Corso di laurea

Artificial Intelligence And Computer Science

Università della Calabria · 21 materie · 0 file condivisi

Ecco tutti i dettagli sul corso di laurea selezionato. Sul UniDocs troverai gli appunti condivisi dagli altri studenti del tuo corso di laurea, ordinati per materia. Ricordati che per poter visualizzare il materiale devi essere registrato al sito e possedere un numero di crediti sufficiente.

Sfoglia il materiale didattico

Con UniDocs hai l'opportunità di studiare insieme a tutto il tuo corso di laurea. Guadagna subito dei crediti, carica il materiale del tuo ultimo esame!
Più condividi, più tempo avrai per studiare con tutta la community!

Materie del corso

Cryptography 1° anno · 1° semestre · 6 CFU · MATH-02/B · 0 file

Competenze specifiche: Obiettivo primario del corso è quello di fornire un'adeguata conoscenza dei concetti matematici sui cui si basano i sistemi di crittografia più usati. Competenze Specifiche: conoscenza basilare…

Scheda dell'insegnamento

Obiettivi formativi

Competenze specifiche:
Obiettivo primario del corso è quello di fornire un'adeguata conoscenza dei concetti matematici sui cui si basano i sistemi di crittografia più usati.
Competenze Specifiche:

  • conoscenza basilare della teoria dei gruppi, anelli e campi
  • conoscenza di alcune caratterisitche dei sistimi AES, RSA e ElGamal
    Capacità di applicare conoscenza e comprensione:
  • Al termine del corso, gli studenti saranno in grado di capire aspetti matematici relativi alla sicurezza dei sistemi di crittografia.

Competenze trasversali:
Capacita` critiche e di giudizio conseguite attraverso lo studio degli argomenti che vengono proposti durante il corso, lo sviluppo degli esercizi, evidenziando capacita` di “problem solving”. In particolare saranno acquisiti:
Autonomia di giudizio:

  • Abilità nell'analisi e nella risoluzione dei problemi
  • Abilità nel trovare soluzioni alternative o innovative

Abilità comunicative:

  • Abilità nel lavoro di gruppo

Programma

Il corso si concentra sui concetti matematici usati negli algoritmi più comuni utilizzati nella crittografia.

Lezioni (32 ore)
1) Algebra (20 ore) - Nozioni di base, Gruppi, Anelli polinomiali, Campi, Algebra lineare su campi finiti, Numeri primi (Miller-Rabin Test, Shor's algorithm).
2) Crittografia (12 ore) Sistemi di crittografia, AES, RSA, ElGamal, Logaritmi discreti (Pohlig-Hellman algorithm, Index Calculus, Shank's algorithm), Curve Ellitiche.

Esercitazioni (24 ore)
1) Algebra (15 ore): Esempi ed esercizi.
2) Crittografia (9 ore): Esempi ed esercizi.

Modalità d'esame

Metodi di valutazione dell'apprendimento La valutazione consiste di due parti: una prova scritta (3 ore), nella quale gli studenti devono dimostrare di saper risolvere esercizi di difficoltà variabile, e di seguito una discussione del compito.

Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370).

Criteri di Valutazione dell'apprendimento: La prova mira a verificare se lo studente ha conoscenza del funzionamento degli algoritmi discussi nel corso, e la capacità di applicare la teoria.

Criteri di misurazione dell'apprendimento e attribuzione del voto finale: L'esito della discussione, in trentesimi, è la votazione finale dell'esame, che si ottiene sommando i punteggi ottenuti nello svolgimento e la discussione dei singoli esercizi che compongono la prova scritta.Il voto minimo per il superamento è 18/30.

Testi di riferimento

Libro di testo

  • L. Childs, A Concrete Introduction to Higher Algebra, Springer Verlag
  • J. Buchmann, Introduction to cryptography, Springer Verlag, 2003

Libri consigliati

  • Appunti del docente

Codice insegnamento 27006172

Data Warehouse And Visualization 1° anno · 2° semestre · 6 CFU · INFO-01/A · 0 file

Competenze Specifiche: Il corso si propone di introdurre i concetti fondamentali dei Data Warehouse, con particolare attenzione alle analisi OLAP. In particolare saranno acquisite le seguenti conoscenze e competenze:…

Scheda dell'insegnamento

Obiettivi formativi

Competenze Specifiche:
Il corso si propone di introdurre i concetti fondamentali dei Data Warehouse, con particolare attenzione alle analisi OLAP.
In particolare saranno acquisite le seguenti conoscenze e competenze:
Conoscenza e capacità di comprensione:

  • conoscenza dei processi di progettazione di un Data Warehouse
    Capacità di applicare conoscenza e comprensione:
  • capacità di gestire ed implementare le varie fasi dei processi di progettazione di un Data Warehouse;
  • capacità di utilizzare strumenti e modelli per la specifica, la progettazione, lo sviluppo ed il mantenimento di Data Warehouse
    Al termine del corso, gli studenti saranno in grado di affrontare tutte le fasi di un processo di sviluppo di un Data Warehouse.

Competenze Trasversali:
Lo studente acquisirà abilità nell'analisi e nella risoluzione dei problemi e abilità nel lavoro di gruppo.
Le capacita` critiche e di giudizio sono conseguite attraverso lo studio degli argomenti che vengono proposti durante il corso, lo sviluppo degli elaborati (esercizi e progetti), evidenziando capacita` di “problem solving”. In particolare saranno acquisiti:
Autonomia di giudizio:

  • Abilità nell'analisi e nella risoluzione dei problemi
  • Abilità nel combinare soluzioni alternative o innovative
    Abilità comunicative:
  • Abilità nel lavoro di gruppo

Programma

Il corso di Data Wharehouse and Visualization presenta le nozioni necessarie alla progettazione ed allo sviluppo di Data Warehouse ed applicazioni OLAP

1) Introduzione ai database distribuiti e problematiche di integrazione, riconciliazione ed ETL sui dati

2) Modellazione Concettuale di un DW con un modello multidimensionale: Il modello DFM

3) Progettazione Concettuale: dallo schema ER allo schema di Fatto

4) Modellazione logica: Schemi a Stella e Snowflake

5) Progettazione logica: dallo schema di Fatto allo schema a Stella.

6) Data Visualization

7) Strumenti per Data Cleaning e OLAP

Modalità d'esame

Metodi di valutazione dell'apprendimento:
La valutazione consiste nello svolgimento di un progetto individuale valutato attraverso una prova orale che può ricoprire argomenti di teoria non direttamente inclusi nel progetto.

Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370).

Criteri di Valutazione dell'apprendimento:
La prova mira alla verifica delle conoscenze e competenze di progettazione, analisi ed implementazione introdotte durante il corso.

Criteri di misurazione dell'apprendimento ed attribuzione del voto finale:
L'esito della prova è un voto tra 18 e 30 attribuito sulla base della correttezza, qualità e padronanza nella realizzazione del progetto e nella motivazione delle scelte effettuate.

Testi di riferimento

Libro di testo
M. Golfarelli, S. Rizzi "Data Warehouse Design: Modern Principles and Methodologies", McGraw Hill
Altro materiale fornito dal docente

Codice insegnamento 27008772

Deep Learning 1° anno · 1° semestre · 9 CFU · INFO-01/A · 0 file

Competenze specifiche. Obiettivo primario del corso è quello di fornire un'adeguata conoscenza delle tecniche di progettazione utilizzo di reti neurali "deep", in contesti applicativi complessi quali il riconoscimento di…

Scheda dell'insegnamento

Obiettivi formativi

Competenze specifiche.
Obiettivo primario del corso è quello di fornire un'adeguata conoscenza delle tecniche di progettazione utilizzo di reti neurali "deep", in contesti applicativi complessi quali il riconoscimento di immagini, documenti testuali e video.
Conoscenza e capacità di comprensione.
Gli studenti acquisiranno:

  • Conoscenza dei principi del deep learning
  • Conoscenza delle principali architetture di reti neurali
  • Abilità nel progettare e implementare in Keras soluzioni di deep learning
  • Abilità nell'utilizzare reti neurali in sistemi informatici complessi
    Capacità di applicare conoscenza e comprensione.
    Al termine del corso, gli studenti saranno in grado di affrontare affrontare la progettazione di sistemi di machine learning adatti a gestire enormi moli di dati, attraverso lo sviluppo in Keras di reti neurali "deep".
    Competenze trasversali.
    Capacità critiche e di giudizio conseguite attraverso lo studio degli argomenti che vengono proposti durante il corso, lo sviluppo degli elaborati (esercizi e progetti), evidenziando capacità di “problem solving”. In particolare saranno acquisiti:
  • Abilità nell'analisi e nella risoluzione dei problemi
  • Abilità nel trovare soluzioni alternative o innovative
  • Abilità nel lavoro di gruppo

Programma

Il corso mira a fornire conoscenza avanzate nell'ambito del machine learning, con particolare enfasi alla progettazione e implementazioni di reti neurali. Vengono trattate reti neurali "deep" di tipo feedforward, convuluzionarie, ricorrenti, generativie e adversarial. I diversi concetti vengono esemplificati nel linguaggio di programmazione Python, utilizzando il framework Keras specifico per l'implemetazione di soluzioni di deep learning.

1) Fondamenti teorici del deep learning

  • Richiami di algebra lineare
  • Richiami di probabilità e teoria dell'informazione
  • Aspetti di computazione numerica
  • Ottimizzazione basata sul metodo del gradiente

2) Deep neural newtorks

  • Il modello di neurone artificiale
  • Reti deep feedforward

3) Architetture di reti neurali

  • Reti convoluzionarie
  • Reti ricorrenti
  • Modelli generativi
  • Autoencoders

5) Architetture Avanzate

  • Word Embeddings
  • Transformers
  • Large Language Models
  • Graph Neural Networks

6) Il framework Keras

  • Realizzazione di reti neurali in Keras
  • Selezioni di funzioni di loss, accuratezza e ottimizzazione
  • Applicazioni nel riconoscimento di immagini, testo e video

Modalità d'esame

Metodi di valutazione dell'apprendimento:
La valutazione sarà condotta sulla base dello svolgimento di un progetto didattico. Gli studenti devono dimostrare di saper progettare una applicazione informatica che utilizzi reti neurali in task di machine learning.

Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370).

Criteri di Valutazione dell'apprendimento:
Il progetto mira alla verifica delle capacità di progettazione e implementazione di sistemi basati su reti neurali.

Criteri di misurazione dell'apprendimento ed attribuzione del voto finale:
L'esito del progetto è un giudizio espresso in trentesimi.

Testi di riferimento

Libro di testo

  • Ian Goodfellow, Yoshua Bengio and Aaron Courville, ""Deep Learning"" - MIT Press

Libri consigliati

  • F. Chollet, ""Deep Learning with Python"" - Manning
  • S. Raschka, ""Python Machine Learning"" - PACKT Publishing

Codice insegnamento 27009511

Intelligent Systems 1° anno · 2° semestre · INFO-01/A · 0 file

AUTOMATED PLANNING Lo studente acquisirà i principi di base della pianificazione automatica, studiandone i principali linguaggi, algoritmi di risoluzione e strumenti. Si dedicherà particolare attenzione a quelli relativi…

Scheda dell'insegnamento

Obiettivi formativi

AUTOMATED PLANNING
Lo studente acquisirà i principi di base della pianificazione
automatica, studiandone i principali linguaggi, algoritmi di risoluzione
e strumenti. Si dedicherà
particolare attenzione a quelli relativi ai principali linguaggi di pianificazione
automatica come STRIPS e PDDL. E’ prevista
l’acquisizione di competenze pratiche sviluppando casi di
studio delle esercitazioni.

Competenze specifiche:
Competenze di livello di base sui principali linguaggi, algoritmi di risoluzione
e strumenti per la pianificazione automatica; Capacità e competenza nello
sviluppo di applicazioni che si basano sulla modellazione e risoluzione di
problemi complessi.

Competenze Trasversali:
Lo studente acquisirà abilità nell'analisi e nella risoluzione
dei problemi, integrazione delle soluzioni di pianificazione con altri
strumenti, e abilità nel lavoro di gruppo.

INTELLIGENT AGENTS
===============
OBIETTIVI FORMATIVI
===============
Il corso ha l'obiettivo di fornire adeguate conoscenze di base per comprendere, progettare e realizzare sistemi che sfruttino tecniche di intelligenza artificiale in senso ampio.

In particolare, il corso introduce metodi per la progettazione e l'implementazione di sistemi intelligenti, per la progettazione di agenti capaci di prendere decisioni razionali e per la progettazione di sistemi multiagente.

Al termine del corso, gli studenti saranno in grado di progettare sistemi intelligenti per la soluzione di problemi complessi.

===============
CONOSCENZA E COMPRENSIONE
Descrittore di Dublino 1
===============
Competenze specifiche:

  • Conoscenza dei concetti fondamentali relativi ai sistemi intelligenti
  • Conoscenza dei principi di base dell'intelligenza artificiale in senso ampio
  • Comprensione dei metodi per la progettazione di sistemi che sfruttano tecniche di intelligenza artificiale
  • Comprensione dei principi alla base degli agenti intelligenti e del comportamento razionale
  • Comprensione dei concetti fondamentali relativi ai sistemi multiagente

===============
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE
Descrittore di Dublino 2
===============
Competenze specifiche:

  • Capacità di applicare metodi per la progettazione e l'implementazione di sistemi intelligenti in senso generale
  • Capacità di progettare agenti capaci di prendere decisioni razionali
  • Capacità di progettare sistemi multiagente
  • Capacità di modellare problemi complessi e individuare tecniche di intelligenza artificiale adeguate alla loro soluzione
  • Capacità di progettare soluzioni basate su sistemi intelligenti per problemi complessi

===============
CAPACITÀ CRITICA E DI GIUDIZIO
Descrittore di Dublino 3
===============
Competenze trasversali:
Le capacità critiche e di giudizio sono conseguite attraverso lo studio degli argomenti proposti durante il corso e attraverso lo sviluppo di elaborati, esercizi e progetti, evidenziando capacità di "problem solving".

In particolare saranno acquisite:

  • Abilità nell'analisi e nella risoluzione dei problemi
  • Abilità nel trovare soluzioni alternative o innovative
  • Abilità nell'uso di tecniche e metodi scientifici per risolvere in modo innovativo problemi complessi
  • Capacità di valutare criticamente soluzioni alternative nella progettazione di sistemi intelligenti
  • Creatività

===============
CAPACITÀ DI COMUNICAZIONE
Descrittore di Dublino 4
===============
Competenze trasversali:

  • Abilità nel lavoro di gruppo
  • Abilità di presentare in pubblico il lavoro svolto
  • Abilità di rispondere criticamente alle osservazioni ricevute
  • Capacità di discutere e motivare le scelte progettuali adottate nella soluzione di problemi complessi

===============
CAPACITÀ DI APPRENDIMENTO AUTONOMO
Descrittore di Dublino 5
===============
Competenze trasversali:

  • Capacità di approfondire autonomamente tecniche e metodi per la progettazione di sistemi intelligenti
  • Capacità di utilizzare in modo autonomo tecniche e metodi scientifici per affrontare problemi complessi
  • Capacità di autovalutare le soluzioni progettate e individuare possibili miglioramenti
  • Capacità di sviluppare autonomia nello studio, nella progettazione e nella sperimentazione di soluzioni innovative

Programma

AUTOMATED PLANNING
Introduzione alla pianificazione automatica. Presentazione del linguaggio STRIPS e della sua estensione al primo ordine PDDL. Algoritmi per la risoluzione di problemi di pianificazione: ricerca informata e non, pianificazione come soddisfaciblità. Presentazione di estensioni di PDDL: PDDL2.1 per pianificazione temporale e numerica, e PDDL+ per pianificazione mista discreta-continua. Presentazione di applicazioni reali di pianificazione automatica.

Il programma del Corso è il seguente:

  • Introduzione alla pianificazione automatica:
  • Il linguaggio STRIPS
  • Il linguaggio PDDL
  • Algoritmi per la risoluzione di problemi di pianificazione: ricerca non informata
  • Algoritmi per la risoluzione di problemi di pianificazione: ricerca informata
  • Algoritmi per la risoluzione di problemi di pianificazione: pianificazione come soddisfaciblità.
  • Il linguaggio PDDL2.1 per pianificazione temporale e numerica
  • Il linguaggio PDDL+ per pianificazione mista discreta-continua.
  • Applicazioni reali di pianificazione automatica.

INTELLIGENT AGENTS
Il corso tratta tecniche di intelligenza artificiale e metodi per la progettazione e l'implementazione di agenti/sistemi intelligenti.

LEZIONI (32 ore)

1) Introduzione (4 ore):

  • Intelligenza e intelligenza artificiale
  • Immaginario collettivo, senso comune e informazione
  • Computabilità, complessità e comportamento intelligente
  • Problemi, soluzioni, modelli e universi di modellazione
  • Applicazioni dell'intelligenza artificiale
  • Data Science e intelligenza artificiale
  • Approcci alla progettazione di sistemi intelligenti
  • Tipi di ragionamento: deduzione, induzione, abduzione
  • Cenni al ragionamento probabilistico e al teorema di Bayes
  • Rischi, opportunità ed elementi etici dell'intelligenza artificiale

2) Agenti Intelligenti (6 ore):

  • Agenti intelligenti
  • Sistemi che pensano/agiscono in modo umano o razionale
  • Agenti, ambienti, percetti e azioni
  • Ambienti di task: PEAS/PAGE
  • Razionalità, obiettivi e misure di prestazione
  • Test di intelligenza e discussione critica del test di Turing
  • Benchmark per capacità associate all'intelligenza

3) Risolvere Problemi (6 ore):

  • Agenti per la risoluzione di problemi
  • Tipi di problemi e formulazione dei problemi
  • Modellazione di problemi come ricerca nello spazio degli stati
  • Stati, azioni, funzione successore, test obiettivo e costo del cammino
  • Algoritmi di ricerca di base
  • Ricerca non informata e ricerca informata
  • Confronto critico tra strategie di ricerca
  • Modellazione di problemi complessi e analisi dello spazio di ricerca

4) Knowledge and Reasoning (6 ore):

  • Agenti logici e agenti basati su conoscenza
  • Rappresentazione della conoscenza
  • Modelli, conseguenza logica e inferenza
  • Regole di inferenza e cenni alla dimostrazione automatica
  • Wumpus World e ragionamento con osservabilità parziale
  • Ragionamento su informazione falsa, vera e ignota
  • Planning vs search
  • Problemi classici dell'IA: frame, inference e qualification problem

5) Comunicazione, Percezione, Azione (6 ore):

  • Rappresentazioni dello stato: atomiche, fattorizzate e strutturate
  • Percezione e azione negli agenti intelligenti
  • Comunicazione e linguaggio
  • Comunicazione tra agenti
  • Agenti basati su LLM
  • Sistemi agentici moderni
  • Esempi e seminari su agenti sociali, modelli aperti e applicazioni dell'IA

6) Sistemi Multiagente e Introduzione alla Teoria dei Giochi (4 ore):

  • Sistemi multiagente
  • Modellazione di problemi reali come sistemi basati su agenti
  • Ruoli, compiti e strumenti degli agenti
  • Progettazione di scenari multiagente
  • Introduzione alla teoria dei giochi
  • Evoluzione della fiducia
  • Cenni ad agentic AI in contesti applicativi ed enterprise

ESERCITAZIONI (24 ore)

1) Agenti Intelligenti (2 ore)

  • Attività applicative su intelligenza, agenti e valutazione del comportamento intelligente

2) Risolvere Problemi (4 ore)

  • Attività applicative su modellazione di problemi e ricerca nello spazio degli stati

3) Knowledge and Reasoning (6 ore)

  • Attività applicative su rappresentazione della conoscenza, agenti logici e ragionamento automatico

4) Comunicazione, Percezione, Azione (6 ore)

  • Attività applicative su comunicazione tra agenti, agenti basati su LLM e scenari agentici

5) Sistemi Multiagente e Introduzione alla Teoria dei Giochi (6 ore)

  • Attività applicative su sistemi multiagente, scenari, strumenti per agenti e progetti

Modalità d'esame

AUTOMATED PLANNING
Metodi di valutazione dell'apprendimento:
La valutazione si basa su un progetto didattico da svolgere in gruppo che prevede la realizzazione di una soluzione software di pianificazione automatica funzionante; la presentazione e discussione dello stesso.

Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370).

Criteri di Valutazione dell'apprendimento:
Il progetto didattico mira alla verifica delle competenze di modellazione, risoluzione di problemi complessi, ed integrazione con altri strumenti in pratica.

Criteri di misurazione dell'apprendimento ed attribuzione del voto finale:
Progetto e presentazione sono valutate complessivamente in 30simi.

INTELLIGENT AGENTS
= METODI DI VALUTAZIONE DELL'APPRENDIMENTO
La valutazione si svolge durante il corso in via preliminare e in sede d'esame in via definitiva.

Durante il corso, gli studenti possono essere valutati tramite compiti per casa, elaborati, progetti di gruppo in itinere e attività didattiche complementari, quali piccole competizioni, hackathon, Agent-a-Thon, Agent Build-A-Thon o iniziative analoghe, ove previste. Le modalità specifiche sono comunicate durante il corso.

In sede d'esame, la valutazione prevede:

  • presentazione e discussione di un progetto finale, di norma svolto in gruppo;
  • prova orale.

Il progetto finale verifica la capacità di progettare e, ove previsto, implementare soluzioni basate su sistemi intelligenti per problemi complessi. Può anche essere svolto, sviluppato o presentato nell'ambito di competizioni, hackathon, Agent-a-Thon, Agent Build-A-Thon o iniziative analoghe organizzate nel corso. In tali casi, modalità di svolgimento, consegna, presentazione e discussione sono comunicate durante il corso.

La prova orale verifica conoscenza degli argomenti, padronanza delle metodologie e capacità di ragionare criticamente sulle soluzioni adottate.

= CRITERI DI VALUTAZIONE DELL'APPRENDIMENTO
Le attività in itinere e il progetto finale mirano a verificare la capacità di modellare problemi complessi, individuare tecniche adeguate, proporre soluzioni motivate, lavorare in gruppo, presentare criticamente il lavoro svolto e motivare le scelte progettuali.

Nel caso di competizioni, hackathon, Agent-a-Thon, Agent Build-A-Thon o iniziative analoghe, la valutazione può tenere conto, secondo modalità comunicate durante il corso, della qualità della soluzione, della correttezza metodologica, della capacità di progettazione, dell'eventuale implementazione, della documentazione, della presentazione e della capacità di rispondere alle osservazioni ricevute. L'eventuale risultato competitivo non determina automaticamente la valutazione, che resta basata sui criteri didattici indicati nella presente sezione.

La prova orale mira a verificare conoscenza della teoria e delle metodologie, uso corretto del linguaggio tecnico, capacità di collegare gli argomenti del corso, analisi critica e chiarezza espositiva.

= CRITERI DI MISURAZIONE DELL'APPRENDIMENTO E ATTRIBUZIONE DEL VOTO FINALE
L'esito delle valutazioni in itinere, incluse eventuali attività complementari, è espresso mediante giudizio, ad esempio sufficiente, buono o ottimo, oppure secondo modalità comunicate durante il corso.

L'esame finale, costituito dalla presentazione e discussione del progetto finale e dalla prova orale, è valutato in trentesimi.

La votazione finale tiene conto della qualità del progetto finale, della sua presentazione e discussione, dell'esito della prova orale e dei giudizi conseguiti nelle attività in itinere. Se il progetto è svolto o presentato nell'ambito di competizioni, hackathon, Agent-a-Thon, Agent Build-A-Thon o iniziative analoghe, la sua incidenza resta determinata secondo i criteri didattici dell'insegnamento e le modalità comunicate durante il corso.

L'attribuzione del voto finale avviene sulla base del livello complessivo di raggiungimento degli obiettivi formativi.

= MODALITÀ PER STUDENTI E STUDENTESSE CON DISABILITÀ O DSA
Le modalità d'esame saranno adeguate alle esigenze degli studenti e delle studentesse con disabilità o con DSA certificati, secondo normativa e regolamenti di Ateneo vigenti.

= APPELLI D'ESAME
Gli appelli d'esame si svolgono secondo il calendario ufficiale pubblicato dall'Ateneo.

Il calendario degli appelli è disponibile al seguente link:
[sito ufficiale del corso di laurea]

Testi di riferimento

AUTOMATED PLANNING
Malik Ghallab, Dana S. Nau, Paolo Traverso:
Automated Planning and Acting. Cambridge University Press

INTELLIGENT AGENTS

  • Libro di testo
  • S. Russell, P. Norvig, ""Artificial Intelligence: A modern approach"", Prentice Hall, Englewood Cliffs, NJ, 3rd ed., 2009.
  • Matt Ginsberg, ""Essentials of Artificial Intelligence"", Morgan Kaufmann Ed., 1993.
  • Libri consigliati
  • M.Ghallab, D. Nau, P. Traverso, ""Automated Planning - Theory and Practice"", Morgan Kaufmann Ed., 2004.
  • D. C. Dennett, D. R. Hofstadter, ""L'io della mente. Fantasie e riflessioni sul se' e sull'anima"", Adelphi Ed., 1997.
  • D. R. Hofstadter, ""Goedel, Escher, Bach: un'eterna ghirlanda brillante"", Adelphi Ed., 1990.
  • M. Ridley, ""The Origins of Virtue: Human Instincts and the Evolution of Cooperation"", Penguin Ed., 1998."

Codice insegnamento 27006167

Massively Parallel Programming On Gpus 1° anno · 1° semestre · 6 CFU · INFO-01/A · 0 file

Competenze specifiche Obiettivo del corso è quello di fornire un'adeguata conoscenza della programmazione general-purpose su GPU. Conoscenze e capacità di comprensione: Conoscenza dell’architettura delle moderne GPU e di…

Scheda dell'insegnamento

Obiettivi formativi

Competenze specifiche

Obiettivo del corso è quello di fornire un'adeguata conoscenza della programmazione general-purpose su GPU.

Conoscenze e capacità di comprensione:

  • Conoscenza dell’architettura delle moderne GPU e di sistemi many-core alternativi
  • Conoscenza delle potenzialità delle GPU come acceleratori per il Calcolo Parallelo

Capacità di applicare conoscenza e comprensione:

  • Saper sviluppare applicazioni di calcolo parallelo su GPU in CUDA
    Al termine del corso, gli studenti saranno in grado di affrontare le fasi di analisi, progettazione e implementazione di applicazioni parallele su GPU

Competenze trasversali

Capacita` critiche e di giudizio conseguite attraverso lo studio degli argomenti che vengono proposti durante il corso, lo sviluppo degli elaborati (esercizi e progetti), evidenziando capacita` di “problem solving”.

Autonomia di giudizio:

  • Abilità nell'analisi e nella risoluzione dei problemi
  • Abilità nel trovare soluzioni alternative o innovative
  • Abilità nel lavoro di gruppo

Abilità comunicative:

  • Abilità nel presentare con chiarezza le basi teoriche del Calcolo Parallelo su GPU
  • Abilità nel presentare i prodotti software sviluppati

Programma

ll corso illustra i concetti e gli algoritmi fondamentali della programmazione parallela massiva su GPU in CUDA.

1) Sviluppo del GPU Computing

  • Architettura delle GPU
  • Confronto architetture CPU-GPU
  • GPGPU e calcolo eterogeneo

2) Parallelismo dei dati in CUDA

  • Panoramica di CUDA
  • Modello di programmazione CUDA
  • Un primo esempio di applicazione: Somma di vettori

3) Modello di Esecuzione Data-Parallel

  • Organizzazione dei thread e mappatura dei dati
  • Un esempio più complesso: Moltiplicazione di matrici
  • Sincronizzazione dei thread
  • Scheduling dei thread e tolleranza alla latenza

4) Memoria

  • Modello di memoria GPGPU
  • Riduzione del traffico da/verso la memoria globale
  • Un kernel tiled per la moltiplicazione di matrici

5) Miglioramento delle prestazioni

  • Warps ed esecuzione dei thread
  • Larghezza di banda da/verso memoria globale
  • Utilizzo della memoria condivisa/locale e dei registri/memoria privata

6) Esempi di applicazione e ottimizzazioni specifiche

  • Algoritmi paralleli basati su Convolution/Stencil
  • Automi Cellulari
  • Parallel reductions
  • Parallel Histogram

Modalità d'esame

Metodi di valutazione dell'apprendimento: L'esame consiste in un esame scritto e in un progetto volti a verificare l'apprendimento dei concetti fondamentali del modello di programmazione data-parallel many-core e la capacità di progettare e sviluppare applicazioni complesse in CUDA. Gli studenti dovranno inoltre redigere una relazione del loro lavoro sotto forma di un breve articolo LNCS (Lecture Notes in Computer Science) e preparare una presentazione di 10-15 minuti da mostrare il giorno dell'esame. Durante la presentazione del codice sorgente, allo studente può essere chiesto di eseguire l'applicazione sviluppata per verificarne la correttezza e le prestazioni. Allo studente potranno essere poste anche domande generali sul programma, come ulteriore verifica del raggiungimento degli obiettivi formativi del corso. Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370). Criteri di Valutazione dell'apprendimento: La presentazione del progetto sviluppato e la contestuale discussione mirano a verificare le capacità espositive e il livello di conoscenza dei concetti fondamentali della programmazione e sviluppo di applicazioni massicciamente parallele in CUDA. Criteri di misurazione dell'apprendimento e attribuzione del voto finale: Il voto finale si calcola come media tra i voti di scritto e progetto. Per il progetto, si terrà conto della correttezza del progetto, della sua efficienza computazionale, della qualità del codice sviluppato e delle soluzioni (anche originali) adottate, del livello di conoscenza dei concetti fondamentali della programmazione massiva su GPU e delle capacità espositive.

Testi di riferimento

Libro di testo

  • Wen-mei W. Hwu, David B. Kirk, Izzat El Hajj. Programming Massively Parallel Processors: A Hands-on Approach - 4th Edition. Morgan Kaufmann – Elsevier, 2022.

Codice insegnamento 27008773

Network Security 1° anno · 2° semestre · 6 CFU · INFO-01/A · 0 file

Competenze specifiche a) Conoscenze e capacità di comprensione: 1. Capacità di mettere in sicurezza un sistema informatico (distribuito e non) a livello applicazione, trasporto, rete e link; 2. Conoscenza delle…

Scheda dell'insegnamento

Obiettivi formativi

Competenze specifiche
a) Conoscenze e capacità di comprensione:
1. Capacità di mettere in sicurezza un sistema informatico (distribuito e non) a livello applicazione, trasporto, rete e link;
2. Conoscenza delle principali modalità di intrusione nei sistemi informatici e delle relative contromisure;
3. Conoscenze delle metodologie e dei sistemi di sicurezza basati su crittografia asimmetrica e simmetrica, con particolare attenzione ai requisiti di riservatezza e autenticità nella trasmissione dati;
b) Capacità di applicare conoscenza e comprensione:
Al termine del corso, gli studenti saranno in grado di individuare e mettere in sicurezza la superficie di attacco di una rete complessa.

Competenze trasversali
a) Autonomica di giudizio:
Capacita` critiche e di giudizio conseguite attraverso lo studio degli argomenti che vengono proposti durante il corso, lo sviluppo degli elaborati (esercizi e progetti), evidenziando capacita` di “problem solving”. In particolare saranno acquisiti:

  • Abilità nell'analisi e nella risoluzione dei problemi
  • Abilità nel trovare soluzioni alternative o innovative
  • Abilità nell'esplorazione autonoma di protocolli e tecnologie non conosciuti
    b) Abilità comunicative
  • Abilità nel lavoro di gruppo

Programma

Il corso tratta ad ampio spettro la tematica della sicurezza delle reti e dei nodi di rete.

Il corso è suddiviso in due parti:
PARTE 1. Sicurezza e crittografia di base
Questa parte ha l’obiettivo di introdurre le nozioni fondamentali relative ai requisiti di sicurezza dei sistemi informativi. Inoltre, viene presentato lo stato dell’arte tecnologico degli strumenti di cifratura.
Argomenti delle lezioni:
Requisiti di sicurezza dei sistemi informativi: autenticità, riservatezza, garanzia del servizio.
Introduzione agli algoritmi a chiave simmetrica: DES, 3DES, AES, RC4. Modalità di cifratura. Generatori di numeri casuali e pseudocasuali.
Introduzione agli algoritmi a chiave asimmetrica: RSA.
Algoritmi di scambio delle chiavi: Diffie-Hellman, RSA.
Certificati digitali: cenni sugli aspetti legali, autorità di certificazione, PKI.
Funzioni MAC, cioè Message Authentication Code, e funzioni hash crittografiche. I principali algoritmi MAC e hash: MD5, SHA.
Firma digitale, firma di documenti e messaggi.
Metodi di autenticazione: RADIUS, EAP, protocolli challenge-response.
Argomenti di laboratorio:
Implementazione di una comunicazione riservata di dati.
Installazione e configurazione di un server SSL. Installazione e configurazione di un’autorità di certificazione.
Generazione di una coppia di chiavi pubblica/privata. Richiesta, firma e installazione di certificati digitali.
PARTE 2. Sicurezza delle reti di calcolatori
Nella seconda parte viene discusso lo stack ISO/OSI, in particolare lo stack TCP/IP, concentrandosi sui problemi di sicurezza e sugli aspetti di riservatezza relativi a ciascun livello.
Argomenti delle lezioni:
Sicurezza a livello di rete e a livello di collegamento: sicurezza 802.11 e 802.3.
Principali attacchi di intrusione e contraffazione: MAC/IP spoofing, DNS spoofing, altri comuni schemi di attacco MITM. Attacchi DoS.
Sicurezza a livello di trasporto: protocollo SSL. Sicurezza a livello applicativo: HTTPS, POP3/IMAP/SMTP su SSL.
Server proxy, NAT e tecniche di attraversamento dei firewall.
Reti private virtuali, protocollo IPsec.
Anonimato sul web, la rete TOR.
Argomenti di laboratorio:
Laboratorio sugli attacchi di livello 2.
Sessione di cracking Wi-Fi, furto e cracking di password.
Configurazione di VPN bare-metal.
SSL stripping, aggiramento di HSTS, phishing.

Modalità d'esame

Metodi di valutazione dell'apprendimento:
Preparazione di un seminario e di una dimostrazione funzionante (0,5h); Colloquio Orale (0,5h). Voto di ciascuna prova espresso in trentesimi.

Le modalità d'esame saranno inoltre adeguate alle particolari esigenze degli/delle studenti/studentesse con disabilità certificate ai sensi delle leggi 104/92 e 118/71 o con Disturbo specifico di apprendimento (DSA) certificato ai sensi della legge 170/2010), facendo riferimento alle indicazioni fornite dalla Delegata alle attività concernenti l’integrazione degli Studenti con disabilità e con disturbi specifici di apprendimento nell’Ateneo.

Criteri di Valutazione dell'apprendimento:
Il seminario con dimostrazione operativa mira a verificare la capacità di esplorare nuove tecnologie e protocolli in autonomia; il colloquio orale mira a verificare la solidità delle conoscenze fondamentali in tema di sicurezza informatica

Criteri di misurazione dell'apprendimento ed attribuzione del voto finale:
Media aritmetica tra i voti delle due prove.

Le modalità d'esame saranno inoltre adeguate alle particolari esigenze degli/delle studenti/studentesse con disabilità certificate ai sensi delle leggi 104/92 e 118/71 o con Disturbo specifico di apprendimento (DSA) certificato ai sensi della legge 170/2010), facendo riferimento alle indicazioni fornite dalla Delegata alle attività concernenti l’integrazione degli Studenti con disabilità e con disturbi specifici di apprendimento nell’Ateneo

Testi di riferimento

Libri di testo Stallings & Brown. Computer Security: Principles and Practice, Prentice Hall. William Stallings, Cryptography and network security, 4th Ed., McGraw-Hill. Materiale didattico disponibile sul sito del corso ( https://sites.google.com/unical.it/demacs-networksecurity ).

Codice insegnamento 27007399

Research And Development Methodologies 1° anno · 1° semestre · INFO-01/A · 0 file

AGILE SOFTWARE DEVELOPMENT Competenze specifiche: Obiettivo primario del corso è quello di fornire un'adeguata conoscenza dei principi fondamentali dello sviluppo agile. a) Conoscenze e capacità di comprensione:…

Scheda dell'insegnamento

Obiettivi formativi

AGILE SOFTWARE DEVELOPMENT
Competenze specifiche:
Obiettivo primario del corso è quello di fornire un'adeguata conoscenza dei principi fondamentali dello sviluppo agile.

a) Conoscenze e capacità di comprensione:

  • Conoscenza dei principi dello sviluppo agile
  • Competenza nell’applicazione dei principi della metodologie agili, e di scrum in particolare
  • Competenza nella presentazione di progetti
  • Competenze avanzate nella progettazione di applicazioni
  • Abilità nell'utilizzo di ambienti di sviluppo

b) Capacità di applicare conoscenza e comprensione:
Al termine del corso, gli studenti saranno in grado di affrontare tutte le fasi della progettazione delle applicazioni sencondo il metodo agile, saranno capaci di utilizzare alcuni tra i piu` diffusi framework per lo sviluppo di applicazioni e mostreranno competenza nell’applicazione di metodologie specifiche di sviluppo agile.

Competenze trasversali:
a) Autonomia di giudizio
Capacita` critiche e di giudizio conseguite attraverso lo studio degli argomenti che vengono proposti durante il corso, lo sviluppo degli elaborati (esercizi e progetti), evidenziando capacita` di “problem solving” e “agile development”. In particolare saranno acquisiti:

  • Abilità nell'analisi e nella risoluzione dei problemi connessi allo sviluppo di applicazioni
  • Abilità nel lavoro di gruppo
    b) Abilità comunicative
    Capacità di presentare il proprio lavoro e interagire in gruppi di sviluppo agile

RESEARCH SEMINARS IN AI&CS
Competenze specifiche:
Obiettivo primario del corso è quello di fornire conoscenza di base degli aspetti metodologici della ricerca scientifica in Informatica e Intelligenza Artificiale, sia attraverso la frequenza che la preparazione di seminari.

a) Conoscenze e capacità di comprensione:

  • Conoscenza delle nozioni di base della ricerca in Informatica e Intelligenza Artificiale
  • Competenza nell'analisi e nell'approccio alla comprenzione e allo sviluppo di temi di ricerca
  • Competenza nella presentazione di risultati di ricerca
  • Competenze nello sviluppo di progetti di ricerca
  • Abilità nell'utilizzo di strumenti per la produzione di seminari e progetti di ricerca

b) Capacità di applicare conoscenza e comprensione:
Al termine del corso, gli studenti saranno in grado di affrontare problematiche di ricerca in Informatica e Intelligenza Artificiale, saranno capaci di identificare, leggere, analizzare e ripridurre risultati di ricerca presentati in articoli scientifici, preparare presentazioni e seminari, sviluppare progetti di ricerca..

Competenze trasversali:
a) Autonomia di giudizio
Capacita` critiche e di giudizio conseguite attraverso lo studio degli argomenti che vengono proposti durante il corso, lo sviluppo degli elaborati (presentazioni, articoli e progetti), evidenziando capacita` di “problem solving”. In particolare saranno acquisiti:

  • Abilità nell'analisi e nella comprensione di risultati di ricerca
  • Abilità nel lavoro di gruppo
    b) Abilità comunicative
    Capacità di presentare il proprio lavoro e interagire in gruppi di lavoro

Programma

AGILE SOFTWARE DEVELOPMENT
Il corso tratta i principi di base dello sviluppo agile con particolare attenzione agli aspetti metodologici. Da un punto di vista applicativo sono introdotte le metodologie e i framework di sviluppo più diffusi in questo campo.

1) Sviluppo agile del software

  • Principi dello sviluppo agile
  • Metodologie agili
  • Scrum
  • Introduzione a Kanban
  • DevOps

2) Presentare progetti

  • Redazione di progetti
  • Presentare i risultati
  • Redazione di report di progetto

3) Framework per lo sviluppo

  • JIRA software for Agile Project Management (or equivalent)
  • Test Driven Development, Containers, and Continuous integration tools

RESEARCH SEMINARS IN AI&CS
Il corso tratta gli aspetti metodologici della ricerca in Informatica e Intelligenza Artificiale.

1) Aspetti di metodologici di base

  • Dal problema alla soluzione passando per le fonti
  • Ideare e sviluppare articoli e progetti di ricerca scientifici

2) Seminari in AI&CS

  • Partecipazione a seminari tematici
  • Presentazione di argomenti e risultati di ricerca
  • Redazione di report e articoli

Modalità d'esame

AGILE SOFTWARE DEVELOPMENT
Metodi di valutazione dell'apprendimento:
La valutazione avviene in due modalità alternative aperte a tutti gli studenti.
Modalità 1) svolgimento di un progetto didattico seguita da una prova orale; Modalità 2) uno scritto (al più 5 ore) da svolgere al computer seguito da un esame orale.
In entrambe le modalità gli studenti devono dimostrare di avere la capacità di saper applicare i principi dell'ingegneria del software orientata agli oggetti;
Nel caso in cui, per motivi di sicurezza sanitaria, l'esame dovesse essere effettuato a distanza saranno adottate le modalità di valutazione riportate qui:
https://informatica.unical.it/onlineexamsguidelines

Le modalità d'esame saranno inoltre adeguate alle particolari esigenze degli/delle studenti/studentesse con disabilità certificate ai sensi delle leggi 104/92 e 118/71 o con Disturbo specifico di apprendimento (DSA) certificato ai sensi della legge 170/2010), facendo riferimento alle indicazioni fornite dalla Delegata alle attività concernenti l’integrazione degli Studenti con disabilità e con disturbi specifici di apprendimento nell’Ateneo.

Criteri di Valutazione dell'apprendimento:
Il progetto e lo scritto hanno mirano alla verifica delle capacità progettuali e implementate, la prova orale mira a verificare la conoscenza teorica degli argomenti trattati durante il corso.

Criteri di misurazione dell'apprendimento ed attribuzione del voto finale:
L'esito dello scritto o del progetto è un giudizio (Ottimo=20, Buono=16, Sufficiente=12, Non superato). Si accede alla prova orale se l'esito non è non superato.
L'esito della prova orale è in decimi, si supera la prova se il voto è superiore a 6. L'esame è superato se entrambe le prove sono superate.
L'esito dell'esame (in trentesimi) si ottiene da una somma pesata dei risultati ottenuti nelle prove parziali.

RESEARCH SEMINARS IN AI&CS
Metodi di valutazione dell'apprendimento:
La valutazione avviene in due modalità alternative aperte a tutti gli studenti.
Modalità 1) svolgimento di un progetto didattico seguita da una prova orale; Modalità 2) uno scritto (al più 5 ore) da svolgere al computer seguito da un esame orale.
In entrambe le modalità gli studenti devono dimostrare di avere la capacità di saper applicare i principi dell'ingegneria del software orientata agli oggetti;

Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370).

Criteri di Valutazione dell'apprendimento:
Il progetto e lo scritto hanno mirano alla verifica delle capacità progettuali e implementate, la prova orale mira a verificare la conoscenza teorica degli argomenti trattati durante il corso.

Criteri di misurazione dell'apprendimento ed attribuzione del voto finale:
L'esito dello scritto o del progetto è un giudizio (Ottimo=20, Buono=16, Sufficiente=12, Non superato). Si accede alla prova orale se l'esito non è non superato.
L'esito della prova orale è in decimi, si supera la prova se il voto è superiore a 6. L'esame è superato se entrambe le prove sono superate.
L'esito dell'esame (in trentesimi) si ottiene da una somma pesata dei risultati ottenuti nelle prove parziali.

Testi di riferimento

AGILE SOFTWARE DEVELOPMENT
Libri di testo

  • Kenneth S. Rubin "Essential Scrum: A Practical Guide to the Most Popular Agile Process" (Addison-Wesley Signature Series (Cohn))
  • Farley, David,Humble, Jez “Continuous Delivery: Reliable Software Releases Through Build, Test, and Deployment Automation”
  • Kent Beck "Test Driven Development: By Example”

Libri consigliati

  • David J. Anderson "Kanban: Successful Evolutionary Change for Your Technology Business" Blue Hole Press Inc
  • Gene Kim , Jez Humble , e al. "The DevOps Handbook: How to Create World-Class Agility, Reliability, and Security in Technology Organizations"

RESEARCH SEMINARS IN AI&CS
Libri consigliati

  • Dr Graham Myers "Research Methodology : The beginners Manual" CreateSpace Independent Publishing Platform
  • Wayne C. Booth, Gregory G. Colomb, Joseph M. Williams "The Craft of Research" University of Chicago Press
  • John W. Creswell "Research Design: Qualitative, Quantitative, and Mixed Methods Approaches" SAGE Publications, Inc

Materiali consigliati

  • Una selezione di articoli di ricerca scientifica consigliati durante lo svolgimento del corso.

Codice insegnamento 27008769

Secure Software Design 1° anno · 1° semestre · 6 CFU · INFO-01/A · 0 file

Competenze specifiche: Obiettivo primario del corso è quello di fornire un'adeguata conoscenza degli aspetti che riguardano la progettazione, programmazione e messa in esercizio di sistemi informativi sicuri.…

Scheda dell'insegnamento

Obiettivi formativi

Competenze specifiche:
Obiettivo primario del corso è quello di fornire un'adeguata conoscenza degli aspetti che riguardano la progettazione, programmazione e messa in esercizio di sistemi informativi
sicuri.
Conoscenze e capacità di comprensione:

  • Conoscenza dei principali pattern di programmazione insicuri
  • Conoscenza delle principali tecniche per evitare pattern di programmazione insicuri.
    Capacità di applicare conoscenza e comprensione:
  • Capacità di progettare sistemi informativi sicuri.
  • Capacità di individuare vulnerabilità in codice legacy.

Competenze trasversali:
Capacita` critiche e di giudizio conseguite attraverso lo studio degli argomenti che vengono proposti durante il corso, lo sviluppo degli elaborati (esercizi e progetti), evidenziando capacita` di “problem solving”.
Autonomia di giudizio:

  • Abilità nell'analisi e nella risoluzione dei problemi
  • Abilità nel trovare soluzioni alternative o innovative
    Abilità comunicative:
  • Abilità nel lavoro di gruppo

Programma

Il corso presenta i concetti di base della sicurezza associati allo sviluppo di sistemi informativi.

1) Introduzione allo sviluppo sicuro del codice

  • Confidenzialità (confidentiality), integrità (integrity) e disponibilità (availability)
  • Perché la progettazione è importante per la sicurezza
  • Modello profondo

2) Domain-Driven Design

  • Costrutti che favoriscono la sicurezza
  • Primitive di dominio
  • Assicurare l'integrità dello stato
  • Ridurre la complessità dello stato

3) Test-Driven Development

  • Definizione di test, mock e patch
  • Gestione sicura delle eccezioni

Modalità d'esame

Metodi di valutazione dell'apprendimento:
La valutazione consiste di un esame di 3 ore svolto in laboratorio che prevede un questionario a risposta multipla ed esercizi al computer.

Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370).

Criteri di Valutazione dell'apprendimento:
Il questionario mira alla verifica delle conoscenze di base (sapere). Gli esercizi mirano alla verifica delle conoscenze pratiche (saper fare).

Criteri di misurazione dell'apprendimento ed attribuzione del voto finale:
L’esito dell’esame, in trentesimi, si ottiene sommando i punteggi ottenuti nello svolgimento dei singoli esercizi che la compongono.

Testi di riferimento

Libro di testo

  • Secure by Design - Dan Bergh Johnsson, Daniel Deogun, Daniel Sawano – Manning
  • Architecture Patterns with Python - Harry Percival, Bob Gregory – O’Reilly
  • Crafting Test-Driven Software with Python - Alessandro Molina - Packt

Codice insegnamento 27006179

Statistical Methods For Data Science 1° anno · 1° semestre · 6 CFU · STAT-01/A · 0 file

Competenze specifiche: Obiettivo primario del corso è quello di fornire un'adeguata conoscenza degli strumenti statistici per l'analisi dei dati e del software R. In particolare saranno acquisite le seguenti competenze e…

Scheda dell'insegnamento

Obiettivi formativi

Competenze specifiche:
Obiettivo primario del corso è quello di fornire un'adeguata conoscenza degli strumenti statistici per l'analisi dei dati e del software R.
In particolare saranno acquisite le seguenti competenze e competenze
Conoscenza e capacità di comprensione:
conoscenza dei concetti di base di inferenza statistica e dei modelli per descrivere le relazioni tra variabili di diversa natura.
Capacità di applicare conoscenza e comprensione:

  • l'abilità di comprendere e descrivere i fenomeni di interesse come variabili aleatorie e tradurre i problemi reali in modelli statistici
  • la capacità di stimare parametri di interesse a partire da dati campionari, validare ipotesi e formulare opportuni modelli di ausilio per la descrizione e la previsione dei fenomeni in qualsiasi ambito applicativo
  • la capacità di ottenere i risultati anche mediante il software R e di interpretarli opportunamente.
    Al termine del corso, gli studenti saranno in grado di affrontare autonomamente un'analisi di dati reali, svilupperanno capacità critiche e di ragionamento analitico attraverso un approccio learning-by-doing basato su esempi pratici.
    Competenze trasversali:
    Capacita` critiche e di giudizio conseguite attraverso lo studio degli argomenti che vengono proposti durante il corso, lo svolgimento degli esercizi, evidenziando capacita` di “problem solving”. In particolare saranno acquisiti
    Autonomia di giudizio:
  • Abilità nella comprensione dei problemi e nell'analisi di dati reali
  • Abilità nel lavorare in ambiti in cui vi è incertezza
    Abilità comunicative:
  • Abilità nel lavoro di gruppo

Programma

Il corso presenta le basi del calcolo delle probabilità e delle variabili casuali, e gli strumenti dell’inferenza statistica per la stima e la verifica di ipotesi su parametri di interesse reale. Inoltre, il corso si prefigge di fornire le competenze necessarie per specificare, stimare e validare modelli di regressione lineare e logistica. Il corso prevede attività di laboratorio in cui lo studente apprenderà il linguaggio del software R.

1) Introduzione al calcolo delle probabilità - Probabilità e variabili casuali: definizioni ed esempi in R 2) Stima puntuale e Intervallare - Stimatore e stima: definizione, metodi di calcolo, principali proprietà ed esempi in R - Costruzione di intervallo di confidenza casuale e numerico, quantità pivot e bootstrap, esempi in R 3) Verifica di ipotesi - Definizione di statistiche test, livello di significatività e p-value, errore di prima e seconda specie, potenza di un test ed esempi in R 4) Modelli di regressione lineare (concetti di base) - Specificazione, stima e validazione di un modello di regressione lineare, esempi in R 5) Modelli di regressione logistica (concetti di base) - Specificazione, stima e validazione di un modello di regressione logistica (con risposta binaria), esempi in R 6) Estensioni a modelli più avanzati

Modalità d'esame

Metodi di valutazione dell'apprendimento:
La valutazione consiste di due prove: scritta e orale. La prova scritta prevede esercizi su problemi reali ed anche l'esecuzione di comandi nel linguaggio R per produrre output da commentare, la prova orale è una discussione degli argomenti trattati durante il corso (anche in merito al linguaggio R). Durante il corso verranno assegnati settimanalmente esercizi (pratici e sulla conoscenza del software R) da consegnare al docente che li valuterà assegnando un bonus di cui si terrà conto nella valutazione finale.

Criteri di Valutazione dell'apprendimento:
Le prove mirano alla valutazione della conoscenza degli argomenti trattati in teoria e in pratica, dell'uso opportuno del software, del livello di autonomia e di giudizio critico, dell'acquisizione del linguaggio specifico, della capacità di ragionamento analitico.

Criteri di misurazione dell'apprendimento ed attribuzione del voto finale:
Il superamento dell’esame prevede l’attribuzione di un voto finale, espresso in trentesimi, che tiene conto, in egual misura, della prova scritta e della prova orale. La valutazione dell’elaborato scritto avviene sommando i punteggi ottenuti ai diversi quesiti che compongono la prova. Solo coloro che superano la prova scritta hanno accesso alla prova orale. Un bonus viene riconosciuto agli studenti che durante il corso avranno svolto correttamente le prove assegnate.
Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370).

Testi di riferimento

Libri consigliati

  • Agresti, Franklin, Klingenberg (2017) Statistics: The Art and Science of Learning from Data, 4 Edition, Pearson;
  • James, Witten, Hastie, Tibshirani (2013) An Introduction to Statistical Learning: with Applications in R, Springer;
  • Cicchitelli, D'Urso, Minozzo (2018) Statistica: principi e metodi 3 Edition, Pearson;
  • Horgan (2008) Probability with R: An introduction with Computer Science Applications, Wiley.

Codice insegnamento 27007794

Theoretical Computer Science 1° anno · 2° semestre · INFO-01/A · 0 file

THEORETICAL COMPUTER SCIENCE - DECIDABILITY AND LOGICS Competenze Specifiche: Obiettivo primario del primo modulo è quello di fornire le conoscenze di base dell'Informatica Teorica, con particolare attenzione ai…

Scheda dell'insegnamento

Obiettivi formativi

THEORETICAL COMPUTER SCIENCE - DECIDABILITY AND LOGICS
Competenze Specifiche:
Obiettivo primario del primo modulo è quello di fornire le conoscenze di base dell'Informatica Teorica, con particolare attenzione ai linguaggi formali, alle Macchine di Turing, alla teoria della calcolabilità, all'indecidibilità e incompletezza nella logica del primo ordine. In particolare saranno acquisite le seguenti conoscenze e competenze:
Conoscenza e capacità di comprensione:

  • linguaggi formali;
  • Macchina di Turing e delle sue varianti;
  • nozione di calcolabilità secondo Turing;
  • concetti di decidibilità e indecidibilità;
  • concetti di indecidibilità e incompletezza nella logica del primo ordine (Teoremi di Gödel);
    Capacità di applicare conoscenza e comprensione:
  • distinguere tra problemi decidibili e indecidibili;

Al termine del modulo, gli studenti saranno in grado di distinguere tra problemi decidibili e indecidibili, e dimostrane tali proprietà mediante l'applicazione di teoremi studiati durante il corso o mediante l'uso di tecniche di riduzione tra problemi.

Obiettivo primario del secondo modulo è quello di fornire un'adeguata conoscenza sulla teoria della complessità. Il corso prende in esame la classe dei problemi decidibili al fine di classificare tali problemi in base alla loro intrinseca difficoltà. In particolare, gli studenti confronteranno problemi che sono "praticamente risolvibili" - nel senso che i programmi per risolverli richiedono risorse (in termini di tempo o di spazio) che possono in genere essere soddisfatte - e problemi che sono "praticamente irrisolvibile" - quantomeno per input molto grandi, in quanto le risorse necessarie crescono così rapidamente che non possono in genere essere soddisfatte. In particolare saranno acquisite le seguenti conoscenze e competenze:
Conoscenza e capacità di comprensione:

  • principali problemi noti in informatica;
  • nozione di complessità computazionale;
  • principali classi di complessità;
    Capacità di applicare conoscenza e comprensione:
  • determinare la complessità computazionale di un problema decidibile;

Al termine del modulo, gli studenti saranno in grado di distinguere tra problemi trattabili, intrattabili e presumibilmente intrattabili. Saranno inoltre in grado di determinare formalmente la complessità computazionale di svariati problemi noti in letteratura.

Competenze Trasversali:
Lo studente acquisirà abilità nell'analisi e nella risoluzione dei problemi e abilità nel lavoro di gruppo.
Le capacita` critiche e di giudizio sono conseguite attraverso lo studio degli argomenti che vengono proposti durante il corso, lo sviluppo degli elaborati (esercizi e progetti), evidenziando capacita` di “problem solving”. In particolare saranno acquisiti:
Autonomia di giudizio:

  • Abilità nell'analisi e nella risoluzione dei problemi
  • Abilità nel combinare soluzioni alternative o innovative
    Abilità comunicative:
  • Abilità nel lavoro di gruppo

THEORETICAL COMPUTER SCIENCE - COMPUTATIONAL COMPLEXITY
Competenze Specifiche:
Obiettivo primario del primo modulo è quello di fornire le conoscenze di base dell'Informatica Teorica, con particolare attenzione ai linguaggi formali, alle Macchine di Turing, alla teoria della calcolabilità, all'indecidibilità e incompletezza nella logica del primo ordine. In particolare saranno acquisite le seguenti conoscenze e competenze:
Conoscenza e capacità di comprensione:

  • linguaggi formali;
  • Macchina di Turing e delle sue varianti;
  • nozione di calcolabilità secondo Turing;
  • concetti di decidibilità e indecidibilità;
  • concetti di indecidibilità e incompletezza nella logica del primo ordine (Teoremi di Gödel);
    Capacità di applicare conoscenza e comprensione:
  • distinguere tra problemi decidibili e indecidibili;

Al termine del modulo, gli studenti saranno in grado di distinguere tra problemi decidibili e indecidibili, e dimostrane tali proprietà mediante l'applicazione di teoremi studiati durante il corso o mediante l'uso di tecniche di riduzione tra problemi.

Obiettivo primario del secondo modulo è quello di fornire un'adeguata conoscenza sulla teoria della complessità. Il corso prende in esame la classe dei problemi decidibili al fine di classificare tali problemi in base alla loro intrinseca difficoltà. In particolare, gli studenti confronteranno problemi che sono "praticamente risolvibili" - nel senso che i programmi per risolverli richiedono risorse (in termini di tempo o di spazio) che possono in genere essere soddisfatte - e problemi che sono "praticamente irrisolvibile" - quantomeno per input molto grandi, in quanto le risorse necessarie crescono così rapidamente che non possono in genere essere soddisfatte. In particolare saranno acquisite le seguenti conoscenze e competenze:
Conoscenza e capacità di comprensione:

  • principali problemi noti in informatica;
  • nozione di complessità computazionale;
  • principali classi di complessità;
    Capacità di applicare conoscenza e comprensione:
  • determinare la complessità computazionale di un problema decidibile;

Al termine del modulo, gli studenti saranno in grado di distinguere tra problemi trattabili, intrattabili e presumibilmente intrattabili. Saranno inoltre in grado di determinare formalmente la complessità computazionale di svariati problemi noti in letteratura.

Competenze Trasversali:
Lo studente acquisirà abilità nell'analisi e nella risoluzione dei problemi e abilità nel lavoro di gruppo.
Le capacita` critiche e di giudizio sono conseguite attraverso lo studio degli argomenti che vengono proposti durante il corso, lo sviluppo degli elaborati (esercizi e progetti), evidenziando capacita` di “problem solving”. In particolare saranno acquisiti:
Autonomia di giudizio:

  • Abilità nell'analisi e nella risoluzione dei problemi
  • Abilità nel combinare soluzioni alternative o innovative
    Abilità comunicative:
  • Abilità nel lavoro di gruppo

Programma

THEORETICAL COMPUTER SCIENCE - DECIDABILITY AND LOGICS
Il corso ha l’obiettivo di introdurre gli aspetti fondanti dell’informatica teorica quali le nozioni di decidibilita` e complessita` computazionale.

Il primo modulo si propone di fornire agli studenti le nozioni di base dell'Informatica Teorica, con particolare attenzione ai linguaggi formali, alle Macchine di Turing, alla teoria della calcolabilità, all'indecidibilità e incompletezza nella logica del primo ordine.

Il secondo modulo fornisce le nozioni di base sulla teoria della complessità computazionale. Gli studenti saranno in grado di distinguere tra problemi trattabili, intrattabili e presumibilmente intrattabili. Saranno inoltre in grado di determinare formalmente la complessità computazionale di svariati problemi noti in letteratura.

1) Introduzione

  • Richiami di matematica (insiemi, relazioni, funzioni, cardinalità di insiemi, grafi)
  • Linguaggi formali (alfabeti, linguaggi, rappresentazioni finite di linguaggi, automi a stati finiti e linguaggi regolari)

2) Macchine di Turing

  • TM a nastro singolo deterministiche
  • Calcolabilità secondo Turing
  • TM multi nastro

3) Calcolabilità e decidibilità

  • tesi di Church-Turing
  • descrizione linearizzata delle TM e TM universale
  • il problema della terminazione
  • linguaggi indecidibili
  • enumerazione di proprietà ricorsive
  • proprietà di enumerazioni di funzioni ricorsive
  • funzioni non calcolabili
  • teoremi di Kleene e di Rice
  • insiemi decidibili e semidecidibili

4) Indecidibilità ed incompletezza nella logica del primo ordine

  • richiami alla logica proposizionale e del I ordine
  • Teoremi di Gödel
  • assiomi della teoria dei numeri
  • indecidibilità ed incompletezza

THEORETICAL COMPUTER SCIENCE - COMPUTATIONAL COMPLEXITY
Il corso ha l’obiettivo di introdurre gli aspetti fondanti dell’informatica teorica quali le nozioni di decidibilita` e complessita` computazionale.

Il primo modulo si propone di fornire agli studenti le nozioni di base dell'Informatica Teorica, con particolare attenzione ai linguaggi formali, alle Macchine di Turing, alla teoria della calcolabilità, all'indecidibilità e incompletezza nella logica del primo ordine.

Il secondo modulo fornisce le nozioni di base sulla teoria della complessità computazionale. Gli studenti saranno in grado di distinguere tra problemi trattabili, intrattabili e presumibilmente intrattabili. Saranno inoltre in grado di determinare formalmente la complessità computazionale di svariati problemi noti in letteratura.

1) Introduzione

  • Richiami di matematica (insiemi, relazioni, funzioni, cardinalità di insiemi, grafi)
  • Linguaggi formali (alfabeti, linguaggi, rappresentazioni finite di linguaggi, automi a stati finiti e linguaggi regolari)

2) Macchine di Turing

  • TM a nastro singolo deterministiche
  • Calcolabilità secondo Turing
  • TM multi nastro

3) Calcolabilità e decidibilità

  • tesi di Church-Turing
  • descrizione linearizzata delle TM e TM universale
  • il problema della terminazione
  • linguaggi indecidibili
  • enumerazione di proprietà ricorsive
  • proprietà di enumerazioni di funzioni ricorsive
  • funzioni non calcolabili
  • teoremi di Kleene e di Rice
  • insiemi decidibili e semidecidibili

4) Indecidibilità ed incompletezza nella logica del primo ordine

  • richiami alla logica proposizionale e del I ordine
  • Teoremi di Gödel
  • assiomi della teoria dei numeri
  • indecidibilità ed incompletezza

Modalità d'esame

THEORETICAL COMPUTER SCIENCE - DECIDABILITY AND LOGICS
Metodi di Valutazione dell’Apprendimento
Per ogni appello, l'esame si articola in due prove congiunte sugli argomenti del programma: una scritta e una orale. La prima, della durata massima di 60 minuti, comprende quesiti a risposta multipla ed esercizi a risposta aperta. La seconda, di durata indicativa di 15 minuti, consiste nell’esposizione da parte dello studente, anche con l’ausilio di elaborazioni scritte, in risposta a specifiche domande aperte formulate dal docente.
Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'Art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370).
Nel caso di erogazione della didattica a distanza, l’esame consisterà in una prova orale/scritta utilizzando il software Microsoft Teams applicando gli stessi criteri di valutazione. Le modalità operative per la conduzione dell’eventuale esame on-line si basano sulle indicazioni definite dalle relative Linee Guida dell’Università della Calabria.
Criteri di Valutazione dell’Apprendimento
I quesiti a risposta multipla sono volti alla verifica delle conoscenze di base e della comprensione dei concetti fondamentali. Gli esercizi a risposta aperta consentono di valutare le competenze applicative e la capacità di risoluzione di problemi specifici, mediante l’uso appropriato degli strumenti teorici e metodologici acquisiti. La prova orale è finalizzata ad accertare la comprensione complessiva degli argomenti del corso, la capacità di esposizione chiara, corretta e sintetica, nonché l’acquisizione del linguaggio tecnico proprio della Theoretical Computer Science. Durante la prova orale sono inoltre valutate la capacità di analisi critica, il ragionamento autonomo e il livello di padronanza metodologica dei contenuti. La valutazione complessiva tiene conto della chiarezza, correttezza e completezza dell’esposizione.
Criteri di Misurazione dell’Apprendimento e Attribuzione del Voto Finale
La prova scritta varia tra 9 (gravemente insufficiente) e 24 (eccellente). A ciascun quesito è associato un peso intero positivo; indicando con W la somma dei pesi dei quesiti e con C la somma dei pesi delle risposte corrette, il punteggio della prova scritta è calcolato come: 9 + (15/W) × C. La prova orale varia tra 0 (gravemente insufficiente) e 8 (eccellente). La valutazione del modulo è ottenuta dalla somma del punteggio della prova scritta e della prova orale.
Per gli studenti che sostengono il modulo come esame singolo, il superamento dell’esame si ottiene con una votazione almeno pari a 18/30. In caso di votazione pari o superiore a 30/30, la Commissione può attribuire la lode.
Per gli studenti che sostengono entrambi i moduli di "Theoretical Computer Science", l’esame è superato se si consegue una votazione almeno pari a 18/30 in ciascun modulo. In tal caso, la valutazione complessiva è data dalla media aritmetica dei voti dei due moduli, arrotondata all’intero più vicino. Anche in questo caso, la Commissione può attribuire la lode qualora la valutazione complessiva sia pari o superiore a 30/30.
Appelli d’esame
Le date sono disponibili qui https://corsi.unical.it/lt-lmcu/informatica/calendariodegliesami/

THEORETICAL COMPUTER SCIENCE - COMPUTATIONAL COMPLEXITY
Metodi di Valutazione dell’Apprendimento
Per ogni appello, l'esame si articola in due prove congiunte sugli argomenti del programma: una scritta e una orale. La prima, della durata massima di 60 minuti, comprende quesiti a risposta multipla ed esercizi a risposta aperta. La seconda, di durata indicativa di 15 minuti, consiste nell’esposizione da parte dello studente, anche con l’ausilio di elaborazioni scritte, in risposta a specifiche domande aperte formulate dal docente.
Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'Art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370).
Nel caso di erogazione della didattica a distanza, l’esame consisterà in una prova orale/scritta utilizzando il software Microsoft Teams applicando gli stessi criteri di valutazione. Le modalità operative per la conduzione dell’eventuale esame on-line si basano sulle indicazioni definite dalle relative Linee Guida dell’Università della Calabria.
Criteri di Valutazione dell’Apprendimento
I quesiti a risposta multipla sono volti alla verifica delle conoscenze di base e della comprensione dei concetti fondamentali. Gli esercizi a risposta aperta consentono di valutare le competenze applicative e la capacità di risoluzione di problemi specifici, mediante l’uso appropriato degli strumenti teorici e metodologici acquisiti. La prova orale è finalizzata ad accertare la comprensione complessiva degli argomenti del corso, la capacità di esposizione chiara, corretta e sintetica, nonché l’acquisizione del linguaggio tecnico proprio della Theoretical Computer Science. Durante la prova orale sono inoltre valutate la capacità di analisi critica, il ragionamento autonomo e il livello di padronanza metodologica dei contenuti. La valutazione complessiva tiene conto della chiarezza, correttezza e completezza dell’esposizione.
Criteri di Misurazione dell’Apprendimento e Attribuzione del Voto Finale
La prova scritta varia tra 9 (gravemente insufficiente) e 24 (eccellente). A ciascun quesito è associato un peso intero positivo; indicando con W la somma dei pesi dei quesiti e con C la somma dei pesi delle risposte corrette, il punteggio della prova scritta è calcolato come: 9 + (15/W) × C. La prova orale varia tra 0 (gravemente insufficiente) e 8 (eccellente). La valutazione del modulo è ottenuta dalla somma del punteggio della prova scritta e della prova orale.
Per gli studenti che sostengono il modulo come esame singolo, il superamento dell’esame si ottiene con una votazione almeno pari a 18/30. In caso di votazione pari o superiore a 30/30, la Commissione può attribuire la lode.
Per gli studenti che sostengono entrambi i moduli di "Theoretical Computer Science", l’esame è superato se si consegue una votazione almeno pari a 18/30 in ciascun modulo. In tal caso, la valutazione complessiva è data dalla media aritmetica dei voti dei due moduli, arrotondata all’intero più vicino. Anche in questo caso, la Commissione può attribuire la lode qualora la valutazione complessiva sia pari o superiore a 30/30.
Appelli d’esame
Le date sono disponibili qui https://corsi.unical.it/lt-lmcu/informatica/calendariodegliesami/

Testi di riferimento

THEORETICAL COMPUTER SCIENCE - DECIDABILITY AND LOGICS
Libro di testo

  • Elaine A. Rich. Automata, Computability, and Complexity: Theory and Applications. Prentice Hall, 2008.

Libri consigliati

  • Carlo Ghezzi, and Dino Mandrioli. Informatica teorica. Città-Studi Edizioni, 1989.
  • Giorgio Ausiello, Fabrizio D'Amore, and Giorgio Gambosi. Linguaggi, Modelli, Complessità. Franco Angeli Editore, 2003.
  • Harry R. Lewis, and Christos H. Papadimitriou. Elements of the Theory of Computation (2nd Edition). Prentice-Hall, 1997.
  • J. Glenn Brookshear. Informatica - Una panoramica generale, 11/ed. Pearson Italia, 2010.

THEORETICAL COMPUTER SCIENCE - COMPUTATIONAL COMPLEXITY
Libro di testo

  • Elaine A. Rich. Automata, Computability, and Complexity: Theory and Applications. Prentice Hall, 2008.

Libri consigliati

  • Carlo Ghezzi, and Dino Mandrioli. Informatica teorica. Città-Studi Edizioni, 1989.
  • Giorgio Ausiello, Fabrizio D'Amore, and Giorgio Gambosi. Linguaggi, Modelli, Complessità. Franco Angeli Editore, 2003.
  • Harry R. Lewis, and Christos H. Papadimitriou. Elements of the Theory of Computation (2nd Edition). Prentice-Hall, 1997.
  • J. Glenn Brookshear. Informatica - Una panoramica generale, 11/ed. Pearson Italia, 2010.

Codice insegnamento 27006163

Algorithmic Game Theory 2° anno · 1° semestre · 6 CFU · INFO-01/A · 0 file

Competenze specifiche. Obiettivo primario del corso è quello di fornire un'adeguata conoscenza delle tecniche di definizioni di algoritmi utilizzabili per coordinare le azioni di agenti razionali e maliziosi.…

Scheda dell'insegnamento

Obiettivi formativi

Competenze specifiche.
Obiettivo primario del corso è quello di fornire un'adeguata conoscenza delle tecniche di definizioni di algoritmi utilizzabili per coordinare le azioni di agenti razionali e maliziosi.
Conoscenza e capacità di comprensione.
Gli studenti acquisiranno:

  • Conoscenza dei concetti base della teoria dei giochi
  • Conoscenza delle principali tecniche di mechanism design
  • Abilità nel progettare algoritmi per sistemi aperti e distribuiti in presenza di agenti maliziosi
  • Abilità nel modellare in termini informatici domini applicativi basati su distribuzione di risorse
    Capacità di applicare conoscenza e comprensione.
    Al termine del corso, gli studenti saranno in grado di analizzare sistemi complessi dalla prospettiva della teoria dei giochi, caratterizzandone gli equilibri e riuscendo a definire meccanismi algoritmici per il coordinamento degli agenti che lo popolano.
    Competenze trasversali.
    Capacita` critiche e di giudizio conseguite attraverso lo studio degli argomenti che vengono proposti durante il corso, lo sviluppo degli elaborati (esercizi e progetti), evidenziando capacita` di “problem solving”. In particolare saranno acquisiti:
  • Abilità nell'analisi e nella risoluzione dei problemi
  • Abilità nel trovare soluzioni alternative o innovative
  • Abilità nel lavoro di gruppo

Programma

Il corso mira a fornire conoscenza avanzate nell'ambito della algorithmic game theory, con particolare enfasi allo studio e al design di algoritmi per agenti razionali e "self-interested". Vengono introdotti modelli formali basati su teoria dei giochi, vengono analizzati differenti nozioni di equilibrio anche in riferimento alla complessità computazionale, e viene proposto il framework del mechanism design per definire algoritmi che siano robusti anche in presenza di agenti maliziosi.

1) Giochi e computazione

  • Soluzioni di giochi e aspetti di complessità
  • Graphical Games
  • La complessità del calcolo di equilibri di Nash

2) Algorithmic Mechanism Design

  • Introduzione al Mechanism Design
  • Meccanismi "senza pagamenti"
  • Aste combinatoriali
  • Divisione di costi

3) Quantificare l'inefficienza degli equilibri

  • Routing Games
  • Network Formation Games
  • Il prezzo dell'anarchia

4) Giochi cooperativi

  • Concetti base
  • Rappresentazioni
  • Formazione di coalizioni

Modalità d'esame

Metodi di valutazione dell'apprendimento:
La valutazione sarà condotta sulla base dello svolgimento di un progetto didattico. Gli studenti devono dimostrare di saper progettare una applicazione informatica che utilizzi reti neurali in task di machine learning.
Le modalità d'esame saranno inoltre adeguate alle particolari esigenze degli/delle studenti/studentesse con disabilità certificate ai sensi delle leggi 104/92 e 118/71 o con Disturbo specifico di apprendimento (DSA) certificato ai sensi della legge 170/2010), facendo riferimento alle indicazioni fornite dalla Delegata alle attività concernenti l’integrazione degli Studenti con disabilità e con disturbi specifici di apprendimento nell’Ateneo.

Criteri di Valutazione dell'apprendimento:
Il progetto mira alla verifica delle capacità di progettazione e implementazione di sistemi basati su reti neurali.

Criteri di misurazione dell'apprendimento ed attribuzione del voto finale:
L'esito del progetto è un giudizio espresso in trentesimi.

Testi di riferimento

Libro di testo

  • Noam Nisan, Tim Roughgarden, Eva Tardos, and Vijay Vazirani, Algorithmic Game Theory - Cambridge University Press

Codice insegnamento 27008537

Big Data Analytics 2° anno · 1° semestre · 6 CFU · INFO-01/A · 0 file

Il corso è finalizzato all’apprendimento delle tecniche per lo sviluppo di sistemi software che gestiscono grandi quantità di dati (Big Data) in ambienti eterogenei e distribuiti. Competenze specifiche: Lo studente…

Scheda dell'insegnamento

Obiettivi formativi

Il corso è finalizzato all’apprendimento delle tecniche per lo sviluppo di sistemi software che gestiscono grandi quantità di dati (Big Data) in ambienti eterogenei e distribuiti.
Competenze specifiche:
Lo studente acquisirà le seguenti competenze: Conoscenza degli aspetti fondazionali dei sistemi per big data; capacità di modellare, programmare, interrogare e implementare analisi e ragionamenti su grandi quantità di dati; Capacità di padroneggiare i principali linguaggi e strumenti per big data.

Competenze Trasversali:
Lo studente acquisirà abilità nel lavoro di gruppo.

Programma

Il corso e' finalizzato all’acquisizione di competenze e competenze nello sviluppo di sistemi software che gestiscono grandi quantità di dati (Big Data) in ambienti eterogenei e distribuiti.

1. Introduction to Big Data and AI-Native Analytics

  • Definition and characteristics of big data
  • The 5Vs of big data: volume, velocity, variety, veracity, value
  • Overview of the big data ecosystem: Hadoop, Spark, Kafka, Flink, NoSQL, cloud platforms
  • How LLMs, vector databases, and graph databases are changing data analytics

2. Data Storage and Management

  • Distributed file systems: HDFS and cloud object storage
  • NoSQL databases: MongoDB, Cassandra, key-value stores, column stores
  • Data warehouses and lakehouses (e.g., Hive, BigQuery)
  • Structured, semi-structured, and unstructured data
  • Data modeling for analytics
  • Metadata, data catalogs, lineage, and governance

3. Graph Databases and Graph Data Models

  • Why graphs matter in big data analytics
  • Graphs vs. relational databases
  • Property graphs and RDF graphs
  • Introduction to Neo4j and Cypher
  • Introduction to RDF and SPARQL
  • Modeling real-world domains as graphs (e.g., social networks, publications)

4. Distributed Data Processing Frameworks

  • MapReduce and Hadoop
  • Apache Spark and in-memory processing
  • Spark SQL and DataFrames
  • Stream processing with Kafka and Flink
  • Batch vs. stream processing
  • Scalable preprocessing for logs, documents, tables, and graph data
  • Preparing data for graph databases and retrieval systems

5. Graph Analytics at Scale

  • Large-scale graph processing
  • Graph algorithms: PageRank, shortest paths, connected components, centrality, community detection
  • Similarity and recommendation on graphs
  • Link prediction and graph embeddings
  • Graph analytics with Neo4j Graph Data Science, GraphX, and NetworkX
  • Use cases: fraud detection, recommendation systems, scientific networks, cybersecurity, knowledge discovery

6. Embeddings, Semantic Search, and Vector Databases

  • What embeddings are and why they matter
  • Similarity search and nearest-neighbor retrieval
  • Vector databases (e.g., FAISS, Pinecone, Qdrant, Chroma)
  • Indexing strategies: HNSW, IVF, product quantization
  • Hybrid search: keyword search + vector search

7. Retrieval-Augmented Generation

  • Why LLMs need retrieval
  • RAG architecture: ingestion, indexing, retrieval, generation
  • Chunking, metadata extraction, and document segmentation
  • Query rewriting and query expansion
  • Evaluating RAG systems: faithfulness, answer relevance, context precision, context recall
  • Tools and frameworks (e.g., LlamaIndex, Haystack)

8. GraphRAG and Graph-Enhanced Retrieval

  • Why vector search alone is limited
  • Graph neighborhoods, paths, and communities as retrieval contexts
  • Combining Neo4j and vector indexes
  • Hybrid retrieval: keyword search + vector search + graph traversal
  • Retrieval over entities, documents, metadata, and relationships
  • Local vs. global retrieval strategies
  • Applications (e.g., enterprise search, scientific literature, recommendation, fraud analysis)

9. Machine Learning and Deep Learning for Big Data

  • Scalable machine learning algorithms for big data
  • Distributed ML with Spark MLlib and PyTorch
  • A quick introduction to deep learning
  • Representation learning for text and graphs
  • Graph embeddings and graph neural networks
  • Classification, clustering, recommendation, and anomaly detection

10. Big Data Applications, Ethics, and Project Design

  • Case studies in healthcare, finance, IoT, smart cities, scientific data, and enterprise search
  • Graph databases for fraud detection, recommendations, and knowledge management

Modalità d'esame

Metodi di valutazione dell'apprendimento:
La valutazione avviene in due modalità alternative aperte a tutti gli studenti.
Modalità 1) svolgimento di un progetto didattico seguita da una prova orale; Modalità 2) uno scritto (al più 5 ore) da svolgere al computer seguito da un esame orale.
In entrambe le modalità gli studenti devono dimostrare di avere la capacità di saper applicare i principi dell'ingegneria del software orientata agli oggetti;

"Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370)."

Criteri di Valutazione dell'apprendimento:
Il progetto e lo scritto hanno mirano alla verifica delle capacità progettuali e implementate, la prova orale mira a verificare la conoscenza teorica degli argomenti trattati durante il corso.

Criteri di misurazione dell'apprendimento ed attribuzione del voto finale:
L'esito dello scritto o del progetto è un giudizio (Ottimo=20, Buono=16, Sufficiente=12, Non superato). Si accede alla prova orale se l'esito non è non superato.
L'esito della prova orale è in decimi, si supera la prova se il voto è superiore a 6. L'esame è superato se entrambe le prove sono superate.
L'esito dell'esame (in trentesimi) si ottiene da una somma pesata dei risultati ottenuti nelle prove parziali.

Testi di riferimento

Libri di testo

  • Guy Harrison “Next Generation Databases”, Springer
  • Chuck Lam “Hadoop in Action”, Manning
  • Mahmoud Parsian “Data Algorithms - recipes for scaling up with hadoop and spark”, O’Really

Libri consigliati

  • Bhushan Lakhe “Practical Hadoop Migration”, Springer
  • Nathan Marz and James Warren “Big Data Principles and best practices of scalable realtime data systems”, Manning
  • https://hadoop.apache.org/docs/

Codice insegnamento 27009519

Business Game 2° anno · 2° semestre · 6 CFU · IEGE-01/A · 0 file

Il corso è finalizzato all’apprendimento delle tecniche per la creazione di impresa con particolare riferimento alle cosiddette imprese tecnologiche. Nella seconda parte viene stimolato, attraverso l’utilizzo del…

Scheda dell'insegnamento

Obiettivi formativi

Il corso è finalizzato all’apprendimento delle tecniche per la creazione di impresa con particolare riferimento alle cosiddette imprese tecnologiche. Nella seconda parte viene stimolato, attraverso l’utilizzo del Business Game, l’approccio critico sulle principali tematiche del general management e sul tema del contributo delle aree aziendali al valore di impresa. Competenze specifiche Conoscenza e comprensione (Descrittore di Dublino 1) Conoscenza degli elementi fondamentali per la redazione di un piano di marketing Conoscenza degli elementi fondamentali per la redazione di un piano di organizzazione di una nuova impresa Conoscenza degli elementi fondamentali per la redazione di un piano economico-finanziario Capacità di applicare conoscenza e comprensione (Descrittore di Dublino 2) Abilità di analisi approfondita di impresa dal punto di vista strategico e dal punto di vista economico-finanziario Competenze trasversali Autonomia di giudizio (Descrittore di Dublino 3) Abilità di analizzare e sintetizzare informazioni al fine di definire le strategie aziendali Abilità di formulare giudizi in autonomia sulla situazione aziendale propria e dei competitor (virtuali) Abilità di essere intraprendenti nel formulare la propria linea di sviluppo strategico Abilità comunicative (Descrittore di Dublino 4) Abilità di team working, sviluppata attraverso il business game, in cui si compete in gruppi

Programma

Il corso tratta il tema della creazione di impresa con particolare riferimento alle cosiddette imprese tecnologiche. Vengono affrontate, in termini critici, le principali tematiche del general management e della creazione del valore di impresa attraverso l’utilizzo del Business Game.

Opportunità di impresa e strategia

  • Opportunità di business
  • Vision e business model
  • Strategia e innovazione
  • Casi di studio

Il business plan

  • Storia dell’impresa e business plan
  • Piano di marketing
  • Piano dell’organizzazione
  • Casi di studio
  • Piano economico-finanziario
  • I prospetti di bilancio e le previsioni economico-finanziarie
  • Fonti di finanziamento e finanziamento dell’innovazione
  • Casi di studio

Business Game

  • Business simulations e formazione
  • Il modello economico del General Management Business Game
  • Valore di impresa e valore degli intangibili
  • Regole (manuale) e scenario di simulazione
  • Round di prova
  • Debriefing
  • Round di gioco
  • Debriefing di periodo
  • Round di gioco
  • Debriefing di periodo
  • Debriefing finale
  • Presentazione finale team vincitore

Modalità d'esame

Metodi di valutazione dell’apprendimento
La valutazione dell’apprendimento è effettuata considerando:

  • il punteggio ottenuto nel Business Game
  • la valutazione del report scritto elaborato da ogni gruppo partecipante al gioco
  • il punteggio del test finale
    Nel caso in cui, per motivi di sicurezza sanitaria, l'esame dovesse essere effettuato a distanza saranno adottate le modalità di valutazione riportate qui:
    https://informatica.unical.it/onlineexamsguidelines

Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370).

Criteri di valutazione dell’apprendimento
Il Business Game, utilizzato durante il corso, ha l’obiettivo di trasmettere sia competenze specifiche che competenze trasversali. Il report da elaborare durante lo svolgimento del game richiede agli studenti capacità di sintesi e di comunicazione scritta. Il test finale è un test scritto, si compone di domande a risposta multipla e domande aperte e ha l’obiettivo di valutare le competenze specifiche. La durata del test finale è pari a 1,5 ore.

Criteri di misurazione dell’apprendimento e attribuzione del voto finale
Il punteggio ottenuto nel Business Game e il report scritto determina un voto uguale per ogni componente del gruppo. Il test finale singolo determina un voto singolo. Il voto finale per lo studente è ottenuto dalla media pesata dei voti conseguiti nelle prove descritte. Il peso del test finale scritto è pari al 60%.

Testi di riferimento

Libri di testo:

  • Dispense fornite dal docente
  • Manuale del General Management Business Game

Libri consigliati:

  • Byers T.H., Dorf R.C., Nelson A.J., Technology Ventures: from idea to enterprise 4th edition, McGraw-Hill

Codice insegnamento 27000275

Cyber Offense And Defense 2° anno · 1° semestre · 6 CFU · INFO-01/A · 0 file

Il corso mira ad introdurre i concetti matematici usati negli algoritmi più comuni utilizzati nella crittografia. Competenze specifiche: Conoscenza di nozioni di base dell’Algebra (gruppi, anelli e campi) e della…

Scheda dell'insegnamento

Obiettivi formativi

Il corso mira ad introdurre i concetti matematici usati negli algoritmi più comuni utilizzati nella crittografia.
Competenze specifiche:
Conoscenza di nozioni di base dell’Algebra (gruppi, anelli e campi) e della crittografia.

Programma

Il corso presenta diversi tipi di attacco informatico e strategie per la loro mitigazione.

1) Server-side topics

  • Injection flaws
  • Authentication and authorization
  • Path traversal, server-side request forgery and business logic vulnerabilities
    2) Client-side topics
  • Cross-site scripting
  • Cross-site request forgery
  • Cross-origin resource sharing
  • Clickjacking
    3) Advanced topics
  • Insecure deserialization
  • Server-side template injection
  • OAuth authentication and JWT

Modalità d'esame

Metodi di valutazione dell'apprendimento:
La valutazione consiste di un esame di 3 ore svolto in laboratorio che prevede un questionario a risposta multipla, esercizi a risposta aperta ed esercizi al computer.
Nel caso in cui, per motivi di sicurezza sanitaria, l'esame dovesse essere effettuato a distanza saranno adottate le modalità di valutazione riportate qui: https://informatica.unical.it/onlineexamsguidelines

Le modalità d'esame saranno inoltre adeguate alle particolari esigenze degli/delle studenti/studentesse con disabilità certificate ai sensi delle leggi 104/92 e 118/71 o con Disturbo specifico di apprendimento (DSA) certificato ai sensi della legge 170/2010), facendo riferimento alle indicazioni fornite dalla Delegata alle attività concernenti l’integrazione degli Studenti con disabilità e con disturbi specifici di apprendimento nell’Ateneo.
Criteri di Valutazione dell'apprendimento:
Il questionario mira alla verifica delle conoscenze di base (sapere). Gli esercizi mirano alla verifica delle conoscenze pratiche (saper fare).

Criteri di misurazione dell'apprendimento ed attribuzione del voto finale:
L’esito dell’esame, in trentesimi, si ottiene sommando i punteggi ottenuti nello svolgimento dei singoli esercizi che la compongono.

Testi di riferimento

Libri di testo

  • Computer Security: Principles and Practice, Global Edition - Stallings William and Brown Lawrie - Pearson
  • Sicurezza dei computer e delle reti - Stallings William – Pearson
  • Crittografia - Stallings William – Pearson
  • Kali Linux Penetration Testing Bible - Gus Khawaja – Wiley
  • Bug Bounty Bootcamp – Vickie Li – No Starch Press

Codice insegnamento 27008777

Neurosymbolic Ai 2° anno · 1° semestre · INFO-01/A · 0 file

FOUNDATIONS OF NEUROSYMBOLIC AI Lo studente acquisirà i principi di base dell’intelligenza artificiale neurosimbolica che prevedono l’utilizzo congiunto di formalismi di AI simbolica e subsimbolica. E’ prevista…

Scheda dell'insegnamento

Obiettivi formativi

FOUNDATIONS OF NEUROSYMBOLIC AI
Lo studente acquisirà i principi di base dell’intelligenza artificiale neurosimbolica che prevedono l’utilizzo congiunto di formalismi di AI simbolica e subsimbolica. E’ prevista l’acquisizione di competenze pratiche sviluppando casi di studio nell’attività laboratoriale.
Competenze specifiche:
Capacità e competenza nello sviluppo di applicazioni che si basano sulla combinazione di AI simbolica e subsimbolica.
Competenze Trasversali:
Lo studente acquisirà abilità nell'analisi e nella risoluzione dei problemi e abilità nel lavoro di gruppo.

LLM LAB
Lo studente acquisirà i principi di base dell’intelligenza artificiale neurosimbolica che prevedono l’utilizzo congiunto di LLM e formalismi di AI simbolica. E’ prevista l’acquisizione di competenze pratiche sviluppando casi di studio nell’attività laboratoriale.
Competenze specifiche:
Capacità e competenza nello sviluppo di applicazioni che si basano sulla combinazione di LLM e AI simbolica.
Competenze Trasversali:
Lo studente acquisirà abilità nell'analisi e nella risoluzione dei problemi e abilità nel lavoro di gruppo.

Programma

FOUNDATIONS OF NEUROSYMBOLIC AI
Il corso tratta i principi di base dello sviluppo dei sistemi di intelligenza artificiale neurosimbolica. Da un punto di vista applicativo sono introdotte le metodologie e i framework di sviluppo più diffusi in questo campo.

Introduction to Neurosymbolic AI and fundamental notions
What is NESY?
Foundation of logics (First order, propositional logics, Answer Set Programming)
Neural networks (basics and introduction to transformers)
Introduction to Large Language Models (LLMs)
Main Neurosymbolic approaches
NESY Architecture and Types
Overview of NESY formalisms (one per type)
Probabilistic logic + neural networks
Answer Set Programming + neural networks
Combining neural networks and symbolic solvers and vice versa (semantic loss, neural solvers, heuristics, etc)
Combining LLMs with logic-based techniques (semantic parsing, rule learning, robust question answering)
NESY Tools and Frameworks
Solvers for symbolic AI
Pytorch
Examples of Combination of neural networks and symbolic solvers (Probabilistic logic+NN, NeurASP, Differentiable evaluation of logic programs, etc.)

LLM LAB
Il corso tratta i principi di base delle combinazioni di LLM con AI simbolica. Da un punto di vista applicativo sono introdotte le metodologie e i framework di sviluppo più diffusi in questo campo.

Motivtion for Neurosymbolic AI and LLM interaction.
What Machine Learning does well.
What Machine Learning does not do so well
What LLMs do well and where they fail
Necessity of a logical control theory for Machine Learning and LMS
Obtaining Precise Data from LLMs:
Psychoanalysis of LLMs: understanding the reasons of LLM failures
Intelligent prompting methods I: Problem dacompositions, chain-of-thaught (COT), multishot prompting
Intelligent prompting methods II: Result order comparison prompts, list dig-in prompts, and other types of prompts
Automated inconsistency detection and resolution
Retrieval Augmented Generation (RAG) and use of various resources
Classica RAG
Set -expansion based RAG
Use of external data and knowledge resources
Use of explicit knowledge bases and reasoning
Building LLM-based Automated Data Tools
Programing languages for interacting with LLMS (e.g. LangChain)
Automated prompt generation
Automated answer analysis
Ontaining and aggregating fuzzy certainty degrees for inferred data
Systems architecture
An example: Chat2Data

Modalità d'esame

FOUNDATIONS OF NEUROSYMBOLIC AI
Metodi di valutazione dell'apprendimento:
La valutazione avviene in due modalità alternative aperte a tutti gli studenti.
Modalità 1) svolgimento di un progetto didattico seguita da una prova orale; Modalità 2) uno scritto (al più 5 ore) da svolgere al computer seguito da un esame orale.
In entrambe le modalità gli studenti devono dimostrare di avere la capacità di saper applicare i principi dell'ingegneria del software orientata agli oggetti;
Nel caso in cui, per motivi di sicurezza sanitaria, l'esame dovesse essere effettuato a distanza saranno adottate le modalità di valutazione riportate qui:
https://informatica.unical.it/onlineexamsguidelines

Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370).

Criteri di Valutazione dell'apprendimento:
Il progetto e lo scritto hanno mirano alla verifica delle capacità progettuali e implementate, la prova orale mira a verificare la conoscenza teorica degli argomenti trattati durante il corso.

Criteri di misurazione dell'apprendimento ed attribuzione del voto finale:
L'esito dello scritto o del progetto è un giudizio (Ottimo=20, Buono=16, Sufficiente=12, Non superato). Si accede alla prova orale se l'esito non è non superato.
L'esito della prova orale è in decimi, si supera la prova se il voto è superiore a 6. L'esame è superato se entrambe le prove sono superate.
L'esito dell'esame (in trentesimi) si ottiene da una somma pesata dei risultati ottenuti nelle prove parziali.

LLM LAB
Metodi di valutazione dell'apprendimento:
La valutazione avviene in due modalità alternative aperte a tutti gli studenti.
Modalità 1) svolgimento di un progetto didattico seguita da una prova orale; Modalità 2) uno scritto (al più 5 ore) da svolgere al computer seguito da un esame orale.
In entrambe le modalità gli studenti devono dimostrare di avere la capacità di saper applicare i principi dell'ingegneria del software orientata agli oggetti;
Nel caso in cui, per motivi di sicurezza sanitaria, l'esame dovesse essere effettuato a distanza saranno adottate le modalità di valutazione riportate qui:
https://informatica.unical.it/onlineexamsguidelines

Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370).

Criteri di Valutazione dell'apprendimento:
Il progetto e lo scritto hanno mirano alla verifica delle capacità progettuali e implementate, la prova orale mira a verificare la conoscenza teorica degli argomenti trattati durante il corso.

Criteri di misurazione dell'apprendimento ed attribuzione del voto finale:
L'esito dello scritto o del progetto è un giudizio (Ottimo=20, Buono=16, Sufficiente=12, Non superato). Si accede alla prova orale se l'esito non è non superato.
L'esito della prova orale è in decimi, si supera la prova se il voto è superiore a 6. L'esame è superato se entrambe le prove sono superate.
L'esito dell'esame (in trentesimi) si ottiene da una somma pesata dei risultati ottenuti nelle prove parziali.

Testi di riferimento

FOUNDATIONS OF NEUROSYMBOLIC AI
Text books

  • Paulo Shakarian, Chitta Baral, Gerardo I. Simari, Bowen Xi, Lahari Pokala: Neuro Symbolic Reasoning and Learning. Springer Briefs in Computer Science, Springer 2023, ISBN 978-3-031-39178-1, pp. 1-119
  • Pascal Hitzler, Md. Kamruzzaman Sarker, Aaron Eberhart: Compendium of Neurosymbolic Artificial Intelligence. Frontiers in Artificial Intelligence and Applications 369, IOS Press 2023, ISBN 978-1-64368-406-2
  • Dispense, slides, articoli scientifici e altro materiale fornito dal docente
    Suggested Books:
  • Pascal Hitzler, Md. Kamruzzaman Sarker: Neuro-Symbolic Artificial Intelligence: The State of the Art. Frontiers in Artificial Intelligence and Applications 342, IOS Press 2021, ISBN 978-1-64368-244-0

LLM LAB

  • Dispense, slides, articoli scientifici e altro materiale fornito dal docente
    Topsakal, Oguzhan, and Tahir Cetin Akinci. "Creating large language model applications utilizing langchain: A primer on developing llm apps fast." International Conference on Applied Engineering and Natural Sciences. Vol. 1. No. 1. 2023
    Altri articoli (correntemente in preparazione) verranno indicati dal docente..

Codice insegnamento 27009516

Optimization For Machine Learning 2° anno · 1° semestre · 6 CFU · MATH-06/A · 0 file

Competenze specifiche: Obiettivo primario del corso è quello di fornire un'adeguata conoscenza dei modelli e delle tecniche di ottimizzazione per il machine learning. a) Conoscenze e capacità di comprensione:…

Scheda dell'insegnamento

Obiettivi formativi

Competenze specifiche:
Obiettivo primario del corso è quello di fornire un'adeguata conoscenza dei modelli e delle tecniche di ottimizzazione per il machine learning.

a) Conoscenze e capacità di comprensione:

  • competenze di base sulla programmazione non lineare, utile nei problemi di machine learning
  • conoscenza dei principali modelli non lineari di ottimizzazione per il machine learning.

b) Capacità di applicare conoscenza e comprensione:
Al termine del corso, gli studenti saranno in grado di costruire modelli di ottimizzazione per la risoluzione di problemi di machine learning e di risolverli tramite software specifici.

Competenze trasversali:
a) Autonomia di giudizio

  • capacita` critiche e di giudizio conseguite attraverso lo studio degli argomenti che vengono proposti durante il corso, evidenziando capacita` di “problem solving”.
  • Abilità nell'analisi dei problemi complessi nell'ambito del machine learning.

b) Abilità comunicative

  • capacità di spiegare come affrontare problemi di ottimizzazione nell'ambito del machine learning;
  • capacità di lavorare in gruppo per risolvere problemi di ottimizzazione nell'ambito del machine learning.

Programma

Il corso si pone l’obiettivo di introdurre gli studenti all'uso dell'ottimizzazione numerica per risolvere problemi di Machine Learning. Gli argomenti trattati sono i seguenti: cenni sull'ottimizzazione non lineare, classificazione supervisionata, cenni sulla classificazione non supervisionata, classificazione semisupervisionata, cenni sui problemi di multiple instance learning, uso di software di ottimizzazione per il Machine Learning.

LEZIONI (32 ore)

A. Fondamenti di Machine Learning (2 ore)

  • Introduzione al Machine Learning
  • Problemi di classificazione
  • Valutazione dei classificatori

B. Ottimizzazione non lineare (8 ore)

  • Convessità
  • Minimi locali e globali
  • Condizioni di ottimalità
  • Metodo del gradiente
  • Metodo di Newton
  • Ricerca lineare
  • Problemi di ottimizzazione vincolata

C. Classificazione supervisionata e model selection (8 ore)

  • Separabilità lineare
  • Support Vector Machine
  • Kernel methods
  • Cross validation
  • Model selection
  • Separabilità poliedrale
  • Separabilità sferica

D. Classificazione non supervisionata (4 ore)

  • Problemi di clustering
  • Modelli di ottimizzazione per il clustering
  • Clustering tramite il problema dei trasporti

E. Classificazione semisupervisionata (4 ore)

  • Transductive Support Vector Machine
  • Modelli semisupervisionati

F. Multiple Instance Learning (6 ore)

  • Introduzione al Multiple Instance Learning
  • Instance-space methods
  • Bag-space methods
  • Embedding-space methods
  • Modelli SVM e PSVM

ESERCITAZIONI (12 ore)

A. Programmazione non lineare (7 ore)
B. Model selection e homework (5 ore)

LABORATORIO (12 ore)

A. Utilizzo di Octave per il Machine Learning (4 ore)

  • Introduzione all’ambiente Octave
  • Gestione dei dataset

B. Implementazione di algoritmi di classificazione (4 ore)

  • Implementazione di classificatori supervisionati
  • Esperimenti numerici

C. Analisi computazionale dei risultati (4 ore)

  • Interpretazione dei risultati numerici
  • Confronto tra differenti approcci di classificazione

Modalità d'esame

La valutazione dell’apprendimento si articola in:

  • sviluppo di un project work individuale o di gruppo;
  • prova orale finale.

Il project work consiste nella formulazione, implementazione e analisi di un problema di Machine Learning affrontato mediante tecniche di ottimizzazione numerica. Il progetto prevede:

  • analisi del problema;
  • implementazione computazionale;
  • analisi e discussione dei risultati sperimentali.

Il progetto viene presentato oralmente mediante discussione tecnica supportata da materiale digitale.
La prova orale consiste in domande aperte sugli argomenti trattati nel corso, finalizzate a verificare:

  • conoscenza teorica dei modelli di ottimizzazione;
  • conoscenza di elementi di programmazione non lineare;
  • capacità di formulazione matematica;
  • comprensione degli algoritmi studiati;
  • capacità di analisi critica dei risultati computazionali.

Le modalità d’esame saranno adeguate alle esigenze degli studenti con disabilità o DSA secondo la normativa vigente.
Criteri di Valutazione dell’Apprendimento
Il project work mira a valutare:

  • capacità di modellazione;
  • competenze implementative;
  • correttezza metodologica;
  • autonomia nell’analisi dei risultati.

La prova orale valuta:

  • padronanza dei contenuti teorici;
  • correttezza del linguaggio scientifico;
  • capacità di collegamento tra gli argomenti;
  • chiarezza espositiva.

Criteri di Misurazione dell’Apprendimento e Attribuzione del Voto Finale
La valutazione finale è espressa in trentesimi.
Il voto finale è ottenuto mediante media ponderata:

  • progetto: 20%;
  • prova orale: 80%.

Per superare l’esame è necessario conseguire una valutazione minima pari a 18/30.
L’attribuzione della lode richiede:

  • eccellente padronanza teorica;
  • autonomia critica;
  • elevata qualità progettuale e implementativa.

Appelli d’esame
Gli appelli sono pubblicati sul portale ufficiale del Corso di Studio.

Testi di riferimento

Libro di testo :

  • Appunti forniti dal docente
    Libri consigliati :
  • J. Nocedal, S.J. Wright – Numerical Optimization – Springer, 2006.
  • M. Swamynathan - Mastering Machine Learning with Python in Six Steps - Apress, 2017.
  • I.H. Witten, E. Frank - Data Mining: Practical Machine Learning Tools and Techniques - Elsevier, 2005. - T.M. Mitchell - Machine Learning - McGraw-Hill, 1997.
  • F. Herrera, S. Ventura et al. - Multiple Instance Learning: Foundations and Algorithms - Springer, 2016.
  • D.G. Luenberger, Y. Ye - Linear and Nonlinear Programming - Springer, 2016.
  • C. M. Bishop - Pattern recognition and Machine Learning - Springer, 2006.

Codice insegnamento 27007799

Thesis 2° anno · 18 CFU · 0 file
Training 2° anno · 6 CFU · 0 file
Augmented Reality And Metaverse 2° semestre · 6 CFU · IIND-03/B · 0 file
Cyberchallenge Annuale · 6 CFU · INF/01 · 0 file
Virtual Reality 1° semestre · 6 CFU · INF/01 · 0 file

Recensioni del corso

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

★

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