L’unità didattica di Advanced Computer Science for Physics mira a fornire agli studenti la capacità di analizzare problemi, progettare algoritmi per la loro soluzione e implementarli in Python 3 con il supporto di…
Scheda dell'insegnamento
Obiettivi formativi
L’unità didattica di Advanced Computer Science for Physics mira a fornire agli studenti la capacità di analizzare problemi, progettare algoritmi per la loro soluzione e implementarli in Python 3 con il supporto di strumenti avanzati basati sull’intelligenza artificiale.
RISULTATI DI APPRENDIMENTO ATTESI
Conoscenza e capacità di comprensione:
- principi della programmazione strutturata e orientata agli oggetti in Python;
- principi dell’intelligenza artificiale;
- programmazione assistita dall’intelligenza artificiale.
Capacità di applicare conoscenza e comprensione:
- progettare e scrivere algoritmi in Python;
- capacità di svolgere compiti tecnici definiti, quali modellizzazione matematica, algoritmica e computazionale;
- capacità di utilizzare strumenti computazionali basati sull’intelligenza artificiale per risolvere problemi teorici e applicativi;
- capacità di lavorare in gruppo e in autonomia, facendo uso appropriato delle competenze matematiche, computazionali e informatiche acquisite.
Competenze trasversali: attraverso lo studio degli argomenti proposti nel corso e lo sviluppo delle esercitazioni di laboratorio, ci si attende che gli studenti sviluppino capacità di lavoro in gruppo e creatività.
Autonomia di giudizio:
- analisi e risoluzione di problemi;
- capacità di individuare soluzioni alternative e/o innovative.
Abilità comunicative:
capacità di discutere, sia in forma orale sia in forma scritta, metodi e idee di natura algoritmica e computazionale.
Capacità di apprendimento:
- acquisizione di adeguate competenze computazionali e informatiche, con particolare riferimento a Python e agli strumenti di sviluppo;
- conoscenza di specifiche tecniche di programmazione assistita dall’intelligenza artificiale e di software basati sull’intelligenza artificiale.
Programma
Progettazione e scrittura di algoritmi in Python. Introduzione agli strumenti di supporto alla programmazione basati sull’intelligenza artificiale. Design pattern di alto livello per la programmazione orientata agli oggetti in Python. Breve introduzione alle reti neurali artificiali e alla loro implementazione.
- Introduzione alla programmazione in Python assistita dall’intelligenza artificiale . Ambiente di programmazione Python; interprete Python; Jupyter Notebook; costrutti linguistici di base; tipi scalari; strutture di controllo; funzioni; script e notebook.
- Introduzione all’intelligenza artificiale e agli strumenti di programmazione assistita dall’IA . Elementi introduttivi di intelligenza artificiale; motivazioni dell’attuale rilevanza dell’IA; funzionamento degli strumenti di programmazione assistita dall’IA, quali ChatGPT Codex e GitHub Copilot. Uso degli assistenti IA per la generazione, la spiegazione, il debugging, il refactoring del codice e il supporto all’apprendimento.
- Programmazione orientata agli oggetti e progettazione software in Python. Programmazione strutturata e progettazione software in Python. Funzioni e programmazione modulare; input/output; eccezioni; strutture dati integrate; liste, dizionari, tuple, insiemi; gestione dei file; testing e debugging. Uso di strumenti IA per generare, spiegare, migliorare e testare funzioni Python, mantenendo la responsabilità del programmatore rispetto alla correttezza del codice. Classi e oggetti; attributi e metodi; incapsulamento; ereditarietà; polimorfismo; composizione di oggetti; gestione di più oggetti interagenti; memoria e riferimenti agli oggetti. Uso degli assistenti IA a supporto della progettazione di classi, del refactoring del codice e della documentazione.
- Uso responsabile ed efficace degli strumenti IA per la programmazione. Strategie di prompting per compiti di programmazione; decomposizione di problemi computazionali; flussi di interazione con assistenti IA; verifica del codice generato; individuazione di codice allucinato o non corretto; riproducibilità; documentazione dello sviluppo supportato dall’IA; questioni etiche e di integrità accademica nella programmazione assistita dall’IA. Uso degli strumenti IA a supporto della spiegazione, dell’implementazione e del debugging di algoritmi.
- Elementi di reti neurali artificiali e deep learning. Struttura di base delle reti neurali; neuroni; livelli; funzioni di attivazione; funzioni di perdita; addestramento e validazione. Implementazione di semplici modelli neurali in Python. Discussione dei suggerimenti generati dall’IA nello sviluppo di codice per reti neurali.
- Sviluppo e discussione del progetto finale. Progettazione, implementazione, documentazione e discussione critica di un progetto computazionale basato su Python, eventualmente supportato da strumenti IA per la programmazione.
Modalità d'esame
Metodi di verifica dell’apprendimento
Gli studenti saranno valutati sulla base di un progetto e di un esame orale. Il progetto consisterà nella progettazione e implementazione di un modello di rete neurale finalizzato alla risoluzione di compiti di machine learning. Il codice sorgente completo utilizzato per l’implementazione del progetto dovrà essere reso disponibile 5 giorni prima dell’esame orale.
L’esame orale è articolato in due parti, ciascuna della durata indicativa di 15-20 minuti. La prima parte prevede la presentazione del progetto da parte dello studente; segue una discussione durante la quale saranno poste domande relative sia al progetto sia agli argomenti trattati nel corso.
Le modalità d’esame saranno adattate alle specifiche esigenze degli studenti con disabilità certificata ai sensi delle Leggi 104/1992 e 118/1971, o con disturbi specifici dell’apprendimento certificati ai sensi della Legge 170/2010, con riferimento all’articolo 9 del “Regolamento per l’inclusione e il diritto allo studio degli studenti con disabilità o con DSA” emanato con Decreto Rettorale del 1° marzo 2022, n. 370.
Criteri di verifica dell’apprendimento
Il progetto e l’esame orale finale mirano a valutare il livello di conseguimento delle competenze specifiche previste dal corso, verificando l’uso corretto del linguaggio tecnico, la capacità di analisi critica dei problemi e il livello di conoscenza dei metodi. La valutazione terrà conto della correttezza, della chiarezza e della completezza nella discussione degli argomenti.
Criteri di verifica dell’apprendimento e attribuzione del voto finale
La valutazione finale dell’esame è espressa in trentesimi. Il voto complessivo sarà determinato considerando la qualità e l’originalità del progetto (10/30), la chiarezza e la completezza della presentazione del progetto (10/30), nonché la comprensione dei concetti e delle metodologie fondamentali dimostrata durante la discussione orale (10/30).
Appelli d'esame: https://fisica.unical.it/didattica/iscriversi-studiare-laurearsi/bacheca-corsi-di-studio/calendarioesami/
Testi di riferimento
Porter, Leo. Learn AI-assisted Python Programming: With GitHub Copilot and ChatGPT. Simon and Schuster, 2024.
Python Basics: A Practical Introduction to Python 3 by Amos, David; Bader, Dan; Jablonski, Joanna; Heisler, Fletcher, Published by Real Python (2021), ISBN 10: 1775093328 ISBN 13: 9781775093329
Object-Oriented Python by Irv Kalb, Released January 2022, Publisher(s): No Starch Press, ISBN: 9781718502062
Classic Computer Science Problems in Python by David Kopec, Released March 2019, Publisher(s): Manning Publications, ISBN: 9781617295980
Codice insegnamento 27008463