (NLP) that underpin modern LLM-based AI (see the slides on a state-of-the-art summary [https://disi-unibo-nlp.github.io/development/2024/04/17/llm-slides/] ), as well as the development of solutions for their application to real-world professional domains, including enterprise use cases such as office automation, healthcare, legal services and finance. MODULE CONTENTS 1. Text Representation, Retrieval, Classification, Sentiment Analysis and Opinion Mining, Word embeddings 2. Language Models, Transformers, Efficient Attention Mechanisms, Retrieval-augmented Generation with VectorDB and LLM Wiki 3. Vision-Language Models, Graph Machine Learning (GNN, Graph Embedding and GraphRAG), Neuro-symbolic approaches for Trustworthy AI 4. Generative Large Language Model, Prompt Engineering, Evaluation Methods, Compression and Quantization, Parameter-Efficient Fine-Tuning (e.g. QLoRA, Prompt Tuning) e LLM Agents 5. Labs on real case studies, such as Text Summarization, Information Extraction, Chatbot, LLM agents and Function Call Generation etc. in office automation, with Python and open source tools: Hugging Face framework, LangChain, LlamaIndex, Milvus, Unsloth etc.
Modalità d'esame
The assessment consists of an oral examination on all the course topics and the discussion of a project. The project may involve either the implementation of an advanced machine learning algorithm from the scientific literature or the analysis of a dataset using the techniques covered during the course. The objective of the assessment is to evaluate whether students have understood the techniques studied and have developed practical skills in working with data, understanding its content, and discovering hidden patterns and information. Grades are assigned based on an overall evaluation of the student's knowledge, competencies, analytical skills, and ability to present and discuss the topics addressed. The grading ranges can be described as follows: 18–23: Satisfactory preparation and analytical skills, limited to a restricted set of topics covered in the course; generally correct use of terminology. 24–27: Technically adequate preparation, with some limitations regarding the topics covered; good analytical skills, although not particularly in-depth, expressed using appropriate terminology. 28–30: Excellent knowledge of a broad range of topics covered in the course; strong analytical and critical thinking skills; mastery of the relevant terminology. 30 with Honors (30L): Outstanding, comprehensive, and in-depth knowledge of the course topics; excellent critical analysis and ability to make connections across topics; complete mastery of the relevant terminology.
In this course, students learn how to improve the effectiveness of AI solutions by focusing on data quality and management. More specifically, by the end of the course, students will be able to critically analyze a…
Scheda dell'insegnamento
Obiettivi formativi
In this course, students learn how to improve the effectiveness of AI solutions by focusing on data quality and management. More specifically, by the end of the course, students will be able to critically analyze a dataset and enhance the explainability of AI systems, apply techniques for feature selection and engineering, perform data curation, cleaning, and augmentation, identify and mitigate issues related to data bias, apply Auto-ML techniques, and design applications following the ML-Ops approach.
Programma
The AA 26-27 edition consists of two courses running in parallel: Data Centric AI (for students enrolled in AA 26-27) composed by: Module I - (prof. Matteo Golfarelli) Module II - (prof. Matteo Francia) Data Mining (for students enrolled before AA 26-27). Module I - (prof. Matteo Golfarelli) Module III - (prof. Gianluca Moro) Module I - Data Centric AI/Data Mining (Golfarelli) Introduction to Data-Centric AI From model-centric to data-centric development Data quality dimensions Data Understanding and Profiling Exploratory data analysis and data visualization Data profiling techniques Statistical characterization of datasets Detection of quality issues Data Cleaning and Validation Missing data handling Duplicate detection Outlier detection Noise reduction Data consistency and integrity validation Feature Engineering Feature construction and transformation Feature encoding Feature scaling and normalization Feature selection Dimensionality reduction techniques Dataset Optimization Class imbalance handling Sampling and resampling techniques Data augmentation Data Quality and Fairness Assessment Dataset evaluation metrics Bias and Fairness evaluation Module II - Data Centric AI (Francia) Graphs Graph data and ML models Graph-RAG Privacy-Aware Techniques Privacy risks Privacy-preserving methods Privacy–utility trade-offs Explainability Local and global explanations Feature attribution Explanation quality AutoML and MLOps Applications Automated model development Deployment and monitoring, and error analysis Data validation and drift detection Continuous dataset improvement Practical Applications Case studies from real-world AI applications End-to-end Data-Centric AI workflows Laboratory sessions using Python and modern machine learning libraries for dataset preparation, validation, and optimization. Module III - Text Mining and NLP (Gianluca Moro) Acquisition of the theoretical and practical foundations of text mining and natural language processing (NLP) that underpin modern LLM-based AI (see the slides on a state-of-the-art summary [https://disi-unibo-nlp.github.io/development/2024/04/17/llm-slides/] ), as well as the development of solutions for their application to real-world professional domains, including enterprise use cases such as office automation, healthcare, legal services and finance. MODULE CONTENTS 1. Text Representation, Retrieval, Classification, Sentiment Analysis and Opinion Mining, Word embeddings 2. Language Models, Transformers, Efficient Attention Mechanisms, Retrieval-augmented Generation with VectorDB and LLM Wiki 3. Vision-Language Models, Graph Machine Learning (GNN, Graph Embedding and GraphRAG), Neuro-symbolic approaches for Trustworthy AI 4. Generative Large Language Model, Prompt Engineering, Evaluation Methods, Compression and Quantization, Parameter-Efficient Fine-Tuning (e.g. QLoRA, Prompt Tuning) e LLM Agents 5. Labs on real case studies, such as Text Summarization, Information Extraction, Chatbot, LLM agents and Function Call Generation etc. in office automation, with Python and open source tools: Hugging Face framework, LangChain, LlamaIndex, Milvus, Unsloth etc.
Modalità d'esame
The assessment consists of an oral examination on all the course topics and the discussion of a project. The project may involve either the implementation of an advanced machine learning algorithm from the scientific literature or the analysis of a dataset using the techniques covered during the course. The objective of the assessment is to evaluate whether students have understood the techniques studied and have developed practical skills in working with data, understanding its content, and discovering hidden patterns and information. Grades are assigned based on an overall evaluation of the student's knowledge, competencies, analytical skills, and ability to present and discuss the topics addressed. The grading ranges can be described as follows: 18–23: Satisfactory preparation and analytical skills, limited to a restricted set of topics covered in the course; generally correct use of terminology. 24–27: Technically adequate preparation, with some limitations regarding the topics covered; good analytical skills, although not particularly in-depth, expressed using appropriate terminology. 28–30: Excellent knowledge of a broad range of topics covered in the course; strong analytical and critical thinking skills; mastery of the relevant terminology. 30 with Honors (30L): Outstanding, comprehensive, and in-depth knowledge of the course topics; excellent critical analysis and ability to make connections across topics; complete mastery of the relevant terminology.
Testi di riferimento
Slides and exercises provided by the lecturers
Codice insegnamento C8653
DEEP LEARNING2° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file
Il corso ha l'obiettivo di fornire agli studenti competenze avanzate (sia teoriche che pratiche) nell'ambito del machine learning, con particolare riferimento al deep learning. Al termine del corso, anche grazie…
Scheda dell'insegnamento
Obiettivi formativi
Il corso ha l'obiettivo di fornire agli studenti competenze avanzate (sia teoriche che pratiche) nell'ambito del machine learning, con particolare riferimento al deep learning. Al termine del corso, anche grazie all'attività di laboratorio, lo studente sarà in grado di: - addestrare/ottimizzare in maniera approfondita sistemi in grado di apprendere in maniera automatica; - selezionare e personalizzare la tecnica di machine learning più opportuna da utilizzare in ambiti applicativi reali; - utilizzare tecniche avanzate in ambito deep learning.
Programma
Introduzione al deep learning Algebra lineare, calculus e differenziazione automatica Reti neurali Backpropagation Algoritmi di ottimizzazione Convolutional Neural Networks (CNN) Reti ricorrenti (RNN) Transformers AutoEncoders (AE) Modelli generativi Reinforcement Learning (RL) Natural Language Processing (NLP) (un esempio pratico)
Modalità d'esame
L'esame può essere sostenuto in una delle seguenti modalità: realizzazione e discussione di un progetto di Deep Learning, integrate da una domanda sugli argomenti del corso per verificare l'acquisizione delle conoscenze teoriche; prova orale approfondita sull'intero programma del corso. La valutazione finale terrà conto della preparazione teorica, delle capacità applicative e delle competenze di analisi critica dimostrate dallo studente. Nota: si raccomanda agli studenti e studentesse con DSA o disabilità temporanee o permanenti di contattare per tempo l’ufficio di Ateneo responsabile; 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 docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell'insegnamento.
Testi di riferimento
Slide del corso. Testi consigliati: C. M. Bishop, and H. Bishop, "Deep Learning: Foundations and Concepts", Springer, 2024. F. Chollet, "Deep Learning with Python (2nd edition)", Manning Publications Co., USA, 2021. A. Zhang, Z. C. Lipton, M. Li, and A. J. Smola, "Dive into Deep Learning", 2020. M. Elgendy, "Deep Learning for Vision Systems", Manning Publications Co., USA, 2020. A. Geron, “Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems”, O'Reilly Media, Inc., USA, 2019. M. Nielsen, "Neural Networks and Deep Learning", 2019. I. Goodfellow, Y. Bengio, and A. Courville, "Deep Learning", MIT Press, 2016.
At the end of this course the student will: - comprehend the role and the function of entrpreneurship with a specific focus on the potential of digital and new technologies in business venturing and business…
Scheda dell'insegnamento
Obiettivi formativi
At the end of this course the student will: - comprehend the role and the function of entrpreneurship with a specific focus on the potential of digital and new technologies in business venturing and business innovation; -be able to indentify, evaluate, and select effective business idea and business opportunities; - be able to deploy business idea and model into a business plan; be able to design and write a business plan; - acquire the basic knowledge for stimluating, coordinating and controlling corporate venture iniaitives
Programma
“Entrepreneurship" is a dynamic course designed for master's students aiming to develop an entrepreneurial mindset and key skills essential for success across diverse environments, including startups, corporate innovation teams, non-profit organizations, and public institutions. The course offers a comprehensive exploration of the entrepreneurial journey, from idea generation to securing funding, and equips students with innovative methods and practical tools for future ventures. Special emphasis is placed on the emerging role of Ai in empowering entrepreneurs to identify opportunities, test solutions, and scale impact in today’s innovation-driven economy. By the end of the course, students will have a solid foundation in entrepreneurial principles and the capability to apply them effectively across a variety of contexts. Stream 1: Foundations of Entrepreneurship & Ideation The first Stream covers the basics of entrepreneurship, including the entrepreneurial journey, envisioning, market sizing, and developing business models. Students will gain a strong foundation in key entrepreneurial concepts and methods. • Module 1: Entrepreneurial Mindset & Journey (Introduction) • Module 2: Entrepreneurial Ideation & Market Sizing • Module 3: Entrepreneurial Business Models & Competition • Group Work Stream 1 Stream 2: Product Development & Go-To-Market The second Stream focuses on developing products using design thinking and lean development methods, and creating effective go-to-market strategies. Students will learn to build, test, and refine products and develop comprehensive market strategies. • Module 4: Entrepreneurial Product Design (Design Thinking Methods) • Module 5: Entrepreneurial Product Development (Lean Approach & Ai Tools) • Module 6: Entrepreneurial Go-to-Market Strategies (Marketing & Sales) • Group Work Stream 2 Stream 3: Pitching, Financial Planning & Funding The third Stream covers key aspects of presenting business ideas, financial planning, and securing funding. Students will learn to build compelling presentations, plan finances, and navigate the fundraising landscape. • Module 7: Entrepreneurial Presentations & Pitching • Module 8: Entrepreneurial Techniques to Financial Planning • Module 9: Entrepreneurial Methods to Fundraising • Group Work Stream 3 Stream 4: Course Conclusions The final Stream involves presenting group projects and reflecting on learning. Consolidates knowledge and encourages discussion on the entrepreneurial journey and future steps. • Module 10: Group Presentations & Conclusions
Modalità d'esame
Sono previste modalità d'esame differenziate per studenti frequentanti (partecipazione ad almeno il 60% delle lezioni) e non frequentanti: Studenti Frequentanti Lavoro di Gruppo Presentazione di gruppo Struttura: presentazione di 15-20 slide (PPT, Keynote, PDF) Valore: 10 punti (33% del voto) Lavoro Individuale Esame scritto Struttura: 2 saggi brevi Valore: 20 punti (66% del voto) Durata: 90 minuti Studenti Non Frequentanti Lavoro di Gruppo (escluso) Lavoro Individuale Esame scritto Struttura: 3 saggi brevi Valore: 30 punti (100% del voto) Durata: 90 minuti Considerando che i corsi 37388 Entrepreneurship e 96098 Marketing, Sales and Platforms for the Digital Age sono insegnati come moduli integrati, il voto finale del corso combinato 96097 Marketing in the Digital Age, Innovation and Entrepreneurship sarà calcolato come la media dei voti ottenuti nei due moduli. Poiché l’esame scritto finale è volto a valutare la vostra comprensione dei concetti fondamentali e la loro applicazione pratica, non sarà consentito l’uso di materiali o dispositivi esterni, come computer, tablet, telefoni, calcolatrici, libri o appunti. Tutto ciò di cui avrete bisogno sarà la conoscenza acquisita durante il corso e una buona penna per esprimerla al meglio. I voti sono assegnati sulla base di una valutazione complessiva di conoscenze, competenze, abilità di presentazione e discussione dei temi trattati. Le fasce di voto corrispondono a: 18-23: lo studente ha una preparazione sufficiente e capacità analitiche limitate, diffuse però su pochi argomenti trattati nel corso, con un linguaggio corretto. 24-27: lo studente dimostra una preparazione adeguata a livello tecnico con qualche incertezza sugli argomenti. Buone capacità analitiche ma non molto articolate, con uso corretto del linguaggio. 28-30: ottima conoscenza della maggior parte degli argomenti trattati nel corso, buone capacità critiche e analitiche, buon uso del linguaggio specifico. 30L: conoscenza eccellente e approfondita di tutti gli argomenti del corso, eccellenti capacità critiche e analitiche, uso eccellente del linguaggio specifico.
Testi di riferimento
Dedicated Lecture Slides • Selected Online Articles, Videos & Podcasts • Disciplined Entrepreneurship: 24 Steps to a Successful Startup by Bill Aulet • Details will be available in the e-learning web site of the course
Codice insegnamento 37388
FINAL EXAMINATION (30 CFU)2° anno · 2° semestre · 30 CFU · 0 file
FINAL EXAMINATION (6 CFU)2° anno · 2° semestre · 6 CFU · 0 file
FINAL EXAMINATION PREPARATION ABROAD2° anno · 2° semestre · 24 CFU · 0 file
FUNDAMENTALS OF ACCOUNTING2° anno · 1° semestre · 6 CFU · SECS-P/07 · 0 file
This course is designed to provide students with a solid basis of accounting. At the end of the course students are able (a) to understand the difference between accrual accounting and cash flows; (b) to understand the…
Scheda dell'insegnamento
Obiettivi formativi
This course is designed to provide students with a solid basis of accounting. At the end of the course students are able (a) to understand the difference between accrual accounting and cash flows; (b) to understand the nature of the information on the income statement, the balance sheet, and the statement of cash flows; (c) to know the basics of management accounting and cost analysis.
Programma
Introduction to accounting Measuring and reporting financial position Measuring and reporting financial performance Accounting for limited companies Measuring and reporting cash flows Analysing and interpreting financial statements Reporting the financial results of groups of companies
Modalità d'esame
Written exam (60-75 mins). No tools or books are allowed during the written exam. For students attending classes (70%) written essay on selected topics to be discussed with the instructor. The assessment of the preparation will be based on the following levels Sufficient preparation and skills: 18-22 Technically adequate preparation: 23-26; In-depth knowledge of the topics: 27-29; Very in-depth knowledge of the topics: 30-30L. The written exam will be carried out on EOL.
HUMAN COMPUTER INTERACTION2° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file
At the end of the course, the student: - understands the principles and methodologies for designing interaction systems with a computer system; - understands theories and methodologies for evaluating interface usability;…
Scheda dell'insegnamento
Obiettivi formativi
At the end of the course, the student: - understands the principles and methodologies for designing interaction systems with a computer system; - understands theories and methodologies for evaluating interface usability; - understands the principles and methodologies of User Experience and Experience Design.
Programma
Il corso si concentrerà su tre aree chiave:
Introduzione all'interazione uomo-computer: verranno trattati modelli fondamentali come il Modello di Interazione di Norman e il framework di interazione di Abowd e Beale, insieme a strumenti, tecniche e ambienti per l'HCI.
Sviluppo di applicazioni interattive incentrate sull'uomo: verranno esplorate attività e metodi per la progettazione, lo sviluppo e la valutazione di applicazioni interattive. Gli argomenti includono strategie di individuazione dei bisogni, prototipazione (a bassa e alta fedeltà), modelli mentali, progettazione visiva, valutazione euristica e fondamenti degli studi utente. Questa sezione enfatizza il processo di progettazione, con gli studenti che applicano i concetti a uno specifico dominio applicativo attraverso un progetto di gruppo svolto durante le sessioni di laboratorio.
Paradigmi "Oltre l'interazione tradizionale": verranno analizzati paradigmi di interazione avanzati, come sistemi basati sull'intelligenza artificiale, interazione tangibile, interfacce utente vocali e interazione basata sui gesti. Questi argomenti saranno esplorati da diverse prospettive, tra cui la loro logica, la visione, gli esempi contemporanei e gli strumenti di sviluppo associati.
Modalità d'esame
Metodi di valutazione L'esame richiede agli studenti di sviluppare e presentare il proprio progetto di gruppo. I progetti saranno discussi e perfezionati durante i laboratori del corso. Consegna e presentazione:
I gruppi devono consegnare il proprio progetto almeno sette giorni prima della data d'esame. Il progetto finale sarà discusso in una sessione orale, durante la quale tutti i membri del gruppo dovranno essere presenti.
Parallelamente al progetto di gruppo, gli studenti risponderanno ad alcune domande orali individuali. Requisiti per la consegna: Il materiale da presentare per l'esame include: a) Una relazione dettagliata che descriva il progetto di gruppo. b) Una breve presentazione che guiderà la discussione orale di gruppo. Valutazione: Gli studenti dimostreranno le competenze e le conoscenze acquisite attraverso il progetto di gruppo e la discussione orale (inclusa una parte individuale). I voti sono basati su una scala da 0 a 30, distribuiti come segue:
Progetto e discussione orale: fino a 24 punti.
Parte orale individuale: fino a 6 punti. Possono essere assegnati punti aggiuntivi (fino a 2) per:
Eccezionale originalità, complessità o ricchezza del progetto. • Impegno dimostrato durante le esercitazioni e le sessioni di feedback.
Discussione orale di alta qualità. Questi punti extra possono portare il voto a 30L. Criteri di valutazione:
Impegno investito nel progetto.
Originalità, complessità e profondità del lavoro.
Accuratezza metodologica e tecnica.
Completezza e chiarezza dei risultati.
Qualità della presentazione e della discussione orale. In particolare, il voto finale corrisponde alla seguente valutazione: 18–23: Comprensione di base dei principi e dei metodi di progettazione dell’HCI. Il progetto e la discussione mostrano una limitata profondità e un’applicazione parziale dei concetti di usabilità e user experience. 24–27: Buona preparazione con applicazione generalmente corretta delle metodologie di HCI. Il progetto e la discussione evidenziano un lavoro di design coerente, sebbene con alcune lacune o incertezze. 28–30: Conoscenza solida e completa degli argomenti del corso. Il progetto è ben strutturato, originale e metodologicamente accurato, con un’applicazione efficace dei principi di progettazione e valutazione centrata sull’utente. 30L (con lode): Eccellente padronanza di tutti gli argomenti del corso. Il progetto si distingue per originalità, complessità e qualità esecutiva. La discussione orale mostra un’eccellente capacità critica e un livello professionale di analisi dei paradigmi di design e interazione.
Testi di riferimento
Alan Dix, Janet Finlay, Gregory Abowd, Russell Beale: Human Computer Interaction, 3rd Edition, Prentice Hall, 2004, ISBN 0130461091
Shneiderman, Plaisant, Cohen, Jacobs, Elmqvist and Diakopoulos: Designing the User Interface: Strategies for Effective Human-Computer Interaction, 6th Edition, Pearson, 2016, ISBN 013438038X / 9780134380384
At the end of the course the student: - Understands Business Ecosystems that encompasses several Industries; - Discusses the management of emerging (and often disruptive) technologies; - Recognises the dynamics of…
Scheda dell'insegnamento
Obiettivi formativi
At the end of the course the student: - Understands Business Ecosystems that encompasses several Industries; - Discusses the management of emerging (and often disruptive) technologies; - Recognises the dynamics of multi-sided markets, platforms and business ecosystems; - Develops Scenario Plans for Business Ecosystems, analyse its impacts on new and existing companies and formulate corresponding strategies.
Programma
Teaching Hours: 30 Course Content: The objective of this elective course is to provide UniBO students a comprehensive introduction to Innovation Strategy and Management in today’s networked economy. The course will cover three major topics: Innovation and Emerging technologies Management - We will understand, from a historical perspective, the most important Emerging Technologies developed over the last 100 years - their origins, trajectories, and impact in areas ranging from defense to information and Communication, Biotech, Nanotech, Robotics and Artificial Intelligence. We will also understand the Emerging Technologies Management - Starting from Assessment, we move into Marketing Management, Strategic Planning, Financing and Organization; Classic Industry Based Strategy and Business Ecosystems Based Strategy, encompassing multiple industries. We will chart and analyze multi actor Ecosystems, covering areas such as Telecom, Entertainment, Energy, Mobility, Food, Health, Space and Defense, always taking into account multiple actors that transcends a single firm or industry. The issues of Diversification, Vertical Integration and Multi Business Organizations will also be covered. Scenario Planning - How can we systematically identify trends and uncertainties for an Ecosystem and, from those, create, describe and analyze scenarios for the future as well as Strategies, with emphasis on Innovation Strategy and Emerging Technologies.
Modalità d'esame
Marks are intended on a numerical grade scale (0 to 30), being 18 to 30 the passing grade range. The range of grades for every component (participation, case analysis and final assignment) are as follows: <18 - not sufficient; 18-19 sufficient knowledge of the course topics; 20-23 - fair knowledge of the course topics; 24-27 - good knowledge and ability to apply the acquired concepts; 28-30 - very good knowledge of the course topics; 30 - Cum laude: excellent and comprehensive knowledge of all course topics. The final grade will be computed based upon the following weights: Individual participation - weight on the final grade : 20% (to be completed throughout the entire course); Individual case analysis - weight on the final grade: 30% (to be completed throughout the entire course); Individual final assignment - weight on the final grade: 50% (due date: April 9th 23.59) Individual Participation Attendance is strongly recommended. Engagement in class activities: your opinions are highly welcomed; in fact, they're expected. You should discuss the theoretical readings and present your conclusions regarding the case analysis to the class in order to start a good debate. You'll receive a grade covering your overall performance, which comprises the quantity and quality (depth, theoretical base, etc) of your comments. In each of the eight sessions the participation of each student will be assessed. The final grade will be computed from the average of those. Individual Case analysis You must read and prepare each case. An individual assignment (no longer than 3 pages) is expected for three cases of your choice – they must be sent by email to the professor before the class in which it will be discussed starts. You should connect the main concepts from the readings during the course to the proper case analysis. Analytical rigor is expected, as well as some creativity and 'out-of-the-box' thinking. You'll receive a grade accordingly to your success in supporting your point of view through the analysis. The grading is based upon the following rule: You must answer the questions proposed for each case (you can see those on this syllabus). Doing this you get 6 points. If you provide a careful and deep analysis in the answers you get 12 more points. If you correctly use the theory and the readings you get up to 12 additional points. The maximum for each case is 30. The final case grade will be the average of the three marks. Individual Final assignment Based upon the sessions, readings, case discussions and your experience, write an essay that discusses how the concepts learnt in class could be applied in the business you are currently working at. The text must describe the ecosystem your company is located at, with the main actors and connections; identify the trends and uncertainties for the charted ecosystem (there should be references for each driver) and select, according to the method, two key uncertainties; from those, generate four scenarios - describe them and create the corresponding early warning signs; Assess the impact of each of those scenarios upon your current business and create the corresponding strategies. To finish, formulate how the class changed your view upon strategy and how you intend to use the gathered knowledge in your current job or your future career. Grading will follow this rule: The broader the ecosystem, the better. Scope will add up to 8 points to the grade. The driving forces identification will also add 8 points - support in the literature and references for those and also the clearer criteria to select the two key-uncertainties will be taken into account for this. Scenario generation and analysis will add 8 points - deep and insightful impact analysis and strategy proposals will be the most important criteria for this grading. The last 4 points will come from your description of how this new knowledge will be used in your career. The maximum points for the individual assignment is 30.
Testi di riferimento
Please note: texts might not be available in the library thus need to be individually gained Required Readings: The prescribed textbook is a classic on Emerging Technologies Strategy, Innovation and Scenario Planning, from Wharton School. We will use several chapters of it. Day, G.S.; Schoemaker, P.J.; Gunther, R.E. Wharton on Emerging Technologies, Wiley, New Jersey, 2000. You must also read the following texts: Hax, A.C.; Wilde II, D.L.: The Delta Model: adaptive management for a changing world. Sloan Management Review, v. 40, n. 2, p. 11-28. Winter, 1999 Tsujimoto, M. et al. A Review of the Ecosystem Concept: towards coherent ecosystem design. Technological Forecasting & Social Change, v. 136, p. 49-58. November 2018 Garvin, D.A.; Levesque, L.C. A Note on Scenario Planning. Harvard business school note 9-306-003. November 17, 2005 Martelli, V.; Chimenti, P.; Nogueira, R. Future Scenarios for the Brazilian electricity sector: PV as a new driving force? Futures v. 120, 2020. https://doi.org/10.1016/j.futures.2020.102555 Orlova, A.; Nogueira, R.; Chimenti, P. Present and Future of the Space Sector: a business ecosystem approach. Space Policy, Space Policy, 2020 (in press). https://doi.org/10.1016/j.spacepol.2020.101374 The course uses cases in most of the sessions. You must be prepared to discuss them during the corresponding classes: Alcácer, J.; Khana, T.; Snively, C. The Rise and Fall of Nokia. Harvard Business School Case # 9-714-428. June 11, 2020. Iansiti, M.; Lakhani, K.R.; Mayer, H.; Herman, K. Moderna(A). Harvard Business School Case # N9-621-032. July 13, 2021. Oberholzer-Gee, F.; Stoppiello, K.Tesla Motors in 2024 - Turbulence Ahead. Harvard Business School Case # 9-724-446. March 29, 2024. Weiss, J.R.; Labruyere, T. Siemens Energy - Positioning an Energy Giant for the Future. Harvard Business School Case # 9-722-014. October 1, 2021. Friedman, J.; Danzman, S.B.; Lane, D. TikTok and National Security: Investment in an Age of Data Sovereignty? Harvard Business School Case # 9-722-020. May 8, 2022. Weinzierl, M.C.; Lucas, K.; Sarang, M. SpaceX - Economies of Scale, and a Revolution in Space Access. Harvard Business School Case # 9-720-027. October 5, 2021
Codice insegnamento 95640
INSTRADAMENTO E TRASPORTO IN INTERNET2° anno · 1° semestre · 6 CFU · ING-INF/03 · 0 file
Al termine del corso lo studente conosce i principali protocolli ed algoritmi utilizzati per il trasporto e l'instradamento dei dati in Internet nonché le tecniche di base utilizzate per il dimensionamento ed il progetto…
Scheda dell'insegnamento
Obiettivi formativi
Al termine del corso lo studente conosce i principali protocolli ed algoritmi utilizzati per il trasporto e l'instradamento dei dati in Internet nonché le tecniche di base utilizzate per il dimensionamento ed il progetto delle reti di telecomunicazioni. Sa analizzare il comportamento di una connessione TCP e valutarne le prestazioni. Sa eseguire configurazioni di base per i principali protocolli di routing (RIP, OSPF). Conosce i principi di funzionamento della segnalazione a livelllo di sessione, con riferimento al protocollo SIP.
Programma
Modulo 1 GESTIONE DI RETE Principi generali di gestione di rete (FCAPS). Principi della "softwarizzazione" delle reti di telecomunicazioni. Protocolli moderni di gestione di rete (NETCONF). Piattaforme di orchestrazione di servizi di rete (Kubernetes). Modulo 2 APPLICAZIONI DI INTELLIGENZA ARTIFICIALE PER LA GESTIONE DELLE RETI Esempi pratici di applicazioni di modelli di intelligenza artificiale per la gestione delle reti moderne. Modulo 3 TELETRAFFICO Introduzione alla teoria del teletraffico; sistemi a coda. Applicazioni all'analisi, dimensionamento e pianificazione di reti a commutazione di pacchetto e di circuito. TRASPORTO E CONTROLLO END-TO-END Richiami sul protocollo TCP. Il controllo di flusso nel TCP. Modelli per l'analisi delle prestazioni della connessione TCP.
Modalità d'esame
La verifica finale prevede una prova orale per la verifica delle competenze acquisite nei temi trattati da tutti i moduli del corso. 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 materiale per lo studio verrà fornito dai docenti durante il corso. Per approfondire i contenuti relativi alla teoria del traffico si consiglia il testo: F. Callegati, W. Cerroni, C. Raffaelli, "Traffic Engineering: A Practical Approach", Springer, 2023, ISBN: 978-3-031-09588-7 Per approfondire i contenuti relativi al TCP si consiglia di fare riferimento ai seguenti testi: K. R. Fall, W. R. Stevens, "TCP/IP Illustrated, Vol. 1", 2nd edition, Addison-Wesley, 2012, ISBN: 978-0-321-33631-6 J. F. Kurose, K. W. Ross, "Reti di calcolatori e Internet. Un approccio top-down", 8a edizione, Pearson, 2022, ISBN: 978-88-9191-600-6
At the end of the course, students have acquired knowledge and competencies for designing a system composed of one or more robots (here, we call "robot" an autonomous system which exists in the physical world, can…
Scheda dell'insegnamento
Obiettivi formativi
At the end of the course, students have acquired knowledge and competencies for designing a system composed of one or more robots (here, we call "robot" an autonomous system which exists in the physical world, can sense its environment and can act on it to achieve some goals). In particular, students know the main models, methods, architectures and tools for programming robots equipped with nontrivial computational and cognitive capabilities.
Programma
Introduction to robotics Brief history of robotics Notions of robot and its behavior in a physical environment Main issues in intelligent robotic systems design Behavior-based robotics Overview of main paradigms for coordinating behaviors The subsumption architecture Motor schemas Fuzzy logic and fuzzy systems Behavior trees Experimental evaluation and parameter tuning of control software for robots: practical guidelines Swarm robotics Robot adaptation and learning Artificial evolution and evolutionary robotics Automatic design of robot programs Associative learning Reinforcement learning Value-based learning and intrinsic motivation Deliberative control Informed search algorithms. A* and its variants for path planning problems Robot planning: definitions, principles, and main approaches Navigation problems and main solution approaches Lab activities Experiments conducted in simulation and with physical robots (Thymio) to explore different control strategies and apply the knowledge acquired during the course. The laboratory activities provide hands-on experience in designing, implementing, and testing robot control algorithms in both virtual and real-world environments.
Modalità d'esame
The final examination is intended to assess the extent to which students have achieved the learning objectives of the course, namely the acquisition of the theoretical knowledge presented during the lectures and the ability to design, implement, and evaluate software for robotic systems. The final assessment consists of two components, each contributing 50% to the overall grade: Practical activity (50%) Oral examination (50%) The practical activity may be fulfilled in one of the following ways: The development of an individual or small-group project, subject to the instructor's approval; or active participation in the laboratory sessions, together with the successful, careful, and timely completion and submission of the assigned laboratory work, in full compliance with the instructions and requirements provided by the instructor. The practical component is assessed on the basis of the student's ability to analyse the proposed problem, adopt a sound engineering and scientific approach, and design, implement, and evaluate an effective control solution for a robotic system. Particular attention is paid to the methodology followed, the quality of the proposed solution, and the student's understanding of the design choices made. The oral examination assesses the student's understanding of the topics covered in the course. The evaluation is based on four main criteria: Contextual understanding, namely the ability to frame concepts within the broader context of intelligent robotics and to identify relationships among the topics covered in the course. Clarity of exposition, including the ability to present arguments in a logical, coherent, and effective manner using appropriate technical terminology. Precision, referring to the correctness and accuracy of definitions, explanations, and technical details. Depth of knowledge, reflecting the student's critical understanding of the subjects, ability to motivate design choices, and capacity to discuss limitations, alternatives, and possible extensions. The oral examination is graded according to the following general criteria: 30/30: all four evaluation criteria are fully satisfied, demonstrating complete and accurate knowledge of the course topics, clear and rigorous exposition, and a deep understanding of the subject matter. 27–29/30: the overall performance is very good, with only minor shortcomings in one or more of the evaluation criteria. 24–26/30: the student demonstrates an adequate understanding of the course topics, although some important elements are missing or insufficiently developed, without compromising the overall achievement of the learning objectives. 18–23/30: the student demonstrates only a basic level of achievement of the learning objectives, with significant weaknesses in one or more evaluation criteria, although the minimum requirements for passing the examination are met. The mark of 30 cum laude may be awarded in exceptional cases to students who demonstrate outstanding mastery of the course contents, exceptional critical thinking, and an oral performance that significantly exceeds the requirements for the highest ordinary grade. In addition to the official examination sessions (published on almaesami), students may arrange to take the examination at other times, subject to prior agreement with the instructor.
Testi di riferimento
Lecture slides prepared by the instructor, together with selected research papers and additional course materials, will be made available through the course website. Course textbooks: S. Nolfi, "Behavioral and Cognitive Robotics - An adaptive perspective", CNR-ISTC, 2021. Available for download: https://bacrobotics.com/ R. Pfeifer and C. Scheier, "Understanding intelligence", The MIT Press, 1999. Additional books: R. Pfeifer and J. Bongard, "How the body shapes the way we think", The MIT Press, 2007. M. Mataric, "The Robotic Primer", The MIT Press, 2007. U. Nehmzow, Robot Behaviour: Design, Description, Analysis and Modelling, Springer, 2009.
Codice insegnamento 91411
INTERNSHIP ABROAD FOR THE FINAL EXAMINATION PREPARATION2° anno · 2° semestre · 24 CFU · 0 file
INTERNSHIP FOR THE FINAL EXAMINATION PREPARATION2° anno · 2° semestre · 24 CFU · 0 file
LABORATORY OF NETWORK PROGRAMMABILITY AND AUTOMATION2° anno · 2° semestre · 6 CFU · ING-INF/03 · 0 file
The student will learn the modern network programming and automation methodologies and the related enabling technologies. The student will learn how to use a platform for virtual network programming and automation in a…
Scheda dell'insegnamento
Obiettivi formativi
The student will learn the modern network programming and automation methodologies and the related enabling technologies. The student will learn how to use a platform for virtual network programming and automation in a cloud computing environment and a control plane for software defined networks. Moreover the student will learn how to use specific data models for the design and for the programming of network services, according to the current standards.
Programma
Network Virtualization and cloud computing Network virtualization: Linux namespaces, virtual bridges and virtual switches Virtual networking in cloud computing: VLANs, IP tunneling and VPNs Programming the data plane The P4 language Example of programming switches behavior with P4 Software Defined Networking SDN architecture The OpenFlow protocol Examples of SDN programming with OpenFlow Example of applications to advanced network scenarios (industrial network, 5G and 6G, etc.)
Modalità d'esame
The exam will be a practical application of the concepts presented during the lecture to a specific use case. The use cases will be defined in line with the examples presented in the last part of the course. Every student will be required to implement an application of the networking techniques to the specific use case. The use case will be presented to the student before the end of the classes, they will have some time to develop the solution on their own and the exam will be an oral explanation of such solution, with free oral questions from the teachers.
Testi di riferimento
Jason Edelman, Scott S. Lowe, Matt Oswalt, "Network Programmability and Automation: Skills for the Next-Generation Network Engineer", O'Reilly Media; 1st edition (2018)
Codice insegnamento 93667
LABORATORY OF NETWORK SECURITY AND PROGRAMMABILITY2° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file
The student will learn the modern network programming and automation methodologies, the related enabling technologies and their application to the management of cloud computing infrastructure. The student will learn…
Scheda dell'insegnamento
Obiettivi formativi
The student will learn the modern network programming and automation methodologies, the related enabling technologies and their application to the management of cloud computing infrastructure. The student will learn the difference between data and control plane based network programming and will experience in practice some basic use cases. The student will learn to apply these concepts to advance network monitoring tasks with the scope to guarantee network security and integrity.
Programma
Network Virtualization and cloud computing Network virtualization: Linux namespaces, virtual bridges and virtual switches Virtual networking in cloud computing: VLANs, IP tunneling and VPNs Programming the data plane The P4 language Example of programming switches behavior with P4 Software Defined Networking SDN architecture The OpenFlow protocol Examples of SDN programming with OpenFlow Example of applications to advanced network scenarios (industrial network, 5G and 6G, etc.)
Modalità d'esame
The exam will be a practical application of the concepts presented during the lecture to a specific use case. The use cases will be defined in line with the examples presented in the last part of the course. Every student will be required to implement an application of the networking techniques to the specific use case. The use case will be presented to the student before the end of the classes, they will have some time to develop the solution on their own and the exam will be an oral explanation of such solution, with free oral questions from the teachers.
Testi di riferimento
Jason Edelman, Scott S. Lowe, Matt Oswalt, "Network Programmability and Automation: Skills for the Next-Generation Network Engineer", O'Reilly Media; 1st edition (2018)
Codice insegnamento C8664
MACHINE LEARNING AND DATA MINING2° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file
After the course the student: - kows the main machine learning techniques - knows the methodologies for handling a mining project - develops practical skills in the analysis and interpretation of results through…
Scheda dell'insegnamento
Obiettivi formativi
After the course the student: - kows the main machine learning techniques - knows the methodologies for handling a mining project - develops practical skills in the analysis and interpretation of results through practical exercises with commercial tools and / or open source ones.
Programma
Modulo 1 (Prof. Francia) Introduzione al machine learning Apprendimento supervisionato Classificazione e regressione Modelli basati sulle istanze (k-NN) vs. approcci basati su modelli (alberi decisionali, random forest e reti neurali) Apprendimento non supervisionato Clustering Regole asscoiative Modulo 2 (Prof. Golfarelli) Introduzione alla Data-Centric AI Dallo sviluppo model-centric allo sviluppo data-centric Dimensioni della qualità dei dati Comprensione e profilazione dei dati Analisi esplorativa e visualizzazione dei dati Tecniche di profilazione dei dati Caratterizzazione statistica dei dataset Individuazione dei problemi di qualità Pulizia e validazione dei dati Gestione dei dati mancanti Individuazione dei duplicati Individuazione degli outlier Riduzione del rumore Validazione della coerenza e dell'integrità dei dati Feature engineering Costruzione e trasformazione delle feature Encoding delle feature Normalizzazione delle feature Selezione delle feature Tecniche di riduzione della dimensionalità Ottimizzazione dei dataset Gestione dello sbilanciamento delle classi Tecniche di campionamento e ricampionamento Data augmentation Valutazione della qualità Metriche di valutazione dei dataset Valutazione dei bias e fairness dei dati
Modalità d'esame
Interrogazione orale e discussione di un elaborato. L'elaborato consiste nell'implementazione di un algoritmo avanzato di machine learning tra quelli disponibili in letteratura oppure nell'analisi di un dataset con le tecniche studiate a lezione. L'obiettivo della verifica è quello di capire se le tecniche studiate sono state comprese e se lo studente ha sviluppato capacità pratiche di operare sui dati, di comprenderne il contenuto e di scoprire informazioni nascoste. I voti vengono assegnati in base a una valutazione complessiva delle conoscenze, competenze, capacità di presentazione e discussione delle tematiche trattate. I range di voti corrispondono possono essere descritti come segue: 18-23: preparazione e capacità di analisi sufficienti ma relative ad un numero limitato di argomenti affrontati nel corso, utilizzo di un linguaggio complessivamente corretto; 24-27: preparazione tecnicamente adeguata ma con alcuni limiti rispetto agli argomenti trattati, capacità di analisi buone, anche se non particolarmente articolate, espresse in un linguaggio corretto; 28-30: ottima conoscenza di un ampio numero di temi affrontati nel corso, buone capacità di analisi e di critica, padronanza della terminologia specifica; 30L: conoscenza eccellente e molto approfondita ed esaustiva dei temi affrontati nel corso, capacità di analisi critica e di collegamento, padronanza della terminologia specifica.
Testi di riferimento
Pang-Ning Tan, Michael Steinbach, Vipin Kumar Introduction to Data Mining. Pearson International, 2006. Géron, Aurélien. Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. " O'Reilly Media, Inc.", 2022.
Codice insegnamento 95631
MACHINE LEARNING AND DATA MINING2° anno · 1° semestre · 6 CFU · ING-INF/05 · 0 file
After the course the student: - kows the main machine learning techniques - knows the methodologies for handling a mining project - develops practical skills in the analysis and interpretation of results through…
Scheda dell'insegnamento
Obiettivi formativi
After the course the student: - kows the main machine learning techniques - knows the methodologies for handling a mining project - develops practical skills in the analysis and interpretation of results through practical exercises with commercial tools and / or open source ones.
Programma
Modulo 1 (Prof. Francia) Introduzione al machine learning Apprendimento supervisionato Classificazione e regressione Modelli basati sulle istanze (k-NN) vs. approcci basati su modelli (alberi decisionali, random forest e reti neurali) Apprendimento non supervisionato Clustering Regole asscoiative Modulo 2 (Prof. Golfarelli) Introduzione alla Data-Centric AI Dallo sviluppo model-centric allo sviluppo data-centric Dimensioni della qualità dei dati Comprensione e profilazione dei dati Analisi esplorativa e visualizzazione dei dati Tecniche di profilazione dei dati Caratterizzazione statistica dei dataset Individuazione dei problemi di qualità Pulizia e validazione dei dati Gestione dei dati mancanti Individuazione dei duplicati Individuazione degli outlier Riduzione del rumore Validazione della coerenza e dell'integrità dei dati Feature engineering Costruzione e trasformazione delle feature Encoding delle feature Normalizzazione delle feature Selezione delle feature Tecniche di riduzione della dimensionalità Ottimizzazione dei dataset Gestione dello sbilanciamento delle classi Tecniche di campionamento e ricampionamento Data augmentation Valutazione della qualità Metriche di valutazione dei dataset Valutazione dei bias e fairness dei dati
Modalità d'esame
Interrogazione orale e discussione di un elaborato. L'elaborato consiste nell'implementazione di un algoritmo avanzato di machine learning tra quelli disponibili in letteratura oppure nell'analisi di un dataset con le tecniche studiate a lezione. L'obiettivo della verifica è quello di capire se le tecniche studiate sono state comprese e se lo studente ha sviluppato capacità pratiche di operare sui dati, di comprenderne il contenuto e di scoprire informazioni nascoste. I voti vengono assegnati in base a una valutazione complessiva delle conoscenze, competenze, capacità di presentazione e discussione delle tematiche trattate. I range di voti corrispondono possono essere descritti come segue: 18-23: preparazione e capacità di analisi sufficienti ma relative ad un numero limitato di argomenti affrontati nel corso, utilizzo di un linguaggio complessivamente corretto; 24-27: preparazione tecnicamente adeguata ma con alcuni limiti rispetto agli argomenti trattati, capacità di analisi buone, anche se non particolarmente articolate, espresse in un linguaggio corretto; 28-30: ottima conoscenza di un ampio numero di temi affrontati nel corso, buone capacità di analisi e di critica, padronanza della terminologia specifica; 30L: conoscenza eccellente e molto approfondita ed esaustiva dei temi affrontati nel corso, capacità di analisi critica e di collegamento, padronanza della terminologia specifica.
Testi di riferimento
Pang-Ning Tan, Michael Steinbach, Vipin Kumar Introduction to Data Mining. Pearson International, 2006. Géron, Aurélien. Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. " O'Reilly Media, Inc.", 2022.
Codice insegnamento 95631
MARKETING, SALES AND PLATFORMS FOR THE DIGITAL AGE2° anno · 1° semestre · 6 CFU · SECS-P/08 · 0 file
At the end of the course, the student knows the way in which marketing is understood and thought up to the digital age that has brought the proliferation of channels and technologies which in turn have radically…
Scheda dell'insegnamento
Obiettivi formativi
At the end of the course, the student knows the way in which marketing is understood and thought up to the digital age that has brought the proliferation of channels and technologies which in turn have radically changed the context in which marketers find themselves operating. The student acquires the new marketing skills: data and analytics, customer experience, content, omni-channels and personalization. The students knows the details of Digital Platforms and underlying reasons for adopting them in a business environment and the strategic and innovative technical details as microservices and API management to have a full picture of the key features that make a digital platform really valuable and effective for an organization. Moreover, the student acquires the key capabilities of an omnichannel platform and the standard tools used to select software and solutions the best fit a specific application. Playing with a high-level general-purpose solution (IFTTT) the student understands how much easy is to create new services on top of open platforms. At the end, the student knows platform business model fundamentals to have a full understanding of what make a digital platform a digital business ecosystem.
Programma
"Marketing, Sales and Platforms for the Digital Age" è un corso completo per gli studenti della laurea magistrale in Digital Transformation Management. Serve a capire a fondo come il digitale e l'AI stiano cambiando il marketing, e che cosa questo comporti per le imprese. Fondamenti teorici e applicazione pratica, insieme: si lavora su branding ed emotional branding, strategia di marketing, SEO e SEM, social media, content marketing, e-commerce e conversione, retention e valore del cliente, decisioni guidate dai dati, piattaforme e uso dell'AI lungo tutto il marketing. Il corso è un viaggio unico, guidato da una sola mappa: la Digital Marketing Matrix. La Matrix organizza tutto il marketing digitale in quattro stream e sedici passi, e in aula la percorriamo da un capo all'altro: la Foundation, dove decidiamo chi siamo e chi serviamo; la Discovery, il modo in cui persone e macchine ci trovano; la Conversion, come si trasforma l'attenzione in fatturato; la Loyalty, come si tiene il cliente, lo si fa crescere e se ne dimostra il valore. Ogni sessione avanza sulla mappa e aggiunge uno strato a un piano vero. Chi finisce il corso non porta via un elenco di argomenti sentiti in aula, ma un metodo che può rifare da solo. L'AI attraversa tutti gli stream invece di comparire alla fine, perché è così che la disciplina si pratica oggi. La fase finale si chiude con un piano di marketing completo per un brand italiano, sviluppato e presentato dal gruppo, così la teoria diventa lavoro. Chi esce da qui sa costruire un piano di marketing digitale di livello internazionale, per un'azienda, una startup o il lancio di un prodotto. OPENING THE MATRIX Where are we going, and how? Session 1. Course and Matrix Introduction –Course overview and how the journey works –From traditional to digital to AI-native marketing –The Digital Marketing Matrix: the map for the course and the plan –Roadmap to building your Group project (Digital Marketing Plan) STREAM 1. FOUNDATION Who we are, and who we serve. Session 2. The Objective & The Audience –Step 1. The Objective What is a marketing strategy Aligning marketing with business goals –Step 2. The Audience Market, competitor and opportunity analysis Segmentation, targeting and the beachhead Session 3. The Positioning & The Proposition –Step 3. The Positioning Brand identity Positioning and differentiation Step 4. The Proposition Value proposition and brand promise Voice, message and emotional branding STREAM 2. DISCOVERY How people and machines find us. Session 4. The Search & The Answer –Step 5. The Search SEO fundamentals and keywords SEM and PPC; tools and testing –Step 6. The Answer AI Overviews and answer engines GEO and AEO: being cited by assistants Session 5. The Social & The Content –Step 7. The Social Platform landscape; organic and community Paid social; influencer and creator (macro, micro, nano) –Step 8. The Content Content strategy, storytelling, pillars, formats AI-native content; measuring effectiveness STREAM 3. CONVERSION How we turn attention into revenue. Session 6. The Journey & The Commerce –Step 9. The Journey Omnichannel journeys and touchpoints Mapping the path to purchase –Step 10. The Commerce E-commerce, D2C, marketplaces, subscriptions Agentic and conversational commerce Session 7. The Optimization & The Activation –Step 11. The Optimization Conversion rate optimisation; landing and UX A/B testing; experimentation –Step 12. The Activation Performance and paid media; retargeting, affiliate, programmatic Retail media; the short-term half of the 60/40 split STREAM 4. LOYALTY How we keep, grow and prove it. Session 8. The Retention & The Lifetime –Step 13. The Retention Lifecycle marketing and CRM First-party data and personalisation –Step 14. The Lifetime Customer lifetime value and loyalty economics Predictive churn and next-best-action Session 9. The Advocacy & The Measurement –Step 15. The Advocacy Referral, community and word of mouth Advocacy as the loop’s return path –Step 16. The Measurement KPIs and the measurement question MMM, incrementality and attribution; governance and the EU AI Act THE PLAN Present the journey. Session 10. Final Group Presentations –Consolidating the full plan across the sixteen steps –Telling the strategy as one story Final presentations (15 to 20 slides) and Q&A –Discussion, reflection and feedback –Deliverable. The complete digital marketing plan, presented and defended.
Modalità d'esame
Sono previste modalità d'esame differenziate per studenti frequentanti (partecipazione ad almeno il 60% delle lezioni) e non frequentanti: Studenti Frequentanti Lavoro di Gruppo Presentazione di gruppo Struttura: presentazione di 15-20 slide (PPT, Keynote, PDF) Valore: 10 punti (33% del voto) Lavoro Individuale Esame scritto Struttura: 2 saggi brevi Valore: 20 punti (66% del voto) Durata: 90 minuti Studenti Non Frequentanti Lavoro di Gruppo (escluso) Lavoro Individuale Esame scritto Struttura: 3 saggi brevi Valore: 30 punti (100% del voto) Durata: 90 minuti Considerando che i corsi 37388 Entrepreneurship e 96098 Marketing, Sales and Platforms for the Digital Age sono insegnati come moduli integrati, il voto finale del corso combinato 96097 Marketing in the Digital Age, Innovation and Entrepreneurship sarà calcolato come la media dei voti ottenuti nei due moduli. Poiché l’esame scritto finale è volto a valutare la vostra comprensione dei concetti fondamentali e la loro applicazione pratica, non sarà consentito l’uso di materiali o dispositivi esterni, come computer, tablet, telefoni, calcolatrici, libri o appunti. Tutto ciò di cui avrete bisogno sarà la conoscenza acquisita durante il corso e una buona penna per esprimerla al meglio. I voti sono assegnati sulla base di una valutazione complessiva di conoscenze, competenze, abilità di presentazione e discussione dei temi trattati. Le fasce di voto corrispondono a: 18-23: lo studente ha una preparazione sufficiente e capacità analitiche limitate, diffuse però su pochi argomenti trattati nel corso, con un linguaggio corretto. 24-27: lo studente dimostra una preparazione adeguata a livello tecnico con qualche incertezza sugli argomenti. Buone capacità analitiche ma non molto articolate, con uso corretto del linguaggio. 28-30: ottima conoscenza della maggior parte degli argomenti trattati nel corso, buone capacità critiche e analitiche, buon uso del linguaggio specifico. 30L: conoscenza eccellente e approfondita di tutti gli argomenti del corso, eccellenti capacità critiche e analitiche, uso eccellente del linguaggio specifico.
Testi di riferimento
Dedicated Lecture Slides Selected Online Articles, Videos & Podcasts Details will be available in the e-learning web site of the course
This course focuses on transforming data into better decisions. Specifically, it covers how to model future data uncertainties, predict the outcomes of alternative policy choices, and select the optimal course of…
Scheda dell'insegnamento
Obiettivi formativi
This course focuses on transforming data into better decisions. Specifically, it covers how to model future data uncertainties, predict the outcomes of alternative policy choices, and select the optimal course of action amidst uncertainties. The course provides the broad knowledge and skill base required to design and implement prescriptive analytics solutions for real-world problems. The forecasting section relies on machine learning methods (including statistical, neural and ensemble methods), while the optimization section covers search, specifically heuristic search and basic operational research methods. To succeed in the course, you will need a basic knowledge of probability and statistics, integer linear optimization, and linear algebra. Intermediate knowledge of Python programming and Excel formulas and functions is also expected.
Programma
Il corso fa parte di un curriculum di data science e fornisce alcuni strumenti per prevedere dati gestionali a breve/medio termine (analitica predittiva) e per ottimizzare processi con allocazione di risorse scarse in base ai dati previsti (analitica prescrittiva). Saranno presentati e integrati elementi di analitica predittiva e di ottimizzazione euristica. Per la parte predittiva, il corso propone metodologie e tecniche per analizzare, modellare e prevedere serie temporali univariate, con accenni a quelle multivariate. Si mostrerà, compatibilmente con il tempo a disposizione, che i dati previsionali possono essere elementi di modelli matematici di processi gestionali in cui ottimizzare l'allocazione di risorse scarse. Gli strumenti proposti sono pensati per essere utilizzati in casi applicativi gestinali, casi di studio reali che saranno mostrati compatibilmente con il tempo, e/o richiesti nei progetti finali. I contenuti scientifici del corso sono relativi alle conoscenze necessarie per sviluppare un modulo di analisi operativa su dati ottenuti da un sistema informativo aziendale. In particolare, verranno presentati - breve riepilogo dei modelli stocastici, variabili casuali. distribuzioni di probabilità - modelli predittivi: statistici (ARMA, ARIMA, SARIMA), neurali (MLP, LSTM, forse SVR se il tempo lo permette) e modelli di machine learning / decision tree (ensemble, random forest, boosting). Le tecniche già introdotte in corsi precedenti, saranno qui ricordate brevemente e applicate a casistiche di forecasting univariato con predittori esterni. - indicatori di performance, statistiche descrittive, test di significatività statistica. Gli strumenti già introdotti in corsi precedenti, saranno qui ricordati solo brevemente. - modelli introduttivi di programmazione intera - cenni alle tecniche di risoluzione meta/mat-euristiche I contenuti tecnologici saranno funzionali all'implementazione pratica del modulo citato, che sarà realizzato standalone in python, anche se sono accettabili altri ambienti e architetture. Una soluzione completa sarà realizzata in aula e completata autonomamente da ogni studente, e potrà costituire il progetto per l'esame.
Modalità d'esame
L'esame consiste nella presentazione di un progetto individuale che ogni studente completerà, relativo agli elementi introdotti durante il corso. Per gli studenti che hanno familiarità con la programmazione, il progetto comprenderà competenze sia scientifiche che tecnologiche, che verranno verificate attraverso la presentazione. Il progetto potrebbe consistere in una soluzione informatica unitaria che includa la maggior parte degli elementi introdotti durante il corso. L'argomento specifico sarà suggerito dai candidati. Soluzioni molto complesse possono essere sviluppate in gruppi di massimo due studenti, previa mia approvazione esplicita. La soluzione proposta deve essere in grado di funzionare sulle macchine dei laboratori, e quindi anche sul mio server del corso. In genere, se non diversamente concordato, il progetto sarà una soluzione in python. Non sono accettati notebook jupyter, e solo pandas, numpy, matplotlib e le librerie utilizzate nei lucidi come librerie aggiuntive, a meno che non siano state concordate esplicitamente librerie ulteriori. Gli studenti con limitate eperienze precedenti di programmazione, potrenno presentare in dettaglio casi di studio complessi e significativi dal punto di vista economico, cui verranno applicati gli stessi algoritmi visti a lezione.. La partecipazione attiva alle lezioni darà diritto a bonus specifici, l'utilizzo di comuni dataset scaricati da internet cui vengono applicati solo semplici algoritmi predittivi limiterà il punteggio massimo ottenibile. ----------------------------- da indicazioni di ateneo: Modalità di verifica e valutazione dell'apprendimento: discussione di un progetto individuale. Indicare se si prevedono prove di verifica intermedie: no. Indicare se la prova prevede elaborati da consegnare prima della data di esame: no. Esplicitare i criteri di valutazione della prova di esame e relativa graduazione del voto: per la valutazione si considera la capacità di descrivere il lavoro con collegamenti agli elementi teorici introdotti nel corso, padronanza degli elementi del codice presentato, capacità di interpretare modelli e risultati nei termini del problema affrontato. Indicare sempre se sono ammessi o meno durante le prove strumenti quali ausili di calcolo: la prova è una discussione del codice mentre viene fatto girare in modalità debug. Eventuali indicazioni specifiche per l’iscrizione alla lista d’esame: nessuna lista, appuntamento definito via mail. Nel caso studentesse e studenti con DSA o disabilità si consiglia di riportare quanto segue:/ 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 l’utilizzo dell’Intelligenza Artificiale generativa (IA) nelle prove d’esame: se si include codice generato da IA è necessario essere in grado di giustificare ogni singola istruzione proposta. Incertezze al riguardo risulteranno in un invito a ripresentarsi in una data successiva.
Testi di riferimento
Lucidi a cura del docente. Letture consigliate saranno erse disponibili su virtuale.
Codice insegnamento 95638
PREPARAZIONE PROVA FINALE ALL'ESTERO2° anno · 2° 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
Al termine del corso lo studente: - conosce i principi base del Project Management e ha padronanza degli approcci riscontrabili nel settore della produzione di software, partendo da quelli più tradizionali fino agli…
Scheda dell'insegnamento
Obiettivi formativi
Al termine del corso lo studente: - conosce i principi base del Project Management e ha padronanza degli approcci riscontrabili nel settore della produzione di software, partendo da quelli più tradizionali fino agli approcci iterativi e adattivi tipici delle metodologie "agile"; - conosce qualche strumento di supporto alla gestione di progetti e ha approfondito alcuni aspetti pratici anche con esercitazioni di laboratorio; - è in grado di partecipare e/o gestire un progetto di sviluppo software.
Programma
Introduzione al project management. Definizione di progetto, programma e portfolio. Definizione di scope, qualità, risorse e loro interrelazione. Definizione di project management. Definizione dei processi e delle aree di conoscenza coinvolte nella gestione dei progetti secondo Project Management Body of Knowledge (PMBOK). La gestione degli aspetti fondamentali: integrazione, ambito, tempo, costi, qualità, risorse umane, comunicazione, rischio, approvvigionamento e stakeholder. Il ciclo di vita di un progetto e sua gestione: approccio tradizionale, incrementale, iterativo e adattivo. Scoping process group. Planning process group. Launching/executing process group. Monitoring and controlling process group Closing process group. Esercitazioni. Seminari.
Modalità d'esame
La prova d'esame mira a valutare il raggiungimento degli obiettivi didattici: conoscenza dei principi del project management e dei principali approcci usati; conoscenza dei processi, dei template e degli strumenti di supporto alla gestione di progetti con approfondimento di alcuni aspetti pratici; capacità di gestire un progetto. Per essere ammesso alla prova d'esame lo studente deve consegnare una simulazione di progetto, preventivamente concordata con il docente. Nella preparazione della simulazione di progetto è consentito un uso limitato, dichiarato e non sostanziale dell’IA per attività di supporto. Non è permesso l’uso sostanziale per lo svolgimento della simulazione. La prova finale consiste in un orale in cui lo studente discuterà la simulazione di progetto consegnata e dovrà dimostrare le conoscenze e abilità apprese durante il corso. Il punteggio finale corrisponde indicativamente alle seguenti valutazioni sul livello di apprendimento raggiunto: <18 insufficiente; 18-23 sufficiente; 24-27 buono; 28-30 ottimo; 30 e lode eccellente.
Testi di riferimento
Dispense a cura del docente. Project Management Institute, “A Guide to the Project Management Body of Knowledge (PMBOK® Guide)”, Sixth Edition, 2017, ISBN: 978-1628253825. Project Management Institute, “Agile Practice Guide”, 2017, ISBN: 978-1628251999. F.P. Brooks, “The mythical man-month: essays on software engineering - Anniversary Edition”, 1995, Addison-Wesley, ISBN: 978-0201835953. R.K. Wysocki, “Effective Project Management: Traditional, Agile, Extreme, 6th Edition”, 2011, Wiley, ISBN: 978-1-1180-1619-0.
Al termine della prova finale, lo studente è in grado di lavorare in modo autonomo, con piena padronanza degli strumenti culturali propri dell'informatica, e di esporre e discutere con chiarezza e consapevolezza i…
Scheda dell'insegnamento
Obiettivi formativi
Al termine della prova finale, lo studente è in grado di lavorare in modo autonomo, con piena padronanza degli strumenti culturali propri dell'informatica, e di esporre e discutere con chiarezza e consapevolezza i risultati di un progetto originale di ricerca, di natura sperimentale o teorica, su un tema specifico.
Al termine della prova finale, lo studente è in grado di lavorare in modo autonomo, con piena padronanza degli strumenti culturali propri dell'informatica, e di esporre e discutere con chiarezza e consapevolezza i…
Scheda dell'insegnamento
Obiettivi formativi
Al termine della prova finale, lo studente è in grado di lavorare in modo autonomo, con piena padronanza degli strumenti culturali propri dell'informatica, e di esporre e discutere con chiarezza e consapevolezza i risultati di un progetto originale di ricerca, di natura sperimentale o teorica, su un tema specifico.
The course provides advanced knowledge of the principles and technologies underlying autonomous and connected vehicles, with particular focus on communication, mobility, and artificial intelligence challenges. Students…
Scheda dell'insegnamento
Obiettivi formativi
The course provides advanced knowledge of the principles and technologies underlying autonomous and connected vehicles, with particular focus on communication, mobility, and artificial intelligence challenges. Students will learn how to analyze real-world application scenarios, design system architectures, and use simulation and development tools for autonomous vehicular systems. Laboratory activities will enable students to gain practical experience in modeling and validating solutions for mobility.
Programma
Autonomia, mobilità e intelligenza artificiale sono tra le innovazioni tecnologiche destinate a trasformare più profondamente la società negli anni a venire. Il corso offre una panoramica completa dei sistemi veicolari connessi, mobili e autonomi, con l’obiettivo di comprendere i loro componenti fondamentali e i principi di funzionamento. Saranno analizzati scenari che vanno dagli ADAS fino alla guida autonoma completa, evidenziando come le tecnologie attuali siano ancora in fase evolutiva e non esista una soluzione unica e definitiva. Verranno trattati temi quali sensing, percezione, decision-making, networking, system design e l’uso dei Digital Twin per la modellazione e la simulazione. Si richiede agli studenti: Una buona conoscenza di algoritmi e concetti introduttivi di AI. Buone capacità di programmazione e familiarità con ambienti Linux e sistemi real-time o embedded. Preferibilmente, conoscenza di modelli e framework AI (es. YOLO, TensorRT). Conoscenze di ROS, programmazione CUDA/Jetson e nozioni di base di controllo sono un plus, ma non obbligatorie. Il corso mira a fornire agli studenti una comprensione approfondita dei principi con cui vengono progettati, implementati e validati i moderni sistemi veicolari autonomi e connessi, e di come essi si evolveranno nel prossimo futuro. Le attività di laboratorio, basate sul simulatore CARLA, offriranno esperienza pratica su percezione, pianificazione, controllo e approcci Digital Twin. Comprendere sfide e opportunità legate ai veicoli autonomi, alla mobilità intelligente e alla robotica mobile. Acquisire conoscenze avanzate di networking e sistemi distribuiti applicati ai veicoli connessi, incluse architetture innovative oltre il modello classico di Internet. Analizzare i requisiti di un sistema autonomo e selezionare l’architettura e le tecnologie più adeguate per sensing, percezione, comunicazione e computazione. Acquisire familiarità pratica con ambienti di simulazione (es. CARLA) e piattaforme sperimentali per sistemi autonomi e connessi.
Modalità d'esame
La valutazione si basa su un progetto di gruppo, composto da un massimo di 3 studenti, che include una relazione scritta, il codice sorgente, una presentazione finale, una dimostrazione dal vivo sul simulatore CARLA e una prova orale individuale sugli argomenti trattati durante le lezioni teoriche. Ogni gruppo riceverà un progetto da svolgere durante il corso. Gli studenti dovranno consegnare la relazione di progetto e il codice sorgente completo almeno una settimana prima della data della presentazione. Il progetto dovrà essere già integrato con il controller del simulatore utilizzato durante le attività di laboratorio. Il voto finale, per un massimo di 32 punti, è composto come segue: I criteri di valutazione includono: Correttezza e completezza dell’implementazione Qualità dell’architettura e delle scelte progettuali Originalità e chiarezza della relazione tecnica Funzionalità e robustezza del sistema Corretta integrazione con il simulatore CARLA Completezza della presentazione: 3 punti Padronanza degli argomenti e chiarezza espositiva: 3 punti Rispetto dei tempi: 2 punti Ogni studente sarà valutato individualmente attraverso domande orali sugli argomenti trattati durante le lezioni teoriche. Comprensione dei principali concetti teorici Capacità di spiegare e collegare gli argomenti affrontati durante il corso Uso appropriato della terminologia tecnica Capacità di applicare i concetti teorici a scenari pratici Gruppo di 3 studenti: 30 minuti, oltre alle domande Gruppo di 2 studenti: 20 minuti, oltre alle domande Progetto individuale: 10 minuti, oltre alle domande La presentazione dovrà essere accompagnata da slide. La dimostrazione dal vivo dovrà essere eseguita all’interno di CARLA e dovrà mostrare l’integrazione funzionale del sistema sviluppato.
Testi di riferimento
Il materiale principale del corso sarà fornito direttamente dal docente e consisterà in articoli scientifici recenti, rapporti tecnici e materiale selezionato da testi classici e moderni relativi a guida autonoma, sistemi mobili, networking veicolare e AI per la mobilità. Agli studenti sarà inoltre richiesto di seguire tutorial online e documentazione tecnica relativi ai tool utilizzati nel laboratorio (ad es. CARLA, ROS2, toolkit di AI, librerie per la percezione sensoriale). Sebbene non obbligatori, i seguenti libri forniscono un utile background teorico e pratico: Joseph O’Rourke, Computational Geometry, Cambridge University Press. Testo classico per la comprensione degli algoritmi geometrici utilizzati in navigazione, mapping e ragionamento spaziale. Kevin M. Lynch & Frank C. Park, Modern Robotics: Mechanics, Planning, and Control, Cambridge University Press. Riferimento fondamentale per cinematica, motion planning e controllo nei sistemi autonomi. Andreas Lindholm, Niklas Wahlström, Fredrik Lindsten, Machine Learning: A First Course for Engineers and Scientists, Cambridge University Press. Introduzione pratica al machine learning con applicazioni alla percezione, predizione e decision-making. Sean Meyn, Control Systems and Reinforcement Learning, Cambridge University Press. Testo che collega in modo moderno la teoria del controllo con l'apprendimento per rinforzo, rilevante per il comportamento autonomo.
Codice insegnamento 96994
SOFTWARE ARCHITECTURE AND PLATFORMS2° anno · 2° semestre · 6 CFU · ING-INF/05 · 0 file
The goal of this course is to introduces the essential concepts of software architecture and related abilities expected for a software architect in the practice of software engineering, including the application of…
Scheda dell'insegnamento
Obiettivi formativi
The goal of this course is to introduces the essential concepts of software architecture and related abilities expected for a software architect in the practice of software engineering, including the application of modern architectures (e.g. Service-Oriented Architectures and REST, microservices, event-driven Architectures, cloud-computing architectures) to concrete application contexts, including cyber-physical systems and the IoT. The student will learn to: - analyze how a software architecture relates to an organization and identify its quality attributes; - design software architectures using fundamental principles, patterns, and styles; - implement, deploy and manage software architectures using proper software platforms; - document and evaluate software architectures, using standard languages (e.g. UML) and tools.
Programma
Software Architecture introduction -- What do we mean for Software Architecture and Architectural Thinking -- The Role of Software Architect - Software Architecture foundations -- Basic Concepts and Design Principles -- Architectural Styles and Patterns --- main examples including Layered Architecture, Clean Architecture, Service-Oriented Architecture, Microservices, Event-Driven Architecture - Software Architecture in the Software Engineering Process -- Architectural Significant Requirements -- Designing, implementing, evaluating, documenting, evolving a software architecture -- Software Architectures and Domain-Driven Design -- Software Architectures and DevOps - Software Architectures in Practice - selected domains and case studies -- Pervasive Computing, Internet of Things and Web of Things - with a focus on Digital Twins -- Enterprise Applications and Cloud Computing -- Autonomous/Intelligent Systems - with a focus on Intelligent Agents and Cognitive Architectures
Modalità d'esame
The assessment is an oral exam, in which we will discuss the topics of the course, starting from the material (code + documentation) developed and delivered by the student. The material consists either (alternatively) in: The solution to three practical assignments, assigned during the course. These assignments are meant to be done during the course, but this is not mandatory. They can be done in groups, from 1 to 3 members (exceptions are possible). They should be delivered 2 days before the date planned for the oral exam. The development of a single project. The project can be proposed by the student (possibly refined, by the teacher), or can be chosen from a set proposed by the teacher at the beginning of the course. The oral exam is individual, even when the material has been developed in group. The evaluation (assessment) takes into account: the level of understanding of the course topics, of main concepts and techniques; the quality of the material delivered, including correctness and completeness; the capability to describe and discuss the material, from the general idea to the details.
Testi di riferimento
Mark Richardson and Neal Ford. Fundamental of Software Architecture - An Engineering Approach O'Reilly (2020) Richard N. Taylor et al. Software Architecture - Foundations, Theory, and Practice. Wiley (2010) Robert C. Martin. Clean Architecture. Addison Wesley (2018) Len Bas et al. Software Architecture in Practice. Addison Wesley (2022, 4th ed.) Martin Fowler. Patterns of Enterprise Application Architecture. Addison Wesley (2003) Gregor Hohpe. The Software Architect Elevator. O'Reilly (2020) Eric Evans. Domain-Driven Design: Mark Richardson and Neal Ford. Fundamental of Software Architecture - An Engineering Approach O'Reilly (2020) Vlad Khononov. Domain-Driven Design: Aligning Software Architecture and Business Strategy (2022)
Codice insegnamento B0010
SOFTWARE ARCHITECTURES AND PLATFORMS2° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file
The goal of this course is to introduce the essential concepts of software architecture and related abilities expected for a software architect in the practice of software engineering, including the application of modern…
Scheda dell'insegnamento
Obiettivi formativi
The goal of this course is to introduce the essential concepts of software architecture and related abilities expected for a software architect in the practice of software engineering, including the application of modern architectures (e.g. Service-Oriented Architectures and REST, microservices, event-driven Architectures, cloud-computing architectures) to concrete application contexts, including cyber-physical systems and the IoT. The student will learn to: - analyze how a software architecture relates to an organization and identify its quality attributes; - design software architectures using fundamental principles, patterns, and styles; - implement, deploy and manage software architectures using proper software platforms; - document and evaluate software architectures, using standard languages (e.g. UML) and tools.
Programma
Software Architecture introduction -- What do we mean for Software Architecture and Architectural Thinking -- The Role of Software Architect - Software Architecture foundations -- Basic Concepts and Design Principles -- Architectural Styles and Patterns --- main examples including Layered Architecture, Clean Architecture, Service-Oriented Architecture, Microservices, Event-Driven Architecture - Software Architecture in the Software Engineering Process -- Architectural Significant Requirements -- Designing, implementing, evaluating, documenting, evolving a software architecture -- Software Architectures and Domain-Driven Design -- Software Architectures and DevOps - Software Architectures in Practice - selected domains and case studies -- Pervasive Computing, Internet of Things and Web of Things - with a focus on Digital Twins -- Enterprise Applications and Cloud Computing -- Autonomous/Intelligent Systems - with a focus on Intelligent Agents and Cognitive Architectures
Modalità d'esame
The assessment is an oral exam, in which we will discuss the topics of the course, starting from the material (code + documentation) developed and delivered by the student. The material consists either (alternatively) in: The solution to three practical assignments, assigned during the course. These assignments are meant to be done during the course, but this is not mandatory. They can be done in groups, from 1 to 3 members (exceptions are possible). They should be delivered 2 days before the date planned for the oral exam. The development of a single project. The project can be proposed by the student (possibly refined, by the teacher), or can be chosen from a set proposed by the teacher at the beginning of the course. The oral exam is individual, even when the material has been developed in group. The evaluation (assessment) takes into account: the level of understanding of the course topics, of main concepts and techniques; the quality of the material delivered, including correctness and completeness; the capability to describe and discuss the material, from the general idea to the details.
Testi di riferimento
Mark Richardson and Neal Ford. Fundamental of Software Architecture - An Engineering Approach O'Reilly (2020) Richard N. Taylor et al. Software Architecture - Foundations, Theory, and Practice. Wiley (2010) Robert C. Martin. Clean Architecture. Addison Wesley (2018) Len Bas et al. Software Architecture in Practice. Addison Wesley (2022, 4th ed.) Martin Fowler. Patterns of Enterprise Application Architecture. Addison Wesley (2003) Gregor Hohpe. The Software Architect Elevator. O'Reilly (2020) Eric Evans. Domain-Driven Design: Mark Richardson and Neal Ford. Fundamental of Software Architecture - An Engineering Approach O'Reilly (2020) Vlad Khononov. Domain-Driven Design: Aligning Software Architecture and Business Strategy (2022)
Codice insegnamento C8656
SOFTWARE PROCESS ENGINEERING2° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file
By the end of the course, the student is expected to (i) master advanced techniques for organising the software development process, and to (ii) be able to set up, evolve, and maintain complex software following an agile…
Scheda dell'insegnamento
Obiettivi formativi
By the end of the course, the student is expected to (i) master advanced techniques for organising the software development process, and to (ii) be able to set up, evolve, and maintain complex software following an agile approach. In particular, the student will acquire conceptual and practical skills involving modern version control systems, build automation, multi-platform and multi-target testing, continuous integration, and continuous delivery. The student will also become familiar with relevant notions and practices in software engineering (and their rationale) such as software licensing (with a focus on open source products) and versioning. Finally, the student will train their capability of performing domain-first analyses before development, in a technology-independent fashion, leveraging approaches such as Domain-Driven (DDD) and Model Driven (MDD) development. To support these approaches, the student will be informed about advanced practices, such as the definition of domain-specific languages (DSLs) and the corresponding code generators, as well as the development of language-internal DSLs in modern programming languages.
Programma
Prerequisites Students are expected to have: a working knowledge of object-oriented programming and Java; basic practical knowledge of Git, including repository creation, commits, branches, merges, fetching, and pushing. Previous knowledge of Scala and familiarity with a Unix-like command-line environment are useful but not required. The course is organised into two teaching modules. MODULE 1 — Software process automation and DevOps Agile software-development processes and the DevOps philosophy: collaboration, shared responsibility, reproducibility, automation, incrementality, and continuous improvement. Kotlin essentials, with emphasis on the language features used throughout the course and comparison with Java and Scala. Construction of language-internal domain-specific languages in Kotlin. Build automation, with Gradle as the reference tool. Dependency management: direct and transitive dependencies; dependency graphs and conflict resolution; version constraints and update strategies; dependency locking and reproducible builds. Automated testing and quality assurance, including multi-platform and multi-target test execution. Software release and versioning strategies. Software licensing, with particular attention to open-source software. Organisation of collaborative development workflows using Git. Advanced version-control practices, including rebasing, cherry-picking, squashing, stashing, and submodules. Continuous integration and pipeline design, with GitHub Actions as the reference platform. Continuous delivery and continuous deployment. MODULE 2 — Domain- and model-driven development Domain-Driven Design: domains and bounded contexts; ubiquitous language; context mapping; domain modelling and the principal DDD building blocks. Model-Driven Development: formal and technology-independent models; model transformations; generation of executable artefacts from models. Design and implementation of external and internal domain-specific languages. Development of parsers, interpreters, validators, and code generators for domain-specific languages. Containerisation of software systems. Orchestration of containerised applications and management of their configuration, services, networks, persistent data, and secrets. Multi-platform software design and programming, with Kotlin Multiplatform as a reference technology. Platform-independent modelling, platform-specific implementations, and testing across multiple targets. Bug hunting, fault localisation, debugging, and performance engineering. MLOps: application of DevOps principles and practices to the development, automation, delivery, monitoring, and evolution of machine-learning systems. LLMOps: engineering practices for the development, evaluation, deployment, monitoring, governance, and maintenance of systems based on large language models. Practical activities The conceptual topics are supported by guided laboratory exercises and development tasks.
Modalità d'esame
Assessment is based on a group-developed software project. The project must be finalised at least two weeks before the discussion. Discussion dates are agreed upon on a case-by-case basis and are not scheduled in advance. Groups requiring an appointment before a specific date should contact the teachers in advance to ensure that a suitable examination slot is available. Contacting the teachers three to four weeks in advance is recommended. The project does not need to be complete when the appointment is requested. The discussion consists of: a 10–15-minute presentation of the project; project-driven questions covering all the topics addressed in the course. Candidates may use supporting materials, including slides, during the project presentation. The project must be developed according to Domain-Driven Design or Model-Driven Development principles and may address one of the cyber-physical scenarios discussed during the course. It must demonstrate the ability to organise a collaborative workflow using version-control tools and to automate the building, testing, maintenance, verification, quality assurance, documentation, and deployment of the software product. Students may use any tools, libraries, frameworks, and documentation during project development. The techniques required for this course may also be applied to a project developed for another course, subject to prior agreement with the teachers. Generative AI may be used during project development. Any use of generative AI must be disclosed in the project report. Regardless of how they were produced, all code, documentation, diagrams, schemas, configuration files, and other project artefacts are considered the students’ responsibility. During the discussion, students must be able to explain and justify every part of the submitted work. Failure to explain a code fragment, including pipeline configuration, a technical term used in the report, a diagram, a schema, or any other description is considered an error and negatively affects the evaluation. Serious or repeated failures may result in the project being deemed invalid. The final grade is expressed on a 30-point scale and is determined jointly by the teachers. The evaluation considers: the candidates’ technical preparation and analysis skills; the appropriate and effective use of the methodologies, techniques, and tools presented during the course; the quality and completeness of the project; the ability to explain and justify technical and methodological decisions; mastery of the relevant terminology; the clarity and effectiveness of the presentation and discussion. Original or technically noteworthy project features are also considered in the final evaluation. Attendance is strongly recommended but does not directly affect the final grade. Grades are assigned according to the following criteria: 18–23: sufficient preparation and analysis skills; sufficient knowledge but limited use of the methodologies, techniques, and tools presented during the course; an overall informative discussion. 24–27: fair technical preparation and analysis skills, with some limitations; good knowledge and broad use of the methodologies, techniques, and tools presented during the course; an informative discussion. 28–30: good technical preparation and analysis skills; extensive knowledge and broad use of the methodologies, techniques, and tools presented during the course; mastery of the relevant terminology and an engaging discussion. 30 with honours: excellent technical preparation and analysis skills; extensive knowledge and state-of-the-art use of the methodologies, techniques, and tools presented during the course; complete mastery of the relevant terminology and an insightful discussion. Students with specific learning disorders or temporary or permanent disabilities are advised to contact the relevant University office (https://site.unibo.it/studenti-con-disabilita-e-dsa) well in advance. The office will propose any appropriate adaptations, which must be submitted to the teachers for approval at least 15 days before the examination. The teachers will assess their suitability in relation to the learning outcomes of the course.
Testi di riferimento
Course materials for examination preparation The material contained in the course slides is sufficient to prepare for the examination. The slides are available on the course website or through Virtuale. All readings listed below are suggested and are not required for the course. Suggested books Eric Evans, Domain-Driven Design: Tackling Complexity in the Heart of Software. Mark Richards and Neal Ford, Fundamentals of Software Architecture: An Engineering Approach. Scott Millett and Nick Tune, Patterns, Principles, and Practices of Domain-Driven Design. Additional suggested readings Nate Ebel, Mastering Kotlin: Learn Advanced Kotlin Programming Techniques to Build Apps for Android, iOS, and the Web. Dmitry Jemerov and Svetlana Isakova, Kotlin in Action. Vijay Nair, Practical Domain-Driven Design in Enterprise Java: Using Jakarta EE, Eclipse MicroProfile, Spring Boot, and the Axon Framework. Thomas Stahl and Markus Völter, with Jorn Bettin, Arno Haase, and Simon Helsen, Model-Driven Software Development: Technology, Engineering, Management. Lorenzo Bettini, Implementing Domain-Specific Languages with Xtext and Xtend.
Codice insegnamento B0011
TIROCINIO ALL'ESTERO IN PREPARAZIONE DELLA PROVA FINALE2° anno · 2° semestre · 18 CFU · 0 file
Al termine del tirocinio all’estero in preparazione alla prova finale lo studente aggiunge alle abilità relative alla prova finale in generale la conoscenza diretta di possibili ambiti professionali e di ricerca mediante…
Scheda dell'insegnamento
Obiettivi formativi
Al termine del tirocinio all’estero in preparazione alla prova finale lo studente aggiunge alle abilità relative alla prova finale in generale la conoscenza diretta di possibili ambiti professionali e di ricerca mediante la partecipazione alle attività di strutture estere, che operano in modo coerente con gli obiettivi formativi del corso di studio sull'argomento scelto per la prova finale. In particolare, lo studente è in grado di interagire con diverse realtà professionali operando anche in team di progettazione compositi, ed è in grado di sviluppare - anche in lingua straniera - le proprie abilità comunicative sia interpersonali sia in termini di documentazione tecnica.
Codice insegnamento 81959
TIROCINIO IN PREPARAZIONE DELLA PROVA FINALE2° anno · 2° semestre · 18 CFU · 0 file
Al termine del tirocinio in preparazione alla prova finale (tesi in azienda) lo studente aggiunge alle abilità relative alla prova finale in generale la conoscenza diretta di possibili ambiti professionali e di ricerca…
Scheda dell'insegnamento
Obiettivi formativi
Al termine del tirocinio in preparazione alla prova finale (tesi in azienda) lo studente aggiunge alle abilità relative alla prova finale in generale la conoscenza diretta di possibili ambiti professionali e di ricerca mediante la partecipazione alle attività di strutture esterne all'Università, che operano in modo coerente con gli obiettivi formativi del corso di studio sull'argomento scelto per la prova finale. In particolare, lo studente è in grado di interagire con diverse realtà professionali operando anche in team di progettazione compositi, ed è in grado di sviluppare - anche in lingua straniera - le proprie abilità comunicative sia interpersonali sia in termini di documentazione tecnica.
Codice insegnamento 70441
VISIONE ARTIFICIALE E RICONOSCIMENTO2° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file
Il corso ha l'obiettivo di fornire agli studenti le nozioni e gli strumenti necessari per la progettazione e realizzazione di sistemi automatici in grado di analizzare immagini digitali ai fini della localizzazione e…
Scheda dell'insegnamento
Obiettivi formativi
Il corso ha l'obiettivo di fornire agli studenti le nozioni e gli strumenti necessari per la progettazione e realizzazione di sistemi automatici in grado di analizzare immagini digitali ai fini della localizzazione e riconoscimento di oggetti. Al termine del corso, anche grazie all'attività di laboratorio, lo studente sarà in grado di: - progettare un sistema di visione in grado di analizzare il contenuto di un’immagine digitale; - sviluppare algoritmi di visione basati su tecniche classiche di machine learning, feature hand-crafted (colore forma tessitura), key-point e descrittori locali; - addestrare e ottimizzare reti neurali per problemi di classificazione, localizzazione, segmentazione semantica.
Programma
Richiami di elaborazione di immagini e filtraggio digitale Estrazione di feature Feature di colore: - color histograms e metriche di similarità/distanza; - color moments. Feature di tessitura: - matrici di co-occorrenza dei livelli di grigio e relative; - Filtri di Gabor: banchi di filtri; - Haar features: immagine integrale ed estrazione efficiente delle feature; - Local Binary Pattern. Feature di forma: - Estrazione del contorno e rappresentazioni monodimensionali della forma; - Descrittori di forma, descrittori di Fourier; - Momenti invarianti. Handcrafted features vs Representation learning Image stitching, registrazione immagini 2D, Visual SLAM Keypoints e descrittori locali: - Localizzazione dei punti di interesse: Harris corner detector; - Localizzazione invariante per cambiamenti di scala: Harris Laplace, Laplacian of Gaussian, Difference of Gaussian; - Keypoints e descrittori: descrittori SIFT, SURF, BRIEF, Histogram of Oriented Gradients; - Algoritmo Ransac per feature matching. - Applicazioni in ambito robotico: Visual SLAM (Simultaneous Localization and Mapping) Segmentazione semantica in immagini Tecniche basate su analisi del colore, algoritmo Mean Shift; Tecniche di segmentazione basate su deep learning con esempi applicativi nell’ambito di immagini satellitari e mediche. Riconoscimento “in the wild” Classificazione/detection di oggetti - Feature di forma, colore e tessitura per content-based image retrieval; - Bag of visual Words; - Tecniche di localizzazione/riconoscimento di oggetti tramite template matching rigido basato su feature (es. riconoscimento di prodotti nei supermercati); - Trasformata di Hough; - Tecniche di deep learning per la localizzazione/riconoscimento di oggetti (es. riconoscimento pedoni e segnali stradali, riconoscimento oggetti per robotic vision, localizzazione e riconoscimento di volti). Video sorveglianza e analisi video Tecniche di base per frame subtraction e background modeling Tecniche per il tracking di oggetti/persone e crowd analysis; Cenni a tecniche di analisi video.
Modalità d'esame
L'apprendimento è verificato mediante la realizzazione di un progetto, individuale o di gruppo, e una prova orale sugli argomenti dell'intero programma. Il progetto ha lo scopo di valutare la capacità dello studente di progettare e implementare una soluzione di Computer Vision mediante l'utilizzo delle tecniche affrontate durante il corso, analizzandone criticamente le prestazioni e documentando le scelte progettuali. La prova orale è finalizzata ad accertare: la conoscenza teorica degli argomenti trattati; la capacità di confrontare criticamente tecniche differenti; la padronanza della terminologia scientifica; la capacità di collegare i diversi argomenti del corso e di discutere le scelte progettuali adottate. La valutazione finale tiene conto della qualità del progetto e dell'esito della prova orale. Il progetto costituisce la base della valutazione, mentre la prova orale può modificare il punteggio ottenuto sul progetto, indicativamente fino a ±3 punti, in funzione della preparazione dimostrata, della capacità di analisi critica e della chiarezza espositiva. Sono oggetto di valutazione: correttezza tecnico-scientifica della soluzione proposta; capacità progettuale e implementativa; autonomia nell'analisi dei risultati; capacità di motivare le scelte metodologiche; utilizzo appropriato del linguaggio tecnico; capacità di integrare e collegare i diversi argomenti affrontati durante il corso.
Testi di riferimento
Torralba, Isola, Freeman, "Foundations of Computer Vision", MIT press, 2024. Zhang, Lipton, Li, Smola, Dive into Deep Learning, https://d2l.ai, 2020. Elgendy, "Deep Learning for Vision Systems", Manning, 2020. Forsyth e Ponce, Computer Vision a modern approach, Pearson, 2012. Kaehler e Bradski, Learning OpenCV 3, O'Reilly, 2017. Shi, "Emgu CV Essentials", Packt publishing, 2013. Gonzalez e Woods, Elaborazioni delle immagini digitali, Prentice Hall, 3 edizione, 2008.
Codice insegnamento 29443
WEB SEMANTICO2° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file
Al termine del corso, lo studente: - conosce i concetti, gli standard e i linguaggi del Web Semantico (RDF, RDFS, OWL, SPARQL, SWRL); - sa progettare e interrogare Knowledge Graphs, integrando dati secondo l’approccio…
Scheda dell'insegnamento
Obiettivi formativi
Al termine del corso, lo studente: - conosce i concetti, gli standard e i linguaggi del Web Semantico (RDF, RDFS, OWL, SPARQL, SWRL); - sa progettare e interrogare Knowledge Graphs, integrando dati secondo l’approccio Linked Data; - acquisisce competenze nello sviluppo di applicazioni semantiche e nell’uso di tecnologie come il reasoning e la semantic search; - è in grado di analizzare progetti esistenti e sviluppare prototipi in domini applicativi scelti.
Programma
Tale corso è finalizzato a fornire sia un solido inquadramento concettuale sul tema della rappresentazione della conoscenza nel Web dei Dati, sia le basi per lo sviluppo e l'utilizzo di Knowledge Graphs (KGs) per mezzo degli strumenti più diffusi in informatica e degli standard condivisi, evidenziando problemi di interesse ed analizzando alcune specifiche tematiche. La crescita dei contenuti Web impone lo studio di teorie, metodologie e tecniche di concettualizzazione dei contenuti stessi. Questo insegnamento si propone di fornire agli studenti la comprensione dei presupposti formali, dei linguaggi e delle tecnologie che permettono di realizzare applicazioni oltre che delle competenze specifiche nell'utilizzo e nello sviluppo di sistemi informatici per la gestione semantica della conoscenza. In particolare, il corso affronta i seguenti argomenti: KG nel Web of Data (Semantic Web, Linked Open Data) Tecnologie semantiche (RDF, RDFS, inferenza logica, RDFa, microformati) Interrogare RDF (DBPedia KG, SPARQL) Rappresentazione della conoscenza tramite ontologie (OWL) KG applications (ontologie, KG programming, visualisation and analytics)
Modalità d'esame
Obiettivo della verifica dell'apprendimento è capire se i concetti, gli standard e i linguaggi studiati sono stati compresi e se lo studente ha sviluppato capacità pratiche di operare con essi. La modalità con cui essa viene svolta è tramite la realizzazione di 3 progetti. Nel primo si richiede che lo studente analizzi e descriva le funzionalità e le caratteristiche di un progetto che usa strumenti del Web Semantico fra i tanti introdotti a lezione e appartenenti al mondo dell'industria, delle aziende, delle PA o dell'accademia. Nel secondo e terzo progetto si richiede che lo studente, eventualmente anche in gruppo, sviluppi un proprio prototipo di progetto, utilizzando prima RDF e RDFS e collegando quanto più possibile i dati rappresentati a vocabolari esistenti e condivisi, poi modellando la conoscenza del dominio tramite OWL e operando su essa ragionamenti automatici. Il dominio di interesse viene scelto in accordo con il docente. Un orale in cui lo studente espone quanto realizzato conclude la verifica. Sarà valutata la padronanza dei concetti fondamentali e la capacità operativa nell’applicarli. Un punteggio più alto sarà assegnato a chi mostrerà una comprensione completa dei contenuti dell’insegnamento, sapendo impiegarli con proprietà di linguaggio e autonomia nella risoluzione di problemi, anche di natura nuova o non trattati durante le lezioni. Il mancato superamento dell’esame potrà invece derivare da una conoscenza parziale o inadeguata dei concetti di base, da un uso improprio del linguaggio tecnico, o da una scarsa capacità di astrazione e generalizzazione.
Testi di riferimento
Dispense distribuite dal docente durante il corso e pubblicate sul sito di riferimento. Testo di eventuale approfondimento: Semantic Web for the Working Ontologist: Effective Modeling for Linked Data, RDFS, and OWL, third edition, Dean Allemang, James Hendler, Fabien Gandon,
Codice insegnamento 42500
EU LAW OF ALGORITHM1° semestre · 6 CFU · IUS/07 · 0 file
Solo per te: ti prepariamo il riassunto e le domande per ripassare. Il primo file è gratis e l'originale resta tuo.
Oppure condividili con la community e guadagna crediti.
Accidenti, ancora non abbiamo il tuo corso di laurea!
Se ti va puoi inserirlo tu in pochi click — anche solo il corso di laurea, oppure completo di tutti i corsi!
Aggiungilo subito
e faremo del nostro meglio per popolarlo di materiale interessante.
Nel frattempo inizia a guadagnare crediti invitando i tuoi amici, così appena saremo attivi potrai subito accedere al materiale disponibile.
Bastano 3 amici verificati per attivare l'abbonamento…
Consiglia ai tuoi amici
Scrivi ai tuoi vecchi amici o ai tuoi nuovi colleghi di studio. Ogni email che inserisci rappresenta un mattone importante per la community.
Per ogni amico che porti otterrai nuovi crediti!