Data Science, Calcolo Scientifico & Intelligenza Artificiale

Lo scopo di questo corso è quello di introdurre gli studenti alla progettazione, all'analisi e alla sperimentazione di algoritmi efficienti per l'analisi dei dati, attraverso la sperimentazione e lo sviluppo di algoritmi per grafi. L'apprendimento e lo sviluppo in Python di algoritmi per grafi sarà un'occasione per sviluppare le abilità di problem solving e di programmazione, imparando a usare moduli Python finalizzati all'analisi dei dati. Alla fine del corso gli studenti avranno una buona conoscenza delle problematiche computazionali e delle tecniche algoritmiche necessarie per un calcolo efficiente, saranno in grado di formulare e risolvere problemi legati all'analisi dei dati e di valutare le possibili soluzioni sia in termini di semantica che di efficienza.

Analisi degli Algoritmi e Complessità Computazionale. Introduzione a moduli Python per l'analisi dei dati e di grafi. Sviluppo di algoritmi efficienti per grafi di grandi dimensioni.

Consegna di un progetto con relativa discussione più orale. La consegna di un progetto che rispetti la specifica è condizione necessaria per essere ammessi all'orale. Lo scopo del progetto è verificare la capacità di sviluppare in autonomia algoritmi e applicarli in pratica su un dataset dato di grandi dimensioni in modo asincrono. Nella prova orale verrà valutata la conoscenza degli argomenti presentati a lezione, l'acquisizione del linguaggio tecnico adeguato al contesto, la capacità di mettere in relazione fra loro argomenti diversi del programma, la comprensione del funzionamento degli algoritmi visti a lezione, la capacità e la velocità nel progettare soluzioni efficienti per problemi nuovi.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

Think Python: How to Think Like a Computer Scientist by Allen B. Downey
Beijing: O'reilly Media
Problem Solving With Algorithims and Data Structures Using Python, 2nd edition, By Brad Miller and David Ranum
Franklin Beedle & Assoc
Piattaforma Interattiva (libera traduzione dei libri sopra con materiale e esercizi addizionali):

• http://www.andreamarino.it/python/thinkcspy/toc.html#t-o-c
• http://www.andreamarino.it/python/pythonds/ Slide e dispense del corso distribuite su Moodle.

L'insegnamento si propone di fornire agli studenti le nozioni di base per la comprensione teorica e l'applicazione dei metodi numerici per il Computer Aided Geometric Design, con particolare riferimento a curve e superfici parametriche in forma di Bézier e B-spline e relativi algoritmi di modellizzazione geometrica e approssimazione numerica.
Al termine dell'insegnamento, lo studente sarà in grado di:

• comprendere ed esporre la formulazione matematica dei problemi proposti e la relazione con la corrispondente soluzione numerica;
• comprendere ed esporre gli aspetti matematici che garantiscono l'efficienza e l'accuratezza dei metodi numerici;
• risolvere alcuni problemi test scrivendo programmi in Matlab che implementano i metodi studiati.

Rappresentazioni parametriche polinomiali e spline. Modelizzazione e approssimazione di curve e superfici. Estensioni al caso razionale. Introduzione a schemi di approssimazione spline adattativi. Data fitting: caso polinomiale e spline.

Durante il corso viene assegnato un argomento relativo alle tematiche del corso per la preparazione di un elaborato che preveda l'implementazione di algoritmi di modellizzazione geometrica e la loro sperimentazione numerica. La prova finale orale consiste in una serie di domande volte ad accertare la conoscenza degli aspetti matematici teorici dei metodi numerici. La valutazione, che tiene in considerazione i risultati del progetto assegnato e della prova orale, è centrata sulla verifica della conoscenza dei concetti matematici alla base dei metodi e della capacità di usarli per risolvere problemi applicativi.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

J. Hoschek and D. Lasser, "Fundamentals of Computer Aided Geometric
Design", translated from the original German edition by L.L. Schumaker,
A.K. Peters, Wellesley, MA, 1993.
G. Farin, "Curves and Surfaces for Computer Aided Geometric Design". A practical guide, Academic Press, Boston, MA, 1993.

1. Comprendere i concetti fondamentali del calcolo parallelo e come si applicano alle simulazioni di chimica inorganica.
2. Imparare a utilizzare le risorse di calcolo ad alte prestazioni (HPC) in modo efficace per eseguire simulazioni e analisi su larga scala.
3. Impara ad analizzare e interpretare i dati generati dalle simulazioni HPC di sistemi di chimica inorganica.
4. Comprendere i limiti e le sfide delle simulazioni HPC nella chimica inorganica e come progettare simulazioni che li superino.
5. Sviluppare buone pratiche per la gestione e l'organizzazione di simulazioni e dati su larga scala in chimica inorganica.
6. Collaborare con colleghi su progetti di gruppo per applicare i metodi HPC a specifici problemi di ricerca di chimica inorganica.
7. Comunicare in modo efficace sulle simulazioni HPC della chimica inorganica al pubblico scientifico in formato scritto e orale.
Descrittori di Dublino:
cc 15-16
ca 15-16
ag 1-5
ac 1-3
ap 1-2

Alla fine del corso, gli studenti dovranno avere le conoscenze di base necessarie per utilizzare delle tecniche computazionali in chimica e del loro utilizzo in ambito HPC. L'insegnamento si rivolge in particolare agli studenti interessati a intraprendere studi teorico computazionali in campi come la scienza dei materiali, la progettazione di farmaci e le scienze ambientali, in cui la chimica computazionale svolge un ruolo cruciale.

Il corso sarà suddiviso in due parti. Introduzione a HPC I: un'introduzione a HPC, inclusa una panoramica dell'hardware, del software e delle architetture di rete comunemente utilizzate in HPC.
Nella seconda parte del corso verranno descritti i fondamenti della teoria del funzionale densità (DFT) e la sua applicazione alla soluzione di problemi chimici inorganici. Verrà inoltre introdotta la teoria degli orbitali molecolari perturbativi.

Questo insegnamento pone l'attenzione alle applicazioni delle metodologie teorico-computazionali allo studio di problemi chimici. Verrà posta attenzione alle implementazioni di calcolo ad alte prestazioni (HPC). Il corso tratterà argomenti come la determinazione della struttura elettronica, la determinazione di proprietà di fasi condensata mediante simulazioni di dinamica molecolare classica e ab-initio e applicazioni di Machine Learning .

L'esame consiste in una discussione orale sugli argomenti trattati nel corso e sulla relazione dei risultati ottenuti su un sistema molecoalre. Verranno valutati il rigore e la chiarezza dell'esposizione, la capacità di inquadrare i vari argomenti nei rispettivi contesti e di collegarli tra loro.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

L'esame consiste in una discussione orale sugli argomenti trattati nel corso e/o nel discutere due prove pratiche.
Verranno valutati il rigore e la chiarezza dell'esposizione, la capacità di inquadrare i vari argomenti nei rispettivi contesti e di collegarli tra loro.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

• Orbital Interactions in chemistry. T.A. Albright, J.K. Burdett, M.-H. Whangbo
• Slide del corso

slides

Lo scopo di questo corso è introdurre gli studenti alle tecniche di analisi dati nel campo delle neuroscienze. Al termine dell’insegnamento lo studente avrà una buona conoscenza dei principali tipi di dati prodotti in questo ambito (neuroimaging, EEG, microscopia ottica ed elettronica); sarà in grado di scegliere le strutture dati e gli algoritmi più adatti per estrarre informazione rilevante nei diversi contesti applicativi; sarà in grado di valutare con autonomia di giudizio le limitazioni teoriche e pratiche delle diverse metodologie; sarà in grado di applicare le tecniche viste nel corso a problemi reali, adattando gli algoritmi e le strutture dati al caso specifico.

Il corso fornirà per prima cosa un’introduzione alla fisiologia e all’anatomia del sistema nervoso, seguita da una rassegna delle principali tecniche sperimentali di indagine usate nel campo. Saranno poi descritte le principali strutture dati e metodologie usate per l’analisi di dati spaziali e/o temporali in ambito neuroscientifico, partendo dall’enhancement del dato grezzo fino allo sviluppo di modelli per l’inferenza della connettività strutturale o funzionale.

La prova d’esame prevede che lo studente sviluppi in modo autonomo un piccolo progetto in cui dovrà analizzare, utilizzando metodi allo stato dell’arte, dati neuroscientifici presi da repositori pubblici o dalla letteratura. I risultati ottenuti sono quindi presentati in un piccolo seminario dove vengono discussi criticamente i limiti e le potenzialità delle metodologie usate. A partire dalle tematiche affrontate nel seminario, sarà quindi svolta un’interrogazione riguardo gli argomenti del corso. Saranno valutati la scelta degli strumenti di analisi, il rigore metodologico, la chiarezza espositiva, la capacità di inquadrare i risultati ottenuti nello stato dell’arte.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

Nylen e Wallisch, "Neural Data Science", Academic Press 2017.
Cohen, "Analyzing Neural Time Series Data: Theory and Practice", MIT press 2014

Conoscenze - Gli studenti acquisiranno una comprensione delle basi della manipolazione, dell'analisi e della visualizzazione dei dati e applicheranno algoritmi di apprendimento automatico per affrontare problemi complessi nelle scienze biochimiche.
Competenze - Gli studenti svilupperanno competenze pratiche nella gestione e nell'analisi dei dati, compreso l'uso di database e archivi di dati, nonché l'analisi dei big data.
Capacità - Gli studenti applicheranno le capacità di pensiero critico, di problem solving e di ragionamento scientifico per analizzare e interpretare i dati biologici e valutare l'accuratezza e l'affidabilità dei risultati di diversi approcci all'analisi di big data in biologia e chimica.

• Tecniche di visualizzazione dei dati e interpretazione dei dati biologici
• Algoritmi di apprendimento automatico
• Modelli di regressione lineare e regressione logistica
• Metodi di apprendimento supervisionato e non supervisionato, clustering e classificazione
• Riduzione della dimensionalità, selezione delle feature e analisi dei big data nelle scienze biochimiche
• Utilizzo di archivi di dati
• Gestione e condivisione dei dati

L'esame prevede il superamento di una singola prova orale. La prova orale verte su domande relative ai temi trattati a lezione e l'uso degli strumenti informatici mostrati durante il corso.
Per sostenere la prova è richiesta l'iscrizione all'esame sul sito web della didattica abilitato alla verbalizzazione elettronica. La lista viene
chiusa due giorni prima della data di appello. In funzione del numero di persone che si sono registrate all'appello potrà essere predisposto un calendario di date possibili, comunicato all'inizio dell'esame.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

Gli studenti impareranno a pensare in modo critico ai principi fondamentali della chimica e ad estrapolare l'osservabile chimico chiave per essere riprodotto/predetto da approcci di calcolo ad alte prestazioni o utilizzato per tecniche di analisi dei dati nell'esplorazione e nella comprensione dei sistemi chimici. Inoltre, gli studenti dovrebbero essere in grado di comunicare idee scientifiche in modo efficace utilizzando una terminologia e convenzioni scientifiche appropriate e saranno incoraggiati a lavorare in modo indipendente e ad assumersi la responsabilità del proprio apprendimento, compresa la gestione efficace del proprio tempo, la definizione di obiettivi e la ricerca di feedback e assistenza quando necessario. Alla fine del corso, gli studenti avranno una chiara idea delle questioni etiche e delle responsabilità associate alla ricerca scientifica, tra cui sicurezza, onestà e integrità.
Descrittori di Dublino:
cc 12
ca 12
ag 1-3
ac 1-2
ap 1

Questo corso di chimica generale funge da base essenziale per corsi avanzati di data science e informatica ad alte prestazioni incentrati su applicazioni scientifiche in biologia, chimica, fisica e geologia. Il corso copre i concetti fondamentali della chimica, tra cui la struttura atomica e molecolare, il legame chimico, la stechiometria semplice, la termodinamica, la cinetica e l'elettrochimica.

L'esame consiste in una prova orale. La prova orale prevede domande sugli argomenti in programma o la discussione di un progetto applicativo concordato con i docenti più due argomenti a scelta dello studente. Verranno valutati il ​​rigore e la chiarezza dell'esposizione, la capacità di inquadrare i vari argomenti nei rispettivi contesti e di collegarli tra loro.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

• CHIMICA Un approccio molecolare. N.J. Tro
• Orbital Interactions in chemistry. T.A. Albright, J.K. Burdett, M.-H. Whangbo
• Course slides

Al termine dell'insegnamento lo studente, in accordo con i Descrittori di Dublino:

• sa tradurre un algoritmo nel linguaggio Python;
• conosce le strutture dati fondamentali, ne ha compreso l'utilizzo, le possibili implementazioni e le operazioni fondamentali ed è in grado di valutare la complessità computazionale di tali operazioni;
• conosce gli algoritmi di ricerca e di ordinamento su memoria interna, e gli algoritmi di base sui grafi;
• ha compreso il funzionamento di tali algoritmi e lo sa riprodurre;
• sa calcolare la complessità computazionale dei suddetti algoritmi nel caso pessimo e nel caso medio;
• sa analizzare un problema;
• sa individuare e/o progettare le strutture dati e l'algoritmo più idonei a risolvere il problema ed al suo contesto applicativo;
• sa stimare il costo computazionale della soluzione proposta;
• sa implementare la soluzione in modo corretto ed efficiente;
• sa motivare le scelte fatte argomentandole ed utilizzando un linguaggio tecnico corretto;
• acquisisce conoscenze sul modello relazionale, l'algebra relazionale e i concetti di base del linguaggio SQL;
• acquisisce le competenze fondamentali per la progettazione di una base di dati relazionale e per l'utilizzo della stessa tramite un reale sistema per la gestione di basi di dati;
• sa tradurre uno schema relazionale, nonché le relative interrogazioni, in linguaggio SQL, anche confrontandosi in in gruppo di lavoro;
• ha la capacità di valutare criticamente basi di dati già progettate e/o implementate, ed eventualmente proporre modifiche atte a migliorarne la struttura.

Sviluppo di algoritmi di base e implementazione usando il linguaggio Python.
Rappresentazione delle informazioni: liste lineari, alberi, grafi. Algoritmi di ricerca e di ordinamento. Complessità degli algoritmi.
Sistemi di gestione di basi di dati: modello logico relazionale, operatori dell’algebra relazionale Introduzione alla teoria della normalizzazione. Il linguaggio SQL e la sua implementazione MySQL.

L'esame consiste di tre parti, di uguale importanza per la formulazione del giudizio finale.
Per quanto riguarda la programmazione è previsto lo svolgimento di un progetto. Lo scopo del progetto è verificare la capacità di sviluppare in autonomia algoritmi e applicarli in pratica su un dataset dato in modo asincrono usando il linguaggio Python.
Per quanto riguarda gli algoritmi e le strutture dati, è prevista una discussione del progetto svolto per la sezione di Programmazione, volta a verificare la capacità di analisi del problema affrontato e della sua complessità e la scelta delle strutture dati utilizzate. Il colloquio ha come scopo la valutazione della conoscenza degli argomenti presentati, l'acquisizione del linguaggio tecnico adeguato al contesto, la capacità di mettere in relazione fra loro argomenti diversi del programma.
Infine è prevista la realizzazione di una base di dati relazionale secondo le modalità descritte sul sito del corso, anche collaborando in un gruppo di lavoro: dovranno essere consegnati una relazione con la descrizione delle fasi di progettazione della basi di dati e uno script con la sua implementazione in MySQL. Lo studente presenterà il progetto e saranno valutati i contenuti della relazione, gli aspetti DDL e DML dello script e la capacità di argomentare, spiegare e difendere, durante la presentazione, la scelte teorche e pratiche utilizzate.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

• P. Atzeni, S. Ceri, P. Fraternali, S. Paraboschi, R. Torlone, Basi di dati, McGraw-Hill, 2018, quinta edizione.
• T. H. Cormen, C. E. Leiserson, R. L. Rivest, C. Stein, “Introduzione agli algoritmi e strutture dati”, McGraw-Hill.
• Think Python: How to Think Like a Computer Scientist by Allen B. Downey
  Beijing: O'reilly Media
  . Traduzione disponibile: http://www.andreamarino.it/python/thinkcspy/toc.html#t-o-c

CONOSCENZA E COMPRENSIONE Il corso è dedicato a trattare temi di inferenza statistica avanzata, modelli statistici per l’analisi della dipendenza fra più variabili quantitative e qualitative. Al centro del corso sta la discussione degli elementi fondamentali dell'iinferenza statistica classica e degli elementi fondamentali del modello di regressione lineare multipla. In particolare, verranno trattati metodi di stima puntuale e intervallare e metodi per la verifica delle ipotesi statistiche. Inoltre verranno trattati per dati sperimentali e non sperimentali: i modelli di regressione per dati continui, includendo eventualmente fattori e interazioni, l'analisi dei residui e le tecniche di scelta del modello. L’analisi dei dati qualitativi, mediante modelli logistici. Successivamente, verranno trattati modelli grafici Markoviani per l'analisi delle dipendenza in strutture multivariate complesse, come modelli grafici non orientati e bayesian network. Verranno studiate tecniche inferenziali per l'apprendimento strutturale del grafo e l'inferenza parametrica. CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE Parte integrante del corso è anche la discussione delle situazioni reali in cui sono appropriati i metodi e delle assunzioni sottostanti. Verranno trattati vari esempi e applicazioni in ambito scientifico, tecnologico, economico e sociale. A tal fine si utilizzerà il linguaggio statistico R. Al termine del corso lo studente è in grado di analizzare dati sviluppando i modelli appropriati, adattando tali modelli con i metodi più efficienti e valutando e presentando i risultati in termini critici. Lo studente assimilerà il linguaggio R con cui stimare modelli di relativa complessità. OBIETTIVI FORMATIVI • Sviluppare la capacità di specificare modelli statistici appropriati a seconda del problema • Imparare e saper applicare la teoria matematica della statistica • Sviluppare la capacità di interpretare le stime e la capacità di comunicare I risultati in modo rigoroso, discutendo criticamente le conclusioni.

Questo è un corso di inferenza statistica avanzata e di modelli statistici per l'analisi dei dati

L'esame è composto da una prova scritta sulla prima parte del corso e un progetto con discussione orale sulla seconda parte del corso.
La prova scritta comprende sia esercizi applicati (che potrebbero richiedere l'uso di una calcolatrice tascabile) sia esercizi teorici.
L'esame sulla seconda parte del corso si basa su un progetto di analisi dei dati. L'accesso a questo esame è consentito solo agli studenti che hanno superato la prova scritta sulla prima parte nella stessa sessione.
Il progetto è un compito individuale da svolgere a casa e il suo contenuto sarà verificato in una discussione orale. È richiesta una presentazione di 15 minuti ed è gradita la preparazione di lucidi.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

Wasserman, L. (2004). All of statistics. Springer-Verlag, New York. Dispense del docente disponibili in Moodle

Lo studente dovrà acquisire competenze per analizzare i dati sperimentali a caratterizzazione spazio-temporale derivanti da una indagine geochimica. Il fine dovrà essere la modellizzazione (termodinamica e/o statistica e geostatistica) dei processi naturali alla base della variabilità numerica identificata. L'obiettivo finale è la caratterizzazione di un sistema geochimico a scale differenti per monitoraggio e attività predittive.
Al termine del percorso, lo studente sarà in grado di modellizzare autonomamente fenomeni naturali complessi, sviluppando un'autonomia di giudizio critica nell'interpretazione dei risultati e l'abilità comunicativa ed espositiva rigorosa dei dati quantitativi, ponendo le basi per un apprendimento autonomo e continuo delle metodologie geostatistiche o computazionali d'avanguardia. In generale, l’insegnamento concorre al raggiungimento dei seguenti obiettivi formativi del corso di studi B376 Scienze e Tecnologie Geologiche - curriculum F002 - Geologia Ambientale Georisorse, quali cc3, cc7, cc8, ca1, ca4, ca6, ca7, ca8, ag1, ag3, ac1, ac2, ac3, ap1, ap2, ap3.

La Geochimica moderna utilizza tre potenti strumenti d’indagine per lo studio dei processi naturali: elementi (maggiori e in traccia), isotopi ed equazioni. La combinazione di strumenti d’indagine sperimentale (elementi, isotopi) con metodi teorici (equazioni) permette una analisi profonda della variabilità della natura. Il corso copre diversi aspetti computazionali della Geochimica.

Esame finale orale. Presentazione di una relazione con analisi statistiche e geostatistiche su basi di dati fornite dal docente. Domande sul programma svolto.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

1) Modern thermodynamics. From Heat Engines to Dissipative Structures. D. Kondepudi, I. Prigogine, Wiley, 1999.
2) Environmental Applications of Geochemical Modeling. C. Zhu, G. Anderson, Cambridge, 2002.
3) Geochemical and Biogeochemical Reaction Modeling. C. M. Bethke, Cambridge, 2008 (II edition).
4) An introduction to Applied Geostatistics. E.H. Isaaks, R.M. Srivastava, Oxford University Press, 1989.
5) Metodi matematici e statistici nelle Scienze della Terra vol. III, Tecniche statistiche. A. Buccianti, F. Rosso, F. Vlacci, Liguori Editore, 2003.

Il dogma centrale della biologia molecolare descrive il flusso di informazioni genetiche all'interno degli organismi viventi. La fonte di questa informazione genetica è il nostro DNA, una replica esatta del quale è ospitata nel nucleo di ogni cellula in qualsiasi sistema biologico. Il dogma centrale della biologia molecolare mappa il flusso di informazioni molecolari dal genoma all'espressione dei geni e alla successiva produzione di proteine, che sono elementi costitutivi fondamentali della vita.
In quest ottica i principali obiettivi formativi sono:

• fornire una preparazione che comprenda sia conoscenze tecniche specifiche sia conoscenze
  fondanti sul funzionamento dei sistemi biologici e della cellula. Descrivere le principali differenze tra cellula procariotica e eucariotica. Speigare come descrivere in termini ontologicamente corretti la struttura dell’informazione nei sistemi biologici.
• saper coniugare tecnologie e metodologie matematico-statistiche e informatiche con i metodi e i dati generati dai principali strumenti di acquisizione del dato biologico.
  Quindi descriveremo come l'informazione nei sistemi biologici è immagazzinata sotto forma di DNA e proteine. Inoltre nel corso approfondiremo le tecnologie utilizzate per acquisire i dati e tecniche di Biotecnologie, Biologia dei Sistemi e Biologia Sintetica.

Il corso è teso a fornire una preparazione che comprenda sia conoscenze tecniche specifiche sia conoscenze
fondanti sul funzionamento dei sistemi biologici e della cellula; le tecniche utilizzate per acquisire i dati e annotarli in modo ontolgicamente corretto. Si spiegherà in dettaglio le basi della fisiologia della cellula procariotica ed eucariotica. Si descriveranno i metodi di sequenziamento di DNA e proteine. Presenteremo esempi nelle biotecnologie, la biologia sintetica e dei sistemi.

Colloquio orale sulle conoscenze acquisite nel corso, con analisi e argomentazione di casi professionali verosimili.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

Biologia molecolare della cellula di Bruce Alberts, Alexander Johnson, Julian Lewis, David Morgan, Martin Raff, Keith Roberts, Peter Walter. Zanichelli-edizioni dal 2010 in poi.
Genetica e biologia molecolare di Peter H. Raven, G. B. Johnson, K. A. Mason, Jonathan B. Losos.
Fondamenti di bioinformatica. Manuela Helmer Citterich Fabrizio Ferrè Giulio Pavesi Graziano Pesole Chiara Romualdi. (Zanichelli).
A Primer of Population Genetics and Genomics di Daniel L. Hartl (Autore). Oxford University Press, 2020.

(i) Conoscenza e capacità di comprensione. Conoscenza dei metodi basilari della logica matematica per il ragionamento automatico e il ragionamento simbolico nell'intelligenza artificiale, con particolare attenzione a tecniche di ricerca, saturazione, completamento e apprendimento nei moderni SAT/SMT solver.
(ii) Capacità di applicare conoscenza e comprensione. Capacità di modellizzare problemi computazionali mediante linguaggi logici appropriati, tradurli in formule SAT/SMT e applicare le procedure di decisione studiate alla risoluzione di problemi specifici, sia con calcoli manuali sia mediante l'uso di software libero.
(iii) Autonomia di giudizio. Valutazione critica dell'efficacia e dei limiti delle tecniche di ragionamento automatico e scelta consapevole degli strumenti più adatti ai diversi contesti applicativi.
(iv) Abilità comunicative. Esposizione chiara e rigorosa di metodi, modelli e soluzioni relativi al ragionamento automatico, con uso appropriato della terminologia tecnica in forma scritta e orale.
(v) Capacità di apprendere. Sviluppo della capacità di approfondire in autonomia nuove tecniche di ragionamento automatico e di aggiornarsi sugli strumenti logico-computazionali.

Linguaggi elementari e modelli. Modellizzazione logica di problemi computazionali. Problemi SAT. Ricerca, conflitto e apprendimento. Soddisfacibilità modulo teorie. Uso di software SAT/SMT-solver. Eliminazione dei quantificatori. Quantificatori in contesti aritmetici.

L'esame consiste in una prova orale articolata in tre parti di uguale importanza per la formulazione del giudizio finale. La prima parte è volta ad accertare la conoscenza e la comprensione delle nozioni teoriche. La seconda parte contiene brevi esercizi di calcolo che possono essere svolti con carta e penna. La terza parte consiste nello scrivere un breve script per la soluzione al computer di un problema. Saranno valutate la chiarezza e la completezza dell'esposizione, la capacità di impostare correttamente i problemi, di scegliere i metodi risolutivi appropriati e la correttezza delle soluzioni ottenute.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18-22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23-25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di competenza operativa.
26-28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia.
29-30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell'esposizione e nell'applicazione. La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

Appunti e dispense forniti dal docente.

L'insegnamento si propone di fornire agli studenti le nozioni di base per la comprensione teorica e l'applicazione dei metodi numerici di base per affrontare problemi di data science. A termine dell'insegnamento, lo studente sarà in grado di:

• comprendere ed esporre la formulazione matematica dei problemi proposti e la relazione con la corrispondente soluzione numerica;
• comprendere ed esporre gli aspetti matematici che garantiscono l'efficienza e l'accuratezza dei metodi numerici;
• risolvere alcuni problemi test scrivendo programmi in Python che implementano i metodi studiati.

Aritmetica finita, soluzione numerica di sistemi lineari, approssimazione di dati, decomposizione a valori singolari di una matrice, approssimazione di autovalori, applicazioni dei metodi numerici introdotti alla data science.

Durante il corso verranno assegnati degli esercizi che ogni studente/studentessa deve risolvere e consegnare alla fine del corso. La prova finale orale prevede invece domande volte ad accertare la conoscenza degli aspetti teorici dei metodi numerici. La valutazione, che tiene in considerazione i risultati degli esercizi assegnati e della prova finale, è centrata sulla verifica della conoscenza dei concetti matematici alla base dei metodi e della capacità di usarli per risolvere problemi con lo strumento della programmazione in Python.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

• R. L. Burden, J. D. Faires, Numerical Analysis, Brooks/Cole, 2011.
• J. Kiusalaas, Numerical methods in engineering with Python 3, Cambridge University Press, 2014.
• Q. Kong, T. Siauw, A. bayen, Python Programming And Numerical Methods A Guide For Engineers And Scientists, 2020.

Lo scopo di questo modulo è quello di introdurre gli studenti alle principali strutture dati per l'organizzazione delle informazioni con particolare riferimento a quelle in memoria esterna. Al termine dell’insegnamento lo studente: • avrà una buona conoscenza delle problematiche legate all’organizzazione dei dati con particolare riferimento alla memoria esterna; • avrà compreso i meccanismi principali di organizzazione e gestione di grandi quantità di dati; • sarà in grado di scegliere l’organizzazione dei dati più idonea a rappresentare le informazioni di un dato problema.

Lo scopo di questo corso è quello di introdurre gli studenti alle principali tecniche di data mining e machine learning su dati di tipi relazionale e transazionale e alla loro sperimentazione.
Al termine dell’insegnamento, in accordo con i Descrittori di Dublino, lo studente avrà una buona conoscenza degli algoritmi per l’analisi e la ricerca di regolarità nei dati e ne avrà compreso il funzionamento; sarà in grado di scegliere l’algoritmo di data mining e machine learning più idoneo all’analisi e alla modellazione di dataset reali e lo saprà utilizzare in contesti specifici al fine di estrarre nuova conoscenza; sarà in grado di analizzare i risultati di un algoritmo in funzione dei parametri scelti, aiutandosi anche con strumenti per la visualizzazione dei risultati; sarà in grado di applicare le tecniche viste a problemi nuovi, modificando gli algoritmi e/o i loro parametri, anche confrontadosi in un gruppo di lavoro; sarà in grado motivare le scelte fatte argomentandole ed utilizzando un linguaggio tecnico corretto; maturerà la capacità di mantenere aggiornate le proprie competenze nel settore.

Strutture dati e algoritmi in memoria secondaria: B-alberi, B+-alberi, metodi hash, ordinamento. Rappresentazione di dati multidimensionali. Indici. Flussi di dati. Grafi. Grafi pesati: algoritmi per il calcolo del Minimo Albero di Ricoprimento, algoritmi per il calcolo dei cammini minimi. Reti di flusso.

Algoritmi di base e avanzati di data mining su dati di tipo relazionale e transazionale: mining attraverso la ricerca di regole associative, pattern sequenziali, clustering e classificazione.

I metodi di accertamento delle conoscenze e competenze acquisite includono una prova scritta obbligatoria ed una prova orale facoltativa. La prova scritta prevede esercizi e domande sulle strutture dati e gli algoritmi presentati durante le lezioni. L’esame orale prevede domande sugli argomenti in programma. Saranno valutati il rigore e la chiarezza dell’esposizione, la capacità di inquadrare i vari argomenti nei rispettivi contesti e di collegarli tra loro.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

L'esame consta di due parti: per i contenuti istituzionali del corso è previsto un esame scritto ed un esame orale facoltativo. L’esame scritto prevede esercizi e domande sugli algoritmi presentati durante le lezioni. L’esame orale prevede una interrogazione sugli argomenti in programma e può essere sostenuto dopo aver superato la prova scritta. Saranno valutati il rigore e la chiarezza dell’esposizione, la capacità di inquadrare i vari argomenti nei rispettivi contesti e di collegarli tra loro. La media aritmetica dei voti tra la prova scritta e l'eventuale prova orale inciderà del 70% sulla votazione finale; per i contenuti applicativi del corso deve essere realizzato un progetto (da svolgere in piccoli gruppi, massimo tre/quattro persone) che consiste in esercizi che richiedono l'utilizzo di strumenti di data mining per l'analisi dei dati. Gli esercizi includono: comprensione dei dati, analisi di clustering, estrazione di regole e pattern frequenti e classificazione. Il progetto deve essere eseguito utilizzando il software Weka o strumenti open source di data mining. Il gruppo presenterà il progetto e saranno valutati la scelta degli strumenti teorici più coerenti tra quelli proposti nel corso, il rigore nell'applicazione dei metodi scelti, la capacità di argomentare, spiegare e difendere i risultati raggiunti e confrontare i vari punti di vista. La valutazione del progetto e della sua presentazione inciderà del 30% sulla votazione finale.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

J.S. Vitter, Algorithms and Data Structures for External Memory, nowPublishers Inc. 2008 Jon Kleinberg, Eva Tardos, Algorithm Design, Pearson (anche in italiano) T.H. Cormen, C.E. Leiserson, R.L. Rivest, C. Stein, Introduction to Algorithms, McGraw Hill (anche in italiano) Controlla la bibliografia su onesearch [https://onesearch.unifi.it/]. Per aiuto contatta la tua biblioteca [https://unifi.libanswers.com/]

P.-N. Tan, M. Steinbach, A. Karpatne, V. Kumar, Introduction to Data Mining, Pearson, 2019

Il corso si propone di introdurre gli studenti alla risoluzione numerica dei problemi di ottimizzazione, fornendo le basi teoriche e computazionali indispensabili per comprendere e applicare i principali metodi di risoluzione, con un'attenzione speciale ai problemi che nascono nell'ambito dell'apprendimento automatico (Machine Learning) e dell'Intelligenza Artificiale.
Conoscenza e Comprensione (Descrittori di Dublino: Matematica cc1, cc7, cc8, Data Science, Calcolo Scient. & IA cc2, cc5, cc15, Robotics Automation and Electrical Engineering, cc15)
Attraverso questo percorso formativo, lo studente acquisisce padronanza dei risultati e dei metodi fondamentali dell’Ottimizzazione Numerica. Il percorso permette di maturare conoscenze avanzate dei metodi di ottimizzazione numerica e della risoluzione numerica dei problemi che nascono in vari campi applicativi con particolare attenzione ai problemi che nascono alle applicazioni nell'IA e nella Data Science.
Capacità di applicare conoscenza e comprensione (Descrittori di Dublino: Matematica ca1-ca7, Data Science, Calcolo Scient. & IA ca2,ca5, Robotics Automation and Electrical Engineering, ca7 )
Gli studenti sviluppano un'elevata capacità di formalizzare matematicamente problemi complessi originariamente espressi in linguaggio naturale o provenienti dal mondo applicativo, industriale e finanziario. Durante il corso si impara ad applicare strumenti di ottimizzazione numerica avanzati per la risoluzione di problemi in vari contesti applicativi con particolare attenzione all’area dell’ intelligenza artificiale e dell’apprendimento automatico Si acquisisce la capacità di di utilizzare strumenti informatici e computazionali sia come supporto ai processi matematici, che per estrarre informazioni qualitative dettagliate da dati quantitativi. Gli studenti acquisiscono inoltre l'abilità di consultare e comprendere testi e articoli di ricerca complessi, arrivando a produrre elaborati originali nel campo della ricerca o delle sue applicazioni.
Autonomia di Giudizio (Descrittori di Dublino: Matematica ag1-ag3, Data Science, Calcolo Scient. & IA ag1,ag2,ag4,ag5)
L'approccio formativo mira a sviluppare la capacità di analisi individuale e di valutazione critica. Lo studente viene messo in grado di giudicare l'efficacia dei procedimenti numerici, dei modelli matematici e dei metodi computazionali. Attraverso l'analisi dei risultati di simulazioni ed esperimenti numerici, si consolida un rigoroso metodo scientifico di interpretazione dei dati.
Abilità comunicative e capacità di apprendimento (Descrittori di Dublino: Matematica e Data Science, Calcolo Scient. & IA ac1-ac3, ap1,ap2, Robotics Automation and Electrical Engineering, ac1, ap3 )
Il corso cura il rafforzamento delle competenze trasversali e relazionali. Gli studenti affinano la capacità di lavorare efficacemente sia in autonomia sia all'interno di un gruppo, di dialogare ed interagire con esperte ed esperti di altri settori, e di presentare e descrivere la formalizzazione matematica di situazioni di interesse applicativo, industriale o finanziario. Accrescono la loro capacità di inserirsi rapidamente negli ambienti di lavoro e di sviluppare nuove strategie per la risoluzione di problemi.

Metodi numerici per problemi di minimizzazione non lineare senza vincoli e problemi ai minimi quadrati. Metodi di tipo gradiente stocastico per problemi di ottimizzazione che nascono nell'apprendimento automatico. Istruzioni fondamentali del linguaggio Python e del modulo scipy.optimize. Applicazioni all'allenamento di reti neurali e piu' in generale a modelli di apprendimento automatico. Utilizzo del Matlab Optimization Toolbox.

L 'esame e' costituito da una prova orale e da un progetto relativo alle attivita' svolte in laboratorio. Saranno valutati il rigore e la chiarezza dell'esposizione, la capacità di inquadrare i vari argomenti nei rispettivi contesti e di collegarli tra loro; per i contenuti applicativi del corso saranno valutati la capacita' di valutare le prestazioni del metodi in termini di robustezza, occupazione di memoria, costo computazionale di presentare i risultati raggiunti.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

J. Nocedal, S.J. Wright, "Numerical Optimization", 2nd ed., 2006 I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, The MIT Press, 2016. G. Strang, Linear algebra and learning from data, Wellesley-Cambridge Press, 2019.

Il Corso ha l’obiettivo di fornire agli studenti le conoscenze fondamentali sia teoriche che operative del calcolo delle probabilità, in particolare per quanto riguarda spazi di probabilità, variabili aleatorie discrete e continue, teoremi limite e processi stocastici. Il Corso ha anche l’obiettivo di sviluppare la capacità degli studenti di costruire in maniera matematicamente rigorosa modelli probabilistici per affrontare situazioni concrete nell’ambito Data Science. Particolare attenzione viene posta a sviluppare negli studenti le abilità comunicative e il linguaggio matematico necessari a giustificare le proprie scelte modellistiche e motivare i risultati ottenuti. Sia in quanto funzionale ai precedenti obiettivi, sia in quanto dotato di valore culturale in sè, il Corso ha inoltre l’obiettivo di fornire agli studenti le conoscenze e la capacità di comprensione e di applicazione dei concetti e dei risultati fondamentali dell'algebra lineare e del calcolo differenziale e integrale in una e più variabili. Il corso intende anche sviluppare le capacità di saper operare nel calcolo matriciale e differenziale, in particolare nel caso di funzioni a due variabili reali, nella risoluzione degli esercizi. Al termine del corso, gli studenti acquisiranno le seguenti competenze: - Conoscenza e capacità di comprensione Conoscenza dei concetti e risultati principali che riguardano: algebra lineare, calcolo in una e più variabili, spazi di probabilità, variabili aleatorie discrete e continue (sia unidimensionali che multidimensionali), processi stocastici e loro convergenza. - Capacità di applicare conoscenza e comprensione, Autonomia di giudizio e Abilità comunicative Capacità di analizzare matematicamente un problema concreto e formulare un modello probabilistico, geometricamente e analiticamente fondato, per affrontarlo con autonomia di giudizio e discuterlo con proprietà di linguaggio e competenza comunicativa. Capacità di giustificare con pieno rigore matematico le proprie scelte modellistiche e i risultati ottenuti. - Capacità di apprendimento Capacità di comprendere ed interpretare la componente di modellizzazione probabilistica di studi scientifici e di algoritmi disponibili in pacchetti software.
CC) Conoscenza e capacità di comprensione
Lo studente acquisisce i concetti fondamentali della teoria della probabilità, comprendendo i principali modelli probabilistici, le distribuzioni di probabilità discrete e continue, le variabili aleatorie, il valore atteso, la varianza e i principali processi stocastici.
CA) Capacità di applicare conoscenza e comprensione
Lo studente è in grado di modellare semplici fenomeni aleatori, selezionare modelli probabilistici appropriati, calcolare probabilità e quantità di interesse, e utilizzare gli strumenti della probabilità per l'analisi di problemi rilevanti nell'ambito della scienza dei dati.
AG) Autonomia di giudizio
Lo studente sviluppa la capacità di valutare criticamente le ipotesi alla base dei modelli probabilistici, riconoscerne limiti e ambiti di applicabilità e interpretare correttamente i risultati ottenuti nel contesto del problema considerato.
AC) Abilità comunicative
Lo studente è in grado di utilizzare il linguaggio e la notazione propri della probabilità per esporre in modo rigoroso e chiaro ragionamenti, risultati e soluzioni, sia in forma scritta sia orale.
AP) Capacità di apprendimento
Lo studente acquisisce gli strumenti metodologici necessari per approfondire autonomamente argomenti più avanzati di probabilità, statistica e machine learning, anche attraverso la consultazione della letteratura scientifica e tecnica.

1) Spazi vettoriali. Trasformazioni lineari e matrici. Determinante. Autovalori e autovettori.
2) Funzioni in una e più variabili: Sviluppo di Taylor, integrali doppi, differenziale e derivate parziali. Massimi e minimi.
3) Probabilità elementare: Spazi di probabilità, probabilità condizionata ed indipendenza.
4) Variabili aleatorie: Discrete e continue, uni- e multidimensionali. Distribuzioni note e calcolo di distribuzioni.
5) Processi stocastici.
6) Convergenza di processi stocastici.

L'esame consiste in una prova scritta nella quale sono presenti domande aperte, e in una prova orale. Nelle domande aperte lo studente dovrà dimostrare di saper risolvere problemi ispirati a situazioni concrete, dandone giustificazione usando risultati e linguaggio matematico corretto. In particolare, le domande sono formulate in modo da evidenziare se lo studente sia in grado di distinguere quali modelli probabilistici sono più adatti alla situazione concreta presentata nell'esercizio. Nella prova orale viene discussa la risoluzione della prova scritta, compresi i riferimenti teorici funzionali ad essa. L’obiettivo è di verificare se lo studente ha pienamente compreso l’ambito teorico soggiacente alle domande e se è stato in grado di individuare e colmare le sue eventuali carenze emerse durante la prova scritta. Allo studente verrà data la possibilità di effettuare due prove parziali che, se superate entrambe con la sufficienza, permettono di essere esonerato dagli scritti.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

-M.Bramanti, C.D. Pagani e S.Salsa, Calcolo infinitesimale e algebra lineare, seconda edizione. Zanichelli. - C. Fernandez-Granda, Probability and Statistics for Data Science (disponibile online). - S.H. Chan, Introduction to Probability and Data Science. Michigan Publishing (disponibile online).

Il corso mira a fornire agli studenti una comprensione approfondita dei principi scientifici alla base del trattamento e trasmissione efficiente, affidabile e sicura dei dati. Alla fine del corso, lo studente dovrebbe essere in grado di costruire modelli ad alto livello, ma rigorosi, dei sistemi di comunicazione, e analizzarne le criticità dal punto di vista della sicurezza e della privacy, e ideare soluzioni basate sulla crittografia. In particolare, sarà in grado di applicare le tecniche viste nel corso problemi nuovi, modificando opportunamente gli algoritmi e i metodi proposti.

Crittografia a chiave condivisa. Cifrari perfetti secondo Shannon, One-Time-Pad, unicity distance. Cifrari di Feistel. Crittografia a chiave pubblica. Elementi di aritmetica modulare. I cifrari RSA e El Gamal, il protocollo di Diffie-Hellman. Funzioni hash one-way crittografiche. Autenticazione e firma digitale. Elementi di Teoria dell'Informazione. Codici di compressione: 1^ Shannon, codici Huffman. Canali con rumore, capacità.
Fondamenti della Privacy: k-anonymity, Differential Privacy.

L'esame consiste di due parti: 1) prova orale sugli argomenti del corso; 2) svolgimento di un progetto, assegnato individualmente dal docente. La prova orale potrà anche prevedere domande sui contenuti istituzionali del corso, ivi compreso lo svolgimento di semplici esercizi, e domande sui metodi presentati durante le lezioni; saranno valutati il ​​rigore e la chiarezza dell'esposizione, la capacità di inquadrare i vari argomenti nei rispettivi contesti e di collegarli tra loro.
Il progetto potrà essere sia di tipo descrittivo che di programmazione (nel linguaggio Python), e in ogni caso prevederà la stesura di una relazione scritta. Relativamente al progetto, verranno valutati la chiarezza espositiva della relazione, la chiarezza dell'eventuale codice, l'aderenza dell'elaborato al tema proposto.
Le parti 1 e 2 incidono per il 60 e 40 per cento, rispettivamente, sulla votazione finale.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

• Michele Boreale. Note per il corso di Codici e Sicurezza. Appunti disponibili online.
• Altri testi:
  Th. M. Cover, J.A. Thomas. Elements of Information Theory, 2/E. Wiley & Sons, 2006.

Il corso introduce lo studente/la studentessa ai principali metodi statistici e computazionali di statistical learning per l'analisi, la modellizzazione predittiva e l'interpretazione di dati complessi e di grande dimensione. In particolare, il corso fornisce gli strumenti necessari per comprendere, applicare e valutare criticamente modelli predittivi, metodi di regolarizzazione, algoritmi di classificazione e regressione, metodi di riduzione dimensionale, clustering e tecniche ensemble.
Per favorire la comprensione, l'interpretazione e l'uso delle metodologie, il corso prevede esercitazioni con il linguaggio R. Al termine del corso, lo studente/la studentessa sarà in grado di scegliere e applicare metodi e algoritmi appropriati in specifici contesti di data science; valutare criticamente le prestazioni di un modello; interpretare, visualizzare e comunicare i risultati; comprendere nuove tecniche di statistical learning e confrontarle con quelle già note.
L'insegnamento contribuisce al raggiungimento dei risultati di apprendimento del Corso di Studio con riferimento ai codici CC3, CC4, CA3, CA4, AG1, AG2, AG3, AG4, AG5, AC1, AC2, AC3, AP1, AP2 della matrice di Tuning approvata del Corso di Studio.

Il corso tratta metodi statistici e computazionali per lo statistical learning e per la modellizzazione predittiva in data science. Si veda il Programma esteso per ulteriori dettagli.

L'esame è finalizzato ad accertare la comprensione degli strumenti metodologici presentati nel corso, la capacità di applicarli a problemi statistici concreti, l'autonomia nella scelta dei metodi, la capacità di interpretare criticamente i risultati e di comunicarli in modo chiaro e rigoroso.
La verifica dell'apprendimento si articola in tre attività: homeworks, contest e prova finale.
Durante il corso saranno assegnati homeworks tramite la piattaforma Moodle. Gli homeworks hanno la funzione di favorire l'apprendimento progressivo, l'applicazione dei metodi a problemi concreti e la preparazione alla prova finale. Gli studenti e le studentesse che consegnano e presentano almeno il 75% degli homeworks potranno accedere al contest. Gli studenti e le studentesse che non raggiungono tale soglia dovranno sostenere, durante la prova finale, anche un esame orale sull'intero programma.
Il contest consiste in una presentazione in piccoli gruppi, di norma composti da 1 a 3 persone. Ogni componente del gruppo avrà a disposizione circa 5 minuti. La presentazione verterà su un argomento scelto dal gruppo, di carattere teorico, applicativo o computazionale, nell'ambito dello statistical learning. Il contest non attribuisce un punteggio autonomo e non concorre direttamente alla determinazione del voto finale. La partecipazione attiva al contest consente l'esonero dall'esame orale sull'intero programma durante la prova finale. Il gruppo vincitore sosterrà, in sede di prova finale, solo eventuali domande di chiarimento relative al lavoro presentato.
La prova finale si svolge il giorno dell'appello d'esame e consiste in una presentazione individuale di circa 10 minuti su un argomento a scelta, coerente con i temi del corso. Gli studenti e le studentesse che non hanno partecipato attivamente al contest dovranno sostenere, oltre alla presentazione finale, un esame orale sull'intero programma.
La valutazione accerta: comprensione della research question; uso coerente degli strumenti teorici e computazionali; rigore nell'applicazione dei metodi scelti; capacità di interpretare, visualizzare, argomentare e difendere i risultati; appropriatezza del linguaggio disciplinare; autonomia e contributo individuale o di gruppo. Prima della presentazione finale, slides, codice e materiali richiesti dovranno essere caricati sulla piattaforma Moodle.
Tabella docimologica di valutazione:

• Insufficiente: gravi errori concettuali, comprensione frammentaria o nulla, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
• 18-22: conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
• 23-25: comprensione soddisfacente, applicazione corretta a contesti noti, esercizi svolti in modo autonomo con qualche imprecisione, soddisfacente autonomia e competenza operativa.
• 26-28: solida comprensione teorica, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, svolgendo compiti complessi in modo autonomo, preciso ed efficace.
• 29-30 e lode: conoscenze complete, approfondite e ben strutturate, autonomia e flessibilità in contesti complessi o nuovi, uso appropriato e articolato del linguaggio disciplinare, capacità critiche, originalità e rigore. La lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

Appunti e slides forniti dal docente, disponibili su Moodle.
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An Introduction to Statistical Learning (Second Edition). New York: Springer. Disponibile online: https://link.springer.com/book/10.1007/978-1-0716-1418-1
Friedman, J., Hastie, T., & Tibshirani, R. (2013). The Elements of Statistical Learning. Second edition. Springer, Berlin: Springer series in statistics. Disponibile online: https://hastie.su.domains/ElemStatLearn/
Azzalini, A., & Scarpa, B. (2012). Data Analysis and Data Mining: An Introduction. OUP USA.

• Conoscenza e capacità di comprensione: acquisizione delle basi teoriche di analisi delle immagini sia tramite tecniche convenzionali sia tramite tecniche basate su metodi di intelligenza artificiale; stato dell’arte dei modelli di deep learning nel contesto della visione computazionale (e.g., reti neurali convoluzionali, architetture encoder-decoder, modelli generativi), per task di classificazione, localizzazione e ricostruzione.
• Applicazione pratica delle conoscenze acquisite: sviluppo di codice python per l’addestramento e la validazione dei metodi tipici per l’analisi delle imaging, con esempi specifici tratti da tipici casi studio nei campi del medical imaging e dell’astrofisica.

Analisi di immagini basata su tecniche convenzionali.
Introduzione di base al machine learning.
Analisi di immagini basata su tecniche di deep learning.
Applicazioni pratiche nel campo dell'astrofisica e del medical imaging.

L’esame consiste in una prova orale. In una prima parte gli studenti discuteranno lo svolgimento di un progetto applicativo precedentemente concordato con i docenti (sviluppo di un modello di deep learning per una task di analisi di immagini). In una seconda parte della prova orale verranno testate le conoscenze degli argomenti trattati durante il corso. Verranno valutati il ​​rigore e la chiarezza dell'esposizione, la capacità di inquadrare i vari argomenti nei rispettivi contesti e di collegarli tra loro.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

Slides del corso;
“Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow”, di Aurelien Geron, edito O'Reilly Media.
Ulteriore materiale didattico, utile per approfondimenti ed esercitazioni, verra’ fornito tramite MOODLE durante lo svolgimento del cordo.

1) Sviluppare il pensiero criticio su tematiche di Machine Learning (ML)

• Apprendere i conctetti teorici del ML
• Essere in grado di leggere, capire e discutere lavori di ricerca su ML
  2) Utilizzare in maniera corretta modelli di ML in pratica
• Apprendere come scegliere/sviluppare un modello di ML dato un problema
• Essere in grado di implementare tutte le fasi dell'applicazione di un modello ML (dalla gestione corretta dei dati allo sviluppo del modello)

Il corso introduce i concetti e modelli base del Machine Learning (ML). L'obiettivo principale è di fornire un'idea generale su cosa è l'apprendimento automatico, che sarà utile agli studenti per (1) capire i più recenti modelli dello stato dell'arte e (2) applicare correttamente i model di ML in pratica.

La verifica comprende la realizzazione di un progetto individuale (con relazione) ed una discussione orale.
I progetti devono essere concordati con il docente e sono di due tipi:

• Tipo A: lo studente deve implementare 3 modelli base visti a lezioni e testare le loro performance su di un task
• Tipo B: lo studente deve implementare un singolo modello avanzato (solo parzialmente introdotto a lezione) e testare le sua performance su di un task
  Lo scopo del progetto è dimostrare la capacità dello studente di risolvere praticamente un dato task utilizzando modelli di ML. La valutazione del progetto presta partciolare attenzione a come lo studente ha applicato i concetti teorici visti a lezione ed al suo pensiero critico sull'analisi dei risultati o eventuali comportamenti indesiderati.
  Durante la discussione orale, verrà valutare la preparazione dello studente sui concetti/modelli visti a lezione ed la sua capacità di manipolarli/utilizzarli in pratica.
  Tabella docimologica di valutazione
  Insufficiente
  Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
  18–22
  Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
  23–25
  Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
  26–28
  Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
  29–30 e Lode
  Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
  La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

[DL] Deep Learning, Ian Goodfellow and Yoshua Bengio and Aaron Courville, MIT Press, 2016 Free online
[BRML] Bayesian Reasoning and Machine Learning, David Barber, Cambridge University Press, 2012 Free PDF online
[ESL] The Element of Statistical Learning, Trevor Hastie and Robert Tibshirani and Jerome Friedman, Springer, 2009 Free PDF online
[PRML] Pattern Recognition and Machine Learning, Christopher M. Bishop, Springer, 2006 Free PDF online

Lo scopo di questo corso è introdurre gli studenti alle procedure ed alle tecniche di analisi dei dati sviluppate e diffuse nel campo della fisica delle particelle.
Al termine dell’insegnamento, lo studente avrà nozioni di base di relatività ristretta e fisica subnucleare sufficienti a comprendere le esigenze specifiche del campo che hanno portato allo sviluppo di tecniche e tecnologie dedicate per il processamento e l’analisi dei dati; conoscerà la struttura di calcolo distribuito utilizzata per trasferire, immagazzinare, preservare, processare ed infine analizzare i dati acquisiti dagli esperimenti agli acceleratori; sarà in grado di riconoscere, motivare e parzialmente implementare gli elementi fondamentali di un’analisi dei dati in fisica delle particelle inclusa la riduzione dei dati, il confronto con modelli Monte Carlo, l’inferenza dei parametri fisici con stimatori, ed il confronto con predizioni teoriche tramite l’applicazione di concetti avanzati di statistica inferenziale (limiti, ed intervalli di confidenza); saprà applicare modelli avanzati di Deep Learning a supporto dei diversi elementi che costituiscono un’analisi.
Conoscenza e Comprensione
CC13-O.4.1.2: metodi di machine learning per applicazioni scientifiche quali quelle relative alla biologia, chimica, fisica, medicina, quantum computing, geologia e climatologia
CC14-O.4.1.3: metodi per l’organizzazione e l’analisi di dati scientifici di diversa natura
Capacità di Applicare Conoscenza e Comprensione
CA13-O.4.2.2: applicare metodi di machine learning per applicazioni scientifiche quali quelle relative alla biologia, chimica, fisica, medicina, quantum computing, geologia e climatologia
CA14-O.4.2.3: applicare metodi per l’organizzazione e l’analisi di dati scientifici di diversa natura
Autonomia di giudizio
AG1-O.5.1.1: capacità di analisi individuale
AG2-O.5.1.2: capacità di confronto in un gruppo
AG3-O.5.1.3: capacità di analisi multidisciplinare rispetto alle soluzioni progettuali
AG4-O.5.1.4: capacità di comparazione tra soluzioni diverse e/o alternative
AG5-O.5.1.5: capacità di valutare obiettivamente risultati di esperimenti e simulazioni
Capacità di comunicazione
AC1-O.5.2.1: migliora le sue capacità di operare efficacemente individualmente e come componente di un gruppo
AC2-O.5.2.2: migliora la sua capacità di presentare in forma scritta o verbale le proprie argomentazioni e i risultati del proprio studio o lavoro
AC3-O.5.2.3: dimostra un livello adeguato di conoscenza della lingua inglese sia nella comprensione delle fonti che per comunicare le proprie idee
Capacità di apprendimento
AP1-O.5.3.1: matura la capacità di impegnarsi a mantenere aggiornate le proprie competenze in un settore in continua evoluzione come quello della data science, anche con riferimento a nuovi scenari applicativi
AP2-O.5.3.2: è messo in condizioni, tramite le conoscenze e competenze superiori acquisite, di seguire con profitto il terzo livello degli studi universitari, con la frequenza a Master e Scuole di Dottorato, per potersi dedicare ad attività di ricerca scientifica e tecnologica a livello avanzato

Il corso è strutturato in tre moduli: Elementi di Fisica delle Particelle e Tecnologie di Calcolo Distribuito, Tecniche di Analisi Statistica dei dati acquisiti da Esperimenti agli Acceleratori, Tecniche di Deep Learning a supporto dell’analisi dati.

Per ciascun modulo saranno proposti due esercizi Python da svolgere al di fuori dell’orario delle lezioni. Se risolti e consegnati entro la scadenza concordata, gli esercizi varranno come esonero dalla prova pratica finale, che è altrimenti condizione necessaria per accedere alla prova orale.
L’apprendimento dei fondamenti teorici dell’analisi dei dati e degli aspetti tecnologici sarà verificato in un colloquio finale che prevede domande sugli argomenti del programma. Saranno valutati il livello di approfondimento, la chiarezza nell’esposizione e la capacità di associare problematiche riscontrabili nell’analisi dati a soluzioni di natura teorica, tecnica o tecnologica.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

G. Cowan, Statistical Data Analysis, Cambridge U. Press
F. James ‘Statistical Methods in Experimental Physics’ World Scientific
Aurélien Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and Tensorflow: Concepts, Tools, and Techniques to Build Intelligent Systems, O’Reilly Media
I. Goodfellow and Y. Bengio, A. Courville, [https://www.deeplearningbook.org/front_matter.pdf]

Il corso si propone di fornire le basi di geometria differenziale e geometria
differenziale discreta, da usare per la ricostruzione di modelli geometrici,
nell’ambito del Geometric Deep Learning. Verranno trattate tecniche di
scelta di domini parametrici e di metodi di parametrizzazione. Sarà
valutato il potenziale uso di questi strumenti per la ricerca scientifica e
per le applicazioni tecniche. Alla fine del corso, lo studente conoscerà
alcune tecniche, basate sulla geometria differenziale e su argomenti
collegati, per la ricostruzione di modelli geometrici da nuvole di punti.

Geometria differenziale delle curve nello spazio e delle superfici nello
spazio. Geometria della mappa di Gauss e geometria intrinseca delle
superfici. Grafi, triangolazioni, meshes e poliedri. Rappresentazione
discretizzata di curve e superfici lisce. Discretizzazione dell'algebra
esterna e di operatori differenziali. Ricostruzione di modelli geometrici da
nuvole di punti.

La prova d’esame è una prova orale. La prova è volta ad accertare la
conoscenza e la comprensione degli argomenti trattati nel corso e di loro
immediate applicazioni. Sarà valutata la chiarezza e la completezza
dell’esposizione, la comprensione degli argomenti trattati nel corso e la
capacità di ben usare le tecniche sviluppate.

Appunti e dispense forniti dal docente. Complementi: Manfredo Do
Carmo, Differential Geometry of curves and surfaces, Prentice-Hall lnc.,
Englewood Cliffs, New Jersey.

Conoscenze informatiche di base. Conoscenza dei principali strumenti di
informazione giuridica. Conoscenza di elementi fondamentali di
informatica del diritto e diritto dell'informatica.
Capacità
Capacità di orientamento nella scelta degli strumenti informatici idonei
allo svolgimento delle professioni legali e loro gestione. Acquisizione della
formazione di base nella gestione delle risorse tradizionali e informatiche
per la ricerca del materiale giuridico. Capacità di affrontare le principali
questioni che emergono in materia di informatica giuridica.
Competenze
Attitudine ad analizzare problemi concreti e risolverli criticamente,
utilizzando le conoscenze e le capacità acquisite in materia di informatica
giuridica. Attitudine al reperimento di dottrina, normativa e
giurisprudenza, attraverso la consultazione di archivi e banche dati
tradizionali e on-line.

Il corso intende offrire agli studenti un'introduzione all'informatica
giuridica, esaminandone in particolare i fondamenti tecnologici, la teoria,
la storia, le prospettive di sviluppo e il suo rapporto con il diritto positivo.
L'obiettivo è mettere in evidenza come oggi, nella formazione del giurista, sia indispensabile riflettere sul rapporto tra diritto e nuove tecnologie .

Per tutti gli studenti, frequentanti e non frequentanti, gli esami finali si terranno in forma orale.
Indicativamente, la prova orale consisterà in tre domande: una a carattere generale, una centrata su uno specifico istituto, una formulata a partire da una delle sentenze o da uno dei casi pratici parte del programma. La valutazione consentirà il superamento dell'esame se le risposte risultino pienamente sufficienti e non emergano errori grossolani o lacune. La valutazione sarà ottima se le risposte risultano esaustive anche con riferimento ai principi costituzionali di riferimento e alla giurisprudenza rilevante. Saranno presi in considerazione anche i seguenti profili: capacità di organizzare discorsivamente la conoscenza, capacità di ragionamento critico, qualità dell'esposizione, competenza nell'impiego del lessico specialistico, efficacia e linearità dell’esposizione. La conoscenza descrittiva, più o meno estesa, ma senza analisi critica e senza riferimenti al contesto costituzionale e giurisprudenziale, può determinare una valutazione sufficiente ma difficilmente superiore a 25.
Per i soli studenti frequentanti potranno essere previste prove intermedie facoltative in forma scritta.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

S. Pietropaoli, Informatica criminale. Diritto e sicurezza nell'era digitale, Giappichelli, Torino 2024.

Conoscenze: Il corso intende fornire agli studenti le basi concettuali e tecniche nell’ambito della biologia dei sistemi.
Competenze e capacità acquisite: gli studenti acquisiranno le competenze teoriche e pratiche relative alle principali metodologie in ambito computazionale per lo studio e la predizione il comportamento dei sistemi biologici. Saranno inoltre illustrate le loro potenziali mediante l’analisi di casi studio reali.

Concetti di base di biologia e delle principali metodologie computazionali usate per la creazione di modelli e lo svolgimento di simulazioni. Tecniche per l’ottenimento di dati –omici. Analisi di dati –omici. Integrazione di dati –omici. Sviluppo di modelli computazionali predittivi per l’analisi di sistemi biologici. Integrazione di modelli e dati –omici. Analisi di casi studio reali.

Verifica delle conoscenze e delle competenze (problem solving) mediante test orale con domande a risposta chiusa ed aperta della durata di 30 min
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

Appunti forniti dal docente
Testi di riferimento

• An Introduction to Systems Biology (Chapman and Hall CRC Computational Biology Series) 2nd Edition by Uri Alon (Author)
• Stochastic Modelling of Reaction-Diffusion Processes di Radek Eban (Autore) S. Jonathan Chapman (Autore) Cambridge University Press, 2020
• Modeling Life: The Mathematics of Biological Systems 1st ed. 2017 Edition by Alan Garfinkel (Author), Jane Shevtsov (Author), Yina Guo
  (Author)

Il Corso ha l’obiettivo di fornire a tutti gli studenti conoscenze e capacità di comprensione basilari nella tecnologia blockchain. Il corso intende anche sviluppare le capacità tecniche di base e le capacità critiche necessarie per applicare le conoscenze acquisite alla modellizzazione e risoluzione di problemi matematici ed informatica in vari ambiti. Particolare attenzione viene posta a sviluppare negli studenti le abilità comunicative necessarie nel lavoro di squadra. Il corso copre argomenti e fornisce capacità di apprendimento che sono necessari, o fortemente consigliati, sia per il proseguimento degli studi nel CdS che per entrare nel mondo del lavoro.

Prime nozioni di crittografia . La tecnologia blockchain.: richiami ai problemi NP completi con fattorizzazione di numeri primi, curve ellittiche, algoritmi quantistici e probabilistici Case study: l' ambito finanziario (criptovalute,opzioni, prezzaggio di titoli derivati, curva dei tassi d'interesse, gestione di portfolio

L'esame è strutturato solo in una prova orale per verificare la conoscenza e il grado di comprensione della teoria svolta nel corso. Verrano valutate con particolare attenzione sia la capacità di comunicare la materia in modo critico, sia l’uso di un linguaggio scientifico appropriato. Sarà richiesto un approfondimento scritto su una parte del programma svolto a scelta dello studente e il saper rispondere a domande sulla teoria dei registri distribuiti e sullo study case di matematica finanziaria. L'orale sarà fissato su appuntamento concordato via e-mail.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

Paul Wilmott - Sam Howison - Jeff Dewynne: The Mathematics of Financial Derivatives- Cambridge University Press
Per la parte sui registri distribuiti appunti forniti sulla piattaforma Moodle

Conoscenze: Il corso prevede tre crediti per lezioni teoriche frontali e tre crediti da svolgersi in laboratorio informatico. La parte in aula fornisce le basi termodinamiche nell'interazione tra molecole diinteresse biologico e la conoscenza teorica dei principali strumenti bioinformatici nell'ambito del Docking Molecolare. In laboratorio lo studente applichera', in esercitazioni individuali, gli strumenti teorici acquisiti durante il corso, implementando su una piattaforma di tipo unix, procedure computazionali volte al calcolo di costanti di equilibrio per reazioni di interesse biologico.
Conoscenza e comprensione:
cc3: metodologie di progettazione razionale di molecole mimetiche di sostanze naturali di
interesse biologico, progettazione e sintesi di biomolecole e nanosistemi e loro
funzionalizzazione per l'ottenimento di sonde molecolari e farmaci
cc5: analisi delle reti di interazioni fra biomolecole e delle caratteristiche chimiche,
dinamiche e strutturali che determinano tali interazioni
Capacità di applicare conoscenza e comprensione:
ca3: progettare la sintesi di collezioni di molecole con attività biologica sulla base degli
studi teorici di docking e drug discovery, progettare la trasformazione di biomolecole
complesse attraverso metodologie di bioconiugazione per ottenimento di sonde molecolari
ca5: stabilire in modo autonomo e consapevole i migliori approcci metodologici per la
caratterizzazione di interazioni biomolecolari rilevanti per un problema biochimico
specifico, la progettazione di inibitori per le interazioni alla base di processi patologici, la
descrizione di fenomeni complessi quali il trasporto attraverso le membrane e la motilità
cellulare e tissutale
Autonomia di giudizio:
ag1: capacità di raccogliere ed interpretare dati sperimentali o tecnici, sviluppata
principalmente tramite la didattica seminariale, l'attività di tirocinio e la stesura della
relazione finale.
Capacità comunicative:
ac1: capacità di comunicare informazioni, idee, problemi e soluzioni relativi agli ambiti
delle biotecnologie molecolari e industriali ad interlocutori specialisti
ac2: capacità di comunicare informazioni relative agli ambiti delle biotecnologie molecolari
ed industriali ad interlocutori non specialisti
Capacità di apprendimento:
ap1: consultazione di banche dati specialistiche
ap3: acquisizione di strumenti conoscitivi avanzati per l'aggiornamento continuo delle
conoscenze

Principi termodinamici del riconoscimento molecolare. Energia libera, energia configurazionale ed entropia nell'interazione farmaco proteina. Approccio termodinamico statistico al calcolo della costante di equilibrio farmaco-recettore e basi termodinamiche del Docking Molecolare. Force fields e calcolo dell'energia con metodi a solvente implicito. Esercitazioni individuali di laboratorio in aula informatica: determinazione della costante di equilibrio farmaco-recettore con metodi di Docking.

Esame Orale volto alla verifica dell'apprendimento delle basi teoriche dell'interazione farmaco proteina e della padronanza degli strumenti tecnici-applicativi per il Docking Molecolare acquisiti in laboratorio
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.
Verranno valutati il rigore e la chiarezza dell'esposizione, la capacità di inquadrare i vari
argomenti nei rispettivi contesti e di collegarli tra loro.
Saranno pertanto verificate le conoscenze (cc) e competenze acquisite (ca).
Lo studente deve saper discutere gli argomenti trattati durante l'insegnamento (ag, ac e
ap).
Tabella docimologica di valutazione:
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla
degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di
autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli
argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati,
livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di
applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo
autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e
competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina,
capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere
compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di
autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben
strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi
o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di
evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e
originalità, anche al di là delle aspettative curricolari.

Dispense a cura del docente

L'insegnamento intende fornire agli studenti conoscenze teoriche e competenze operative nell'ambito dell'antropologia virtuale, con particolare riferimento all'utilizzo di metodologie digitali avanzate per l'acquisizione, l'analisi quantitativa e la ricostruzione tridimensionale dei resti scheletrici umani. Attraverso attività teoriche e applicative, gli studenti acquisiranno gli strumenti necessari per affrontare problemi di ricerca mediante approcci computazionali innovativi.
Conoscenza e capacità di comprensione
Al termine dell'insegnamento, lo studente sarà in grado di comprendere i principi teorici dell'antropologia virtuale e delle principali metodologie digitali impiegate nello studio dei resti scheletrici umani. Conoscerà i fondamenti della morfometria geometrica, della cross-sectional geometry e delle tecniche di restauro virtuale, comprendendone le applicazioni nello studio della variabilità morfologica, funzionale ed evolutiva (CC5, CC6, CC8, CC9).
Capacità di applicare conoscenza e comprensione
Al termine dell'insegnamento, lo studente sarà in grado di utilizzare software open source per la visualizzazione, la segmentazione e l'analisi tridimensionale dei reperti osteologici, con particolare riferimento a 3D Slicer e R. Saprà acquisire ed elaborare landmark e semilandmark tridimensionali, applicare metodologie di morfometria geometrica, effettuare analisi di cross-sectional geometry e utilizzare tecniche di restauro virtuale per la ricostruzione digitale dei reperti. Sarà inoltre in grado di interpretare criticamente i risultati ottenuti mediante analisi quantitative (CA2, CA3, CA4, CA5).
Autonomia di giudizio
Al termine dell'insegnamento, lo studente sarà in grado di valutare criticamente le potenzialità e i limiti delle metodologie digitali applicate allo studio dei resti umani, selezionando gli approcci più appropriati in funzione dei quesiti di ricerca e interpretando i risultati nel contesto antropologico, biologico ed evolutivo (AG1).
Abilità comunicative
Al termine dell'insegnamento, lo studente sarà in grado di presentare e discutere dati quantitativi, modelli tridimensionali e risultati delle analisi utilizzando una terminologia scientifica appropriata e strumenti digitali di rappresentazione e visualizzazione dei dati, adattando la comunicazione a interlocutori specialisti e non specialisti (AC1, AC2, AC3).
Capacità di apprendimento
Al termine dell'insegnamento, lo studente sarà in grado di approfondire autonomamente nuove metodologie di antropologia virtuale, aggiornare criticamente le proprie competenze attraverso la consultazione della letteratura scientifica e acquisire nuovi strumenti computazionali applicati alla ricerca antropologica e paleobiologica (AP1, AP2, AP3).
Più in generale, l'insegnamento contribuisce al raggiungimento dei seguenti obiettivi formativi del Corso di Studio: CC5, CC6, CC8, CC9; CA2, CA3, CA4, CA5; AG1; AC1, AC2, AC3; AP1, AP2, AP3.

Il corso si concentra sull’uso di metodologie digitali per lo studio dei resti scheletrici umani, con particolare attenzione alla morfometria geometrica. Gli studenti apprendono a raccogliere landmark e semilandmark 3D usando 3D Slicer, e ad analizzare la forma con tecniche statistiche. Si introduce inoltre la cross-sectional geometry per l’analisi biomeccanica delle ossa e si applicano tecniche di restauro virtuale con R. Le attività sono svolte in aula computer con software open source.

La verifica dell'apprendimento consiste in una prova pratica individuale al computer, finalizzata ad accertare il raggiungimento degli obiettivi formativi dell'insegnamento.
Durante la prova, allo studente viene fornito un dataset contenente landmark e semilandmark tridimensionali già acquisiti. Utilizzando il software R, lo studente dovrà applicare le principali metodologie illustrate durante il corso, tra cui analisi di morfometria geometrica e cross-sectional geometry, elaborare i dati mediante procedure statistiche appropriate e interpretarne criticamente i risultati.
La prova è finalizzata a verificare:
la conoscenza dei principi teorici dell'antropologia virtuale e delle metodologie di analisi quantitativa;
la capacità di applicare correttamente strumenti e procedure per l'analisi tridimensionale dei resti scheletrici;
l'autonomia nella gestione del workflow analitico e nella scelta delle procedure statistiche appropriate;
la capacità di interpretare criticamente i risultati ottenuti e di collegarli ai quesiti biologici, antropologici ed evolutivi oggetto dell'analisi;
l'utilizzo appropriato della terminologia scientifica e del linguaggio tecnico della disciplina.
Durante il corso potranno essere svolte esercitazioni pratiche e brevi attività di verifica in itinere (quiz ed esercizi guidati), finalizzate a monitorare il progresso degli studenti e a consolidare l'apprendimento. Tali attività hanno esclusivamente finalità formative e non concorrono alla determinazione del voto finale.
La prova si svolge in presenza mediante l'utilizzo di un computer sul quale sono installati il software R e gli strumenti necessari allo svolgimento dell'analisi. Non sono previste prove scritte o colloqui orali.
La valutazione finale, espressa in trentesimi, tiene conto della correttezza metodologica delle analisi svolte, dell'accuratezza nell'elaborazione dei dati, della capacità di interpretazione critica dei risultati, dell'autonomia dimostrata nello svolgimento della prova e dell'utilizzo appropriato della terminologia scientifica.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell'esposizione e nell'applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

• De Vries, Andrie, and Joris Meys. R for Dummies. John Wiley & Sons, 2015. - Zelditch, Miriam, Donald Swiderski, and H. David Sheets. Geometric morphometrics for biologists: a primer. academic press, 2012.

Il corso si pone come obiettivi formativi l'acquisizione di:

• conoscenza degli strumenti formali e concettuali del calcolo quantistico;
• capacita' di sviluppare il confronto fra computazione classica e
  quantistica, in riferimento al diverso modo di processare l'informazione per creare nuovi algoritmi quantistici che risolvono problemi concreti più efficientemente dei supercomputer classici;
• comprensione dei vantaggi che le tecnologie quantistiche attualmente disponibili e future possono fornire al machine learning;
• competenze necessarie per eseguire questi nuovi algoritmi sui processori quantistici già disponibili via cloud.
  Descrittori di Dublino per l'insegnamento:
  Conoscenza e Comprensione
  cc13 - Comprendere le teorie e i modelli all'avanguardia nell’analisi di sistemi complessi e nell'apprendimento automatico quantistico.
  Capacità di Applicare Conoscenza e Comprensione
  ca10 - Implementare e valutare tecniche di modellazione stocastica.
  ca15 - Utilizzare teorie e modelli all'avanguardia nell'analisi di sistemi complessi e nell'apprendimento automatico quantistico.
  Autonomia di Giudizio
  ag1 - Maturare la capacità di identificare, localizzare e ottenere i dati richiesti per le analisi.
  ag2 - Sviluppare la capacità di progettazione e conduzione di indagini analitiche utilizzando modelli e tecniche sperimentali.
  ag3 - Acquisire la capacità di interpretare dati provenienti dalla realtà o da simulazioni, utilizzando le basi modellistiche, informatiche e statistiche apprese.
  ag4 - Valutare criticamente dati e risultati per trarre conclusioni informate.
  Capacità di Apprendimento
  ap3 - Apprendere in modo guidato nella preparazione degli esami orali, nella redazione di elaborati progettuali e relazioni.

Titolo: Quantum Machine Learning
Elementi di computazione quantistica: dal bit al qubit, porte logiche e circuiti quantistici, esempi di algoritmi quantistici e relativa programmazione in Python.
Algoritmi ibridi (classico-quantistico) di machine learning: dai circuiti quantistici variazionali all'embedding quantistico dei dati, dal supervised/unsupervised deep learning al reinforcement learning, sino ai più recenti modelli di AI generativa ideati in chiave quantistica.

L'esame si tiene in forma orale e prevede una tesina di approfondimento su una pubblicazione scientifica concordata col docente, associata alla compilazione di un codice numerico per implementare un algoritmo di quantum machine learning.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

• Maria Schuld, Francesco Petruccione, "Machine Learning with Quantum Computers", Springer (2021).
• P. Wittek, "Quantum Machine Learning: What Quantum Computing Means to Data Mining", Academic Press (2016).
• M.A. Nielsen and I.A. Chuang, "Quantum computation and quantum information", Cambridge University Press (2003).

Il corso tratta lo studio degli strumenti di Network Analysis. In particolare, nella prima parte del corso verranno approfonditi gli strumenti di analisi descrittiva tipicamente utilizzati per analizzare le reti sociali. Questi riguardano sia la visualizzazione della rete, sia lo studio dell'importanza e della coesione dei nodi che compongono la rete stessa. La seconda parte del corso riguarderà invece lo studio alcuni dei principali modelli statistici per l'analisi delle reti. Al termine del corso, gli studenti saranno in grado di (a) descrivere e sintetizzare le caratteristiche della rete; (b) spiegare gli obiettivi e le assunzioni alla base delle diverse tecniche di analisi; (c) riflettere criticamente sull'adeguatezza delle diverse tecniche di analisi presentate durante il corso; (d) comunicare efficacemente i risultati dell'analisi

La Network Analysis ricopre oggi un ruolo di centrale importanza in ambito statistico a fronte di una crescente richiesta di informazioni su una società, quella attuale, sempre più "connessa". L'analisi dell'integrazione tra popoli, l'analisi dei flussi di import/export tra paesi e lo studio dei fenomeni migratori costituiscono solo alcuni dei possibili ambiti di applicazione. Il corso ha come obiettivo lo studio delle principali metodologie sviluppate nell'ambito della network analysis.

L'esame prevede la realizzazione di un work project (con presentazione orale) e una discussione orale sui temi trattati durante il corso.
L'obiettivo è quello di valutare (i) la comprensione degli argomenti trattati durante il corso; (ii) la capacità di identificare le metodologie di analisi più adeguate in funzione dei dati di cui si dispone e degli obiettivi di ricerca prefissati; (iii) la capacità di trarre conclusioni adeguate alla luce dei risultati; (iv) la capacità di comunicare in maniera chiara ed efficace i risultati ottenuti.
Work project (30%): analisi di un dataset tramite le metodologie introdotte durante il corso e presentazione risultati in forma orale
Esame orale (70%): 3 domande. Durata: Fino ad un massimo di 60 minuti.

1) Newman (2010) -- Networks: an introduction
2) Lusher, Koskinen, and Robins (2012) -- Exponential Random Graph Models for Social Networks: Theory, Methods, and applications
3) Altro materiale fornito durante il corso

Il corso si propone di fornire le informazioni essenziali, da un punto di vista computazionale, dei risultati principali della fisica statistica:
Teoria dei sistemi dinamici, biforcazioni e caos.
Teoria dei processi stocastici, catene di Markov, transizioni di fase. Approccio di campo medio.
Meccanica statistica di equilibrio. Calcolo Monte-Carlo
Applicazioni a vari campi dell’ingegneria computazionale.

Sistemi dinamici, biforcazioni. Soluzioni numeriche. Mappe. Caos Processi stocastici. Catene di Markov, equazione di Langevin e di Fokker-Planck. Transizioni di fase. Campo medio.
Richiami di termodinamica e di fisica quantistica. Teoria cinetica. Equilibrio. Integrazione Monte-Carlo.
Teoria delle reti.
Applicazioni a ottimizzazione stocastica, complessità algoritmica, reti neurali, algoritmi genetici, Boltzmann machine, controllo e sincronizzazione

1) Produzione di un testo con svolgimento sintetico di alcuni temi delle lezioni.
2) Discussione di un elaborato su un argomento del corso (preferibilmente la riproduzione di simulazioni di un articolo). Durata dell'esposizione circa 15 minuti

Steven Strogatz, Nonlinear Dynamics and Chaos, 2nd Edition: With Applications to Physics, Biology, Chemistry, and Engineering, Westview Press (2014)
Werner Krauth, Statistical Mechanics: Algorithms and Computations (Oxford Master Series in Statistical, Computational, and Theoretical Physics) (2006)
Eric Bertin, Statistical Physics of Complex Systems: A Concise Introduction, Springer 2012