Corso di laurea
Informatica Applicata E Data Analytics
Università degli Studi di Cagliari · 23 materie · 0 file condivisi
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
CONOSCENZA E COMPRENSIONE. Chi frequenta il corso conosce gli algoritmi fondamentali per la risoluzione di problemi computazionali di base e le principali strutture dati elementari; comprende i principi di…
Scheda dell'insegnamento
Obiettivi formativi
CONOSCENZA E COMPRENSIONE. Chi frequenta il corso conosce gli algoritmi fondamentali per la risoluzione di problemi computazionali di base e le principali strutture dati elementari; comprende i principi di progettazione algoritmica, inclusi approcci di Intelligenza Artificiale, e i concetti di complessità computazionale. CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE. Chi frequenta il corso è in grado di progettare e implementare algoritmi e strutture dati per risolvere problemi computazionali elementari, stimando l’ordine di grandezza del costo computazionale e valutandone l’efficienza e la correttezza. AUTONOMIA DI GIUDIZIO. Chi frequenta il corso sviluppa la capacità di analizzare criticamente soluzioni algoritmiche alternative, selezionando quelle più appropriate in base a criteri di correttezza, efficienza e complessità. ABILITÀ COMUNICATIVE. Chi frequenta il corso è in grado di elaborare e presentare, in forma scritta e, se richiesto, attraverso discussione tecnica durante le attività didattiche, progetti e soluzioni algoritmiche, illustrando in modo chiaro il processo di progettazione e le motivazioni delle scelte effettuate. CAPACITÀ DI APPRENDIMENTO. Chi frequenta il corso acquisisce le basi metodologiche necessarie per approfondire in autonomia tematiche avanzate di algoritmi e strutture dati, e per affrontare con continuità percorsi di apprendimento successivi nell’area dell’informatica.
Programma
Il corso prevede 40 ore di lezioni frontali ed esercitazioni e 30 ore di laboratorio, distribuite in 10 settimane di attività didattica. Ciascuna settimana è dedicata a uno specifico tema, articolato in circa 4 ore di lezioni/esercitazioni e 3 ore di laboratorio: 1. Ruolo degli algoritmi nell’elaborazione dei dati, crescita delle funzioni ed efficienza degli algoritmi – 4h teoria/esercizi, 3h laboratorio. 2. Divide et impera, ricerca e selezione – 4h teoria/esercizi, 3h laboratorio. 3. Algoritmi di ordinamento (insertion sort, mergesort, quicksort, bubblesort, selection sort) – 4h teoria/esercizi, 3h laboratorio. 4. Strutture dati elementari e hashing – 4h teoria/esercizi, 3h laboratorio. 5. Alberi binari di ricerca, heap e heapsort – 4h teoria/esercizi, 3h laboratorio. 6. Programmazione dinamica – 4h teoria/esercizi, 3h laboratorio. 7. Algoritmi avidi (greedy) e introduzione agli algoritmi su grafi – 4h teoria/esercizi, 3h laboratorio. 8. Cammini minimi da sorgente unica – 4h teoria/esercizi, 3h laboratorio. 9. Cammini minimi fra tutte le coppie – 4h teoria/esercizi, 3h laboratorio. 10. String matching – 4h teoria/esercizi, 3h laboratorio.
Chi frequenta il corso deve possedere: - concetti di base della programmazione, indispensabili per comprendere gli argomenti trattati; - la capacità di scrivere programmi per la soluzione di semplici problemi, indispensabile; - la capacità di utilizzare efficacemente la ricorsione, importante; - conoscenze di base di matematica discreta, indispensabili; - conoscenze di base di analisi matematica, utili per l’approfondimento degli argomenti trattati. Non sono previste propedeuticità formali dal regolamento didattico del Corso di Studio; tuttavia, è fortemente consigliato aver acquisito e certificato gli esiti di un insegnamento introduttivo di programmazione.
Il corso ha una durata complessiva di 84 ore, articolate in 48 ore di lezioni frontali ed esercitazioni e 36 ore di laboratorio. Le lezioni frontali presentano i fondamenti teorici degli argomenti trattati, integrati da esercizi di analisi e risoluzione di problemi, al fine di sviluppare conoscenza e capacità di comprensione, nonché di applicare in modo critico i concetti acquisiti. Le attività di laboratorio prevedono la progettazione e l’implementazione di algoritmi e strutture dati, favorendo la capacità di applicare conoscenza e comprensione, l’autonomia di giudizio e le abilità comunicative attraverso il confronto collettivo e la programmazione guidata. Una parte delle ore complessive (circa 14 ore) è dedicata ad attività di auto-valutazione e simulazione, organizzate come esercitazioni pratiche e prove di ragionamento collettivo. Tali attività sono parte integrante del percorso didattico e hanno la finalità di favorire l’apprendimento progressivo e consapevole, stimolando la capacità di apprendimento e l’autonomia nello studio. La distribuzione delle attività didattiche assicura coerenza con gli obiettivi formativi: le lezioni frontali sostengono la conoscenza e comprensione, le esercitazioni e i laboratori sviluppano la capacità di applicare conoscenza e comprensione, mentre le attività di auto-valutazione e la discussione critica integrata rafforzano autonomia di giudizio, abilità comunicative e capacità di apprendimento.
Modalità d'esame
La valutazione prevede prove scritte di teoria e di laboratorio, integrate da attività di auto-valutazione. - PROVE DI TEORIA. Consistono in esercizi e quesiti di varia tipologia (domande a risposta aperta, esercizi di analisi della complessità, problemi di progettazione algoritmica) volti a verificare la conoscenza e comprensione degli argomenti trattati e la capacità di applicare le conoscenze acquisite. Sono previste due prove scritte (9 punti ciascuna, per un totale di 18/30). - PROVE DI LABORATORIO. Consistono nella progettazione e implementazione di algoritmi e strutture dati, con attenzione alla correttezza, all’efficienza e alla chiarezza del codice prodotto. Sono previste due prove pratiche (7.5 punti ciascuna, per un totale di 15/30). - CHALLENGE SETTIMANALI. Dieci mini-prove di auto-valutazione (0.30 punti ciascuna, fino a un massimo di 3 punti complessivi) mirano a monitorare la comprensione progressiva dei contenuti. Il punteggio ottenuto contribuisce come bonus al voto finale. Il voto complessivo è espresso in trentesimi. L’esame si considera superato se la somma dei punteggi delle prove di teoria (max 18) e di laboratorio (max 15) raggiunge almeno 18/30, a condizione che ciascuna delle due parti consegua almeno la sufficienza minima prevista. Solo dopo il calcolo del voto base viene applicato l’eventuale bonus derivante dalle challenge settimanali (max 3 punti). La lode è attribuita a chi, includendo il bonus, raggiunge un punteggio pari o superiore a 31, dimostrando conoscenze eccellenti e padronanza completa della materia. Il docente si riserva la possibilità di richiedere una prova orale integrativa, finalizzata ad approfondire aspetti teorici o progettuali, qualora ritenuto necessario per completare la valutazione. Le prove di teoria verificano soprattutto "conoscenza e comprensione" e "capacità di applicare conoscenza e comprensione". Le prove di laboratorio valutano principalmente "capacità di applicare conoscenza e comprensione" e "autonomia di giudizio". Le challenge settimanali supportano lo sviluppo della "capacità di apprendimento". Criteri di attribuzione del voto: - 18/30: conoscenze e competenze di base, risposte semplici e non sempre complete; - 24/30: conoscenze corrette e capacità di applicare metodi e tecniche in modo adeguato; - 27/30: buona padronanza degli argomenti, capacità di analisi e chiarezza nelle soluzioni proposte; - 30/30 e lode: conoscenza eccellente di tutti i contenuti, applicazione avanzata dei metodi, forte capacità di analisi critica autonoma.
Testi di riferimento
Codice insegnamento 21306
Il corso si propone di fornire le conoscenze di concetti astratti e metodi pratici di calcolo differenziale e integrale per funzioni di una e di più variabili. Lo scopo è di raggiungere i seguenti fondamentali obiettivi:…
Scheda dell'insegnamento
Obiettivi formativi
Il corso si propone di fornire le conoscenze di concetti astratti e metodi pratici di calcolo differenziale e integrale per funzioni di una e di più variabili. Lo scopo è di raggiungere i seguenti fondamentali obiettivi: 1) conoscere e comprendere i contenuti fondamentali del corso di Analisi Matematica 2) capacità di applicare i concetti e metodi matematici appresi nel corso ad altri contesti di studio e/o applicazioni scientifico-tecnologiche (e.g., Algoritmi e Strutture Dati, Intelligenza Artificiale). 3) Sviluppare la capacità di analisi e di deduzione.
Programma
Introduzione alla Logica Matematica. Insiemi. Elementi della teoria assiomatica dei numeri reali. Estremo superiore, estremo inferiore, massimo e minimo di insiemi numerici. Il principio di induzione. Funzioni di una variabile reale a valori reali. Funzioni iniettive, suriettive, biiettive. Funzioni composte, funzioni invertibili, funzioni monotone. Funzioni elementari: funzioni lineari, polinomiali, funzione valore assoluto, funzioni potenza, irrazionali, esponenziale e logaritmo, funzioni trigonometriche. Limiti di successioni. Unicità del limite. Successioni limitate. Operazioni sui limiti. Forme indeterminate. Teoremi di confronto. Limiti notevoli. Successioni monotone. Cenni sul numero di Nepero (e). Limiti e continuità. Limiti di funzioni e di successioni. Funzioni continue. Discontinuità. Teoremi notevoli sulle funzioni continue. Funzioni monotone e continue. Derivata. Significato geometrico e fisico della derivata. Operazioni con le derivate. Teoremi di derivazione delle funzioni composte e delle funzioni inverse. Derivate delle funzioni elementari. Derivate di ordine superiore. Applicazioni delle derivate. Teoremi di Fermat, di Rolle e di Lagrange. Criterio di monotonia. Criterio di convessità. Teorema di de l'Hôpital. Studio del grafico di una funzione. Formula di Taylor. Integrali indefiniti. Integrali immediati e prime proprietà. Metodi per il calcolo di integrali indefiniti. Integrale di Riemann (definito). Definizioni e notazioni. Significato geometrica dell'integrale definito. Proprietà elementari dell'integrale definito. Teorema di Lagrange (del valor medio). Il teorema fondamentale del calcolo integrale. Funzioni di più variabili. Limiti e continuità. Derivate parziali, gradiente, differenziabilità, piano tangente, derivate direzionali. Derivate parziali di ordine superiore, il teorema di Schwartz. La matrice Hessiana. Differenziabilità di funzioni di più variabili a valori vettoriali. Matrice Jacobiana. Derivate di funzioni composte. Formula di Taylor al secondo ordine. Ottimizzazione. Estremi liberi per funzioni di più variabili. Condizione necessaria (gradiente zero). Lo studio dei massimi e minimi tramite la matrice Hessiana per funzioni di due variabile. Serie numeriche: convergenza, convergenza assoluta, criteri di convergenza per serie a termini positivi. Serie a termini alterni. Serie di potenze. Serie di Taylor per alcune funzioni elementari. Esempi e applicazioni.
Avere familiarità con le operazioni aritmetiche elementari tra numeri. Saper convertire una frazione in numero decimale e viceversa. Avere familiarità con la distinzione fra insiemi numerici (naturali, interi, razionali, reali). Conoscere le proprietà formali delle operazioni (commutativa, associativa, distributiva). Saper calcolare e manipolare espressioni contenenti potenze e radicali. Riconoscere il grado dei polinomi (anche in più variabili) e saper effettuare le operazioni algebriche fondamentali sui polinomi. Saper manipolare e semplificare espressioni razionali fratte anche in più variabili. Saper risolvere equazioni e disequazioni in una incognita di 1mo e 2do grado. Conoscere le definizioni di funzioni elementari come: potenza, esponenziale, logaritmo e funzioni trigonometriche (e.g., seno, coseno e tangente) Conoscere le proprietà geometriche elementari delle principali figure piane. Saper calcolare la lunghezza di una circonferenza, l'area del cerchio, i volumi di cubo, parallelepipedo, piramide, cilindro, cono e sfera. Conoscere i teoremi di Talete, di Pitagora e di Euclide e saperli usare per risolvere problemi di geometria elementare.
Lezioni frontali interattive e dialogate con esercitazioni guidate e supervisione di lavori individuali. Esercitazioni ed attività integrative saranno tenute da un tutor.
Modalità d'esame
Gli esami si terranno in presenza. La prova sarà composta da una parte scritta, con la possibilità di convocazione a esame orale (teorico), qualora il professore lo giudichi necessario.
Testi di riferimento
[1] P. Marcellini, C. Sbordone. Analisi matematica uno. Liguori editore (1998) [2] N. Fusco, P. Marcellini, C. Sbordone. Analisi matematica due. Liguori editore (1996) [3] C.D. Pagani, S. Salsa. Analisi matematica, Volume 1, Zanichelli (2015) [4] P. Marcellini, C. Sbordone. Esercitazioni di Analisi Matematica, Volume 1, Parte 1. Liguori Editore (2013) [5] P. Marcellini, C. Sbordone. Esercitazioni di Analisi Matematica, Volume 1, Parte 2. Liguori Editore (2013) [6] P. Marcellini, C. Sbordone. Esercitazioni di Analisi Matematica, Volume 2, Parte 1. Liguori Editore, 2da ed (1995) [7] P. Marcellini, C. Sbordone. Esercitazioni di Analisi Matematica, Volume 2, Parte 2. Liguori Editore (1991)
Codice insegnamento 21310
Gli obiettivi del corso sono: 1. Conoscenza e capacità di comprensione. L’insegnamento, rivolto agli studenti del I anno del corso di laurea in Informatica Applicata e Data Analytics, mira a fornire una solida…
Scheda dell'insegnamento
Obiettivi formativi
Gli obiettivi del corso sono: 1. Conoscenza e capacità di comprensione. L’insegnamento, rivolto agli studenti del I anno del corso di laurea in Informatica Applicata e Data Analytics, mira a fornire una solida comprensione dei principi fondamentali della fisica e del metodo sperimentale. Gli argomenti saranno approfonditi e illustrati con esempi pertinenti al campo di studio. 2. Capacità di applicare conoscenza e comprensione. Durante il corso, gli studenti saranno coinvolti nella risoluzione di problemi che richiedono l’applicazione delle conoscenze teoriche acquisite, sia attraverso esercitazioni in aula che tramite attività individuali supportate da piattaforme digitali. L’obiettivo è sviluppare la capacità di applicare i concetti fisici a situazioni reali e pertinenti all’informatica e all’analisi dei dati. 3. Autonomia di giudizio. Il corso intende sviluppare la capacità degli studenti di valutare criticamente le metodologie fisiche e di applicarle nella risoluzione di problemi complessi, promuovendo l’autonomia nel giudizio e la capacità di adattare le conoscenze a contesti specifici dell’informatica applicata e dell’analisi dei dati. 4. Abilità comunicative. Attraverso discussioni e presentazioni in classe, gli studenti saranno incoraggiati a esprimere e argomentare le proprie scelte in modo chiaro ed efficace, migliorando le competenze comunicative essenziali per la collaborazione interdisciplinare e la condivisione di conoscenze nel campo dell’informatica e dell’analisi dei dati. 5. Capacità di apprendimento. Il corso fornisce agli studenti una base solida per comprendere i fenomeni fisici e le loro applicazioni tecnologiche, stimolando l’apprendimento autonomo e continuo, fondamentale per affrontare le sfide future nel campo dell’informatica applicata e dell’analisi dei dati.
Programma
1. Nozioni preliminari [4 ore] Introduzione alla fisica ed al metodo scientifico. Unita` di misura e nomenclatura. Vettori. 2. Cinematica e Meccanica [24 ore] Studio del moto in una e due dimensioni. Leggi di Newton, energia cinetica e lavoro. Oscillazioni meccaniche e onde. 3. Elettromagnetismo e ottica [20 ore] Carica elettrica, campo elettrico e legge di Gauss. Corrente, potenziale elettrico, capacita`, resistenza. Cenno ai circuiti. Magnetismo e campo magnetico. Onde elettromagnetiche.
1. Conoscenze. Per affrontare il corso è necessario possedere solide basi in algebra lineare e analisi matematica, con particolare attenzione a derivate, integrali e trigonometria. 2. Abilità. Gli studenti devono essere capaci di applicare le tecniche apprese nei corsi di matematica, tra cui: rappresentazione grafica di funzioni elementari, calcolo di derivate e integrali, utilizzo del calcolo vettoriale e conoscenze di trigonometria. 3. Competenze. È richiesta una padronanza delle nozioni fondamentali di matematica acquisite nel percorso scolastico superiore. Corsi propedeutici: Non sono previsti corsi propedeutici obbligatori, ma è altamente consigliabile aver frequentato e superato gli esami di Matematica.
Il corso prevede 48 ore di lezioni frontali e 24 ore di esercitazioni in aula. Le esercitazioni sono finalizzate all’applicazione pratica dei metodi studiati durante le lezioni teoriche e consistono nello svolgimento di problemi e simulazioni di possibili prove d’esame. Tali attività sono supportate da un servizio di tutorato per assistere gli studenti nello studio e nella preparazione della prova finale.
Modalità d'esame
La verifica dell’apprendimento si compone di una prova scritta suddivisa in due parziali, ciascuno relativo a una delle due parti del corso. È importante tenere presente che chi non sostiene il primo parziale non potrà accedere al secondo. Chi non supera i parziali dovrà sostenere gli appelli regolari, che consistono in compiti scritti sull’intero programma del corso.
Testi di riferimento
Halliday , Resnick, Walker, Fondamenti di Fisica CeA editrice.
Codice insegnamento 21309
Conoscenza e capacità di comprensione: L'obiettivo principale del corso di fondamenti di Informatica è quello di fornire allo studente gli strumenti necessari a comprendere i principi fondamentali dell’informatica,…
Scheda dell'insegnamento
Obiettivi formativi
Conoscenza e capacità di comprensione: L'obiettivo principale del corso di fondamenti di Informatica è quello di fornire allo studente gli strumenti necessari a comprendere i principi fondamentali dell’informatica, dell'Intelligenza Artificiale e della Data Analytics, un’introduzione sull’architettura dei calcolatori, la progettazione di algoritmi base per la manipolazione di strutture dati, funzione di valutazione euristica. Capacità di applicare conoscenza e comprensione. Lo studente sarà in grado di comprendere l'organizzazione e la logica del funzionamento dei moderni sistemi informativi, l’architettura dei calcolatori, di sviluppare algoritmi per la soluzione di problemi con metodi “classici” ed “euristici”. Autonomia di giudizio: lo studente sarà in grado di interpretare, valutare ed esprimere giudizi autonomi in relazione a questioni legate ai principi fondamentali dell’informatica. Abilità comunicative: lo studente sarà in grado di comunicare informazioni, idee, problemi e soluzioni mediante l’impiego di un linguaggio tecnico applicando le nozioni di base fornite nel corso. Capacità di apprendere autonomamente: lo studente sarà in grado di raccogliere, organizzare, e approfondire e interpretare in maniera critica e misurabile i concetti espressi durante il corso, integrate con altre fonti.
Programma
Rappresentazione Binaria dei Numeri: naturali, interi, frazionari, reali. • Codifica dei caratteri. Codifica delle immagini, dei suoni e dei video. • Concetto di algoritmo, linguaggi, sistemi informatici. Applicazioni dell'informatica e sue aree disciplinari. Codifica degli algoritmi. Algoritmi e AI • Nozioni di base sull'organizzazione di un calcolatore. • Nozioni di base sull'organizzazione di un Sistema Operativo. • Introduzione alla Reti. Modello Iso/osi Internet Protocol suite, Apparati di rete • Introduzione alla sicurezza informatica: concetti base sulla sicurezza informatica. Attacchi informatici. Cenni di autenticazione e crittografia.
Nessuno
Lezioni frontali ed esercitazioni guidate (48 ore). Esercitazioni aggiuntive da svolgere a casa o nella piattaforma e-learning
Modalità d'esame
La prova è effettuata in forma scritta sulla piattaforma e-learning, con domande a risposta aperta, a risposta multipla riguardanti argomenti trattati durante il corso: fondamenti dell’informatica, risoluzione di esercizi di conversione tra formati binario, ottale, esadecimale, decimale; rappresentazione dell’informazione; architettura dei calcolatori. La prova scritta è obbligatoria. Una successiva prova orale sarà obbligatoria Nella prova orale verranno trattate in particolare le eventuali lacune della prova scritta oltre agli argomenti del programma.
Testi di riferimento
D. Mandrioli et al., "Informatica: arte e mestiere", Mc. Graw Hill Italia, Milano - J.G. Brookshear. Informatica. Una panoramica generale. Pearson, - Appunti del docente
Codice insegnamento 21303
L'obbiettivo è di fornire gli strumenti algebrici di base usati nell''ambito della Matematica con particolare attenzione a quelli necessari per affrontare i problemi dell''aritmetica modulare e dell'algebra lineare.
Scheda dell'insegnamento
Obiettivi formativi
L'obbiettivo è di fornire gli strumenti algebrici di base usati nell''ambito della Matematica con particolare attenzione a quelli necessari per affrontare i problemi dell''aritmetica modulare e dell'algebra lineare.
Programma
**Fondamenti di teoria degli insiemi e relazioni.** Nozioni fondamentali sugli insiemi; appartenenza, inclusione, uguaglianza ed insieme delle parti; principali insiemi numerici; operazioni tra insiemi; prodotto cartesiano. Principio di induzione e sue applicazioni. Relazioni binarie e loro proprietà. Relazioni di equivalenza, classi di equivalenza e partizioni. Relazioni d’ordine, insiemi parzialmente e totalmente ordinati. Applicazioni tra insiemi; iniettività, suriettività, biiettività, composizione e applicazione inversa. **Aritmetica modulare e crittografia.** Divisione euclidea, divisibilità, massimo comune divisore e identità di Bézout. Congruenze e classi di resto; operazioni modulari, elementi invertibili e divisori dello zero. Funzione di Eulero e teorema di Eulero–Fermat. Calcolo efficiente delle potenze modulari mediante quadrati ripetuti. Principi della crittografia a chiave pubblica; generazione delle chiavi, cifratura, decifratura e correttezza dell’algoritmo RSA. Teorema cinese dei resti, procedura di risoluzione dei sistemi di congruenze e applicazioni a RSA. **Vettori e geometria analitica.** Vettori nel piano e nello spazio; coordinate, combinazioni lineari e rappresentazione parametrica e cartesiana delle rette. Prodotto scalare, norma, distanza, angoli, ortogonalità e proiezioni. Prodotto vettoriale e prodotto misto; calcolo di aree e volumi. Piani nello spazio in forma parametrica e cartesiana; parallelismo, perpendicolarità, allineamento e complanarità. **Spazi vettoriali e sottospazi.** Definizione ed esempi di spazi vettoriali. Sottospazi vettoriali e criteri di riconoscimento. Sottospazi generati, combinazioni lineari, sistemi di generatori, dipendenza e indipendenza lineare. Basi, coordinate rispetto a una base e dimensione. Determinazione di basi di sottospazi assegnati mediante generatori o equazioni lineari omogenee. **Matrici e sistemi lineari.** Operazioni tra matrici, trasposta, prodotto matrice-vettore e prodotto di matrici. Matrice identità, matrici invertibili e determinante. Sistemi lineari, rappresentazione matriciale e matrice aumentata. Operazioni elementari sulle righe, forma a gradini, metodo di eliminazione di Gauss e metodo di Gauss–Jordan. Sistemi omogenei e non omogenei; sistemi dipendenti da parametri; discussione dell’esistenza e del numero delle soluzioni. **Applicazioni lineari.** Definizione, esempi e proprietà fondamentali. Matrice associata a un’applicazione lineare. Nucleo e immagine; determinazione di basi e dimensioni. Teorema della dimensione. Iniettività, suriettività e invertibilità delle applicazioni lineari. Interpretazione geometrica di alcune trasformazioni lineari.
Conoscenza di base dell'aritmetica e delle operazioni elementari tra numeri, della distinzione dei diversi insiemi di numeri (naturali, interi, razionali e reali). Conoscenza delle proprietà delle operazioni (commutatività, associatività, distributività) e delle proprietà geometriche di base, come il teorema di Pitagora.
Lezioni frontali con il docente ed esercitazioni con il tutor.
Modalità d'esame
Esame scritto (valutazione in 30esimi) con esercizi e domande di teoria.
Testi di riferimento
- Delizia, Longobardi, Maj e Nicotera. Matematica Discreta, McGraw Hill. - Abate, Marco. Geometria. Milano: McGraw-Hill Education, 1996.
Codice insegnamento 21305
La statistica è importante in molti ambiti lavorativi e la sua importanza è destinata a crescere con la sempre maggiore disponibilità di dati conseguente alla rivoluzione digitale. In coerenza con gli obiettivi formativi…
Scheda dell'insegnamento
Obiettivi formativi
La statistica è importante in molti ambiti lavorativi e la sua importanza è destinata a crescere con la sempre maggiore disponibilità di dati conseguente alla rivoluzione digitale. In coerenza con gli obiettivi formativi del Corso di Laurea in Informatica Applicata e Data Analytics, il corso istituzionale di Probabilità e Inferenza Statistica si propone di illustrare i principali strumenti per l’analisi dei dati e i concetti di base del calcolo delle probabilità e della statistica inferenziale, con particolare attenzione agli aspetti computazionali. Risultati attesi di apprendimento (conoscenza e comprensione): Al termine del corso lo studente avrà compreso le tecniche per sintetizzare un insieme di dati, i principali modelli probabilistici e le principali procedure di inferenza statistica. Lo studente avrà compreso motivazioni e ipotesi alla base delle tecniche statistiche presentate e saprà quindi motivare il loro utilizzo a seconda dei casi. Risultati attesi di apprendimento (capacità di applicare conoscenza e comprensione): Al termine del corso lo studente sarà in grado di applicare criticamente le conoscenze apprese: saprà identificare e usare la procedura statistica più appropriata alla situazione; saprà interpretare il risultato di una analisi statistica traendo le opportune conclusioni e misurandone l'affidabilità. In particolare saprà: - sintetizzare un insieme di dati analizzando le variabili singolarmente e in coppia - formalizzare problemi legati a situazioni di incertezza utilizzando modelli probabilistici - stimare le principali caratteristiche di una popolazione usando dati campionari.
Programma
Programma sintetico del corso Prima parte (Statistica Descrittiva). L’indagine statistica. Popolazione e campione. Variabili statistiche quantitative e qualitative. Scale di misura. Distribuzioni di frequenza e rappresentazioni grafiche per una variabile. Misure di posizione e di variabilità. Forma di una distribuzione. Studio congiunto di due variabili: grafici per variabili doppie, tabella delle frequenze congiunte, frequenze marginali e condizionate. Indipendenza e misure di relazione, in particolare coefficiente di correlazione lineare. Interpolazione e retta di regressione. Seconda parte (Calcolo delle Probabilità) Interpretazioni della probabilità. Eventi e operazioni logiche sugli eventi. Probabilità del complementare, dell’unione e dell’intersezione di eventi. Probabilità condizionata ed eventi indipendenti. Teorema di Bayes. Variabili aleatorie: funzione di ripartizione, di probabilità e di densità di probabilità. Valore atteso e varianza di una variabile aleatoria. Disuguaglianza di Chebyscev. Funzione di una variabile aleatoria, valore atteso e varianza per una funzione lineare. Variabili aleatorie notevoli: Bernoulli, Binomiale, Poisson, Normale e Uniforme. Vettori aleatori: distribuzione di probabilità congiunta, indipendenza. Combinazioni lineari di variabili aleatorie. Teorema del limite centrale. Terza parte (Statistica Inferenziale). Campionamento, statistiche e loro distribuzioni campionarie. Distribuzione della media campionaria. Varianza campionaria. Stima puntuale, proprietà degli stimatori puntuali. Stima per intervallo. I test statistici: errore di primo e secondo tipo e strategia di Neyman-Pearson. Test sulla media, sulla proporzione e sulla differenza delle medie e delle proporzioni. Regressione Linere.
È raccomandata la conoscenza degli argomenti trattati nel corso di Matematica Discreta.
Il corso si articola in 24 lezioni frontali in cui saranno svolte anche esercitazioni pratiche, per un totale di 6 crediti formativi.
Modalità d'esame
Verranno attribuiti 32 punti tramite una prova scritta, composta da esercizi di statistica descrittiva, probabilità, inferenza, programmazione in R e domande teoriche su definizioni, teoremi e dimostrazioni. La lode è conferita a chi consegue un punteggio pari o superiore 31, evidenziando una conoscenza eccellente degli argomenti trattati, una piena padronanza della disciplina e una capacità di analisi particolarmente approfondita e autonoma. Il docente si riserva la facoltà di richiedere un colloquio orale integrativo, volto ad approfondire specifici aspetti teorici o progettuali, qualora ciò risulti necessario ai fini della valutazione. I dettagli relativi agli esercizi e alle modalità d’esame saranno disponibili sulla pagina Moodle del corso. Criteri di valutazione 18/30 -- 23/30: possesso delle conoscenze fondamentali e delle competenze essenziali; risposte generalmente corrette ma talvolta parziali o poco approfondite. 24/30 -- 26/30: conoscenza adeguata degli argomenti e capacità di utilizzare correttamente metodi e strumenti per la risoluzione dei problemi proposti. 27/30 -- 29/30: solida preparazione, buona capacità di analisi e di elaborazione delle soluzioni, esposta con chiarezza e rigore. 30/30 e lode: padronanza completa ed eccellente dei contenuti, utilizzo avanzato e consapevole dei metodi, elevata autonomia di giudizio e spiccata capacità di analisi critica.
Testi di riferimento
Introduzione alla statistica Sheldon M. Ross ISBN 8891602671 Data pubblicazione: Maggio 2014
Codice insegnamento 21312
CONOSCENZA E CAPACITÀ DI COMPRENSIONE Il corso di Programmazione fornisce agli studenti le basi della programmazione tramite l'utilizzo di un linguaggio di programmazione nonche' la comprensione del funzionamento e…
Scheda dell'insegnamento
Obiettivi formativi
CONOSCENZA E CAPACITÀ DI COMPRENSIONE Il corso di Programmazione fornisce agli studenti le basi della programmazione tramite l'utilizzo di un linguaggio di programmazione nonche' la comprensione del funzionamento e dell'organizzazione di un programma. Le principali conoscenze trasmesse saranno le seguenti: -conoscere la rappresentazione nell'ambito della programmazione C dei tipi di dati primitivi carattere, intero, reali e dei tipi di dati piu' complessi come array e strutture; -conoscere il processo di scrittura del codice sorgente, la sua compilazione e trasformazione in codice eseguibile; -conoscere le tecniche di base della programmazione in linguaggio C e nozioni minimali di Python; -conoscere l'insieme degli strumenti che si utilizzano per la programmazione; -comprendere cosa significa programmare un calcolatore; -utilizzare la programmazione per implementare algoritmi elementari di intelligenza artificiale. CONOSCENZA E CAPACITÀ DI COMPRENSIONE APPLICATE (Abilità) Il corso è orientato verso le applicazioni della programmazione all'intelligenza artificiale. Gli studenti dovranno risolvere esercizi di programmazione di media complessità, saper codificare semplici algortmi di inelligenza artificiale e saper codificare ed utilizzare algoritmi di base. Saper leggere ed interpretare programmi, di media complessità, scritti in linguaggio C e comprendere per quali scopi sono progettati, basandosi sull'interpretazione del codice e dei commenti ad esso associati. Progettare piccole applicazioni scritte in linguaggio C partendo dalle specifiche o da porzioni di codice esistente. AUTONOMIA DI GIUDIZIO Gli esercizi sono pensati in modo da stimolare lo sviluppo di capacità di giudizio autonomo. Gli studenti saranno in grado di scegliere gli strumenti appropriati secondo il tipo di problema. ABILITÀ COMUNICATIVE Gli studenti apprenderanno le basi del linguaggio tecnico proprio dell'informatica e della programmazione C. Dovranno essere in grado di presentare e spiegare un programma in C discutendo le scelte di progettazione e implementazione. CAPACITÀ DI APPRENDERE Gli studenti saranno in grado di affrontare i successivi corsi che richiedano competenze di programmazione. Dovranno imparare a risolvere autonomamente esercizi e problemi di programmazione. Avranno la capacità di saper leggere e comprendere un programma non complesso scritto in C.
Programma
Algoritmi, programmi e programmazione Il processo di traduzione: compilazione ed interpretazione La programmazione strutturata Elementi sintattici del C, struttura di un programma C. Variabili: Tipi, dichiarazione, inizializazione, costanti variabili, assegnamenti e commenti. Tipi I tipi di base: interi, reali e carattere La conversione di tipo Tipi strutturati Come costruire nuovi tipi a partire dai tipi di base Operatori ed Espressioni Operatori: Assegnamento (=), operatori aritmetici ( +, -, *, /, % ), operatori di assegnamento composti ( +=, -=, *=, /=, %=), incremento e decremento (==, --), operatori relazionali, operatori logici ( !, &&, || ), operatore condizionale (? condizione ? espressione1 : espressione2). Il processo di valutazione di un espressione. Istruzioni Comunicazione da console: printf, scanf, escape sequences. Strutture di controllo. Strutture condizionali: if - else, l'istruzione di scelta: switch - case, l'istruzione break. Istruzioni iterative o cicli: for, while, do-while, il continue. Funzioni Il concetto di funzione. Come dichiarare, definire ed invocare le funzioni Argomenti di una funzione Il passaggio di parametri Dichiarazione, parametri, scopo delle variabili, parametri passati per valore e per riferimento, prototipi di funzioni, ricorsione. Vettori Vettori - singola dimensione. Inizializazione, dichiarazione, accesso ai valori di un vettore. Vettori multidimensionali. Puntatori e stringhe Puntatore come indirizzo di memoria Gli operatori per la manipolazione di puntatori (*, & e ->) Letterali e variabili di tipo stringa Operazioni sulle stringhe Stringhe e array Puntatori e array. Strutture dati, gestione delle liste. File File I/O - aprire e chiudere un file, scrittura e lettura, fopen, fclose, fprintf, fscanf. Organizzazione e progettazione di un programma Variabili locali e globali, blocchi. Scope Il preprocessore e le sue direttive Nozioni di base di complessità computazionale Applicazioni della programmazione C all'Intelligenza Artificiale. Implementazione di semplici esempi di algoritmi di Intelligenza Artificiale in linguaggio C. Elementi di base di programmazione in linguaggio Python.
-Conoscenza di base, a livello utente, dell'utilizzo di un PC e di un sistema operativo. -Buona preparazione logico matematica a livello di scuole medie superiori. -Conoscenza di base delle operazioni elementari sui numeri.
Il corso prevede un totale di 48 ore di lezioni frontali e 36 ore di laboratorio con spiegazione ed esercitazione annessa. A inizio corso viene definito il calendario delle esercitazioni di laboratorio. Il corso prevede la proiezione di slides, eventuali video e pagine Internet durante le lezioni sia per le lezioni teoriche che per le esercitazioni. Si terra' conto delle difficolta' legate ad un'eventuale ulteriore epidemia Covid secondo quanto segue: "In conformità col Manifesto degli Studi per l'A.A. 2021-22, e compatibilmente con le circostanze dovute alla situazione pandemica, la didattica verrà erogata prevalentemente in presenza, integrata e "aumentata" con strategie online, allo scopo di garantirne la fruizione in modo innovativo e inclusivo.” Le esercitazioni potranno anche essere svolte mediante forme di interazione a distanza con i supporti informatici disponibili. Potranno essere previste turnazioni e/o attività sostitutive on-line.
Modalità d'esame
L'obiettivo della prova d'esame consiste nel verificare il livello di raggiungimento degli obiettivi formativi precedentemente indicati. L'esame consiste in una prova di laboratorio, divisa in due parti, da effettuare eventualmente sulla piattaforma Moodle, sugli argomenti trattati a lezione e sulla programmazione di una durata prevista tra le 2 e 4 ore totali. La prova prevede diversi esercizi di scrittura di programmi in C ed eventualmente di codice base in Python. Durante il semestre, a circa meta' del corso, e' possibile che il docente inserisca una prova parziale sulla parte di programma svolta sino a quel momento. Per sostenere l'esame ogni studente dovra' innanzitutto prenotarsi su esse3 per l'appello relativo e su moodle. La prenotazione scadra' qualche giorno prima dell'esame. Gli studenti dovranno superare le due parti con la votazione minima di 16/30 ma la media dei voti dovra' essere almeno 18. Il voto finale sara' eventualmente integrato da un colloquio orale, in accordo ai criteri riportati sotto. Il voto finale, eventualmente dopo colloquio orale, è assegnato seguendo il seguente metodo: Insufficiente: lo studente dimostra di non aver compreso molte delle costruzioni fondamentali della disciplina. 18-24: lo studente conosce parte degli argomenti chiesti durante l’esame; dimostra di aver capito e assimilato sufficientemente gli argomenti. Riesce parzialmente a completare i task nelle prove di laboratorio. 25-28: lo studente conosce tutti gli argomenti chiesti durante l’esame; dimostra di aver capito e assimilato bene gli argomenti; utilizza in modo corretto il linguaggio della disciplina e scrive programmi corretti. Completa i taks assegnati. 29-30: lo studente conosce molto bene tutti gli argomenti chiesti durante l’esame; utilizza in modo corretto il linguaggio; scrive programmi corretti, completi con soluzioni eleganti; è in grado di spiegare le nozioni apprese, risolve i task con completezza. 30 e lode: lo studente conosce perfettamente tutti gli argomenti chiesti durante l’esame; dimostra di aver capito e assimilato in profondità tutti gli argomenti; utilizza in modo corretto il linguaggio della disciplina; è in grado di spiegare le nozioni apprese a risolve brillantemente i task asseganti. A seguito delle disposizioni legate ad un iulteriore eventual epidemia Covid tali modalità d'esame potranno essere sostituite da modalità di verifica differenti, ad esempio: lavori individuali o di gruppo (tesine), colloqui orali, prove scritte a distanza mediante ausili informatici (moodle, Teams, etc.).
Testi di riferimento
Deitel, Deitel "Il linguaggio C, fondamenti e tecniche di programmazione" Prima edizione (Marzo 2013) Pearson In generale lo studente puo' utilizzare qualunque testo di programmazione C. Per la parte Python: "Pensare in Python: Come pensare da Informatico" Allen B. Downey Materiale fornito durante il corso dal docente.
Codice insegnamento 21304
Conoscenza e capacità di comprensione: Lo studente acquisirà le conoscenze fondamentali relative ai sistemi di gestione di basi di dati, alle metodologie di progettazione delle basi di dati e ai linguaggi di…
Scheda dell'insegnamento
Obiettivi formativi
Conoscenza e capacità di comprensione: Lo studente acquisirà le conoscenze fondamentali relative ai sistemi di gestione di basi di dati, alle metodologie di progettazione delle basi di dati e ai linguaggi di interrogazione, con particolare riferimento alle basi di dati relazionali e allo standard SQL. Lo studente inoltre imparerà a interagire con una base di dati mediante un linguaggio di programmazione e acquisirà, a livello introduttivo, i concetti relativi all’analisi dei dati e ai sistemi di supporto alle decisioni. Capacità di applicare conoscenza e comprensione: Lo studente sarà in grado di applicare la conoscenza acquisita per progettare e implementare una base di dati relazionale. In particolare, lo studente sarà in grado di usare il linguaggio SQL per definire lo schema di una base di dati ed eseguire operazioni di aggiornamento e interrogazione sui dati. Lo studente sarà anche in grado di sviluppare programmi (in Python) in grado di interfacciarsi con una base di dati nell’ambito di applicazioni finalizzate all’analisi dei dati. Autonomia di giudizio: A partire dall’analisi dei requisiti di un dominio di dati, lo studente sarà in grado di valutare l’adeguatezza di possibili soluzioni progettuali per la relativa base di dati e la correttezza della corrispondente implementazione. Abilità comunicative: Lo studente sarà in grado di illustrare in modo appropriato le metodologie e le tecniche apprese e di discutere la loro applicazione a problemi e casi di studio concreti. Capacità di apprendimento: Lo studente acquisirà i fondamenti concettuali e metodologici per approfondire ulteriormente gli argomenti trattati nell’ambito di un successivo percorso di specializzazione o in un contesto professionale.
Programma
1) Concetti introduttivi: - Basi di dati e DBMS, modelli dei dati, livelli di astrazione, linguaggi e utenti delle basi di dati 2) Basi di Dati Relazionali: - Modello relazionale: relazioni e rappresentazione tabellare, valori nulli, vincoli di integrità - Algebra relazionale: operatori algebrici, interrogazioni in algebra relazionale - Linguaggio SQL: definizione dei dati, interrogazioni, modifica dei dati, viste - Caratteristiche evolute dei DBMS relazionali: transazioni, basi di dati attive e trigger, autorizzazioni e controllo degli accessi (cenni) - Confronto con sistemi NoSQL (cenni) 3) Progettazione di Basi di Dati - Metodologia e fasi della progettazione - Progettazione concettuale: il modello E-R, analisi dei requisiti e strategie di progettazione - Progettazione logica: analisi delle prestazioni su schemi E-R, ristrutturazione di schemi E-R, traduzione verso il modello relazionale - Normalizzazione: ridondanze e anomalie, dipendenze funzionali, forme normali, decomposizioni 4) Sviluppo di applicazioni per basi di dati - Come interagire con una base di dati mediante un linguaggio di programmazione - Richiami sui principali concetti del linguaggio Python - Panoramica delle principali librerie per l’interfacciamento con basi di dati relazionali - Utilizzo introduttivo di librerie Python per l’elaborazione e l’analisi dei dati (NumPy, Pandas) 5) Architetture e tecniche per l’analisi dei dati - Introduzione ai concetti di online analytical processing (OLAP) e ai sistemi di supporto alle decisioni - Principi teorici sull’architettura dei data warehouse, rappresentazione multidimensionale dei dati e principali operazioni nel modello multidimensionale - Panoramica introduttiva sulle tecniche di data mining per l’individuazione di pattern nei dati
È opportuno aver sostenuto un esame di fondamenti dell'informatica.
60 ore di lezione frontale, esercitazioni e laboratorio sulle basi di dati. 24 ore di lezione frontale, esercitazioni e laboratorio sull'analisi dei dati.
Modalità d'esame
La verifica di apprendimento viene effettuata tramite prova scritta, che verte su tutti gli argomenti del corso. I testi delle prove sono discussi su richiesta, con gli studenti. Il voto finale è in trentesimi e dipende dalla qualità dell'elaborato prodotto dallo studente. Per consentire di ottenere la lode il punteggio complessivo è 32. Il conseguimento di un punteggio uguale o superiore a 31.5 tipicamente comporta il conseguimento della lode.
Testi di riferimento
^^^ Testi di riferimento per la parte sulle basi di dati ^^^ P. Atzeni, S. Ceri, P. Fraternali, S. Paraboschi, R. Torlone, “Basi di Dati”, 6a edizione, McGraw-Hill Italia, 2023 A. Albano, G. Ghelli, R. Orsini, “Fondamenti di Basi di Dati”, Zanichelli R. Ramakrishnan and J. Gehrke, “Database Management Systems”, McGraw-Hill ^^^ Testi di riferimento per la parte sul linguaggio Python ^^^ O'Reilly, A. Martelli, "Python in a Nutshell", 2003. M. Pilgrim, "Dive into Python" [online] A. B. Downey, J. Elkner e C. Meyers, "Pensare da informatico (versione Python)" [online]. A.Bellini, A.Guidi. "Python e machine learning", McGraw-Hill
Codice insegnamento 21405
Il corso ha come obiettivo quello di fornire le conoscenze base per analizzare, progettare e realizzare visualizzazioni di dati complessi. Durante il corso impareremo a comprendere i dati a nostra disposizione e a…
Scheda dell'insegnamento
Obiettivi formativi
Il corso ha come obiettivo quello di fornire le conoscenze base per analizzare, progettare e realizzare visualizzazioni di dati complessi. Durante il corso impareremo a comprendere i dati a nostra disposizione e a trovare la rappresentazione grafica più efficace, scegliendo tra sistemi di visualizzazione noti o progettandone di nuovi. Le lezioni si svolgeranno in italiano.
Programma
Durante il corso verranno trattati, sia dal punto di vista teorico che dal punto di vista pratico (esercitazioni in laboratorio) i seguenti argomenti: - Introduzione alla Data Visualizzation - Il metodo what-why-how - Tipi di dati, dataset e attributi - Tipi di operazioni da svolgere con il tool di visualizzazione - Visualizzare i dati in forma tabellare - Visualizzare grafi e alberi - Visualizzare dati geometrici e geografici - L’importanza dell’interazione - Visualizzazioni complesse su viste multiple - Linee guida per la creazione di una visualizzazione efficace
Per poter seguire il corso senza difficoltà è necessario che lo studente abbia delle buone basi di programmazione e conosca almeno un linguaggio tra Javascript, C o Python.
Il corso è suddiviso in lezioni di teoria e lezioni di laboratorio. Nelle lezioni di teoria vedremo i concetti che stanno alla base della progettazione e dell’analisi di una visualizzazione. Oltre che le fondamenta teoriche di base, verranno studiati sistemi di visualizzazione esistenti per analizzarne e discuterne pregi, difetti e possibili miglioramenti. Nelle lezioni di laboratorio affronteremo lo sviluppo di sistemi di visualizzazione web-based, utilizzando il linguaggio Javascript e il framework D3.js, secondo i principi teorici visti a lezione. Per poter sostenere l’esame è necessario aver frequentato il corso fin dalla prima settimana di lezioni; non è infatti possibile iscriversi al corso a semestre già iniziato. Inoltre, come previsto dal Regolamento Didattico, per poter sostenere l’esame è richiesta una percentuale di frequenza pari ad almeno il 60% delle lezioni.
Modalità d'esame
L’esame è suddiviso in due parti: teorica e pratica. - Nella parte teorica verrà valutato se lo studente/la studentessa ha assimilato i concetti presentati a lezione e se è in grado di analizzare e/o progettare un tool di visualizzazione. La prova consiste in un esame scritto contenente domande a risposta multipla, domande vero/falso e domande a risposta aperta. La prova di teoria vale i 2/3 del voto finale. - Nella parte pratica verrà valutato se lo studente/la studentessa ha acquisito le competenze pratiche per lo sviluppo e/o la modifica di un sistema di visualizzazione implementato mediante il framework D3. La prova, che si svolge in laboratorio, consiste nella modifica di un sistema di visualizzazione pre-esistente. La prova di laboratorio vale 1/3 del voto finale. Durante entrambe le prove, teorica e di laboratorio, non è consentito l’utilizzo di strumenti basati su intelligenza artificiale a supporto dello svolgimento dell’esame. Il voto finale viene espresso in trentesimi. Per poter superare l’esame è necessario aver raggiunto la soglia di sufficienza sia nella parte teorica che nella parte pratica. Per poter sostenere l’esame è necessario aver frequentato il corso, raggiungendo una percentuale di presenze maggiore o uguale il 60% (come previsto dal regolamento didattico). Maggiori dettagli sulle modalità d’esame verranno fornite durante la prima lezione del corso.
Testi di riferimento
- Visualization Analysis and Design: Principles, Techniques, and Practice (T. Munzner) - Slide del docente
Codice insegnamento 21410
Questo insegnamento mira a fornire agli studenti e alle studentesse i concetti teorici, gli approcci metodologici e gli strumenti per la progettazione, lo sviluppo, la valutazione, l'ottimizzazione e l'analisi di modelli…
Scheda dell'insegnamento
Obiettivi formativi
Questo insegnamento mira a fornire agli studenti e alle studentesse i concetti teorici, gli approcci metodologici e gli strumenti per la progettazione, lo sviluppo, la valutazione, l'ottimizzazione e l'analisi di modelli basati su deep learning, nonché per la presentazione e l'impiego responsabile degli stessi al fine di supportare il processo decisionale e il patrimonio digitale delle moderne organizzazioni e aziende, in base alla loro missione e ai loro interessi e bisogni. Conoscenza e capacità di comprensione: - Comprendere le fondamenta matematiche di un processo di addestramento basato su deep learning, inclusi i suoi blocchi costitutivi e le tecniche di rappresentazione, inizializzazione, regolarizzazione, normalizzazione, ottimizzazione, attivazione e propagazione. - Richiamare e consolidare le fondamenta matematiche alla base dei principali modelli di apprendimento profondo e delle relative strategie di ottimizzazione, con particolare attenzione alla loro applicazione nel trattamento delle diverse tipologie fondamentali di dato. Conoscenza e capacità di comprensione applicate: - Ideare e sostenere argomentazioni per la risoluzione di problemi che richiedono l'impiego di metodologie basate sul deep learning, tenendo conto del contesto, delle caratteristiche computazionali, funzionali e operative e delle implicazioni. - Progettare, sviluppare, addestrare e valutare in modo rigoroso modelli di deep learning per il trattamento dei principali tipi di dato fondamentali, adottando protocolli metodologicamente solidi e conformi agli standard professionali e scientifici. Autonomia di giudizio: - Scegliere, a seconda del contesto e dell'applicazione, le metodologie più adeguate, motivando opportunamente le proprie decisioni e identificando i principali punti a vantaggio e svantaggio rispetto ad alternative ragionevolmente valide. - Ispezionare e valutare criticamente e costruttivamente nei loro aspetti metodologici fondamentali così come nella loro adeguatezza, efficacia e impatto, le soluzioni e gli esperimenti eseguiti anche, ma non solo, da interlocutori terzi. Abilità comunicative: - Esprimere, con chiarezza e attraverso l’uso di un linguaggio disciplinare specifico, i concetti teorici e gli approcci metodologici alla base del deep learning, spiegandone le intuizioni, il significato, il funzionamento e le caratteristiche. - Comunicare, anche mediante il supporto di media digitali quali slide e video, le motivazioni, le ipotesi, la metodologia e gli esperimenti, nonché le conclusioni e le limitazioni sottese, a interlocutori specialisti e non in maniera chiara ed efficace. Capacità di apprendere: - Costruire un proprio percorso di crescita nel settore in maniera critica ed autonoma, essendo in grado di utilizzare correttamente il materiale di studio fornito dal docente e riflettere in base anche alle esperienze illustrate. - Sviluppare un buon livello di autonomia nello studio della disciplina, nella lettura e comprensione dei materiali di settore e nella loro elaborazione e applicazione, al fine di intraprendere studi successivi su tematiche connesse.
Programma
I contenuti del corso sono suddivisi in due parti principali, ciascuna articolata in moduli illustrati mediante lezioni interattive, esercitazioni e attività in laboratorio. Parte P01 Supervised Deep Learning: - Settimana S01 Deep Learning on Tables: Studio dei principali compiti su dati tabulari, con approfondimento sulla rappresentazione dei dati, sui livelli densamente connessi, sulle funzioni di attivazione e perdita, sulle strategie di ottimizzazione. - Settimana S02 Deep Learning on Images: Studio dei problemi di visione artificiale, con approfondimento sulla rappresentazione visuale, sulle operazioni convolutive e aggregative, sui principi architetturali e sulle tecniche di trasferimento di conoscenza. - Settimana S03 Deep Learning on Time Series: Esplorazione della modellazione di sequenze temporali, approfondendo la rappresentazione temporale, le operazioni ricorrenti, le strategie di addestramento attraverso il tempo e i principali fenomeni legati alla memoria. - Settimana S04 Deep Learning on Natural Language: Studio dei fondamenti dell’elaborazione del linguaggio naturale, dalla fase di pre-processamento e rappresentazione testuale fino ai meccanismi di attenzione e alle architetture attenzionali. - Settimana S05 Deep Learning on Graphs: Introduzione all’apprendimento su dati strutturati non euclidei, con approfondimento sulla rappresentazione di grafi, sui meccanismi di propagazione dei messaggi e sulle strategie di aggregazione. Parte P02 Deep Learning beyond Supervision: - Settimana S06 Deep Probabilistic Learning: Studio dei modelli generativi probabilistici per la modellazione di rappresentazioni latenti, includendo tecniche di addestramento e metriche di valutazione dedicate. - Settimana S07 Deep Adversarial Learning: Studio dei paradigmi di apprendimento avversario per la generazione di dati, analizzando le dinamiche di ottimizzazione, le strategie di stabilizzazione e le principali criticità. - Settimana S08 Deep Generative Learning: Esplorazione dei modelli generativi basati su meccanismi attenzionali e processi di diffusione, con approfondimento sulle strategie di addestramento e sulle metriche di qualità . - Settimana S09 Deep Reinforcement Learning: Studio dell’apprendimento per rinforzo, introducendo i concetti di agente, ambiente, funzione di valore e politica, insieme alle principali strategie value-based, policy-based e ibride. - Settimana S10 Responsible Deep Learning: Introduzione all'analisi delle implicazioni dei modelli di deep learning, con particolare attenzione alle metriche e strategie di mitigazione del pregiudizio così come ai metodi di spiegabilità e alla valutazione della trasparenza algoritmica. Maggiori informazioni sono disponibili nella piattaforma Moodle.
Prerequisiti suggeriti per la partecipazione alle lezioni: La partecipazione alle lezioni NON richiede alcun prerequisito obbligatorio. Tuttavia, al fine di favorire una partecipazione attiva ed efficace durante l'insegnamento, sarebbe auspicabile che il/la discente abbia: - conoscenza dei principi informatici di base per lo sviluppo, la comprensione e l'organizzazione di un programma, ad un livello sufficiente per poter scrivere un programma ragionevolmente non banale (SC/0066 Programmazione). - familiarità con le strutture dati elementari e le modalità di analisi del costo computazionale, ad un livello tale da risolvere problemi computazionali non banali in maniera ragionevolmente efficiente (SC/0068 Algoritmi e Strutture Dati). - padronanza delle nozioni dell'analisi matematica, come i concetti di funzione e derivata, e della probabilità e statistica ad un livello sufficiente da applicarle in contesti non banali (SC/0072 Analisi Matematica, SC/0074 Probabilità e Statistica). - comprensione dei principali metodi di apprendimento automatico supervisionato (classificazione e regressione) e non supervisionato (clustering) così come dei rispettivi protocolli di valutazione principali (SC/0076 Machine Learning). - dimestichezza con i concetti fondamentali dei sistemi operativi, in particolare quelli di processo, thread, memoria, filesystem, file e directory, e con la command line di Linux (SC/0077 Sistemi Operativi e Programmazione di Rete). - confidenza con il linguaggio Python e le librerie per la manipolazione dati e per l'apprendimento automatico (SC/0068 Algoritmi e Strutture Dati, SC/0075 Database e Data Analytics, SC/0076 Machine Learning). - capacità di gestione e interrogazione di una base di dati, ad un livello tale da permettere l'interfacciamento della stessa con un programma Python dedicato all'elaborazione dei dati in essa memorizzati (SC/0075 Database e Data Analytics). Prerequisiti per il sostenimento delle prove d'esame: Come da regolamento didattico, non è possibile sostenere le prove d'esame ufficiali di questo insegnamento se non è stato superato e correttamente verbalizzato l'insegnamento SC/0066 Programmazione.
L'insegnamento è progettato per essere completato impiegando 9 CFU, corrispondenti da regolamento ad un impegno complessivo orientativo di 225 ore (25 ore/CFU x 9 CFU = 225 ore). Gli obiettivi previsti sono raggiunti mediante l'impiego di lezioni frontali interattive, esercitazioni, attività in laboratorio e studio individuale e/o collettivo. Le prime tre componenti sono erogate in presenza e possono essere integrate con materiali audio-visivi e streaming in caso di comprovate necessità. Lezioni frontali interattive ed esercitazioni: Per un totale di 48 ore in orario curriculare, supportato da slide, il docente espone i contenuti del corso chiedendo frequenti risposte e riscontri ai partecipanti, anche mediante sistemi interattivi. Il processo di apprendimento è suddiviso in sequenze di unità di micro-conoscenza orientate al raggiungimento di uno specifico obiettivo ed accompagnate da domande e/o esercizi con possibilità di confronto e discussione. Le domande e/o esercizi possono prevedere anche la presentazione di problemi, simulazioni e casi di studio di una situazione reale o immaginaria. Esercitazioni in laboratorio: Per un totale di 36 ore in orario curriculare, il docente espone delle esercitazioni di programmazione per le quali è richiesto allo studente di sviluppare del codice sorgente al fine di raggiungere un obiettivo prefissato. Le esercitazioni prevedono l'uso del linguaggio Python e delle diverse librerie e framework che lo hanno reso un riferimento nell'ambito del deep learning, spesso impiegando Jupyter Notebooks. Questi ultimi permettono di creare e condividere documenti testuali interattivi, contenenti oggetti quali equazioni, grafici e codice sorgente eseguibile. Studio individuale e/o collettivo: Orientativamente 140 ore sono dedicate allo studio individuale e/o collettivo dei contenuti didattici esposti nelle lezioni frontali interattive e nelle esercitazioni in laboratorio, al fine di sostenere la prova scritta in maniera proficua. Nello stesso monte ore è compreso anche il tempo dedicato alla predisposizione e realizzazione di un progetto pratico, ossia di una sperimentazione attiva dei contenuti che richiede tipicamente di scegliere un problema di interesse, ideare, progettare, realizzare e valutare uno o più modelli di deep learning esistenti o una nuova loro variante per risolverlo, oppure la predisposizione e realizzazione di un seminario su un tema inerente.
Modalità d'esame
Metodi di accertamento: L'esame finale è valutato con un punteggio massimo di 33. In caso di punteggio pari o superiore a 31, viene assegnata la lode. In caso di punteggio inferiore a 31, viene assegnato 30. Contribuiscono alla valutazione finale: - prova scritta (individuale; quesiti ed esercizi a carattere pratico), eventualmente scomposta in due prove intermedie, per il 57% (18 punti su 33). - prova progettuale di tipo compilativo (individuale; proposta e presentazione) per il 24% (8 punti su 33) o sperimentale (individuale o collettiva; proposta, codice, esposizione) per il 43% (15 punti su 33). Criteri di valutazione: Le risposte fornite nella prova scritta sono valutate tenendo conto della loro completezza, correttezza tecnica, chiarezza, aderenza alle specifiche, leggibilità del codice sorgente ed efficienza risolutiva. I materiali della prova progettuale sono valutati per la loro completezza, chiarezza, leggibilità, organizzazione, originalità, riproducibilità e significatività. Ogni parte dell'esame deve essere superata con votazione sufficiente e la valutazione sulla singola parte ha validità fino a febbraio 2027, scaduto il termine è annullata. In generale, per completare l'insegnamento riportando un voto non inferiore a 18, si deve dimostrare di aver raggiunto i risultati attesi ad un livello sufficiente, avendo compreso ed applicato i concetti alla base dei modelli basati su deep learning. Per conseguire un punteggio pari a 30/30 e lode, si deve invece dimostrare di aver raggiunto i risultati attesi ad un livello eccellente, evidenziando anche e non solo capacità comunicativa e autonomia. Modalità di sostenimento: I dettagli sulle modalità di sostenimento della prova scritta e della prova progettuale sono riportati nella piattaforma Moodle. Si ricorda che per partecipare ad una prova d'esame negli appelli ufficiali e consentire la verbalizzazione della valutazione finale è necessario prenotarsi sulla piattaforma Esse3 per l'appello desiderato. É possibile prenotarsi entro cinque giorni prima della prova d'esame corrispondente. La prova scritta è svolta in aula informatizzata, impiegando gli stessi strumenti illustrati durante il corso. La prova progettuale sperimentale può essere sostenuta individualmente o in gruppi di massimo quattro studenti. Il materiale della prova progettuale deve essere consegnato entro cinque giorni prima della data dell'appello in cui ci si è prenotati, secondo le modalità indicate nella pagina del corso sulla piattaforma Moodle. La discussione delle prove progettuali si tiene lo stesso giorno della data ufficiale dell'appello.
Testi di riferimento
Principali riferimenti (necessari): Le principali risorse di riferimento per completare in maniera brillante l';insegnamento sono i materiali, tra cui slides ed esercizi, forniti dal docente nella piattaforma Moodle. Riferimenti supplementari (opzionali): La seguente selezione di risorse supplementari è utile ma non indispensabile per complementare i principali riferimenti ed è rivolta a coloro i quali desiderano approfondire i temi affrontati, durante o dopo l'insegnamento, in base ai propri interessi: - Deep Learning by Ian Goodfellow, Yoshua Bengio e Aaron Courville (libro online gratuito, 2017) - Understanding Deep Learning by Simon J.D. Prince (libro online gratuito, codebase gratuita, 2023) - Deep Learning with Python by Francois Chollet (libro online non gratuito, codebase gratuita, 2021) - Fairness and Machine Learning by Solon Barocas, Moritz Hardt, Arvind Narayanan (libro online gratuito, 2022) - Interpretable Machine Learning by Christoph Molnar (libro online gratuito, 2022)
Codice insegnamento 21411
Il corso ha un duplice obiettivo. Il primo obiettivo è quello di fornire allo studente gli strumenti teorici e applicati necessari alla comprensione del comportamento economico dei soggetti che operano nei mercati dei…
Scheda dell'insegnamento
Obiettivi formativi
Il corso ha un duplice obiettivo. Il primo obiettivo è quello di fornire allo studente gli strumenti teorici e applicati necessari alla comprensione del comportamento economico dei soggetti che operano nei mercati dei prodotti e dei fattori produttivi, con particolare attenzione a quello delle imprese. Al termine del corso lo studente deve, quindi, possedere la conoscenza dei principi economici alla base del funzionamento dei mercati, nonché la capacità di utilizzare tali principi per comprendere gli aspetti essenziali del funzionamento di un sistema economico. Il secondo obiettivo è approfondire in particolare i tema delle interazioni sociali, dell'efficienza, dell'equità, dei fallimenti di mercato e dei principali strumenti per misurare il benessere di un'economia. Tali temi verranno analizzati anche in riferimento a dei casi studio. Al termine del corso lo studente dovrà, quindi, essere in grado di applicare il ragionamento strategico, aver acquisito una conoscenza dei principali meccanismi che impediscono al libero mercato di raggiungere l'efficienza, conoscere le implicazioni del progresso tecnologico in un'ottica di lungo e breve periodo, aver compreso i principali indicatori per misurare l'economia. Coerentemente con gli obiettivi formativi del Corso di Laurea in Informatica Applicata e Data Analytics, i risultati dell’apprendimento attesi sono altresì declinabili in base a tutti i Descrittori di Dublino, secondo lo schema seguente: A) Conoscenza e capacità di comprensione. Al termine del corso gli studenti conosceranno i modelli microeconomici di analisi delle decisioni di spesa dei consumatori e di produzione delle imprese e comprenderanno come avviene l'interazione tra consumatori e imprese nelle diverse forme di mercato. Inoltre gli studenti conosceranno le implicazioni dei fallimenti di mercato nei casi del progresso tecnologico, e dei mercati caratterizzati dall’uso e lo scambio informativo e/o dalla presenza di reti e standard. B) Capacità di applicare conoscenza e comprensione. Al termine del corso, gli studenti saranno in grado di analizzare le decisioni di produzione delle imprese tanto da comprendere le dinamiche reali in atto nei mercati. Sapranno semplificare i comportamenti dei protagonisti del sistema economico per spiegarne la logica, anche in riferimento a casi ipotetici o situazioni di attualità e, contemporaneamente, saranno capaci di rielaborare in modo sintetico concetti complessi (capacità di sintesi); C) Autonomia di giudizio. Al termine del corso, gli studenti saranno in grado di interpretare i dati relativi alle reali dinamiche di mercato e di esprimere giudizi autonomi sulle implicazioni derivanti dalle scelte degli agenti economici; sapranno porre a confronto le differenti forme di mercato e i connessi comportamenti strategici; D) Capacità di apprendimento. Al termine del corso, gli studenti avranno perfezionato le proprie capacità di apprendimento e sapranno intraprendere studi avanzati con un maggior grado di autonomia.
Programma
I PARTE (Prof. Ivan Etzo) – 24 ore 1. Le diseguaglianze e la rivoluzione capitalista 2. Progresso tecnico, demografia e crescita economica 3. Scarsità, Lavoro e Scelta. 4. L’impresa e i suoi clienti. 5. Domanda, Offerta e Mercati Concorrenziali. II PARTE (Prof.ssa Vania Licio) – 24 ore 1. Beni pubblici, risorse collettive e beni meritori 2. Fallimenti del mercato ed esternalità 3. Le decisioni di produzione delle imprese 4. Il monopolio 5. La concorrenza monopolistica 6. Oligopolio e teoria dei giochi 7. L’interdipendenza e i benefici dello scambio 8. Economia dell’informazione e comportamentale 9. Misurare il benessere e il livello dei prezzi di una nazione 10. La disoccupazione e il mercato del lavoro
Non esiste alcun prerequisito formale. Tuttavia, si danno per acquisite le conoscenze di base del calcolo differenziale e la capacità di costruzione e interpretazione di rappresentazioni grafiche, anche complesse.
L’insegnamento si sviluppa per un totale di 48 ore di lezioni frontali.
Modalità d'esame
a) L’esame consiste in una prova scritta con domande sulle due parti del corso, il cui peso relativo nella valutazione è pari al 50%. b) La valutazione: il massimo punteggio conseguibile dallo studente è pari a 30 e lode. c) Formulazione del giudizio La determinazione del voto avviene come segue: - da 18/30 a 21/30, livello di conoscenze di base, corretta impostazione degli esercizi e linguaggio scritto sufficiente; - da 22/30 a 25/30, livello intermedio; - da 26/30 a 29/30, livello molto buono; - da 30/30 a 30/30 con lode per eccellenti risposte a tutte le parti della verifica.
Testi di riferimento
Codice insegnamento 21409
Questo corso fornisce conoscenze teoriche e operative su strumenti fondamentali per l’informatica applicata e data analytics, facenti parte delle tecniche di machine learning. Gli obiettivi formativi in termini dei…
Scheda dell'insegnamento
Obiettivi formativi
Questo corso fornisce conoscenze teoriche e operative su strumenti fondamentali per l’informatica applicata e data analytics, facenti parte delle tecniche di machine learning. Gli obiettivi formativi in termini dei descrittori di Dublino sono i seguenti: Conoscenza e capacità di comprensione: - dei principali metodi dell'apprendimento automatico ("machine learning") e dei suoi settori di applicazione - delle differenze tra le varie tecniche di machine learning e l’adeguatezza per uno specifico settore applicativo - dei metodi di valutazione delle prestazioni dei sistemi di apprendimento automatico - degli elementi essenziali dei principali framework in linguaggio Python per l’apprendimento automatico Capacità di applicare conoscenza e comprensione: - nel risolvere esercizi sugli argomenti trattati durante il corso - nello sviluppare programmi Python per la soluzione di problemi di apprendimento automatico di media difficoltà; - nell’addestrate dei sistemi di apprendimento automatico per uno specifico settore applicativo e valutarne le prestazioni Autonomia di giudizio: - nel valutare le alternative disponibili in fase di progettazione di un sistema di apprendimento automatico - nel valutare le alternative disponibili in fase di sviluppo di un programma Python per la soluzione di problemi di apprendimento automatico Abilità comunicative: - nel presentare ed esprimere correttamente gli aspetti e i problemi legati alla progettazione del sistema di apprendimento automatico proposto - nel presentare e discutere le scelte di progettazione e quelle di implementazione nel passaggio alla sua codifica linguaggio Python
Programma
Introduzione Teoria - Introduzione al Machine Learning - Supervised vs Unsupervised - Regressione vs Classificazione Lab - Presentazione ambiente di lavoro (conda, Jupyter) - Basi di Python (tipi, funzioni, classi) Basi di Machine Learning Teoria - Funzione target e rumore; errore riducibile e irriducibile - Bias-variance trade-off - Training/test, overfitting/underfitting - Classificatore di Bayes e Bayes error rate - Prime metriche: MSE, classification error rate Lab - NumPy - Pandas + Matplotlib - Implementazione di MSE e accuracy - Curve di apprendimento su modello semplice Regressione Lineare Teoria - Regressione lineare semplice - Analisi dei residui, MSE, R2 - Regressione lineare multipla - Variabili qualitative e trasformazioni Lab - LinearRegression in sklearn - Regressore kNN custom + sklearn - Valutazione: R2, RMSE - Visualizzazione dei residui Ottimizzazione e Empirical Risk Minimization Teoria - Perdita, rischio empirico, rischio atteso - Funzioni di perdita - Gradient descent - SGD e mini-batch; cenni a momentum e Adam Lab - Gradient descent a mano - Effetto del learning rate - SGD vs batch; curve di loss Classificazione Teoria - Regressione Logistica - Teorema di Bayes e classificatore Naive Bayes - LDA e QDA - kNN classifier e scelta della metrica di distanza - Metriche di valutazione - Curve precision-recall Lab - LogisticRegression, KNeighborsClassifier, GaussianNB, LinearDiscriminantAnalysis - DummyClassifier - Curve PR; CalibratedClassifierCV Validazione, Ricampionamento e Incertezza Teoria - Validation set, LOOCV, k-fold CV; CV stratificata - Data leakage - Cross-validation annidata - Bootstrap - Conformal prediction Lab - cross\_val\_score, StratifiedKFold, TimeSeriesSplit - Pipeline e ColumnTransformer - GridSearchCV - Bootstrap su dataset reale Model Selection e Regolarizzazione Teoria - Best subset e stepwise - Ridge (L2), Lasso (L1), Elastic Net - Scelta di "lambda" - PCA e Principal Component Regression - Partial Least Squares (cenni) Lab - Ridge, Lasso, ElasticNet in sklearn - Selezione feature con SelectKBest e PCA Moving Beyond Linearity Teoria - Regressione polinomiale - Step functions e basis functions - Regression splines - Generalized Additive Models Lab - PolynomialFeatures + regressione - Splines con patsy o pyGAM Metodi Tree-Based Teoria - Alberi di regressione e classificazione; - Criteri di split - Pruning - Bagging e riduzione della varianza - Random Forest - Boosting: modelli additivi, forward stagewise, AdaBoost - Gradient Boosting - XGBoost; cenni a LightGBM e CatBoost Lab - Albero custom - DecisionTreeClassifier / DecisionTreeRegressor, plot\_tree - RandomForest, feature importance a confronto - LightGBM e XGBoost - Tuning con GridSearchCV / RandomizedSearchCV Support Vector Machines Teoria - Maximal margin classifier, support vectors, limiti - Soft margin: slack variables, parametro C - Formulazione equivalente: hinge loss + penalità L2 - Kernel trick - Multiclasse: OvO e OvA - Support Vector Regression Lab - SVC lineare e con kernel RBF - Visualizzazione della decision boundary - ROC e precision-recall per le SVM Unsupervised Learning Teoria - Supervised vs unsupervised - PCA come riduzione dimensionale - K-means - Clustering gerarchico - DBSCAN - Valutazione: silhouette score, Adjusted Rand Index Lab - PCA: scree plot, biplot, proiezioni - KMeans, AgglomerativeClustering, dendrogrammi - DBSCAN su dati non convessi, confronto con K-means - Visualizzazione con t-SNE / UMAP - Silhouette e ARI Cenni di Deep Learning Teoria - Dal perceptron alla rete multistrato; funzioni di attivazione - Loss, backpropagation, gradient descent - Regolarizzazione - Architetture Lab - MLP su dati tabellari - CNN su un dataset di immagini di piccole dimensioni - Classificazione testuale
Per frequentare il corso sono necessarie le conoscenze di base dell’informatica e dell'architettura dei calcolatori e di un linguaggio strutturato di programmazione (C, Python, ecc.); buona conoscenza dei concetti di base dell'analisi matematica e della geometria. Per sostenere l’esame è necessario aver superato l’esame di Programmazione ed è consigliato aver seguito e superato il corso Algoritmi e Strutture Dati.
Il corso si basa sulle lezioni frontali e lezioni di laboratorio 48 ore di lezioni frontali 36 ore di laboratorio Durante le lezioni frontali il docente farà uso di slide che verranno fornite immediatamente dopo lo svolgimento della lezione. La didattica verrà erogata in accordo con il Manifesto Generale degli Studi. Le modalità e le regole di didattica verranno pubblicizzate subito prima dello svolgimento del corso e verranno approfondite durante il primo giorno di lezione con una presentazione dettagliata del corso e dei metodi didattici. Verranno inoltre presentate le modalità d’esame e i canali di comunicazione
Modalità d'esame
Le modalità di verifica e accertamento delle competenze acquisite includeranno: - Una prova scritta, per la valutazione delle conoscenze, basate su quesiti ed esercizi a risposta aperta e/o quiz a risposta multipla; - Una prova orale, per valutare la capacità di esporre correttamente gli argomenti appresi e la padronanza della terminologia tecnica; - Una prova pratica (consistente nello svolgimento di un progetto, singolarmente), per determinare l'abilità nella risoluzione di un problema applicativo specifico; la discussione del lavoro svolto avverrà contestualmente alla prova orale. La valutazione finale sarà determinata dalla somma pesata dei punteggi ottenuti nelle singole prove di verifica. Relativamente alla parte scritta, possono essere previste prove parziali per gli studenti frequentanti.
Testi di riferimento
Testo di riferimento - James, G., Witten, D., Hastie, T., Tibshirani, R., & Taylor, J. (2023). An Introduction to Statistical Learning: with Applications in Python. Springer. Testi di riferimento integrativi - Murphy, K. P. (2022). Probabilistic Machine Learning: An Introduction. MIT Press. - Géron, A. (2022). Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow (3ª ed.). O'Reilly. Risorse aggiuntive consigliate - Molnar, C. Interpretable Machine Learning - Angelopoulos, A. N., & Bates, S. A Gentle Introduction to Conformal Prediction - Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
Codice insegnamento 21406
Il corso di Sistemi Operativi e Programmazione di Rete ha l’obiettivo di fornire agli studenti i fondamenti teorici e pratici relativi al funzionamento dei sistemi operativi e delle comunicazioni in rete. Il corso…
Scheda dell'insegnamento
Obiettivi formativi
Il corso di Sistemi Operativi e Programmazione di Rete ha l’obiettivo di fornire agli studenti i fondamenti teorici e pratici relativi al funzionamento dei sistemi operativi e delle comunicazioni in rete. Il corso offre solide basi per comprendere i principali meccanismi di gestione dei processi, dei thread, della memoria, dei file e delle risorse di sistema, nonché i modelli, i protocolli e gli strumenti utilizzati per la comunicazione tra applicazioni distribuite. Particolare attenzione è dedicata alle problematiche, alle metodologie e alle strategie per la progettazione e l’implementazione di programmi di sistema e applicazioni di rete, anche attraverso l’uso delle principali interfacce di programmazione messe a disposizione dai sistemi operativi. Il corso presenta inoltre l’evoluzione delle tecnologie, delle architetture e dei livelli di astrazione su cui si basano i moderni sistemi informatici e le applicazioni connesse in rete. Con riferimento ai Descrittori di Dublino, al termine del corso lo studente avrà acquisito i seguenti risultati di apprendimento. 1. Conoscenza e capacità di comprensione Lo studente conoscerà i principi fondamentali dei sistemi operativi e della programmazione di rete, con particolare riferimento alla gestione di processi e thread, allo scheduling, alla sincronizzazione, allo stallo, alla memoria centrale e virtuale, ai file system, ai sistemi di input/output, alla virtualizzazione, ai container e alla comunicazione mediante socket. Sarà inoltre in grado di comprendere il ruolo delle principali astrazioni e interfacce offerte dal sistema operativo. 2. Capacità di applicare conoscenza e comprensione Lo studente sarà in grado di applicare le conoscenze acquisite alla progettazione, implementazione, analisi e verifica di programmi di sistema e applicazioni di rete in ambiente Linux. Sarà capace di utilizzare la riga di comando, gli strumenti di base del sistema, la programmazione Bash e il linguaggio C per realizzare programmi basati su processi, thread, primitive di sincronizzazione, meccanismi di comunicazione tra processi e socket di rete. 3. Autonomia di giudizio Lo studente sarà in grado di valutare e confrontare differenti soluzioni progettuali relative alla gestione delle risorse, alla concorrenza, alla comunicazione tra processi e alla comunicazione in rete. Saprà individuare potenziali problemi di correttezza, efficienza, sincronizzazione, stallo e gestione delle risorse, scegliendo le tecniche e le primitive più appropriate in funzione del problema considerato. 4. Abilità comunicative Lo studente sarà in grado di descrivere con terminologia tecnica appropriata il funzionamento dei principali componenti di un sistema operativo e delle applicazioni di rete. Saprà inoltre illustrare le scelte progettuali e implementative adottate, documentare il codice sviluppato e discutere in modo chiaro i risultati ottenuti e le eventuali criticità riscontrate. 5. Capacità di apprendimento Lo studente acquisirà le competenze necessarie per approfondire autonomamente argomenti avanzati relativi ai sistemi operativi, alla programmazione concorrente, alla programmazione di sistema e alle reti di calcolatori. Sarà inoltre in grado di consultare documentazione tecnica, manuali, specifiche e risorse specialistiche, adattando le conoscenze acquisite all’evoluzione delle tecnologie e degli ambienti di sviluppo.
Programma
TEORIA 1. Introduzione ai sistemi operativi (richiami di architettura degli elaboratori e interfaccia hardware-software) 1.a. Processori e interfaccia hardware-software 1.b. Monoprogrammazione 1.c. Funzionalità di base del sistema operativo 2. Processi 3. Thread 4. Scheduling della CPU 5. Sincronizzazione dei processi 6. Stallo dei processi 7. Memoria centrale 8. Memoria virtuale 9. File system 10. Sistemi di input/output 11. Macchine virtuali e container 12. Socket e programmazione di rete LABORATORIO 1. Introduzione all’uso del sistema operativo Linux 1.a. Installazione, introduzione alla riga di comando e gestione di base di file e directory (teoria ed esercitazioni) 1.b. Gestione avanzata di file e directory ed editor di testo (teoria ed esercitazioni) 1.c. Configurazione del sistema, controllo del sistema tramite shell e gestione dei dischi (teoria ed esercitazioni) 1.d. Comandi avanzati ed espressioni regolari (teoria ed esercitazioni) 2. Programmazione Bash (teoria ed esercitazioni) 3. Introduzione alla programmazione di sistema in ambiente Linux 4. Processi e comunicazione di base tra processi (richiami teorici ed esempi pratici in ambiente Linux) 5. Thread e programmazione concorrente (richiami teorici ed esempi pratici in ambiente Linux) 6. Comunicazione tra processi (richiami teorici ed esempi pratici in ambiente Linux) 7. Comunicazione di rete
Per la piena fruizione del corso sono richieste le competenze informatiche acquisite negli insegnamenti di Fondamenti di Informatica, Programmazione 1, Architetture degli Elaboratori e Algoritmi e Strutture Dati. In particolare, lo studente dovrebbe conoscere i principi della programmazione procedurale, essere in grado di leggere, comprendere e sviluppare semplici programmi, utilizzare le principali strutture dati e analizzare algoritmi elementari. Sono inoltre richieste conoscenze di base sulla rappresentazione dell’informazione, sull’organizzazione e sul funzionamento dei calcolatori, con particolare riferimento a processore, memoria, dispositivi di ingresso/uscita e linguaggio macchina. È infine utile una conoscenza di base del linguaggio C, dei concetti di compilazione e collegamento e dell’uso essenziale della riga di comando.
Il corso prevede 48 ore di lezioni frontali dedicate agli aspetti teorici e 72 ore di lezioni e attività pratiche di laboratorio. Le attività di laboratorio comprendono esercitazioni guidate, sviluppo e analisi di programmi, applicazione pratica dei concetti presentati durante le lezioni e supporto all’apprendimento degli studenti. Le slide, gli esercizi, gli esempi di codice e le prove di simulazione dell’esame saranno resi disponibili online nella pagina E-Learning del corso, indicata nella sezione “Altre informazioni”. La didattica è di norma erogata esclusivamente in presenza, salvo casi eccezionali o cause di forza maggiore. Le lezioni e le esercitazioni potranno essere integrate con dispense, documentazione tecnica, esempi di codice e materiali audiovisivi resi disponibili online.
Modalità d'esame
Le modalità dettagliate di frequenza, verifica dell’apprendimento, svolgimento delle prove e attribuzione delle valutazioni sono definite in uno specifico Regolamento del Corso di Sistemi Operativi e Programmazione di Rete, pubblicato e aggiornato annualmente nella pagina E-Learning ufficiale dell’insegnamento (vedasi sezione “Altre informazioni”). Gli allievi sono pertanto tenuti a consultare il regolamento relativo all’anno accademico di riferimento. In linea generale, l’esame è articolato in tre prove distinte, come di seguito delineate: 1. una prova scritta relativa agli argomenti teorici del corso, valutata fino a un massimo di 16 punti, con una soglia minima di 8,5 punti; 2. una prova scritta relativa agli argomenti e alle attività di laboratorio, valutata fino a un massimo di 10 punti, con una soglia minima di 5,5 punti; 3. una prova pratica, valutata fino a un massimo di 7 punti, con una soglia minima di 4 punti. Le prove scritte sono di norma composte da circa 12-15 quesiti a risposta multipla. La prova pratica, della durata indicativa di 60-90 minuti, richiede di completare, modificare o estendere un programma in linguaggio C che preveda l’esecuzione concorrente di processi e/o thread e l’impiego di meccanismi di comunicazione tra processi e di primitive per la comunicazione di rete. Per superare l’esame è necessario raggiungere la soglia minima prevista in ciascuna delle tre prove. Il raggiungimento della soglia minima in tutte le prove corrisponde complessivamente alla valutazione di 18/30. Il voto finale è determinato dalla somma dei punteggi ottenuti. Le tre prove possono essere sostenute nella medesima sessione d’esame oppure in sessioni differenti. Possono inoltre essere previste, a metà e al termine del corso, prove parziali riservate alle due parti scritte dell’esame. Per i dettagli specifici si faccia riferimento al Regolamento. Quest'ultimo può inoltre prevedere l’attribuzione di punti aggiuntivi, fino ai limiti in esso specificati, connessi, ad esempio, alla rapidità nel completamento delle prove o alla partecipazione ad attività didattiche interattive. Tali punti possono contribuire all’incremento del voto finale, ma non sono considerati ai fini dell’attribuzione della lode.
Testi di riferimento
TESTO OBBLIGATORIO - PARTE TEORICA [1] A. Silberschatz, P. B. Galvin, G. Gagne, Sistemi operativi. Concetti ed esempi, 10ª edizione, Pearson, 2019. TESTO CONSIGLIATO - PARTE DI LABORATORIO [2] M. Kerrisk, The Linux Programming Interface: A Linux and UNIX System Programming Handbook, No Starch Press, 2010. TESTI DI APPROFONDIMENTO E INTEGRAZIONE (OPZIONALI) [3] R. H. Arpaci-Dusseau, A. C. Arpaci-Dusseau, Operating Systems: Three Easy Pieces, versione aggiornata disponibile online. [4] A. S. Tanenbaum, H. Bos, Modern Operating Systems, 5th edition, Pearson, 2023. [5] B. Hall, Beej’s Guide to Network Programming: Using Internet Sockets, versione aggiornata disponibile online. [6] W. R. Stevens, B. Fenner, A. M. Rudoff, UNIX Network Programming, Volume 1: The Sockets Networking API, 3rd edition, Addison-Wesley. Le slide, le dispense e gli altri materiali didattici predisposti dai docenti e pubblicati nella pagina E-Learning ufficiale del corso costituiscono parte integrante del materiale obbligatorio per la preparazione dell’esame. In caso di eventuali difformità rispetto ai testi di riferimento, fanno fede i contenuti e le indicazioni forniti dai docenti attraverso i materiali ufficiali del corso.
Codice insegnamento 21407
Recensioni del corso
Studi qui? Accedi per lasciare la tua recensione e aiutare altri studenti a scegliere.
Nessuna recensione per ora — e la prima è la più preziosa. Condividi la tua esperienza e orienta le future matricole.