Corso di laurea
Informatica
Università degli Studi di Cagliari · 28 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 capacità di comprensione: lo studente acquisirà le conoscenze fondamentali sul funzionamento interno di un DBMS, in particolare riguardo a organizzazione fisica e gestione della memoria, indici, gestione…
Scheda dell'insegnamento
Obiettivi formativi
Conoscenza e capacità di comprensione: lo studente acquisirà le conoscenze fondamentali sul funzionamento interno di un DBMS, in particolare riguardo a organizzazione fisica e gestione della memoria, indici, gestione delle interrogazioni e delle transazioni. Si propone inoltre di fornire conoscenze su basi di dati spaziali, basi di dati NoSQL e NewSQL, basi di dati distribuite e parallele, gestione di dati di sensore, uso di DBMS PostGIS e MongoDB. Capacità di applicare conoscenza e comprensione: Lo studente sarà in grado di applicare la conoscenza acquisita per individuare la tipologia più adatta di DBMS in base alle caratteristiche dei dati. Sarà inoltre in grado di creare, popolare e interrogare una base di dati PostGIS e una base di dati MongoDB. Sarà in grado di implementare un semplice programma utilizzando il framework Map-Reduce, e di lavorare con ampia autonomia, anche nello sviluppo di un progetti di gestione di dati avanzati. Autonomia di giudizio: lo studente sarà in grado di valutare con ampia autonomia i requisiti concettuali di un dominio di dati evoluti, e di valutare la correttezza e l'efficienza della sua implementazione in un database usando una delle tecnologie illustrate. Abilità comunicative: lo studente sarà in grado di illustrare le metodologie per la progettazione concettuale di un database avanzato, e le scelte più adeguate per implementare il modello concettuale in un DBMS reale, secondo i principi di efficienza e correttezza, e utilizzando capacità comunicative e divulgative legate al lessico specifico della materia, anche in lingua inglese. Capacità di apprendimento: lo studente acquisirà la capacità di progettare e implementare database evoluti in base ai requisiti e alle specifiche del dominio dei dati.
Programma
- Gestione delle transazioni - DBMS paralleli e distribuiti - Database spaziali - PostGIS - NoSQL e NewSQL database - Main memory database - MongoDB - Dati di sensore e stream database - Trasferimento asincrono dei dati - Apache Kafka - Architetture per la gestione di serie temporali di dati
Nozioni di basi di dati relazionali, programmazione
Lezioni ed esercitazioni guidate in laboratorio (48 ore in totale).
Modalità d'esame
L’esame è composto da una parte di teoria e da una di parte di pratica. Le prove di teoria e di pratica possono essere svolte nello stesso appello o separatamente.
Testi di riferimento
- Atzeni, Ceri, Fraternali, Paraboschi, Torlone. Basi di dati. Quarta edizione. McGraw-Hill, 2014 - Garcia-Molina, Ullman, Widom. Database Systems: The Complete Book. 2/E. Pearson, 2009
Codice insegnamento 20734
L’insegnamento fornisce conoscenze teoriche e competenze metodologiche e operative per progettare, realizzare e valutare processi di Data Mining, dalla comprensione e dalla preparazione dei dati alla costruzione, alla…
Scheda dell'insegnamento
Obiettivi formativi
L’insegnamento fornisce conoscenze teoriche e competenze metodologiche e operative per progettare, realizzare e valutare processi di Data Mining, dalla comprensione e dalla preparazione dei dati alla costruzione, alla selezione e all’interpretazione di modelli predittivi e descrittivi. - Conoscenza e capacità di comprensione. Al termine del corso lo studente conoscerà le principali fasi di un processo di Data Mining; le tipologie e le caratteristiche dei dati; i problemi di qualità, rappresentazione, similarità e preparazione dei dati; i fondamenti dell’apprendimento supervisionato e non supervisionato; i principali metodi di classificazione, regressione e clustering; i protocolli e le metriche per la valutazione dei modelli. - Capacità di applicare la conoscenza e la comprensione. Lo studente sarà in grado di impostare una pipeline di analisi end-to-end, selezionare e applicare tecniche adeguate al problema e ai dati disponibili, implementare esperimenti riproducibili in Python, definire protocolli di validazione appropriati, confrontare modelli alternativi e interpretarne criticamente i risultati, anche in contesti nuovi o non familiari. - Autonomia di giudizio. Lo studente saprà motivare le scelte relative a dati, preprocessing, algoritmi, iperparametri e metriche; individuare problemi quali data leakage, overfitting, sbilanciamento delle classi e valutazioni non affidabili; valutare limiti, robustezza, interpretabilità e possibili implicazioni etiche dell’analisi. - Abilità comunicative. Lo studente saprà descrivere con linguaggio tecnico appropriato un problema di Data Mining, documentare dati, metodi ed esperimenti, presentare risultati mediante tabelle e visualizzazioni e discutere le proprie scelte con interlocutori specialisti. - Capacità di apprendimento. Lo studente sarà in grado di consultare autonomamente manuali, documentazione software e letteratura tecnica, approfondire metodi non trattati nel corso e trasferire le competenze acquisite a nuovi dataset, domini applicativi e strumenti.
Programma
PARTE TEORICA Le lezioni frontali introducono i fondamenti teorici, gli algoritmi, i criteri di scelta dei metodi e le procedure di valutazione, alternando spiegazioni, esempi guidati e discussione di casi applicativi. Programma generale: 1. Fondamenti e comprensione dei dati Introduzione al Data Mining e al processo di scoperta della conoscenza; principali task e applicazioni; tipologie, rappresentazione e qualità dei dati; statistiche descrittive; misure di similarità e di distanza. 2. Data preparation Esplorazione e visualizzazione dei dati; gestione di valori mancanti, rumore, duplicati e outlier; integrazione e trasformazione; normalizzazione, discretizzazione e campionamento; riduzione della dimensionalità (PCA, LDA 9t-SNE etc.); metodi filter, wrapper ed embedded per la selezione delle caratteristiche; costruzione di pipeline riproducibili. 3. Data Mining predittivo: classificazione Fondamenti dell’apprendimento supervisionato; k-nearest neighbors, Naive Bayes, alberi decisionali, support vector machine, metodi ensemble e fondamenti delle reti neurali. Valutazione dei classificatori: suddivisione train/validation/test, cross-validation, overfitting, matrice di confusione, accuracy, precision, recall, F1-score e ROC-AUC; gestione dello sbilanciamento delle classi e confronto tra modelli. 4. Data Mining predittivo: regressione Regressione lineare e polinomiale; cenni alla regolarizzazione e alla selezione del modello; valutazione mediante MAE, MSE, RMSE, MAPE e SMAPE; analisi e interpretazione dei residui. 5. Data Mining descrittivo e orientato ai pattern Clustering: k-means, clustering gerarchico e DBSCAN; valutazione mediante SSE, silhouette e misure esterne. Regole di associazione: supporto, confidenza, lift e algoritmo Apriori. Introduzione al sequential pattern mining e all’anomaly detection. Aspetti trasversali relativi all'interpretabilità, al bias e all'uso responsabile dei dati e dei modelli. PARTE PRATICA Le attività pratiche sono svolte prevalentemente in Python, mediante notebook e librerie per l’analisi dei dati e il machine learning. Esse guidano gli studenti nella costruzione di pipeline che comprendono esplorazione, preprocessing, addestramento, validazione, confronto tra modelli e interpretazione dei risultati. Le esercitazioni comprendono problemi numerici, applicazione manuale di algoritmi, lettura e interpretazione degli output, confronto tra metodi alternativi e analisi critica degli errori metodologici. Il progetto finale, individuale o svolto in gruppi di massimo tre studenti con carico di lavoro proporzionato alla numerosità del gruppo, richiede l’applicazione integrata delle competenze acquisite a un dataset e a un problema di Data Mining. Materiali, consegne e comunicazioni sono disponibili sulla piattaforma didattica del corso. Le attività proposte mirano a integrare l'acquisizione delle conoscenze, l'applicazione operativa, l'autonomia di giudizio, la riproducibilità e la capacità di comunicazione tecnica.
Per frequentare proficuamente l’insegnamento sono richieste le seguenti conoscenze, abilità e competenze: - capacità di programmazione: familiarità con il linguaggio Python e con ambienti notebook; le librerie necessarie per le attività pratiche saranno comunque introdotte o richiamate durante il corso; - comprensione di algoritmi di base - conoscenza di base di elementi di probabilità e statistica descrittiva e inferenziale, incluse distribuzioni, media e varianza, correlazione; - conoscenze di base sulla rappresentazione e gestione di dati tabellari; Le eventuali propedeuticità formali sono quelle previste dal regolamento didattico del Corso di Studio.
L’insegnamento prevede 72 ore di attività didattica che comprendono lezioni frontali, esercitazioni di laboratorio, e due prove intermedie. Le lezioni frontali introducono i fondamenti teorici e gli algoritmi, mentre le attività pratiche si svolgono in Python, utilizzando notebook e librerie specifiche. Il progetto finale, individuale o svolto in gruppi di massimo tre studenti con carico di lavoro proporzionato alla numerosità del gruppo, richiede l’applicazione integrata delle competenze acquisite a un dataset e a un problema di Data Mining. Materiali, consegne e comunicazioni sono disponibili sulla piattaforma didattica del corso (portale e-learning e canale Teams dedicato). Le attività proposte mirano a integrare l'acquisizione delle conoscenze, l'applicazione operativa, l'autonomia di giudizio, la riproducibilità e la capacità di comunicazione tecnica.
Modalità d'esame
La valutazione è espressa in trentesimi ed è composta da: - una componente scritta, fino a 20 punti; - un progetto, fino a 10 punti; - un eventuale bonus, fino a 2 punti complessivi. ## Componente scritta La componente scritta è articolata in una serie di domande a risposta aperta e a risposta multipla. Comprende quesiti teorici volti a verificare: - la conoscenza e la comprensione dei metodi; - la corretta applicazione di algoritmi e metriche; - la capacità di analizzare dati, output e risultati sperimentali; - la capacità di motivare le scelte metodologiche. Sono previste inoltre due prove intermedie durante il corso (una orientativamente a metà novembre, una a fine corso). Ciascuna prova in itinere superata esonera dalla corrispondente sezione della prova scritta finale. Il superamento di entrambe le prove in itinere esonera dall’intera prova scritta. In occasione degli appelli, lo studente sostiene soltanto le sezioni non superate o non sostenute. La soglia minima per superare ciascuna prova (sia la prova totale sia quella in itinere) è pari a 12/20. Per prestazioni di particolare qualità nelle prove di preparazione, programmate prima di ciascuna prova in itinere, può essere attribuito fino a 1 punto bonus per prova, per un massimo complessivo di 2 punti. ## Progetto Il progetto può essere svolto individualmente o in gruppi di massimo tre studenti. Per i gruppi di due o tre componenti sono richieste, rispettivamente, una o due estensioni rispetto al nucleo di attività comune. La valutazione del progetto è articolata come segue: - qualità, correttezza e completezza del report; - organizzazione e riproducibilità del codice; - breve discussione tecnica individuale. La discussione tecnica non prevede una presentazione formale, ma comprende alcune domande dirette a verificare l’effettiva comprensione del lavoro e il contributo individuale dello studente. La soglia minima del progetto è di 6/10. ## Determinazione del voto L’esame è superato quando: - la componente scritta è almeno pari a 12/20; - il progetto è almeno pari a 6/10; - il punteggio complessivo è almeno pari a 18/30. Il voto finale è ottenuto sommando i punteggi delle componenti scritta, del progetto e dell’eventuale bonus ed è ricondotto in trentesimi. La valutazione tiene conto della correttezza delle conoscenze, dell’appropriatezza delle procedure e delle metriche utilizzate, della capacità di interpretare criticamente i risultati e i limiti, della chiarezza del linguaggio tecnico e dell’autonomia dimostrata nel progetto. 18–21: preparazione sufficiente, prevalentemente esecutiva, con capacità di applicare le procedure fondamentali; 22–24: preparazione adeguata e complessivamente corretta; 25–27: buona padronanza degli argomenti e capacità di analisi; 28–30: padronanza molto buona o eccellente, accompagnata da autonomia, rigore e capacità critica. La lode può essere attribuita quando il punteggio grezzo è superiore a 30 e la discussione individuale dimostra comprensione, autonomia e capacità critica eccellenti.
Testi di riferimento
Testi principali - P.-N. Tan, M. Steinbach, A. Karpatne, V. Kumar, Introduction to Data Mining, 2nd edition, Pearson, 2019. - J. Han, J. Pei, H. Tong, Data Mining: Concepts and Techniques, 4th edition, Morgan Kaufmann, 2022. Testo consigliato per approfondimenti: -G. James, D. Witten, T. Hastie, R. Tibshirani, J. Taylor, An Introduction to Statistical Learning with Applications in Python, Springer, 2023. Materiale didattico integrativo: -slide e dispense predisposte dal docente; -notebook Python, dataset ed esercitazioni; -documentazione ufficiale delle librerie utilizzate, in particolare pandas, NumPy, Matplotlib e scikit-learn. Ulteriori testi consigliati per l’approfondimento di argomenti specifici saranno segnalati durante il corso.
Codice insegnamento 21875
1. Conoscenza e capacità di comprensione. L'insegnamento, rivolto a studenti del corso di Laurea Magistrale in Informatica, si propone completare il profilo delle conoscenze degli studenti, fornendo una profonda…
Scheda dell'insegnamento
Obiettivi formativi
1. Conoscenza e capacità di comprensione. L'insegnamento, rivolto a studenti del corso di Laurea Magistrale in Informatica, si propone completare il profilo delle conoscenze degli studenti, fornendo una profonda comprensione teorica e pratica su modelli e algoritmi per problemi di Ottimizzazione Lineare (Intera), che trovano applicazione in vari ambiti come l’informatica, l’economia e l’ingegneria. Gli obiettivi del corso sono: • Illustrare agli studenti come modellare numerosi problemi con la Ottimizzazione Lineare (Intera); • Presentare agli studenti i principali algoritmi di Ottimizzazione Lineare (Intera); • Aiutare lo studente a sviluppare il proprio senso critico nello sviluppo e nell’analisi di algoritmi e nella ricerca di modelli matematici efficaci per i problemi in esame. 2. Capacità di applicare conoscenza e comprensione. Gli studenti devono impiegare alcuni concetti presentati a lezione nella risoluzione di un problema realistico. Tale lavoro sarà condotto dallo studente in una tesina, tipicamente preparata con un collega. La tesina può riguardare un tema proposto dal docente o dallo studente sulla base di interessi personali. 3. Autonomia di giudizio. Il processo di modellazione matematica dei problemi consente allo studente di ragionare criticamente sugli stessi, valutare quali siano i dati utili alla loro risoluzione e formalizzare obiettivi e vincoli del problema. Inoltre, si richiede autonomia di giudizio nel valutare i diversi algoritmi con cui risolvere un dato problema di Programmazione Lineare (Intera). 4. Abilità comunicative. L’abilità comunicativa di uno studente sarà valutata in termini di capacità di descrivere chiaramente uno o più algoritmi nel colloquio orale. 5. Capacità di apprendimento. Il corso fornisce agli studenti una preparazione sufficiente alla comprensione di testi matematici più avanzati, rendendoli capaci di ampliare in futuro le proprie conoscenze in modo autonomo.
Programma
- (Cenni di) Programmazione Matematica • Modelli di Programmazione Lineare (Intera) • Algoritmo del Simplesso • Dualità in Programmazione Lineare • Programmazione Lineare Intera • Ottimizzazione a larga scala
1. Conoscenze. La comprensione del corso è facilitata dalla conoscenza dei concetti di base di “Matematica Discreta”, “Calcolo Scientifico e Metodi Numerici” e “Dati e Modelli”, che sono oggetto di studio nella laurea triennale in Informatica. 2. Abilità. Gli studenti dovranno essere in grado di interpretare e formalizzare algoritmi in mappe strutturali. 3. Competenze. Non si richiede alcuna competenza tecnica. Corsi propedeutici. Nessuno.
Il corso consiste di 48 ore di lezione frontale. Le lezioni coprono la trattazione di aspetti teorici e alcuni esercizi finalizzati all’analisi degli aspetti implementativi. Il docente presta inoltre assistenza costante agli studenti nell'arco dell'intero anno accademico attraverso messaggi di posta elettronica, tramite cui è possibile concordare degli incontri.
Modalità d'esame
Lo studente dovrà dimostrare di conoscere i concetti fondamentali durante il corso (e la relativa terminologia specifica) e di saperli applicare alla risoluzione di problemi realistici. La verifica dell'apprendimento avviene con una tesina su un problema concordato con il docente e una successiva prova orale. La conclusione della tesina è condizione necessaria per l’ammissione alla prova orale. Questa permette la verifica e la valutazione sulla parte teorica, si articola tipicamente 2 o 3 domande. Il voto conseguito è la somma dei punti conseguiti nelle tesine e nel colloquio orale. In generale: • Il voto sarà compreso tra 18/30 e 22/30 in presenza di una conoscenza sufficiente della terminologia specifica, una corretta applicazione dei concetti metodologici, e una sufficiente esposizione dei concetti e dei risultati. • Il voto sarà compreso tra 23/30 e 26/30 in presenza di una buona padronanza della terminologia specifica, una buona applicazione dei concetti metodologici, e una buona esposizione dei concetti e dei risultati. • Il voto sarà compreso tra 27/30 e 30 e lode in presenza di un’ottima padronanza della terminologia specifica, una critica applicazione dei concetti metodologici, e un’esposizione chiara dei concetti e dei risultati.
Testi di riferimento
Matteo Fischetti. Lezioni di Ricerca Operativa. Kindle Publishing (2018). Bersimas D., Tsitsiklis J.N. Introduction to Linear Optimization. Dynamic Ideas (1997).
Codice insegnamento 20737
1. Conoscenza e capacità di comprensione. L'insegnamento, rivolto a studenti del I anno della Laurea Magistrale in Informatica, si propone di far acquisire allo studente una conoscenza operativa delle metodologie…
Scheda dell'insegnamento
Obiettivi formativi
1. <b>Conoscenza e capacità di comprensione</b>. L'insegnamento, rivolto a studenti del I anno della Laurea Magistrale in Informatica, si propone di far acquisire allo studente una conoscenza operativa delle metodologie fondamentali dell'analisi numerica. I vari argomenti vengono descritti a fondo fornendo una giustificazione teorica per quanto possibile rigorosa. 2. <b>Capacità di applicare conoscenza e comprensione</b>. Durante il corso verranno discusse possibili applicazioni dei metodi studiati in alcuni settori dell'informatica applicata, quali ad esempio il data mining, l'image processing e la computer vision. Gli studenti dovranno dimostrare di essere in grado di implementare gli algoritmi in un linguaggio di programmazione e di verificare il loro funzionamento mediante una efficace sperimentazione numerica. 3. <b>Autonomia di giudizio</b>. Il corso fornisce agli studenti diligenti le competenze di base per applicare le metodologie matematiche descritte durante il corso alla risoluzione di problemi applicativi connessi al proprio campo di studi. 4. <b>Abilità comunicative</b>. La correzione della prova scritta tiene conto della capacità dello studente di esporre in modo ordinato e coerente gli argomenti studiati. La sua abilità comunicativa viene ulteriormente valutata durante la prova orale. 5. <b>Capacità di apprendimento</b>. Il corso fornisce agli studenti diligenti una preparazione sufficiente alla comprensione di testi matematici avanzati, rendendoli capaci di ampliare in futuro le proprie conoscenze in modo autonomo.
Programma
Modalità d'esame
La verifica dell&amp;#39;apprendimento comprenderà una discussione teorica mirata a valutare la preparazione dello studente sugli argomenti del corso. Lo studente dovrà dimostrare di conoscere e aver capito gli algoritmi descritti durante il corso, nonché di essere in grado di applicarli alla risoluzione di problemi. Le prova si intende superata solo se lo studente ha riportato una votazione non inferiore a 18/30. Per superare l&amp;#39;esame lo studente deve dimostrare di possedere una conoscenza di base di tutti gli argomenti trattati nel corso. Il voto sarà compreso tra 18/30 e 22/30 se lo studente dimostra di avere una conoscenza sufficiente della terminologia specifica e una capacità sufficiente di esposizione dei concetti e dei risultati. Il voto sarà compreso tra 23/30 e 26/30 se lo studente dimostra di avere una buona conoscenza della terminologia specifica e una buona capacità di esposizione dei concetti e dei risultati. Il voto sarà compreso tra 27/30 e 30/30 se lo studente dimostra di avere una ottima conoscenza della terminologia specifica e una ottima capacità di esposizione dei concetti e dei risultati. Per conseguire la lode, lo studente deve dimostrare di conoscere in modo eccellente gli argomenti del corso e di essere in grado di applicarli alla risoluzione di problemi.
Testi di riferimento
E. Estrada and P. A. Knight A First Course in Network Theory Oxford University Press, 2015. G. H. Golub and G. Meurant Matrices, Moments and Quadrature with Applications Princeton University Press, Princeton, 2010. N. J. Higham Functions of matrices: theory and computation SIAM, 2008. Mark Newman Networks: An Introduction Oxford Academic, 2010. Dispense aggiornate fornite dai docenti
Codice insegnamento 23233
1. Conoscenza e capacità di comprensione. L'insegnamento, rivolto a studenti del corso di Laurea Magistrale in Informatica e Matematica, si propone completare il profilo delle conoscenze degli studenti, al fine di…
Scheda dell'insegnamento
Obiettivi formativi
1. Conoscenza e capacità di comprensione. L&#39;insegnamento, rivolto a studenti del corso di Laurea Magistrale in Informatica e Matematica, si propone completare il profilo delle conoscenze degli studenti, al fine di fornire una profonda comprensione teorica e pratica su algoritmi per problemi di ottimizzazione su rete. Questi costituiscono un’ampia classe dei problemi di programmazione matematica e, per via della pervasività delle reti nella società moderna, trovano applicazione in vari ambiti come l’informatica, l’ingegneria e l’economia. Gli obiettivi dell’insegnamento sono: • Presentare agli studenti un’analisi rigorosa degli algoritmi di ottimizzazione su rete; • Supportare lo studente a sviluppare il proprio senso critico nello sviluppo e nell’analisi di algoritmi. 2. Capacità di applicare conoscenza e comprensione. In sede d’esame, gli studenti devono impiegare alcuni concetti presentati a lezione nella risoluzione di un problema realistico. Tale lavoro sarà condotto dallo studente in una tesina, tipicamente preparata con un collega. La tesina può riguardare un tema proposto dal docente o dallo studente sulla base di interessi personali. 3. Autonomia di giudizio. L’applicazione dei concetti fondamentali alla risoluzione di un problema realistico consentirà allo studente di ragionare criticamente sugli stessi, valutare quali siano i dati utili alla risoluzione dei problemi, implementare ed eseguire algoritmi risolutivi per il problema in esame, e valutare i risultati ottenuti. 4. Abilità comunicative. La redazione della tesina consentirà allo studente di sviluppare le capacità richieste per esporre in modo ordinato e coerente gli argomenti studiati. La sua abilità comunicativa è ulteriormente valutata in una successiva prova orale. 5. Capacità di apprendimento. Il corso fornisce agli studenti una preparazione sufficiente alla comprensione di testi matematici più avanzati, rendendoli capaci di ampliare in futuro le proprie conoscenze in modo autonomo.
Programma
Introduzione: Cammini, Alberi e Cicli • Progettazione e analisi di algoritmi • Algoritmi per problemi di cammino minimo • Algoritmi per problemi di flusso massimo • Algoritmi per il problema del flusso di minimo costo • Alberi ricoprenti di minimo costo • Problemi di flusso multi-commodity • Rilassamento Lagrangiano e metodi di decomposizione
1. Conoscenze. La comprensione del corso è facilitata dalla conoscenza dei concetti di base di “Matematica Discreta”, “Calcolo Scientifico e Metodi Numerici”. Un background sulla programmazione lineare può esser utile, ma non è necessario. 2. Abilità. Scrivere un algoritmo in pseudocodice. 3. Competenze. Si richiede la capacità di valutare le strutture dati più idonee per gli algoritmi. Corsi propedeutici. Nessuno.
Il corso consiste di 48 ore di lezione frontale in inglese. Le lezioni coprono la trattazione di aspetti teorici e alcuni esercizi finalizzati all’analisi degli aspetti implementativi. Talvolta gli esercizi sono risolti con l’ausilio di laptop. Il docente presta inoltre assistenza costante agli studenti nell'arco dell'ntero anno accademico attraverso messaggi di posta elettronica o ricevimenti (online o in studio).
Modalità d'esame
Lo studente dovrà dimostrare di conoscere i concetti fondamentali durante il corso (e la relativa terminologia specifica) e di saperli applicare alla risoluzione di problemi realistici. La verifica dell&#39;apprendimento avviene con una tesina su un problema concordato con il docente e una successiva prova orale. La conclusione della tesina è condizione necessaria per l’ammissione alla prova orale. Questa permette la verifica e la valutazione della teoria dell’ottimizzazione su rete, si articola tipicamente 2 o 3 domande. Il voto conseguito è la somma dei punti conseguiti nelle tesine e nel colloquio orale. In generale: • Il voto sarà compreso tra 18/30 e 22/30 in presenza di una conoscenza sufficiente della terminologia specifica, una corretta applicazione dei concetti metodologici, e una sufficiente esposizione dei concetti e dei risultati. • Il voto sarà compreso tra 23/30 e 26/30 in presenza di una buona padronanza della terminologia specifica, una buona applicazione dei concetti metodologici, e una buona esposizione dei concetti e dei risultati. • Il voto sarà compreso tra 27/30 e 30 e lode in presenza di un’ottima padronanza della terminologia specifica, una critica applicazione dei concetti metodologici, e un’esposizione chiara dei concetti e dei risultati.
Testi di riferimento
Ravindra k. Ahuja, Thomas L. Magnanti, James B. Orlin. Network Flows. Upper Saddle River, NJ: Prentice Hall, 1993. ISBN: 9780136175490. Matteo Fischetti. Introduction to Mathematical Optimization. Kindle Edition, 2019.
Codice insegnamento 23906
Conoscenza e comprensione Al termine del corso, lo studente conoscerà e comprenderà i principali concetti, modelli e tecnologie per lo sviluppo di interfacce utente avanzate. In particolare, conoscerà le principali…
Scheda dell'insegnamento
Obiettivi formativi
<b>Conoscenza e comprensione</b> <p>Al termine del corso, lo studente conoscerà e comprenderà i principali concetti, modelli e tecnologie per lo sviluppo di interfacce utente avanzate. In particolare, conoscerà le principali architetture software per interfacce 2D e 3D, i meccanismi di gestione dell'input e dell'output, i criteri per la valutazione dei toolkit di interfaccia, le tecnologie e i dispositivi per l'Extended Reality (XR), le principali tecniche di interazione spaziale e gestuale e le linee guida per la progettazione di esperienze XR.</p> <b>Capacità di applicare conoscenza e comprensione</b> <p>Lo studente sarà in grado di progettare e sviluppare interfacce utente avanzate integrando opportunamente tecnologie, librerie e toolkit. Sarà inoltre in grado di applicare pattern architetturali e linee guida di progettazione, implementare tecniche di interazione 2D e 3D e sviluppare prototipi interattivi basati su tecnologie XR.</p> <b>Autonomia di giudizio</b> <p>Lo studente sarà in grado di analizzare criticamente differenti soluzioni tecnologiche per l'implementazione di un'interfaccia utente, valutandone vantaggi, limiti e costi rispetto ai requisiti dell'applicazione e dell'interazione. Sarà inoltre in grado di selezionare tecniche di interazione e soluzioni architetturali appropriate al contesto d'uso.</p> <b>Abilità comunicative</b> <p>Lo studente sarà in grado di descrivere e motivare in modo chiaro le scelte progettuali, architetturali e implementative adottate nello sviluppo di un sistema interattivo, utilizzando correttamente il lessico tecnico della disciplina. Le attività progettuali contribuiranno inoltre allo sviluppo della capacità di presentare e discutere il lavoro svolto e di documentarlo in forma scritta.</p> <b>Capacità di apprendimento</b> <p>Lo studente sarà in grado di approfondire autonomamente nuove tecnologie, toolkit e paradigmi di interazione, analizzandone la documentazione tecnica e la letteratura scientifica e applicando i principi acquisiti a tecnologie e contesti non affrontati direttamente durante il corso.</p>
Programma
<ol> <li><b>Tecnologie e architetture per le interfacce utente</b> <ul> <li>Architettura dei sistemi interattivi e toolkit per interfacce utente</li> <li>Architetture e pattern per la separazione tra interfaccia e logica applicativa</li> <li>Gestione dell'output e organizzazione dei componenti dell'interfaccia</li> <li>Gestione dell'input, eventi e loro propagazione</li> <li>Criteri per la valutazione dei toolkit per interfacce utente</li> </ul> </li> <li><b>Extended Reality (XR)</b> <ul> <li>Realtà Virtuale, Realtà Aumentata e Mixed Reality</li> <li>Dispositivi di input e output per XR</li> <li>Tracking e sistemi di riferimento</li> <li>Rendering e registrazione del contenuto virtuale</li> <li>Interazione spaziale e rappresentazione dell'ambiente</li> </ul> </li> <li><b>Tecniche di interazione in XR</b> <ul> <li>Principi e pattern di interazione 3D</li> <li>Selezione e manipolazione di oggetti virtuali</li> <li>Interazione diretta e a distanza</li> <li>Locomozione e controllo del punto di vista</li> <li>Interazione mediante controller, mani, gaze e altre modalità di input</li> </ul> </li> <li><b>Progettazione e sviluppo di interfacce XR</b> <ul> <li>Architettura e funzionalità dei principali SDK per XR</li> <li>Linee guida per il design di esperienze XR</li> <li>Comfort, ergonomia e limiti dei dispositivi</li> <li>Organizzazione dello spazio, feedback e guida dell'attenzione</li> <li>Implementazione di interazioni e prototipi XR</li> </ul> </li> <li><b>Interazione gestuale</b> <ul> <li>Definizione e classificazione delle gesture interattive</li> <li>Tecniche procedurali per il riconoscimento delle gesture</li> <li>Riconoscimento basato su esempi e machine learning</li> <li>Approcci dichiarativi alla definizione delle gesture</li> </ul> </li> </ol>
<p>È richiesta una conoscenza di base della programmazione orientata agli oggetti. È inoltre utile una conoscenza dei concetti fondamentali dell'Interazione Uomo-Macchina e della progettazione delle interfacce utente.</p>
<p>Il corso combina lezioni frontali e attività pratiche di laboratorio.</p> <p>Le lezioni introducono i concetti, le architetture, le tecnologie e le tecniche per lo sviluppo di interfacce utente avanzate, con particolare attenzione alle tecnologie XR.</p> <p>Le attività di laboratorio hanno carattere prevalentemente hands-on e permettono agli studenti di applicare progressivamente i concetti presentati durante le lezioni attraverso esercitazioni di programmazione e sviluppo di interfacce interattive.</p> <p>Una parte rilevante del corso è dedicata allo sviluppo di un progetto, attraverso il quale gli studenti approfondiscono e applicano le tecnologie e i metodi affrontati nel corso. L'analisi e la discussione di articoli scientifici contribuiscono inoltre all'approfondimento di temi avanzati e allo sviluppo della capacità di confrontarsi con la letteratura scientifica del settore.</p>
Modalità d'esame
<p>La verifica dell'apprendimento comprende una <b>componente teorica</b> e una <b>componente progettuale</b>.</p> <p><b>Componente teorica (20% del voto finale).</b> Durante il corso vengono assegnati tre articoli scientifici, per ciascuno dei quali lo studente prepara individualmente una breve review e partecipa alla relativa discussione. In alternativa, la componente teorica può essere sostenuta durante gli appelli d'esame mediante la review di tre articoli scientifici assegnati per l'appello. La valutazione considera la comprensione dei contenuti e la capacità di analisi critica.</p> <p><b>Componente progettuale (80% del voto finale).</b> Il progetto richiede la progettazione e lo sviluppo di un sistema interattivo che approfondisca e applichi le tecnologie e i metodi affrontati nel corso. Il lavoro è descritto in un paper in inglese e presentato e discusso oralmente. Sono valutate la qualità tecnica e la complessità del progetto, l'appropriatezza delle soluzioni adottate e la capacità di motivare le scelte progettuali e implementative.</p> <p>Il voto finale è determinato dalla somma pesata delle valutazioni delle due componenti. La lode può essere attribuita agli studenti che raggiungono il punteggio massimo e dimostrano piena padronanza degli argomenti del corso, autonomia e capacità di applicare e integrare criticamente le conoscenze acquisite.</p>
Testi di riferimento
<p>Il docente fornisce le slide utilizzate durante le lezioni e gli articoli scientifici previsti come materiale del corso.</p>
Codice insegnamento 20173
Conoscenza e capacità di comprensione: • Comprendere cosa significa rappresentare e processare un oggetto 3D al calcolatore • Conoscere le principali problematiche relative processing di oggetti 3D • Conoscere i…
Scheda dell'insegnamento
Obiettivi formativi
Conoscenza e capacità di comprensione: • Comprendere cosa significa rappresentare e processare un oggetto 3D al calcolatore • Conoscere le principali problematiche relative processing di oggetti 3D • Conoscere i principali operatori e algoritmi di geometry processing • Conoscere i fondamenti geometrici della computer graphics Capacità di applicare conoscenza e comprensione: • Risolvere esercizi sugli argomenti trattati durante il corso seguendo un ragionamento algoritmico geometrico • Leggere porzioni di codice, scritte in linguaggio C++, e comprendere per quali scopi sono progettati, basandosi sull'interpretazione del codice e sul contesto applicativo in cui sono inseriti Autonomia di giudizio • Essere in grado di comprendere un algoritmo di geometry processing, discutendone l'efficienza e la robustezza Abilità comunicative • Essere in grado di presentare un algoritmo di geometry processing, esponendone le caratteristiche e principali difficoltà implementative Capacità di apprendimento • Essere in grado di utilizzare paradigmi canonici di geometry processing al fine di ideare nuovi algoritmi di shape processing
Programma
Signal Processing in 1D, 2D e 3D Richiami di Algebra Lineare Richiami di Geometri Differenziale: curve e superfici Rappresentazioni 3D di tipo Mesh Rappresentazioni 3D alternative Operatori Topologici Locali Laplaciano Decimazione di Mesh Ricostruzione di Superfici Smoothing Parametrizzazioni Deformazioni/Animazioni
Nozioni di base di algebra lineare apprese durante il corso di Matematica Discreta.
48 ore di lezione frontali, erogate in due modalità: presentazione dei contenuto teorici tramite lucidi (power point) e sessioni di live coding da parte del docente per illustrare come si implementano gli algoritmo di geometry processing visti nella parte di teoria
Modalità d'esame
Progettazione di un algoritmo di geometry processing in C++ Esame orale
Testi di riferimento
Codice insegnamento 23489
CONOSCENZA E CAPACITA' DI COMPRENSIONE: Il corso ha l'obiettivo di insegnare allo studente i fondamenti delle architetture per l'analisi e gestione dei big data e costruire solide basi per la comprensione delle loro…
Scheda dell'insegnamento
Obiettivi formativi
CONOSCENZA E CAPACITA' DI COMPRENSIONE: Il corso ha l'obiettivo di insegnare allo studente i fondamenti delle architetture per l'analisi e gestione dei big data e costruire solide basi per la comprensione delle loro problematiche e l'implementazione di software sfruttando tali metodologie. Il progetto consegnato verterà sull’utilizzo di framework e architetture di big data su un problema di ricerca/industriale. Lo studente agirà in autonomia tramite account personali su istanze Amazon AWS e potrà integrare le tecnologie che riterrà opportune con le metodologie dei big data per risolvere certi task sfruttando il machine learning dove necessario. Esempi di integrazione di diverse tecnologie informatiche con i framework Apache Spark e Hadoop saranno mostrati a lezione. Seminari conclusivi relativi a vari domini di applicazione mostreranno agli studenti problematiche e best practices di problemi reali. CAPACITÁ APPLICATIVE: lo studente deve essere in grado di usare i framework di big data proposti e usare i linguaggi di prog. (Python, Java, Scala) per poter lavorare con essi e le librerie a supporto (e.g. MLlib library per la risoluzione di problemi di machine learning). Un account su Amazon AWS (con crediti gratuiti) dovrà essere creato per lavorare sul progetto e la dashboard verrà impiegata per amministrare le istanze e l'account. Strumenti come AWS CLI, FlinTrock, Terraform, Serverless verranno impiegati per la gestione automatica delle istanze di un cluster con il software usato e sviluppato. Il free tier di Amazon AWS e il credito bonus consentiranno di lavorare al progetto assegnato. Lo studente sarà cosi in grado di effettuare attività di progettazione e sviluppo di problemi complessi relativi al mondo dei big data. AUTONOMIA DI GIUDIZIO: il corso si propone di stimolare gli studenti proponendo esercizi, e problemi da risolvere potendoli implementare con i framework mostrati per autonomamente giudicare il proprio lavoro. Competenze sviluppate riguardano la comprensione degli studenti del problema di big data posto e sulla sua analisi, sviluppo e soluzione. Giocando con il numero di istanze che si possono creare su Amazon AWS, gli studenti potranno analizzare come diminuisce il carico computazionale all'aumentare dei nodi del cluster e viceversa. ABILITÀ NELLA COMUNICAZIONE: lo studente deve essere in grado di esprimere con appropriata terminologia i concetti fondamentali dei big data, del machine learning, di Amazon AWS, i concetti di map-reduce, HDFS, e il software che viene prodotto per la gestione dei big data. Una relazione finale ben organizzata e facile da leggere verrà consegnata al docente insieme ad un link ad una software repository contenente una guida per l'installazione e l'esecuzione del progetto. CAPACITÀ DI APPRENDERE: lo studente sarà in grado di apprendere i concetti fondamentali dell'uso dei framework di big data, capire la differenza tra software scritti per la gestione di grossa mole di dati con e senza l’uso delle architetture per big data e riconoscere i task di machine learning. Inoltre saprà anche gestire un cluster di nodi Amazon AWS con soluzioni di big data e machine learning installate. Amazon mette a disposizione tantissimi strumenti per la trattazione dei Big Data che gli studenti possono utilizzare all'interno dei propri progetti (e.g., Amazon EC2, Amazon Athena, Amazon EMR, Amazon S3, AWS Lambda, Amazon ElasticSearch, etc.). COMPETENZE ATTESE: Comprensione generale dei fondamenti e degli aspetti applicativi relativi al mondo dei big data. Conoscenza della prog. con i big data usando i framework Apache Hadoop, Apache Spark. Conoscenza della gestione di cluster di istanze Amazon e gestione di tali istanze tramite strumenti come AWS CLI, FlinTrock, Terraform, Serverless. Analisi dei problemi di big data e come affrontarli usando tecnologie con filosofia map-reduce.
Programma
1. Architecture of Big Data systems 2. Definition of Big Data 3. Introduction to the Hadoop framework 4. Use of the HDFS filesystem 5. Concept of MapReduce 12 hours 6. Introduction to the Spark framework SPARK 7. Programming with RDDs 8. Use of key/value pairs 10 hours 9. Loading and Saving data 10. Advanced Programming with Spark 11. Execution on a cluster 12. Tuning and Debugging with SPARK 8 hours 13. SPARK SQL and GraphX 14. Streaming with SPARK 15. Fundaments of Machine and Deep Learning 16. Machine learning with MlLib 8 hours 17. Amazon AWS and configuration 8 hours 18. Seminars 2 hours
Conoscenza del linguaggio Java, Python (Scala facoltativo). Conoscenza della programmazione. Conoscenza della shell Linux, e suoi comandi principali. Conoscenza della lingua Inglese a livello B1.
Lezioni ed esercitazioni in presenza Forum creato su elearning per domande, approfondimenti, soluzioni di esercizi e programmi software. Gruppo Facebook e Telegram per ulteriori commenti, e comunicazioni. Ulteriore possibilità di contattare il docente tramite email e skype e avere risposte immediate. Uso dei repository su GitHub per caricare il proprio progetto e codici sorgenti. Lezioni frontali: 28 ore Esercitazioni: 18 ore La didattica sarà erogata in presenza. Le lezioni potranno essere integrate con materiali audiovisivi e con lo streaming
Modalità d'esame
- Esercitazioni ed esempi durante il corso - Utilizzo di Mentimeter per mantenere costante ed elevato l'interazione con gli studenti. - Sviluppo di piccoli task software direttamente sui server e immediato debug e analisi dei risultati. - Progetto assegnato a piccoli gruppi su un problema che usa dati di grosse dimensioni. Il progetto sarà concordato con il docente. Una volta sviluppato e testato sui server o cloud a disposizione, una descrizione scientifica di tutto il metodo realizzato insieme a risultati, esperienze e commenti verrà consegnata al docente. Un repository su GitHub conterrà il progetto svolto con un readme che aiuta l'utente all'installazione del progetto e alla sua esecuzione. Le descrizioni saranno a volte estese a lavori per Workshop o Journal dal docente e spedite in Workshop o Conferenze o Journal internazionali. A seconda della dimensione del progetto e da quanti studenti ne faranno parte si concorderà un voto che dipenderà dall'efficienza computazionale del programma circa la parallelizzazione del codice e della precisione che si riesce ad ottenere sfruttando tale computazione. - Verifica orale/scritta sui concetti essenziali dei big data e i framework visti durante il corso e discussione del progetto. - Il software realizzato per il progetto, e la sua descrizione scritta e orale daranno un voto complessivo in trentesimi. La seguente indica una classificazione dei voti finali per la materia: 18-20: si sanno usare alcune tecnologie di big data per la gestione di semplici task senza ottimizzazione 20-22: si sanno usare alcune tecnologie di big data per la risoluzione di semplici task con una ottimizzazione di livello base 22-24: si sanno usare alcune tecnologie di big data per la risoluzione di semplici task con una ottimizzazione di livello medio 24-26: si sanno usare alcune tecnologie di big data per la risoluzione di semplici task con una ottimizzazione di livello avanzato 26-28: si sanno usare diverse tecnologie di big data per la risoluzione di task facili e difficili sfruttando una ottimizzazione avanzata e piattaforme cloud innovative per l'esecuzione del codice. 28-30 e lode: si sanno usare diverse tecnologie di big data per la risoluzione di problemi di ricerca che richiedono una ottimizzazione avanzata delle operazioni con i dati e su piattaforme cloud innovative per l'esecuzione del codice.
Testi di riferimento
Codice insegnamento 20383
Conoscenza e comprensione Lo studente acquisirà conoscenze sui fondamenti della bioinformatica, sulle principali tipologie di dati biologici e biomedici e sulle loro modalità di rappresentazione, nonché sui principali…
Scheda dell'insegnamento
Obiettivi formativi
Conoscenza e comprensione Lo studente acquisirà conoscenze sui fondamenti della bioinformatica, sulle principali tipologie di dati biologici e biomedici e sulle loro modalità di rappresentazione, nonché sui principali algoritmi, modelli computazionali e infrastrutture utilizzati per l’analisi di dati biologici su larga scala. Saranno inoltre acquisite conoscenze relative agli aspetti etici, legali e di gestione dei dati nel contesto delle scienze della vita. Capacità di applicare conoscenza e comprensione Lo studente sarà in grado di applicare metodi, algoritmi e modelli computazionali per l’analisi di dati biologici complessi, di progettare workflow bioinformatici riproducibili e scalabili e di selezionare soluzioni architetturali e infrastrutturali adeguate (HPC, cloud, Big Data) in funzione delle caratteristiche dei dati e dei problemi analizzati. Autonomia di giudizio Lo studente svilupperà la capacità di valutare criticamente dati, metodi e soluzioni computazionali in ambito bioinformatico, di analizzare i compromessi tra accuratezza, complessità computazionale e scalabilità, e di considerare in modo autonomo le implicazioni etiche, legali e di sostenibilità legate al trattamento dei dati biologici. Abilità comunicative Lo studente sarà in grado di comunicare in modo chiaro ed efficace concetti, metodi e risultati relativi a problemi bioinformatici, utilizzando un linguaggio tecnico appropriato e interagendo in modo consapevole con figure professionali provenienti da ambiti interdisciplinari, in particolare dalle scienze della vita. Capacità di apprendimento Lo studente acquisirà la capacità di aggiornare autonomamente le proprie conoscenze in un ambito in rapida evoluzione come la bioinformatica, comprendendo documentazione tecnica e scientifica e adattando strumenti e metodologie computazionali a nuovi contesti applicativi.
Programma
- Introduzione alla Bioinformatica - Fondamenti di biologia (per informatici) - Tipologie di dati biologici e formati - Bioinformatica e Big Data - Algoritmi e modelli computazionali - Analisi bioinformatiche fondamentali - HPC, cloud computing e sistemi di workflow in ambito bioinformatico - FAIR data, aspetti etici e legali
Per una proficua frequenza del corso sono richieste le seguenti conoscenze, abilità e competenze: Conoscenze • Programmazione in almeno un linguaggio ad alto livello (preferibilmente Python): indispensabile • Strutture dati e algoritmi di base: indispensabile • Sistemi operativi (processi, file system, concetti di base di parallelismo): importante • Architettura degli elaboratori (concetti di base di memoria, I/O, CPU): utile Abilità • Capacità di analizzare problemi computazionali e modellare soluzioni algoritmiche: indispensabile • Capacità di leggere e comprendere documentazione tecnica: importante • Capacità di utilizzare ambienti di sviluppo e sistemi Linux utile Competenze • Autonomia nell’uso di strumenti informatici per l’analisi e la gestione dei dati: importante • Capacità di integrare conoscenze teoriche e pratiche in contesti applicativi: importante • Attitudine al lavoro in contesti interdisciplinari: utile Non sono richieste conoscenze pregresse di biologia o bioinformatica.
L’insegnamento prevede: • lezioni frontali con supporto di slide; • discussione di casi di studio e workflow reali; • analisi concettuale di strumenti e piattaforme bioinformatiche; • eventuali dimostrazioni guidate di workflow e sistemi di gestione del calcolo
Modalità d'esame
Prova scritta
Testi di riferimento
Non è previsto un testo di riferimento unico. Il materiale di studio è costituito principalmente da: • slide e materiale didattico forniti dal docente durante il corso; • articoli scientifici, documentazione tecnica e risorse online selezionate, utili all’approfondimento dei temi trattati
Codice insegnamento 23543
Conoscenza e comprensione: il corso ha l'obiettivo di approfondire le caratteristiche della tecnologia blockchain (e delle DLT in generale), degli smart contract e delle loro applicazioni. A tal fine, il corso si propone…
Scheda dell'insegnamento
Obiettivi formativi
Conoscenza e comprensione: il corso ha l'obiettivo di approfondire le caratteristiche della tecnologia blockchain (e delle DLT in generale), degli smart contract e delle loro applicazioni. A tal fine, il corso si propone di descrivere i fondamenti teorici di questa tecnologia e di descrivere i principi di programmazione degli smart contract per le più utilizzate piattaforme blockchain e per lo sviluppo di applicazioni decentralizzate. Gli obiettivi di apprendimento attesi riguarderanno la conoscenza e la comprensione dei seguenti argomenti: - principi di funzionamento dei sistemi blockchain; - tipologie di sistemi blockchain, layer-2 e cross-chain; - principi di programmazione di Smart Contracts; - linguaggio Solidity e suoi ambienti di sviluppo per l&amp;#39;implementazione di smart contract; - elementi di sviluppo di applicazioni decentralizzate (dApp) Capacità di applicare conoscenza e comprensione: il corso fornisce gli strumenti necessari ad analizzare in autonomia le caratteristiche delle piattaforme blockchain esistenti o che verranno rilasciate in futuro. Inoltre, il corso fornisce le basi per l'implementazione di qualsiasi applicazione decentralizzata basata su smart contract e tecnologia blockchain. Autonomia di giudizio: il corso consente allo studente di acquisire l'autonomia di giudizio per effettuare le scelte necessarie per il successo dei progetti di applicazioni decentralizzate. In particolare, durante il corso verrà stimolata l&amp;#39;autonomia di giudizio nel tempo dedicato alle discussioni aperte e durante la prova finale. Abilità comunicative: il corso consente allo studente di acquisire la terminologia del settore per esprimersi in modo rigoroso ed appropriato, anche con specialisti e sviluppatori di sistemi basati su tecnologia blockchain. Lo studente potrà esporre dettagliatamente problemi e soluzioni riguardanti lo sviluppo di smart contract e applicazioni decentralizzate. Capacità di apprendimento: lo studente sarà in grado di apprendere le problematiche, le metodologie e l'uso delle librerie software per programmazione di dApp, applicando con flessibilità i concetti di base forniti nel corso. Egli sarà i grado di ampliare in futuro le proprie conoscenze in modo autonomo, grazie alla capacità di comprensione dei testi tecnici avanzati.
Programma
Introduzione alla tecnologia blockchain, 2h; Il sistema bitcoin e la proof-of-work, 10h; I sistemi blockchain specializzati e protocolli di consenso, 5h; Il sistema Ethereum e la proof-of-stake, 6h; Programmazione di Smart Contracts e linguaggio Solidity, 20h; Sviluppo di applicazioni decentralizzate e per il Web3, 5h;
Important: Object-Oriented Programming Techniques useful: Elements of Cryptography
La didattica sarà erogata in presenza. Le lezioni potranno essere integrate con materiali audiovisivi. Gli strumenti utilizzati per le lezioni frontali saranno sia la lavagna che slide con sistema di proiezione via schermo in aula. Per le esercitazioni pratiche e gli esercizi di programmazione, il docente e gli studenti utilizzeranno i propri pc.
Modalità d'esame
L&#39;esame consiste in due prove, una teorica e una pratica. Il voto finale è la media dei punteggi delle due prove. La prova teorica consiste in un esame scritto sui contenuti del corso e può includere domande a risposta chiusa, a risposta aperta ed esercizi. La prova pratica consiste nella realizzazione di un progetto (da soli o in gruppo da due) e nella sua presentazione. Il tema del progetto è concordato col docente. Il tempo a disposizione è di due mesi di tempo dal momento di assegnazione del tema. La consegna comprende il codice e la relazione descrittiva, entrambi da contrassegnare con una licenza libera (CC-BY) . Verranno valutiati il codice, la relazione, e l'esposizione, sulla base dei requisiti indicati dal docente. Alla scadenza concordata, nel caso di ritardo verranno applicate le seguenti penalità al voto: perdita della lode per consegna oltre i limiti, riduzione di un punto per ogni mese di ritardo. Il progetto può essere eventualmente esteso come tesi magistrale.
Testi di riferimento
Materiale didattico fornito durante il corso --Per approfondimenti-- Per la parte Bitcoin: Mastering Bitcoin, 3rd Edition Di: Andreas M. Antonopoulos, David A. Harding Anno: 2023 Editore: O&#39;Reilly Media, Inc. ISBN: 9781098150099 Nota: disponibile con licenza CC su github Per la parte Ethereum e solidity: Mastering Ethereum 2nd edition (2022) Editore: O&#39;Reilly Media, Inc. Nota: disponibile con licenza CC su github
Codice insegnamento 21881
Il corso mira a fornire agli studenti una comprensione approfondita delle infrastrutture cloud e delle tecniche avanzate di sicurezza informatica necessarie per gestire tali ambienti. Conoscenza e capacità di…
Scheda dell'insegnamento
Obiettivi formativi
Il corso mira a fornire agli studenti una comprensione approfondita delle infrastrutture cloud e delle tecniche avanzate di sicurezza informatica necessarie per gestire tali ambienti. Conoscenza e capacità di comprensione. Al termine del corso, gli studenti saranno in grado di comprendere le architetture cloud, i modelli di servizio, e le soluzioni di sicurezza applicabili. Saranno in grado di analizzare e valutare l&#39;efficacia delle infrastrutture cloud, riconoscendo le opportunità offerte e i rischi associati. Capacità di applicare conoscenza e comprensione. Gli studenti saranno in grado di applicare in pratica le conoscenze acquisite, configurando, gestendo e proteggendo infrastrutture cloud. Saranno capaci di implementare soluzioni di virtualizzazione, orchestrazione di servizi, e gestire operazioni IT seguendo le best practice di sicurezza. Autonomia di giudizio. Gli studenti svilupperanno la capacità di valutare criticamente le tecnologie e le soluzioni cloud, con particolare attenzione alle implicazioni etiche e di sicurezza. Saranno in grado di proporre e implementare soluzioni adeguate a problemi complessi in contesti reali. Abilità comunicative. Gli studenti miglioreranno le proprie capacità di comunicare in modo chiaro e conciso le problematiche e le soluzioni inerenti le infrastrutture cloud e la sicurezza, sia a livello tecnico che manageriale. Capacità di apprendimento: Al termine del corso, gli studenti saranno in grado di apprendere autonomamente nuove tecnologie e soluzioni nel campo del cloud computing e della sicurezza, aggiornando continuamente le proprie competenze in un settore in rapida evoluzione.
Programma
Il corso ha una durata di 48 ore e copre gli argomenti chiave relativi alle infrastrutture cloud e alla sicurezza informatica in ambienti cloud. Gli studenti acquisiranno conoscenze teoriche e competenze pratiche nei seguenti ambiti: Fondamenti di Cloud Computing: introduzione al cloud computing, comprensione delle sue evoluzioni storiche, e definizione dei principali modelli di servizio e distribuzione (IaaS, PaaS, SaaS; public, private, hybrid). Modelli di erogazione e distribuzione dei servizi: analisi delle opportunità e delle sfide offerte dai diversi modelli di delivery dei servizi cloud. Infrastrutture Cloud e principali Service Provider: esplorazione delle strutture infrastrutturali cloud e dei servizi offerti dai principali provider come AWS, Azure e Google Cloud. Virtualizzazione e Containerizzazione: studio della virtualizzazione, delle macchine virtuali e dei container, con un approfondimento su Docker e Kubernetes. Introduzione ai microservizi e alle loro applicazioni in contesti cloud. Architetture Cloud e Microservizi: analisi dell'evoluzione delle applicazioni web, confronto tra architetture monolitiche e basate su microservizi. Progettazione di soluzioni scalabili. Orchestrazione di microservizi: introduzione e applicazione di Kubernetes per l'orchestrazione e la gestione di ambienti a microservizi. IT Operations e Cloud Operations: esplorazione delle operazioni IT in ambienti cloud, con focus sull'automazione e la gestione continua delle operazioni. Infrastructure as Code (IaC): principi e tecniche per la gestione delle infrastrutture cloud attraverso codici e strumenti di automazione, favorendo la scalabilità e la riproducibilità delle infrastrutture. Sicurezza nel Cloud: approcci alla sicurezza specifici per ambienti cloud, inclusi i principi di sicurezza, la gestione delle identità e degli accessi (IAM), e la protezione dei microservizi. Gestione dei dati nel Cloud: strategie per la gestione sicura ed efficiente dei dati in ambienti cloud. Questi argomenti saranno esplorati attraverso un equilibrio tra lezioni teoriche ed esercitazioni pratiche, permettendo agli studenti di sviluppare sia una comprensione approfondita delle tecnologie cloud sia competenze pratiche per la loro gestione e sicurezza.
Per frequentare il corso gli studenti devono possedere solide conoscenze nelle seguenti aree: Reti informatiche: Conoscenza dei principali protocolli di rete e delle architetture di rete, con particolare enfasi sul funzionamento delle reti TCP/IP, utile per la gestione di infrastrutture cloud. Amministrazione di sistemi operativi: Esperienza nella gestione e amministrazione di sistemi operativi Linux, con competenze negli strumenti e nelle tecniche di amministrazione di sistema, in particolare lo sviluppo di script Bash. Programmazione: Familiarità con il linguaggio di programmazione: Python. Capacità di scrivere e comprendere codice complesso, necessario per automazione e gestione di infrastrutture cloud. Esperienza nella programmazione di applicazioni web, inclusa la familiarità con framework e tecnologie come HTML, CSS, JavaScript, e server-side scripting, utili per comprendere e implementare architetture a microservizi. Conoscenza della lingua inglese: Capacità di comprendere testi tecnici, documentazione e risorse didattiche in lingua inglese, poiché gran parte del materiale di riferimento sarà in inglese.
Il corso combina lezioni teoriche con esercitazioni pratiche svolte in laboratorio.
Modalità d'esame
La valutazione finale del corso sarà basata su una combinazione di prove teoriche e pratiche, volte a verificare l acquisizione delle conoscenze e delle competenze previste. I principali elementi di valutazione saranno: Una o più prove teoriche: Gli studenti saranno valutati attraverso prove che potranno includere domande a risposta aperta, quiz a risposta multipla e/o domande orali, volte a verificare la comprensione dei concetti teorici fondamentali trattati durante il corso. Una o più prove pratiche di laboratorio: Gli studenti dovranno dimostrare la capacità di configurare, gestire e mettere in sicurezza un infrastruttura cloud. Maggiori dettagli sulle modalità d&amp;amp;#39;esame verranno fornite durante la prima lezione del corso.
Testi di riferimento
I testi di riferimento adottati nel corso sono: - (richiesto) Cloud Computing: Theory and Practice; 3rd Edition; Dan Cristian Marinescu. - (consigliato) Cloud Computing: Concepts, Technology, Security, and Architecture; 2nd Edition; Thomas Erl, Eric Barcelo Monroy. - (consigliato) Cloud Security Handbook: Find out how to effectively secure cloud environments using AWS, Azure, and GCP; 1st Edition; Eyal Estrin.
Codice insegnamento 21959
Conoscenza e comprensione: Il corso si propone di approfondire teorie e tecniche rivolte all'acquisizione, l'elaborazione, l'analisi di immagini/video e all'interpretazione del loro contenuto. Capacità di applicare…
Scheda dell'insegnamento
Obiettivi formativi
Conoscenza e comprensione: Il corso si propone di approfondire teorie e tecniche rivolte all'acquisizione, l'elaborazione, l'analisi di immagini/video e all'interpretazione del loro contenuto. Capacità di applicare conoscenza e comprensione: lo studente acquisirà le competenze necessarie per la realizzazione di specifici moduli di un sistema di visione artificiale. A tal fine durante il corso verranno utilizzate le librerie software maggiormente diffuse. Autonomia di giudizio: Attraverso esempi concreti e casi di studio, lo studente sarà in grado di decidere in maniera autonoma quali siano gli algoritmi da utilizzare per la risoluzione di un problema di computer vision ed effettuare il tuning dei parametri coinvolti. Abilità comunicative: lo studente acquisirà le necessarie abilità comunicative nell&#39;impiego del linguaggio tecnico nell'ambito della computer vision. Capacità di apprendimento: Lo studente sarà in grado di apprendere tecniche avanzate di visione artificiale applicando i concetti forniti durante le lezioni.
Programma
Image Formation and Camera Calibration Stereopsis Edge Detection, Lines, Hough transform Interest Point Detection Scale Invariant Feature Transform (SIFT) Bag of Visual Words Local Binary Pattern (LBP) Face Recognition Motion Deep Learning for Computer Vision
Analisi matematica Algebra lineare Basi del Calcolo delle Probabilità Buone capacità di programmazione in Matlab.
Lezioni frontali ed esercitazioni al calcolatore
Modalità d'esame
-Esame orale riguardante gli argomenti trattati durante il corso (teorie e tecniche rivolte all'acquisizione, l'elaborazione, l'analisi di immagini/video e all'interpretazione del loro contenuto). -Progetto da concordare con il docente riguardante l'implementazione di algoritmi di visione artificiale. Il voto finale viene calcolato come media pesata dei voti ottenuti nel colloquio orale (2/3) e nel progetto (1/3).
Testi di riferimento
E. Trucco, A. Verri, "Introductory Techniques for 3-D Computer Vision", Prentice Hall, 1998; Richard Szeliski, "Computer Vision: Algorithms and Application" Springer 2010 Ian Goodfellow, Yoshua Bengio, Aaron Courville, "Deep Learning", MIT Press, 2016. Richard Hartley, Andrew Zisserman, "Multiple View Geometry in Computer Vision 2nd Edition", Cambridge University Press, 2004.
Codice insegnamento 20735
1. Conoscenza e capacità di comprensione. L'insegnamento espone lo studente ai fondamenti della sicurezza e ad alcune delle sue applicazioni. In particolare, lo studente acquisirà alcune conoscenze di base sulla…
Scheda dell'insegnamento
Obiettivi formativi
1. Conoscenza e capacità di comprensione. L'insegnamento espone lo studente ai fondamenti della sicurezza e ad alcune delle sue applicazioni. In particolare, lo studente acquisirà alcune conoscenze di base sulla crittografia, i protocolli crittografici, le crittovalute e le tecnologie blockchain. 2. Capacità di applicare conoscenza e comprensione. Lo studente acquisirà alcune capacità di base relative all'analisi di sicurezza delle primitive e dei protocolli crittografici. Inoltre, egli acquisirà la capacità di applicare le tecniche viste a lezione all'analisi di sicurezza di sistemi software, alla comprensione delle crittovalute e delle tecnologie blockchain. 3. Autonomia di giudizio. Il corso fornisce agli studenti le competenze di base per applicare le tecniche descritte durante il corso alla risoluzione di problemi applicativi connessi al proprio campo di studi. 4. Abilità comunicative. Le lezioni prevedono frequenti momenti di interazione con gli studenti, che apprenderanno a comunicare in modo appropriato i concetti appresi. Un forum a domanda/risposta sul sito Moodle del corso fornisce allo studente ulteriori possibilità di interazione. 5. Capacità di apprendimento. Il corso fornisce agli studenti una preparazione sufficiente alla comprensione della letteratura scientifica sulle tematiche del corso, rendendoli capaci di ampliare in futuro le proprie conoscenze in modo autonomo.
Programma
- Introduzione alla cybersecurity e alla crittografia. Crittografia vs. steganografia. * Definizione formale di cifrario. Encryption deterministica vs. probabilistica. * Shift cipher e sue varianti. Intuizione su ECB mode e perfect secrecy. Obiettivi e conoscenza dell'attaccante. * Cifrari perfetti. Shift cipher. One-time pad. Perfect indistinguishability. Limiti della perfect secrecy * Complessità computazionale. Le classi PTIME e PPTIME. Funzioni negligible * Computational secrecy: EAV-, CPA-, CCA-security * Pseudorandom generators. Da PRG a EAV-secure encryption schemes * Pseudorandom functions. Da PRF a CPA-secure encryption schemes. PRF-OTP non è CCA-secure. * Modes of operation: ECB, CBC, CTR. Insicurezza di CBC con F(k,x) = k xor x * Message Authentication Codes. Existential unforgeability under adaptive chosen message attacks. Lo schema CBC-MAC. Varianti insicure di CBC-MAC. * PKCS #7. The padding oracle attack. Authenticated encryption. Encrypt-and-authenticate vs. Encrypt-then-authenticate. Encryption unforgeability. * Funzioni hash: collision resistance, birthday attack, the Merkle-Damgard construction, the Davies-Meyer construction. Applications: fingerprinting, Merkle trees * Schemi di distribuzione di chiavi di sessione: principi e limitazioni. Merkle puzzles. * Teoria dei gruppi e problemi computazionalmente ardui * Lo schema Diffie-Hellman per lo scambio di chiavi. Insecurezza di Diffie-Hellman rispetto ad attaccanti attivi. Calcolo efficiente degli esponenziali. * Public-key cryptography: definition of public-key ciphers; indistinguishability experiments. Key exchange with public-key ciphers. Insecurity against active adversaries: MITM attack. Textbook (insecure) RSA, its correctness and insecurity. Public-key encryption schemes from one-way trapdoor functions. * Digital signature schemes: definition and security. Insecurity of the textbook RSA digital signature scheme. Hash and sign. Station to station KES.
Sono utili elementi di base di matematica discreta, teoria della probabilita', algoritmi e strutture dati. E' richiesta la conoscenza di almeno un linguaggio di programmazione.
Il corso consiste di 48 ore di lezione frontale, che includono lezioni teoriche ed esercitazioni. Il docente presta inoltre assistenza agli studenti, nell'arco dell'intero anno accademico, sia durante l'orario di ricevimento che attraverso la piattaforma di elearning. La didattica sarà erogata in presenza. Le lezioni potranno essere integrate con materiali audiovisivi e con lo streaming. Il corso verrà erogato in inglese.
Modalità d'esame
L’esame consiste in una prova scritta e in una prova orale, entrambe obbligatorie e riferite a tutti gli argomenti trattati durante il corso. La prova scritta è strutturata in una serie di domande a risposta aperta, accompagnate da esercizi applicativi. Le domande mirano a verificare sia la comprensione dei concetti teorici fondamentali, sia la capacità di applicarli a problemi concreti. La prova scritta viene valutata in centesimi (0-100); si intende superata se si ottiene un punteggio pari o superiore a 50/100. In caso contrario, lo studente è tenuto a ripetere la prova in una successiva sessione d’esame. La prova orale si svolge successivamente al superamento della prova scritta e consiste in un colloquio volto ad accertare: - la padronanza degli argomenti teorici, - la capacità di collegare e integrare tra loro i diversi temi del corso, - la chiarezza espositiva e la precisione terminologica, - la capacità di analizzare e risolvere problemi specifici attraverso l’applicazione dei concetti appresi. Il voto finale è espresso in trentesimi (con eventuale lode) e viene determinato a partire dal punteggio conseguito nella prova scritta e nella prova orale, tenendo conto del seguente criterio orientativo: - il voto della prova scritta viene convertito in trentesimi e costituisce la base di partenza per la valutazione finale; - il voto può essere incrementato o decrementato in funzione della prova orale, in un intervallo tipicamente compreso tra -3 e +5 punti; - per l’attribuzione della lode, è richiesta una preparazione eccellente in entrambe le prove, una comprensione critica e approfondita degli argomenti, e una esposizione chiara e rigorosa.
Testi di riferimento
Jonathan Katz, Yehuda Lindell. Introduction to Modern Cryptography. CRC Press (3rd edition). Douglas Stinson. Cryptography: Theory and Practice. Chapman and Hall/CRC (3rd edition). William Stallings. Crittografia. Pearson
Codice insegnamento 23225
Conoscenza e comprensione: Il corso si propone di approfondire gli elementi fondamentali del deep learning e le sue applicazioni nell'ambito della computer vision e del natural language processing. Capacità di…
Scheda dell'insegnamento
Obiettivi formativi
Conoscenza e comprensione: Il corso si propone di approfondire gli elementi fondamentali del deep learning e le sue applicazioni nell&#39;ambito della computer vision e del natural language processing. Capacità di applicare conoscenza e comprensione: lo studente acquisirà le competenze necessarie per la realizzazione di specifici moduli di un sistema di visione artificiale o analisi del testo basato su dee learning. A tal fine durante il corso verranno utilizzate le librerie software maggiormente diffuse. Autonomia di giudizio: Attraverso esempi concreti e casi di studio, lo studente sarà in grado di decidere in maniera autonoma quali siano gli algoritmi da utilizzare per la risoluzione di un problema di computer vision e di analisi del testo ed effettuare il tuning dei parametri coinvolti. Abilità comunicative: lo studente acquisirà le necessarie abilità comunicative nell&#39;impiego del linguaggio tecnico nell&#39;ambito del deep learning. Capacità di apprendimento: Lo studente sarà in grado di apprendere tecniche avanzate di deep learning applicando i concetti forniti durante le lezioni.
Programma
Foundations: What is Deep Learning and why? Training, Validation and Test sets K-cross validation Data Preprocessing for Neural Networks Feature Engineering Overfitting and underfitting Getting started with Neural Networks Data representations for Neural Networks Anatomy of a Neural Network Advanced Deep-learning Best Practices 6 hours Deep Learning for Computer Vision: Convolutional Neural Networks ConvNet Layers (Convolutional Layer, Pooling Layer, Fully-Connected Layer) ConvNet Architectures (LeNet / AlexNet / GoogLeNet / VGGNet, ResNet) Training Neural Networks for Computer Vision Activation functions, initialization, dropout, batch normalization, update rules, ensembles, data augmentation, transfer learning Image classification Semantic segmentation Object detection 18 hours Deep Learning for Text and Sequences: Working with Keras and TensorFlow Working with Text Data Understanding n-grams and bag-of-words One-hot encoding of words and characters Using Word Embeddings with the Embedding Layer Creating Word Embeddings Using Pretrained Word Embeddings Understanding Recurrent Neural Networks Understanding LSTM and GRU layers A concrete LSTM example in Keras Advanced use of Recurrent Neural Networks A temperature-forecasting problem Using recurrent dropout to fight overfitting Stacking recurrent layers Using bidirectional RNNs Using mechanism with attention A use case within the Sentiment Analysis domain 24 hours
Data mining Buone capacità di programmazione in Matlab e Python
Lezioni frontali ed esercitazioni al calcolatore
Modalità d'esame
Il voto finale verrà calcolato come la media pesata di: - progetto da concordare con il docente riguardante l&#39;implementazione di un algoritmo di visione artificiale (1/2) - progetto da concordare con il docente riguardante l&#39;implementazione di algoritmi di natural language processing e/o Semantic Web (1/2)
Testi di riferimento
Francois Chollet, "Deep Learning with Python", Manning Publications, 2017. Ian Goodfellow, Yoshua Bengio, Aaron Courville, "Deep Learning", MIT Press, 2016.
Codice insegnamento 21884
Conoscenza e capacità di comprensione L’obiettivo generale di questo corso è fornire le conoscenze relative alla struttura, l’organizzazione, il processo e la progettazione di attività proprie della trasformazione…
Scheda dell'insegnamento
Obiettivi formativi
Conoscenza e capacità di comprensione L’obiettivo generale di questo corso è fornire le conoscenze relative alla struttura, l’organizzazione, il processo e la progettazione di attività proprie della trasformazione digitale con attenzione alle metodiche e alle tecnologie impiegabili. In particolare relativamente alle metodologie d'uso e all'evoluzione della tecnologia informatica, lo studente acquisirà conoscenze e capacità di comprensione relative ai seguenti argomenti: • concetti relativi alla struttura e impiego di tecnologie per la risoluzione di casi di studio; • suddivisione e organizzazione di problemi complessi di trasformazione in task specifici. Lo studente dovrà comprendere l'evoluzione della tecnologia del settore, raggiungendo adeguata e specifica autonomia di giudizio. L’insegnamento è ricompreso tra le discipline E e H della classificazione del GRIN: • E: Architetture • H: Computazione su Rete Capacità di applicare conoscenza e comprensione L’insegnamento di “Digital Transformation” permetterà allo studente di acquisire le seguenti capacità: • Analisi e individuazione delle componenti da architetturali; • progettazione di soluzioni di trasformazione digitale estese a processi e tecnologie. Le figure attese dovranno essere in grado di ricoprire le funzioni previste al profilo di “Amministratori di sistemi” (2.1.1.5.3). Autonomia di giudizio L’insegnamento di “Digital Transformation” consentirà allo studente di maturare un’utile autonomia di giudizio in ordine alle conoscenze apprese su: • i principi di funzionamento Analisi e individuazione delle componenti da architetturali tipici delle architetture; • i modelli di sottorete e loro modelli operativi; • la progettazione di reti estese, essendo in grado di gestirle con ampia autonomia. Lo studente sarà inoltre guidato ad un apprendimento critico e responsabile al fine di rafforzare le capacità di giudizio, anche attraverso l’analisi dei materiali didattici proposti. Abilità comunicative Lo studente al termine dell’insegnamento avrà acquisito le necessarie conoscenze per poter illustrare con completezza e competenza le tematiche legate alla struttura, organizzazione e modelli di riferimento e trasmissivi propri delle “Architetture di Networking” anche con riguardo ai lessici disciplinari espressi in altra lingua dell’Unione Europea Capacità di apprendimento L’insegnamento di “Architetture di Networking” porterà lo studente ad imparare, con la massima resa, sia il materiale proposto in aula sia il materiale aggiuntivo fornito dal docente, con cura dell’aspetto di verifica interattiva del processo di apprendimento stesso.
Programma
Informazioni generali sulle reti; comunicazione su rete; stack e livello applicativo, funzionalità e protocolli. Modello OSI e correlazioni coi livelli di trasporto e rete; Indirizzamenti di rete IPv4/IPv6. Livelli Data Link e Fisico; MAC address – Ethernet Pianificazione, cablaggio e gestione di rete; Configurazione e test sulle reti; Routing; Packet Forwarding; Routing Statico. Protocolli di Routing Dinamico; Distance Vector; RIPv1; VLSM and CIRD RIPv2; Routing Tables. EIGRP; Protocolli Link State; OSPF
nessun prerequisito
lezioni laboratorio
Modalità d'esame
mini-test intermedio sulla prima parte di programma (risposta multipla, laboratorio) mini-test intermedio sulla prima parte di programma (risposta multipla, laboratorio) voto finale massimo 30/30 con lode
Codice insegnamento 20859
CONOSCENZA E CAPACITÀ DI COMPRENSIONE Il corso ha l’obiettivo di fornire allo studente i fondamenti e alcuni dei principali concetti dell’Internet of Things, con particolare riferimento alle architetture di…
Scheda dell'insegnamento
Obiettivi formativi
CONOSCENZA E CAPACITÀ DI COMPRENSIONE Il corso ha l’obiettivo di fornire allo studente i fondamenti e alcuni dei principali concetti dell’Internet of Things, con particolare riferimento alle architetture di elaborazione embedded. Lo studente, attraverso la comprensione dell’evoluzione tecnologica e degli strati astratti su cui si basano i sistemi di elaborazione, dall’hardware al software, acquisirà solide basi per affrontare le problematiche e le strategie relative alla configurazione e all’implementazione di sistemi operativi, nonché allo sviluppo di applicazioni (IoT e non solo) per sistemi embedded. CAPACITÀ APPLICATIVE Lo studente dovrà essere in grado di: - valutare l’architettura di un sistema di elaborazione embedded; - sviluppare un’applicazione utilizzando un linguaggio ad alto livello, con e senza il supporto di un sistema operativo; - gestire e modificare i parametri di configurazione a basso livello di un sistema operativo open source; - effettuare la cross-compilazione e il porting di sistemi operativi o applicazioni su architetture hardware embedded; - contestualizzare un sistema di elaborazione embedded nell’ambito dell’Internet of Things. AUTONOMIA DI GIUDIZIO Il corso si propone di stimolare l’autonomia di giudizio degli studenti attraverso esercitazioni di configurazione, progettazione e sviluppo software orientato ai sistemi embedded, sia in presenza che in assenza di sistema operativo. Particolare attenzione sarà rivolta alle problematiche di configurazione e porting su architetture hardware embedded di sistemi operativi open source. La comprensione dei concetti fondamentali e delle best practices in tema di progettazione e implementazione dei componenti fondamentali dei sistemi embedded, in ambito IoT e non solo, contribuirà a migliorare significativamente la capacità di progettare, configurare e implementare sistemi operativi e applicativi per contesti pervasivi. ABILITÀ NELLA COMUNICAZIONE Lo studente dovrà essere in grado di esprimere, con terminologia appropriata, i concetti fondamentali relativi ai sistemi operativi e alle applicazioni embedded, anche nel contesto dell’Internet of Things. CAPACITÀ DI APPRENDERE Attraverso lezioni frontali ed esercitazioni di implementazione e test di sistemi operativi e applicativi su sistemi hardware embedded, sia simulati che fisici, con e senza il supporto del sistema operativo, lo studente sarà in grado di apprendere i concetti fondamentali dei sistemi embedded nell’ambito dell’Internet of Things. COMPETENZE ATTESE - conoscenza dei concetti fondamentali delle architetture di elaborazione e dell’interfaccia hardware-software; - conoscenza delle strategie e delle implementazioni alla base dei sistemi operativi embedded e dell’IoT; - capacità di progettazione e sviluppo di applicazioni embedded, con e senza sistema operativo, per contesti IoT; - competenze nella configurazione, cross-compilazione e porting di sistemi operativi open source (es. Linux) su architetture hardware embedded.
Programma
1. Introduzione - Panoramica su embedded systems e IoT - HW-SW Interface: dall'hardware ai sistemi monoprogrammati - Servizi Cloud per IoT 2. Sistemi embedded per IoT - Gestione HW/SW di sensori e attuatori - Sistemi di sviluppo HW/SW per IoT - Architetture software per sistemi bare metal - Protocolli e interfacce di comunicazione embedded e IoT 3. Sistemi Operativi open source per applicazioni embedded e IoT - Compilazione del kernel linux - Toolchains, configurazione, cross-compilazione e porting del kernel linux - Bootloader in ambito embedded e IoT 4. Applicazioni embedded per IoT - Progettazione e sviluppo di casi di studio - Sviluppi di interfacce IoT Web e impiego di servizi cloud
Le competenze di Informatica insegnate nel corso di Sistemi Operativi e Architetture degli Elaboratori
48 ore di lezioni ed esercitazioni svolte in laboratorio
Modalità d'esame
Assegnamento di progetti e esami scritti, con la possibilità di svolgere esami parziali durante lo svolgimento del corso
Testi di riferimento
- "Internet of Things: Architecture and Design Principles", Rajkumar Buyya, Amir Vahid Dastjerdi, Morgan Kaufmann, 2016, ISBN: 9780128053959 - "Programming Embedded Systems: With C and GNU Development Tools", Michael Barr, Anthony Massa, O’Reilly Media, ISBN: 9780596009830 - "Making Embedded Systems", Elecia White, O’Reilly Media, ISBN: 9781449302146
Codice insegnamento 21880
Conoscenza e capacità di comprensione: Conoscere gli algoritmi presentati nel corso che consentono di risolvere problemi modellizzati con l'utilizzo di semplici strumenti della geometria euclidea, nel piano e nello…
Scheda dell'insegnamento
Obiettivi formativi
Conoscenza e capacità di comprensione: Conoscere gli algoritmi presentati nel corso che consentono di risolvere problemi modellizzati con l'utilizzo di semplici strumenti della geometria euclidea, nel piano e nello spazio Conoscere quali sono e come si utilizzano le strutture dati per la descrizione di entità geometriche nel piano e nello spazio Comprendere la classificazione dei paradigmi che guidano il progetto di algoritmi geometrici e non, distinguendo le varie tipologie di algoritmi utilizzati Capacità di applicare conoscenza e comprensione: Essere in grado di effettuare una valutazione empirica accurata della complessità computazionale (sia in tempo che in spazio) degli algoritmi studiati Essere in grado di applicare gli algoritmi appresi a insiemi di dati reali per simularne il comportamento e ottenere i risultati attesi Autonomia di giudizio Interpretare correttamente i dati forniti per l'esecuzione simulata di algoritmi Abilità comunicative Comprendere, riassumere ed esporre, in lingua inglese, con adeguato approfondimento uno o più argomenti trattati durante il corso Capacità di apprendimento Utilizzare le fonti di approfondimento per risolvere gli esercizi assegnati nei compiti da svolgere in maniera autonoma al di fuori dell'orario di lezione
Programma
I numeri tra parentesi quadra fanno riferimento ai capitoli e paragrafi del libro di testo: • Guscio convesso [1] • Triangolazione di poligoni [3] • Ricerche geometriche [5] • Localizzazione di un punto in una suddivisione [6] • Diagrammi di Voronoi [7] • Triangolazioni di Delaunay [8.{1-3}] • Guscio convesso 3D [11]
È importante la conoscenza di base di: Geometria descrittiva (piano e spazio) Analisi matematica Algebra lineare (vettori e matrici)
48 ore di lezioni frontali
Modalità d'esame
Per il superamento dell'esame è richiesto di svolgere 3 prove: 1 prova scritta in aula consistente nell'applicazione di un algoritmo visto a lezione a dati forniti durante la prova 2 prove scritte a casa (homework) consistente nella soluzione di problemi che richiedono di definire algoritmi che traggono ispirazione da quelli visti a lezione 1 presentazione di un argomento visto durante il corso Ciascuna prova contribuisce per il 25% al voto finale. Sono valutate in 30esimi. Per gli homework saranno disponibili almeno due settimane di tempo per consegnare la soluzione, la consegna oltre la scadenza comporta una penalizzazione di 2 punti sul voto ottenuto.
Testi di riferimento
de Berg, van Kreveld, Overmars, Schwarzkopf "Computational Geometry, Algorithms and Applications" Third edition (March 2008) Springer
Codice insegnamento 21882
Il corso si propone di fornire agli studenti le conoscenze teoriche e le competenze pratiche necessarie per l'analisi e l'elaborazione di immagini digitali. Vengono affrontati i principali metodi di image processing,…
Scheda dell'insegnamento
Obiettivi formativi
Il corso si propone di fornire agli studenti le conoscenze teoriche e le competenze pratiche necessarie per l'analisi e l'elaborazione di immagini digitali. Vengono affrontati i principali metodi di image processing, dalla rappresentazione delle immagini alle tecniche di miglioramento, filtraggio, segmentazione ed estrazione di caratteristiche, con particolare attenzione all'implementazione degli algoritmi mediante MATLAB e l'Image Processing Toolbox. Al termine del corso lo studente sarà in grado di progettare semplici pipeline di elaborazione delle immagini per applicazioni in ambito industriale, biomedico e scientifico. Risultati di apprendimento attesi Conoscenza e capacità di comprensione (knowledge and understanding) Lo studente acquisirà le conoscenze sui principi fondamentali dell'elaborazione delle immagini digitali, comprendendo i modelli di rappresentazione delle immagini, le principali tecniche di miglioramento, filtraggio, trasformazione nel dominio della frequenza, rilevamento dei bordi, segmentazione ed estrazione di feature. Capacità di applicare conoscenza e comprensione (applying knowledge and understanding) Lo studente sarà in grado di implementare algoritmi di image processing utilizzando MATLAB, selezionando le tecniche più appropriate per il miglioramento, la segmentazione e l'analisi quantitativa delle immagini, nonché di sviluppare semplici workflow di elaborazione in funzione dell'applicazione considerata. Autonomia di giudizio (making judgements) Lo studente sarà in grado di applicare le metodologie dell’elaborazione delle immagini per la comprensione e la risoluzione di nuovi problemi riguardanti l’acquisizione, l’elaborazione, l’analisi e la comprensione di immagini. Le discussioni critiche in aula e le esercitazioni serviranno a stimolare e sviluppare l’autonomia di giudizio dello studente. Abilità comunicative (communication skills) Lo studente acquisirà la capacità di esprimere i concetti fondamentali dell’elaborazione e analisi delle immagini con terminologia appropriata e rigorosa. Imparerà a descrivere le metodologie impiegate, interpretare i risultati ottenuti e presentare in modo chiaro e rigoroso le soluzioni sviluppate. Capacità di apprendimento (learning skills) Lo studente acquisirà gli strumenti metodologici necessari per approfondire argomenti avanzati di image processing e computer vision in modo da poter sviluppare autonomamente soluzioni per nuove problematiche inerenti al trattamento delle immagini.
Programma
Immagine digitale e sue proprietà (4 h) Miglioramento delle immagini e filtraggio spaziale (8 h) Elaborazione nel dominio della frequenza (8 h) Edge detection e Morfologia matematica (8 h) Segmentazione (8 h) Feature extraction e analisi delle immagini (12 h)
Elementi di analisi matematica Algebra lineare (vettori e matrici) Conoscenza delle strutture dati Basi del calcolo delle probabilità Buone capacità di programmazione in ambiente Matlab
L'insegnamento è articolato in lezioni frontali ed esercitazioni di laboratorio, strettamente integrate tra loro. Le lezioni teoriche introducono i fondamenti matematici e algoritmici dell'elaborazione delle immagini digitali, illustrando le principali tecniche di image processing e i relativi ambiti applicativi. Le attività di laboratorio, svolte mediante MATLAB e l'Image Processing Toolbox, consentono agli studenti di applicare i concetti teorici attraverso esercitazioni guidate e attività da svolgere in autonomia. Durante i laboratori il docente presenta inizialmente l'implementazione degli algoritmi fondamentali e ne discute il comportamento al variare dei parametri; successivamente gli studenti sviluppano autonomamente, anche a piccoli gruppi, semplici pipeline di elaborazione delle immagini, analizzando e confrontando i risultati ottenuti. Durante il corso saranno rese disponibili script MATLAB, immagini di prova e materiale didattico di supporto per favorire lo studio individuale e l'approfondimento degli argomenti trattati.
Modalità d'esame
La verifica dell'apprendimento si articola in tre prove: scritta, orale e pratica. Ciascuna prova è valutata in trentesimi ed è considerata superata con una votazione non inferiore a 18/30. La prova scritta, della durata indicativa di un'ora, consiste in quesiti a risposta multipla e/o esercizi riguardanti gli argomenti teorici e gli algoritmi trattati durante il corso. Essa è finalizzata a verificare il livello di conoscenza e comprensione dei contenuti dell'insegnamento. Il superamento della prova scritta consente l'accesso alla prova orale, che si svolge generalmente nella stessa sessione d'esame. La prova orale consiste in una discussione sugli argomenti del programma e ha l'obiettivo di approfondire la preparazione dello studente, verificandone la capacità di analisi, di collegamento tra i diversi temi trattati e di utilizzo di una terminologia tecnica appropriata. In alternativa, previo accordo con il docente, la prova orale può essere sostituita dalla presentazione di un approfondimento su un caso di studio inerente agli argomenti del corso. L'elaborato, predisposto sotto forma di presentazione (preferibilmente in lingua inglese), può derivare da un'attività di ricerca bibliografica o da un progetto sviluppato individualmente o in gruppo. La prova orale è finalizzata ad accertare: • la conoscenza e la comprensione dei contenuti teorici dell'insegnamento (Descrittore di Dublino 1); • la capacità di applicare le conoscenze e di argomentare in modo rigoroso le soluzioni proposte (Descrittore di Dublino 2); • l'autonomia di giudizio nella scelta delle metodologie più appropriate per affrontare i problemi proposti (Descrittore di Dublino 3); • le abilità comunicative, con particolare riferimento alla chiarezza espositiva, all'uso del linguaggio tecnico, alla capacità di sostenere una discussione critica e di sintetizzare efficacemente i concetti trattati (Descrittore di Dublino 4). L'esame si conclude con una prova pratica, alla quale si accede esclusivamente dopo il superamento delle prove scritta e orale. La prova pratica consiste nello sviluppo individuale di una semplice applicazione di elaborazione e analisi di immagini in ambiente MATLAB, mediante l'implementazione di una pipeline che utilizzi le tecniche studiate durante il corso e sperimentate nelle attività di laboratorio. La prova è finalizzata a verificare la capacità dello studente di applicare le conoscenze acquisite alla risoluzione di un problema reale di image processing, progettando e implementando un algoritmo adeguato (Descrittore di Dublino 2). Il voto finale è determinato dalla media aritmetica delle valutazioni conseguite nelle tre prove. La lode può essere attribuita agli studenti che dimostrino una preparazione completa e approfondita sugli argomenti del corso, unitamente a elevate capacità di analisi, autonomia di giudizio e padronanza degli strumenti teorici e pratici, evidenziate in particolare durante la prova orale e la prova pratica.
Testi di riferimento
R. C. Gonzalez and R. E. Woods, Digital Image Processing, Addison-Wesley Publishing Company, 4th edition (2018).
Codice insegnamento 21883
CONOSCENZA E COMPRENSIONE. Chi frequenta il corso acquisirà una conoscenza avanzata dei modelli di Information Retrieval, dei metodi di valutazione dei sistemi, delle tecniche di indicizzazione e ranking, inclusi gli…
Scheda dell'insegnamento
Obiettivi formativi
CONOSCENZA E COMPRENSIONE. Chi frequenta il corso acquisirà una conoscenza avanzata dei modelli di Information Retrieval, dei metodi di valutazione dei sistemi, delle tecniche di indicizzazione e ranking, inclusi gli approcci basati su machine learning, modelli neurali e Large Language Models. Sarà inoltre in grado di comprendere gli approcci Retrieval-Augmented Generation (RAG) per il potenziamento del retrieval, i fondamenti e le sfide dei sistemi di raccomandazione e la loro evoluzione attraverso l’integrazione con i LLM. Inoltre, svilupperà anche una solida comprensione delle strutture dati e della complessità algoritmica alla base delle tecniche di ricerca e indicizzazione, nonché delle applicazioni e sfide emergenti dell’Information Retrieval, con particolare riferimento alla ricerca sul web, all’analisi di query e sessioni e all’Information Retrieval responsabile. CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE. Chi frequenta il corso sarà in grado di progettare, implementare e valutare sistemi di Information Retrieval e di raccomandazione allo stato dell’arte, utilizzando strumenti pratici (PyTerrier, ElasticSearch, Elliot). Saprà applicare metodologie di ranking, tecniche di analisi dei log e modelli sperimentali, inclusi quelli basati su LLM, in diversi contesti, anche con riferimento a scenari applicativi concreti e sfidanti. AUTONOMIA DI GIUDIZIO. Chi frequenta il corso svilupperà la capacità di analizzare criticamente sistemi e modelli di Information Retrieval e di raccomandazione, di valutarne i punti di forza e di debolezza e di riflettere sugli aspetti etici e sociali legati all’uso responsabile di tali tecnologie, inclusi i rischi associati agli LLM. ABILITÀ COMUNICATIVE. Chi frequenta il corso sarà in grado di presentare e discutere modelli, risultati sperimentali e articoli scientifici nei settori dell’Information Retrieval e della Recommendation, utilizzando un linguaggio tecnico appropriato e strumenti di comunicazione adeguati a interlocutori specialisti e non specialisti. CAPACITÀ DI APPRENDIMENTO. Chi frequenta il corso acquisirà competenze utili per approfondire autonomamente le più recenti evoluzioni della ricerca nell’ambito dell’Information Retrieval e dei sistemi di raccomandazione, sviluppando capacità di auto-aggiornamento e di revisione critica della letteratura scientifica, anche attraverso attività di analisi e revisione di pubblicazioni su modelli LLM, RAG e recommendation.
Programma
Il corso è articolato in 48 ore complessive e affronta i seguenti argomenti: - INTRODUZIONE E VALUTAZIONE DEI SISTEMI. Principi di Information Retrieval, retrieval booleano, metodi di valutazione e collezioni di test (4 ore). - STRUTTURE E TECNICHE DI INDICIZZAZIONE. Dizionari, correzione ortografica, costruzione e compressione degli indici (6 ore). - MODELLI CLASSICI DI INFORMATION RETRIEVAL. Modelli di spazio vettoriale, modelli probabilistici e BM25, con esercitazioni pratiche (6 ore). - INFORMATION RETRIEVAL NEURALE E MODELLI LINGUISTICI. Concetti di Neural IR, laboratori pratici, modelli linguistici e classificazione testuale (8 ore). - RICERCA SUL WEB E INTERAZIONE. Analisi dei collegamenti ipertestuali, interazione utente e sistemi di ricerca conversazionale (4 ore). - LARGE LANGUAGE MODELS PER IL RETRIEVAL. Tecniche avanzate con LLM e approcci di Retrieval-Augmented Generation (2 ore). - SISTEMI DI RACCOMANDAZIONE. Metodi di base, algoritmi avanzati, modelli neurali e ibridi, sistemi content-based e sviluppi basati su LLM (12 ore). - ETICA E RESPONSABILITÀ. Aspetti etici e sociali nell’Information Retrieval e nei sistemi di raccomandazione (4 ore). - IR E RACCOMANDAZIONE IN DOMINI SPECIFICI. Applicazioni a contesti particolari e sfide aperte (2 ore).
Per seguire il corso sono richieste le seguenti conoscenze di base: - Indispensabili: algoritmi, strutture dati, fondamenti di basi di dati. - Importanti: nozioni di matematica discreta, analisi matematica e probabilità, utili a facilitare la comprensione degli argomenti trattati. - Utili: familiarità con il linguaggio di programmazione Python, che verrà utilizzato per le esercitazioni pratiche.
Il corso si svolge nel primo semestre ed è strutturato in 48 ore complessive, articolate come segue: - LEZIONI FRONTALI. 42 ore dedicate alla presentazione degli aspetti teorici dei modelli e delle tecniche di Information Retrieval e Recommendation. Durante queste lezioni sono previsti momenti di discussione critica su articoli scientifici e casi applicativi, al fine di stimolare autonomia di giudizio e abilità comunicative. - ESERCITAZIONI E LABORATORIO. 6 ore dedicate ad attività pratiche su modelli classici (ad es. BM25), sperimentazioni di Neural IR e applicazioni con strumenti software per l’Information Retrieval (PyTerrier, ElasticSearch) e per la Recommendation (Elliot). 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 la discussione critica integrata rafforza autonomia di giudizio, abilità comunicative e capacità di apprendimento.
Modalità d'esame
La valutazione prevede una prova scritta. La prova scritta consiste in domande di diversa tipologia: domande vero/falso con breve giustificazione, domande a scelta multipla con motivazione della risposta, domande aperte a risposta breve ed esercizi pratici volti a valutare la capacità di applicare le metodologie studiate (ad esempio, calcolo di metriche di valutazione, analisi di ranking o implementazione di procedure semplificate). La prova scritta permette di verificare le conoscenze teoriche, la comprensione dei modelli e la capacità di applicarle a problemi concreti. Il punteggio massimo attribuibile è 30/30. La prova scritta verifica soprattutto ‘conoscenza e comprensione’, ‘capacità di applicare conoscenza e comprensione’, ‘autonomia di giudizio’, ‘abilità comunicative’ e ‘capacità di apprendimento’. Per superare l’esame è necessario conseguire la sufficienza nella prova (almeno 18/30). I criteri di attribuzione del voto sono i seguenti: - 18/30: conoscenze e competenze di base, con esposizione semplice e non sempre completa; - 24/30: conoscenze complessivamente corrette e capacità di applicare metodi e tecniche in modo adeguato; - 27/30: buona padronanza degli argomenti, capacità critica e chiarezza espositiva; - 30/30 e lode: conoscenza eccellente di tutti i contenuti del corso, applicazione avanzata dei metodi, forte capacità di analisi critica autonoma e presentazione efficace. Per la prova scritta la valutazione si basa sulla correttezza, completezza e chiarezza delle risposte, nonché sulla capacità di risolvere gli esercizi proposti.
Testi di riferimento
Codice insegnamento 23224
Il corso di Natural Language Processing and Knowledge Graphs introduce il campo dell'Intelligenza Artificiale che riguarda l'elaborazione e la comprensione del linguaggio naturale, anche tramite l'utilizzo di dati…
Scheda dell'insegnamento
Obiettivi formativi
Il corso di Natural Language Processing and Knowledge Graphs introduce il campo dell'Intelligenza Artificiale che riguarda l'elaborazione e la comprensione del linguaggio naturale, anche tramite l'utilizzo di dati strutturati in forma di grafi di conoscenza. Il corso è tenuto in lingua Inglese. Maggiori dettagli sono disponibili nella descrizione in lingua Inglese.
Programma
Modalità d'esame
Il corso è tenuto in inglese. Per le modalità di verifica fare riferimento alla scheda di insegnamento in lingua inglese.
Testi di riferimento
Codice insegnamento 21878
CONOSCENZA E COMPRENSIONE Gli obiettivi formativi del corso includono l’acquisizione di conoscenze e competenze teorico-pratiche avanzate, nel contesto dell’Intelligenza Artificiale e, in particolare, del Deep…
Scheda dell'insegnamento
Obiettivi formativi
CONOSCENZA E COMPRENSIONE Gli obiettivi formativi del corso includono l’acquisizione di conoscenze e competenze teorico-pratiche avanzate, nel contesto dell’Intelligenza Artificiale e, in particolare, del Deep Learning, con particolare focus su: * Metodi avanzati di Reinforcement Learning; * Cenni di teoria dei giochi applicati all’apprendimento automatico; * Tecniche avanzate di Adaptive e Generative AI, inclusi Generative Adversarial Networks (GAN), Transformers e Autoencoder. CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE L’allievo avrà la possibilità di sviluppare capacità implementative e di addestramento di modelli di Reinforcement Learning, Deep Q-Learning, e Generative e Adaptive AI, applicando le conoscenze acquisite a problemi reali tramite esercitazioni pratiche nonché favorendo lo sviluppo di soluzioni innovative, anche attraverso l’elaborazione di idee originali in tale disciplina, applicabili al contesto più ampio della ricerca. AUTONOMIA DI GIUDIZIO / ABILITÀ COMUNICATIVE Oltre alle competenze prettamente tecniche, il corso mira infine a migliorare: (i) le capacità dell’allievo di formulare giudizi critici, anche in relazione alle prestazione di modelli di apprendimento automatico e identificazione dei relativi punti di forza e debolezza; (ii) l’abilità di comunicare chiaramente i concetti e i risultati appresi sia oralmente che per iscritto, utilizzando terminologia tecnica appropriata, sia nel contesto scientifico-accademico che in quello industriale; (iii) l’attitudine a generalizzare le metodologie apprese (problem solving), adattando e applicando le conoscenze acquisite a nuovi problemi e contesti, anche in ottica di inserimento nel contesto lavorativo. CAPACITÀ DI APPRENDIMENTO Al fine di superare l’esame, l’allievo dovrà dunque saper: - Studiare in modo autonomo e auto-gestito, anche mediante l’accesso a fonti bibliografiche in lingua non italiana e/o differenti da quelle suggerite dal docente; - Dimostrare una solida comprensione dei fondamenti delle discipline e degli argomenti trattati; - Motivare, spiegare e applicare i concetti e i metodi chiave del Reinforcement Learning; - Implementare algoritmi di Reinforcement Learning e Adaptive/Generative AI utilizzando linguaggi di programmazione e librerie pertinenti (es. Python, PyTorch); - Estendere i concetti appresi a nuovi contesti e/o discipline affine, anche in ottica di intraprendere studi successivi nell’ambito dell’Intelligenza Artificiale avanzata.
Programma
Il corso ha una durata di 48 ore, suddivise tra lezioni frontali per coprire i concetti teorici e le basi metodologiche della disciplina, ed esercitazioni guidate per implementare, addestrare e sperimentare le tecniche e i modelli trattati. Gli argomenti trattati sono i seguenti: * Introduzione e ripasso di Deep Learning --- Reti neurali profonde --- Ottimizzazione e funzioni di perdita * Cenni sulla teoria dei giochi applicata al Machine Learning --- Concetti base game theory --- Applicazioni nel contesto del Reinforcement Learning * Reinforcement Learning --- Modelli Markoviani di decisione (MDP) --- Algoritmi di policy e value-based --- Algoritmi di Temporal Difference, Q-Learning e SARSA --- Deep Q-Learning * Intelligenza artificiale adattiva e generativa --- Autoencoder e autoencoder variazionali --- Generative Adversarial Networks (GAN) --- Reti ricorrenti --- Transformer e Large Language Model --- Approfondimenti legati al Reinforcemtn Learning
Al fine di seguire agilmente le lezioni del corso e facilitare la comprensione degli argomenti trattati, è consigliato conoscere i seguenti concetti propedeutici (le prime lezioni comprenderanno un ripasso generale di tali tematiche): - Fondamenti di algebra lineare: vettori e matrici, autovalori e autovettori, decomposizione matriciale; - Fondamenti di calcolo differenziale e integrale: derivate parziali, gradienti, ottimizzazione, integrali; - Fondamenti di probabilità e statistica: distribuzioni di probabilità, metodi di stima, test statistici, intervalli di confidenza; - Concetti chiave di data mining: preprocessing e normalizzazione dei dati, feature engineering, riduzione della dimensionalità, clustering; - Elementi di machine learning: algoritmi supervisionati e non supervisionati, regressione, classificazione, cross-validation, valutazione dei modelli; - Cenni di deep learning: architetture di reti neurali, backpropagation, funzioni di attivazione; - Competenze nella programmazione scientifica: linguaggio Python e librerie standard (es: scikit-learn, pandas, numpy). È infine richiesta familiarità con ambienti di sviluppo quali Jupyter/Anaconda/Visual Studio Code, e utilizzo di sistemi operativi Linux predisposti per addestramento su GPU (con librerie Nvidia CUDA).
Il corso consta di 48 ore di lezioni frontali, le quali comprendono anche sessioni interattive con gli allievi ed esercitazioni guidate nel quale verranno applicate le conoscenze teoriche apprese.
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 mini-progetto, singolarmente), per determinare le 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, secondo quanto definito dal Regolamento del Corso pubblicato annualmente sulla pagina E-learning ufficiale. Relativamente alla parte scritta, possono essere previste prove parziali per gli studenti frequentanti.
Testi di riferimento
Di seguito sono indicati i testi di riferimento adottati nel corso. OBBLIGATORI: * (richiesto) Richard S. Sutton, Andrew G. Barto (2018). "Reinforcement learning: An introduction" (second edition). The MIT Press. * (richiesto) David Foster (2022). "Generative deep learning". O'Reilly Media. SUGGERITI: * (consigliato) Maxim Lapan (2024). "Deep Reinforcement Learning Hands-On". Packt Publishing. * (consigliato) Vincent François-Lavet, Peter Henderson, Riashat Islam, Marc G. Bellemare, and Joelle Pineau (2018), "An Introduction to Deep Reinforcement Learning". Foundations and Trends in Machine Learning. * (consigliato) Roozbeh Razavi-Far, Ariel Ruiz-Garcia, Vasile Palade (2022). "Generative Adversarial Learning: Architectures and Applications". Springer International Publishing.
Codice insegnamento 23490
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.