Corso di laurea

Ingegneria Informatica

Università Telematica Guglielmo Marconi · 168 materie · 0 file condivisi

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

Sfoglia il materiale didattico

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

Materie del corso

Architetture per l’Internet of Things 1° anno · 12 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di dimostrare: 1. Conoscenza e comprensione Conoscenza dei modelli di architettura Cloud, IoT e i nuovi modelli Edge e Fog computing. Conoscenza dei paradigmi…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di dimostrare:

1. Conoscenza e comprensione

  • Conoscenza dei modelli di architettura Cloud, IoT e i nuovi modelli Edge e Fog computing.
  • Conoscenza dei paradigmi architetturali per l’Industria 4.0, Limitazioni tecnologiche e nuove architetture hardware.
  • Conoscenza delle architetture classiche con il modello di Von Neumann e Harvard.
  • Conoscenza delle nuove micro-architetture e dei concetti di Pipelining nelle CPU.
  • Conoscenza delle nuove memorie e della gerarchia di memoria nei processori moderni.
  • Conoscenza delle memorie Cache, utilizzo ed ottimizzazione.
  • Conoscenza della tecnologia ed architettura FPGA.
  • Conoscenza delle architetture SoC FPGA.
  • Conoscenza delle architetture TPU.
  • Conoscenza delle tecniche di profiling ed ottimizzazione di programmazione su CPU.
  • Conoscenza dei modelli di programmazione GPU: Cuda, OpenCL e OpenACC.
  • Conoscenza delle Architetture Dataflow, e.g. Maxeler e modello di programmazione.
  • Conoscenza dei principi di Hadware/Software Codesign.
  • Conoscenza dei principi di Virtualizzazione su architetture IoT.

2. Capacità di applicare conoscenze e comprensione

  • Capacità di dimensionare una memoria Cache.
  • Capacità di applicare tecniche base di ottimizzazione su codice C.
  • Capacità di programmazione di un kernel base in Cuda e Maxeler.

3. Competenze trasversali

  • Capacità di selezionare un’architettura hardware e un modello di programmazione opportuno per un caso d’uso in un’applicazione IoT, considerando tutti i modelli architetturali e i modelli di programmazione affrontati nel corso e confrontati durante le lezioni.

Programma

Il corso ha l'obiettivo di presentare le nuove architetture di calcolatori e l'ottimizzazione dei loro modelli di programmazione per l’Internet of Things. Partendo dai moderni paradigmi computazionali per l'Industria 4.0, come l'Edge Computing, Fog Computing, Cloud Computing, e i Cyber-Physical-Systems (CPSs). Per questi nuovi paradigmi computazionali verranno presentate le soluzioni hardware utilizzate oggi, quali: Many-Core CPUs, GPUs, TPUs for AI, SoCs. In dettaglio, per tali architetture di calcolatori si affronteranno problematiche di hardware-software co-design e le moderne tecniche architetturali (e.g., Pipelines, Coherency, Cache). Infine, grazie alle conoscenze architetturali acquisite verranno affrontate le tecniche di virtualizzazione hardware-software su Edge e Cloud, i modelli di programmazione (e.g., Cuda, OpenCL), le tecniche di ottimizzazione di programmazione, quali: Array e Matrix ordering, Cache Reuse, Loop Optimization, Coalescing, ed altre tecniche di programmazione avanzate per C/C++ e Cuda.

Paradigmi computazionali per l’Internet of Things & Industria 4.0

  • Paradigmi computazionali per l’Internet of Things
  • Paradigmi computazionali per l’Industria 4.0
  • Limiti e trend tecnologici delle nuove architetture hardware
  • Le nuove Architetture di Processore per loT
  • Architetture Dataflow
  • Introduzione alle nuove Piattaforme Hardware

Micro-architetture per l’ Internet of Things

  • Introduzione alle Architetture Pipelining
  • Pipelining Hazard
  • Introduzione alla gerarchia delle memorie
  • Memorie Cache
  • Memoria Virtuale, Coerenza e Consistenza
  • Tecnologia e Architettura delle FPGA
  • IP & Hardware Design Flow for IoT
  • SIMD and GPU Architecture
  • Application Domain Architecture & TPU Processors

Modelli di programmazione per l’Internet of Things

  • Profiling per CPU in IoT
  • Compiler optimization per CPU in IoT
  • Programmazione Cuda
  • CUDA - Aspetti avanzati
  • Linguaggi per la programmazione parallela di CPU e GPU
  • Maxeler
  • Principi di Hardware/Software Codesign

Virtualizzazione hardware-software per Cloud & IoT

  • Virtualization & Hypervisor per IoT

Modalità d'esame

L’esame si svolge in forma scritta. La prova scritta consiste in quattro domande aperte e 2 semplici esercizi tratti dagli esempi mostrati a lezione. La durata dell’esame è di 90 minuti.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente e ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi:

  • Computer Architecture. A Quantitative Approach. Sixth Edition - 2017 -. John L. Hennessy. Stanford University. David A. Patterson. University of California, Berkeley.
  • Computer organization and design: the hardware/software interface/David A. Patterson, John L. Hennessy. — 5 th edition (Italian version available).
  • Patrick R. Schaumont: A Practical Introduction to Hardware/Software Codesign, Springer, 2013.

Per approfondimento:

  • Materiale in bibliografia nelle slides delle singole lezioni.

Codice insegnamento UC63624

Architetture per l’Internet of Things 1° anno · 12 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di dimostrare: 1. Conoscenza e comprensione Conoscenza dei modelli di architettura Cloud, IoT e i nuovi modelli Edge e Fog computing. Conoscenza dei paradigmi…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di dimostrare:

1. Conoscenza e comprensione

  • Conoscenza dei modelli di architettura Cloud, IoT e i nuovi modelli Edge e Fog computing.
  • Conoscenza dei paradigmi architetturali per l’Industria 4.0, Limitazioni tecnologiche e nuove architetture hardware.
  • Conoscenza delle architetture classiche con il modello di Von Neumann e Harvard.
  • Conoscenza delle nuove micro-architetture e dei concetti di Pipelining nelle CPU.
  • Conoscenza delle nuove memorie e della gerarchia di memoria nei processori moderni.
  • Conoscenza delle memorie Cache, utilizzo ed ottimizzazione.
  • Conoscenza della tecnologia ed architettura FPGA.
  • Conoscenza delle architetture SoC FPGA.
  • Conoscenza delle architetture TPU.
  • Conoscenza delle tecniche di profiling ed ottimizzazione di programmazione su CPU.
  • Conoscenza dei modelli di programmazione GPU: Cuda, OpenCL e OpenACC.
  • Conoscenza delle Architetture Dataflow, e.g. Maxeler e modello di programmazione.
  • Conoscenza dei principi di Hadware/Software Codesign.
  • Conoscenza dei principi di Virtualizzazione su architetture IoT.

2. Capacità di applicare conoscenze e comprensione

  • Capacità di dimensionare una memoria Cache.
  • Capacità di applicare tecniche base di ottimizzazione su codice C.
  • Capacità di programmazione di un kernel base in Cuda e Maxeler.

3. Competenze trasversali

  • Capacità di selezionare un’architettura hardware e un modello di programmazione opportuno per un caso d’uso in un’applicazione IoT, considerando tutti i modelli architetturali e i modelli di programmazione affrontati nel corso e confrontati durante le lezioni.

Programma

Il corso ha l'obiettivo di presentare le nuove architetture di calcolatori e l'ottimizzazione dei loro modelli di programmazione per l’Internet of Things. Partendo dai moderni paradigmi computazionali per l'Industria 4.0, come l'Edge Computing, Fog Computing, Cloud Computing, e i Cyber-Physical-Systems (CPSs). Per questi nuovi paradigmi computazionali verranno presentate le soluzioni hardware utilizzate oggi, quali: Many-Core CPUs, GPUs, TPUs for AI, SoCs. In dettaglio, per tali architetture di calcolatori si affronteranno problematiche di hardware-software co-design e le moderne tecniche architetturali (e.g., Pipelines, Coherency, Cache). Infine, grazie alle conoscenze architetturali acquisite verranno affrontate le tecniche di virtualizzazione hardware-software su Edge e Cloud, i modelli di programmazione (e.g., Cuda, OpenCL), le tecniche di ottimizzazione di programmazione, quali: Array e Matrix ordering, Cache Reuse, Loop Optimization, Coalescing, ed altre tecniche di programmazione avanzate per C/C++ e Cuda.

Paradigmi computazionali per l’Internet of Things & Industria 4.0

  • Paradigmi computazionali per l’Internet of Things
  • Paradigmi computazionali per l’Industria 4.0
  • Limiti e trend tecnologici delle nuove architetture hardware
  • Le nuove Architetture di Processore per loT
  • Architetture Dataflow
  • Introduzione alle nuove Piattaforme Hardware

Micro-architetture per l’ Internet of Things

  • Introduzione alle Architetture Pipelining
  • Pipelining Hazard
  • Introduzione alla gerarchia delle memorie
  • Memorie Cache
  • Memoria Virtuale, Coerenza e Consistenza
  • Tecnologia e Architettura delle FPGA
  • IP & Hardware Design Flow for IoT
  • SIMD and GPU Architecture
  • Application Domain Architecture & TPU Processors

Modelli di programmazione per l’Internet of Things

  • Profiling per CPU in IoT
  • Compiler optimization per CPU in IoT
  • Programmazione Cuda
  • CUDA - Aspetti avanzati
  • Linguaggi per la programmazione parallela di CPU e GPU
  • Maxeler
  • Principi di Hardware/Software Codesign

Virtualizzazione hardware-software per Cloud & IoT

  • Virtualization & Hypervisor per IoT

Modalità d'esame

L’esame si svolge in forma scritta. La prova scritta consiste in quattro domande aperte e 2 semplici esercizi tratti dagli esempi mostrati a lezione. La durata dell’esame è di 90 minuti.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente e ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi:

  • Computer Architecture. A Quantitative Approach. Sixth Edition - 2017 -. John L. Hennessy. Stanford University. David A. Patterson. University of California, Berkeley.
  • Computer organization and design: the hardware/software interface/David A. Patterson, John L. Hennessy. — 5 th edition (Italian version available).
  • Patrick R. Schaumont: A Practical Introduction to Hardware/Software Codesign, Springer, 2013.

Per approfondimento:

  • Materiale in bibliografia nelle slides delle singole lezioni.

Codice insegnamento UC63721

Big Data Analytics in architetture Internet of Things 1° anno · 12 CFU · IINF-05/A · 0 file

Il presente corso è finalizzato a fornire: una conoscenza sufficientemente approfondita ed integrata delle componenti funzionali e tecnologiche necessarie all’implementazione di sistemi BDA (descrittore Dublino 1); le…

Scheda dell'insegnamento

Obiettivi formativi

Il presente corso è finalizzato a fornire:

  • una conoscenza sufficientemente approfondita ed integrata delle componenti funzionali e tecnologiche necessarie all’implementazione di sistemi BDA (descrittore Dublino 1);
  • le adeguate competenze per progettare e implementare un sistema BDA, rappresentativo di un sistema reale (descrittore Dublino 2);
  • la capacità di interpretare in autonomia le caratteristiche basilari di processi reali che necessitano di essere trattati mediante sistemi BDA e pertanto l’abilità di progettare, implementare, rilasciare ed eseguire applicazioni che coprano l’intero ciclo di vita di un sistema BDA (descrittore Dublino 3);
  • la capacità di comunicare le principali caratteristiche e funzionalità di un sistema BDA (descrittore Dublino 4);
  • un quadro architetturale (strutturale, tecnologico e funzionale) tale da consentire l’incremento continuo di conoscenza atto a far evolvere il quadro stesso (descrittore Dublino 5).

Programma

La crescita costante dell’economia globale ha generato da almeno due decadi grandi sfide competitive per aziende di tutte le dimensioni, dal momento che internet consente anche alle piccole organizzazioni di affacciarsi sul mercato globale.

La principale leva per la competizione globale è rappresentata dalla continua innovazione che consente di acquisire e mantenere vantaggio competitivo. La disponibilità degli enormi volumi di dati generati ad elevata velocità dai social media, da Internet of Things e dalle stesse organizzazioni, la necessità di un time-to-market sempre più breve, impongono l’adozione del paradigma data-driven e conseguentemente di infrastrutture IT di elevate capacità di calcolo, scalabilità e affidabilità. L’integrazione di tutto questo consente l’efficace adozione di sistemi di Big Data Analytics (BDA). Le principali tecnologie che consentono l’implementazione di sistemi BDA in grado di soddisfare i requisiti delle aziende globali, sono:

1. cloud computing;

2. virtualizzazione;

3. clusterizzazione;

4. distributed computing;

5. framework (tipicamente open source) di software analytics e machine learning;
6. protocolli standard di comunicazione tra smart devices ed applicazioni software.

Modulo 1 - Contesto economico e tecnologico
Durante questa parte del corso verrà illustrato come la moderna tecnologia IT sia il naturale ed indispensabile supporto per le organizzazioni che operano nel mercato globale.
Obiettivi:

  • conoscere e comprendere, in generale, le caratteristiche fondamentali delle infrastrutture IT di supporto ad organizzazioni che operano in mercati globali;
  • valutare la connessione tra infrastrutture IT e vantaggio competitivo.

Videolezioni:
1. Presentazione del corso
2. Scenario macro economico globale
3. Infrastrutture IT e Big Data Analytics per il vantaggio competitivo

Modulo 2: Sistemi di Big Data Analytics
In questa parte del corso vengono illustrati in modo approfondito i sistemi BDA dal punto di vista sia metodologico che tecnologico. Viene implementato un caso di studio, denominato SIGMA, su piattaforma standalone in Apache Spark.
Obiettivi:

  • conoscere e comprendere, in modo approfondito, il ciclo di vita delle applicazioni BDA e di Machine Learning, nonché le caratteristiche principali di ogni fase di tale ciclo di vita;
  • conoscere e comprendere le tipologie di processi produttivi che necessitano del supporto di sistemi BDA;
  • conoscere e comprendere le carateristiche dei Big Data;
  • conoscere, installare e utilizzare l’architettura tecnologica Ububtu/Apache Spark/Python/MariaDB;
  • implementare un sistema BDA near-real time, avente come caso di studio il manufacturing.

Videolezioni
4. Introduzione
5. Data Warehouse
6. Big Data e Data Science
7. Richiami di Machine Learning - Parte 1
8. Richiami di Machine Learning - Parte 2
9. Architetture IT per il Manufacturing
10. Ambiente di sviluppo software - Parte 1
11. Ambiente di sviluppo software – Parte 2
12. Apache Spark - Parte 1
13. Apache Spark - Parte 2
14. Manufacturing Big Data Analytics - Setup Parte 1
15. Manufacturing Big Data Analytics - Setup Parte 2
16. Manufacturing Big Data Analytics - Setup Parte 3
17. Distributed Version Contro System, Logging, Streaming
18. Staging
19. Ingestion
20. Retention

Modulo 3: Industrial Internet Of Things
In questa sezione vengono illustrati sia l’importanza della connettività nel settore del manufacturing (componente centrale del paradigma Industria 4.0) sia il protocollo OPC-UA, uno dei più diffusi standard di comunicazione tra applicazioni software e dispositivi smart.
Obiettivi:

  • definire lo Industrial Internet of Things;
  • collocare correttamente IIoT nel moderno contesto economico e tecnologico;
  • conoscere il valore aggiunto che IIoT può fornire ai processi produttivi (testimonianza manageriale);
  • conoscere l’architettura di OPC-IA e le best practices adottate nello sviluppo di applicazioni IIoT basate sul protocollo OPC-UA;
  • la logica di comunicazione tra server e client OPC-UA, sia nella modalità sincrona che asincrona;
  • il package FreeOpcua per lo sviluppo in linguaggio Python di applicazioni IIoT, e di un server ed un client OPC-UA in Python.

Videolezioni
21. IIoT
22. OPC-UA - Parte I
23. OPC-UA - Parte II

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta e/o orale. Il punteggio della prova è espresso in trentesimi.
La prova scritta consiste in domande a risposta aperta sugli argomenti specifici del corso. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali relativi al processo di modernizzazione e aziendalizzazione del settore pubblico e tutte le attività, regolamentazioni, metodi e infrastrutture introdotte da tali processi (prescrizioni Dublino 1) e la capacità dello studente di applicare tali conoscenze tramite la descrizione di funzionalità e strumenti implementati in scenari reali e attualmente in uso (prescrizioni Dublino 2). La prova scritta ha una durata massima di 120 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.
La prova orale consiste in un colloquio frontale sugli argomenti trattati nel corso. Durante la prova orale verrà richiesto agli studenti di esporre gli argomenti trattati durante il corso, al fine di verificare la capacità di apprendimento dei fondamenti di un governo digitale e delle relative normative (prescrizioni Dublino 1). Durante la prova orale si cerca anche di valutare la capacità dello studente di presentare degli esempi, dei casi di studio, per verificare il livello di acquisizione degli strumenti introdotti (prescrizioni Dublino 3).
La prova orale ha una durata media di 30 minuti.
L’esame, in entrambe le forme, è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.
Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto; mostrando un’attitudine a risolvere nuove sfide (prescrizioni Dublino 5);
  • della padronanza di linguaggio dello studente (prescrizioni Dublino 4);
  • della capacità di applicare architetture, funzionalità o strumenti alla risoluzione di problemi reali (prescrizioni Dublino 2) e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali (prescrizioni Dublino 3).

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze per l’analisi dei problemi complessi, una conoscenza di base sulle funzionalità e sui principali elementi degli strumenti introdotti in tale processo (prescrizioni Dublino 1). Per conseguire un punteggio pari a 30/30 e lode, lo studente deve inoltre dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso (prescrizioni Dublino 2).
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed al materiale didattico pubblicato in piattaforma, è consigliato l’utilizzo dei seguenti testi:

  • Aven (2018) Data Analytics with Spark Using Python, Addison-Wesley, http://www.informit.com/store/data-analytics-with-spark-using-python-9780134846019
  • Kimball, M. Ross (2013) The Data Warehouse Toolkit, The Definitive Guide to Dimensional Modeling, Tthird edition, John Wiley & Son
  • Drabas, D. Lee (2017) Learning Python, Packet Publishing
  • Immon (2016 First Edition) Data Lake Architecture, Technics Publications

Codice insegnamento UC63663

Big Data Analytics in architetture Internet of Things 1° anno · 12 CFU · IINF-05/A · 0 file

Il presente corso è finalizzato a fornire: una conoscenza sufficientemente approfondita ed integrata delle componenti funzionali e tecnologiche necessarie all’implementazione di sistemi BDA (descrittore Dublino 1); le…

Scheda dell'insegnamento

Obiettivi formativi

Il presente corso è finalizzato a fornire:

  • una conoscenza sufficientemente approfondita ed integrata delle componenti funzionali e tecnologiche necessarie all’implementazione di sistemi BDA (descrittore Dublino 1);
  • le adeguate competenze per progettare e implementare un sistema BDA, rappresentativo di un sistema reale (descrittore Dublino 2);
  • la capacità di interpretare in autonomia le caratteristiche basilari di processi reali che necessitano di essere trattati mediante sistemi BDA e pertanto l’abilità di progettare, implementare, rilasciare ed eseguire applicazioni che coprano l’intero ciclo di vita di un sistema BDA (descrittore Dublino 3);
  • la capacità di comunicare le principali caratteristiche e funzionalità di un sistema BDA (descrittore Dublino 4);
  • un quadro architetturale (strutturale, tecnologico e funzionale) tale da consentire l’incremento continuo di conoscenza atto a far evolvere il quadro stesso (descrittore Dublino 5).

Programma

La crescita costante dell’economia globale ha generato da almeno due decadi grandi sfide competitive per aziende di tutte le dimensioni, dal momento che internet consente anche alle piccole organizzazioni di affacciarsi sul mercato globale.

La principale leva per la competizione globale è rappresentata dalla continua innovazione che consente di acquisire e mantenere vantaggio competitivo. La disponibilità degli enormi volumi di dati generati ad elevata velocità dai social media, da Internet of Things e dalle stesse organizzazioni, la necessità di un time-to-market sempre più breve, impongono l’adozione del paradigma data-driven e conseguentemente di infrastrutture IT di elevate capacità di calcolo, scalabilità e affidabilità. L’integrazione di tutto questo consente l’efficace adozione di sistemi di Big Data Analytics (BDA). Le principali tecnologie che consentono l’implementazione di sistemi BDA in grado di soddisfare i requisiti delle aziende globali, sono:

1. cloud computing;

2. virtualizzazione;

3. clusterizzazione;

4. distributed computing;

5. framework (tipicamente open source) di software analytics e machine learning;
6. protocolli standard di comunicazione tra smart devices ed applicazioni software.

Modulo 1 - Contesto economico e tecnologico
Durante questa parte del corso verrà illustrato come la moderna tecnologia IT sia il naturale ed indispensabile supporto per le organizzazioni che operano nel mercato globale.
Obiettivi:

  • conoscere e comprendere, in generale, le caratteristiche fondamentali delle infrastrutture IT di supporto ad organizzazioni che operano in mercati globali;
  • valutare la connessione tra infrastrutture IT e vantaggio competitivo.

Videolezioni:
1. Presentazione del corso
2. Scenario macro economico globale
3. Infrastrutture IT e Big Data Analytics per il vantaggio competitivo

Modulo 2: Sistemi di Big Data Analytics
In questa parte del corso vengono illustrati in modo approfondito i sistemi BDA dal punto di vista sia metodologico che tecnologico. Viene implementato un caso di studio, denominato SIGMA, su piattaforma standalone in Apache Spark.
Obiettivi:

  • conoscere e comprendere, in modo approfondito, il ciclo di vita delle applicazioni BDA e di Machine Learning, nonché le caratteristiche principali di ogni fase di tale ciclo di vita;
  • conoscere e comprendere le tipologie di processi produttivi che necessitano del supporto di sistemi BDA;
  • conoscere e comprendere le carateristiche dei Big Data;
  • conoscere, installare e utilizzare l’architettura tecnologica Ububtu/Apache Spark/Python/MariaDB;
  • implementare un sistema BDA near-real time, avente come caso di studio il manufacturing.

Videolezioni
4. Introduzione
5. Data Warehouse
6. Big Data e Data Science
7. Richiami di Machine Learning - Parte 1
8. Richiami di Machine Learning - Parte 2
9. Architetture IT per il Manufacturing
10. Ambiente di sviluppo software - Parte 1
11. Ambiente di sviluppo software – Parte 2
12. Apache Spark - Parte 1
13. Apache Spark - Parte 2
14. Manufacturing Big Data Analytics - Setup Parte 1
15. Manufacturing Big Data Analytics - Setup Parte 2
16. Manufacturing Big Data Analytics - Setup Parte 3
17. Distributed Version Contro System, Logging, Streaming
18. Staging
19. Ingestion
20. Retention

Modulo 3: Industrial Internet Of Things
In questa sezione vengono illustrati sia l’importanza della connettività nel settore del manufacturing (componente centrale del paradigma Industria 4.0) sia il protocollo OPC-UA, uno dei più diffusi standard di comunicazione tra applicazioni software e dispositivi smart.
Obiettivi:

  • definire lo Industrial Internet of Things;
  • collocare correttamente IIoT nel moderno contesto economico e tecnologico;
  • conoscere il valore aggiunto che IIoT può fornire ai processi produttivi (testimonianza manageriale);
  • conoscere l’architettura di OPC-IA e le best practices adottate nello sviluppo di applicazioni IIoT basate sul protocollo OPC-UA;
  • la logica di comunicazione tra server e client OPC-UA, sia nella modalità sincrona che asincrona;
  • il package FreeOpcua per lo sviluppo in linguaggio Python di applicazioni IIoT, e di un server ed un client OPC-UA in Python.

Videolezioni
21. IIoT
22. OPC-UA - Parte I
23. OPC-UA - Parte II

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta e/o orale. Il punteggio della prova è espresso in trentesimi.
La prova scritta consiste in domande a risposta aperta sugli argomenti specifici del corso. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali relativi al processo di modernizzazione e aziendalizzazione del settore pubblico e tutte le attività, regolamentazioni, metodi e infrastrutture introdotte da tali processi (prescrizioni Dublino 1) e la capacità dello studente di applicare tali conoscenze tramite la descrizione di funzionalità e strumenti implementati in scenari reali e attualmente in uso (prescrizioni Dublino 2). La prova scritta ha una durata massima di 120 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.
La prova orale consiste in un colloquio frontale sugli argomenti trattati nel corso. Durante la prova orale verrà richiesto agli studenti di esporre gli argomenti trattati durante il corso, al fine di verificare la capacità di apprendimento dei fondamenti di un governo digitale e delle relative normative (prescrizioni Dublino 1). Durante la prova orale si cerca anche di valutare la capacità dello studente di presentare degli esempi, dei casi di studio, per verificare il livello di acquisizione degli strumenti introdotti (prescrizioni Dublino 3).
La prova orale ha una durata media di 30 minuti.
L’esame, in entrambe le forme, è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.
Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto; mostrando un’attitudine a risolvere nuove sfide (prescrizioni Dublino 5);
  • della padronanza di linguaggio dello studente (prescrizioni Dublino 4);
  • della capacità di applicare architetture, funzionalità o strumenti alla risoluzione di problemi reali (prescrizioni Dublino 2) e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali (prescrizioni Dublino 3).

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze per l’analisi dei problemi complessi, una conoscenza di base sulle funzionalità e sui principali elementi degli strumenti introdotti in tale processo (prescrizioni Dublino 1). Per conseguire un punteggio pari a 30/30 e lode, lo studente deve inoltre dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso (prescrizioni Dublino 2).
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed al materiale didattico pubblicato in piattaforma, è consigliato l’utilizzo dei seguenti testi:

  • Aven (2018) Data Analytics with Spark Using Python, Addison-Wesley, http://www.informit.com/store/data-analytics-with-spark-using-python-9780134846019
  • Kimball, M. Ross (2013) The Data Warehouse Toolkit, The Definitive Guide to Dimensional Modeling, Tthird edition, John Wiley & Son
  • Drabas, D. Lee (2017) Learning Python, Packet Publishing
  • Immon (2016 First Edition) Data Lake Architecture, Technics Publications

Codice insegnamento UC455458

Data Science and Analytics 1° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso lo studente sarà in grado di: 1. Conoscere e comprendere: Le fasi e le dinamiche dell'intero ciclo di vita di un progetto data-driven, inclusi il framework CRISP-DM e le metodologie Agile…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso lo studente sarà in grado di:

1. Conoscere e comprendere:

  • Le fasi e le dinamiche dell'intero ciclo di vita di un progetto data-driven, inclusi il framework CRISP-DM e le metodologie Agile applicate ai dati.
  • I fondamenti matematici e algoritmici alla base dei principali modelli di Machine Learning supervisionato (modelli lineari, logistici e basati su alberi) e di Machine Learning non supervisionato (clustering).
  • Le peculiarità vettoriali e i requisiti teorici per l'analisi delle serie storiche (Time Series Forecasting).
  • Le logiche avanzate di validazione dei modelli, la gestione del trade-off tra bias e varianza e le cause teoriche degli errori sistemici, come il Data Leakage.
  • I concetti architetturali legati alla messa in produzione dei modelli (ModelOps), identificando il debito tecnico intrinseco e i principali anti-pattern sistemici del Machine Learning.

2. Capacità di applicare conoscenza e comprensione:

  • Utilizzare operativamente l'ecosistema Python per condurre in autonomia l'Analisi Esplorativa (EDA), la pulizia dei dati e il Feature Engineering su dataset complessi.
  • Addestrare, ottimizzare e validare rigorosamente modelli predittivi, selezionando le metriche di valutazione più adeguate allo specifico problema affrontato.
  • Trattare operativamente i dati temporali, estraendo feature specifiche (es. lag features, sliding windows) e applicando il corretto partizionamento per la validazione (Time Series Split).
  • Diagnosticare le criticità tipiche del deployment, traducendo i modelli matematici in soluzioni software ingegnerizzabili e mitigando problemi come i feedback loop in produzione.

3. Competenze trasversali:

  • Autonomia di giudizio: capacità di valutare criticamente l'allineamento tra le performance puramente statistiche dei modelli (Technical Metrics) e il valore reale generato per l'azienda (Business KPI).
  • Abilità comunicative: capacità di presentare insight complessi in modo chiaro e persuasivo, sia agli interlocutori tecnici sia ai decision maker aziendali, avvalendosi di tecniche mirate di Data Visualization.
  • Capacità di lavoro in team: interiorizzazione delle dinamiche dei team interfunzionali e del ruolo del "T-Shaped Professional", acquisendo la forma mentis per collaborare efficacemente all'intersezione tra ingegneria del software, matematica e business.

Programma

L'insegnamento di Data Science and Analytics analizza l'intero ciclo di vita di un progetto data-driven, colmando il divario tra la sperimentazione algoritmica e l'ingegnerizzazione di sistemi di Machine Learning robusti, scalabili e orientati al business. Il percorso didattico parte dai fondamenti metodologici, approfondendo il framework CRISP-DM, l'Agile Data Science e le dinamiche dei team moderni, per poi fornire le competenze operative necessarie all'Analisi Esplorativa (EDA) e al Feature Engineering in ambiente Python. L'insegnamento prosegue esaminando la modellazione predittiva con rigore matematico e computazionale, coprendo algoritmi supervisionati e non supervisionati, nonché l'analisi delle serie storiche. Un'attenzione cruciale è rivolta alla validazione ingegneristica: l'obiettivo è padroneggiare il trade-off tra bias e varianza e prevenire errori sistemici come il Data Leakage. Nella fase conclusiva, il corso affronta le sfide della messa in produzione, focalizzandosi sulla diagnosi degli anti-pattern, sulla gestione del debito tecnico e sulle strategie di ModelOps. Attraverso l'analisi di casi reali, si mira a formare ingegneri con profilo "T-Shaped", capaci di tradurre la teoria statistica in soluzioni software manutenibili che allineino i risultati tecnici ai KPI aziendali.

Il corso si articola in 15 videolezioni.

MODULO 1: Fondamenti, Metodologie e Stack Tecnologico
1. Fondamenti, Ruoli ed Etica nell'era Data-Driven

  • Definizione dei confini tra Data Science, AI e Data Engineering.
  • Analisi dei ruoli nel team moderno (competenze T- Shaped) e valutazione rigorosa dei rischi etici e dei bias algoritmici.

2. Gestione del Progetto: Metodologie e Agile Data Science

  • Transizione dalla sperimentazione al prodotto tramite il framework CRISP-DM. Applicazione di metodologie Agile, Scrum e Kanban ai progetti data-driven, con focus sugli errori comuni e la gestione del fallimento.

3. Gestione dell'Innovazione e Stack Tecnologico

  • Analisi del trade-off tra ricerca algoritmica e processi operativi stabili. Scelte infrastrutturali, ruolo dell'ecosistema Python (librerie core) e setup ingegneristico di ambienti professionali sicuri e containerizzati.

MODULO 2: Dati, Python e Visualizzazione
4. Python per la Data Science: Manipolazione e Analisi dei Dati

  • Architetture interattive (REPL) e calcolo vettoriale ad alte prestazioni con NumPy.
  • Ingestione, manipolazione relazionale e aggregazione multidimensionale (Split-Apply-Combine) di dati strutturati tramite Pandas.

5. Analisi Esplorativa dei Dati (EDA) e Pulizia del Dataset

  • Fondamenti di statistica descrittiva univariata e bivariata.
  • Tassonomia e imputazione dei dati mancanti, identificazione analitica degli outlier (Z-Score, IQR) e profilazione automatizzata.

6. Data Visualization: Dall'Analisi Visiva alla Business Communication

  • Principi di percezione visiva (Gestalt) e architettura grafica di Matplotlib e Seaborn.
  • Visualizzazione statistica multidimensionale e ottimizzazione del Data-Ink Ratio per il reporting aziendale automatizzato.

7. Feature Engineering: Trasformazione e Creazione delle Variabili

  • Formalizzazione matematica dei predittori, tecniche avanzate di codifica categoriale e scaling numerico.
  • Estrazione di nuove feature, mitigazione della Curse of Dimensionality e selezione algoritmica con rigorosa prevenzione del Data Leakage.

MODULO 3: Modellazione Predittiva e Machine Learning
8. Predictive Analytics: Machine Learning Supervisionato e Regressione

  • Fondamenti formali dell'apprendimento supervisionato e formulazione matematica della regressione lineare (OLS, Discesa del gradiente).
  • Diagnostica delle assunzioni statistiche, metriche di valutazione (RMSE, R²) e regolarizzazione (Lasso, Ridge).

9. Predictive Analytics: Classificazione Binaria e Regressione Logistica

  • Formulazione matematica della classificazione tramite Regressione Logistica e ottimizzazione basata su cross-entropia (Log-Loss).
  • Valutazione delle performance su dataset sbilanciati mediante Matrice di Confusione, metriche derivate (Precision, Recall, F1-Score) e calibrazione delle soglie decisionali tramite curve ROC/AUC.

10. Predictive Analytics: Classificazione Multiclasse e Algoritmi ad Albero

  • Estensione multiclasse (Softmax) e modellazione tramite Alberi di Decisione (Gini, Entropia).
  • Implementazione di strategie ensemble (Random Forest) per l’ottimizzazione del trade-off bias-varianza e analisi dell'interpretabilità algoritmica (Feature Importance, LIME).

11. Valutazione Avanzata: Generalizzazione, Cross-Validazione e Bias-Varianza

  • Analisi della capacità di generalizzazione e scomposizione matematica dell’errore nel trade-off bias-varianza.
  • Implementazione di protocolli di validazione robusta (K-Fold, Stratified), diagnostica tramite curve di apprendimento e prevenzione rigorosa del Data Leakage.

MODULO 4: Ottimizzazione, Advanced Analytics e Produzione
12. Advanced Analytics: Apprendimento Non Supervisionato e Clustering

  • Formalizzazione del paradigma non supervisionato e implementazione del clustering K-Means.
  • Ingegnerizzazione dei dati (Scaling, PCA) e protocolli per la selezione del numero ottimo di cluster tramite Inertia e Silhouette Coefficient.

13. Advanced Analytics: Analisi delle Serie Storiche

  • Analisi dei dati temporali e decadimento dell'assunzione IID.
  • Decomposizione del segnale, feature engineering specifico (lag features) e protocolli di validazione sequenziale (Time Series Split) per la prevenzione rigorosa del leakage.

14. Sfide Reali: Anti-Pattern e Trappole Sistemiche nel Machine Learning

  • Analisi del disallineamento tra metriche tecniche e KPI di business e diagnosi del debito tecnico specifico (Glue Code, Pipeline Jungles).
  • Studio dei rischi sistemici legati ai Feedback Loops e delle dinamiche organizzative dei team interfunzionali.

15. Dal Modello al Valore: ModelOps, Deployment e Monitoraggio

  • Ingegnerizzazione e deployment dei modelli (API, Docker) per la transizione alla produzione.
  • Gestione del ciclo di vita tramite ModelOps, monitoraggio del degrado (Drift), test in produzione (A/B testing) e valutazione dell'impatto economico (ROI).

Modalità d'esame

L’esame si svolge in forma scritta. Il punteggio della prova è espresso in trentesimi. La prova scritta consiste in domande a risposta aperta relative agli argomenti specifici del corso. Le domande sono formulate in questa tipologia sia per argomenti più teorici sia per quelli più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali relativi all’importanza e al valore dei dati, nonché la capacità della scienza dei dati di analizzare, ovvero estrapolare e mettere in relazione un’enorme mole di dati eterogenei. Durante la prova scritta, le domande saranno tali da consentire la valutazione della capacità dello studente di presentare esempi e casi di studio, per verificare il livello di acquisizione degli strumenti introdotti. La prova scritta ha una durata massima di 90 minuti, durante la quale gli studenti devono illustrare adeguatamente gli argomenti richiesti, dimostrando di aver raggiunto gli obiettivi formativi prefissati. L’esame è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.
L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi di studio e la comprensione delle problematiche proposte nel corso.
Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto; mostrando un’attitudine a risolvere nuove sfide;
  • della padronanza di linguaggio dello studente;
  • della capacità di descrivere come utilizzare gli strumenti introdotti in casi reali.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Le videolezioni e le slide del corso sono progettate per fornire tutto il materiale necessario alla comprensione e allo studio. I testi elencati costituiscono un utile supporto per approfondimenti teorici ed esercitazioni aggiuntive.

  • Anthony So, Thomas V. Joseph, Robert Thas John, Andrew Worsley, and Dr. Samuel Asare (2020). The Data Science Workshop: A new, Interactive Approach to Learning Data Science. Packt Publishing.
  • Kirill Dubovikov (2019). Managing Data Science: Effective strategies to manage data science projects and build a sustainable team. Packt Publishing.

Codice insegnamento UC63622

Data Science and Analytics 1° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso lo studente sarà in grado di: 1. Conoscere e comprendere: Le fasi e le dinamiche dell'intero ciclo di vita di un progetto data-driven, inclusi il framework CRISP-DM e le metodologie Agile…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso lo studente sarà in grado di:

1. Conoscere e comprendere:

  • Le fasi e le dinamiche dell'intero ciclo di vita di un progetto data-driven, inclusi il framework CRISP-DM e le metodologie Agile applicate ai dati.
  • I fondamenti matematici e algoritmici alla base dei principali modelli di Machine Learning supervisionato (modelli lineari, logistici e basati su alberi) e di Machine Learning non supervisionato (clustering).
  • Le peculiarità vettoriali e i requisiti teorici per l'analisi delle serie storiche (Time Series Forecasting).
  • Le logiche avanzate di validazione dei modelli, la gestione del trade-off tra bias e varianza e le cause teoriche degli errori sistemici, come il Data Leakage.
  • I concetti architetturali legati alla messa in produzione dei modelli (ModelOps), identificando il debito tecnico intrinseco e i principali anti-pattern sistemici del Machine Learning.

2. Capacità di applicare conoscenza e comprensione:

  • Utilizzare operativamente l'ecosistema Python per condurre in autonomia l'Analisi Esplorativa (EDA), la pulizia dei dati e il Feature Engineering su dataset complessi.
  • Addestrare, ottimizzare e validare rigorosamente modelli predittivi, selezionando le metriche di valutazione più adeguate allo specifico problema affrontato.
  • Trattare operativamente i dati temporali, estraendo feature specifiche (es. lag features, sliding windows) e applicando il corretto partizionamento per la validazione (Time Series Split).
  • Diagnosticare le criticità tipiche del deployment, traducendo i modelli matematici in soluzioni software ingegnerizzabili e mitigando problemi come i feedback loop in produzione.

3. Competenze trasversali:

  • Autonomia di giudizio: capacità di valutare criticamente l'allineamento tra le performance puramente statistiche dei modelli (Technical Metrics) e il valore reale generato per l'azienda (Business KPI).
  • Abilità comunicative: capacità di presentare insight complessi in modo chiaro e persuasivo, sia agli interlocutori tecnici sia ai decision maker aziendali, avvalendosi di tecniche mirate di Data Visualization.
  • Capacità di lavoro in team: interiorizzazione delle dinamiche dei team interfunzionali e del ruolo del "T-Shaped Professional", acquisendo la forma mentis per collaborare efficacemente all'intersezione tra ingegneria del software, matematica e business.

Programma

L'insegnamento di Data Science and Analytics analizza l'intero ciclo di vita di un progetto data-driven, colmando il divario tra la sperimentazione algoritmica e l'ingegnerizzazione di sistemi di Machine Learning robusti, scalabili e orientati al business. Il percorso didattico parte dai fondamenti metodologici, approfondendo il framework CRISP-DM, l'Agile Data Science e le dinamiche dei team moderni, per poi fornire le competenze operative necessarie all'Analisi Esplorativa (EDA) e al Feature Engineering in ambiente Python. L'insegnamento prosegue esaminando la modellazione predittiva con rigore matematico e computazionale, coprendo algoritmi supervisionati e non supervisionati, nonché l'analisi delle serie storiche. Un'attenzione cruciale è rivolta alla validazione ingegneristica: l'obiettivo è padroneggiare il trade-off tra bias e varianza e prevenire errori sistemici come il Data Leakage. Nella fase conclusiva, il corso affronta le sfide della messa in produzione, focalizzandosi sulla diagnosi degli anti-pattern, sulla gestione del debito tecnico e sulle strategie di ModelOps. Attraverso l'analisi di casi reali, si mira a formare ingegneri con profilo "T-Shaped", capaci di tradurre la teoria statistica in soluzioni software manutenibili che allineino i risultati tecnici ai KPI aziendali.

Il corso si articola in 15 videolezioni.

MODULO 1: Fondamenti, Metodologie e Stack Tecnologico
1. Fondamenti, Ruoli ed Etica nell'era Data-Driven

  • Definizione dei confini tra Data Science, AI e Data Engineering.
  • Analisi dei ruoli nel team moderno (competenze T- Shaped) e valutazione rigorosa dei rischi etici e dei bias algoritmici.

2. Gestione del Progetto: Metodologie e Agile Data Science

  • Transizione dalla sperimentazione al prodotto tramite il framework CRISP-DM. Applicazione di metodologie Agile, Scrum e Kanban ai progetti data-driven, con focus sugli errori comuni e la gestione del fallimento.

3. Gestione dell'Innovazione e Stack Tecnologico

  • Analisi del trade-off tra ricerca algoritmica e processi operativi stabili. Scelte infrastrutturali, ruolo dell'ecosistema Python (librerie core) e setup ingegneristico di ambienti professionali sicuri e containerizzati.

MODULO 2: Dati, Python e Visualizzazione
4. Python per la Data Science: Manipolazione e Analisi dei Dati

  • Architetture interattive (REPL) e calcolo vettoriale ad alte prestazioni con NumPy.
  • Ingestione, manipolazione relazionale e aggregazione multidimensionale (Split-Apply-Combine) di dati strutturati tramite Pandas.

5. Analisi Esplorativa dei Dati (EDA) e Pulizia del Dataset

  • Fondamenti di statistica descrittiva univariata e bivariata.
  • Tassonomia e imputazione dei dati mancanti, identificazione analitica degli outlier (Z-Score, IQR) e profilazione automatizzata.

6. Data Visualization: Dall'Analisi Visiva alla Business Communication

  • Principi di percezione visiva (Gestalt) e architettura grafica di Matplotlib e Seaborn.
  • Visualizzazione statistica multidimensionale e ottimizzazione del Data-Ink Ratio per il reporting aziendale automatizzato.

7. Feature Engineering: Trasformazione e Creazione delle Variabili

  • Formalizzazione matematica dei predittori, tecniche avanzate di codifica categoriale e scaling numerico.
  • Estrazione di nuove feature, mitigazione della Curse of Dimensionality e selezione algoritmica con rigorosa prevenzione del Data Leakage.

MODULO 3: Modellazione Predittiva e Machine Learning
8. Predictive Analytics: Machine Learning Supervisionato e Regressione

  • Fondamenti formali dell'apprendimento supervisionato e formulazione matematica della regressione lineare (OLS, Discesa del gradiente).
  • Diagnostica delle assunzioni statistiche, metriche di valutazione (RMSE, R²) e regolarizzazione (Lasso, Ridge).

9. Predictive Analytics: Classificazione Binaria e Regressione Logistica

  • Formulazione matematica della classificazione tramite Regressione Logistica e ottimizzazione basata su cross-entropia (Log-Loss).
  • Valutazione delle performance su dataset sbilanciati mediante Matrice di Confusione, metriche derivate (Precision, Recall, F1-Score) e calibrazione delle soglie decisionali tramite curve ROC/AUC.

10. Predictive Analytics: Classificazione Multiclasse e Algoritmi ad Albero

  • Estensione multiclasse (Softmax) e modellazione tramite Alberi di Decisione (Gini, Entropia).
  • Implementazione di strategie ensemble (Random Forest) per l’ottimizzazione del trade-off bias-varianza e analisi dell'interpretabilità algoritmica (Feature Importance, LIME).

11. Valutazione Avanzata: Generalizzazione, Cross-Validazione e Bias-Varianza

  • Analisi della capacità di generalizzazione e scomposizione matematica dell’errore nel trade-off bias-varianza.
  • Implementazione di protocolli di validazione robusta (K-Fold, Stratified), diagnostica tramite curve di apprendimento e prevenzione rigorosa del Data Leakage.

MODULO 4: Ottimizzazione, Advanced Analytics e Produzione
12. Advanced Analytics: Apprendimento Non Supervisionato e Clustering

  • Formalizzazione del paradigma non supervisionato e implementazione del clustering K-Means.
  • Ingegnerizzazione dei dati (Scaling, PCA) e protocolli per la selezione del numero ottimo di cluster tramite Inertia e Silhouette Coefficient.

13. Advanced Analytics: Analisi delle Serie Storiche

  • Analisi dei dati temporali e decadimento dell'assunzione IID.
  • Decomposizione del segnale, feature engineering specifico (lag features) e protocolli di validazione sequenziale (Time Series Split) per la prevenzione rigorosa del leakage.

14. Sfide Reali: Anti-Pattern e Trappole Sistemiche nel Machine Learning

  • Analisi del disallineamento tra metriche tecniche e KPI di business e diagnosi del debito tecnico specifico (Glue Code, Pipeline Jungles).
  • Studio dei rischi sistemici legati ai Feedback Loops e delle dinamiche organizzative dei team interfunzionali.

15. Dal Modello al Valore: ModelOps, Deployment e Monitoraggio

  • Ingegnerizzazione e deployment dei modelli (API, Docker) per la transizione alla produzione.
  • Gestione del ciclo di vita tramite ModelOps, monitoraggio del degrado (Drift), test in produzione (A/B testing) e valutazione dell'impatto economico (ROI).

Modalità d'esame

L’esame si svolge in forma scritta. Il punteggio della prova è espresso in trentesimi. La prova scritta consiste in domande a risposta aperta relative agli argomenti specifici del corso. Le domande sono formulate in questa tipologia sia per argomenti più teorici sia per quelli più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali relativi all’importanza e al valore dei dati, nonché la capacità della scienza dei dati di analizzare, ovvero estrapolare e mettere in relazione un’enorme mole di dati eterogenei. Durante la prova scritta, le domande saranno tali da consentire la valutazione della capacità dello studente di presentare esempi e casi di studio, per verificare il livello di acquisizione degli strumenti introdotti. La prova scritta ha una durata massima di 90 minuti, durante la quale gli studenti devono illustrare adeguatamente gli argomenti richiesti, dimostrando di aver raggiunto gli obiettivi formativi prefissati. L’esame è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.
L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi di studio e la comprensione delle problematiche proposte nel corso.
Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto; mostrando un’attitudine a risolvere nuove sfide;
  • della padronanza di linguaggio dello studente;
  • della capacità di descrivere come utilizzare gli strumenti introdotti in casi reali.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Le videolezioni e le slide del corso sono progettate per fornire tutto il materiale necessario alla comprensione e allo studio. I testi elencati costituiscono un utile supporto per approfondimenti teorici ed esercitazioni aggiuntive.

  • Anthony So, Thomas V. Joseph, Robert Thas John, Andrew Worsley, and Dr. Samuel Asare (2020). The Data Science Workshop: A new, Interactive Approach to Learning Data Science. Packt Publishing.
  • Kirill Dubovikov (2019). Managing Data Science: Effective strategies to manage data science projects and build a sustainable team. Packt Publishing.

Codice insegnamento UC63662

Data Science and Analytics 1° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso lo studente sarà in grado di: 1. Conoscere e comprendere: Le fasi e le dinamiche dell'intero ciclo di vita di un progetto data-driven, inclusi il framework CRISP-DM e le metodologie Agile…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso lo studente sarà in grado di:

1. Conoscere e comprendere:

  • Le fasi e le dinamiche dell'intero ciclo di vita di un progetto data-driven, inclusi il framework CRISP-DM e le metodologie Agile applicate ai dati.
  • I fondamenti matematici e algoritmici alla base dei principali modelli di Machine Learning supervisionato (modelli lineari, logistici e basati su alberi) e di Machine Learning non supervisionato (clustering).
  • Le peculiarità vettoriali e i requisiti teorici per l'analisi delle serie storiche (Time Series Forecasting).
  • Le logiche avanzate di validazione dei modelli, la gestione del trade-off tra bias e varianza e le cause teoriche degli errori sistemici, come il Data Leakage.
  • I concetti architetturali legati alla messa in produzione dei modelli (ModelOps), identificando il debito tecnico intrinseco e i principali anti-pattern sistemici del Machine Learning.

2. Capacità di applicare conoscenza e comprensione:

  • Utilizzare operativamente l'ecosistema Python per condurre in autonomia l'Analisi Esplorativa (EDA), la pulizia dei dati e il Feature Engineering su dataset complessi.
  • Addestrare, ottimizzare e validare rigorosamente modelli predittivi, selezionando le metriche di valutazione più adeguate allo specifico problema affrontato.
  • Trattare operativamente i dati temporali, estraendo feature specifiche (es. lag features, sliding windows) e applicando il corretto partizionamento per la validazione (Time Series Split).
  • Diagnosticare le criticità tipiche del deployment, traducendo i modelli matematici in soluzioni software ingegnerizzabili e mitigando problemi come i feedback loop in produzione.

3. Competenze trasversali:

  • Autonomia di giudizio: capacità di valutare criticamente l'allineamento tra le performance puramente statistiche dei modelli (Technical Metrics) e il valore reale generato per l'azienda (Business KPI).
  • Abilità comunicative: capacità di presentare insight complessi in modo chiaro e persuasivo, sia agli interlocutori tecnici sia ai decision maker aziendali, avvalendosi di tecniche mirate di Data Visualization.
  • Capacità di lavoro in team: interiorizzazione delle dinamiche dei team interfunzionali e del ruolo del "T-Shaped Professional", acquisendo la forma mentis per collaborare efficacemente all'intersezione tra ingegneria del software, matematica e business.

Programma

L'insegnamento di Data Science and Analytics analizza l'intero ciclo di vita di un progetto data-driven, colmando il divario tra la sperimentazione algoritmica e l'ingegnerizzazione di sistemi di Machine Learning robusti, scalabili e orientati al business. Il percorso didattico parte dai fondamenti metodologici, approfondendo il framework CRISP-DM, l'Agile Data Science e le dinamiche dei team moderni, per poi fornire le competenze operative necessarie all'Analisi Esplorativa (EDA) e al Feature Engineering in ambiente Python. L'insegnamento prosegue esaminando la modellazione predittiva con rigore matematico e computazionale, coprendo algoritmi supervisionati e non supervisionati, nonché l'analisi delle serie storiche. Un'attenzione cruciale è rivolta alla validazione ingegneristica: l'obiettivo è padroneggiare il trade-off tra bias e varianza e prevenire errori sistemici come il Data Leakage. Nella fase conclusiva, il corso affronta le sfide della messa in produzione, focalizzandosi sulla diagnosi degli anti-pattern, sulla gestione del debito tecnico e sulle strategie di ModelOps. Attraverso l'analisi di casi reali, si mira a formare ingegneri con profilo "T-Shaped", capaci di tradurre la teoria statistica in soluzioni software manutenibili che allineino i risultati tecnici ai KPI aziendali.

Il corso si articola in 15 videolezioni.

MODULO 1: Fondamenti, Metodologie e Stack Tecnologico
1. Fondamenti, Ruoli ed Etica nell'era Data-Driven

  • Definizione dei confini tra Data Science, AI e Data Engineering.
  • Analisi dei ruoli nel team moderno (competenze T- Shaped) e valutazione rigorosa dei rischi etici e dei bias algoritmici.

2. Gestione del Progetto: Metodologie e Agile Data Science

  • Transizione dalla sperimentazione al prodotto tramite il framework CRISP-DM. Applicazione di metodologie Agile, Scrum e Kanban ai progetti data-driven, con focus sugli errori comuni e la gestione del fallimento.

3. Gestione dell'Innovazione e Stack Tecnologico

  • Analisi del trade-off tra ricerca algoritmica e processi operativi stabili. Scelte infrastrutturali, ruolo dell'ecosistema Python (librerie core) e setup ingegneristico di ambienti professionali sicuri e containerizzati.

MODULO 2: Dati, Python e Visualizzazione
4. Python per la Data Science: Manipolazione e Analisi dei Dati

  • Architetture interattive (REPL) e calcolo vettoriale ad alte prestazioni con NumPy.
  • Ingestione, manipolazione relazionale e aggregazione multidimensionale (Split-Apply-Combine) di dati strutturati tramite Pandas.

5. Analisi Esplorativa dei Dati (EDA) e Pulizia del Dataset

  • Fondamenti di statistica descrittiva univariata e bivariata.
  • Tassonomia e imputazione dei dati mancanti, identificazione analitica degli outlier (Z-Score, IQR) e profilazione automatizzata.

6. Data Visualization: Dall'Analisi Visiva alla Business Communication

  • Principi di percezione visiva (Gestalt) e architettura grafica di Matplotlib e Seaborn.
  • Visualizzazione statistica multidimensionale e ottimizzazione del Data-Ink Ratio per il reporting aziendale automatizzato.

7. Feature Engineering: Trasformazione e Creazione delle Variabili

  • Formalizzazione matematica dei predittori, tecniche avanzate di codifica categoriale e scaling numerico.
  • Estrazione di nuove feature, mitigazione della Curse of Dimensionality e selezione algoritmica con rigorosa prevenzione del Data Leakage.

MODULO 3: Modellazione Predittiva e Machine Learning
8. Predictive Analytics: Machine Learning Supervisionato e Regressione

  • Fondamenti formali dell'apprendimento supervisionato e formulazione matematica della regressione lineare (OLS, Discesa del gradiente).
  • Diagnostica delle assunzioni statistiche, metriche di valutazione (RMSE, R²) e regolarizzazione (Lasso, Ridge).

9. Predictive Analytics: Classificazione Binaria e Regressione Logistica

  • Formulazione matematica della classificazione tramite Regressione Logistica e ottimizzazione basata su cross-entropia (Log-Loss).
  • Valutazione delle performance su dataset sbilanciati mediante Matrice di Confusione, metriche derivate (Precision, Recall, F1-Score) e calibrazione delle soglie decisionali tramite curve ROC/AUC.

10. Predictive Analytics: Classificazione Multiclasse e Algoritmi ad Albero

  • Estensione multiclasse (Softmax) e modellazione tramite Alberi di Decisione (Gini, Entropia).
  • Implementazione di strategie ensemble (Random Forest) per l’ottimizzazione del trade-off bias-varianza e analisi dell'interpretabilità algoritmica (Feature Importance, LIME).

11. Valutazione Avanzata: Generalizzazione, Cross-Validazione e Bias-Varianza

  • Analisi della capacità di generalizzazione e scomposizione matematica dell’errore nel trade-off bias-varianza.
  • Implementazione di protocolli di validazione robusta (K-Fold, Stratified), diagnostica tramite curve di apprendimento e prevenzione rigorosa del Data Leakage.

MODULO 4: Ottimizzazione, Advanced Analytics e Produzione
12. Advanced Analytics: Apprendimento Non Supervisionato e Clustering

  • Formalizzazione del paradigma non supervisionato e implementazione del clustering K-Means.
  • Ingegnerizzazione dei dati (Scaling, PCA) e protocolli per la selezione del numero ottimo di cluster tramite Inertia e Silhouette Coefficient.

13. Advanced Analytics: Analisi delle Serie Storiche

  • Analisi dei dati temporali e decadimento dell'assunzione IID.
  • Decomposizione del segnale, feature engineering specifico (lag features) e protocolli di validazione sequenziale (Time Series Split) per la prevenzione rigorosa del leakage.

14. Sfide Reali: Anti-Pattern e Trappole Sistemiche nel Machine Learning

  • Analisi del disallineamento tra metriche tecniche e KPI di business e diagnosi del debito tecnico specifico (Glue Code, Pipeline Jungles).
  • Studio dei rischi sistemici legati ai Feedback Loops e delle dinamiche organizzative dei team interfunzionali.

15. Dal Modello al Valore: ModelOps, Deployment e Monitoraggio

  • Ingegnerizzazione e deployment dei modelli (API, Docker) per la transizione alla produzione.
  • Gestione del ciclo di vita tramite ModelOps, monitoraggio del degrado (Drift), test in produzione (A/B testing) e valutazione dell'impatto economico (ROI).

Modalità d'esame

L’esame si svolge in forma scritta. Il punteggio della prova è espresso in trentesimi. La prova scritta consiste in domande a risposta aperta relative agli argomenti specifici del corso. Le domande sono formulate in questa tipologia sia per argomenti più teorici sia per quelli più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali relativi all’importanza e al valore dei dati, nonché la capacità della scienza dei dati di analizzare, ovvero estrapolare e mettere in relazione un’enorme mole di dati eterogenei. Durante la prova scritta, le domande saranno tali da consentire la valutazione della capacità dello studente di presentare esempi e casi di studio, per verificare il livello di acquisizione degli strumenti introdotti. La prova scritta ha una durata massima di 90 minuti, durante la quale gli studenti devono illustrare adeguatamente gli argomenti richiesti, dimostrando di aver raggiunto gli obiettivi formativi prefissati. L’esame è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.
L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi di studio e la comprensione delle problematiche proposte nel corso.
Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto; mostrando un’attitudine a risolvere nuove sfide;
  • della padronanza di linguaggio dello studente;
  • della capacità di descrivere come utilizzare gli strumenti introdotti in casi reali.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Le videolezioni e le slide del corso sono progettate per fornire tutto il materiale necessario alla comprensione e allo studio. I testi elencati costituiscono un utile supporto per approfondimenti teorici ed esercitazioni aggiuntive.

  • Anthony So, Thomas V. Joseph, Robert Thas John, Andrew Worsley, and Dr. Samuel Asare (2020). The Data Science Workshop: A new, Interactive Approach to Learning Data Science. Packt Publishing.
  • Kirill Dubovikov (2019). Managing Data Science: Effective strategies to manage data science projects and build a sustainable team. Packt Publishing.

Codice insegnamento UC63702

Deep Learning 1° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso lo studente sarà in grado di: 1. Conoscenza e comprensione Conoscere i concetti base e padroneggiare la terminologia del Deep Learning Conoscere quali sono i principali modelli di Deep Learning…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso lo studente sarà in grado di:
1. Conoscenza e comprensione

  • Conoscere i concetti base e padroneggiare la terminologia del Deep Learning
  • Conoscere quali sono i principali modelli di Deep Learning
  • Comprendere come funzionano i principali modelli di Deep Learning
  • Conoscere e comprendere l’importanza e le applicazioni reali degli algoritmi di Deep Learning

2. Capacità di applicare conoscenze e comprensione

  • Imparare a scrivere algoritmi di Deep Learning utilizzando il framework Tensorflow
  • Imparare le principali funzionalità di Tensorflow per sviluppare modelli di Deep Learning
  • Imparare ad applicare a seconda del contesto e tipologia di dato l’algoritmo corretto di Deep Learning
  • Imparare a formulare un problema affinché sia possibile risolverlo tramite modelli di Deep Learning

3. Competenze trasversali

  • Esprimere con linguaggio opportuno gli argomenti del corso
  • Saper valutare a seconda del caso d’uso se un algoritmo di Deep Learning può essere la soluzione al problema
  • Valutare in autonomia svantaggi e vantaggi dei principali algoritmi di Deep Learning a seconda del dominio
  • Comprendere cos’è l’Intelligenza Artificiale e come si colloca il Deep Learning nel suo insieme
  • Comprendere come scrivere del codice per sviluppare soluzioni di Deep Learning

Programma

Il corso di Deep Learning ha la finalità di consentire agli studenti di comprendere questa importante classe di algoritmi che stanno via via diventando onnipresenti nel’ informatica e nel ramo dell’Intelligenza Artificiale. Il corso mira a far conoscere allo studente i principali concetti di Deep Learning analizzando le applicazioni ed il funzionamento. Si partirà dallo studio dei modelli più semplici fino ad arrivare a quelli stato dell’arte attualmente utilizzati in produzione in diversi domini quale il motore di ricerca Google. Il corso consentirà allo studente di padroneggiare i principali modelli di Deep Learning sia da un punto di vista teorico che pratico. Le lezioni sono accompagnate da esercitazioni pratiche che consentiranno allo studente di applicare su casi d’uso reali quanto imparato durante le lezioni.

Modulo 1: Concetti di Deep Learning

Attraverso lo studio del presente modulo lo studente comprenderà cos’è e qual è l’importanza del Deep Learning. Lo studente imparerà le principali componenti del Deep Learning, il glossario e le terminologie frequenti dei concetti di Deep Learning. Verrà inoltre mostrata la prima rete neurale profonda. Il modulo si conclude con la revisione dei concetti di Matematica, Probabilità e Algebra Lineare utili per poter comprendere i successivi moduli del corso.

1 – Introduzione

  • Perché il deep learning è importante
  • Esempi di applicazioni di deep learning
  • Tassonomia dell'intelligenza artificiale
  • Definizioni e differenze tra: Artificial Intelligence/Machine Learning/Representation Learning/Deep Learning
  • Programmazione classica vs Machine Learning
  • Old AI vs Machine Learning
  • Cosa sono le reti neurali profonde
  • Problemi di classificazione & regressione

2 – Storia dell'AI e del Deep Learning & Componenti del Deep Learning

  • Storia dell’Intelligenza Artificiale e del Deep Learning
  • Introduzione alle componenti del Deep Learning: Data/Model/Loss/Optimization
  • Tipologie di learning e definizioni: Supervised Learning/Unsupervised Learning/Self-supervised Learning/Reinforcement Learning

3 – La prima rete neurale

  • Jupyter Notebooks
  • Google Colaboratory
  • La prima rete neurale per classificare le cifre MNIST
  • Addestrare e valutare un modello
  • Divisione in Train/Test e k-fold cross validation
  • Overfitting & Underfitting
  • Metriche di Classificazione: Accuracy/Precision/Recall/F1

4 – Fondamenti Matematici

  • Cos'è un Tensore?
  • Operazioni con Tensori in Tensorflow
  • Revisione Algebra lineare: Geometria dei vettori; Dot Product and Moltiplicazione matriciale
  • Revisione Calcolo: Derivate; Gradiente; Chain rule
  • Revisione Probabilità: Variabili Random; Eventi; Algebra; Probabilità congiunta; Eventi indipendenti; Chain Rule; Regola di Bayes; Probability Density Function; Expectation; Variance

Modulo 2: Modelli Lineari

Attraverso lo studio del presente modulo lo studente comprenderà cosa sono e come funzionano i modelli lineari, i modelli più semplici e basilari di rete neurale a cui possiamo pensare. Lo studente imparerà inoltre come applicare le conoscenze di Deep Learning apprese su due casi d’uso specifici: predizione del prezzo di vendita di una casa e predizione della probabilità di sopravvivenza di un passeggero del Titanic. Per far ciò verranno utilizzati gli strumenti introdotti nel modulo 1: Tensorflow e Jupyter Notebooks.

5 – Modelli Lineari: Regressione Lineare e Logistica

  • Il Percettrone e le sue componenti: Pesi/Bias/Funzione di Attivazione
  • Regressione lineare
  • Funzione di Loss Least Squared Error
  • Derivazione della Least Squared Error Loss dalla assunzione di Gaussian Noise
  • Revisione della Distribuzione Gaussiana e Maximum Likelihood
  • Regressione logistica
  • La funzione di attivazione Sigmoid
  • Deriviamo la funzione di loss Log-likelihood
  • Revisione della distribuzione di Bernulli
  • One-hot encoding e la funzione di attivazione Softmax

6 – Esercitazione Modelli Lineari

  • Regressione Lineare per la predizione del prezzo di vendita di una casa
  • Regressione Logistica per predire la probabilità di sopravvivenza di un passeggero del Titanic

Modulo 3: Modelli non Lineari

Attraverso lo studio del presente modulo lo studente comprenderà cosa sono e come funzionano i modelli non lineari portando come esempio la prima rete neurale profonda: il Percettrone multistrato. I dati che ci circondano nel mondo sono altamente non lineari, lo studio di questo modulo permetterà di comprendere come gestire questi casi molto frequenti. Il modulo si conclude con l’introduzione agli algoritmi di ottimizzazione che permetterà allo studente di comprendere come avviene l’apprendimento delle reti neurali.

7 - Multi-layer perceptrons

  • Dataset non separabili linearmente
  • Multilayer Perceptrons
  • Funzioni di attivazione: Relu, tanh, sigmoid
  • Gradient vanishing and gradient exploding
  • Tecniche di regolarizzazione: weights penalties, Dropout, Early Stop

8 – Algoritmi di Ottimizzazione

  • Soluzioni analitiche per modelli lineari
  • Gradient Descent
  • Punti stazionari
  • Convessità
  • Stochastic Gradient Descent
  • Momentum
  • Backpropagation & Automatic Differentiation

Modulo 4: Reti Convoluzionali

Attraverso lo studio del presente modulo lo studente comprenderà cosa sono e come funzionano le reti convoluzionali, una classe di modelli utilizzati per processare immagini e non solo. Verranno mostrate le tecniche più avanzate ed i modelli più sofisticati. Lo studente imparerà come applicare tali conoscenze in scenari reali utilizzando Tensorflow.

9 - Reti neurali convoluzionali

  • Dai layer fully connected alle convoluzioni
  • L'operatore di convoluzione
  • Padding, Stride, Dilated Convolutions
  • Max Pooling
  • Il Layer Convoluzionale e Convolutional Neural Networks (CNN)
  • Proprietà delle reti neurali convoluzionali
  • Reti convoluzionali per tasks su immagini
  • Reti convoluzionali per dati a griglia

10 – Reti Convoluzionali Moderne

  • Reti neurali convoluzionali profonde (AlexNet)
  • Reti che utilizzano blocchi (VGG)
  • Data Augmentation
  • Reti con concatenazioni parallele (GoogLeNet)
  • Batch Normalization, Layer Normalization
  • Residual Networks (ResNet)
  • Reti densamente connesse (DenseNet)
  • Fine Tuning

11 – Processamento di immagini

  • Processare immagini in Tensorflow tramite un Multilayer Perceptron
  • Processare immagini in Tensorflow tramite Reti Neurali convoluzionali allenate da zero
  • Processare immagini in Tensorflow tramite un CNN e fine-tuning

Modulo 5: Modellare Sequenze

Attraverso lo studio del presente modulo lo studente comprenderà come modellare sequenze di dati, una tipologia di dato pervasiva che comprende tracce audio, video e testuali. Lo studente imparerà ad utilizzare e capire il funzionamento di modelli ricorrenti quali LSTM o modelli basati sull’attenzione quali Transformers.

12 – Modellare Sequenze

  • Modelli basilari per modellare sequenze
  • Recurrent Neural Networks (RNN)
  • Backpropagation Through Time
  • Long-short Term Memory Networks (LSTM)
  • Multilayer RNN and Bidirectional Models
  • Modelli Encoder-Decoder e strategie di decoding Greedy Search e Beam Search

13 - Transformers e modelli basati sull'attenzione

  • L’ architettura Transformer
  • La Scaled dot-product attention
  • La Multi-head attention
  • Il livello di Embedding
  • I Positional Encodings
  • Complessità dei Transformer e Transformer per Computer Vision

Modulo 6: Modellare il Linguaggio Naturale

Attraverso lo studio del presente modulo lo studente comprenderà come modellare il linguaggio naturale tramite l’utilizzo di algoritmi di Deep Learning. Lo studente imparerà ad utilizzare modelli di base basati su rappresentazioni Bag of Word (BOW) fino a modelli neurali stato dell’arte basati sui Transformers (BERT). Il modulo si conclude con l’applicazione in Tensorflow su casi d’uso reali di tutti i modelli analizzati dal punto di vista teorico.

14 – Elaborazione del linguaggio naturale & self-supervised learning

  • Elaborazione del Linguaggio Naturale: Rappresentazioni Neurali vs Rappresentazioni simboliche
  • Bag of Word Representation (BOW) & Enhanced BOW with tf-idf
  • Bag of Word of N-grams
  • Distributed Representations
  • Similarity Measures
  • Self-Supervised Learning
  • Word2Vec
  • BERT

15 – Esercitazione elaborazione del linguaggio naturale

-
Classificazione del testo tramite Reti neurali Ricorrenti

-
Classificazione tramite RNN con più Layer bidirezionali

-
Utilizzo di Word Embeddings Preaddestrati

-
BERT

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta e/o orale. Il punteggio della prova è espresso in trentesimi.

La prova scritta consiste in domande a risposta aperta sugli argomenti specifici del corso. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali di Deep Learning esposti durante le lezioni. La prova scritta ha una durata di 90 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.

Nel caso in cui l’esame venisse svolto in forma orale, esso consiste in un colloquio frontale sugli argomenti trattati nel corso. Durante la prova orale verrà richiesto agli studenti di esporre gli argomenti trattati durante il corso, al fine di verificare la capacità di apprendimento dei concetti di Deep Learning. La prova orale ha una durata media di 30 minuti.

L’esame, in entrambe le forme, è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.

Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto; mostrando un’attitudine a risolvere nuovi problemi;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare modelli e concetti di Deep Learning per la risoluzione di problemi reali e valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Verrà valutata la capacità dello studente di generalizzare quanto appreso nel corso su nuovi domini e tematiche, approfondendo argomenti tangenti al corso dal punto di vista teorico o pratico.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi:

  • Dive into Deep Learning – A. Zhang, Z. C. Lipton, M. Li, A. J. Smola https://d2l.ai
  • Deep Learning con Python: Imparare a implementare algoritmi di apprendimento profondo – F. Chollet (versione in Italiano)
  • Deep Learning with Python – F. Chollet (versione in Inglese)

Inoltre, sono forniti i seguenti notebook per le lezioni di esercitazione:

  • https://drive.google.com/drive/folders/1_gGl_A9HZ_NzPpLMuLoOEr10h5UEXINh?usp=sharing

I notebook possono essere scaricati per l’esecuzione su computer locale o possono essere eseguiti su Google Colaboratory (scelta consigliata).

Codice insegnamento UC455460

Governo digitale 1° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: comprendere le normative e la regolamentazione tecnica in tema di digitalizzazione della pubblica amministrazione e dei servizi digitali destinati a cittadini e…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

  • comprendere le normative e la regolamentazione tecnica in tema di digitalizzazione della pubblica amministrazione e dei servizi digitali destinati a cittadini e imprese;
  • applicare le conoscenze tecniche acquisite nel corso di Ingegneria Informatica alla progettazione, sviluppo e gestione dei sistemi informativi, delle infrastrutture digitali e dei servizi digitali pubblici;
  • riconoscere e comprendere le fonti informative necessarie per l’acquisizione in autonomia di nuove conoscenze e per l’aggiornamento continuo.

L’insegnamento è indirizzato alla formazione di figure professionali di funzionario tecnico anche con compiti direzionali nelle amministrazioni pubbliche, di Responsabile della Trasformazione Digitale, di responsabile delle forniture di servizi informatici in risposta a gare di appalto.

Programma

L’insegnamento ha a oggetto l'organizzazione, la regolazione, lo sviluppo e la gestione dei sistemi informativi e delle infrastrutture digitali della pubblica amministrazione.
L’insegnamento è strutturato nei seguenti moduli formativi:

  • Governance e organizzazione dei sistemi informativi pubblici
  • I fondamenti della digitalizzazione
  • Acquistare beni e servizi per la digitalizzazione
  • Componenti per la progettazione dei servizi pubblici on line

L’insegnamento è strutturato in 4 moduli:

MODULO 1: Governance e organizzazione dei sistemi informativi pubblici

  • L01: Il sistema informativo pubblico
  • L02: La governance del sistema informativo pubblico
  • L03: Gli organismi della governance
  • L04: Il Piano triennale per l’Informatica nella Pubblica Amministrazione

MODULO 2: I fondamenti della digitalizzazione

  • L08: Documenti informatici e firme elettroniche
  • L09: Gestione documentale e protocollo informatico
  • L10: Domicili elettronici e posta elettronica certificata
  • L11: La identità digitale in Italia e in Europa

MODULO 3: Acquistare sistemi ICT

  • L05: Norme e fondamenti per l’acquisto di beni e servizi ICT
  • L06: La centralizzazione degli acquisti di beni e servizi ICT
  • L07: Gli acquisti di innovazione

MODULO 4: Componenti per la progettazione dei servizi pubblici on line

  • L12: Dati pubblici e interoperabilità
  • L13: Gestione della conoscenza e Intelligenza artificiale
  • L14: Cloud e il Polo Strategico Nazionale
  • L15: I servizi web e il punto di accesso unico

Modalità d'esame

L’esame si svolge in forma scritta e consiste in domande aperte e/o a scelta multipla. La durata della prova è di 90 minuti.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio del Codice dell’amministrazione digitale e del Piano Triennale per l’Informatica nella PA, nelle sezioni individuate nei materiali didattici.

Codice insegnamento UC63625

Human-Centred AI and Design 1° anno · 12 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: 1. Conoscenza e comprensione Comprendere i principi e le pratiche della progettazione di tecnologie basate sulla Human-Centred AI. Comprendere le differenze tra…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:
1. Conoscenza e comprensione

  • Comprendere i principi e le pratiche della progettazione di tecnologie basate sulla Human-Centred AI.
  • Comprendere le differenze tra intelligenza artificiale tradizionale e Human-Centred AI.
  • Approfondire le implicazioni etiche legate allo sviluppo dei sistemi di AI.
  • Conoscere i principi fondamentali degli approcci e delle tecnologie Human-Centred.
  • Comprendere le tecniche di annotazione di corpora linguistici fondamentali nello sviluppo delle tecnologie linguistiche.
  • Analizzare l'impatto della trasformazione digitale sulle organizzazioni e sui processi lavorativi, con particolare attenzione alle implicazioni per le persone.

2. Capacità di applicare conoscenze e comprensione

  • Applicare il processo di Human-Centred Design, dalle fasi di ricerca degli utenti fino alla prototipazione e implementazione.
  • Identificare e analizzare i bisogni e i requisiti degli utenti e degli stakeholder per sviluppare soluzioni progettuali efficaci.
  • Condurre test di usabilità per valutare l'efficacia delle soluzioni progettate attraverso l'interazione diretta con gli utenti.
  • Applicare metodi di ispezione dell'usabilità per identificare e risolvere potenziali problemi nelle interfacce e nei flussi di lavoro.

3. Competenze trasversali

  • Sviluppare autonomia di giudizio nel valutare l'uso responsabile dell'intelligenza artificiale e le metodologie di governance correlate.
  • Comunicare efficacemente idee e soluzioni progettuali, sia in forma scritta che orale, e partecipare attivamente a discussioni e presentazioni.
  • Esercitare capacità di apprendimento autonomo attraverso la riflessione sulle proprie esperienze e l'acquisizione di nuove conoscenze tramite metodologie di ricerca sia qualitative che quantitative.
  • Valutare continuamente la propria crescita e sviluppo professionale nel campo dell'intelligenza artificiale e del design centrato sull'utente.

Programma

Il corso si concentra sulla progettazione e sviluppo dell’intelligenza artificiale e delle tecnologie con un approccio incentrato sull'essere umano. Gli studenti imparano a distinguere tra AI tradizionale e AI Human-Centred, comprendendo l'importanza di progettare sistemi che rispondano alle esigenze degli utenti e considerino le implicazioni etiche, affrontando temi come la responsabilità, la spiegabilità degli algoritmi e l'equità nell'uso delle tecnologie intelligenti.

Il corso approfondisce, inoltre, il processo di design focalizzato sull'utente, dall'analisi dei bisogni alla prototipazione e implementazione di soluzioni. Gli studenti acquisiranno competenze nel condurre test di usabilità e utilizzare metodi di ispezione per ottimizzare interfacce e flussi di lavoro, garantendo che le soluzioni siano efficaci e centrali per l'utente.

Infine, il corso esplora tecnologie e approcci Human-Centred che migliorano l'interazione con le tecnologie digitali, trattando l'annotazione dei corpora linguistici e l'analisi della trasformazione digitale. Viene prestata attenzione all'impatto di queste tecnologie sulle persone e sulle organizzazioni, utilizzando metodologie di ricerca sia qualitative che quantitative per valutare la loro efficacia.

Modulo I: Human-Centred Artificial Intelligence
Gli obiettivi del modulo sono:

  • Comprendere i principi e le pratiche della progettazione di intelligenze artificiali focalizzate sull'essere umano.
  • Analizzare le differenze tra intelligenza artificiale tradizionale e Human-Centred AI.
  • Approfondire le implicazioni etiche nello sviluppo di sistemi di AI.
  • Comprendere ed esaminare le metodologie di governance per garantire l'uso responsabile dell'AI.

Le lezioni sono 18:

  • Human-Centred Artificial Intelligence
  • Traditional Artificial Intelligence vs. Human-Centred Artificial Intelligence
  • Human-Centred Artificial Intelligence and ethics of AI
  • Human-Centred Artificial Intelligence Framework (trattata con 2 lezioni)
  • Human-Centred Artificial Intelligence Design Metaphors (trattata con 2 lezioni)
  • Human-Centred Artificial Intelligence governance structures (trattata con 2 lezioni)
  • Short intro Recommender Systems
  • Explainability and Recommender Systems (trattata con 2 lezioni)
  • Ethical and Responsible Artificial Intelligence (trattata con 2 lezioni)
  • Research Methods (trattata con 2 lezioni)
  • Algorithmic Fairness
  • HCAI meets HCD

Modulo II: Human-Centred Design
Gli obiettivi del modulo sono:

  • Comprendere il processo di Human-Centred Design, dalle fasi di ricerca agli utenti fino alla prototipazione e implementazione (2 lezioni).
  • Identificare e analizzare i bisogni e requisiti degli utenti e degli stakeholder per definire soluzioni di design efficaci.
  • Sviluppare soluzioni progettuali che rispondano ai bisogni degli utenti, migliorando l'esperienza e l'interazione.
  • Condurre test di usabilità per valutare l'efficacia delle soluzioni attraverso l'interazione diretta con gli utenti.
  • Applicare metodi di ispezione dell'usabilità per identificare e risolvere potenziali problemi nelle interfacce e nei flussi di lavoro.

Le lezioni sono 6:

  • Human-Centred Design Process (trattata con 2 lezioni)
  • User Needs and Requirements
  • Designing Solutions
  • Usability Testing
  • Usability Inspection

Modulo III: Human-Centred Approches and Technologies
Gli obiettivi del modulo sono:

  • Comprendere i principi fondamentali degli approcci e delle tecnologie human-centred, progettati per migliorare l'interazione umana con le tecnologie.
  • Apprendere le tecniche di annotazione di corpora linguistici, fondamentali nello sviluppo di tecnologie linguistiche e intelligenza artificiale.
  • Analizzare il concetto di trasformazione digitale e il suo impatto sulle organizzazioni e sui processi lavorativi, con particolare attenzione alle implicazioni per le persone (2 lezioni).
  • Approfondire i metodi di ricerca utilizzati per comprendere e valutare l'efficacia delle tecnologie human-centred, attraverso l'uso di metodologie qualitative e quantitative (2 lezioni).

Le lezioni sono 6:

  • Human-Centred Approaches and Technologies
  • Corpora Annotation
  • Digital Transformation (trattata con 2 lezioni)
  • Research (trattata con 2 lezioni)

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta e/o orale. Il punteggio della prova è espresso in trentesimi.

La prova scritta consiste in domande a risposta aperta sugli argomenti specifici del corso. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali relativi alla Human-Centred Artificial Intelligence e Design e tutte le attività, regolamentazioni, metodi e infrastrutture introdotte da tali processi e la capacità dello studente di applicare tali conoscenze tramite la descrizione di funzionalità e strumenti implementati in scenari reali e attualmente in uso. La prova scritta ha una durata massima di 90 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.

La prova orale consiste in un colloquio frontale sugli argomenti trattati nel corso. Durante la prova orale verrà richiesto agli studenti di esporre gli argomenti trattati durante il corso, al fine di verificare la capacità di apprendimento dei fondamenti di Human-Centred Artificial Intelligence e Design e tutte le attività, regolamentazioni, metodi e infrastrutture introdotte da tali processi e la capacità dello studente di applicare tali conoscenze tramite la descrizione di funzionalità e strumenti implementati in scenari reali e attualmente in uso. Durante la prova orale si cerca anche di valutare la capacità dello studente di presentare degli esempi, dei casi di studio, per verificare il livello di acquisizione degli strumenti introdotti. La prova orale ha una durata media di 30 minuti.

L’esame, in entrambe le forme, è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.

Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto; mostrando un’attitudine a risolvere nuove sfide;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare architetture, funzionalità o strumenti alla risoluzione di problemi reali e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze per l’analisi dei problemi complessi, una conoscenza di base sulle funzionalità e sui principali elementi degli strumenti introdotti in tale processo. Verrà valutata anche la capacità di ipotizzare soluzioni innovative per migliorare i processi Human-Centred. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve inoltre dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi:

  • Dignum, “Responsible Artificial Intelligence – How to Develop and Use AI in a Responsible Way”, Springer, 2019.
  • Shneiderman, “Human-Centered AI”, Oxford University Press, 2022.
  • International Usability and UX Qualification Board Documents (Foundation Level) - https://uxqb.org/en/documents/cpux-f-en-curriculum/

Testi di approfondimento:

  • Schmidt, “Interactive Human Centered Artificial Intelligence: A Definition and Research Challenges”.
  • Barocas et al., “Fairness and Machine Learning”, 2019.
  • International Usability and UX Qualification Board Documents (Foundation Level, Advanced Level „User Requirements Engineering“, Advanced Level „Designing Solutions“, Advanced Level “Usability Testing”) - https://uxqb.org/en/documents/

Codice insegnamento UC63621

Human-Centred AI and Design 1° anno · 12 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: 1. Conoscenza e comprensione Comprendere i principi e le pratiche della progettazione di tecnologie basate sulla Human-Centred AI. Comprendere le differenze tra…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:
1. Conoscenza e comprensione

  • Comprendere i principi e le pratiche della progettazione di tecnologie basate sulla Human-Centred AI.
  • Comprendere le differenze tra intelligenza artificiale tradizionale e Human-Centred AI.
  • Approfondire le implicazioni etiche legate allo sviluppo dei sistemi di AI.
  • Conoscere i principi fondamentali degli approcci e delle tecnologie Human-Centred.
  • Comprendere le tecniche di annotazione di corpora linguistici fondamentali nello sviluppo delle tecnologie linguistiche.
  • Analizzare l'impatto della trasformazione digitale sulle organizzazioni e sui processi lavorativi, con particolare attenzione alle implicazioni per le persone.

2. Capacità di applicare conoscenze e comprensione

  • Applicare il processo di Human-Centred Design, dalle fasi di ricerca degli utenti fino alla prototipazione e implementazione.
  • Identificare e analizzare i bisogni e i requisiti degli utenti e degli stakeholder per sviluppare soluzioni progettuali efficaci.
  • Condurre test di usabilità per valutare l'efficacia delle soluzioni progettate attraverso l'interazione diretta con gli utenti.
  • Applicare metodi di ispezione dell'usabilità per identificare e risolvere potenziali problemi nelle interfacce e nei flussi di lavoro.

3. Competenze trasversali

  • Sviluppare autonomia di giudizio nel valutare l'uso responsabile dell'intelligenza artificiale e le metodologie di governance correlate.
  • Comunicare efficacemente idee e soluzioni progettuali, sia in forma scritta che orale, e partecipare attivamente a discussioni e presentazioni.
  • Esercitare capacità di apprendimento autonomo attraverso la riflessione sulle proprie esperienze e l'acquisizione di nuove conoscenze tramite metodologie di ricerca sia qualitative che quantitative.
  • Valutare continuamente la propria crescita e sviluppo professionale nel campo dell'intelligenza artificiale e del design centrato sull'utente.

Programma

Il corso si concentra sulla progettazione e sviluppo dell’intelligenza artificiale e delle tecnologie con un approccio incentrato sull'essere umano. Gli studenti imparano a distinguere tra AI tradizionale e AI Human-Centred, comprendendo l'importanza di progettare sistemi che rispondano alle esigenze degli utenti e considerino le implicazioni etiche, affrontando temi come la responsabilità, la spiegabilità degli algoritmi e l'equità nell'uso delle tecnologie intelligenti.

Il corso approfondisce, inoltre, il processo di design focalizzato sull'utente, dall'analisi dei bisogni alla prototipazione e implementazione di soluzioni. Gli studenti acquisiranno competenze nel condurre test di usabilità e utilizzare metodi di ispezione per ottimizzare interfacce e flussi di lavoro, garantendo che le soluzioni siano efficaci e centrali per l'utente.

Infine, il corso esplora tecnologie e approcci Human-Centred che migliorano l'interazione con le tecnologie digitali, trattando l'annotazione dei corpora linguistici e l'analisi della trasformazione digitale. Viene prestata attenzione all'impatto di queste tecnologie sulle persone e sulle organizzazioni, utilizzando metodologie di ricerca sia qualitative che quantitative per valutare la loro efficacia.

Modulo I: Human-Centred Artificial Intelligence
Gli obiettivi del modulo sono:

  • Comprendere i principi e le pratiche della progettazione di intelligenze artificiali focalizzate sull'essere umano.
  • Analizzare le differenze tra intelligenza artificiale tradizionale e Human-Centred AI.
  • Approfondire le implicazioni etiche nello sviluppo di sistemi di AI.
  • Comprendere ed esaminare le metodologie di governance per garantire l'uso responsabile dell'AI.

Le lezioni sono 18:

  • Human-Centred Artificial Intelligence
  • Traditional Artificial Intelligence vs. Human-Centred Artificial Intelligence
  • Human-Centred Artificial Intelligence and ethics of AI
  • Human-Centred Artificial Intelligence Framework (trattata con 2 lezioni)
  • Human-Centred Artificial Intelligence Design Metaphors (trattata con 2 lezioni)
  • Human-Centred Artificial Intelligence governance structures (trattata con 2 lezioni)
  • Short intro Recommender Systems
  • Explainability and Recommender Systems (trattata con 2 lezioni)
  • Ethical and Responsible Artificial Intelligence (trattata con 2 lezioni)
  • Research Methods (trattata con 2 lezioni)
  • Algorithmic Fairness
  • HCAI meets HCD

Modulo II: Human-Centred Design
Gli obiettivi del modulo sono:

  • Comprendere il processo di Human-Centred Design, dalle fasi di ricerca agli utenti fino alla prototipazione e implementazione (2 lezioni).
  • Identificare e analizzare i bisogni e requisiti degli utenti e degli stakeholder per definire soluzioni di design efficaci.
  • Sviluppare soluzioni progettuali che rispondano ai bisogni degli utenti, migliorando l'esperienza e l'interazione.
  • Condurre test di usabilità per valutare l'efficacia delle soluzioni attraverso l'interazione diretta con gli utenti.
  • Applicare metodi di ispezione dell'usabilità per identificare e risolvere potenziali problemi nelle interfacce e nei flussi di lavoro.

Le lezioni sono 6:

  • Human-Centred Design Process (trattata con 2 lezioni)
  • User Needs and Requirements
  • Designing Solutions
  • Usability Testing
  • Usability Inspection

Modulo III: Human-Centred Approches and Technologies
Gli obiettivi del modulo sono:

  • Comprendere i principi fondamentali degli approcci e delle tecnologie human-centred, progettati per migliorare l'interazione umana con le tecnologie.
  • Apprendere le tecniche di annotazione di corpora linguistici, fondamentali nello sviluppo di tecnologie linguistiche e intelligenza artificiale.
  • Analizzare il concetto di trasformazione digitale e il suo impatto sulle organizzazioni e sui processi lavorativi, con particolare attenzione alle implicazioni per le persone (2 lezioni).
  • Approfondire i metodi di ricerca utilizzati per comprendere e valutare l'efficacia delle tecnologie human-centred, attraverso l'uso di metodologie qualitative e quantitative (2 lezioni).

Le lezioni sono 6:

  • Human-Centred Approaches and Technologies
  • Corpora Annotation
  • Digital Transformation (trattata con 2 lezioni)
  • Research (trattata con 2 lezioni)

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta e/o orale. Il punteggio della prova è espresso in trentesimi.

La prova scritta consiste in domande a risposta aperta sugli argomenti specifici del corso. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali relativi alla Human-Centred Artificial Intelligence e Design e tutte le attività, regolamentazioni, metodi e infrastrutture introdotte da tali processi e la capacità dello studente di applicare tali conoscenze tramite la descrizione di funzionalità e strumenti implementati in scenari reali e attualmente in uso. La prova scritta ha una durata massima di 90 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.

La prova orale consiste in un colloquio frontale sugli argomenti trattati nel corso. Durante la prova orale verrà richiesto agli studenti di esporre gli argomenti trattati durante il corso, al fine di verificare la capacità di apprendimento dei fondamenti di Human-Centred Artificial Intelligence e Design e tutte le attività, regolamentazioni, metodi e infrastrutture introdotte da tali processi e la capacità dello studente di applicare tali conoscenze tramite la descrizione di funzionalità e strumenti implementati in scenari reali e attualmente in uso. Durante la prova orale si cerca anche di valutare la capacità dello studente di presentare degli esempi, dei casi di studio, per verificare il livello di acquisizione degli strumenti introdotti. La prova orale ha una durata media di 30 minuti.

L’esame, in entrambe le forme, è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.

Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto; mostrando un’attitudine a risolvere nuove sfide;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare architetture, funzionalità o strumenti alla risoluzione di problemi reali e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze per l’analisi dei problemi complessi, una conoscenza di base sulle funzionalità e sui principali elementi degli strumenti introdotti in tale processo. Verrà valutata anche la capacità di ipotizzare soluzioni innovative per migliorare i processi Human-Centred. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve inoltre dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi:

  • Dignum, “Responsible Artificial Intelligence – How to Develop and Use AI in a Responsible Way”, Springer, 2019.
  • Shneiderman, “Human-Centered AI”, Oxford University Press, 2022.
  • International Usability and UX Qualification Board Documents (Foundation Level) - https://uxqb.org/en/documents/cpux-f-en-curriculum/

Testi di approfondimento:

  • Schmidt, “Interactive Human Centered Artificial Intelligence: A Definition and Research Challenges”.
  • Barocas et al., “Fairness and Machine Learning”, 2019.
  • International Usability and UX Qualification Board Documents (Foundation Level, Advanced Level „User Requirements Engineering“, Advanced Level „Designing Solutions“, Advanced Level “Usability Testing”) - https://uxqb.org/en/documents/

Codice insegnamento UC63661

Human-Centred AI and Design 1° anno · 12 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: 1. Conoscenza e comprensione Comprendere i principi e le pratiche della progettazione di tecnologie basate sulla Human-Centred AI. Comprendere le differenze tra…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:
1. Conoscenza e comprensione

  • Comprendere i principi e le pratiche della progettazione di tecnologie basate sulla Human-Centred AI.
  • Comprendere le differenze tra intelligenza artificiale tradizionale e Human-Centred AI.
  • Approfondire le implicazioni etiche legate allo sviluppo dei sistemi di AI.
  • Conoscere i principi fondamentali degli approcci e delle tecnologie Human-Centred.
  • Comprendere le tecniche di annotazione di corpora linguistici fondamentali nello sviluppo delle tecnologie linguistiche.
  • Analizzare l'impatto della trasformazione digitale sulle organizzazioni e sui processi lavorativi, con particolare attenzione alle implicazioni per le persone.

2. Capacità di applicare conoscenze e comprensione

  • Applicare il processo di Human-Centred Design, dalle fasi di ricerca degli utenti fino alla prototipazione e implementazione.
  • Identificare e analizzare i bisogni e i requisiti degli utenti e degli stakeholder per sviluppare soluzioni progettuali efficaci.
  • Condurre test di usabilità per valutare l'efficacia delle soluzioni progettate attraverso l'interazione diretta con gli utenti.
  • Applicare metodi di ispezione dell'usabilità per identificare e risolvere potenziali problemi nelle interfacce e nei flussi di lavoro.

3. Competenze trasversali

  • Sviluppare autonomia di giudizio nel valutare l'uso responsabile dell'intelligenza artificiale e le metodologie di governance correlate.
  • Comunicare efficacemente idee e soluzioni progettuali, sia in forma scritta che orale, e partecipare attivamente a discussioni e presentazioni.
  • Esercitare capacità di apprendimento autonomo attraverso la riflessione sulle proprie esperienze e l'acquisizione di nuove conoscenze tramite metodologie di ricerca sia qualitative che quantitative.
  • Valutare continuamente la propria crescita e sviluppo professionale nel campo dell'intelligenza artificiale e del design centrato sull'utente.

Programma

Il corso si concentra sulla progettazione e sviluppo dell’intelligenza artificiale e delle tecnologie con un approccio incentrato sull'essere umano. Gli studenti imparano a distinguere tra AI tradizionale e AI Human-Centred, comprendendo l'importanza di progettare sistemi che rispondano alle esigenze degli utenti e considerino le implicazioni etiche, affrontando temi come la responsabilità, la spiegabilità degli algoritmi e l'equità nell'uso delle tecnologie intelligenti.

Il corso approfondisce, inoltre, il processo di design focalizzato sull'utente, dall'analisi dei bisogni alla prototipazione e implementazione di soluzioni. Gli studenti acquisiranno competenze nel condurre test di usabilità e utilizzare metodi di ispezione per ottimizzare interfacce e flussi di lavoro, garantendo che le soluzioni siano efficaci e centrali per l'utente.

Infine, il corso esplora tecnologie e approcci Human-Centred che migliorano l'interazione con le tecnologie digitali, trattando l'annotazione dei corpora linguistici e l'analisi della trasformazione digitale. Viene prestata attenzione all'impatto di queste tecnologie sulle persone e sulle organizzazioni, utilizzando metodologie di ricerca sia qualitative che quantitative per valutare la loro efficacia.

Modulo I: Human-Centred Artificial Intelligence
Gli obiettivi del modulo sono:

  • Comprendere i principi e le pratiche della progettazione di intelligenze artificiali focalizzate sull'essere umano.
  • Analizzare le differenze tra intelligenza artificiale tradizionale e Human-Centred AI.
  • Approfondire le implicazioni etiche nello sviluppo di sistemi di AI.
  • Comprendere ed esaminare le metodologie di governance per garantire l'uso responsabile dell'AI.

Le lezioni sono 18:

  • Human-Centred Artificial Intelligence
  • Traditional Artificial Intelligence vs. Human-Centred Artificial Intelligence
  • Human-Centred Artificial Intelligence and ethics of AI
  • Human-Centred Artificial Intelligence Framework (trattata con 2 lezioni)
  • Human-Centred Artificial Intelligence Design Metaphors (trattata con 2 lezioni)
  • Human-Centred Artificial Intelligence governance structures (trattata con 2 lezioni)
  • Short intro Recommender Systems
  • Explainability and Recommender Systems (trattata con 2 lezioni)
  • Ethical and Responsible Artificial Intelligence (trattata con 2 lezioni)
  • Research Methods (trattata con 2 lezioni)
  • Algorithmic Fairness
  • HCAI meets HCD

Modulo II: Human-Centred Design
Gli obiettivi del modulo sono:

  • Comprendere il processo di Human-Centred Design, dalle fasi di ricerca agli utenti fino alla prototipazione e implementazione (2 lezioni).
  • Identificare e analizzare i bisogni e requisiti degli utenti e degli stakeholder per definire soluzioni di design efficaci.
  • Sviluppare soluzioni progettuali che rispondano ai bisogni degli utenti, migliorando l'esperienza e l'interazione.
  • Condurre test di usabilità per valutare l'efficacia delle soluzioni attraverso l'interazione diretta con gli utenti.
  • Applicare metodi di ispezione dell'usabilità per identificare e risolvere potenziali problemi nelle interfacce e nei flussi di lavoro.

Le lezioni sono 6:

  • Human-Centred Design Process (trattata con 2 lezioni)
  • User Needs and Requirements
  • Designing Solutions
  • Usability Testing
  • Usability Inspection

Modulo III: Human-Centred Approches and Technologies
Gli obiettivi del modulo sono:

  • Comprendere i principi fondamentali degli approcci e delle tecnologie human-centred, progettati per migliorare l'interazione umana con le tecnologie.
  • Apprendere le tecniche di annotazione di corpora linguistici, fondamentali nello sviluppo di tecnologie linguistiche e intelligenza artificiale.
  • Analizzare il concetto di trasformazione digitale e il suo impatto sulle organizzazioni e sui processi lavorativi, con particolare attenzione alle implicazioni per le persone (2 lezioni).
  • Approfondire i metodi di ricerca utilizzati per comprendere e valutare l'efficacia delle tecnologie human-centred, attraverso l'uso di metodologie qualitative e quantitative (2 lezioni).

Le lezioni sono 6:

  • Human-Centred Approaches and Technologies
  • Corpora Annotation
  • Digital Transformation (trattata con 2 lezioni)
  • Research (trattata con 2 lezioni)

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta e/o orale. Il punteggio della prova è espresso in trentesimi.

La prova scritta consiste in domande a risposta aperta sugli argomenti specifici del corso. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali relativi alla Human-Centred Artificial Intelligence e Design e tutte le attività, regolamentazioni, metodi e infrastrutture introdotte da tali processi e la capacità dello studente di applicare tali conoscenze tramite la descrizione di funzionalità e strumenti implementati in scenari reali e attualmente in uso. La prova scritta ha una durata massima di 90 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.

La prova orale consiste in un colloquio frontale sugli argomenti trattati nel corso. Durante la prova orale verrà richiesto agli studenti di esporre gli argomenti trattati durante il corso, al fine di verificare la capacità di apprendimento dei fondamenti di Human-Centred Artificial Intelligence e Design e tutte le attività, regolamentazioni, metodi e infrastrutture introdotte da tali processi e la capacità dello studente di applicare tali conoscenze tramite la descrizione di funzionalità e strumenti implementati in scenari reali e attualmente in uso. Durante la prova orale si cerca anche di valutare la capacità dello studente di presentare degli esempi, dei casi di studio, per verificare il livello di acquisizione degli strumenti introdotti. La prova orale ha una durata media di 30 minuti.

L’esame, in entrambe le forme, è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.

Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto; mostrando un’attitudine a risolvere nuove sfide;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare architetture, funzionalità o strumenti alla risoluzione di problemi reali e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze per l’analisi dei problemi complessi, una conoscenza di base sulle funzionalità e sui principali elementi degli strumenti introdotti in tale processo. Verrà valutata anche la capacità di ipotizzare soluzioni innovative per migliorare i processi Human-Centred. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve inoltre dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi:

  • Dignum, “Responsible Artificial Intelligence – How to Develop and Use AI in a Responsible Way”, Springer, 2019.
  • Shneiderman, “Human-Centered AI”, Oxford University Press, 2022.
  • International Usability and UX Qualification Board Documents (Foundation Level) - https://uxqb.org/en/documents/cpux-f-en-curriculum/

Testi di approfondimento:

  • Schmidt, “Interactive Human Centered Artificial Intelligence: A Definition and Research Challenges”.
  • Barocas et al., “Fairness and Machine Learning”, 2019.
  • International Usability and UX Qualification Board Documents (Foundation Level, Advanced Level „User Requirements Engineering“, Advanced Level „Designing Solutions“, Advanced Level “Usability Testing”) - https://uxqb.org/en/documents/

Codice insegnamento UC63701

Ingegneria e qualità del software 1° anno · 12 CFU · IINF-05/A · 0 file

Al termine del corso, lo studente sarà in grado di: 1. Conoscenza e comprensione Comprendere le differenze principali tra prodotto software e sistema software. 2. Capacità di applicare conoscenze e comprensione Applicare…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, lo studente sarà in grado di:
1. Conoscenza e comprensione

  • Comprendere le differenze principali tra prodotto software e sistema software.

2. Capacità di applicare conoscenze e comprensione

  • Applicare le metodologie “agile” e “plan-driven” per lo sviluppo del software.
  • Progettare un’architettura software nelle sue componenti principali.
  • Documentare un sistema o un prodotto software.
  • Analizzare le problematiche di sicurezza di un sistema o prodotto software.

3. Competenze trasversale

  • Testare un sistema o prodotto software attraverso metodologie specifiche.
  • Gestire e pianificare un progetto.
  • Valutare la qualità di un sistema o prodotto software.

Programma

Il corso di “Ingegneria e qualità del software” descrive i principi del processo di sviluppo dei sistemi e dei prodotti software, dall'analisi iniziale dei requisiti, alle metodologie di sviluppo fino al funzionamento e alla manutenzione dei sistemi finali. Lo scopo del corso include l'organizzazione dei progetti di sviluppo del software, la verifica e la validazione dei sistemi, i problemi di sicurezza e privacy, e gli aspetti legati alla qualità, inclusa la protezione del software e la responsabilità del software.

  • Differenze tra sistema software e prodotto software
  • Processi software
  • Metodologie di sviluppo agile
  • Ingegneria dei requisiti
  • Features, scenari e storie
  • Modellazione dei sistemi software
  • Architettura dei sistemi software
  • Architettura dei prodotti software
  • Progettazione e implementazione del software
  • Software basato sul cloud
  • Architettura a microservizi
  • Software testing
  • Sistemi affidabili
  • Programmazione affidabile
  • Sicurezza e Privacy
  • Evoluzione del software
  • DevOps e gestione del codice
  • Ingegneria dei sistemi
  • Gestione del progetto
  • Pianificazione del progetto
  • Gestione della qualità

Modalità d'esame

La prova d’esame si svolge in forma scritta e consiste in 8 domande aperte sugli argomenti trattati nel corso.
La prova avrà la durata di 90 minuti.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi:

  • Ian Sommerville, Software Engineering – 10th Edition, Pearson Education Ed., 2016 (per i capitoli a cui fanno riferimento le specifiche lezioni);
  • Ian Sommerville, Engineering Software Products – An introduction to modern software engineering, Pearson Education Ed., 2020.

Codice insegnamento UC63623

Ingegneria per l’embedded software 1° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso lo studente sarà in grado di: comprendere i diversi step dell’embedded system design; formalizzare i requisiti per un applicativo embedded; modellare le specifiche di un sistema embedded;…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso lo studente sarà in grado di:

  • comprendere i diversi step dell’embedded system design;
  • formalizzare i requisiti per un applicativo embedded;
  • modellare le specifiche di un sistema embedded;
  • valutare e validare un embedded system;
  • comprendere l’architettura di un Medical Cyber Physical System.

Programma

Il corso affronta i concetti base dell’ingegneria per l’embedded software. Partendo dai concetti di embedded system e Cyber-Physical System, affronta l'intero workflow che permette di realizzare un embedded system. Presenta i diversi metodi di modellazione utilizzati in questa disciplina. Inoltre, descrive i vari componenti, quali unità di processazione, sensori e attuatori. Dopo aver spiegato come implementare questi ultimi, si focalizza sugli aspetti di Validazione e Valutazione del sistema progettato. A differenza di altri applicativi, qui diventano essenziali i requisiti legati al tempo di esecuzione, consumo di energia e potenza, e di dependability. Infine il corso affronta le nuove piattaforme usate per i sistemi embedded e come realizzare un Medical Cyber-Physical System. Il corso, nei contenuti suddetti è organizzato in 5 moduli.

Modulo 1: Introduzione ai Sistemi Embedded (1 lezione)

  • Introduzione all’ ingegneria per l'embedded software

Modulo 2: Specifiche e modellazione nei sistemi embedded (3 lezioni)

  • Embedded system design: specifications and modeling
  • Models of computation: fsm, sdl e modellazione dataflow, discrete event models

Modulo 3: Hardware e software nei sistemi embedded (4 lezioni)

  • Embedded system hardware elements
  • Embedded & real-time operating systems

Modulo 4: Validazione, valutazione e sicurezza (4 lezioni)

  • Mapping of applications to platforms
  • Hardware/software partitioning
  • Evaluation and validation
  • Dependability and safety

Modulo 5: Piattaforme e caso d’uso (3 lezioni)

  • Embedded system platforms
  • Medical cyber-physical systems

Modalità d'esame

L’esame si svolge in forma scritta. Il punteggio della prova è espresso in trentesimi. La prova scritta ha una durata massima di 90 minuti e consiste nel sottoporre allo studente una serie di domande teoriche (in genere 4 o 5) alle quali lo studente dovrà rispondere in maniera soddisfacente attenendosi all’argomento richiesto senza dilungarsi su argomenti collegati ma non centrali nella domanda. Le domande richiedono di norma la spiegazione o la descrizione di argomenti ben precisi trattati durante il corso, che mirano a dimostrare la conoscenza e comprensione dei sistemi embedded e dei la capacità dello studente di applicare tali conoscenze tramite la progettazione degli stessi con le tecniche di modellazione spiegate nelle lezioni. Di solito le difficoltà presenti (e di conseguenza il punteggio massimo conseguibile, se non diversamente esplicitato) sono equidistribuite tra le varie domande.

Tuttavia, al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della completezza delle risposte dimostrata attraverso descrizione grafica e testuale dei concetti;
  • della capacità di apprendere e quindi di esporre l’argomento richiesto;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare linguaggi di modellazione su esempi reali di sistemi embedded e Cyber-Physical Systems.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficiente sui concetti di base dei sistemi embedded, sul workflow di progettazione, sulla modellazione e sulle principali tecniche di validazione e valutazione. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso. Deve inoltre essere in grado di applicare tutti i concetti richiesti a casi reali, riportando esempi dettagliati da modelli e validazioni e valutazione degli stessi, secondo le tecniche spiegate a lezione.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi:

  • Peter Marwedel, Embedded Systems Foundations of Cyber-Physical Systems, and the Internet of Things, Springer Cham, 2021. https://doi.org/10.1007/978-3-030-60910-8

Codice insegnamento UC63627

Ingegneria per l’embedded software 1° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso lo studente sarà in grado di: comprendere i diversi step dell’embedded system design; formalizzare i requisiti per un applicativo embedded; modellare le specifiche di un sistema embedded;…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso lo studente sarà in grado di:

  • comprendere i diversi step dell’embedded system design;
  • formalizzare i requisiti per un applicativo embedded;
  • modellare le specifiche di un sistema embedded;
  • valutare e validare un embedded system;
  • comprendere l’architettura di un Medical Cyber Physical System.

Programma

Il corso affronta i concetti base dell’ingegneria per l’embedded software. Partendo dai concetti di embedded system e Cyber-Physical System, affronta l'intero workflow che permette di realizzare un embedded system. Presenta i diversi metodi di modellazione utilizzati in questa disciplina. Inoltre, descrive i vari componenti, quali unità di processazione, sensori e attuatori. Dopo aver spiegato come implementare questi ultimi, si focalizza sugli aspetti di Validazione e Valutazione del sistema progettato. A differenza di altri applicativi, qui diventano essenziali i requisiti legati al tempo di esecuzione, consumo di energia e potenza, e di dependability. Infine il corso affronta le nuove piattaforme usate per i sistemi embedded e come realizzare un Medical Cyber-Physical System. Il corso, nei contenuti suddetti è organizzato in 5 moduli.

Modulo 1: Introduzione ai Sistemi Embedded (1 lezione)

  • Introduzione all’ ingegneria per l'embedded software

Modulo 2: Specifiche e modellazione nei sistemi embedded (3 lezioni)

  • Embedded system design: specifications and modeling
  • Models of computation: fsm, sdl e modellazione dataflow, discrete event models

Modulo 3: Hardware e software nei sistemi embedded (4 lezioni)

  • Embedded system hardware elements
  • Embedded & real-time operating systems

Modulo 4: Validazione, valutazione e sicurezza (4 lezioni)

  • Mapping of applications to platforms
  • Hardware/software partitioning
  • Evaluation and validation
  • Dependability and safety

Modulo 5: Piattaforme e caso d’uso (3 lezioni)

  • Embedded system platforms
  • Medical cyber-physical systems

Modalità d'esame

L’esame si svolge in forma scritta. Il punteggio della prova è espresso in trentesimi. La prova scritta ha una durata massima di 90 minuti e consiste nel sottoporre allo studente una serie di domande teoriche (in genere 4 o 5) alle quali lo studente dovrà rispondere in maniera soddisfacente attenendosi all’argomento richiesto senza dilungarsi su argomenti collegati ma non centrali nella domanda. Le domande richiedono di norma la spiegazione o la descrizione di argomenti ben precisi trattati durante il corso, che mirano a dimostrare la conoscenza e comprensione dei sistemi embedded e dei la capacità dello studente di applicare tali conoscenze tramite la progettazione degli stessi con le tecniche di modellazione spiegate nelle lezioni. Di solito le difficoltà presenti (e di conseguenza il punteggio massimo conseguibile, se non diversamente esplicitato) sono equidistribuite tra le varie domande.

Tuttavia, al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della completezza delle risposte dimostrata attraverso descrizione grafica e testuale dei concetti;
  • della capacità di apprendere e quindi di esporre l’argomento richiesto;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare linguaggi di modellazione su esempi reali di sistemi embedded e Cyber-Physical Systems.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficiente sui concetti di base dei sistemi embedded, sul workflow di progettazione, sulla modellazione e sulle principali tecniche di validazione e valutazione. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso. Deve inoltre essere in grado di applicare tutti i concetti richiesti a casi reali, riportando esempi dettagliati da modelli e validazioni e valutazione degli stessi, secondo le tecniche spiegate a lezione.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi:

  • Peter Marwedel, Embedded Systems Foundations of Cyber-Physical Systems, and the Internet of Things, Springer Cham, 2021. https://doi.org/10.1007/978-3-030-60910-8

Codice insegnamento UC63665

Natural Language Processing 1° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso lo studente sarà in grado di: 1. Conoscenza e comprensione: a. Conoscere le tecniche di elaborazione dei dati in linguaggio naturale. b. Comprendere la differenza tra i differenti task tipici…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso lo studente sarà in grado di:
1. Conoscenza e comprensione:

a. Conoscere le tecniche di elaborazione dei dati in linguaggio naturale.

b. Comprendere la differenza tra i differenti task tipici della disciplina.

c. Conoscere le basi teoriche, fortemente interdisciplinari dell’area

d. Conoscere le tecniche di rappresentazione delle informazioni semantiche.

2. Capacità di applicare conoscenze e comprensione:

a. Implementare un algoritmo per il trattamento dei dati linguistici, come un classificatore per la sentiment analysis o l’estrazione di tutti i luoghi espressi in un testo.

b. Definire un piano sperimentale e di valutarne i risultati.

3. Competenze trasversali:

a. Trattare task fortemente interdisciplinari, come la comprensione del significato delle parole, fino alla creazione di un agente virtuale che richiede conoscenze e comprensione di tematiche quali le scienze cognitive e aspetti sociologici.

b. Avere le basi per approfondire le tematiche introdotte e intraprendere sperimentazioni su tematiche oggetto di ricerca nel mondo accademico e industriale.

Programma

Il corso ha lo scopo di fornire allo studente le basi delle tecniche di trattamento automatico dei dati linguistici. L’accesso ai dati è ormai una caratteristica distintiva di questo periodo storico. Notizie, social network, motori di ricerca, fino agli assistenti virtuali, sono di accesso quotidiano per tutti noi. Il corso mira a fornire allo studente le nozioni su cui si basa l’area dell’Intelligenza Artificiale denominata “Natural Language Processing”, trattando diversi aspetti della disciplina, dalle basi teoriche fortemente interdisciplinari, alle tecniche algoritmiche stato dell’arte, come gli LLM, fino alla descrizione di casi d’uso (task) reali di applicazione delle tecnologie.

  • Introduzione al Natural Language Processing
  • Pipeline di elaborazione
  • Semantica Vettoriale e Word Embeddings
  • Approcci computazionali
  • Text Classification - Approcci Generativi
  • Text Classification Approcci Discriminativi
  • Text Classification Deep Neural Network in NLP
  • Hands-On Text Classification
  • Word Embeddings
  • Neural Sequence Labeling
  • Hands-On Text Classification with Word Embeddings
  • Information Extraction
  • Question Answering
  • Conversational Agents
  • Machine Translation
  • Natural language generation
  • Pre-trained models

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta.

La prova scritta consiste in 3 domande aperte. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali relativi alla materia. Gli studenti devono dimostrare di saper progettare e realizzare soluzioni di NLP e scegliere gli algoritmi più adatti per un task. La prova scritta ha una durata massima di 90 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.

Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto;
  • della padronanza di linguaggio dello studente;
  • della capacità di definire o usare architetture, funzionalità o strumenti per la progettazione di sistemi di NLP e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficiente a problemi complessi, una conoscenza di base sui metodi e le tecniche del processamento automatico delle informazioni in linguaggio naturale. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi:

  • SPEECH and LANGUAGE PROCESSING An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition, Second Edition by Daniel Jurafsky and James H. Martin

Codice insegnamento UC63706

Reti e Sistemi Wireless 1° anno · 6 CFU · IINF-03/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: conoscere i principali sistemi wireless e capire i fondamenti che sono alla base della trasmissione del segnale; progettare un sistema radio; capire le tecniche…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

  • conoscere i principali sistemi wireless e capire i fondamenti che sono alla base della trasmissione del segnale;
  • progettare un sistema radio;
  • capire le tecniche ed i principi di accesso e di controllo dei sistemi radiomobili;
  • conoscere le interfacce radio e le funzionalità dei sistemi GSM e UMTS;
  • valutare in autonomia i vantaggi e gli svantaggi delle interfacce radio dei classici sistemi cellulari e delle tecniche di accesso multiplo;
  • apprendere e integrare le conoscenze da varie fonti sulle architetture dei sistemi cellulari al fine di valutare attraverso una visione più ampia le potenzialità di tali sistemi trattati in studi successivi o di futuri sviluppi;
  • esprimere con opportuno linguaggio gli argomenti del corso.

Programma

Il corso introduce il discente allo studio dei sistemi delle reti wireless e delle reti radiomobili. Durante il percorso di apprendimento verranno illustrati gli elementi necessari per progettare un sistema radio. Sono introdotte le tecniche di accesso radio e i parametri di qualità dei sistemi radiomobili (o sistemi cellulari). Sono inoltre descritte e spiegate l’architettura, l’interfaccia radio e le funzionalità principali dell’architettura protocollare del sistema GSM. Infine, sono introdotte le architetture e le interfacce radio del sistema GPRS e del sistema UMTS.

Questo corso è suddiviso in cinque moduli. Il primo modulo introduce le tecnologie wireless e la trasmissione di segnali. Il secondo modulo permette una basilare progettazione dei sistemi radio. Il modulo tre si occupa della descrizione dei sistemi wireless e delle tecniche di accesso. Nel quarto modulo si descrivono l’architettura, l’interfaccia radio e le funzionalità dei protocolli nel sistema GSM. Infine, nel quinto modulo si descrive l’interfaccia radio del sistema UMTS.

Modulo 1: introduzione alle tecnologie wireless e alla trasmissione di segnali [3 LEZ.]

  • Introduzione alle tecnologie wireless (1 lezione)
  • Modulazioni digitali: teoria dell’informazione, segnali, modulazioni e sistema di demodulazione (2 lezioni)

Modulo 2: Progetto di un sistema radio [2 LEZ.]

  • Onde elettromagnetiche, antenne, formule di radiotrasmissione, rumore termico e temperatura di sistema, bilancio di radiocollegamento e collegamenti multitratta (2 lezioni)

Modulo 3: Reti wireless e tecniche di accesso [5 LEZ.]

  • Reti wireless e canale radiomobile (1 lezione)
  • Controllo di accesso al mezzo (2 lezioni)
  • Sistemi cellulari e prestazioni (2 lezioni)

Modulo 4: Sistema GSM [6 LEZ.]

  • Architettura ed identità (1 lezione)
  • Interfaccia radio (1 lezione)
  • Architettura protocollare: radio resource management, mobility management e connection management (3 lezioni)
  • GPRS (1 lezione)

Modulo 5: Sistemi radiomobili per la trasmissione dati [2 LEZ.]

  • Servizi, architettura e interfaccia radio UMTS (2 lezioni)

Modalità d'esame

L’esame si svolge in forma scritta. Il punteggio della prova è espresso in trentesimi.

La prova scritta ha una durata massima di 120 minuti e consiste nel sottoporre allo studente una serie di domande teoriche (in genere 4 o 5) alle quali lo studente dovrà rispondere in maniera soddisfacente attenendosi all’argomento richiesto senza dilungarsi su argomenti collegati ma non centrali nella domanda. Le domande richiedono di norma la spiegazione o la descrizione di argomenti ben precisi trattati durante il corso, che mirano a dimostrare la conoscenza e comprensione dei sistemi wireless e dei sistemi radiomobili e la capacità dello studente di applicare tali conoscenze tramite la progettazione di collegamenti radio e di pianificazione dei sistemi radiomobili. Di solito le difficoltà presenti (e di conseguenza il punteggio massimo conseguibile, se non diversamente esplicitato) sono equidistribuite tra le varie domande.

Tuttavia, al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare architetture, funzionalità o protocolli nella progettazione di sistemi radiomobili.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficiente sui concetti di base delle reti wireless, una conoscenza di base sull’interfaccia radio, sulle funzionalità e sui principali protocolli del sistema cellulare GSM e sull’interfaccia radio del sistema UMTS. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.

La prova orale consiste nel richiedere chiarimenti e approfondimenti allo studente riguardo imprecisioni o carenze concettuali nelle risposte fornite alle domande durante lo scritto oppure di altri argomenti del corso al fine di completare la valutazione della preparazione dello studente.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente e ai materiali didattici pubblicati in piattaforma, si consiglia lo studio dei seguenti testi in base agli argomenti trattati:

  • S. R. Saunders, A. A. Zavala, “Antennas and propagation for wireless communication systems”, 2nd edition, JohnWiley & Sons Ltd, 2007
  • A. Molisch, “Wireless Communications”, 2nd Edition, John Wiley & Sons Ltd., 2011
  • J. Eberspächer, H.-J. Vögel, C. Bettstetter, C. Hartmann, “GSM – Architecture, Protocols and Services”, 3rd Edition, John Wiley & Sons Ltd., 2009.
  • H. Holma, A. Toskala, “WCDMA for UMTS: HSPA evolution and LTE”, 5th edition, ed. John Wiley & Sons Ltd., 2010
  • S. Haykin, “Communication Systems”, 4th edition, John Wiley & Sons Ltd., 2001

Inoltre, di seguito è riportata una lista di libri da utilizzare come materiale di supporto;

  • J. D. Parsons, “The mobile radio propagation channel”, 2nd edition, John Wiley & Sons Ltd, 2000.
  • W. C. Y. Lee, “Mobile Communications Engineering: Theory and Applications”, 2nd edition, Mc Graw-Hill
  • S. Haykin, M. Moher, “Introduction to Analog & Digital Communications”, 2nd edition, John Wiley & Sons Ltd., 2007
  • A. S. Tanenbaum, D. J. Wetherall, “Computer Networks”, 5th edition, Prentice Hall, 2011.

Codice insegnamento UC63626

Reti e Sistemi Wireless 1° anno · 6 CFU · IINF-03/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: conoscere i principali sistemi wireless e capire i fondamenti che sono alla base della trasmissione del segnale; progettare un sistema radio; capire le tecniche…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

  • conoscere i principali sistemi wireless e capire i fondamenti che sono alla base della trasmissione del segnale;
  • progettare un sistema radio;
  • capire le tecniche ed i principi di accesso e di controllo dei sistemi radiomobili;
  • conoscere le interfacce radio e le funzionalità dei sistemi GSM e UMTS;
  • valutare in autonomia i vantaggi e gli svantaggi delle interfacce radio dei classici sistemi cellulari e delle tecniche di accesso multiplo;
  • apprendere e integrare le conoscenze da varie fonti sulle architetture dei sistemi cellulari al fine di valutare attraverso una visione più ampia le potenzialità di tali sistemi trattati in studi successivi o di futuri sviluppi;
  • esprimere con opportuno linguaggio gli argomenti del corso.

Programma

Il corso introduce il discente allo studio dei sistemi delle reti wireless e delle reti radiomobili. Durante il percorso di apprendimento verranno illustrati gli elementi necessari per progettare un sistema radio. Sono introdotte le tecniche di accesso radio e i parametri di qualità dei sistemi radiomobili (o sistemi cellulari). Sono inoltre descritte e spiegate l’architettura, l’interfaccia radio e le funzionalità principali dell’architettura protocollare del sistema GSM. Infine, sono introdotte le architetture e le interfacce radio del sistema GPRS e del sistema UMTS.

Questo corso è suddiviso in cinque moduli. Il primo modulo introduce le tecnologie wireless e la trasmissione di segnali. Il secondo modulo permette una basilare progettazione dei sistemi radio. Il modulo tre si occupa della descrizione dei sistemi wireless e delle tecniche di accesso. Nel quarto modulo si descrivono l’architettura, l’interfaccia radio e le funzionalità dei protocolli nel sistema GSM. Infine, nel quinto modulo si descrive l’interfaccia radio del sistema UMTS.

Modulo 1: introduzione alle tecnologie wireless e alla trasmissione di segnali [3 LEZ.]

  • Introduzione alle tecnologie wireless (1 lezione)
  • Modulazioni digitali: teoria dell’informazione, segnali, modulazioni e sistema di demodulazione (2 lezioni)

Modulo 2: Progetto di un sistema radio [2 LEZ.]

  • Onde elettromagnetiche, antenne, formule di radiotrasmissione, rumore termico e temperatura di sistema, bilancio di radiocollegamento e collegamenti multitratta (2 lezioni)

Modulo 3: Reti wireless e tecniche di accesso [5 LEZ.]

  • Reti wireless e canale radiomobile (1 lezione)
  • Controllo di accesso al mezzo (2 lezioni)
  • Sistemi cellulari e prestazioni (2 lezioni)

Modulo 4: Sistema GSM [6 LEZ.]

  • Architettura ed identità (1 lezione)
  • Interfaccia radio (1 lezione)
  • Architettura protocollare: radio resource management, mobility management e connection management (3 lezioni)
  • GPRS (1 lezione)

Modulo 5: Sistemi radiomobili per la trasmissione dati [2 LEZ.]

  • Servizi, architettura e interfaccia radio UMTS (2 lezioni)

Modalità d'esame

L’esame si svolge in forma scritta. Il punteggio della prova è espresso in trentesimi.

La prova scritta ha una durata massima di 120 minuti e consiste nel sottoporre allo studente una serie di domande teoriche (in genere 4 o 5) alle quali lo studente dovrà rispondere in maniera soddisfacente attenendosi all’argomento richiesto senza dilungarsi su argomenti collegati ma non centrali nella domanda. Le domande richiedono di norma la spiegazione o la descrizione di argomenti ben precisi trattati durante il corso, che mirano a dimostrare la conoscenza e comprensione dei sistemi wireless e dei sistemi radiomobili e la capacità dello studente di applicare tali conoscenze tramite la progettazione di collegamenti radio e di pianificazione dei sistemi radiomobili. Di solito le difficoltà presenti (e di conseguenza il punteggio massimo conseguibile, se non diversamente esplicitato) sono equidistribuite tra le varie domande.

Tuttavia, al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare architetture, funzionalità o protocolli nella progettazione di sistemi radiomobili.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficiente sui concetti di base delle reti wireless, una conoscenza di base sull’interfaccia radio, sulle funzionalità e sui principali protocolli del sistema cellulare GSM e sull’interfaccia radio del sistema UMTS. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.

La prova orale consiste nel richiedere chiarimenti e approfondimenti allo studente riguardo imprecisioni o carenze concettuali nelle risposte fornite alle domande durante lo scritto oppure di altri argomenti del corso al fine di completare la valutazione della preparazione dello studente.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente e ai materiali didattici pubblicati in piattaforma, si consiglia lo studio dei seguenti testi in base agli argomenti trattati:

  • S. R. Saunders, A. A. Zavala, “Antennas and propagation for wireless communication systems”, 2nd edition, JohnWiley & Sons Ltd, 2007
  • A. Molisch, “Wireless Communications”, 2nd Edition, John Wiley & Sons Ltd., 2011
  • J. Eberspächer, H.-J. Vögel, C. Bettstetter, C. Hartmann, “GSM – Architecture, Protocols and Services”, 3rd Edition, John Wiley & Sons Ltd., 2009.
  • H. Holma, A. Toskala, “WCDMA for UMTS: HSPA evolution and LTE”, 5th edition, ed. John Wiley & Sons Ltd., 2010
  • S. Haykin, “Communication Systems”, 4th edition, John Wiley & Sons Ltd., 2001

Inoltre, di seguito è riportata una lista di libri da utilizzare come materiale di supporto;

  • J. D. Parsons, “The mobile radio propagation channel”, 2nd edition, John Wiley & Sons Ltd, 2000.
  • W. C. Y. Lee, “Mobile Communications Engineering: Theory and Applications”, 2nd edition, Mc Graw-Hill
  • S. Haykin, M. Moher, “Introduction to Analog & Digital Communications”, 2nd edition, John Wiley & Sons Ltd., 2007
  • A. S. Tanenbaum, D. J. Wetherall, “Computer Networks”, 5th edition, Prentice Hall, 2011.

Codice insegnamento UC63717

Sistemi per information retrieval 1° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: apprendere gli algoritmi e le tecnologie per il recupero automatico dell’informazione; conoscere i modelli Booleani, statistici ed algebrico-vettoriali per…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

  • apprendere gli algoritmi e le tecnologie per il recupero automatico dell’informazione;
  • conoscere i modelli Booleani, statistici ed algebrico-vettoriali per l’IR;
  • comprendere le architetture e le componenti dei sistemi di IR;
  • analizzare l’applicazione dei sistemi di IR ai motori di ricerca su Web;
  • saper applicare l’IR al trattamento dei dati multimediali;
  • studiare elementi di Machine Learning (ML) e Data Mining per l’IR;
  • comprendere l’elaborazione dei testi, l’estrazione dell’informazione, la classificazione automatica, il Semantic IR;
  • apprendere e integrare conoscenze da varie fonti al fine di conseguire una visione più ampia dei sistemi di retrieval e mostrare anche un'autonomia nell'affrontare possibili soluzioni a nuovi problemi di recupero delle informazioni;
  • esprimere con opportuno linguaggio gli argomenti del corso;
  • valutare in autonomia i vantaggi e gli svantaggi di quanto introdotto nelle tecnologie dei sistemi di recupero automatico dell’informazione da sorgenti eterogenee e distribuite.

Programma

Il corso si propone di introdurre le tecnologie dei sistemi di recupero automatico dell’informazione da sorgenti eterogenee e distribuite. Esso fornisce competenze nella comprensione dei processi e nelle tecniche di information processing che caratterizzano gli odierni motori di ricerca e le loro applicazioni. Nel quadro delle tecnologie informatiche, una particolare enfasi sarà data alle tecnologie dell’apprendimento automatico che consentono il rapido sviluppo di sistemi basati sul riutilizzo di dati e conoscenze disponibili in forma elettronica nelle fonti aperte. Questa linea di tendenza, denominata data e text mining, sarà discussa in relazione alle applicazioni odierne nell’ambito del Web.

  • Modulo 1: Introduzione ai sistemi di Information Retrieval (IR).
  • Gli obiettivi del modulo sono:
  • comprendere l’apprendimento automatico per i processi di IR;
  • apprendere l’importanza delle parole chiave;
  • analizzare il vector space model.
  • Le lezioni sono 2:
  • Introduzione generale ai Sistemi per IR
  • Introduzione ai temi dell‘IR
  • Modulo 2: Lexical Resources
  • Gli obiettivi del modulo sono:
  • comprendere i processi legati alla phonetics, phonology and morphology;
  • apprendere l’importanza della linguistics language technologies;
  • analizzare Lexical Resources e la Lexical Ontologies.
  • Le lezioni sono 4:
  • Semantics and Related Fields
  • Linguistics Language Technologies
  • Language Engineering Data in Linguistics and Corpora
  • Language Engineering: Lexical Resources
  • Modulo 3: Data e knowledge engineering
  • Gli obiettivi del modulo sono:
  • comprendere il funzionamento dei databases;
  • apprendere l’importanza della rappresentazione XML;
  • analizzare i concetti che sono dietro la rappresentazione XQuery.
  • Le lezioni sono 5:
  • Data Engineering: Introduction to Databases
  • Introduction to Data Representation
  • Data Engineering: Managing XML and Semi-structured Data
  • Data Representation: Extending XML
  • Data Representation: XQuery
  • Modulo 4: Machine Learning e Data Mining per IR
  • Gli obiettivi del modulo sono:
  • comprendere il funzionamento delle architetture dei sistemi di IR;
  • apprendere l’importanza della Vector Space Model;
  • analizzare i concetti che sono dietro la rappresentazione della Human Computer Interaction.
  • Le lezioni sono 6:
  • Information Retrieval: Document Pre-Processing
  • Information Retrieval: Indexing
  • Information Retrieval: The Vector Space Model
  • Information Retrieval: Search@Twitter
  • Information Retrieval: Evaluation
  • Information Retrieval: Human Computer Interaction

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta.
La prova scritta consiste in domande con diversa natura: aperta, a risposta multipla ed esercizi. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei metodi, algoritmi, risorse e infrastrutture necessarie per la realizzazione di sistemi di IR. Gli studenti devono dimostrare di saper progettare e realizzare tali sistemi. Verrà infatti valutata la loro capacità di definire architetture funzionali, creare e usare risorse linguistiche, individuare le componenti tecnologiche e progettare infrastrutture. La prova scritta ha una durata massima di 90 minuti che consentirà di valutare non solo le conoscenze dello studente relative ai sistemi di IR ma anche la loro capacità di astrarre quanto imparato e saperlo adeguare a casi reali e complessi che vedono i sistemi di IR a supporto di motori di ricerca, parti integranti di sistemi di Machine Learning, e a valore aggiunto nei sistemi di Data Mining.
L’esame è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.
Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto;
  • della padronanza di linguaggio dello studente;
  • della capacità di definire o usare architetture, funzionalità o strumenti per la progettazione di sistemi intelligenti e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficiente, dei metodi, approcci e tecnologie dei sistemi di recupero automatico dell’informazione da sorgenti eterogenee e distribuite, una conoscenza di base tecniche di information processing che caratterizzano gli odierni motori di ricerca e le loro applicazioni, infine, di essere in grado di progettare sistemi di Information Retrieval. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio del seguente testo:

  • "Modern Information Retrieval", Ricardo Baeza-Yates, Berthier Ribeiro-Neto. Addison Wesley, 1999. ISBN: 020139829X
  • "Introduction to Information Retrieval", Christopher D. Manning, Prabhakar Raghavan and Hinrich Schütze, Cambridge University Press.
  • “Automatic Text Categorization: from Information Retrieval to Support Vector Learning”, Roberto Basili, Alessandro Moschitti, ARACNE Editore, 2005.

Testi di Approfondimento:

  • "Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data (Data-Centric Systems and Applications)", Liu, Bing, Springer-Verlag, Series: Data-Centric Systems and Applications, Berlin, ISBN: 978-3-540-37881-5, 2007.
  • http://biblioteca.unimarconi.it/pmb/opac_css/

Codice insegnamento UC63708

Statistical Data Analysis 1° anno · 12 CFU · MATH-03/B · 0 file

analizzare un carattere o congiuntamente più caratteri statistici, qualitativi e/o quantitativi, per determinarne le caratteristiche dimensionali, di variabilità, di correlazione; valutare la bontà di un processo di…

Scheda dell'insegnamento

Obiettivi formativi

  • analizzare un carattere o congiuntamente più caratteri statistici, qualitativi e/o quantitativi, per determinarne le caratteristiche dimensionali, di variabilità, di correlazione;
  • valutare la bontà di un processo di inferenza sulla base del campione e delle ipotesi retrostanti, per l’ottenimento di stime affidabili sul comportamento di un carattere statistico, sui suoi aspetti dimensionali e di variabilità;
  • impiegare le conoscenze teoriche della statistica e della probabilità attraverso software di analisi dati come R.

Programma

Il corso affronta temi di statistica descrittiva, di calcolo delle probabilità e di inferenza statistica, per una opportuna visione di insieme di questa scienza per gli studenti di ingegneria.
Dalle iniziali condizioni di certezza, ci si sposterà verso contesti probabilistici e di alea, dove lo studio dei campioni e delle ipotesi retrostanti determinerà gli output e la loro affidabilità.
Il supporto di un software free dedicato e il suo utilizzo, R, rappresenta il naturale completamento di un corso che vuole essere una guida completa a vantaggio di coloro che devono prendere decisioni per la soluzione di problemi tecnici, ingegneristici, ma anche fare valutazioni di matrice economica e di impatto sociale.

Statistica metodologica e descrittiva

  • Introduzione alla statistica: caratteri, scale di misura, serie e seriazioni;
  • Indici di dimensione e centralità: moda, quantili e mediana, media aritmetica, geometrica e medie potenziate;
  • Indici di variabilità e mutua variabilità: scostamenti e differenze;
  • I rapporti statistici di composizione, coesistenza, derivazione. I numeri indici elementari e sintetici di prezzi, quantità e valore;
  • Elementi di statistica bivariata e multivariata: l’indipendenza assoluta, l’indipendenza funzionale.

Calcolo delle probabilità e distribuzioni campionarie

  • Calcolo combinatorio e richiami di teoria degli insiemi;
  • Assiomi di probabilità;
  • Probabilità condizionata e teoremi collegati;
  • Distribuzioni di probabilità discrete: binomiale (Bernoulli) e Poisson;
  • Distribuzioni di probabilità continue: Gauss;
  • Media e varianza di una variabile casuale. Teorema di Chebishev;
  • Campionamento e distribuzioni campionarie: teorema del limite centrale, distribuzione campionaria S², t di Student, Gamma e Chi-Quadrato.

Inferenza statistica

  • Popolazione, campione casuale, stima puntuale e per intervalli;
  • Stima della media nel caso di un singolo campione e stima della differenza di 2 medie con 2 campioni;
  • Intervalli di confidenza, intervalli di previsione, intervalli di tolleranza;
  • Stima di una proporzione con un singolo campione e stima della differenza di 2 proporzioni con 2 campioni;
  • Stima varianza con un singolo campione e stima del rapporto tra 2 varianze con 2 campioni;
  • Verifica delle ipotesi per 1 e 2 campioni. Ipotesi nulla e ipotesi alternativa. Probabilità di errori del I e II tipo e ruolo del P-value nei test di ipotesi;
  • Test per bontà di adattamento, di indipendenza e di omogeneità;
  • Modello di regressione semplice lineare: minimi quadrati e stima del modello; proprietà degli stimatori;
  • Inferenza sui coefficienti di regressione e previsione, scelta del modello di regressione, analisi della varianza e verifica grafica della linearità di una regressione;
  • Correlazione.

Data Analysis: applicazioni in R

  • Introduzione ad R;
  • Applicazioni di base (indici di centralità e di dispersione); rappresentazioni grafiche;
  • Applicazioni a problemi di incertezza: analisi della varianza, regressione semplice e multipla.

Modalità d'esame

L’esame si svolge in forma scritta e/o orale.
La prova orale consiste in un colloquio con la commissione vertente sull’intero programma del corso (30 videolezioni).
In sede di colloquio potrebbe essere chiesto al candidato di fare esercizi. Calcolatrice e tavole statistiche, in questo caso, saranno messe a disposizione dalla commissione.
L’esame scritto consiste in una prova scritta vertente sull’intero programma del corso (30 videolezioni).
La prova scritta ha una durata massima di 120 minuti e consta di 6 domande a risposta aperta (2 per ogni modulo principale – Statistica Metodologica, Calcolo delle probabilità e distribuzioni campionarie, Inferenza Statistica – tra cui il candidato dovrà sceglierne una liberamente per ogni modulo), oltre a 3 esercizi (tutti obbligatori, uno per ogni modulo come sopra specificato). Sarà possibile l’uso della calcolatrice, mentre le tavole statistiche saranno messe a disposizione dello studente unitamente alla prova d’esame.
In tutto, quindi, si tratta di 6 quesiti (3 domande a risposta aperta e 3 esercizi), ognuno dei quali, quando svolto in modo corretto ed esaustivo, vale 5 punti ai fini della valutazione in trentesimi.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio del seguente testo limitatamente alle parti indicate:

R.E. Walpole, R.H. Myers, S.L. Myers, K.E. Ye, Probabilità e statistica per ingegneria e scienze – Strumenti e applicazioni in R – Nona Edizione (a cura di Rosa Arboretti, Ilia Negri, Alessandra Petrucci, Luigi Salmaso), Pearson, 2020
Capitoli 1, 2, 3, 4 (tranne 4.3); 5 (tranne 5.3 e 5.4); 6 (tranne 6.8, 6.9 e 6.10); 8 (tranne 8.8); 9 (tranne 9.9 e 9.14); 10; 11

Codice insegnamento UC63707

Tecnologie Semantiche 1° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo insegnamento lo studente sarà in grado di: conoscere i concetti base della logica proposizionale e di quella del primo ordine; conoscere i concetti base delle logiche descrittive più semplici (in…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo insegnamento lo studente sarà in grado di:

  • conoscere i concetti base della logica proposizionale e di quella del primo ordine;
  • conoscere i concetti base delle logiche descrittive più semplici (in particolare ALC);
  • formalizzare la semantica di semplici frasi in linguaggio naturale nelle varie logiche presentate;
  • sapere cosa è una base di conoscenza e quali sono i possibili compiti di ragionamento (inferenza);
  • comprendere i concetti di correttezza e completezza per la produzione di conseguenze logiche di basi di conoscenza;
  • conoscere i principali metodi di inferenza (risoluzione, refutazione, tableaux, concatenazione in avanti e indietro);
  • distinguere il concetto di probabilità da quello di fuzzyness nel contesto della rappresentazione di informazione incerta;
  • conoscere formalismi e tecnologie del Web Semantico;
  • comprendere gli aspetti base del linguaggio naturale in termini di processing e rappresentazione forma-senso-concetto;
  • avere conoscenze di base di tecnologie NoSQL (database a grafo, triple store, axiom store) per la gestione programmatica di basi di conoscenza.

Programma

Il corso offre un’introduzione alle tecnologie semantiche, che pongono la semantica al centro della progettazione e della costruzione dei sistemi informativi e che stanno assumendo un’importanza crescente nelle organizzazioni, sia per quanto riguarda la gestione di grandi quantità di dati, servizi e processi, sia per la realizzazione di meccanismi di interoperabilità necessari oggi come conseguenza della pervasività della rete. Il concetto base della tecnologia semantica è di avere una comprensione del significato dei contenuti per riuscire a gestire basi di conoscenza, in modo molto più simile a quanto fanno le persone.
Il corso è strutturato in 4 parti: nella prima parte si presenteranno i linguaggi logici per la rappresentazione della semantica dell’informazione e le relative procedure di inferenza deduttiva per compiere ragionamenti su di essa. Nella seconda parte, più applicativa, vedremo quanto presentato teoricamente nella prima parte nel contesto del Web Semantico: introdurremo il concetto di Linked Data attraverso il linguaggio formale RDF e vedremo come aggiungere espressività ontologica tramite il linguaggio formale OWL. Nella terza parte presenteremo i concetti base di come trattare automaticamente il linguaggio naturale per estrarre il significato dalle frasi per poi codificarlo tramite i linguaggi formali visti nella parte precedente. Nell’ultima parte, quella più pratica dell’intero corso, vedremo alcune delle tecnologie che permettono di implementare le parti teoriche viste prima. In particolare presenteremo strumenti open source e/o free per analizzare frasi in linguaggio naturale, creare semplicissimi agenti conversazionali e le tecnologie NoSQL per la rappresentazione e il ragionamento su basi di conoscenza espresse in linguaggi formali.

Lezione 1: introduzione alle tecnologie semantiche

  • Il contesto dell’intelligenza artificiale
  • Il test di Turing
  • Linguaggi di programmazione, formali e naturali

Lezione 2: Calcolo proposizionale e risoluzione

  • Sintassi della logica proposizionale
  • Semantica della logica proposizionale
  • Regole d’inferenza e metodi di calcolo

Lezione 3: Logica predicativa e risoluzione

  • Sintassi della logica del primo ordine
  • Semantica della logica del primo ordine
  • Regole d’inferenza e metodi di calcolo

Lezione 4: Le logiche descrittive

  • Sintassi e semantica
  • Basi di conoscenza e compiti di ragionamento

Lezione 5: Probabilità e insiemi fuzzy

  • Probabilità condizionate e teorema di Bayes
  • Reti bayesiane
  • Insiemi vaghi e funzioni di appartenenza
  • Variabili linguistiche e modificatori
  • Cenni di logiche descrittive fuzzy

Lezione 6: Il Semantic Web e i suoi linguaggi - parte 1

  • Dato, informazione e conoscenza
  • Organizzazione dell’informazione
  • La pila del web semantico

Lezione 7: Il Semantic Web e i suoi linguaggi - parte 2

  • Il linguaggio RDF/RDFS
  • Il linguaggio ontologico OWL 1
  • Cenni al linguaggio OWL 2

Lezione 8: Il Semantic Web e i suoi linguaggi - parte 3

  • Il linguaggio di interrogazione SPARQL 1.0
  • Il linguaggio di interrogazione SPARQL 1.1

Lezione 9: Vocabolari e Ontologie per il Semantic Web

  • I vocabolari e le ontologie come basi comuni di significato
  • Il repository Linked Open Vocabularies (LOV)
  • Esempi di ontologie e vocabolari più comuni

Lezione 10: Linked (Open) Data

  • Introduzione al paradigma dei Linked Open Data (LOD)
  • Regole di pubblicazione e consumo di LOD
  • Interrogazioni federate

Lezione 11: Ontologie lessicali

  • Introduzione alla comprensione del linguaggio naturale
  • Dimensione linguistica e concettuale
  • L’ontologia OntoLex-Lemon (lexical model for ontologies)

Lezione 12: Introduzione alla linguistica computazionale

  • La catena di analisi linguistica
  • Apprendimento automatico supervisionato e non
  • Principali strumenti software per l’analisi linguistica

Lezione 13: Assistenti conversazionali

  • Interazioni vocali e chatbot
  • Cosa è e come si crea un chatbot
  • Creazione di un semplice chatbot con IBM Watson assistant

Lezione 14: Tecnologie semantiche in pratica - parte 1

  • Introduzione alle tecnologie NoSQL
  • Graph database vs triple store
  • Un database semantico conforme agli standard W3C: GraphDB

Lezione 15: Tecnologie semantiche in pratica - parte 2

  • OWL-API: Una libreria java per la gestione di ontologie OWL
  • SWRL-API: una libreria Java per la gestione di regole
  • SQWRL-API: una libreria Java per l’interrogazione di ontologie OWL con regole SWRL

Modalità d'esame

L’esame si svolge in forma scritta. Il punteggio della prova è espresso in trentesimi.
La prova scritta ha una durata di 90 minuti e consiste in un questionario di dieci domande di cui 8 a scelta multipla e 2 aperte sull’intero programma del corso. Le prime tendono ad accertare competenze più di nozione, mentre le altre sono relative alla comprensione più profonda dei vari temi trattati nel corso o a piccoli esercizi simili a quelli presentati nelle esercitazioni alla fine di ogni lezione del corso.
La valutazione della prova scritta consiste nell’assegnazione a ciascuna domanda a risposta multipla di 2 punti se corretta o 0 se sbagliata, mentre per le due domande aperte (o esercizi) verrà assegnato un massimo di 8 punti ciascuna. La valutazione finale consiste nella somma dei punteggi di tutte le domande. La lode viene assegnata nel caso in cui la somma raggiunga il punteggio totale massimo pari a 32.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei capitoli opportuni, in base agli argomenti trattati, dei seguenti testi:

  • Intelligenza artificiale. Un approccio moderno (Vol. 1) - 2010 di Stuart J. Russell (Autore), Peter Norvig (Autore), F. Amigoni (a cura di), S. Gaburri (Traduttore)
  • Di Noia, De Virgilio, Di Sciascio, Donini: Semantic Web, Tra ontologie e open data, Apogeo

Codice insegnamento UC63704

AI Innovation Manager 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine del corso, i partecipanti saranno in grado di pensare in modo strategico sull'AI, di guidare l'innovazione nelle proprie organizzazioni e di contribuire attivamente alla creazione di un futuro in cui…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, i partecipanti saranno in grado di pensare in modo strategico sull'AI, di guidare l'innovazione nelle proprie organizzazioni e di contribuire attivamente alla creazione di un futuro in cui l'Intelligenza Artificiale è al servizio del progresso e del benessere collettivo.
Conoscenza e comprensione

  • Comprendere la differenza tra i differenti task tipici della disciplina.
  • Conoscere le basi teoriche, fortemente interdisciplinari dell’area.
  • Conoscere l'importanza dei dati e i differenti tipi di dati per la costruzione di un modello di intelligenza artificiale.
  • Conoscere i principali algoritmi e valutare diversi esempi applicativi.

Capacità di applicare conoscenze e comprensione

  • Definire un business case di innovazione mediante l’intelligenza artificiale o per portare un nuovo sistema di intelligenza artificiale sul mercato.
  • Identificare problemi e opportunità e utilizzare i framework per implementare sistemi di intelligenza artificiale.

Competenze trasversali

  • Trattare task fortemente interdisciplinari, come la comprensione del significato del linguaggio naturale utilizzato in un sistema di gestione del dialogo per l’interazione automatica con un sistema informatico.
  • Avere le basi per effettuare l’analisi degli impatti etici e normativi di un sistema di intelligenza artificiale.

Programma

Il corso ha lo scopo di fornire un’ampia panoramica sull'Intelligenza Artificiale, con un focus particolare sulle applicazioni e sulla gestione dell’innovazione e gestione strategica dei progetti di AI.

Nelle lezioni verranno spiegati i fondamenti storici e teorici, gli algoritmi principali e le tecnologie emergenti come quelle generative. Particolare attenzione verrà posta nell’applicazione e gestione dell'Intelligenza Artificiale in modo responsabile e innovativo, con una visione completa delle sue implicazioni tecnologiche, etiche, legali e di business.

  • History of AI
  • AI definitions and the importance of data
  • Main ai algorithms and application examples
  • Language technologies
  • (LARGE) Language models
  • Current issues and approaches for GEN AI
  • AI ethics
  • AI governance and regulations
  • Managing AI projects - business case
  • AI project management
  • Best practices in AI projects, and AI operations
  • Managing AI teams
  • Innovation strategies for AI
  • Leveraging and implementing AI
  • Trends in AI - Emerging AI Technologies and Cutting Edge AI Research AI's rapid evolution

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta e/o orale.
Durante l’esame viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali relativi alla materia. Gli studenti devono dimostrare di saper analizzare e disegnare uno scenario di applicazioni AI e scegliere gli algoritmi più adatti per un task. Durante la prova gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.
Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto;
  • della padronanza di linguaggio dello studente;
  • della capacità di definire o analizzare architetture, funzionalità o strumenti per la progettazione di sistemi di AI e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficienti a indirizzare problemi complessi, una conoscenza di base sui metodi, gli algoritmi e le tecniche di processamento di informazioni per il training di modelli di AI, oltre alla conoscenza di base di framework e strategie per la gestione dei progetti e dell’innovazione nel contest dell’Intelligenza Artificiale. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Lezioni realizzate dal Docente e materiali didattici pubblicati in piattaforma.

Codice insegnamento UC63654

AI Innovation Manager 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine del corso, i partecipanti saranno in grado di pensare in modo strategico sull'AI, di guidare l'innovazione nelle proprie organizzazioni e di contribuire attivamente alla creazione di un futuro in cui…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, i partecipanti saranno in grado di pensare in modo strategico sull'AI, di guidare l'innovazione nelle proprie organizzazioni e di contribuire attivamente alla creazione di un futuro in cui l'Intelligenza Artificiale è al servizio del progresso e del benessere collettivo.
Conoscenza e comprensione

  • Comprendere la differenza tra i differenti task tipici della disciplina.
  • Conoscere le basi teoriche, fortemente interdisciplinari dell’area.
  • Conoscere l'importanza dei dati e i differenti tipi di dati per la costruzione di un modello di intelligenza artificiale.
  • Conoscere i principali algoritmi e valutare diversi esempi applicativi.

Capacità di applicare conoscenze e comprensione

  • Definire un business case di innovazione mediante l’intelligenza artificiale o per portare un nuovo sistema di intelligenza artificiale sul mercato.
  • Identificare problemi e opportunità e utilizzare i framework per implementare sistemi di intelligenza artificiale.

Competenze trasversali

  • Trattare task fortemente interdisciplinari, come la comprensione del significato del linguaggio naturale utilizzato in un sistema di gestione del dialogo per l’interazione automatica con un sistema informatico.
  • Avere le basi per effettuare l’analisi degli impatti etici e normativi di un sistema di intelligenza artificiale.

Programma

Il corso ha lo scopo di fornire un’ampia panoramica sull'Intelligenza Artificiale, con un focus particolare sulle applicazioni e sulla gestione dell’innovazione e gestione strategica dei progetti di AI.

Nelle lezioni verranno spiegati i fondamenti storici e teorici, gli algoritmi principali e le tecnologie emergenti come quelle generative. Particolare attenzione verrà posta nell’applicazione e gestione dell'Intelligenza Artificiale in modo responsabile e innovativo, con una visione completa delle sue implicazioni tecnologiche, etiche, legali e di business.

  • History of AI
  • AI definitions and the importance of data
  • Main ai algorithms and application examples
  • Language technologies
  • (LARGE) Language models
  • Current issues and approaches for GEN AI
  • AI ethics
  • AI governance and regulations
  • Managing AI projects - business case
  • AI project management
  • Best practices in AI projects, and AI operations
  • Managing AI teams
  • Innovation strategies for AI
  • Leveraging and implementing AI
  • Trends in AI - Emerging AI Technologies and Cutting Edge AI Research AI's rapid evolution

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta e/o orale.
Durante l’esame viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali relativi alla materia. Gli studenti devono dimostrare di saper analizzare e disegnare uno scenario di applicazioni AI e scegliere gli algoritmi più adatti per un task. Durante la prova gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.
Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto;
  • della padronanza di linguaggio dello studente;
  • della capacità di definire o analizzare architetture, funzionalità o strumenti per la progettazione di sistemi di AI e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficienti a indirizzare problemi complessi, una conoscenza di base sui metodi, gli algoritmi e le tecniche di processamento di informazioni per il training di modelli di AI, oltre alla conoscenza di base di framework e strategie per la gestione dei progetti e dell’innovazione nel contest dell’Intelligenza Artificiale. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Lezioni realizzate dal Docente e materiali didattici pubblicati in piattaforma.

Codice insegnamento UC63694

AI Innovation Manager 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine del corso, i partecipanti saranno in grado di pensare in modo strategico sull'AI, di guidare l'innovazione nelle proprie organizzazioni e di contribuire attivamente alla creazione di un futuro in cui…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, i partecipanti saranno in grado di pensare in modo strategico sull'AI, di guidare l'innovazione nelle proprie organizzazioni e di contribuire attivamente alla creazione di un futuro in cui l'Intelligenza Artificiale è al servizio del progresso e del benessere collettivo.
Conoscenza e comprensione

  • Comprendere la differenza tra i differenti task tipici della disciplina.
  • Conoscere le basi teoriche, fortemente interdisciplinari dell’area.
  • Conoscere l'importanza dei dati e i differenti tipi di dati per la costruzione di un modello di intelligenza artificiale.
  • Conoscere i principali algoritmi e valutare diversi esempi applicativi.

Capacità di applicare conoscenze e comprensione

  • Definire un business case di innovazione mediante l’intelligenza artificiale o per portare un nuovo sistema di intelligenza artificiale sul mercato.
  • Identificare problemi e opportunità e utilizzare i framework per implementare sistemi di intelligenza artificiale.

Competenze trasversali

  • Trattare task fortemente interdisciplinari, come la comprensione del significato del linguaggio naturale utilizzato in un sistema di gestione del dialogo per l’interazione automatica con un sistema informatico.
  • Avere le basi per effettuare l’analisi degli impatti etici e normativi di un sistema di intelligenza artificiale.

Programma

Il corso ha lo scopo di fornire un’ampia panoramica sull'Intelligenza Artificiale, con un focus particolare sulle applicazioni e sulla gestione dell’innovazione e gestione strategica dei progetti di AI.

Nelle lezioni verranno spiegati i fondamenti storici e teorici, gli algoritmi principali e le tecnologie emergenti come quelle generative. Particolare attenzione verrà posta nell’applicazione e gestione dell'Intelligenza Artificiale in modo responsabile e innovativo, con una visione completa delle sue implicazioni tecnologiche, etiche, legali e di business.

  • History of AI
  • AI definitions and the importance of data
  • Main ai algorithms and application examples
  • Language technologies
  • (LARGE) Language models
  • Current issues and approaches for GEN AI
  • AI ethics
  • AI governance and regulations
  • Managing AI projects - business case
  • AI project management
  • Best practices in AI projects, and AI operations
  • Managing AI teams
  • Innovation strategies for AI
  • Leveraging and implementing AI
  • Trends in AI - Emerging AI Technologies and Cutting Edge AI Research AI's rapid evolution

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta e/o orale.
Durante l’esame viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali relativi alla materia. Gli studenti devono dimostrare di saper analizzare e disegnare uno scenario di applicazioni AI e scegliere gli algoritmi più adatti per un task. Durante la prova gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.
Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto;
  • della padronanza di linguaggio dello studente;
  • della capacità di definire o analizzare architetture, funzionalità o strumenti per la progettazione di sistemi di AI e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficienti a indirizzare problemi complessi, una conoscenza di base sui metodi, gli algoritmi e le tecniche di processamento di informazioni per il training di modelli di AI, oltre alla conoscenza di base di framework e strategie per la gestione dei progetti e dell’innovazione nel contest dell’Intelligenza Artificiale. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Lezioni realizzate dal Docente e materiali didattici pubblicati in piattaforma.

Codice insegnamento UC63732

Architetture per l’Internet of Things 2° anno · 12 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di dimostrare: 1. Conoscenza e comprensione Conoscenza dei modelli di architettura Cloud, IoT e i nuovi modelli Edge e Fog computing. Conoscenza dei paradigmi…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di dimostrare:

1. Conoscenza e comprensione

  • Conoscenza dei modelli di architettura Cloud, IoT e i nuovi modelli Edge e Fog computing.
  • Conoscenza dei paradigmi architetturali per l’Industria 4.0, Limitazioni tecnologiche e nuove architetture hardware.
  • Conoscenza delle architetture classiche con il modello di Von Neumann e Harvard.
  • Conoscenza delle nuove micro-architetture e dei concetti di Pipelining nelle CPU.
  • Conoscenza delle nuove memorie e della gerarchia di memoria nei processori moderni.
  • Conoscenza delle memorie Cache, utilizzo ed ottimizzazione.
  • Conoscenza della tecnologia ed architettura FPGA.
  • Conoscenza delle architetture SoC FPGA.
  • Conoscenza delle architetture TPU.
  • Conoscenza delle tecniche di profiling ed ottimizzazione di programmazione su CPU.
  • Conoscenza dei modelli di programmazione GPU: Cuda, OpenCL e OpenACC.
  • Conoscenza delle Architetture Dataflow, e.g. Maxeler e modello di programmazione.
  • Conoscenza dei principi di Hadware/Software Codesign.
  • Conoscenza dei principi di Virtualizzazione su architetture IoT.

2. Capacità di applicare conoscenze e comprensione

  • Capacità di dimensionare una memoria Cache.
  • Capacità di applicare tecniche base di ottimizzazione su codice C.
  • Capacità di programmazione di un kernel base in Cuda e Maxeler.

3. Competenze trasversali

  • Capacità di selezionare un’architettura hardware e un modello di programmazione opportuno per un caso d’uso in un’applicazione IoT, considerando tutti i modelli architetturali e i modelli di programmazione affrontati nel corso e confrontati durante le lezioni.

Programma

Il corso ha l'obiettivo di presentare le nuove architetture di calcolatori e l'ottimizzazione dei loro modelli di programmazione per l’Internet of Things. Partendo dai moderni paradigmi computazionali per l'Industria 4.0, come l'Edge Computing, Fog Computing, Cloud Computing, e i Cyber-Physical-Systems (CPSs). Per questi nuovi paradigmi computazionali verranno presentate le soluzioni hardware utilizzate oggi, quali: Many-Core CPUs, GPUs, TPUs for AI, SoCs. In dettaglio, per tali architetture di calcolatori si affronteranno problematiche di hardware-software co-design e le moderne tecniche architetturali (e.g., Pipelines, Coherency, Cache). Infine, grazie alle conoscenze architetturali acquisite verranno affrontate le tecniche di virtualizzazione hardware-software su Edge e Cloud, i modelli di programmazione (e.g., Cuda, OpenCL), le tecniche di ottimizzazione di programmazione, quali: Array e Matrix ordering, Cache Reuse, Loop Optimization, Coalescing, ed altre tecniche di programmazione avanzate per C/C++ e Cuda.

Paradigmi computazionali per l’Internet of Things & Industria 4.0

  • Paradigmi computazionali per l’Internet of Things
  • Paradigmi computazionali per l’Industria 4.0
  • Limiti e trend tecnologici delle nuove architetture hardware
  • Le nuove Architetture di Processore per loT
  • Architetture Dataflow
  • Introduzione alle nuove Piattaforme Hardware

Micro-architetture per l’ Internet of Things

  • Introduzione alle Architetture Pipelining
  • Pipelining Hazard
  • Introduzione alla gerarchia delle memorie
  • Memorie Cache
  • Memoria Virtuale, Coerenza e Consistenza
  • Tecnologia e Architettura delle FPGA
  • IP & Hardware Design Flow for IoT
  • SIMD and GPU Architecture
  • Application Domain Architecture & TPU Processors

Modelli di programmazione per l’Internet of Things

  • Profiling per CPU in IoT
  • Compiler optimization per CPU in IoT
  • Programmazione Cuda
  • CUDA - Aspetti avanzati
  • Linguaggi per la programmazione parallela di CPU e GPU
  • Maxeler
  • Principi di Hardware/Software Codesign

Virtualizzazione hardware-software per Cloud & IoT

  • Virtualization & Hypervisor per IoT

Modalità d'esame

L’esame si svolge in forma scritta. La prova scritta consiste in quattro domande aperte e 2 semplici esercizi tratti dagli esempi mostrati a lezione. La durata dell’esame è di 90 minuti.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente e ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi:

  • Computer Architecture. A Quantitative Approach. Sixth Edition - 2017 -. John L. Hennessy. Stanford University. David A. Patterson. University of California, Berkeley.
  • Computer organization and design: the hardware/software interface/David A. Patterson, John L. Hennessy. — 5 th edition (Italian version available).
  • Patrick R. Schaumont: A Practical Introduction to Hardware/Software Codesign, Springer, 2013.

Per approfondimento:

  • Materiale in bibliografia nelle slides delle singole lezioni.

Codice insegnamento UC63664

Architetture per l’Internet of Things 2° anno · 12 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di dimostrare: 1. Conoscenza e comprensione Conoscenza dei modelli di architettura Cloud, IoT e i nuovi modelli Edge e Fog computing. Conoscenza dei paradigmi…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di dimostrare:

1. Conoscenza e comprensione

  • Conoscenza dei modelli di architettura Cloud, IoT e i nuovi modelli Edge e Fog computing.
  • Conoscenza dei paradigmi architetturali per l’Industria 4.0, Limitazioni tecnologiche e nuove architetture hardware.
  • Conoscenza delle architetture classiche con il modello di Von Neumann e Harvard.
  • Conoscenza delle nuove micro-architetture e dei concetti di Pipelining nelle CPU.
  • Conoscenza delle nuove memorie e della gerarchia di memoria nei processori moderni.
  • Conoscenza delle memorie Cache, utilizzo ed ottimizzazione.
  • Conoscenza della tecnologia ed architettura FPGA.
  • Conoscenza delle architetture SoC FPGA.
  • Conoscenza delle architetture TPU.
  • Conoscenza delle tecniche di profiling ed ottimizzazione di programmazione su CPU.
  • Conoscenza dei modelli di programmazione GPU: Cuda, OpenCL e OpenACC.
  • Conoscenza delle Architetture Dataflow, e.g. Maxeler e modello di programmazione.
  • Conoscenza dei principi di Hadware/Software Codesign.
  • Conoscenza dei principi di Virtualizzazione su architetture IoT.

2. Capacità di applicare conoscenze e comprensione

  • Capacità di dimensionare una memoria Cache.
  • Capacità di applicare tecniche base di ottimizzazione su codice C.
  • Capacità di programmazione di un kernel base in Cuda e Maxeler.

3. Competenze trasversali

  • Capacità di selezionare un’architettura hardware e un modello di programmazione opportuno per un caso d’uso in un’applicazione IoT, considerando tutti i modelli architetturali e i modelli di programmazione affrontati nel corso e confrontati durante le lezioni.

Programma

Il corso ha l'obiettivo di presentare le nuove architetture di calcolatori e l'ottimizzazione dei loro modelli di programmazione per l’Internet of Things. Partendo dai moderni paradigmi computazionali per l'Industria 4.0, come l'Edge Computing, Fog Computing, Cloud Computing, e i Cyber-Physical-Systems (CPSs). Per questi nuovi paradigmi computazionali verranno presentate le soluzioni hardware utilizzate oggi, quali: Many-Core CPUs, GPUs, TPUs for AI, SoCs. In dettaglio, per tali architetture di calcolatori si affronteranno problematiche di hardware-software co-design e le moderne tecniche architetturali (e.g., Pipelines, Coherency, Cache). Infine, grazie alle conoscenze architetturali acquisite verranno affrontate le tecniche di virtualizzazione hardware-software su Edge e Cloud, i modelli di programmazione (e.g., Cuda, OpenCL), le tecniche di ottimizzazione di programmazione, quali: Array e Matrix ordering, Cache Reuse, Loop Optimization, Coalescing, ed altre tecniche di programmazione avanzate per C/C++ e Cuda.

Paradigmi computazionali per l’Internet of Things & Industria 4.0

  • Paradigmi computazionali per l’Internet of Things
  • Paradigmi computazionali per l’Industria 4.0
  • Limiti e trend tecnologici delle nuove architetture hardware
  • Le nuove Architetture di Processore per loT
  • Architetture Dataflow
  • Introduzione alle nuove Piattaforme Hardware

Micro-architetture per l’ Internet of Things

  • Introduzione alle Architetture Pipelining
  • Pipelining Hazard
  • Introduzione alla gerarchia delle memorie
  • Memorie Cache
  • Memoria Virtuale, Coerenza e Consistenza
  • Tecnologia e Architettura delle FPGA
  • IP & Hardware Design Flow for IoT
  • SIMD and GPU Architecture
  • Application Domain Architecture & TPU Processors

Modelli di programmazione per l’Internet of Things

  • Profiling per CPU in IoT
  • Compiler optimization per CPU in IoT
  • Programmazione Cuda
  • CUDA - Aspetti avanzati
  • Linguaggi per la programmazione parallela di CPU e GPU
  • Maxeler
  • Principi di Hardware/Software Codesign

Virtualizzazione hardware-software per Cloud & IoT

  • Virtualization & Hypervisor per IoT

Modalità d'esame

L’esame si svolge in forma scritta. La prova scritta consiste in quattro domande aperte e 2 semplici esercizi tratti dagli esempi mostrati a lezione. La durata dell’esame è di 90 minuti.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente e ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi:

  • Computer Architecture. A Quantitative Approach. Sixth Edition - 2017 -. John L. Hennessy. Stanford University. David A. Patterson. University of California, Berkeley.
  • Computer organization and design: the hardware/software interface/David A. Patterson, John L. Hennessy. — 5 th edition (Italian version available).
  • Patrick R. Schaumont: A Practical Introduction to Hardware/Software Codesign, Springer, 2013.

Per approfondimento:

  • Materiale in bibliografia nelle slides delle singole lezioni.

Codice insegnamento UC455431

Architetture per l’Internet of Things 2° anno · 12 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di dimostrare: 1. Conoscenza e comprensione Conoscenza dei modelli di architettura Cloud, IoT e i nuovi modelli Edge e Fog computing. Conoscenza dei paradigmi…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di dimostrare:

1. Conoscenza e comprensione

  • Conoscenza dei modelli di architettura Cloud, IoT e i nuovi modelli Edge e Fog computing.
  • Conoscenza dei paradigmi architetturali per l’Industria 4.0, Limitazioni tecnologiche e nuove architetture hardware.
  • Conoscenza delle architetture classiche con il modello di Von Neumann e Harvard.
  • Conoscenza delle nuove micro-architetture e dei concetti di Pipelining nelle CPU.
  • Conoscenza delle nuove memorie e della gerarchia di memoria nei processori moderni.
  • Conoscenza delle memorie Cache, utilizzo ed ottimizzazione.
  • Conoscenza della tecnologia ed architettura FPGA.
  • Conoscenza delle architetture SoC FPGA.
  • Conoscenza delle architetture TPU.
  • Conoscenza delle tecniche di profiling ed ottimizzazione di programmazione su CPU.
  • Conoscenza dei modelli di programmazione GPU: Cuda, OpenCL e OpenACC.
  • Conoscenza delle Architetture Dataflow, e.g. Maxeler e modello di programmazione.
  • Conoscenza dei principi di Hadware/Software Codesign.
  • Conoscenza dei principi di Virtualizzazione su architetture IoT.

2. Capacità di applicare conoscenze e comprensione

  • Capacità di dimensionare una memoria Cache.
  • Capacità di applicare tecniche base di ottimizzazione su codice C.
  • Capacità di programmazione di un kernel base in Cuda e Maxeler.

3. Competenze trasversali

  • Capacità di selezionare un’architettura hardware e un modello di programmazione opportuno per un caso d’uso in un’applicazione IoT, considerando tutti i modelli architetturali e i modelli di programmazione affrontati nel corso e confrontati durante le lezioni.

Programma

Il corso ha l'obiettivo di presentare le nuove architetture di calcolatori e l'ottimizzazione dei loro modelli di programmazione per l’Internet of Things. Partendo dai moderni paradigmi computazionali per l'Industria 4.0, come l'Edge Computing, Fog Computing, Cloud Computing, e i Cyber-Physical-Systems (CPSs). Per questi nuovi paradigmi computazionali verranno presentate le soluzioni hardware utilizzate oggi, quali: Many-Core CPUs, GPUs, TPUs for AI, SoCs. In dettaglio, per tali architetture di calcolatori si affronteranno problematiche di hardware-software co-design e le moderne tecniche architetturali (e.g., Pipelines, Coherency, Cache). Infine, grazie alle conoscenze architetturali acquisite verranno affrontate le tecniche di virtualizzazione hardware-software su Edge e Cloud, i modelli di programmazione (e.g., Cuda, OpenCL), le tecniche di ottimizzazione di programmazione, quali: Array e Matrix ordering, Cache Reuse, Loop Optimization, Coalescing, ed altre tecniche di programmazione avanzate per C/C++ e Cuda.

Paradigmi computazionali per l’Internet of Things & Industria 4.0

  • Paradigmi computazionali per l’Internet of Things
  • Paradigmi computazionali per l’Industria 4.0
  • Limiti e trend tecnologici delle nuove architetture hardware
  • Le nuove Architetture di Processore per loT
  • Architetture Dataflow
  • Introduzione alle nuove Piattaforme Hardware

Micro-architetture per l’ Internet of Things

  • Introduzione alle Architetture Pipelining
  • Pipelining Hazard
  • Introduzione alla gerarchia delle memorie
  • Memorie Cache
  • Memoria Virtuale, Coerenza e Consistenza
  • Tecnologia e Architettura delle FPGA
  • IP & Hardware Design Flow for IoT
  • SIMD and GPU Architecture
  • Application Domain Architecture & TPU Processors

Modelli di programmazione per l’Internet of Things

  • Profiling per CPU in IoT
  • Compiler optimization per CPU in IoT
  • Programmazione Cuda
  • CUDA - Aspetti avanzati
  • Linguaggi per la programmazione parallela di CPU e GPU
  • Maxeler
  • Principi di Hardware/Software Codesign

Virtualizzazione hardware-software per Cloud & IoT

  • Virtualization & Hypervisor per IoT

Modalità d'esame

L’esame si svolge in forma scritta. La prova scritta consiste in quattro domande aperte e 2 semplici esercizi tratti dagli esempi mostrati a lezione. La durata dell’esame è di 90 minuti.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente e ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi:

  • Computer Architecture. A Quantitative Approach. Sixth Edition - 2017 -. John L. Hennessy. Stanford University. David A. Patterson. University of California, Berkeley.
  • Computer organization and design: the hardware/software interface/David A. Patterson, John L. Hennessy. — 5 th edition (Italian version available).
  • Patrick R. Schaumont: A Practical Introduction to Hardware/Software Codesign, Springer, 2013.

Per approfondimento:

  • Materiale in bibliografia nelle slides delle singole lezioni.

Codice insegnamento UC455477

Big Data Analytics in architetture Internet of Things 2° anno · 12 CFU · IINF-05/A · 0 file

Il presente corso è finalizzato a fornire: una conoscenza sufficientemente approfondita ed integrata delle componenti funzionali e tecnologiche necessarie all’implementazione di sistemi BDA (descrittore Dublino 1); le…

Scheda dell'insegnamento

Obiettivi formativi

Il presente corso è finalizzato a fornire:

  • una conoscenza sufficientemente approfondita ed integrata delle componenti funzionali e tecnologiche necessarie all’implementazione di sistemi BDA (descrittore Dublino 1);
  • le adeguate competenze per progettare e implementare un sistema BDA, rappresentativo di un sistema reale (descrittore Dublino 2);
  • la capacità di interpretare in autonomia le caratteristiche basilari di processi reali che necessitano di essere trattati mediante sistemi BDA e pertanto l’abilità di progettare, implementare, rilasciare ed eseguire applicazioni che coprano l’intero ciclo di vita di un sistema BDA (descrittore Dublino 3);
  • la capacità di comunicare le principali caratteristiche e funzionalità di un sistema BDA (descrittore Dublino 4);
  • un quadro architetturale (strutturale, tecnologico e funzionale) tale da consentire l’incremento continuo di conoscenza atto a far evolvere il quadro stesso (descrittore Dublino 5).

Programma

La crescita costante dell’economia globale ha generato da almeno due decadi grandi sfide competitive per aziende di tutte le dimensioni, dal momento che internet consente anche alle piccole organizzazioni di affacciarsi sul mercato globale.

La principale leva per la competizione globale è rappresentata dalla continua innovazione che consente di acquisire e mantenere vantaggio competitivo. La disponibilità degli enormi volumi di dati generati ad elevata velocità dai social media, da Internet of Things e dalle stesse organizzazioni, la necessità di un time-to-market sempre più breve, impongono l’adozione del paradigma data-driven e conseguentemente di infrastrutture IT di elevate capacità di calcolo, scalabilità e affidabilità. L’integrazione di tutto questo consente l’efficace adozione di sistemi di Big Data Analytics (BDA). Le principali tecnologie che consentono l’implementazione di sistemi BDA in grado di soddisfare i requisiti delle aziende globali, sono:

1. cloud computing;

2. virtualizzazione;

3. clusterizzazione;

4. distributed computing;

5. framework (tipicamente open source) di software analytics e machine learning;
6. protocolli standard di comunicazione tra smart devices ed applicazioni software.

Modulo 1 - Contesto economico e tecnologico
Durante questa parte del corso verrà illustrato come la moderna tecnologia IT sia il naturale ed indispensabile supporto per le organizzazioni che operano nel mercato globale.
Obiettivi:

  • conoscere e comprendere, in generale, le caratteristiche fondamentali delle infrastrutture IT di supporto ad organizzazioni che operano in mercati globali;
  • valutare la connessione tra infrastrutture IT e vantaggio competitivo.

Videolezioni:
1. Presentazione del corso
2. Scenario macro economico globale
3. Infrastrutture IT e Big Data Analytics per il vantaggio competitivo

Modulo 2: Sistemi di Big Data Analytics
In questa parte del corso vengono illustrati in modo approfondito i sistemi BDA dal punto di vista sia metodologico che tecnologico. Viene implementato un caso di studio, denominato SIGMA, su piattaforma standalone in Apache Spark.
Obiettivi:

  • conoscere e comprendere, in modo approfondito, il ciclo di vita delle applicazioni BDA e di Machine Learning, nonché le caratteristiche principali di ogni fase di tale ciclo di vita;
  • conoscere e comprendere le tipologie di processi produttivi che necessitano del supporto di sistemi BDA;
  • conoscere e comprendere le carateristiche dei Big Data;
  • conoscere, installare e utilizzare l’architettura tecnologica Ububtu/Apache Spark/Python/MariaDB;
  • implementare un sistema BDA near-real time, avente come caso di studio il manufacturing.

Videolezioni
4. Introduzione
5. Data Warehouse
6. Big Data e Data Science
7. Richiami di Machine Learning - Parte 1
8. Richiami di Machine Learning - Parte 2
9. Architetture IT per il Manufacturing
10. Ambiente di sviluppo software - Parte 1
11. Ambiente di sviluppo software – Parte 2
12. Apache Spark - Parte 1
13. Apache Spark - Parte 2
14. Manufacturing Big Data Analytics - Setup Parte 1
15. Manufacturing Big Data Analytics - Setup Parte 2
16. Manufacturing Big Data Analytics - Setup Parte 3
17. Distributed Version Contro System, Logging, Streaming
18. Staging
19. Ingestion
20. Retention

Modulo 3: Industrial Internet Of Things
In questa sezione vengono illustrati sia l’importanza della connettività nel settore del manufacturing (componente centrale del paradigma Industria 4.0) sia il protocollo OPC-UA, uno dei più diffusi standard di comunicazione tra applicazioni software e dispositivi smart.
Obiettivi:

  • definire lo Industrial Internet of Things;
  • collocare correttamente IIoT nel moderno contesto economico e tecnologico;
  • conoscere il valore aggiunto che IIoT può fornire ai processi produttivi (testimonianza manageriale);
  • conoscere l’architettura di OPC-IA e le best practices adottate nello sviluppo di applicazioni IIoT basate sul protocollo OPC-UA;
  • la logica di comunicazione tra server e client OPC-UA, sia nella modalità sincrona che asincrona;
  • il package FreeOpcua per lo sviluppo in linguaggio Python di applicazioni IIoT, e di un server ed un client OPC-UA in Python.

Videolezioni
21. IIoT
22. OPC-UA - Parte I
23. OPC-UA - Parte II

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta e/o orale. Il punteggio della prova è espresso in trentesimi.
La prova scritta consiste in domande a risposta aperta sugli argomenti specifici del corso. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali relativi al processo di modernizzazione e aziendalizzazione del settore pubblico e tutte le attività, regolamentazioni, metodi e infrastrutture introdotte da tali processi (prescrizioni Dublino 1) e la capacità dello studente di applicare tali conoscenze tramite la descrizione di funzionalità e strumenti implementati in scenari reali e attualmente in uso (prescrizioni Dublino 2). La prova scritta ha una durata massima di 120 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.
La prova orale consiste in un colloquio frontale sugli argomenti trattati nel corso. Durante la prova orale verrà richiesto agli studenti di esporre gli argomenti trattati durante il corso, al fine di verificare la capacità di apprendimento dei fondamenti di un governo digitale e delle relative normative (prescrizioni Dublino 1). Durante la prova orale si cerca anche di valutare la capacità dello studente di presentare degli esempi, dei casi di studio, per verificare il livello di acquisizione degli strumenti introdotti (prescrizioni Dublino 3).
La prova orale ha una durata media di 30 minuti.
L’esame, in entrambe le forme, è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.
Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto; mostrando un’attitudine a risolvere nuove sfide (prescrizioni Dublino 5);
  • della padronanza di linguaggio dello studente (prescrizioni Dublino 4);
  • della capacità di applicare architetture, funzionalità o strumenti alla risoluzione di problemi reali (prescrizioni Dublino 2) e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali (prescrizioni Dublino 3).

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze per l’analisi dei problemi complessi, una conoscenza di base sulle funzionalità e sui principali elementi degli strumenti introdotti in tale processo (prescrizioni Dublino 1). Per conseguire un punteggio pari a 30/30 e lode, lo studente deve inoltre dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso (prescrizioni Dublino 2).
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed al materiale didattico pubblicato in piattaforma, è consigliato l’utilizzo dei seguenti testi:

  • Aven (2018) Data Analytics with Spark Using Python, Addison-Wesley, http://www.informit.com/store/data-analytics-with-spark-using-python-9780134846019
  • Kimball, M. Ross (2013) The Data Warehouse Toolkit, The Definitive Guide to Dimensional Modeling, Tthird edition, John Wiley & Son
  • Drabas, D. Lee (2017) Learning Python, Packet Publishing
  • Immon (2016 First Edition) Data Lake Architecture, Technics Publications

Codice insegnamento UC63638

Big Data Analytics in architetture Internet of Things 2° anno · 12 CFU · IINF-05/A · 0 file

Il presente corso è finalizzato a fornire: una conoscenza sufficientemente approfondita ed integrata delle componenti funzionali e tecnologiche necessarie all’implementazione di sistemi BDA (descrittore Dublino 1); le…

Scheda dell'insegnamento

Obiettivi formativi

Il presente corso è finalizzato a fornire:

  • una conoscenza sufficientemente approfondita ed integrata delle componenti funzionali e tecnologiche necessarie all’implementazione di sistemi BDA (descrittore Dublino 1);
  • le adeguate competenze per progettare e implementare un sistema BDA, rappresentativo di un sistema reale (descrittore Dublino 2);
  • la capacità di interpretare in autonomia le caratteristiche basilari di processi reali che necessitano di essere trattati mediante sistemi BDA e pertanto l’abilità di progettare, implementare, rilasciare ed eseguire applicazioni che coprano l’intero ciclo di vita di un sistema BDA (descrittore Dublino 3);
  • la capacità di comunicare le principali caratteristiche e funzionalità di un sistema BDA (descrittore Dublino 4);
  • un quadro architetturale (strutturale, tecnologico e funzionale) tale da consentire l’incremento continuo di conoscenza atto a far evolvere il quadro stesso (descrittore Dublino 5).

Programma

La crescita costante dell’economia globale ha generato da almeno due decadi grandi sfide competitive per aziende di tutte le dimensioni, dal momento che internet consente anche alle piccole organizzazioni di affacciarsi sul mercato globale.

La principale leva per la competizione globale è rappresentata dalla continua innovazione che consente di acquisire e mantenere vantaggio competitivo. La disponibilità degli enormi volumi di dati generati ad elevata velocità dai social media, da Internet of Things e dalle stesse organizzazioni, la necessità di un time-to-market sempre più breve, impongono l’adozione del paradigma data-driven e conseguentemente di infrastrutture IT di elevate capacità di calcolo, scalabilità e affidabilità. L’integrazione di tutto questo consente l’efficace adozione di sistemi di Big Data Analytics (BDA). Le principali tecnologie che consentono l’implementazione di sistemi BDA in grado di soddisfare i requisiti delle aziende globali, sono:

1. cloud computing;

2. virtualizzazione;

3. clusterizzazione;

4. distributed computing;

5. framework (tipicamente open source) di software analytics e machine learning;
6. protocolli standard di comunicazione tra smart devices ed applicazioni software.

Modulo 1 - Contesto economico e tecnologico
Durante questa parte del corso verrà illustrato come la moderna tecnologia IT sia il naturale ed indispensabile supporto per le organizzazioni che operano nel mercato globale.
Obiettivi:

  • conoscere e comprendere, in generale, le caratteristiche fondamentali delle infrastrutture IT di supporto ad organizzazioni che operano in mercati globali;
  • valutare la connessione tra infrastrutture IT e vantaggio competitivo.

Videolezioni:
1. Presentazione del corso
2. Scenario macro economico globale
3. Infrastrutture IT e Big Data Analytics per il vantaggio competitivo

Modulo 2: Sistemi di Big Data Analytics
In questa parte del corso vengono illustrati in modo approfondito i sistemi BDA dal punto di vista sia metodologico che tecnologico. Viene implementato un caso di studio, denominato SIGMA, su piattaforma standalone in Apache Spark.
Obiettivi:

  • conoscere e comprendere, in modo approfondito, il ciclo di vita delle applicazioni BDA e di Machine Learning, nonché le caratteristiche principali di ogni fase di tale ciclo di vita;
  • conoscere e comprendere le tipologie di processi produttivi che necessitano del supporto di sistemi BDA;
  • conoscere e comprendere le carateristiche dei Big Data;
  • conoscere, installare e utilizzare l’architettura tecnologica Ububtu/Apache Spark/Python/MariaDB;
  • implementare un sistema BDA near-real time, avente come caso di studio il manufacturing.

Videolezioni
4. Introduzione
5. Data Warehouse
6. Big Data e Data Science
7. Richiami di Machine Learning - Parte 1
8. Richiami di Machine Learning - Parte 2
9. Architetture IT per il Manufacturing
10. Ambiente di sviluppo software - Parte 1
11. Ambiente di sviluppo software – Parte 2
12. Apache Spark - Parte 1
13. Apache Spark - Parte 2
14. Manufacturing Big Data Analytics - Setup Parte 1
15. Manufacturing Big Data Analytics - Setup Parte 2
16. Manufacturing Big Data Analytics - Setup Parte 3
17. Distributed Version Contro System, Logging, Streaming
18. Staging
19. Ingestion
20. Retention

Modulo 3: Industrial Internet Of Things
In questa sezione vengono illustrati sia l’importanza della connettività nel settore del manufacturing (componente centrale del paradigma Industria 4.0) sia il protocollo OPC-UA, uno dei più diffusi standard di comunicazione tra applicazioni software e dispositivi smart.
Obiettivi:

  • definire lo Industrial Internet of Things;
  • collocare correttamente IIoT nel moderno contesto economico e tecnologico;
  • conoscere il valore aggiunto che IIoT può fornire ai processi produttivi (testimonianza manageriale);
  • conoscere l’architettura di OPC-IA e le best practices adottate nello sviluppo di applicazioni IIoT basate sul protocollo OPC-UA;
  • la logica di comunicazione tra server e client OPC-UA, sia nella modalità sincrona che asincrona;
  • il package FreeOpcua per lo sviluppo in linguaggio Python di applicazioni IIoT, e di un server ed un client OPC-UA in Python.

Videolezioni
21. IIoT
22. OPC-UA - Parte I
23. OPC-UA - Parte II

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta e/o orale. Il punteggio della prova è espresso in trentesimi.
La prova scritta consiste in domande a risposta aperta sugli argomenti specifici del corso. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali relativi al processo di modernizzazione e aziendalizzazione del settore pubblico e tutte le attività, regolamentazioni, metodi e infrastrutture introdotte da tali processi (prescrizioni Dublino 1) e la capacità dello studente di applicare tali conoscenze tramite la descrizione di funzionalità e strumenti implementati in scenari reali e attualmente in uso (prescrizioni Dublino 2). La prova scritta ha una durata massima di 120 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.
La prova orale consiste in un colloquio frontale sugli argomenti trattati nel corso. Durante la prova orale verrà richiesto agli studenti di esporre gli argomenti trattati durante il corso, al fine di verificare la capacità di apprendimento dei fondamenti di un governo digitale e delle relative normative (prescrizioni Dublino 1). Durante la prova orale si cerca anche di valutare la capacità dello studente di presentare degli esempi, dei casi di studio, per verificare il livello di acquisizione degli strumenti introdotti (prescrizioni Dublino 3).
La prova orale ha una durata media di 30 minuti.
L’esame, in entrambe le forme, è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.
Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto; mostrando un’attitudine a risolvere nuove sfide (prescrizioni Dublino 5);
  • della padronanza di linguaggio dello studente (prescrizioni Dublino 4);
  • della capacità di applicare architetture, funzionalità o strumenti alla risoluzione di problemi reali (prescrizioni Dublino 2) e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali (prescrizioni Dublino 3).

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze per l’analisi dei problemi complessi, una conoscenza di base sulle funzionalità e sui principali elementi degli strumenti introdotti in tale processo (prescrizioni Dublino 1). Per conseguire un punteggio pari a 30/30 e lode, lo studente deve inoltre dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso (prescrizioni Dublino 2).
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed al materiale didattico pubblicato in piattaforma, è consigliato l’utilizzo dei seguenti testi:

  • Aven (2018) Data Analytics with Spark Using Python, Addison-Wesley, http://www.informit.com/store/data-analytics-with-spark-using-python-9780134846019
  • Kimball, M. Ross (2013) The Data Warehouse Toolkit, The Definitive Guide to Dimensional Modeling, Tthird edition, John Wiley & Son
  • Drabas, D. Lee (2017) Learning Python, Packet Publishing
  • Immon (2016 First Edition) Data Lake Architecture, Technics Publications

Codice insegnamento UC63703

Big Data Analytics in architetture Internet of Things 2° anno · 12 CFU · IINF-05/A · 0 file

Il presente corso è finalizzato a fornire: una conoscenza sufficientemente approfondita ed integrata delle componenti funzionali e tecnologiche necessarie all’implementazione di sistemi BDA (descrittore Dublino 1); le…

Scheda dell'insegnamento

Obiettivi formativi

Il presente corso è finalizzato a fornire:

  • una conoscenza sufficientemente approfondita ed integrata delle componenti funzionali e tecnologiche necessarie all’implementazione di sistemi BDA (descrittore Dublino 1);
  • le adeguate competenze per progettare e implementare un sistema BDA, rappresentativo di un sistema reale (descrittore Dublino 2);
  • la capacità di interpretare in autonomia le caratteristiche basilari di processi reali che necessitano di essere trattati mediante sistemi BDA e pertanto l’abilità di progettare, implementare, rilasciare ed eseguire applicazioni che coprano l’intero ciclo di vita di un sistema BDA (descrittore Dublino 3);
  • la capacità di comunicare le principali caratteristiche e funzionalità di un sistema BDA (descrittore Dublino 4);
  • un quadro architetturale (strutturale, tecnologico e funzionale) tale da consentire l’incremento continuo di conoscenza atto a far evolvere il quadro stesso (descrittore Dublino 5).

Programma

La crescita costante dell’economia globale ha generato da almeno due decadi grandi sfide competitive per aziende di tutte le dimensioni, dal momento che internet consente anche alle piccole organizzazioni di affacciarsi sul mercato globale.

La principale leva per la competizione globale è rappresentata dalla continua innovazione che consente di acquisire e mantenere vantaggio competitivo. La disponibilità degli enormi volumi di dati generati ad elevata velocità dai social media, da Internet of Things e dalle stesse organizzazioni, la necessità di un time-to-market sempre più breve, impongono l’adozione del paradigma data-driven e conseguentemente di infrastrutture IT di elevate capacità di calcolo, scalabilità e affidabilità. L’integrazione di tutto questo consente l’efficace adozione di sistemi di Big Data Analytics (BDA). Le principali tecnologie che consentono l’implementazione di sistemi BDA in grado di soddisfare i requisiti delle aziende globali, sono:

1. cloud computing;

2. virtualizzazione;

3. clusterizzazione;

4. distributed computing;

5. framework (tipicamente open source) di software analytics e machine learning;
6. protocolli standard di comunicazione tra smart devices ed applicazioni software.

Modulo 1 - Contesto economico e tecnologico
Durante questa parte del corso verrà illustrato come la moderna tecnologia IT sia il naturale ed indispensabile supporto per le organizzazioni che operano nel mercato globale.
Obiettivi:

  • conoscere e comprendere, in generale, le caratteristiche fondamentali delle infrastrutture IT di supporto ad organizzazioni che operano in mercati globali;
  • valutare la connessione tra infrastrutture IT e vantaggio competitivo.

Videolezioni:
1. Presentazione del corso
2. Scenario macro economico globale
3. Infrastrutture IT e Big Data Analytics per il vantaggio competitivo

Modulo 2: Sistemi di Big Data Analytics
In questa parte del corso vengono illustrati in modo approfondito i sistemi BDA dal punto di vista sia metodologico che tecnologico. Viene implementato un caso di studio, denominato SIGMA, su piattaforma standalone in Apache Spark.
Obiettivi:

  • conoscere e comprendere, in modo approfondito, il ciclo di vita delle applicazioni BDA e di Machine Learning, nonché le caratteristiche principali di ogni fase di tale ciclo di vita;
  • conoscere e comprendere le tipologie di processi produttivi che necessitano del supporto di sistemi BDA;
  • conoscere e comprendere le carateristiche dei Big Data;
  • conoscere, installare e utilizzare l’architettura tecnologica Ububtu/Apache Spark/Python/MariaDB;
  • implementare un sistema BDA near-real time, avente come caso di studio il manufacturing.

Videolezioni
4. Introduzione
5. Data Warehouse
6. Big Data e Data Science
7. Richiami di Machine Learning - Parte 1
8. Richiami di Machine Learning - Parte 2
9. Architetture IT per il Manufacturing
10. Ambiente di sviluppo software - Parte 1
11. Ambiente di sviluppo software – Parte 2
12. Apache Spark - Parte 1
13. Apache Spark - Parte 2
14. Manufacturing Big Data Analytics - Setup Parte 1
15. Manufacturing Big Data Analytics - Setup Parte 2
16. Manufacturing Big Data Analytics - Setup Parte 3
17. Distributed Version Contro System, Logging, Streaming
18. Staging
19. Ingestion
20. Retention

Modulo 3: Industrial Internet Of Things
In questa sezione vengono illustrati sia l’importanza della connettività nel settore del manufacturing (componente centrale del paradigma Industria 4.0) sia il protocollo OPC-UA, uno dei più diffusi standard di comunicazione tra applicazioni software e dispositivi smart.
Obiettivi:

  • definire lo Industrial Internet of Things;
  • collocare correttamente IIoT nel moderno contesto economico e tecnologico;
  • conoscere il valore aggiunto che IIoT può fornire ai processi produttivi (testimonianza manageriale);
  • conoscere l’architettura di OPC-IA e le best practices adottate nello sviluppo di applicazioni IIoT basate sul protocollo OPC-UA;
  • la logica di comunicazione tra server e client OPC-UA, sia nella modalità sincrona che asincrona;
  • il package FreeOpcua per lo sviluppo in linguaggio Python di applicazioni IIoT, e di un server ed un client OPC-UA in Python.

Videolezioni
21. IIoT
22. OPC-UA - Parte I
23. OPC-UA - Parte II

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta e/o orale. Il punteggio della prova è espresso in trentesimi.
La prova scritta consiste in domande a risposta aperta sugli argomenti specifici del corso. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali relativi al processo di modernizzazione e aziendalizzazione del settore pubblico e tutte le attività, regolamentazioni, metodi e infrastrutture introdotte da tali processi (prescrizioni Dublino 1) e la capacità dello studente di applicare tali conoscenze tramite la descrizione di funzionalità e strumenti implementati in scenari reali e attualmente in uso (prescrizioni Dublino 2). La prova scritta ha una durata massima di 120 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.
La prova orale consiste in un colloquio frontale sugli argomenti trattati nel corso. Durante la prova orale verrà richiesto agli studenti di esporre gli argomenti trattati durante il corso, al fine di verificare la capacità di apprendimento dei fondamenti di un governo digitale e delle relative normative (prescrizioni Dublino 1). Durante la prova orale si cerca anche di valutare la capacità dello studente di presentare degli esempi, dei casi di studio, per verificare il livello di acquisizione degli strumenti introdotti (prescrizioni Dublino 3).
La prova orale ha una durata media di 30 minuti.
L’esame, in entrambe le forme, è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.
Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto; mostrando un’attitudine a risolvere nuove sfide (prescrizioni Dublino 5);
  • della padronanza di linguaggio dello studente (prescrizioni Dublino 4);
  • della capacità di applicare architetture, funzionalità o strumenti alla risoluzione di problemi reali (prescrizioni Dublino 2) e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali (prescrizioni Dublino 3).

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze per l’analisi dei problemi complessi, una conoscenza di base sulle funzionalità e sui principali elementi degli strumenti introdotti in tale processo (prescrizioni Dublino 1). Per conseguire un punteggio pari a 30/30 e lode, lo studente deve inoltre dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso (prescrizioni Dublino 2).
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed al materiale didattico pubblicato in piattaforma, è consigliato l’utilizzo dei seguenti testi:

  • Aven (2018) Data Analytics with Spark Using Python, Addison-Wesley, http://www.informit.com/store/data-analytics-with-spark-using-python-9780134846019
  • Kimball, M. Ross (2013) The Data Warehouse Toolkit, The Definitive Guide to Dimensional Modeling, Tthird edition, John Wiley & Son
  • Drabas, D. Lee (2017) Learning Python, Packet Publishing
  • Immon (2016 First Edition) Data Lake Architecture, Technics Publications

Codice insegnamento UC455478

Blockchain 2° anno · 6 CFU · IINF-05/A · 0 file

Il corso mira a fornire una solida conoscenza delle normative, delle procedure e delle applicazioni relative alle Blockchain. Il primo modulo del corso di Blockchain analizza il funzionamento tecnico di Bitcoin e il…

Scheda dell'insegnamento

Obiettivi formativi

Il corso mira a fornire una solida conoscenza delle normative, delle procedure e delle applicazioni relative alle Blockchain.
Il primo modulo del corso di Blockchain analizza il funzionamento tecnico di Bitcoin e il contesto storico, sociale ed economico in cui è nato.
Il secondo modulo del corso fornisce le competenze per riconoscere le differenze tra blockchain e registri distribuiti (DLT), approfondisce la storia e il funzionamento della tecnologia blockchain e ne esplicita le applicazioni e le funzionalità più conosciute.
Il terzo modulo spiega nel dettaglio l’applicazione monetaria della tecnologia blockchain, illustrando alcune delle più diffuse criptovalute alternative al bitcoin e spiegando come utilizzare gli exchange e gli strumenti utili per saperle gestire.
Il quarto modulo offre una panoramica della situazione legale e fiscale in Italia, in Europa e nel resto del Mondo studiando direttamente sui documenti governativi redatti dalla task force del MISE per la strategia nazionale blockchain.
Il quinto modulo riepiloga ciò che è stato trattato nel corso, ne trae le conclusioni e ipotizza gli scenari futuri sia dal punto di vista regolamentatorio che da quello economico, tecnologico e sociale.
Al termine della fruizione delle lezioni di ciascun modulo - fatta eccezione per il modulo di riepilogo - sarà possibile verificare il livello di apprendimento rispondendo ad una serie di test di autovalutazione.

Al termine di questo corso, lo studente sarà in grado di:

  • conoscere le origini e il funzionamento della tecnologia Blockchain;
  • vedere e capire le evoluzioni che questa innovazione sta portando nei diversi ecosistemi, nelle aziende e nelle organizzazioni;
  • valutare, indirizzare e gestire il cambiamento nella propria realtà di mercato.

Programma

Il corso consente di comprendere le origini della Blockchain e di analizzarla dal punto di vista operativo, applicativo e di business, fornendo i concetti chiave di funzionamento ed illustrando le principali applicazioni.
Inoltre il corso fornisce le competenze tecniche per poter utilizzare le più conosciute piattaforme in ambito blockchain e criptovalutario.

Modulo 1 - Bitcoin: come e perché funziona (3 videolezioni)
Contesto storico
Satoshi Nakamoto
Bitcoin e crittografia

Modulo 2 - Blockchain: il nuovo paradigma tecnologico e le sue applicazioni (4 videolezioni)
Blockchain e DLT
Applicazioni della blockchain
ICO e Token
Ambiti applicativi

Modulo 3 - Criptovalute: gli strumenti per comprenderle ed utilizzarle (4 videolezioni)
Criptovalute
Wallet ed Exchange
Mining
Libra, Ton e scenari attuali

Modulo 4 - Il contesto legale e fiscale (2 videolezioni)
Aspetti legali
Aspetti fiscali

Modulo 5 - Conclusioni e scenari futuri (2 videolezioni)
Riepilogo
Conclusione e scenari futuri

Modalità d'esame

L’esame si svolge in forma scritta e/o orale.
La prova scritta consiste in domande aperte sugli argomenti indicati nel programma volte a rilevare le effettive nozioni e abilità acquisite. Le domande aperte riguardano argomenti specifici del corso e viene richiesto allo studente di motivare in modo adeguato le risposte esponendo in dettaglio gli argomenti richiesti.
La prova ha una durata massima di 120 minuti.
La prova orale consiste in una discussione relativa agli argomenti trattati nel corso.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è consigliato lo studio dei seguenti testi:

  • Comandini G.L., Da Zero alla Luna, Flaccovio Dario ed., ultima edizione.
  • Antonopoulos A., Mastering Bitcoin, O'Reilly Media, Inc, USA, United States, ultima edizione.
  • De Collibus F. e Mauro R., Hacking finance. La rivoluzione del bitcoin e della blockchain, Agenzia X ed., ultima edizione.

Codice insegnamento UC63629

Blockchain 2° anno · 6 CFU · IINF-05/A · 0 file

Il corso mira a fornire una solida conoscenza delle normative, delle procedure e delle applicazioni relative alle Blockchain. Il primo modulo del corso di Blockchain analizza il funzionamento tecnico di Bitcoin e il…

Scheda dell'insegnamento

Obiettivi formativi

Il corso mira a fornire una solida conoscenza delle normative, delle procedure e delle applicazioni relative alle Blockchain.
Il primo modulo del corso di Blockchain analizza il funzionamento tecnico di Bitcoin e il contesto storico, sociale ed economico in cui è nato.
Il secondo modulo del corso fornisce le competenze per riconoscere le differenze tra blockchain e registri distribuiti (DLT), approfondisce la storia e il funzionamento della tecnologia blockchain e ne esplicita le applicazioni e le funzionalità più conosciute.
Il terzo modulo spiega nel dettaglio l’applicazione monetaria della tecnologia blockchain, illustrando alcune delle più diffuse criptovalute alternative al bitcoin e spiegando come utilizzare gli exchange e gli strumenti utili per saperle gestire.
Il quarto modulo offre una panoramica della situazione legale e fiscale in Italia, in Europa e nel resto del Mondo studiando direttamente sui documenti governativi redatti dalla task force del MISE per la strategia nazionale blockchain.
Il quinto modulo riepiloga ciò che è stato trattato nel corso, ne trae le conclusioni e ipotizza gli scenari futuri sia dal punto di vista regolamentatorio che da quello economico, tecnologico e sociale.
Al termine della fruizione delle lezioni di ciascun modulo - fatta eccezione per il modulo di riepilogo - sarà possibile verificare il livello di apprendimento rispondendo ad una serie di test di autovalutazione.

Al termine di questo corso, lo studente sarà in grado di:

  • conoscere le origini e il funzionamento della tecnologia Blockchain;
  • vedere e capire le evoluzioni che questa innovazione sta portando nei diversi ecosistemi, nelle aziende e nelle organizzazioni;
  • valutare, indirizzare e gestire il cambiamento nella propria realtà di mercato.

Programma

Il corso consente di comprendere le origini della Blockchain e di analizzarla dal punto di vista operativo, applicativo e di business, fornendo i concetti chiave di funzionamento ed illustrando le principali applicazioni.
Inoltre il corso fornisce le competenze tecniche per poter utilizzare le più conosciute piattaforme in ambito blockchain e criptovalutario.

Modulo 1 - Bitcoin: come e perché funziona (3 videolezioni)
Contesto storico
Satoshi Nakamoto
Bitcoin e crittografia

Modulo 2 - Blockchain: il nuovo paradigma tecnologico e le sue applicazioni (4 videolezioni)
Blockchain e DLT
Applicazioni della blockchain
ICO e Token
Ambiti applicativi

Modulo 3 - Criptovalute: gli strumenti per comprenderle ed utilizzarle (4 videolezioni)
Criptovalute
Wallet ed Exchange
Mining
Libra, Ton e scenari attuali

Modulo 4 - Il contesto legale e fiscale (2 videolezioni)
Aspetti legali
Aspetti fiscali

Modulo 5 - Conclusioni e scenari futuri (2 videolezioni)
Riepilogo
Conclusione e scenari futuri

Modalità d'esame

L’esame si svolge in forma scritta e/o orale.
La prova scritta consiste in domande aperte sugli argomenti indicati nel programma volte a rilevare le effettive nozioni e abilità acquisite. Le domande aperte riguardano argomenti specifici del corso e viene richiesto allo studente di motivare in modo adeguato le risposte esponendo in dettaglio gli argomenti richiesti.
La prova ha una durata massima di 120 minuti.
La prova orale consiste in una discussione relativa agli argomenti trattati nel corso.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è consigliato lo studio dei seguenti testi:

  • Comandini G.L., Da Zero alla Luna, Flaccovio Dario ed., ultima edizione.
  • Antonopoulos A., Mastering Bitcoin, O'Reilly Media, Inc, USA, United States, ultima edizione.
  • De Collibus F. e Mauro R., Hacking finance. La rivoluzione del bitcoin e della blockchain, Agenzia X ed., ultima edizione.

Codice insegnamento UC63669

Blockchain 2° anno · 6 CFU · IINF-05/A · 0 file

Il corso mira a fornire una solida conoscenza delle normative, delle procedure e delle applicazioni relative alle Blockchain. Il primo modulo del corso di Blockchain analizza il funzionamento tecnico di Bitcoin e il…

Scheda dell'insegnamento

Obiettivi formativi

Il corso mira a fornire una solida conoscenza delle normative, delle procedure e delle applicazioni relative alle Blockchain.
Il primo modulo del corso di Blockchain analizza il funzionamento tecnico di Bitcoin e il contesto storico, sociale ed economico in cui è nato.
Il secondo modulo del corso fornisce le competenze per riconoscere le differenze tra blockchain e registri distribuiti (DLT), approfondisce la storia e il funzionamento della tecnologia blockchain e ne esplicita le applicazioni e le funzionalità più conosciute.
Il terzo modulo spiega nel dettaglio l’applicazione monetaria della tecnologia blockchain, illustrando alcune delle più diffuse criptovalute alternative al bitcoin e spiegando come utilizzare gli exchange e gli strumenti utili per saperle gestire.
Il quarto modulo offre una panoramica della situazione legale e fiscale in Italia, in Europa e nel resto del Mondo studiando direttamente sui documenti governativi redatti dalla task force del MISE per la strategia nazionale blockchain.
Il quinto modulo riepiloga ciò che è stato trattato nel corso, ne trae le conclusioni e ipotizza gli scenari futuri sia dal punto di vista regolamentatorio che da quello economico, tecnologico e sociale.
Al termine della fruizione delle lezioni di ciascun modulo - fatta eccezione per il modulo di riepilogo - sarà possibile verificare il livello di apprendimento rispondendo ad una serie di test di autovalutazione.

Al termine di questo corso, lo studente sarà in grado di:

  • conoscere le origini e il funzionamento della tecnologia Blockchain;
  • vedere e capire le evoluzioni che questa innovazione sta portando nei diversi ecosistemi, nelle aziende e nelle organizzazioni;
  • valutare, indirizzare e gestire il cambiamento nella propria realtà di mercato.

Programma

Il corso consente di comprendere le origini della Blockchain e di analizzarla dal punto di vista operativo, applicativo e di business, fornendo i concetti chiave di funzionamento ed illustrando le principali applicazioni.
Inoltre il corso fornisce le competenze tecniche per poter utilizzare le più conosciute piattaforme in ambito blockchain e criptovalutario.

Modulo 1 - Bitcoin: come e perché funziona (3 videolezioni)
Contesto storico
Satoshi Nakamoto
Bitcoin e crittografia

Modulo 2 - Blockchain: il nuovo paradigma tecnologico e le sue applicazioni (4 videolezioni)
Blockchain e DLT
Applicazioni della blockchain
ICO e Token
Ambiti applicativi

Modulo 3 - Criptovalute: gli strumenti per comprenderle ed utilizzarle (4 videolezioni)
Criptovalute
Wallet ed Exchange
Mining
Libra, Ton e scenari attuali

Modulo 4 - Il contesto legale e fiscale (2 videolezioni)
Aspetti legali
Aspetti fiscali

Modulo 5 - Conclusioni e scenari futuri (2 videolezioni)
Riepilogo
Conclusione e scenari futuri

Modalità d'esame

L’esame si svolge in forma scritta e/o orale.
La prova scritta consiste in domande aperte sugli argomenti indicati nel programma volte a rilevare le effettive nozioni e abilità acquisite. Le domande aperte riguardano argomenti specifici del corso e viene richiesto allo studente di motivare in modo adeguato le risposte esponendo in dettaglio gli argomenti richiesti.
La prova ha una durata massima di 120 minuti.
La prova orale consiste in una discussione relativa agli argomenti trattati nel corso.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è consigliato lo studio dei seguenti testi:

  • Comandini G.L., Da Zero alla Luna, Flaccovio Dario ed., ultima edizione.
  • Antonopoulos A., Mastering Bitcoin, O'Reilly Media, Inc, USA, United States, ultima edizione.
  • De Collibus F. e Mauro R., Hacking finance. La rivoluzione del bitcoin e della blockchain, Agenzia X ed., ultima edizione.

Codice insegnamento UC63719

Blockchain 2° anno · 6 CFU · IINF-05/A · 0 file

Il corso mira a fornire una solida conoscenza delle normative, delle procedure e delle applicazioni relative alle Blockchain. Il primo modulo del corso di Blockchain analizza il funzionamento tecnico di Bitcoin e il…

Scheda dell'insegnamento

Obiettivi formativi

Il corso mira a fornire una solida conoscenza delle normative, delle procedure e delle applicazioni relative alle Blockchain.
Il primo modulo del corso di Blockchain analizza il funzionamento tecnico di Bitcoin e il contesto storico, sociale ed economico in cui è nato.
Il secondo modulo del corso fornisce le competenze per riconoscere le differenze tra blockchain e registri distribuiti (DLT), approfondisce la storia e il funzionamento della tecnologia blockchain e ne esplicita le applicazioni e le funzionalità più conosciute.
Il terzo modulo spiega nel dettaglio l’applicazione monetaria della tecnologia blockchain, illustrando alcune delle più diffuse criptovalute alternative al bitcoin e spiegando come utilizzare gli exchange e gli strumenti utili per saperle gestire.
Il quarto modulo offre una panoramica della situazione legale e fiscale in Italia, in Europa e nel resto del Mondo studiando direttamente sui documenti governativi redatti dalla task force del MISE per la strategia nazionale blockchain.
Il quinto modulo riepiloga ciò che è stato trattato nel corso, ne trae le conclusioni e ipotizza gli scenari futuri sia dal punto di vista regolamentatorio che da quello economico, tecnologico e sociale.
Al termine della fruizione delle lezioni di ciascun modulo - fatta eccezione per il modulo di riepilogo - sarà possibile verificare il livello di apprendimento rispondendo ad una serie di test di autovalutazione.

Al termine di questo corso, lo studente sarà in grado di:

  • conoscere le origini e il funzionamento della tecnologia Blockchain;
  • vedere e capire le evoluzioni che questa innovazione sta portando nei diversi ecosistemi, nelle aziende e nelle organizzazioni;
  • valutare, indirizzare e gestire il cambiamento nella propria realtà di mercato.

Programma

Il corso consente di comprendere le origini della Blockchain e di analizzarla dal punto di vista operativo, applicativo e di business, fornendo i concetti chiave di funzionamento ed illustrando le principali applicazioni.
Inoltre il corso fornisce le competenze tecniche per poter utilizzare le più conosciute piattaforme in ambito blockchain e criptovalutario.

Modulo 1 - Bitcoin: come e perché funziona (3 videolezioni)
Contesto storico
Satoshi Nakamoto
Bitcoin e crittografia

Modulo 2 - Blockchain: il nuovo paradigma tecnologico e le sue applicazioni (4 videolezioni)
Blockchain e DLT
Applicazioni della blockchain
ICO e Token
Ambiti applicativi

Modulo 3 - Criptovalute: gli strumenti per comprenderle ed utilizzarle (4 videolezioni)
Criptovalute
Wallet ed Exchange
Mining
Libra, Ton e scenari attuali

Modulo 4 - Il contesto legale e fiscale (2 videolezioni)
Aspetti legali
Aspetti fiscali

Modulo 5 - Conclusioni e scenari futuri (2 videolezioni)
Riepilogo
Conclusione e scenari futuri

Modalità d'esame

L’esame si svolge in forma scritta e/o orale.
La prova scritta consiste in domande aperte sugli argomenti indicati nel programma volte a rilevare le effettive nozioni e abilità acquisite. Le domande aperte riguardano argomenti specifici del corso e viene richiesto allo studente di motivare in modo adeguato le risposte esponendo in dettaglio gli argomenti richiesti.
La prova ha una durata massima di 120 minuti.
La prova orale consiste in una discussione relativa agli argomenti trattati nel corso.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è consigliato lo studio dei seguenti testi:

  • Comandini G.L., Da Zero alla Luna, Flaccovio Dario ed., ultima edizione.
  • Antonopoulos A., Mastering Bitcoin, O'Reilly Media, Inc, USA, United States, ultima edizione.
  • De Collibus F. e Mauro R., Hacking finance. La rivoluzione del bitcoin e della blockchain, Agenzia X ed., ultima edizione.

Codice insegnamento UC455433

Blockchain 2° anno · 6 CFU · IINF-05/A · 0 file

Il corso mira a fornire una solida conoscenza delle normative, delle procedure e delle applicazioni relative alle Blockchain. Il primo modulo del corso di Blockchain analizza il funzionamento tecnico di Bitcoin e il…

Scheda dell'insegnamento

Obiettivi formativi

Il corso mira a fornire una solida conoscenza delle normative, delle procedure e delle applicazioni relative alle Blockchain.
Il primo modulo del corso di Blockchain analizza il funzionamento tecnico di Bitcoin e il contesto storico, sociale ed economico in cui è nato.
Il secondo modulo del corso fornisce le competenze per riconoscere le differenze tra blockchain e registri distribuiti (DLT), approfondisce la storia e il funzionamento della tecnologia blockchain e ne esplicita le applicazioni e le funzionalità più conosciute.
Il terzo modulo spiega nel dettaglio l’applicazione monetaria della tecnologia blockchain, illustrando alcune delle più diffuse criptovalute alternative al bitcoin e spiegando come utilizzare gli exchange e gli strumenti utili per saperle gestire.
Il quarto modulo offre una panoramica della situazione legale e fiscale in Italia, in Europa e nel resto del Mondo studiando direttamente sui documenti governativi redatti dalla task force del MISE per la strategia nazionale blockchain.
Il quinto modulo riepiloga ciò che è stato trattato nel corso, ne trae le conclusioni e ipotizza gli scenari futuri sia dal punto di vista regolamentatorio che da quello economico, tecnologico e sociale.
Al termine della fruizione delle lezioni di ciascun modulo - fatta eccezione per il modulo di riepilogo - sarà possibile verificare il livello di apprendimento rispondendo ad una serie di test di autovalutazione.

Al termine di questo corso, lo studente sarà in grado di:

  • conoscere le origini e il funzionamento della tecnologia Blockchain;
  • vedere e capire le evoluzioni che questa innovazione sta portando nei diversi ecosistemi, nelle aziende e nelle organizzazioni;
  • valutare, indirizzare e gestire il cambiamento nella propria realtà di mercato.

Programma

Il corso consente di comprendere le origini della Blockchain e di analizzarla dal punto di vista operativo, applicativo e di business, fornendo i concetti chiave di funzionamento ed illustrando le principali applicazioni.
Inoltre il corso fornisce le competenze tecniche per poter utilizzare le più conosciute piattaforme in ambito blockchain e criptovalutario.

Modulo 1 - Bitcoin: come e perché funziona (3 videolezioni)
Contesto storico
Satoshi Nakamoto
Bitcoin e crittografia

Modulo 2 - Blockchain: il nuovo paradigma tecnologico e le sue applicazioni (4 videolezioni)
Blockchain e DLT
Applicazioni della blockchain
ICO e Token
Ambiti applicativi

Modulo 3 - Criptovalute: gli strumenti per comprenderle ed utilizzarle (4 videolezioni)
Criptovalute
Wallet ed Exchange
Mining
Libra, Ton e scenari attuali

Modulo 4 - Il contesto legale e fiscale (2 videolezioni)
Aspetti legali
Aspetti fiscali

Modulo 5 - Conclusioni e scenari futuri (2 videolezioni)
Riepilogo
Conclusione e scenari futuri

Modalità d'esame

L’esame si svolge in forma scritta e/o orale.
La prova scritta consiste in domande aperte sugli argomenti indicati nel programma volte a rilevare le effettive nozioni e abilità acquisite. Le domande aperte riguardano argomenti specifici del corso e viene richiesto allo studente di motivare in modo adeguato le risposte esponendo in dettaglio gli argomenti richiesti.
La prova ha una durata massima di 120 minuti.
La prova orale consiste in una discussione relativa agli argomenti trattati nel corso.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è consigliato lo studio dei seguenti testi:

  • Comandini G.L., Da Zero alla Luna, Flaccovio Dario ed., ultima edizione.
  • Antonopoulos A., Mastering Bitcoin, O'Reilly Media, Inc, USA, United States, ultima edizione.
  • De Collibus F. e Mauro R., Hacking finance. La rivoluzione del bitcoin e della blockchain, Agenzia X ed., ultima edizione.

Codice insegnamento UC455479

Corporate Strategy laboratory 2° anno · 6 CFU · 0 file
Corporate Strategy laboratory 2° anno · 6 CFU · 0 file
Corporate Strategy laboratory 2° anno · 6 CFU · 0 file
Cybersecurity threats analysis 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: comprendere i meccanismi di attacco e di difesa, conoscere le tipologie di malware esistenti, analizzare gli indici di compromissione (IoC), comprendere le…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

  • comprendere i meccanismi di attacco e di difesa,
  • conoscere le tipologie di malware esistenti,
  • analizzare gli indici di compromissione (IoC),
  • comprendere le tecniche di attacco basate su social engineering e come queste possono contribuire al completamento con successo di un attacco.

Programma

Per sicurezza Cyber si intende la sicurezza IT concentrata sulla minaccia proveniente dal cyber spazio. La minaccia cyber oggigiorno si diffonde tramite i vettori di attacco più disparati, ma segue delle metodologie diverse. Lo studio di questa materia è fondamentale per capire a fondo cosa è questa minaccia e come deve essere affrontata.

  • Introduzione alla Cybersecurity
  • La Kill chain e l’attacco a Target
  • Threat intelligence
  • Il processo di Incident Response
  • Le vulnerabilità applicative
  • Gli attacchi
  • Il Social engineering
  • Il Malware
  • Introduzione alla malware analysis
  • Malware analysis statica
  • Malware analysis dinamica

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati e delle problematiche proposte nel corso. L’esame si svolge in forma scritta.

La prova consiste in domande a risposta aperta. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficienti sui concetti fondamentali relativi ai meccanismi di difesa, deve dimostrare di saper distinguere tra i vari tipi di malware esistenti, di saper analizzare gli indici di compromissione e di aver compreso le tecniche di attacco basate su social engineering.

La prova scritta ha una durata massima di 120 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.

Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

-
della capacità di apprendere e quindi di esporre l’argomento richiesto;

-
della padronanza di linguaggio dello studente.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi e pubblicazioni:

  • Scott Roberts & Rebekah Brown: Intelligente Driven Incident Response (Cap.1, 2 e 3)
  • Sikorski, Honig: Practical Malware Analysis (Cap.1, 2 e 3)
  • Paul Pols: The unified kill chain
  • Owasp Top 10 – 2017: The ten most critical web application security risks
  • Perchè modificare periodicamente la password può essere pericoloso? (Sito: Cybersecurityup/risorse)
  • Le password create con i pattern sono davvero così sicure? (Sito:Cybersecurityup/risorse)

Codice insegnamento UC63636

Cybersecurity threats analysis 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: comprendere i meccanismi di attacco e di difesa, conoscere le tipologie di malware esistenti, analizzare gli indici di compromissione (IoC), comprendere le…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

  • comprendere i meccanismi di attacco e di difesa,
  • conoscere le tipologie di malware esistenti,
  • analizzare gli indici di compromissione (IoC),
  • comprendere le tecniche di attacco basate su social engineering e come queste possono contribuire al completamento con successo di un attacco.

Programma

Per sicurezza Cyber si intende la sicurezza IT concentrata sulla minaccia proveniente dal cyber spazio. La minaccia cyber oggigiorno si diffonde tramite i vettori di attacco più disparati, ma segue delle metodologie diverse. Lo studio di questa materia è fondamentale per capire a fondo cosa è questa minaccia e come deve essere affrontata.

  • Introduzione alla Cybersecurity
  • La Kill chain e l’attacco a Target
  • Threat intelligence
  • Il processo di Incident Response
  • Le vulnerabilità applicative
  • Gli attacchi
  • Il Social engineering
  • Il Malware
  • Introduzione alla malware analysis
  • Malware analysis statica
  • Malware analysis dinamica

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati e delle problematiche proposte nel corso. L’esame si svolge in forma scritta.

La prova consiste in domande a risposta aperta. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficienti sui concetti fondamentali relativi ai meccanismi di difesa, deve dimostrare di saper distinguere tra i vari tipi di malware esistenti, di saper analizzare gli indici di compromissione e di aver compreso le tecniche di attacco basate su social engineering.

La prova scritta ha una durata massima di 120 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.

Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

-
della capacità di apprendere e quindi di esporre l’argomento richiesto;

-
della padronanza di linguaggio dello studente.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi e pubblicazioni:

  • Scott Roberts & Rebekah Brown: Intelligente Driven Incident Response (Cap.1, 2 e 3)
  • Sikorski, Honig: Practical Malware Analysis (Cap.1, 2 e 3)
  • Paul Pols: The unified kill chain
  • Owasp Top 10 – 2017: The ten most critical web application security risks
  • Perchè modificare periodicamente la password può essere pericoloso? (Sito: Cybersecurityup/risorse)
  • Le password create con i pattern sono davvero così sicure? (Sito:Cybersecurityup/risorse)

Codice insegnamento UC63668

Cybersecurity threats analysis 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: comprendere i meccanismi di attacco e di difesa, conoscere le tipologie di malware esistenti, analizzare gli indici di compromissione (IoC), comprendere le…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

  • comprendere i meccanismi di attacco e di difesa,
  • conoscere le tipologie di malware esistenti,
  • analizzare gli indici di compromissione (IoC),
  • comprendere le tecniche di attacco basate su social engineering e come queste possono contribuire al completamento con successo di un attacco.

Programma

Per sicurezza Cyber si intende la sicurezza IT concentrata sulla minaccia proveniente dal cyber spazio. La minaccia cyber oggigiorno si diffonde tramite i vettori di attacco più disparati, ma segue delle metodologie diverse. Lo studio di questa materia è fondamentale per capire a fondo cosa è questa minaccia e come deve essere affrontata.

  • Introduzione alla Cybersecurity
  • La Kill chain e l’attacco a Target
  • Threat intelligence
  • Il processo di Incident Response
  • Le vulnerabilità applicative
  • Gli attacchi
  • Il Social engineering
  • Il Malware
  • Introduzione alla malware analysis
  • Malware analysis statica
  • Malware analysis dinamica

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati e delle problematiche proposte nel corso. L’esame si svolge in forma scritta.

La prova consiste in domande a risposta aperta. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficienti sui concetti fondamentali relativi ai meccanismi di difesa, deve dimostrare di saper distinguere tra i vari tipi di malware esistenti, di saper analizzare gli indici di compromissione e di aver compreso le tecniche di attacco basate su social engineering.

La prova scritta ha una durata massima di 120 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.

Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

-
della capacità di apprendere e quindi di esporre l’argomento richiesto;

-
della padronanza di linguaggio dello studente.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi e pubblicazioni:

  • Scott Roberts & Rebekah Brown: Intelligente Driven Incident Response (Cap.1, 2 e 3)
  • Sikorski, Honig: Practical Malware Analysis (Cap.1, 2 e 3)
  • Paul Pols: The unified kill chain
  • Owasp Top 10 – 2017: The ten most critical web application security risks
  • Perchè modificare periodicamente la password può essere pericoloso? (Sito: Cybersecurityup/risorse)
  • Le password create con i pattern sono davvero così sicure? (Sito:Cybersecurityup/risorse)

Codice insegnamento UC455480

Deep Learning 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso lo studente sarà in grado di: 1. Conoscenza e comprensione Conoscere i concetti base e padroneggiare la terminologia del Deep Learning Conoscere quali sono i principali modelli di Deep Learning…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso lo studente sarà in grado di:
1. Conoscenza e comprensione

  • Conoscere i concetti base e padroneggiare la terminologia del Deep Learning
  • Conoscere quali sono i principali modelli di Deep Learning
  • Comprendere come funzionano i principali modelli di Deep Learning
  • Conoscere e comprendere l’importanza e le applicazioni reali degli algoritmi di Deep Learning

2. Capacità di applicare conoscenze e comprensione

  • Imparare a scrivere algoritmi di Deep Learning utilizzando il framework Tensorflow
  • Imparare le principali funzionalità di Tensorflow per sviluppare modelli di Deep Learning
  • Imparare ad applicare a seconda del contesto e tipologia di dato l’algoritmo corretto di Deep Learning
  • Imparare a formulare un problema affinché sia possibile risolverlo tramite modelli di Deep Learning

3. Competenze trasversali

  • Esprimere con linguaggio opportuno gli argomenti del corso
  • Saper valutare a seconda del caso d’uso se un algoritmo di Deep Learning può essere la soluzione al problema
  • Valutare in autonomia svantaggi e vantaggi dei principali algoritmi di Deep Learning a seconda del dominio
  • Comprendere cos’è l’Intelligenza Artificiale e come si colloca il Deep Learning nel suo insieme
  • Comprendere come scrivere del codice per sviluppare soluzioni di Deep Learning

Programma

Il corso di Deep Learning ha la finalità di consentire agli studenti di comprendere questa importante classe di algoritmi che stanno via via diventando onnipresenti nel’ informatica e nel ramo dell’Intelligenza Artificiale. Il corso mira a far conoscere allo studente i principali concetti di Deep Learning analizzando le applicazioni ed il funzionamento. Si partirà dallo studio dei modelli più semplici fino ad arrivare a quelli stato dell’arte attualmente utilizzati in produzione in diversi domini quale il motore di ricerca Google. Il corso consentirà allo studente di padroneggiare i principali modelli di Deep Learning sia da un punto di vista teorico che pratico. Le lezioni sono accompagnate da esercitazioni pratiche che consentiranno allo studente di applicare su casi d’uso reali quanto imparato durante le lezioni.

Modulo 1: Concetti di Deep Learning

Attraverso lo studio del presente modulo lo studente comprenderà cos’è e qual è l’importanza del Deep Learning. Lo studente imparerà le principali componenti del Deep Learning, il glossario e le terminologie frequenti dei concetti di Deep Learning. Verrà inoltre mostrata la prima rete neurale profonda. Il modulo si conclude con la revisione dei concetti di Matematica, Probabilità e Algebra Lineare utili per poter comprendere i successivi moduli del corso.

1 – Introduzione

  • Perché il deep learning è importante
  • Esempi di applicazioni di deep learning
  • Tassonomia dell'intelligenza artificiale
  • Definizioni e differenze tra: Artificial Intelligence/Machine Learning/Representation Learning/Deep Learning
  • Programmazione classica vs Machine Learning
  • Old AI vs Machine Learning
  • Cosa sono le reti neurali profonde
  • Problemi di classificazione & regressione

2 – Storia dell'AI e del Deep Learning & Componenti del Deep Learning

  • Storia dell’Intelligenza Artificiale e del Deep Learning
  • Introduzione alle componenti del Deep Learning: Data/Model/Loss/Optimization
  • Tipologie di learning e definizioni: Supervised Learning/Unsupervised Learning/Self-supervised Learning/Reinforcement Learning

3 – La prima rete neurale

  • Jupyter Notebooks
  • Google Colaboratory
  • La prima rete neurale per classificare le cifre MNIST
  • Addestrare e valutare un modello
  • Divisione in Train/Test e k-fold cross validation
  • Overfitting & Underfitting
  • Metriche di Classificazione: Accuracy/Precision/Recall/F1

4 – Fondamenti Matematici

  • Cos'è un Tensore?
  • Operazioni con Tensori in Tensorflow
  • Revisione Algebra lineare: Geometria dei vettori; Dot Product and Moltiplicazione matriciale
  • Revisione Calcolo: Derivate; Gradiente; Chain rule
  • Revisione Probabilità: Variabili Random; Eventi; Algebra; Probabilità congiunta; Eventi indipendenti; Chain Rule; Regola di Bayes; Probability Density Function; Expectation; Variance

Modulo 2: Modelli Lineari

Attraverso lo studio del presente modulo lo studente comprenderà cosa sono e come funzionano i modelli lineari, i modelli più semplici e basilari di rete neurale a cui possiamo pensare. Lo studente imparerà inoltre come applicare le conoscenze di Deep Learning apprese su due casi d’uso specifici: predizione del prezzo di vendita di una casa e predizione della probabilità di sopravvivenza di un passeggero del Titanic. Per far ciò verranno utilizzati gli strumenti introdotti nel modulo 1: Tensorflow e Jupyter Notebooks.

5 – Modelli Lineari: Regressione Lineare e Logistica

  • Il Percettrone e le sue componenti: Pesi/Bias/Funzione di Attivazione
  • Regressione lineare
  • Funzione di Loss Least Squared Error
  • Derivazione della Least Squared Error Loss dalla assunzione di Gaussian Noise
  • Revisione della Distribuzione Gaussiana e Maximum Likelihood
  • Regressione logistica
  • La funzione di attivazione Sigmoid
  • Deriviamo la funzione di loss Log-likelihood
  • Revisione della distribuzione di Bernulli
  • One-hot encoding e la funzione di attivazione Softmax

6 – Esercitazione Modelli Lineari

  • Regressione Lineare per la predizione del prezzo di vendita di una casa
  • Regressione Logistica per predire la probabilità di sopravvivenza di un passeggero del Titanic

Modulo 3: Modelli non Lineari

Attraverso lo studio del presente modulo lo studente comprenderà cosa sono e come funzionano i modelli non lineari portando come esempio la prima rete neurale profonda: il Percettrone multistrato. I dati che ci circondano nel mondo sono altamente non lineari, lo studio di questo modulo permetterà di comprendere come gestire questi casi molto frequenti. Il modulo si conclude con l’introduzione agli algoritmi di ottimizzazione che permetterà allo studente di comprendere come avviene l’apprendimento delle reti neurali.

7 - Multi-layer perceptrons

  • Dataset non separabili linearmente
  • Multilayer Perceptrons
  • Funzioni di attivazione: Relu, tanh, sigmoid
  • Gradient vanishing and gradient exploding
  • Tecniche di regolarizzazione: weights penalties, Dropout, Early Stop

8 – Algoritmi di Ottimizzazione

  • Soluzioni analitiche per modelli lineari
  • Gradient Descent
  • Punti stazionari
  • Convessità
  • Stochastic Gradient Descent
  • Momentum
  • Backpropagation & Automatic Differentiation

Modulo 4: Reti Convoluzionali

Attraverso lo studio del presente modulo lo studente comprenderà cosa sono e come funzionano le reti convoluzionali, una classe di modelli utilizzati per processare immagini e non solo. Verranno mostrate le tecniche più avanzate ed i modelli più sofisticati. Lo studente imparerà come applicare tali conoscenze in scenari reali utilizzando Tensorflow.

9 - Reti neurali convoluzionali

  • Dai layer fully connected alle convoluzioni
  • L'operatore di convoluzione
  • Padding, Stride, Dilated Convolutions
  • Max Pooling
  • Il Layer Convoluzionale e Convolutional Neural Networks (CNN)
  • Proprietà delle reti neurali convoluzionali
  • Reti convoluzionali per tasks su immagini
  • Reti convoluzionali per dati a griglia

10 – Reti Convoluzionali Moderne

  • Reti neurali convoluzionali profonde (AlexNet)
  • Reti che utilizzano blocchi (VGG)
  • Data Augmentation
  • Reti con concatenazioni parallele (GoogLeNet)
  • Batch Normalization, Layer Normalization
  • Residual Networks (ResNet)
  • Reti densamente connesse (DenseNet)
  • Fine Tuning

11 – Processamento di immagini

  • Processare immagini in Tensorflow tramite un Multilayer Perceptron
  • Processare immagini in Tensorflow tramite Reti Neurali convoluzionali allenate da zero
  • Processare immagini in Tensorflow tramite un CNN e fine-tuning

Modulo 5: Modellare Sequenze

Attraverso lo studio del presente modulo lo studente comprenderà come modellare sequenze di dati, una tipologia di dato pervasiva che comprende tracce audio, video e testuali. Lo studente imparerà ad utilizzare e capire il funzionamento di modelli ricorrenti quali LSTM o modelli basati sull’attenzione quali Transformers.

12 – Modellare Sequenze

  • Modelli basilari per modellare sequenze
  • Recurrent Neural Networks (RNN)
  • Backpropagation Through Time
  • Long-short Term Memory Networks (LSTM)
  • Multilayer RNN and Bidirectional Models
  • Modelli Encoder-Decoder e strategie di decoding Greedy Search e Beam Search

13 - Transformers e modelli basati sull'attenzione

  • L’ architettura Transformer
  • La Scaled dot-product attention
  • La Multi-head attention
  • Il livello di Embedding
  • I Positional Encodings
  • Complessità dei Transformer e Transformer per Computer Vision

Modulo 6: Modellare il Linguaggio Naturale

Attraverso lo studio del presente modulo lo studente comprenderà come modellare il linguaggio naturale tramite l’utilizzo di algoritmi di Deep Learning. Lo studente imparerà ad utilizzare modelli di base basati su rappresentazioni Bag of Word (BOW) fino a modelli neurali stato dell’arte basati sui Transformers (BERT). Il modulo si conclude con l’applicazione in Tensorflow su casi d’uso reali di tutti i modelli analizzati dal punto di vista teorico.

14 – Elaborazione del linguaggio naturale & self-supervised learning

  • Elaborazione del Linguaggio Naturale: Rappresentazioni Neurali vs Rappresentazioni simboliche
  • Bag of Word Representation (BOW) & Enhanced BOW with tf-idf
  • Bag of Word of N-grams
  • Distributed Representations
  • Similarity Measures
  • Self-Supervised Learning
  • Word2Vec
  • BERT

15 – Esercitazione elaborazione del linguaggio naturale

-
Classificazione del testo tramite Reti neurali Ricorrenti

-
Classificazione tramite RNN con più Layer bidirezionali

-
Utilizzo di Word Embeddings Preaddestrati

-
BERT

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta e/o orale. Il punteggio della prova è espresso in trentesimi.

La prova scritta consiste in domande a risposta aperta sugli argomenti specifici del corso. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali di Deep Learning esposti durante le lezioni. La prova scritta ha una durata di 90 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.

Nel caso in cui l’esame venisse svolto in forma orale, esso consiste in un colloquio frontale sugli argomenti trattati nel corso. Durante la prova orale verrà richiesto agli studenti di esporre gli argomenti trattati durante il corso, al fine di verificare la capacità di apprendimento dei concetti di Deep Learning. La prova orale ha una durata media di 30 minuti.

L’esame, in entrambe le forme, è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.

Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto; mostrando un’attitudine a risolvere nuovi problemi;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare modelli e concetti di Deep Learning per la risoluzione di problemi reali e valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Verrà valutata la capacità dello studente di generalizzare quanto appreso nel corso su nuovi domini e tematiche, approfondendo argomenti tangenti al corso dal punto di vista teorico o pratico.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi:

  • Dive into Deep Learning – A. Zhang, Z. C. Lipton, M. Li, A. J. Smola https://d2l.ai
  • Deep Learning con Python: Imparare a implementare algoritmi di apprendimento profondo – F. Chollet (versione in Italiano)
  • Deep Learning with Python – F. Chollet (versione in Inglese)

Inoltre, sono forniti i seguenti notebook per le lezioni di esercitazione:

  • https://drive.google.com/drive/folders/1_gGl_A9HZ_NzPpLMuLoOEr10h5UEXINh?usp=sharing

I notebook possono essere scaricati per l’esecuzione su computer locale o possono essere eseguiti su Google Colaboratory (scelta consigliata).

Codice insegnamento UC63640

Deep Learning 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso lo studente sarà in grado di: 1. Conoscenza e comprensione Conoscere i concetti base e padroneggiare la terminologia del Deep Learning Conoscere quali sono i principali modelli di Deep Learning…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso lo studente sarà in grado di:
1. Conoscenza e comprensione

  • Conoscere i concetti base e padroneggiare la terminologia del Deep Learning
  • Conoscere quali sono i principali modelli di Deep Learning
  • Comprendere come funzionano i principali modelli di Deep Learning
  • Conoscere e comprendere l’importanza e le applicazioni reali degli algoritmi di Deep Learning

2. Capacità di applicare conoscenze e comprensione

  • Imparare a scrivere algoritmi di Deep Learning utilizzando il framework Tensorflow
  • Imparare le principali funzionalità di Tensorflow per sviluppare modelli di Deep Learning
  • Imparare ad applicare a seconda del contesto e tipologia di dato l’algoritmo corretto di Deep Learning
  • Imparare a formulare un problema affinché sia possibile risolverlo tramite modelli di Deep Learning

3. Competenze trasversali

  • Esprimere con linguaggio opportuno gli argomenti del corso
  • Saper valutare a seconda del caso d’uso se un algoritmo di Deep Learning può essere la soluzione al problema
  • Valutare in autonomia svantaggi e vantaggi dei principali algoritmi di Deep Learning a seconda del dominio
  • Comprendere cos’è l’Intelligenza Artificiale e come si colloca il Deep Learning nel suo insieme
  • Comprendere come scrivere del codice per sviluppare soluzioni di Deep Learning

Programma

Il corso di Deep Learning ha la finalità di consentire agli studenti di comprendere questa importante classe di algoritmi che stanno via via diventando onnipresenti nel’ informatica e nel ramo dell’Intelligenza Artificiale. Il corso mira a far conoscere allo studente i principali concetti di Deep Learning analizzando le applicazioni ed il funzionamento. Si partirà dallo studio dei modelli più semplici fino ad arrivare a quelli stato dell’arte attualmente utilizzati in produzione in diversi domini quale il motore di ricerca Google. Il corso consentirà allo studente di padroneggiare i principali modelli di Deep Learning sia da un punto di vista teorico che pratico. Le lezioni sono accompagnate da esercitazioni pratiche che consentiranno allo studente di applicare su casi d’uso reali quanto imparato durante le lezioni.

Modulo 1: Concetti di Deep Learning

Attraverso lo studio del presente modulo lo studente comprenderà cos’è e qual è l’importanza del Deep Learning. Lo studente imparerà le principali componenti del Deep Learning, il glossario e le terminologie frequenti dei concetti di Deep Learning. Verrà inoltre mostrata la prima rete neurale profonda. Il modulo si conclude con la revisione dei concetti di Matematica, Probabilità e Algebra Lineare utili per poter comprendere i successivi moduli del corso.

1 – Introduzione

  • Perché il deep learning è importante
  • Esempi di applicazioni di deep learning
  • Tassonomia dell'intelligenza artificiale
  • Definizioni e differenze tra: Artificial Intelligence/Machine Learning/Representation Learning/Deep Learning
  • Programmazione classica vs Machine Learning
  • Old AI vs Machine Learning
  • Cosa sono le reti neurali profonde
  • Problemi di classificazione & regressione

2 – Storia dell'AI e del Deep Learning & Componenti del Deep Learning

  • Storia dell’Intelligenza Artificiale e del Deep Learning
  • Introduzione alle componenti del Deep Learning: Data/Model/Loss/Optimization
  • Tipologie di learning e definizioni: Supervised Learning/Unsupervised Learning/Self-supervised Learning/Reinforcement Learning

3 – La prima rete neurale

  • Jupyter Notebooks
  • Google Colaboratory
  • La prima rete neurale per classificare le cifre MNIST
  • Addestrare e valutare un modello
  • Divisione in Train/Test e k-fold cross validation
  • Overfitting & Underfitting
  • Metriche di Classificazione: Accuracy/Precision/Recall/F1

4 – Fondamenti Matematici

  • Cos'è un Tensore?
  • Operazioni con Tensori in Tensorflow
  • Revisione Algebra lineare: Geometria dei vettori; Dot Product and Moltiplicazione matriciale
  • Revisione Calcolo: Derivate; Gradiente; Chain rule
  • Revisione Probabilità: Variabili Random; Eventi; Algebra; Probabilità congiunta; Eventi indipendenti; Chain Rule; Regola di Bayes; Probability Density Function; Expectation; Variance

Modulo 2: Modelli Lineari

Attraverso lo studio del presente modulo lo studente comprenderà cosa sono e come funzionano i modelli lineari, i modelli più semplici e basilari di rete neurale a cui possiamo pensare. Lo studente imparerà inoltre come applicare le conoscenze di Deep Learning apprese su due casi d’uso specifici: predizione del prezzo di vendita di una casa e predizione della probabilità di sopravvivenza di un passeggero del Titanic. Per far ciò verranno utilizzati gli strumenti introdotti nel modulo 1: Tensorflow e Jupyter Notebooks.

5 – Modelli Lineari: Regressione Lineare e Logistica

  • Il Percettrone e le sue componenti: Pesi/Bias/Funzione di Attivazione
  • Regressione lineare
  • Funzione di Loss Least Squared Error
  • Derivazione della Least Squared Error Loss dalla assunzione di Gaussian Noise
  • Revisione della Distribuzione Gaussiana e Maximum Likelihood
  • Regressione logistica
  • La funzione di attivazione Sigmoid
  • Deriviamo la funzione di loss Log-likelihood
  • Revisione della distribuzione di Bernulli
  • One-hot encoding e la funzione di attivazione Softmax

6 – Esercitazione Modelli Lineari

  • Regressione Lineare per la predizione del prezzo di vendita di una casa
  • Regressione Logistica per predire la probabilità di sopravvivenza di un passeggero del Titanic

Modulo 3: Modelli non Lineari

Attraverso lo studio del presente modulo lo studente comprenderà cosa sono e come funzionano i modelli non lineari portando come esempio la prima rete neurale profonda: il Percettrone multistrato. I dati che ci circondano nel mondo sono altamente non lineari, lo studio di questo modulo permetterà di comprendere come gestire questi casi molto frequenti. Il modulo si conclude con l’introduzione agli algoritmi di ottimizzazione che permetterà allo studente di comprendere come avviene l’apprendimento delle reti neurali.

7 - Multi-layer perceptrons

  • Dataset non separabili linearmente
  • Multilayer Perceptrons
  • Funzioni di attivazione: Relu, tanh, sigmoid
  • Gradient vanishing and gradient exploding
  • Tecniche di regolarizzazione: weights penalties, Dropout, Early Stop

8 – Algoritmi di Ottimizzazione

  • Soluzioni analitiche per modelli lineari
  • Gradient Descent
  • Punti stazionari
  • Convessità
  • Stochastic Gradient Descent
  • Momentum
  • Backpropagation & Automatic Differentiation

Modulo 4: Reti Convoluzionali

Attraverso lo studio del presente modulo lo studente comprenderà cosa sono e come funzionano le reti convoluzionali, una classe di modelli utilizzati per processare immagini e non solo. Verranno mostrate le tecniche più avanzate ed i modelli più sofisticati. Lo studente imparerà come applicare tali conoscenze in scenari reali utilizzando Tensorflow.

9 - Reti neurali convoluzionali

  • Dai layer fully connected alle convoluzioni
  • L'operatore di convoluzione
  • Padding, Stride, Dilated Convolutions
  • Max Pooling
  • Il Layer Convoluzionale e Convolutional Neural Networks (CNN)
  • Proprietà delle reti neurali convoluzionali
  • Reti convoluzionali per tasks su immagini
  • Reti convoluzionali per dati a griglia

10 – Reti Convoluzionali Moderne

  • Reti neurali convoluzionali profonde (AlexNet)
  • Reti che utilizzano blocchi (VGG)
  • Data Augmentation
  • Reti con concatenazioni parallele (GoogLeNet)
  • Batch Normalization, Layer Normalization
  • Residual Networks (ResNet)
  • Reti densamente connesse (DenseNet)
  • Fine Tuning

11 – Processamento di immagini

  • Processare immagini in Tensorflow tramite un Multilayer Perceptron
  • Processare immagini in Tensorflow tramite Reti Neurali convoluzionali allenate da zero
  • Processare immagini in Tensorflow tramite un CNN e fine-tuning

Modulo 5: Modellare Sequenze

Attraverso lo studio del presente modulo lo studente comprenderà come modellare sequenze di dati, una tipologia di dato pervasiva che comprende tracce audio, video e testuali. Lo studente imparerà ad utilizzare e capire il funzionamento di modelli ricorrenti quali LSTM o modelli basati sull’attenzione quali Transformers.

12 – Modellare Sequenze

  • Modelli basilari per modellare sequenze
  • Recurrent Neural Networks (RNN)
  • Backpropagation Through Time
  • Long-short Term Memory Networks (LSTM)
  • Multilayer RNN and Bidirectional Models
  • Modelli Encoder-Decoder e strategie di decoding Greedy Search e Beam Search

13 - Transformers e modelli basati sull'attenzione

  • L’ architettura Transformer
  • La Scaled dot-product attention
  • La Multi-head attention
  • Il livello di Embedding
  • I Positional Encodings
  • Complessità dei Transformer e Transformer per Computer Vision

Modulo 6: Modellare il Linguaggio Naturale

Attraverso lo studio del presente modulo lo studente comprenderà come modellare il linguaggio naturale tramite l’utilizzo di algoritmi di Deep Learning. Lo studente imparerà ad utilizzare modelli di base basati su rappresentazioni Bag of Word (BOW) fino a modelli neurali stato dell’arte basati sui Transformers (BERT). Il modulo si conclude con l’applicazione in Tensorflow su casi d’uso reali di tutti i modelli analizzati dal punto di vista teorico.

14 – Elaborazione del linguaggio naturale & self-supervised learning

  • Elaborazione del Linguaggio Naturale: Rappresentazioni Neurali vs Rappresentazioni simboliche
  • Bag of Word Representation (BOW) & Enhanced BOW with tf-idf
  • Bag of Word of N-grams
  • Distributed Representations
  • Similarity Measures
  • Self-Supervised Learning
  • Word2Vec
  • BERT

15 – Esercitazione elaborazione del linguaggio naturale

-
Classificazione del testo tramite Reti neurali Ricorrenti

-
Classificazione tramite RNN con più Layer bidirezionali

-
Utilizzo di Word Embeddings Preaddestrati

-
BERT

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta e/o orale. Il punteggio della prova è espresso in trentesimi.

La prova scritta consiste in domande a risposta aperta sugli argomenti specifici del corso. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali di Deep Learning esposti durante le lezioni. La prova scritta ha una durata di 90 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.

Nel caso in cui l’esame venisse svolto in forma orale, esso consiste in un colloquio frontale sugli argomenti trattati nel corso. Durante la prova orale verrà richiesto agli studenti di esporre gli argomenti trattati durante il corso, al fine di verificare la capacità di apprendimento dei concetti di Deep Learning. La prova orale ha una durata media di 30 minuti.

L’esame, in entrambe le forme, è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.

Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto; mostrando un’attitudine a risolvere nuovi problemi;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare modelli e concetti di Deep Learning per la risoluzione di problemi reali e valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Verrà valutata la capacità dello studente di generalizzare quanto appreso nel corso su nuovi domini e tematiche, approfondendo argomenti tangenti al corso dal punto di vista teorico o pratico.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi:

  • Dive into Deep Learning – A. Zhang, Z. C. Lipton, M. Li, A. J. Smola https://d2l.ai
  • Deep Learning con Python: Imparare a implementare algoritmi di apprendimento profondo – F. Chollet (versione in Italiano)
  • Deep Learning with Python – F. Chollet (versione in Inglese)

Inoltre, sono forniti i seguenti notebook per le lezioni di esercitazione:

  • https://drive.google.com/drive/folders/1_gGl_A9HZ_NzPpLMuLoOEr10h5UEXINh?usp=sharing

I notebook possono essere scaricati per l’esecuzione su computer locale o possono essere eseguiti su Google Colaboratory (scelta consigliata).

Codice insegnamento UC63678

Deep Learning 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso lo studente sarà in grado di: 1. Conoscenza e comprensione Conoscere i concetti base e padroneggiare la terminologia del Deep Learning Conoscere quali sono i principali modelli di Deep Learning…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso lo studente sarà in grado di:
1. Conoscenza e comprensione

  • Conoscere i concetti base e padroneggiare la terminologia del Deep Learning
  • Conoscere quali sono i principali modelli di Deep Learning
  • Comprendere come funzionano i principali modelli di Deep Learning
  • Conoscere e comprendere l’importanza e le applicazioni reali degli algoritmi di Deep Learning

2. Capacità di applicare conoscenze e comprensione

  • Imparare a scrivere algoritmi di Deep Learning utilizzando il framework Tensorflow
  • Imparare le principali funzionalità di Tensorflow per sviluppare modelli di Deep Learning
  • Imparare ad applicare a seconda del contesto e tipologia di dato l’algoritmo corretto di Deep Learning
  • Imparare a formulare un problema affinché sia possibile risolverlo tramite modelli di Deep Learning

3. Competenze trasversali

  • Esprimere con linguaggio opportuno gli argomenti del corso
  • Saper valutare a seconda del caso d’uso se un algoritmo di Deep Learning può essere la soluzione al problema
  • Valutare in autonomia svantaggi e vantaggi dei principali algoritmi di Deep Learning a seconda del dominio
  • Comprendere cos’è l’Intelligenza Artificiale e come si colloca il Deep Learning nel suo insieme
  • Comprendere come scrivere del codice per sviluppare soluzioni di Deep Learning

Programma

Il corso di Deep Learning ha la finalità di consentire agli studenti di comprendere questa importante classe di algoritmi che stanno via via diventando onnipresenti nel’ informatica e nel ramo dell’Intelligenza Artificiale. Il corso mira a far conoscere allo studente i principali concetti di Deep Learning analizzando le applicazioni ed il funzionamento. Si partirà dallo studio dei modelli più semplici fino ad arrivare a quelli stato dell’arte attualmente utilizzati in produzione in diversi domini quale il motore di ricerca Google. Il corso consentirà allo studente di padroneggiare i principali modelli di Deep Learning sia da un punto di vista teorico che pratico. Le lezioni sono accompagnate da esercitazioni pratiche che consentiranno allo studente di applicare su casi d’uso reali quanto imparato durante le lezioni.

Modulo 1: Concetti di Deep Learning

Attraverso lo studio del presente modulo lo studente comprenderà cos’è e qual è l’importanza del Deep Learning. Lo studente imparerà le principali componenti del Deep Learning, il glossario e le terminologie frequenti dei concetti di Deep Learning. Verrà inoltre mostrata la prima rete neurale profonda. Il modulo si conclude con la revisione dei concetti di Matematica, Probabilità e Algebra Lineare utili per poter comprendere i successivi moduli del corso.

1 – Introduzione

  • Perché il deep learning è importante
  • Esempi di applicazioni di deep learning
  • Tassonomia dell'intelligenza artificiale
  • Definizioni e differenze tra: Artificial Intelligence/Machine Learning/Representation Learning/Deep Learning
  • Programmazione classica vs Machine Learning
  • Old AI vs Machine Learning
  • Cosa sono le reti neurali profonde
  • Problemi di classificazione & regressione

2 – Storia dell'AI e del Deep Learning & Componenti del Deep Learning

  • Storia dell’Intelligenza Artificiale e del Deep Learning
  • Introduzione alle componenti del Deep Learning: Data/Model/Loss/Optimization
  • Tipologie di learning e definizioni: Supervised Learning/Unsupervised Learning/Self-supervised Learning/Reinforcement Learning

3 – La prima rete neurale

  • Jupyter Notebooks
  • Google Colaboratory
  • La prima rete neurale per classificare le cifre MNIST
  • Addestrare e valutare un modello
  • Divisione in Train/Test e k-fold cross validation
  • Overfitting & Underfitting
  • Metriche di Classificazione: Accuracy/Precision/Recall/F1

4 – Fondamenti Matematici

  • Cos'è un Tensore?
  • Operazioni con Tensori in Tensorflow
  • Revisione Algebra lineare: Geometria dei vettori; Dot Product and Moltiplicazione matriciale
  • Revisione Calcolo: Derivate; Gradiente; Chain rule
  • Revisione Probabilità: Variabili Random; Eventi; Algebra; Probabilità congiunta; Eventi indipendenti; Chain Rule; Regola di Bayes; Probability Density Function; Expectation; Variance

Modulo 2: Modelli Lineari

Attraverso lo studio del presente modulo lo studente comprenderà cosa sono e come funzionano i modelli lineari, i modelli più semplici e basilari di rete neurale a cui possiamo pensare. Lo studente imparerà inoltre come applicare le conoscenze di Deep Learning apprese su due casi d’uso specifici: predizione del prezzo di vendita di una casa e predizione della probabilità di sopravvivenza di un passeggero del Titanic. Per far ciò verranno utilizzati gli strumenti introdotti nel modulo 1: Tensorflow e Jupyter Notebooks.

5 – Modelli Lineari: Regressione Lineare e Logistica

  • Il Percettrone e le sue componenti: Pesi/Bias/Funzione di Attivazione
  • Regressione lineare
  • Funzione di Loss Least Squared Error
  • Derivazione della Least Squared Error Loss dalla assunzione di Gaussian Noise
  • Revisione della Distribuzione Gaussiana e Maximum Likelihood
  • Regressione logistica
  • La funzione di attivazione Sigmoid
  • Deriviamo la funzione di loss Log-likelihood
  • Revisione della distribuzione di Bernulli
  • One-hot encoding e la funzione di attivazione Softmax

6 – Esercitazione Modelli Lineari

  • Regressione Lineare per la predizione del prezzo di vendita di una casa
  • Regressione Logistica per predire la probabilità di sopravvivenza di un passeggero del Titanic

Modulo 3: Modelli non Lineari

Attraverso lo studio del presente modulo lo studente comprenderà cosa sono e come funzionano i modelli non lineari portando come esempio la prima rete neurale profonda: il Percettrone multistrato. I dati che ci circondano nel mondo sono altamente non lineari, lo studio di questo modulo permetterà di comprendere come gestire questi casi molto frequenti. Il modulo si conclude con l’introduzione agli algoritmi di ottimizzazione che permetterà allo studente di comprendere come avviene l’apprendimento delle reti neurali.

7 - Multi-layer perceptrons

  • Dataset non separabili linearmente
  • Multilayer Perceptrons
  • Funzioni di attivazione: Relu, tanh, sigmoid
  • Gradient vanishing and gradient exploding
  • Tecniche di regolarizzazione: weights penalties, Dropout, Early Stop

8 – Algoritmi di Ottimizzazione

  • Soluzioni analitiche per modelli lineari
  • Gradient Descent
  • Punti stazionari
  • Convessità
  • Stochastic Gradient Descent
  • Momentum
  • Backpropagation & Automatic Differentiation

Modulo 4: Reti Convoluzionali

Attraverso lo studio del presente modulo lo studente comprenderà cosa sono e come funzionano le reti convoluzionali, una classe di modelli utilizzati per processare immagini e non solo. Verranno mostrate le tecniche più avanzate ed i modelli più sofisticati. Lo studente imparerà come applicare tali conoscenze in scenari reali utilizzando Tensorflow.

9 - Reti neurali convoluzionali

  • Dai layer fully connected alle convoluzioni
  • L'operatore di convoluzione
  • Padding, Stride, Dilated Convolutions
  • Max Pooling
  • Il Layer Convoluzionale e Convolutional Neural Networks (CNN)
  • Proprietà delle reti neurali convoluzionali
  • Reti convoluzionali per tasks su immagini
  • Reti convoluzionali per dati a griglia

10 – Reti Convoluzionali Moderne

  • Reti neurali convoluzionali profonde (AlexNet)
  • Reti che utilizzano blocchi (VGG)
  • Data Augmentation
  • Reti con concatenazioni parallele (GoogLeNet)
  • Batch Normalization, Layer Normalization
  • Residual Networks (ResNet)
  • Reti densamente connesse (DenseNet)
  • Fine Tuning

11 – Processamento di immagini

  • Processare immagini in Tensorflow tramite un Multilayer Perceptron
  • Processare immagini in Tensorflow tramite Reti Neurali convoluzionali allenate da zero
  • Processare immagini in Tensorflow tramite un CNN e fine-tuning

Modulo 5: Modellare Sequenze

Attraverso lo studio del presente modulo lo studente comprenderà come modellare sequenze di dati, una tipologia di dato pervasiva che comprende tracce audio, video e testuali. Lo studente imparerà ad utilizzare e capire il funzionamento di modelli ricorrenti quali LSTM o modelli basati sull’attenzione quali Transformers.

12 – Modellare Sequenze

  • Modelli basilari per modellare sequenze
  • Recurrent Neural Networks (RNN)
  • Backpropagation Through Time
  • Long-short Term Memory Networks (LSTM)
  • Multilayer RNN and Bidirectional Models
  • Modelli Encoder-Decoder e strategie di decoding Greedy Search e Beam Search

13 - Transformers e modelli basati sull'attenzione

  • L’ architettura Transformer
  • La Scaled dot-product attention
  • La Multi-head attention
  • Il livello di Embedding
  • I Positional Encodings
  • Complessità dei Transformer e Transformer per Computer Vision

Modulo 6: Modellare il Linguaggio Naturale

Attraverso lo studio del presente modulo lo studente comprenderà come modellare il linguaggio naturale tramite l’utilizzo di algoritmi di Deep Learning. Lo studente imparerà ad utilizzare modelli di base basati su rappresentazioni Bag of Word (BOW) fino a modelli neurali stato dell’arte basati sui Transformers (BERT). Il modulo si conclude con l’applicazione in Tensorflow su casi d’uso reali di tutti i modelli analizzati dal punto di vista teorico.

14 – Elaborazione del linguaggio naturale & self-supervised learning

  • Elaborazione del Linguaggio Naturale: Rappresentazioni Neurali vs Rappresentazioni simboliche
  • Bag of Word Representation (BOW) & Enhanced BOW with tf-idf
  • Bag of Word of N-grams
  • Distributed Representations
  • Similarity Measures
  • Self-Supervised Learning
  • Word2Vec
  • BERT

15 – Esercitazione elaborazione del linguaggio naturale

-
Classificazione del testo tramite Reti neurali Ricorrenti

-
Classificazione tramite RNN con più Layer bidirezionali

-
Utilizzo di Word Embeddings Preaddestrati

-
BERT

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta e/o orale. Il punteggio della prova è espresso in trentesimi.

La prova scritta consiste in domande a risposta aperta sugli argomenti specifici del corso. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali di Deep Learning esposti durante le lezioni. La prova scritta ha una durata di 90 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.

Nel caso in cui l’esame venisse svolto in forma orale, esso consiste in un colloquio frontale sugli argomenti trattati nel corso. Durante la prova orale verrà richiesto agli studenti di esporre gli argomenti trattati durante il corso, al fine di verificare la capacità di apprendimento dei concetti di Deep Learning. La prova orale ha una durata media di 30 minuti.

L’esame, in entrambe le forme, è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.

Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto; mostrando un’attitudine a risolvere nuovi problemi;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare modelli e concetti di Deep Learning per la risoluzione di problemi reali e valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Verrà valutata la capacità dello studente di generalizzare quanto appreso nel corso su nuovi domini e tematiche, approfondendo argomenti tangenti al corso dal punto di vista teorico o pratico.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi:

  • Dive into Deep Learning – A. Zhang, Z. C. Lipton, M. Li, A. J. Smola https://d2l.ai
  • Deep Learning con Python: Imparare a implementare algoritmi di apprendimento profondo – F. Chollet (versione in Italiano)
  • Deep Learning with Python – F. Chollet (versione in Inglese)

Inoltre, sono forniti i seguenti notebook per le lezioni di esercitazione:

  • https://drive.google.com/drive/folders/1_gGl_A9HZ_NzPpLMuLoOEr10h5UEXINh?usp=sharing

I notebook possono essere scaricati per l’esecuzione su computer locale o possono essere eseguiti su Google Colaboratory (scelta consigliata).

Codice insegnamento UC63705

Deep Learning 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso lo studente sarà in grado di: 1. Conoscenza e comprensione Conoscere i concetti base e padroneggiare la terminologia del Deep Learning Conoscere quali sono i principali modelli di Deep Learning…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso lo studente sarà in grado di:
1. Conoscenza e comprensione

  • Conoscere i concetti base e padroneggiare la terminologia del Deep Learning
  • Conoscere quali sono i principali modelli di Deep Learning
  • Comprendere come funzionano i principali modelli di Deep Learning
  • Conoscere e comprendere l’importanza e le applicazioni reali degli algoritmi di Deep Learning

2. Capacità di applicare conoscenze e comprensione

  • Imparare a scrivere algoritmi di Deep Learning utilizzando il framework Tensorflow
  • Imparare le principali funzionalità di Tensorflow per sviluppare modelli di Deep Learning
  • Imparare ad applicare a seconda del contesto e tipologia di dato l’algoritmo corretto di Deep Learning
  • Imparare a formulare un problema affinché sia possibile risolverlo tramite modelli di Deep Learning

3. Competenze trasversali

  • Esprimere con linguaggio opportuno gli argomenti del corso
  • Saper valutare a seconda del caso d’uso se un algoritmo di Deep Learning può essere la soluzione al problema
  • Valutare in autonomia svantaggi e vantaggi dei principali algoritmi di Deep Learning a seconda del dominio
  • Comprendere cos’è l’Intelligenza Artificiale e come si colloca il Deep Learning nel suo insieme
  • Comprendere come scrivere del codice per sviluppare soluzioni di Deep Learning

Programma

Il corso di Deep Learning ha la finalità di consentire agli studenti di comprendere questa importante classe di algoritmi che stanno via via diventando onnipresenti nel’ informatica e nel ramo dell’Intelligenza Artificiale. Il corso mira a far conoscere allo studente i principali concetti di Deep Learning analizzando le applicazioni ed il funzionamento. Si partirà dallo studio dei modelli più semplici fino ad arrivare a quelli stato dell’arte attualmente utilizzati in produzione in diversi domini quale il motore di ricerca Google. Il corso consentirà allo studente di padroneggiare i principali modelli di Deep Learning sia da un punto di vista teorico che pratico. Le lezioni sono accompagnate da esercitazioni pratiche che consentiranno allo studente di applicare su casi d’uso reali quanto imparato durante le lezioni.

Modulo 1: Concetti di Deep Learning

Attraverso lo studio del presente modulo lo studente comprenderà cos’è e qual è l’importanza del Deep Learning. Lo studente imparerà le principali componenti del Deep Learning, il glossario e le terminologie frequenti dei concetti di Deep Learning. Verrà inoltre mostrata la prima rete neurale profonda. Il modulo si conclude con la revisione dei concetti di Matematica, Probabilità e Algebra Lineare utili per poter comprendere i successivi moduli del corso.

1 – Introduzione

  • Perché il deep learning è importante
  • Esempi di applicazioni di deep learning
  • Tassonomia dell'intelligenza artificiale
  • Definizioni e differenze tra: Artificial Intelligence/Machine Learning/Representation Learning/Deep Learning
  • Programmazione classica vs Machine Learning
  • Old AI vs Machine Learning
  • Cosa sono le reti neurali profonde
  • Problemi di classificazione & regressione

2 – Storia dell'AI e del Deep Learning & Componenti del Deep Learning

  • Storia dell’Intelligenza Artificiale e del Deep Learning
  • Introduzione alle componenti del Deep Learning: Data/Model/Loss/Optimization
  • Tipologie di learning e definizioni: Supervised Learning/Unsupervised Learning/Self-supervised Learning/Reinforcement Learning

3 – La prima rete neurale

  • Jupyter Notebooks
  • Google Colaboratory
  • La prima rete neurale per classificare le cifre MNIST
  • Addestrare e valutare un modello
  • Divisione in Train/Test e k-fold cross validation
  • Overfitting & Underfitting
  • Metriche di Classificazione: Accuracy/Precision/Recall/F1

4 – Fondamenti Matematici

  • Cos'è un Tensore?
  • Operazioni con Tensori in Tensorflow
  • Revisione Algebra lineare: Geometria dei vettori; Dot Product and Moltiplicazione matriciale
  • Revisione Calcolo: Derivate; Gradiente; Chain rule
  • Revisione Probabilità: Variabili Random; Eventi; Algebra; Probabilità congiunta; Eventi indipendenti; Chain Rule; Regola di Bayes; Probability Density Function; Expectation; Variance

Modulo 2: Modelli Lineari

Attraverso lo studio del presente modulo lo studente comprenderà cosa sono e come funzionano i modelli lineari, i modelli più semplici e basilari di rete neurale a cui possiamo pensare. Lo studente imparerà inoltre come applicare le conoscenze di Deep Learning apprese su due casi d’uso specifici: predizione del prezzo di vendita di una casa e predizione della probabilità di sopravvivenza di un passeggero del Titanic. Per far ciò verranno utilizzati gli strumenti introdotti nel modulo 1: Tensorflow e Jupyter Notebooks.

5 – Modelli Lineari: Regressione Lineare e Logistica

  • Il Percettrone e le sue componenti: Pesi/Bias/Funzione di Attivazione
  • Regressione lineare
  • Funzione di Loss Least Squared Error
  • Derivazione della Least Squared Error Loss dalla assunzione di Gaussian Noise
  • Revisione della Distribuzione Gaussiana e Maximum Likelihood
  • Regressione logistica
  • La funzione di attivazione Sigmoid
  • Deriviamo la funzione di loss Log-likelihood
  • Revisione della distribuzione di Bernulli
  • One-hot encoding e la funzione di attivazione Softmax

6 – Esercitazione Modelli Lineari

  • Regressione Lineare per la predizione del prezzo di vendita di una casa
  • Regressione Logistica per predire la probabilità di sopravvivenza di un passeggero del Titanic

Modulo 3: Modelli non Lineari

Attraverso lo studio del presente modulo lo studente comprenderà cosa sono e come funzionano i modelli non lineari portando come esempio la prima rete neurale profonda: il Percettrone multistrato. I dati che ci circondano nel mondo sono altamente non lineari, lo studio di questo modulo permetterà di comprendere come gestire questi casi molto frequenti. Il modulo si conclude con l’introduzione agli algoritmi di ottimizzazione che permetterà allo studente di comprendere come avviene l’apprendimento delle reti neurali.

7 - Multi-layer perceptrons

  • Dataset non separabili linearmente
  • Multilayer Perceptrons
  • Funzioni di attivazione: Relu, tanh, sigmoid
  • Gradient vanishing and gradient exploding
  • Tecniche di regolarizzazione: weights penalties, Dropout, Early Stop

8 – Algoritmi di Ottimizzazione

  • Soluzioni analitiche per modelli lineari
  • Gradient Descent
  • Punti stazionari
  • Convessità
  • Stochastic Gradient Descent
  • Momentum
  • Backpropagation & Automatic Differentiation

Modulo 4: Reti Convoluzionali

Attraverso lo studio del presente modulo lo studente comprenderà cosa sono e come funzionano le reti convoluzionali, una classe di modelli utilizzati per processare immagini e non solo. Verranno mostrate le tecniche più avanzate ed i modelli più sofisticati. Lo studente imparerà come applicare tali conoscenze in scenari reali utilizzando Tensorflow.

9 - Reti neurali convoluzionali

  • Dai layer fully connected alle convoluzioni
  • L'operatore di convoluzione
  • Padding, Stride, Dilated Convolutions
  • Max Pooling
  • Il Layer Convoluzionale e Convolutional Neural Networks (CNN)
  • Proprietà delle reti neurali convoluzionali
  • Reti convoluzionali per tasks su immagini
  • Reti convoluzionali per dati a griglia

10 – Reti Convoluzionali Moderne

  • Reti neurali convoluzionali profonde (AlexNet)
  • Reti che utilizzano blocchi (VGG)
  • Data Augmentation
  • Reti con concatenazioni parallele (GoogLeNet)
  • Batch Normalization, Layer Normalization
  • Residual Networks (ResNet)
  • Reti densamente connesse (DenseNet)
  • Fine Tuning

11 – Processamento di immagini

  • Processare immagini in Tensorflow tramite un Multilayer Perceptron
  • Processare immagini in Tensorflow tramite Reti Neurali convoluzionali allenate da zero
  • Processare immagini in Tensorflow tramite un CNN e fine-tuning

Modulo 5: Modellare Sequenze

Attraverso lo studio del presente modulo lo studente comprenderà come modellare sequenze di dati, una tipologia di dato pervasiva che comprende tracce audio, video e testuali. Lo studente imparerà ad utilizzare e capire il funzionamento di modelli ricorrenti quali LSTM o modelli basati sull’attenzione quali Transformers.

12 – Modellare Sequenze

  • Modelli basilari per modellare sequenze
  • Recurrent Neural Networks (RNN)
  • Backpropagation Through Time
  • Long-short Term Memory Networks (LSTM)
  • Multilayer RNN and Bidirectional Models
  • Modelli Encoder-Decoder e strategie di decoding Greedy Search e Beam Search

13 - Transformers e modelli basati sull'attenzione

  • L’ architettura Transformer
  • La Scaled dot-product attention
  • La Multi-head attention
  • Il livello di Embedding
  • I Positional Encodings
  • Complessità dei Transformer e Transformer per Computer Vision

Modulo 6: Modellare il Linguaggio Naturale

Attraverso lo studio del presente modulo lo studente comprenderà come modellare il linguaggio naturale tramite l’utilizzo di algoritmi di Deep Learning. Lo studente imparerà ad utilizzare modelli di base basati su rappresentazioni Bag of Word (BOW) fino a modelli neurali stato dell’arte basati sui Transformers (BERT). Il modulo si conclude con l’applicazione in Tensorflow su casi d’uso reali di tutti i modelli analizzati dal punto di vista teorico.

14 – Elaborazione del linguaggio naturale & self-supervised learning

  • Elaborazione del Linguaggio Naturale: Rappresentazioni Neurali vs Rappresentazioni simboliche
  • Bag of Word Representation (BOW) & Enhanced BOW with tf-idf
  • Bag of Word of N-grams
  • Distributed Representations
  • Similarity Measures
  • Self-Supervised Learning
  • Word2Vec
  • BERT

15 – Esercitazione elaborazione del linguaggio naturale

-
Classificazione del testo tramite Reti neurali Ricorrenti

-
Classificazione tramite RNN con più Layer bidirezionali

-
Utilizzo di Word Embeddings Preaddestrati

-
BERT

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta e/o orale. Il punteggio della prova è espresso in trentesimi.

La prova scritta consiste in domande a risposta aperta sugli argomenti specifici del corso. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali di Deep Learning esposti durante le lezioni. La prova scritta ha una durata di 90 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.

Nel caso in cui l’esame venisse svolto in forma orale, esso consiste in un colloquio frontale sugli argomenti trattati nel corso. Durante la prova orale verrà richiesto agli studenti di esporre gli argomenti trattati durante il corso, al fine di verificare la capacità di apprendimento dei concetti di Deep Learning. La prova orale ha una durata media di 30 minuti.

L’esame, in entrambe le forme, è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.

Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto; mostrando un’attitudine a risolvere nuovi problemi;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare modelli e concetti di Deep Learning per la risoluzione di problemi reali e valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Verrà valutata la capacità dello studente di generalizzare quanto appreso nel corso su nuovi domini e tematiche, approfondendo argomenti tangenti al corso dal punto di vista teorico o pratico.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi:

  • Dive into Deep Learning – A. Zhang, Z. C. Lipton, M. Li, A. J. Smola https://d2l.ai
  • Deep Learning con Python: Imparare a implementare algoritmi di apprendimento profondo – F. Chollet (versione in Italiano)
  • Deep Learning with Python – F. Chollet (versione in Inglese)

Inoltre, sono forniti i seguenti notebook per le lezioni di esercitazione:

  • https://drive.google.com/drive/folders/1_gGl_A9HZ_NzPpLMuLoOEr10h5UEXINh?usp=sharing

I notebook possono essere scaricati per l’esecuzione su computer locale o possono essere eseguiti su Google Colaboratory (scelta consigliata).

Codice insegnamento UC455481

Elettronica Digitale 2° anno · 6 CFU · IINF-01/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: comprendere i concetti dell’elettronica digitale; conoscere i principi di funzionamento di circuiti digitali e le loro principali funzionalità e…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

  • comprendere i concetti dell’elettronica digitale;
  • conoscere i principi di funzionamento di circuiti digitali e le loro principali funzionalità e caratteristiche;
  • conoscere i principali moduli standard combinatori e sequenziali;
  • conoscere le basi di progettazione mediante linguaggi HDL;
  • eseguire progetti basilari di sistemi digitali;
  • progettare a livello basilare sistemi RTL in VHDL;
  • valutare in autonomia i vantaggi e gli svantaggi di scelte progettuali in termini di area e timing;
  • apprendere e integrare le conoscenze da varie fonti sulle architetture di circuiti digitali al fine di valutare attraverso una visione più ampia le potenzialità di sistemi digitali trattati in studi successivi;
  • esprimere con opportuno linguaggio gli argomenti del corso.

Programma

Il corso è focalizzato sull’analisi e la sintesi di circuiti digitali combinatori e sequenziali. Sono illustrate allo studente le tecniche e le modalità di progettazione di circuiti digitali comprese quelle per mezzo di linguaggi HDL. Particolare attenzione è posta sulle tecniche di static timing analysis.

È articolato in 3 moduli. Il primo dei quali introduce i sistemi combinatori, il secondo quelli sequenziali e il terzo le tecniche di progettazione mediante linguaggi HDL e in particolare il VHDL. Oltre a concetti generici di base, vengono illustrati allo studente i moduli combinatori e sequenziali maggiormente impiegati nella progettazione di sistemi digitali nonché il funzionamento di memorie e circuiti aritmetici.

Modulo 1: Sistemi combinatori [9 LEZ.]

  • Conversione Analogico Digitale (1 lezione)
  • Sistemi di rappresentazione numerica (1 lezione)
  • Introduzione ai sistemi combinatori (1 lezione)
  • Transistor MOSFET e logica CMOS (1 lezione)
  • Caratteristiche della famiglia CMOS e set universali (1 lezione)
  • Progettazione di reti combinatorie (1 lezione)
  • Analisi e sintesi di sistemi combinatori Esempi (1 lezione)
  • Moduli combinatori standard (1 lezione)
  • Circuiti aritmetici (1 lezione)

Modulo 2: Sistemi sequenziali [8 LEZ.]

  • Introduzione ai sistemi sequenziali (1 lezione)
  • Reti sequenziali (1 lezione)
  • Timing nei sistemi sequenziali (1 lezione)
  • Reti sequenziali: Esempi (1 lezione)
  • Moduli sequenziali standard (1 lezione)
  • Memorie a semiconduttore (1 lezione)
  • Moduli Programmabili (1 lezione)
  • FPGA (1 lezione)

Modulo 3: Progettazione mediante linguaggi HDL [3 LEZ.]

  • Introduzione al VHDL (1 lezione)
  • Descrizione di circuiti in VHDL (1 lezione)
  • Progettazione di Sistemi complessi (1 lezione)

Modalità d'esame

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficiente sui concetti di base dell’ elettronica digitale. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.

L’esame si svolge in forma scritta e/o orale. Il punteggio della prova è espresso in trentesimi.

La prova scritta ha una durata massima di 120 minuti e consiste nel sottoporre allo studente una serie di esercizi (in genere 2 o 3). Gli esercizi richiedono l’analisi e la sintesi di circuiti digitali combinatori e sequenziali.

Di solito le difficoltà presenti (e di conseguenza il punteggio massimo conseguibile, se non diversamente esplicitato) sono equidistribuite tra le varie domande.

Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di applicare le regole di analisi e sintesi di circuiti digitali e quindi di esporre l’argomento richiesto;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare le nozioni apprese nella progettazione di sistemi di base. [DUBLINO 2] e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali .

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio del seguente testo:

  • Introduction to Digital Systems, Milos D. Ercegovac , Tomas Lang, Jaime H. Moreno

Codice insegnamento UC63646

Elettronica Digitale 2° anno · 6 CFU · IINF-01/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: comprendere i concetti dell’elettronica digitale; conoscere i principi di funzionamento di circuiti digitali e le loro principali funzionalità e…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

  • comprendere i concetti dell’elettronica digitale;
  • conoscere i principi di funzionamento di circuiti digitali e le loro principali funzionalità e caratteristiche;
  • conoscere i principali moduli standard combinatori e sequenziali;
  • conoscere le basi di progettazione mediante linguaggi HDL;
  • eseguire progetti basilari di sistemi digitali;
  • progettare a livello basilare sistemi RTL in VHDL;
  • valutare in autonomia i vantaggi e gli svantaggi di scelte progettuali in termini di area e timing;
  • apprendere e integrare le conoscenze da varie fonti sulle architetture di circuiti digitali al fine di valutare attraverso una visione più ampia le potenzialità di sistemi digitali trattati in studi successivi;
  • esprimere con opportuno linguaggio gli argomenti del corso.

Programma

Il corso è focalizzato sull’analisi e la sintesi di circuiti digitali combinatori e sequenziali. Sono illustrate allo studente le tecniche e le modalità di progettazione di circuiti digitali comprese quelle per mezzo di linguaggi HDL. Particolare attenzione è posta sulle tecniche di static timing analysis.

È articolato in 3 moduli. Il primo dei quali introduce i sistemi combinatori, il secondo quelli sequenziali e il terzo le tecniche di progettazione mediante linguaggi HDL e in particolare il VHDL. Oltre a concetti generici di base, vengono illustrati allo studente i moduli combinatori e sequenziali maggiormente impiegati nella progettazione di sistemi digitali nonché il funzionamento di memorie e circuiti aritmetici.

Modulo 1: Sistemi combinatori [9 LEZ.]

  • Conversione Analogico Digitale (1 lezione)
  • Sistemi di rappresentazione numerica (1 lezione)
  • Introduzione ai sistemi combinatori (1 lezione)
  • Transistor MOSFET e logica CMOS (1 lezione)
  • Caratteristiche della famiglia CMOS e set universali (1 lezione)
  • Progettazione di reti combinatorie (1 lezione)
  • Analisi e sintesi di sistemi combinatori Esempi (1 lezione)
  • Moduli combinatori standard (1 lezione)
  • Circuiti aritmetici (1 lezione)

Modulo 2: Sistemi sequenziali [8 LEZ.]

  • Introduzione ai sistemi sequenziali (1 lezione)
  • Reti sequenziali (1 lezione)
  • Timing nei sistemi sequenziali (1 lezione)
  • Reti sequenziali: Esempi (1 lezione)
  • Moduli sequenziali standard (1 lezione)
  • Memorie a semiconduttore (1 lezione)
  • Moduli Programmabili (1 lezione)
  • FPGA (1 lezione)

Modulo 3: Progettazione mediante linguaggi HDL [3 LEZ.]

  • Introduzione al VHDL (1 lezione)
  • Descrizione di circuiti in VHDL (1 lezione)
  • Progettazione di Sistemi complessi (1 lezione)

Modalità d'esame

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficiente sui concetti di base dell’ elettronica digitale. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.

L’esame si svolge in forma scritta e/o orale. Il punteggio della prova è espresso in trentesimi.

La prova scritta ha una durata massima di 120 minuti e consiste nel sottoporre allo studente una serie di esercizi (in genere 2 o 3). Gli esercizi richiedono l’analisi e la sintesi di circuiti digitali combinatori e sequenziali.

Di solito le difficoltà presenti (e di conseguenza il punteggio massimo conseguibile, se non diversamente esplicitato) sono equidistribuite tra le varie domande.

Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di applicare le regole di analisi e sintesi di circuiti digitali e quindi di esporre l’argomento richiesto;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare le nozioni apprese nella progettazione di sistemi di base. [DUBLINO 2] e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali .

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio del seguente testo:

  • Introduction to Digital Systems, Milos D. Ercegovac , Tomas Lang, Jaime H. Moreno

Codice insegnamento UC63686

Elettronica Digitale 2° anno · 6 CFU · IINF-01/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: comprendere i concetti dell’elettronica digitale; conoscere i principi di funzionamento di circuiti digitali e le loro principali funzionalità e…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

  • comprendere i concetti dell’elettronica digitale;
  • conoscere i principi di funzionamento di circuiti digitali e le loro principali funzionalità e caratteristiche;
  • conoscere i principali moduli standard combinatori e sequenziali;
  • conoscere le basi di progettazione mediante linguaggi HDL;
  • eseguire progetti basilari di sistemi digitali;
  • progettare a livello basilare sistemi RTL in VHDL;
  • valutare in autonomia i vantaggi e gli svantaggi di scelte progettuali in termini di area e timing;
  • apprendere e integrare le conoscenze da varie fonti sulle architetture di circuiti digitali al fine di valutare attraverso una visione più ampia le potenzialità di sistemi digitali trattati in studi successivi;
  • esprimere con opportuno linguaggio gli argomenti del corso.

Programma

Il corso è focalizzato sull’analisi e la sintesi di circuiti digitali combinatori e sequenziali. Sono illustrate allo studente le tecniche e le modalità di progettazione di circuiti digitali comprese quelle per mezzo di linguaggi HDL. Particolare attenzione è posta sulle tecniche di static timing analysis.

È articolato in 3 moduli. Il primo dei quali introduce i sistemi combinatori, il secondo quelli sequenziali e il terzo le tecniche di progettazione mediante linguaggi HDL e in particolare il VHDL. Oltre a concetti generici di base, vengono illustrati allo studente i moduli combinatori e sequenziali maggiormente impiegati nella progettazione di sistemi digitali nonché il funzionamento di memorie e circuiti aritmetici.

Modulo 1: Sistemi combinatori [9 LEZ.]

  • Conversione Analogico Digitale (1 lezione)
  • Sistemi di rappresentazione numerica (1 lezione)
  • Introduzione ai sistemi combinatori (1 lezione)
  • Transistor MOSFET e logica CMOS (1 lezione)
  • Caratteristiche della famiglia CMOS e set universali (1 lezione)
  • Progettazione di reti combinatorie (1 lezione)
  • Analisi e sintesi di sistemi combinatori Esempi (1 lezione)
  • Moduli combinatori standard (1 lezione)
  • Circuiti aritmetici (1 lezione)

Modulo 2: Sistemi sequenziali [8 LEZ.]

  • Introduzione ai sistemi sequenziali (1 lezione)
  • Reti sequenziali (1 lezione)
  • Timing nei sistemi sequenziali (1 lezione)
  • Reti sequenziali: Esempi (1 lezione)
  • Moduli sequenziali standard (1 lezione)
  • Memorie a semiconduttore (1 lezione)
  • Moduli Programmabili (1 lezione)
  • FPGA (1 lezione)

Modulo 3: Progettazione mediante linguaggi HDL [3 LEZ.]

  • Introduzione al VHDL (1 lezione)
  • Descrizione di circuiti in VHDL (1 lezione)
  • Progettazione di Sistemi complessi (1 lezione)

Modalità d'esame

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficiente sui concetti di base dell’ elettronica digitale. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.

L’esame si svolge in forma scritta e/o orale. Il punteggio della prova è espresso in trentesimi.

La prova scritta ha una durata massima di 120 minuti e consiste nel sottoporre allo studente una serie di esercizi (in genere 2 o 3). Gli esercizi richiedono l’analisi e la sintesi di circuiti digitali combinatori e sequenziali.

Di solito le difficoltà presenti (e di conseguenza il punteggio massimo conseguibile, se non diversamente esplicitato) sono equidistribuite tra le varie domande.

Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di applicare le regole di analisi e sintesi di circuiti digitali e quindi di esporre l’argomento richiesto;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare le nozioni apprese nella progettazione di sistemi di base. [DUBLINO 2] e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali .

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio del seguente testo:

  • Introduction to Digital Systems, Milos D. Ercegovac , Tomas Lang, Jaime H. Moreno

Codice insegnamento UC63724

Elettrotecnica 2° anno · 6 CFU · IIET-01/A · 0 file
Archivio Globale

Al termine di questo corso, lo studente sarà in grado di: conoscere le principali tipologie di componenti, circuiti, macchine, dispositivi e reti elettriche (Descrittore di Dublino 1, Conoscenza e capacità di…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

  • conoscere le principali tipologie di componenti, circuiti, macchine, dispositivi e reti elettriche (Descrittore di Dublino 1, Conoscenza e capacità di comprensione);
  • conoscere i principi di base che gli consentiranno di dimensionare componenti di un circuito, macchine, dispositivi e reti elettriche e di redigere e risolvere i relativi circuiti equivalenti (capacità di applicare le conoscenze acquisite, Descrittore di Dublino 2, Conoscenza e capacità di comprensione applicate);
  • comprendere le principali metodologie di analisi e di progetto dei sistemi elettrici, nonché i relativi principi di funzionamento.

La verifica della capacità di apprendimento verrà effettuata tramite le prove d’esame, nonché sulla base delle discussioni tenute nell’ambito delle aule virtuali riguardanti gli esercizi svolti dal docente, nonché gli esercizi/questionari svolti in autonomia dallo studente stesso (Descrittore di Dublino 3, Autonomia di giudizio, Descrittore di Dublino 4, Abilità comunicative, Descrittore di Dublino 5, Capacità di apprendere: difatti, tramite la valutazione delle risposte errate al questionario, lo studente si rende conto di cosa non ha appreso e tramite le aule virtuali e l’esame, specialmente quello in sede che prevede sempre una parte orale, acquisisce abilità comunicative e capacità di apprendere).

L’Aula virtuale è costruita e pensata per venire incontro alle esigenze dello studente, mediante una interazione diretta con lo stesso, tale da poter eliminare i dubbi e le incertezze che si hanno di volta in volta.

Quest’ultima si svolge come una esercitazione/ricevimento frontale.

Programma

Componenti, circuiti, macchine, dispositivi e reti elettriche sono sempre più importanti in qualsiasi applicazione industriale, civile e informatica. Il corso ha come obiettivo quello di illustrare le principali tipologie di componenti, circuiti, macchine, dispositivi e reti elettriche. La finalità è quella di fornire allo studente le conoscenze di base che gli consentiranno di comprendere e dimensionare principali componenti di un circuito elettrico, di macchine, dispositivi e reti elettriche e di redigere e risolvere i relativi circuiti equivalenti. Verranno illustrate le principali metodologie di analisi e di progetto dei sistemi elettrici, nonché i relativi principi di funzionamento.

Modulo 0
Indicazioni per lo studio e lo svolgimento dell’esame.
Modulo 1

Grandezze elettriche fondamentali e loro legami: corrente elettrica, campo elettrico, tensione elettrica, generatore e bipolo resistore, misura delle principali grandezze elettriche e relativi strumenti (Lezione 1 Metodi e classificazioni dei sistemi elettrici, Lezione 2 Unità e strumenti di misura, Lezione 3 Grandezze elettriche e leggi fondamentali).

Modulo 2

Risoluzione delle reti elettriche lineari in corrente continua: principali metodi di risoluzione (Lezione 4 Bipoli generatori, Lezione 5 Bipolo resistore, Lezione 6 Circuiti).

Modulo 3

Reti elettriche capacitive: condensatore, reti capacitive a regime costante e fenomeni transitori (Lezione 9 Condensatore).

Modulo 4

Circuiti magnetici: grandezze magnetiche, induttanza, circuiti magnetici, circuiti elettrici e campi magnetici, fenomeni transitori (Lezione 10 Campo Magnetico e Induttore, Lezione 11 Analisi nel dominio della frequenza e metodo dei fasori, Lezione 12 Fasori e Potenza in alternata).

Modulo 5

Reti elettriche lineari in corrente alternata: regime sinusoidale, circuiti in corrente alternata monofase e sistemi trifase (Lezione 13 Circuiti R, L, C, RL, RC, LC, Lezione 14 circuiti RLC e risonanza, sistemi trifase).

Modulo 6

Approfondimento - Esercitazioni pratiche (Video su attività sperimentale (4 video che descrivono test di elettrotecnica, test del prototipo HOST veicolo a 4 motori ruota sterzanti a 90 ° drive by wire, con 120 kW di super condensatori, 10 kWh di batterie, generatore elettrico, e test di un autobus elettrico con range extender a idrogeno).

Modulo 7

Contiene una raccolta di più di 100 esercizi svolti divisi in 4 pdf secondo i relativi argomenti (circuiti in corrente continua, circuiti in corrente alternata, macchine/rifasamento/reti).

Modalità d'esame

L’esame si svolge in forma scritta nelle sedi esterne. Nella sede di Roma, dopo una prima parte scritta dell'esame, il docente chiede oralmente la domanda di teoria. La prova ha una durata di 120 minuti e, durante lo svolgimento della stessa è consentito esclusivamente l’uso di una calcolatrice non programmabile. L’esame consiste sia presso la sede di Roma che le altre sedi distaccate in un compito basato sugli esempi ed esercizi presenti nelle lezioni e nelle unità didattiche. La prova in particolare è composta da:

  • 1 domanda di teoria e semplici calcoli (grandezze, leggi, caratteristiche, etc. definite nelle lezioni e calcoli di resistenza/induttanza/capacità in circuiti e tensione/corrente/coppia e numero di giri in macchine elettriche), valutata 10,7 punti).
  • 1 esercizio per la risoluzione di circuiti in corrente continua (sistema di equazioni lineari, del tipo presenti nelle lezioni 7 e 8 per i circuiti in continua, valutato 10,7 punti).
  • 1 esercizio per la risoluzione di circuiti in corrente alternata (studio del circuito nel dominio del tempo presentato nelle lezioni 13 e 14 per i circuiti in alternata, valutato 10,7 punti).

In questo modo lo studente che risponde a tutte e 3 le parti perfettamente può raggiungere la votazione di 30 e lode (i.e. 32,1).

Le 3 parti sono divise in sotto parti con relativi punteggi in modo tale da rendere più imparziale possibile la valutazione del compito (e.g. le domande sono di solito 3-4 domande da 2 a 4 punti l’una; la risoluzione di esercizi prevede sempre prima 2 punti per la corretta individuazione di nodi e rami del circuito e relativo grafo, 3 punti per la scelta del metodo migliore di risoluzione, 3 per la correttezza delle equazioni, 2,7 per la correttezza dei risultati individuata o dal corretto bilanciamento delle potenze, i.e. potenze attive = potenze passive, o dal corretto disegno dei fasori).

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio del seguente testo:

  • Charles K. Alexander, Matthew N. O. Sadiku, Giambattista Gruosso, Circuiti elettrici, Ed. McGraw-Hill Education (contiene teoria ed esercizi svolti)

Si consiglia anche lo studio dei seguenti testi e siti web:

  • L. Olivieri e E. Ravelli, Fondamenti di ELETTROTECNICA ED ELETTRONICA, Ed. CEDAM scuola (principalmente teoria)
  • M. Guarnieri e A. Stella, Principi e applicazioni di ELETTROTECNICA, Ed. Progetto Padova (teoria con qualche esercizio)
  • F. Iliceto, Lezioni di ELETTROTECNICA volumi 1-2-3, Ed. Pàtron editore (libro datato di teoria ma molto esaustivo)
  • A. Geri e A. Salvini, Esercizi d´esame di ELETTROTECNICA, Ed. Progetto Leonard (raccolta di esercizi a basso costo ma difficile da trovare online e in libreria, alcune copie si possono trovare in consultazione presso la sede di via Plinio 44 in Biblioteca di ateneo e in laboratorio a Via Paolo Emilio 29)
  • Canova,G.Gruosso,M.Repetto Esercizi Elettrotecnica” di facile comprensione per agevolare la preparazione alla soluzione degli esercizi proposti
  • https://it.wikipedia.org/wiki/Elettrotecnica
  • http://digilander.libero.it/nando.marturano/Elettrotecnica/Corrente_Continua/indice_esercizi_eletrot_cc.htm
  • http://www.edutecnica.it/elettrotecnica.htm
  • http://www.scuolaelettrica.it/elettrotecnica/itis/svolti1/svolti1.htm

Per chi avesse lacune di base si consiglia di comprare un libro non universitario di facile lettura e basso costo: G. Conte Corso di elettrotecnica e macchine elettriche, Ed. Hoepli a patto che per il Modulo 7 (Impianti elettrici) e alcuni approfondimenti si faccia riferimento al materiale didattico del docente o ai libri di testo sopra menzionati.

Codice insegnamento UC63658

Elettrotecnica 2° anno · 6 CFU · IIET-01/A · 0 file
Archivio Globale

Al termine di questo corso, lo studente sarà in grado di: conoscere le principali tipologie di componenti, circuiti, macchine, dispositivi e reti elettriche (Descrittore di Dublino 1, Conoscenza e capacità di…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

  • conoscere le principali tipologie di componenti, circuiti, macchine, dispositivi e reti elettriche (Descrittore di Dublino 1, Conoscenza e capacità di comprensione);
  • conoscere i principi di base che gli consentiranno di dimensionare componenti di un circuito, macchine, dispositivi e reti elettriche e di redigere e risolvere i relativi circuiti equivalenti (capacità di applicare le conoscenze acquisite, Descrittore di Dublino 2, Conoscenza e capacità di comprensione applicate);
  • comprendere le principali metodologie di analisi e di progetto dei sistemi elettrici, nonché i relativi principi di funzionamento.

La verifica della capacità di apprendimento verrà effettuata tramite le prove d’esame, nonché sulla base delle discussioni tenute nell’ambito delle aule virtuali riguardanti gli esercizi svolti dal docente, nonché gli esercizi/questionari svolti in autonomia dallo studente stesso (Descrittore di Dublino 3, Autonomia di giudizio, Descrittore di Dublino 4, Abilità comunicative, Descrittore di Dublino 5, Capacità di apprendere: difatti, tramite la valutazione delle risposte errate al questionario, lo studente si rende conto di cosa non ha appreso e tramite le aule virtuali e l’esame, specialmente quello in sede che prevede sempre una parte orale, acquisisce abilità comunicative e capacità di apprendere).

L’Aula virtuale è costruita e pensata per venire incontro alle esigenze dello studente, mediante una interazione diretta con lo stesso, tale da poter eliminare i dubbi e le incertezze che si hanno di volta in volta.

Quest’ultima si svolge come una esercitazione/ricevimento frontale.

Programma

Componenti, circuiti, macchine, dispositivi e reti elettriche sono sempre più importanti in qualsiasi applicazione industriale, civile e informatica. Il corso ha come obiettivo quello di illustrare le principali tipologie di componenti, circuiti, macchine, dispositivi e reti elettriche. La finalità è quella di fornire allo studente le conoscenze di base che gli consentiranno di comprendere e dimensionare principali componenti di un circuito elettrico, di macchine, dispositivi e reti elettriche e di redigere e risolvere i relativi circuiti equivalenti. Verranno illustrate le principali metodologie di analisi e di progetto dei sistemi elettrici, nonché i relativi principi di funzionamento.

Modulo 0
Indicazioni per lo studio e lo svolgimento dell’esame.
Modulo 1

Grandezze elettriche fondamentali e loro legami: corrente elettrica, campo elettrico, tensione elettrica, generatore e bipolo resistore, misura delle principali grandezze elettriche e relativi strumenti (Lezione 1 Metodi e classificazioni dei sistemi elettrici, Lezione 2 Unità e strumenti di misura, Lezione 3 Grandezze elettriche e leggi fondamentali).

Modulo 2

Risoluzione delle reti elettriche lineari in corrente continua: principali metodi di risoluzione (Lezione 4 Bipoli generatori, Lezione 5 Bipolo resistore, Lezione 6 Circuiti).

Modulo 3

Reti elettriche capacitive: condensatore, reti capacitive a regime costante e fenomeni transitori (Lezione 9 Condensatore).

Modulo 4

Circuiti magnetici: grandezze magnetiche, induttanza, circuiti magnetici, circuiti elettrici e campi magnetici, fenomeni transitori (Lezione 10 Campo Magnetico e Induttore, Lezione 11 Analisi nel dominio della frequenza e metodo dei fasori, Lezione 12 Fasori e Potenza in alternata).

Modulo 5

Reti elettriche lineari in corrente alternata: regime sinusoidale, circuiti in corrente alternata monofase e sistemi trifase (Lezione 13 Circuiti R, L, C, RL, RC, LC, Lezione 14 circuiti RLC e risonanza, sistemi trifase).

Modulo 6

Approfondimento - Esercitazioni pratiche (Video su attività sperimentale (4 video che descrivono test di elettrotecnica, test del prototipo HOST veicolo a 4 motori ruota sterzanti a 90 ° drive by wire, con 120 kW di super condensatori, 10 kWh di batterie, generatore elettrico, e test di un autobus elettrico con range extender a idrogeno).

Modulo 7

Contiene una raccolta di più di 100 esercizi svolti divisi in 4 pdf secondo i relativi argomenti (circuiti in corrente continua, circuiti in corrente alternata, macchine/rifasamento/reti).

Modalità d'esame

L’esame si svolge in forma scritta nelle sedi esterne. Nella sede di Roma, dopo una prima parte scritta dell'esame, il docente chiede oralmente la domanda di teoria. La prova ha una durata di 120 minuti e, durante lo svolgimento della stessa è consentito esclusivamente l’uso di una calcolatrice non programmabile. L’esame consiste sia presso la sede di Roma che le altre sedi distaccate in un compito basato sugli esempi ed esercizi presenti nelle lezioni e nelle unità didattiche. La prova in particolare è composta da:

  • 1 domanda di teoria e semplici calcoli (grandezze, leggi, caratteristiche, etc. definite nelle lezioni e calcoli di resistenza/induttanza/capacità in circuiti e tensione/corrente/coppia e numero di giri in macchine elettriche), valutata 10,7 punti).
  • 1 esercizio per la risoluzione di circuiti in corrente continua (sistema di equazioni lineari, del tipo presenti nelle lezioni 7 e 8 per i circuiti in continua, valutato 10,7 punti).
  • 1 esercizio per la risoluzione di circuiti in corrente alternata (studio del circuito nel dominio del tempo presentato nelle lezioni 13 e 14 per i circuiti in alternata, valutato 10,7 punti).

In questo modo lo studente che risponde a tutte e 3 le parti perfettamente può raggiungere la votazione di 30 e lode (i.e. 32,1).

Le 3 parti sono divise in sotto parti con relativi punteggi in modo tale da rendere più imparziale possibile la valutazione del compito (e.g. le domande sono di solito 3-4 domande da 2 a 4 punti l’una; la risoluzione di esercizi prevede sempre prima 2 punti per la corretta individuazione di nodi e rami del circuito e relativo grafo, 3 punti per la scelta del metodo migliore di risoluzione, 3 per la correttezza delle equazioni, 2,7 per la correttezza dei risultati individuata o dal corretto bilanciamento delle potenze, i.e. potenze attive = potenze passive, o dal corretto disegno dei fasori).

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio del seguente testo:

  • Charles K. Alexander, Matthew N. O. Sadiku, Giambattista Gruosso, Circuiti elettrici, Ed. McGraw-Hill Education (contiene teoria ed esercizi svolti)

Si consiglia anche lo studio dei seguenti testi e siti web:

  • L. Olivieri e E. Ravelli, Fondamenti di ELETTROTECNICA ED ELETTRONICA, Ed. CEDAM scuola (principalmente teoria)
  • M. Guarnieri e A. Stella, Principi e applicazioni di ELETTROTECNICA, Ed. Progetto Padova (teoria con qualche esercizio)
  • F. Iliceto, Lezioni di ELETTROTECNICA volumi 1-2-3, Ed. Pàtron editore (libro datato di teoria ma molto esaustivo)
  • A. Geri e A. Salvini, Esercizi d´esame di ELETTROTECNICA, Ed. Progetto Leonard (raccolta di esercizi a basso costo ma difficile da trovare online e in libreria, alcune copie si possono trovare in consultazione presso la sede di via Plinio 44 in Biblioteca di ateneo e in laboratorio a Via Paolo Emilio 29)
  • Canova,G.Gruosso,M.Repetto Esercizi Elettrotecnica” di facile comprensione per agevolare la preparazione alla soluzione degli esercizi proposti
  • https://it.wikipedia.org/wiki/Elettrotecnica
  • http://digilander.libero.it/nando.marturano/Elettrotecnica/Corrente_Continua/indice_esercizi_eletrot_cc.htm
  • http://www.edutecnica.it/elettrotecnica.htm
  • http://www.scuolaelettrica.it/elettrotecnica/itis/svolti1/svolti1.htm

Per chi avesse lacune di base si consiglia di comprare un libro non universitario di facile lettura e basso costo: G. Conte Corso di elettrotecnica e macchine elettriche, Ed. Hoepli a patto che per il Modulo 7 (Impianti elettrici) e alcuni approfondimenti si faccia riferimento al materiale didattico del docente o ai libri di testo sopra menzionati.

Codice insegnamento UC63698

Elettrotecnica 2° anno · 6 CFU · IIET-01/A · 0 file
Archivio Globale

Al termine di questo corso, lo studente sarà in grado di: conoscere le principali tipologie di componenti, circuiti, macchine, dispositivi e reti elettriche (Descrittore di Dublino 1, Conoscenza e capacità di…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

  • conoscere le principali tipologie di componenti, circuiti, macchine, dispositivi e reti elettriche (Descrittore di Dublino 1, Conoscenza e capacità di comprensione);
  • conoscere i principi di base che gli consentiranno di dimensionare componenti di un circuito, macchine, dispositivi e reti elettriche e di redigere e risolvere i relativi circuiti equivalenti (capacità di applicare le conoscenze acquisite, Descrittore di Dublino 2, Conoscenza e capacità di comprensione applicate);
  • comprendere le principali metodologie di analisi e di progetto dei sistemi elettrici, nonché i relativi principi di funzionamento.

La verifica della capacità di apprendimento verrà effettuata tramite le prove d’esame, nonché sulla base delle discussioni tenute nell’ambito delle aule virtuali riguardanti gli esercizi svolti dal docente, nonché gli esercizi/questionari svolti in autonomia dallo studente stesso (Descrittore di Dublino 3, Autonomia di giudizio, Descrittore di Dublino 4, Abilità comunicative, Descrittore di Dublino 5, Capacità di apprendere: difatti, tramite la valutazione delle risposte errate al questionario, lo studente si rende conto di cosa non ha appreso e tramite le aule virtuali e l’esame, specialmente quello in sede che prevede sempre una parte orale, acquisisce abilità comunicative e capacità di apprendere).

L’Aula virtuale è costruita e pensata per venire incontro alle esigenze dello studente, mediante una interazione diretta con lo stesso, tale da poter eliminare i dubbi e le incertezze che si hanno di volta in volta.

Quest’ultima si svolge come una esercitazione/ricevimento frontale.

Programma

Componenti, circuiti, macchine, dispositivi e reti elettriche sono sempre più importanti in qualsiasi applicazione industriale, civile e informatica. Il corso ha come obiettivo quello di illustrare le principali tipologie di componenti, circuiti, macchine, dispositivi e reti elettriche. La finalità è quella di fornire allo studente le conoscenze di base che gli consentiranno di comprendere e dimensionare principali componenti di un circuito elettrico, di macchine, dispositivi e reti elettriche e di redigere e risolvere i relativi circuiti equivalenti. Verranno illustrate le principali metodologie di analisi e di progetto dei sistemi elettrici, nonché i relativi principi di funzionamento.

Modulo 0
Indicazioni per lo studio e lo svolgimento dell’esame.
Modulo 1

Grandezze elettriche fondamentali e loro legami: corrente elettrica, campo elettrico, tensione elettrica, generatore e bipolo resistore, misura delle principali grandezze elettriche e relativi strumenti (Lezione 1 Metodi e classificazioni dei sistemi elettrici, Lezione 2 Unità e strumenti di misura, Lezione 3 Grandezze elettriche e leggi fondamentali).

Modulo 2

Risoluzione delle reti elettriche lineari in corrente continua: principali metodi di risoluzione (Lezione 4 Bipoli generatori, Lezione 5 Bipolo resistore, Lezione 6 Circuiti).

Modulo 3

Reti elettriche capacitive: condensatore, reti capacitive a regime costante e fenomeni transitori (Lezione 9 Condensatore).

Modulo 4

Circuiti magnetici: grandezze magnetiche, induttanza, circuiti magnetici, circuiti elettrici e campi magnetici, fenomeni transitori (Lezione 10 Campo Magnetico e Induttore, Lezione 11 Analisi nel dominio della frequenza e metodo dei fasori, Lezione 12 Fasori e Potenza in alternata).

Modulo 5

Reti elettriche lineari in corrente alternata: regime sinusoidale, circuiti in corrente alternata monofase e sistemi trifase (Lezione 13 Circuiti R, L, C, RL, RC, LC, Lezione 14 circuiti RLC e risonanza, sistemi trifase).

Modulo 6

Approfondimento - Esercitazioni pratiche (Video su attività sperimentale (4 video che descrivono test di elettrotecnica, test del prototipo HOST veicolo a 4 motori ruota sterzanti a 90 ° drive by wire, con 120 kW di super condensatori, 10 kWh di batterie, generatore elettrico, e test di un autobus elettrico con range extender a idrogeno).

Modulo 7

Contiene una raccolta di più di 100 esercizi svolti divisi in 4 pdf secondo i relativi argomenti (circuiti in corrente continua, circuiti in corrente alternata, macchine/rifasamento/reti).

Modalità d'esame

L’esame si svolge in forma scritta nelle sedi esterne. Nella sede di Roma, dopo una prima parte scritta dell'esame, il docente chiede oralmente la domanda di teoria. La prova ha una durata di 120 minuti e, durante lo svolgimento della stessa è consentito esclusivamente l’uso di una calcolatrice non programmabile. L’esame consiste sia presso la sede di Roma che le altre sedi distaccate in un compito basato sugli esempi ed esercizi presenti nelle lezioni e nelle unità didattiche. La prova in particolare è composta da:

  • 1 domanda di teoria e semplici calcoli (grandezze, leggi, caratteristiche, etc. definite nelle lezioni e calcoli di resistenza/induttanza/capacità in circuiti e tensione/corrente/coppia e numero di giri in macchine elettriche), valutata 10,7 punti).
  • 1 esercizio per la risoluzione di circuiti in corrente continua (sistema di equazioni lineari, del tipo presenti nelle lezioni 7 e 8 per i circuiti in continua, valutato 10,7 punti).
  • 1 esercizio per la risoluzione di circuiti in corrente alternata (studio del circuito nel dominio del tempo presentato nelle lezioni 13 e 14 per i circuiti in alternata, valutato 10,7 punti).

In questo modo lo studente che risponde a tutte e 3 le parti perfettamente può raggiungere la votazione di 30 e lode (i.e. 32,1).

Le 3 parti sono divise in sotto parti con relativi punteggi in modo tale da rendere più imparziale possibile la valutazione del compito (e.g. le domande sono di solito 3-4 domande da 2 a 4 punti l’una; la risoluzione di esercizi prevede sempre prima 2 punti per la corretta individuazione di nodi e rami del circuito e relativo grafo, 3 punti per la scelta del metodo migliore di risoluzione, 3 per la correttezza delle equazioni, 2,7 per la correttezza dei risultati individuata o dal corretto bilanciamento delle potenze, i.e. potenze attive = potenze passive, o dal corretto disegno dei fasori).

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio del seguente testo:

  • Charles K. Alexander, Matthew N. O. Sadiku, Giambattista Gruosso, Circuiti elettrici, Ed. McGraw-Hill Education (contiene teoria ed esercizi svolti)

Si consiglia anche lo studio dei seguenti testi e siti web:

  • L. Olivieri e E. Ravelli, Fondamenti di ELETTROTECNICA ED ELETTRONICA, Ed. CEDAM scuola (principalmente teoria)
  • M. Guarnieri e A. Stella, Principi e applicazioni di ELETTROTECNICA, Ed. Progetto Padova (teoria con qualche esercizio)
  • F. Iliceto, Lezioni di ELETTROTECNICA volumi 1-2-3, Ed. Pàtron editore (libro datato di teoria ma molto esaustivo)
  • A. Geri e A. Salvini, Esercizi d´esame di ELETTROTECNICA, Ed. Progetto Leonard (raccolta di esercizi a basso costo ma difficile da trovare online e in libreria, alcune copie si possono trovare in consultazione presso la sede di via Plinio 44 in Biblioteca di ateneo e in laboratorio a Via Paolo Emilio 29)
  • Canova,G.Gruosso,M.Repetto Esercizi Elettrotecnica” di facile comprensione per agevolare la preparazione alla soluzione degli esercizi proposti
  • https://it.wikipedia.org/wiki/Elettrotecnica
  • http://digilander.libero.it/nando.marturano/Elettrotecnica/Corrente_Continua/indice_esercizi_eletrot_cc.htm
  • http://www.edutecnica.it/elettrotecnica.htm
  • http://www.scuolaelettrica.it/elettrotecnica/itis/svolti1/svolti1.htm

Per chi avesse lacune di base si consiglia di comprare un libro non universitario di facile lettura e basso costo: G. Conte Corso di elettrotecnica e macchine elettriche, Ed. Hoepli a patto che per il Modulo 7 (Impianti elettrici) e alcuni approfondimenti si faccia riferimento al materiale didattico del docente o ai libri di testo sopra menzionati.

Codice insegnamento UC63736

Fondamenti di Cybersecurity 2° anno · 6 CFU · IINF-05/A · 0 file

Il corso di Fondamenti di cybersecurity fornisce una formazione completa e pratica su una vasta gamma di argomenti correlati alla sicurezza informatica. Conoscenza e comprensione Gli attacchi informatici stanno…

Scheda dell'insegnamento

Obiettivi formativi

Il corso di Fondamenti di cybersecurity fornisce una formazione completa e pratica su una vasta gamma di argomenti correlati alla sicurezza informatica.
Conoscenza e comprensione
Gli attacchi informatici stanno diventando sempre più frequenti, complessi e mirati, con un costo collettivo di miliardi di euro ogni anno. Questo è il motivo per cui la sicurezza informatica è uno dei settori in più rapida crescita nei paesi europei, poiché ogni anno sempre più aziende e agenzie governative cercano di assumere professionisti della sicurezza informatica con le competenze tecniche specializzate necessarie per difendere i sistemi informatici, le reti e le applicazioni cloud mission-critical dagli attacchi informatici.
I principali obiettivi del corso:

  • conoscere gli aspetti difensivi e offensivi della tecnologia;
  • riconoscere le diverse forme di attacco informatico;
  • conoscere i modelli di intelligence per la gestione delle minacce;
  • conoscere e studiare le diverse forme di attacco, le tattiche, le procedure e le strategie di difesa;
  • avviare alla programmazione di rete, scrivendo codice per gestire porte, socket, attacchi, creando sonde;
  • conoscere i malware, i ransomware;
  • implementare le strategie di difesa (tattiche, tecniche, procedure);
  • realizzare programmi di base per la difesa delle infrastrutture informatiche delle organizzazioni;
  • esprimere con opportuno linguaggio gli argomenti del corso.

Le conoscenze acquisite creano le condizioni di base poter avviare le pratiche di Ethical Hacking ovvero di figure professionali che riescono ad intercettare situazioni anomali nei sistemi digitali; applicando i modelli concettuali studiati possono costruire procedure finalizzate alla difesa di sistemi digitali, sviluppando script in autonomia per l’intercettazione di anomalie. Pertanto, al termine del corso lo studente sarà in grado di classificare ed individuare i tipi di attacchi informatici, indirizzando e costruendo le procedure di difesa avvalendosi di framework solidi e costantemente aggiornati. Il corso conduce lo studente allo sviluppo di competenze e conoscenze trasversali: sistemistiche, di programmazione e di analisi (primi passi verso la cyber intelligence).

Programma

La sicurezza informatica, nota anche come cybersecurity (cybersicurezza) o sicurezza delle informazioni, è il campo che si occupa della protezione di sistemi informatici, reti, programmi e dati da accessi non autorizzati, danni o attacchi. L’obiettivo principale della sicurezza informatica consiste nel garantire la confidenzialità, l’integrità e la disponibilità delle informazioni, l’autenticazione o verifica dell’identità di un utente o di un sistema, l’autorizzazione che stabilisce cosa un utente può fare all’interno di un sistema. La crittografia, ovvero l’uso di algoritmi matematici per proteggere i dati durante la trasmissione o l’archiviazione, la presenza di firewall ovvero di quei dispositivi o quei software che monitorano e controllano il traffico di rete, bloccando o permettendo il passaggio in base a regole di sicurezza predefinite, l’utilizzo di antivirus ed antimalware, software progettati per prevenire, rivelare e debellare virus, nonché proteggere i sistemi informatici da minacce esterne o interne rientrano a pieno titolo nelle dotazioni culturali di un esperto di cybersicurezza. Nel contesto delle minacce digitali la Pianificazione della sicurezza, ovvero la definizione di politiche e procedure di sicurezza, oltre a un piano di risposta agli incidenti, per affrontare minacce potenziali o incidenti di sicurezza è essenziale per rispondere con tempestività agli attacchi. Il corso di Fondamenti di Cybersecurity (FCY) è cruciale per diversi motivi, considerando il sempre crescente ruolo delle tecnologie digitali nelle nostre vite personali e professionali.

  • Protezione delle Informazioni Sensibili: Con sempre più dati personali e aziendali archiviati digitalmente, è fondamentale proteggere queste informazioni da accessi non autorizzati, furto, manipolazione o distruzione. La cyber sicurezza aiuta a garantire la confidenzialità e l'integrità di queste informazioni.
  • Prevenzione degli Attacchi Informatici: Gli attacchi informatici, come malware, ransomware, phishing e attacchi DDoS, sono sempre più sofisticati. Studiare la cyber sicurezza fornisce le competenze necessarie per comprendere, prevenire e rispondere a tali minacce.
  • Protezione delle Infrastrutture Critiche: Molte infrastrutture critiche, come reti elettriche, sistemi di trasporto e servizi sanitari, dipendono fortemente dalla tecnologia. La cybersicurezza è fondamentale per evitare il potenziale danneggiamento o il blocco di queste infrastrutture da parte di attacchi informatici.
  • Difesa Aziendale: Le organizzazioni affrontano costantemente minacce alla sicurezza informatica, che possono portare a perdite finanziarie, danni reputazionali e interruzioni delle operazioni aziendali. Gli esperti in cybersicurezza sono essenziali per proteggere le organizzazioni da queste minacce.
  • Conformità Normativa: Molte industrie sono soggette a regolamentazioni e leggi riguardanti la protezione dei dati e la sicurezza informatica. Gli esperti in cybersicurezza aiutano le organizzazioni a conformarsi a tali normative riducendo il rischio di sanzioni legali.
  • Crescita Professionale: La domanda di professionisti della cybersicurezza è in costante aumento. Studiare la cybersicurezza può offrire opportunità di carriera interessanti e ben remunerate in un campo in espansione.
  • Consapevolezza Personale: Con l'aumentare delle minacce online, la consapevolezza personale della sicurezza informatica è diventata essenziale. Gli individui possono applicare le conoscenze acquisite nello studio della cybersicurezza per proteggere le proprie informazioni personali online.

Un esperto di cybersicurezza diventa vettore di legalità, sentinella delle autostrade digitali, sempre più essenziale nel mondo del lavoro, nelle aziende, e pertanto si deve dotare di strumenti per ideare soluzioni creative sviluppando algoritmi con molteplici linguaggi.
Nella cybersicurezza, la programmazione è essenziale per implementare algoritmi e soluzioni di difesa. Diversi linguaggi di programmazione possono essere utilizzati a seconda delle esigenze specifiche del progetto in particolare Python, noto per la sua facilità di apprendimento e leggibilità del codice che è in grado di offrire un vasto ecosistema di librerie e framework che possono essere utilizzati per implementare algoritmi di sicurezza. È ampiamente utilizzato per scripting, automazione e sviluppo di strumenti di sicurezza nel mondo del lavoro. Il linguaggio Python sarà utilizzato per costruire algoritmi in questo corso, ma non mancheranno riferimenti ad altri linguaggi come assembly o script shell.

Modulo I - Cyber Threat Intelligence

1. Area Competitiva

  • Il cyberspazio
  • I sistemi, le applicazioni ed il cloud
  • Cybersecurity
  • Cyberstrategy nelle organizzazioni

2. Hacking

  • Hacking: distinzione tra comportamenti etici e malevoli
  • Chi è l’Hacker
  • Quali sono gli obiettivi degli Hacker Etici e Advs
  • Riservatezza, Integrità e Disponibilità (CIA)
  • Approfondimenti su Integrità: checksum & funzione hash
  • I vettori di attacco e la superficie di attacco

3. Basics of Intelligence

  • Le fasi dell’Intelligence
  • OODA Modello decisionale
  • Intelligence life cycle

4. Security Posture

  • Incident Response (IR)
  • Controllo centralizzato: SOC

5. Threat Actors Mindset

  • Fasi di attacco: la Kill Chain (KC)
  • Modello di analisi delle Intrusioni: Diamond Model
  • Framework di Cybersecurity: Mitre ATT&CK, D3FEND
  • Active Defence e F3EAD

Modulo II - Cyber Operazionale

6. Questione di traffico - Parte I

  • La Trasmissione dei dati
  • Librerie di Programmazione

7. Questione di traffico - Parte II

  • Catturare il Traffico (ARP Spoofing)
  • Mac spoofing

8. Tecniche avanzate di sicurezza di rete: dalla scansione alla difesa contro HiJacking e scraping

  • Realizzare uno scanner di rete
  • Domani HIJacking: detect data scraping

9. Tecniche e script per la sicurezza dei sistemi DNS

  • Il DNS
  • Attacchi al DNS

10. Processi, socket, porte: difendersi dagli attacchi

  • Processi connessi alla rete: socket, porte

11. Strumenti e Tecniche di Penetrazione: Scansioni SYN e XMAS, Reverse Shell ed Nmap

  • Attacchi
  • Reverse shell, Nmap e Botnet

12. Principi e difesa del protocollo DHCP: comprendere e contrastare attacchi DHCP e hijacking di sessioni

  • DHCP server
  • Session HIJACKING

13. Web applications

  • Architettura di una web application
  • SOP: Same Origin Policy

14. OWASP

  • Sql Injection
  • Broken Authentication
  • Sensitive Data Exposure
  • XML external entities
  • Broken Access Control

15. Introduzione al Malware e analisi avanzata: dal Portable Executable alle DLL

  • I malware
  • Malware analysis
  • Portable Executable
  • DLL

Modalità d'esame

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze per l’analisi dei problemi complessi, una conoscenza di base sulle funzionalità e sui principali elementi degli strumenti introdotti in tale processo. Verrà valutata anche la capacità di ipotizzare soluzioni innovative per migliorare i processi di innovazione. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve inoltre dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.

L’esame si svolge in forma scritta. Il punteggio della prova è espresso in trentesimi.

La prova scritta ha una durata massima di 120 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso.

La prova scritta consiste in domande a risposta aperta sugli argomenti specifici del corso, nella stesura di programmi nel linguaggio di programmazione utilizzato nel corso in relazione alla cybersicurezza. Le domande sono formulate sia per argomenti più teorici sia per argomenti più pratici che prevedono la risoluzione di situazioni proprie di Incidenti di sicurezza. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali relativi alla cyber intelligence, agli attacchi, ai malware che possono insidiare una organizzazione reale.

L’esame, è finalizzato anche a valutare l’autonomia di giudizio, l’abilità nel rappresentare e risolvere i problemi di cybersicurezza e la capacità di apprendere degli studenti.

Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

-
della capacità di apprendere e quindi di esporre l’argomento richiesto mostrando un’attitudine a risolvere nuove sfide;

-
della padronanza di linguaggio dello studente;

-
della capacità di applicare architetture, funzionalità o strumenti alla risoluzione di problemi reali e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente, è obbligatorio lo studio dei seguenti testi:

  • Intelligence Driven Incident Respose (Cap. 1, 2 e 3) [il testo è disponibile nel modulo Testi di Riferimento della sezione materiale didattico]
  • Cybersecurity – Attack and defense Strategies (Cap. 1, 2 e 3, 4 fino a pag 67) [il testo è disponibile nel modulo Testi di Riferimento della sezione materiale didattico]
  • Pubblicazione NIST: 2024 NIST Incident Response Recommendations and Considerations for Cybersecurity Risk Management [il testo è disponibile nel modulo Testi di Riferimento della sezione materiale didattico]
  • A Threat-Driven Approach to Cyber [il testo è disponibile nel modulo Testi di Riferimento della sezione materiale didattico]
  • The Diamond Model of Intrusion Analysis [il testo è disponibile nel modulo Testi di Riferimento della sezione materiale didattico]
  • Practical Malware Analisys» di Michael Sikorski e Andrew Honing (Cap. 0 e 1)
  • Python and Ethical hacking di Tony Chan (Cap 1,2,3)
  • Ethical Hacking - a Hands-on Introduction to breaking in, di Daniel G. Graham (Cap 1,2,3,4)
  • Riferimenti per linguaggio Python: Guida alla sintassi, alle funzionalità avanzate e all’analisi dei dati – Apogeo di Naomi Ceder

Testi di approfondimento:

  • Awesome OSINT(Open-Source Intelligence) [il testo è disponibile nel modulo Testi di Riferimento della sezione materiale didattico]
  • NMAP by Goverdhan [il testo è disponibile nel modulo Testi di Riferimento della sezione materiale didattico]
  • NMAP Commands [il testo è disponibile nel modulo Testi di Riferimento della sezione materiale didattico]
  • OWASP Top 10-2017 [il testo è disponibile nel modulo Testi di Riferimento della sezione materiale didattico]
  • The Unified Kill Chain [il testo è disponibile nel modulo Testi di Riferimento della sezione materiale didattico]

Codice insegnamento UC63647

Fondamenti di Cybersecurity 2° anno · 6 CFU · IINF-05/A · 0 file

Il corso di Fondamenti di cybersecurity fornisce una formazione completa e pratica su una vasta gamma di argomenti correlati alla sicurezza informatica. Conoscenza e comprensione Gli attacchi informatici stanno…

Scheda dell'insegnamento

Obiettivi formativi

Il corso di Fondamenti di cybersecurity fornisce una formazione completa e pratica su una vasta gamma di argomenti correlati alla sicurezza informatica.
Conoscenza e comprensione
Gli attacchi informatici stanno diventando sempre più frequenti, complessi e mirati, con un costo collettivo di miliardi di euro ogni anno. Questo è il motivo per cui la sicurezza informatica è uno dei settori in più rapida crescita nei paesi europei, poiché ogni anno sempre più aziende e agenzie governative cercano di assumere professionisti della sicurezza informatica con le competenze tecniche specializzate necessarie per difendere i sistemi informatici, le reti e le applicazioni cloud mission-critical dagli attacchi informatici.
I principali obiettivi del corso:

  • conoscere gli aspetti difensivi e offensivi della tecnologia;
  • riconoscere le diverse forme di attacco informatico;
  • conoscere i modelli di intelligence per la gestione delle minacce;
  • conoscere e studiare le diverse forme di attacco, le tattiche, le procedure e le strategie di difesa;
  • avviare alla programmazione di rete, scrivendo codice per gestire porte, socket, attacchi, creando sonde;
  • conoscere i malware, i ransomware;
  • implementare le strategie di difesa (tattiche, tecniche, procedure);
  • realizzare programmi di base per la difesa delle infrastrutture informatiche delle organizzazioni;
  • esprimere con opportuno linguaggio gli argomenti del corso.

Le conoscenze acquisite creano le condizioni di base poter avviare le pratiche di Ethical Hacking ovvero di figure professionali che riescono ad intercettare situazioni anomali nei sistemi digitali; applicando i modelli concettuali studiati possono costruire procedure finalizzate alla difesa di sistemi digitali, sviluppando script in autonomia per l’intercettazione di anomalie. Pertanto, al termine del corso lo studente sarà in grado di classificare ed individuare i tipi di attacchi informatici, indirizzando e costruendo le procedure di difesa avvalendosi di framework solidi e costantemente aggiornati. Il corso conduce lo studente allo sviluppo di competenze e conoscenze trasversali: sistemistiche, di programmazione e di analisi (primi passi verso la cyber intelligence).

Programma

La sicurezza informatica, nota anche come cybersecurity (cybersicurezza) o sicurezza delle informazioni, è il campo che si occupa della protezione di sistemi informatici, reti, programmi e dati da accessi non autorizzati, danni o attacchi. L’obiettivo principale della sicurezza informatica consiste nel garantire la confidenzialità, l’integrità e la disponibilità delle informazioni, l’autenticazione o verifica dell’identità di un utente o di un sistema, l’autorizzazione che stabilisce cosa un utente può fare all’interno di un sistema. La crittografia, ovvero l’uso di algoritmi matematici per proteggere i dati durante la trasmissione o l’archiviazione, la presenza di firewall ovvero di quei dispositivi o quei software che monitorano e controllano il traffico di rete, bloccando o permettendo il passaggio in base a regole di sicurezza predefinite, l’utilizzo di antivirus ed antimalware, software progettati per prevenire, rivelare e debellare virus, nonché proteggere i sistemi informatici da minacce esterne o interne rientrano a pieno titolo nelle dotazioni culturali di un esperto di cybersicurezza. Nel contesto delle minacce digitali la Pianificazione della sicurezza, ovvero la definizione di politiche e procedure di sicurezza, oltre a un piano di risposta agli incidenti, per affrontare minacce potenziali o incidenti di sicurezza è essenziale per rispondere con tempestività agli attacchi. Il corso di Fondamenti di Cybersecurity (FCY) è cruciale per diversi motivi, considerando il sempre crescente ruolo delle tecnologie digitali nelle nostre vite personali e professionali.

  • Protezione delle Informazioni Sensibili: Con sempre più dati personali e aziendali archiviati digitalmente, è fondamentale proteggere queste informazioni da accessi non autorizzati, furto, manipolazione o distruzione. La cyber sicurezza aiuta a garantire la confidenzialità e l'integrità di queste informazioni.
  • Prevenzione degli Attacchi Informatici: Gli attacchi informatici, come malware, ransomware, phishing e attacchi DDoS, sono sempre più sofisticati. Studiare la cyber sicurezza fornisce le competenze necessarie per comprendere, prevenire e rispondere a tali minacce.
  • Protezione delle Infrastrutture Critiche: Molte infrastrutture critiche, come reti elettriche, sistemi di trasporto e servizi sanitari, dipendono fortemente dalla tecnologia. La cybersicurezza è fondamentale per evitare il potenziale danneggiamento o il blocco di queste infrastrutture da parte di attacchi informatici.
  • Difesa Aziendale: Le organizzazioni affrontano costantemente minacce alla sicurezza informatica, che possono portare a perdite finanziarie, danni reputazionali e interruzioni delle operazioni aziendali. Gli esperti in cybersicurezza sono essenziali per proteggere le organizzazioni da queste minacce.
  • Conformità Normativa: Molte industrie sono soggette a regolamentazioni e leggi riguardanti la protezione dei dati e la sicurezza informatica. Gli esperti in cybersicurezza aiutano le organizzazioni a conformarsi a tali normative riducendo il rischio di sanzioni legali.
  • Crescita Professionale: La domanda di professionisti della cybersicurezza è in costante aumento. Studiare la cybersicurezza può offrire opportunità di carriera interessanti e ben remunerate in un campo in espansione.
  • Consapevolezza Personale: Con l'aumentare delle minacce online, la consapevolezza personale della sicurezza informatica è diventata essenziale. Gli individui possono applicare le conoscenze acquisite nello studio della cybersicurezza per proteggere le proprie informazioni personali online.

Un esperto di cybersicurezza diventa vettore di legalità, sentinella delle autostrade digitali, sempre più essenziale nel mondo del lavoro, nelle aziende, e pertanto si deve dotare di strumenti per ideare soluzioni creative sviluppando algoritmi con molteplici linguaggi.
Nella cybersicurezza, la programmazione è essenziale per implementare algoritmi e soluzioni di difesa. Diversi linguaggi di programmazione possono essere utilizzati a seconda delle esigenze specifiche del progetto in particolare Python, noto per la sua facilità di apprendimento e leggibilità del codice che è in grado di offrire un vasto ecosistema di librerie e framework che possono essere utilizzati per implementare algoritmi di sicurezza. È ampiamente utilizzato per scripting, automazione e sviluppo di strumenti di sicurezza nel mondo del lavoro. Il linguaggio Python sarà utilizzato per costruire algoritmi in questo corso, ma non mancheranno riferimenti ad altri linguaggi come assembly o script shell.

Modulo I - Cyber Threat Intelligence

1. Area Competitiva

  • Il cyberspazio
  • I sistemi, le applicazioni ed il cloud
  • Cybersecurity
  • Cyberstrategy nelle organizzazioni

2. Hacking

  • Hacking: distinzione tra comportamenti etici e malevoli
  • Chi è l’Hacker
  • Quali sono gli obiettivi degli Hacker Etici e Advs
  • Riservatezza, Integrità e Disponibilità (CIA)
  • Approfondimenti su Integrità: checksum & funzione hash
  • I vettori di attacco e la superficie di attacco

3. Basics of Intelligence

  • Le fasi dell’Intelligence
  • OODA Modello decisionale
  • Intelligence life cycle

4. Security Posture

  • Incident Response (IR)
  • Controllo centralizzato: SOC

5. Threat Actors Mindset

  • Fasi di attacco: la Kill Chain (KC)
  • Modello di analisi delle Intrusioni: Diamond Model
  • Framework di Cybersecurity: Mitre ATT&CK, D3FEND
  • Active Defence e F3EAD

Modulo II - Cyber Operazionale

6. Questione di traffico - Parte I

  • La Trasmissione dei dati
  • Librerie di Programmazione

7. Questione di traffico - Parte II

  • Catturare il Traffico (ARP Spoofing)
  • Mac spoofing

8. Tecniche avanzate di sicurezza di rete: dalla scansione alla difesa contro HiJacking e scraping

  • Realizzare uno scanner di rete
  • Domani HIJacking: detect data scraping

9. Tecniche e script per la sicurezza dei sistemi DNS

  • Il DNS
  • Attacchi al DNS

10. Processi, socket, porte: difendersi dagli attacchi

  • Processi connessi alla rete: socket, porte

11. Strumenti e Tecniche di Penetrazione: Scansioni SYN e XMAS, Reverse Shell ed Nmap

  • Attacchi
  • Reverse shell, Nmap e Botnet

12. Principi e difesa del protocollo DHCP: comprendere e contrastare attacchi DHCP e hijacking di sessioni

  • DHCP server
  • Session HIJACKING

13. Web applications

  • Architettura di una web application
  • SOP: Same Origin Policy

14. OWASP

  • Sql Injection
  • Broken Authentication
  • Sensitive Data Exposure
  • XML external entities
  • Broken Access Control

15. Introduzione al Malware e analisi avanzata: dal Portable Executable alle DLL

  • I malware
  • Malware analysis
  • Portable Executable
  • DLL

Modalità d'esame

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze per l’analisi dei problemi complessi, una conoscenza di base sulle funzionalità e sui principali elementi degli strumenti introdotti in tale processo. Verrà valutata anche la capacità di ipotizzare soluzioni innovative per migliorare i processi di innovazione. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve inoltre dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.

L’esame si svolge in forma scritta. Il punteggio della prova è espresso in trentesimi.

La prova scritta ha una durata massima di 120 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso.

La prova scritta consiste in domande a risposta aperta sugli argomenti specifici del corso, nella stesura di programmi nel linguaggio di programmazione utilizzato nel corso in relazione alla cybersicurezza. Le domande sono formulate sia per argomenti più teorici sia per argomenti più pratici che prevedono la risoluzione di situazioni proprie di Incidenti di sicurezza. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali relativi alla cyber intelligence, agli attacchi, ai malware che possono insidiare una organizzazione reale.

L’esame, è finalizzato anche a valutare l’autonomia di giudizio, l’abilità nel rappresentare e risolvere i problemi di cybersicurezza e la capacità di apprendere degli studenti.

Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

-
della capacità di apprendere e quindi di esporre l’argomento richiesto mostrando un’attitudine a risolvere nuove sfide;

-
della padronanza di linguaggio dello studente;

-
della capacità di applicare architetture, funzionalità o strumenti alla risoluzione di problemi reali e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente, è obbligatorio lo studio dei seguenti testi:

  • Intelligence Driven Incident Respose (Cap. 1, 2 e 3) [il testo è disponibile nel modulo Testi di Riferimento della sezione materiale didattico]
  • Cybersecurity – Attack and defense Strategies (Cap. 1, 2 e 3, 4 fino a pag 67) [il testo è disponibile nel modulo Testi di Riferimento della sezione materiale didattico]
  • Pubblicazione NIST: 2024 NIST Incident Response Recommendations and Considerations for Cybersecurity Risk Management [il testo è disponibile nel modulo Testi di Riferimento della sezione materiale didattico]
  • A Threat-Driven Approach to Cyber [il testo è disponibile nel modulo Testi di Riferimento della sezione materiale didattico]
  • The Diamond Model of Intrusion Analysis [il testo è disponibile nel modulo Testi di Riferimento della sezione materiale didattico]
  • Practical Malware Analisys» di Michael Sikorski e Andrew Honing (Cap. 0 e 1)
  • Python and Ethical hacking di Tony Chan (Cap 1,2,3)
  • Ethical Hacking - a Hands-on Introduction to breaking in, di Daniel G. Graham (Cap 1,2,3,4)
  • Riferimenti per linguaggio Python: Guida alla sintassi, alle funzionalità avanzate e all’analisi dei dati – Apogeo di Naomi Ceder

Testi di approfondimento:

  • Awesome OSINT(Open-Source Intelligence) [il testo è disponibile nel modulo Testi di Riferimento della sezione materiale didattico]
  • NMAP by Goverdhan [il testo è disponibile nel modulo Testi di Riferimento della sezione materiale didattico]
  • NMAP Commands [il testo è disponibile nel modulo Testi di Riferimento della sezione materiale didattico]
  • OWASP Top 10-2017 [il testo è disponibile nel modulo Testi di Riferimento della sezione materiale didattico]
  • The Unified Kill Chain [il testo è disponibile nel modulo Testi di Riferimento della sezione materiale didattico]

Codice insegnamento UC63687

Fondamenti di Cybersecurity 2° anno · 6 CFU · IINF-05/A · 0 file

Il corso di Fondamenti di cybersecurity fornisce una formazione completa e pratica su una vasta gamma di argomenti correlati alla sicurezza informatica. Conoscenza e comprensione Gli attacchi informatici stanno…

Scheda dell'insegnamento

Obiettivi formativi

Il corso di Fondamenti di cybersecurity fornisce una formazione completa e pratica su una vasta gamma di argomenti correlati alla sicurezza informatica.
Conoscenza e comprensione
Gli attacchi informatici stanno diventando sempre più frequenti, complessi e mirati, con un costo collettivo di miliardi di euro ogni anno. Questo è il motivo per cui la sicurezza informatica è uno dei settori in più rapida crescita nei paesi europei, poiché ogni anno sempre più aziende e agenzie governative cercano di assumere professionisti della sicurezza informatica con le competenze tecniche specializzate necessarie per difendere i sistemi informatici, le reti e le applicazioni cloud mission-critical dagli attacchi informatici.
I principali obiettivi del corso:

  • conoscere gli aspetti difensivi e offensivi della tecnologia;
  • riconoscere le diverse forme di attacco informatico;
  • conoscere i modelli di intelligence per la gestione delle minacce;
  • conoscere e studiare le diverse forme di attacco, le tattiche, le procedure e le strategie di difesa;
  • avviare alla programmazione di rete, scrivendo codice per gestire porte, socket, attacchi, creando sonde;
  • conoscere i malware, i ransomware;
  • implementare le strategie di difesa (tattiche, tecniche, procedure);
  • realizzare programmi di base per la difesa delle infrastrutture informatiche delle organizzazioni;
  • esprimere con opportuno linguaggio gli argomenti del corso.

Le conoscenze acquisite creano le condizioni di base poter avviare le pratiche di Ethical Hacking ovvero di figure professionali che riescono ad intercettare situazioni anomali nei sistemi digitali; applicando i modelli concettuali studiati possono costruire procedure finalizzate alla difesa di sistemi digitali, sviluppando script in autonomia per l’intercettazione di anomalie. Pertanto, al termine del corso lo studente sarà in grado di classificare ed individuare i tipi di attacchi informatici, indirizzando e costruendo le procedure di difesa avvalendosi di framework solidi e costantemente aggiornati. Il corso conduce lo studente allo sviluppo di competenze e conoscenze trasversali: sistemistiche, di programmazione e di analisi (primi passi verso la cyber intelligence).

Programma

La sicurezza informatica, nota anche come cybersecurity (cybersicurezza) o sicurezza delle informazioni, è il campo che si occupa della protezione di sistemi informatici, reti, programmi e dati da accessi non autorizzati, danni o attacchi. L’obiettivo principale della sicurezza informatica consiste nel garantire la confidenzialità, l’integrità e la disponibilità delle informazioni, l’autenticazione o verifica dell’identità di un utente o di un sistema, l’autorizzazione che stabilisce cosa un utente può fare all’interno di un sistema. La crittografia, ovvero l’uso di algoritmi matematici per proteggere i dati durante la trasmissione o l’archiviazione, la presenza di firewall ovvero di quei dispositivi o quei software che monitorano e controllano il traffico di rete, bloccando o permettendo il passaggio in base a regole di sicurezza predefinite, l’utilizzo di antivirus ed antimalware, software progettati per prevenire, rivelare e debellare virus, nonché proteggere i sistemi informatici da minacce esterne o interne rientrano a pieno titolo nelle dotazioni culturali di un esperto di cybersicurezza. Nel contesto delle minacce digitali la Pianificazione della sicurezza, ovvero la definizione di politiche e procedure di sicurezza, oltre a un piano di risposta agli incidenti, per affrontare minacce potenziali o incidenti di sicurezza è essenziale per rispondere con tempestività agli attacchi. Il corso di Fondamenti di Cybersecurity (FCY) è cruciale per diversi motivi, considerando il sempre crescente ruolo delle tecnologie digitali nelle nostre vite personali e professionali.

  • Protezione delle Informazioni Sensibili: Con sempre più dati personali e aziendali archiviati digitalmente, è fondamentale proteggere queste informazioni da accessi non autorizzati, furto, manipolazione o distruzione. La cyber sicurezza aiuta a garantire la confidenzialità e l'integrità di queste informazioni.
  • Prevenzione degli Attacchi Informatici: Gli attacchi informatici, come malware, ransomware, phishing e attacchi DDoS, sono sempre più sofisticati. Studiare la cyber sicurezza fornisce le competenze necessarie per comprendere, prevenire e rispondere a tali minacce.
  • Protezione delle Infrastrutture Critiche: Molte infrastrutture critiche, come reti elettriche, sistemi di trasporto e servizi sanitari, dipendono fortemente dalla tecnologia. La cybersicurezza è fondamentale per evitare il potenziale danneggiamento o il blocco di queste infrastrutture da parte di attacchi informatici.
  • Difesa Aziendale: Le organizzazioni affrontano costantemente minacce alla sicurezza informatica, che possono portare a perdite finanziarie, danni reputazionali e interruzioni delle operazioni aziendali. Gli esperti in cybersicurezza sono essenziali per proteggere le organizzazioni da queste minacce.
  • Conformità Normativa: Molte industrie sono soggette a regolamentazioni e leggi riguardanti la protezione dei dati e la sicurezza informatica. Gli esperti in cybersicurezza aiutano le organizzazioni a conformarsi a tali normative riducendo il rischio di sanzioni legali.
  • Crescita Professionale: La domanda di professionisti della cybersicurezza è in costante aumento. Studiare la cybersicurezza può offrire opportunità di carriera interessanti e ben remunerate in un campo in espansione.
  • Consapevolezza Personale: Con l'aumentare delle minacce online, la consapevolezza personale della sicurezza informatica è diventata essenziale. Gli individui possono applicare le conoscenze acquisite nello studio della cybersicurezza per proteggere le proprie informazioni personali online.

Un esperto di cybersicurezza diventa vettore di legalità, sentinella delle autostrade digitali, sempre più essenziale nel mondo del lavoro, nelle aziende, e pertanto si deve dotare di strumenti per ideare soluzioni creative sviluppando algoritmi con molteplici linguaggi.
Nella cybersicurezza, la programmazione è essenziale per implementare algoritmi e soluzioni di difesa. Diversi linguaggi di programmazione possono essere utilizzati a seconda delle esigenze specifiche del progetto in particolare Python, noto per la sua facilità di apprendimento e leggibilità del codice che è in grado di offrire un vasto ecosistema di librerie e framework che possono essere utilizzati per implementare algoritmi di sicurezza. È ampiamente utilizzato per scripting, automazione e sviluppo di strumenti di sicurezza nel mondo del lavoro. Il linguaggio Python sarà utilizzato per costruire algoritmi in questo corso, ma non mancheranno riferimenti ad altri linguaggi come assembly o script shell.

Modulo I - Cyber Threat Intelligence

1. Area Competitiva

  • Il cyberspazio
  • I sistemi, le applicazioni ed il cloud
  • Cybersecurity
  • Cyberstrategy nelle organizzazioni

2. Hacking

  • Hacking: distinzione tra comportamenti etici e malevoli
  • Chi è l’Hacker
  • Quali sono gli obiettivi degli Hacker Etici e Advs
  • Riservatezza, Integrità e Disponibilità (CIA)
  • Approfondimenti su Integrità: checksum & funzione hash
  • I vettori di attacco e la superficie di attacco

3. Basics of Intelligence

  • Le fasi dell’Intelligence
  • OODA Modello decisionale
  • Intelligence life cycle

4. Security Posture

  • Incident Response (IR)
  • Controllo centralizzato: SOC

5. Threat Actors Mindset

  • Fasi di attacco: la Kill Chain (KC)
  • Modello di analisi delle Intrusioni: Diamond Model
  • Framework di Cybersecurity: Mitre ATT&CK, D3FEND
  • Active Defence e F3EAD

Modulo II - Cyber Operazionale

6. Questione di traffico - Parte I

  • La Trasmissione dei dati
  • Librerie di Programmazione

7. Questione di traffico - Parte II

  • Catturare il Traffico (ARP Spoofing)
  • Mac spoofing

8. Tecniche avanzate di sicurezza di rete: dalla scansione alla difesa contro HiJacking e scraping

  • Realizzare uno scanner di rete
  • Domani HIJacking: detect data scraping

9. Tecniche e script per la sicurezza dei sistemi DNS

  • Il DNS
  • Attacchi al DNS

10. Processi, socket, porte: difendersi dagli attacchi

  • Processi connessi alla rete: socket, porte

11. Strumenti e Tecniche di Penetrazione: Scansioni SYN e XMAS, Reverse Shell ed Nmap

  • Attacchi
  • Reverse shell, Nmap e Botnet

12. Principi e difesa del protocollo DHCP: comprendere e contrastare attacchi DHCP e hijacking di sessioni

  • DHCP server
  • Session HIJACKING

13. Web applications

  • Architettura di una web application
  • SOP: Same Origin Policy

14. OWASP

  • Sql Injection
  • Broken Authentication
  • Sensitive Data Exposure
  • XML external entities
  • Broken Access Control

15. Introduzione al Malware e analisi avanzata: dal Portable Executable alle DLL

  • I malware
  • Malware analysis
  • Portable Executable
  • DLL

Modalità d'esame

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze per l’analisi dei problemi complessi, una conoscenza di base sulle funzionalità e sui principali elementi degli strumenti introdotti in tale processo. Verrà valutata anche la capacità di ipotizzare soluzioni innovative per migliorare i processi di innovazione. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve inoltre dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.

L’esame si svolge in forma scritta. Il punteggio della prova è espresso in trentesimi.

La prova scritta ha una durata massima di 120 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso.

La prova scritta consiste in domande a risposta aperta sugli argomenti specifici del corso, nella stesura di programmi nel linguaggio di programmazione utilizzato nel corso in relazione alla cybersicurezza. Le domande sono formulate sia per argomenti più teorici sia per argomenti più pratici che prevedono la risoluzione di situazioni proprie di Incidenti di sicurezza. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali relativi alla cyber intelligence, agli attacchi, ai malware che possono insidiare una organizzazione reale.

L’esame, è finalizzato anche a valutare l’autonomia di giudizio, l’abilità nel rappresentare e risolvere i problemi di cybersicurezza e la capacità di apprendere degli studenti.

Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

-
della capacità di apprendere e quindi di esporre l’argomento richiesto mostrando un’attitudine a risolvere nuove sfide;

-
della padronanza di linguaggio dello studente;

-
della capacità di applicare architetture, funzionalità o strumenti alla risoluzione di problemi reali e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente, è obbligatorio lo studio dei seguenti testi:

  • Intelligence Driven Incident Respose (Cap. 1, 2 e 3) [il testo è disponibile nel modulo Testi di Riferimento della sezione materiale didattico]
  • Cybersecurity – Attack and defense Strategies (Cap. 1, 2 e 3, 4 fino a pag 67) [il testo è disponibile nel modulo Testi di Riferimento della sezione materiale didattico]
  • Pubblicazione NIST: 2024 NIST Incident Response Recommendations and Considerations for Cybersecurity Risk Management [il testo è disponibile nel modulo Testi di Riferimento della sezione materiale didattico]
  • A Threat-Driven Approach to Cyber [il testo è disponibile nel modulo Testi di Riferimento della sezione materiale didattico]
  • The Diamond Model of Intrusion Analysis [il testo è disponibile nel modulo Testi di Riferimento della sezione materiale didattico]
  • Practical Malware Analisys» di Michael Sikorski e Andrew Honing (Cap. 0 e 1)
  • Python and Ethical hacking di Tony Chan (Cap 1,2,3)
  • Ethical Hacking - a Hands-on Introduction to breaking in, di Daniel G. Graham (Cap 1,2,3,4)
  • Riferimenti per linguaggio Python: Guida alla sintassi, alle funzionalità avanzate e all’analisi dei dati – Apogeo di Naomi Ceder

Testi di approfondimento:

  • Awesome OSINT(Open-Source Intelligence) [il testo è disponibile nel modulo Testi di Riferimento della sezione materiale didattico]
  • NMAP by Goverdhan [il testo è disponibile nel modulo Testi di Riferimento della sezione materiale didattico]
  • NMAP Commands [il testo è disponibile nel modulo Testi di Riferimento della sezione materiale didattico]
  • OWASP Top 10-2017 [il testo è disponibile nel modulo Testi di Riferimento della sezione materiale didattico]
  • The Unified Kill Chain [il testo è disponibile nel modulo Testi di Riferimento della sezione materiale didattico]

Codice insegnamento UC63725

Fondamenti di Intelligenza Artificiale 2° anno · 6 CFU · IINF-05/A · 0 file

1. Conoscenza e comprensione Comprendere l’importanza dell’utilizzo dell’intelligenza artificiale. Comprendere la visione ad agenti e conoscere i problemi di ricerca e le differenti strategie. Comprendere la logica e i…

Scheda dell'insegnamento

Obiettivi formativi

1. Conoscenza e comprensione

  • Comprendere l’importanza dell’utilizzo dell’intelligenza artificiale.
  • Comprendere la visione ad agenti e conoscere i problemi di ricerca e le differenti strategie.
  • Comprendere la logica e i principali formalismi di rappresentazione della conoscenza.
  • Conoscere le principali modelli, approcci e algoritmi di apprendimento automatico.
  • Comprendere i passi necessari per l’elaborazione automatica del testo e il processo di generazione di nuovi contenuti.
  • Comprendere le principali preoccupazioni e i maggiori impatti etici dell'AI.

2. Capacità di applicare conoscenze e comprensione

  • Costruire rappresentazioni del mondo, usare un processo di inferenza per derivare nuove rappresentazioni del mondo e realizzazione di agenti con conoscenza del mondo e capacità di ragionare sui possibili modi di agire.
  • Realizzare semplici soluzioni usando apprendimento automatico e reti neurali profonde.
  • Realizzare semplici soluzioni per processare testo o per generare nuovi contenuti.

3. Competenze trasversali

  • Sviluppare autonomia di giudizio nel valutare l'uso di soluzioni di intelligenza artificiale.
  • Comunicare efficacemente idee e di problemi basati su tecniche di intelligenza artificiale, sia in forma scritta che orale, e partecipare attivamente a discussioni e presentazioni.
  • Esercitare capacità di apprendimento autonomo attraverso la riflessione sulle proprie esperienze e l'acquisizione di nuove conoscenze di AI tramite metodologie di ricerca sia qualitative che quantitative.
  • Valutare continuamente la propria crescita e sviluppo professionale nel campo dell'intelligenza artificiale.

Programma

Il corso si propone di fornire i fondamenti delle metodologie e delle tecniche, degli approcci simbolici, dei modelli discriminativi e generativi dell’apprendimento automatico fino alle architetture neurali generative, per comprendere ed affrontare le problematiche dell’Intelligenza artificiale.

Gli studenti acquisiranno i fondamenti teorici degli agenti intelligenti e le loro interazioni con l’ambiente circostante; la risoluzione di problemi e le strategie di ricerca. Verranno forniti i concetti fondamentali della logica, l’inferenza e la deduzione e i formalismi di rappresentazione della conoscenza. Saranno introdotti i concetti di base dell’apprendimento automatico discriminativo e generativo.

Gli studenti acquisiranno anche i concetti introduttivi delle reti neurali profonde. Si introdurrà l’elaborazione del linguaggio naturale, le metodologie per il processamento del testo e il processo di generazione dei nuovi contenuti. Infine, si descriveranno le principali preoccupazioni e implicazioni etiche dell’intelligenza artificiale.

Modulo 1: Introduzione

  • Fondamenti di AI: iniziamo da AI

Modulo 2: Agenti intelligenti e risoluzione di problemi

  • Agenti intelligenti
  • Problem solving risolvere i problemi con la ricerca
  • Risolvere i problemi con la ricerca usare una strategia
  • Problema di soddisfacimento di vincoli (lezione facoltativa)

Modulo 3: Conoscenza e ragionamento

  • Conoscenza, ragionamento e pianificazione agenti basati su conoscenza
  • A cosa serve la logica?
  • Rappresentazione della conoscenza
  • Conoscenza incerta e ragionamento in condizioni di incertezza (lezione facoltativa)

Modulo 4: Apprendimento automatico e Deep Learning

  • Apprendimento automatico
  • Apprendimento automatico: approcci all’apprendimento
  • Apprendimento automatico: modelli probabilistici e reti neurali (lezione facoltativa)
  • Storia dell’AI e del Deep Learning
  • Deep Learning: componenti e tipologie
  • Deep Learning: multi-layer perceptrons (lezione facoltativa)

Modulo 5: NLP e generazione di nuovi contenuti

  • Natural language processing (NLP)
  • Natural language processing (NLP): come elaboriamo il testo (lezione facoltativa)
  • Large language model
  • Generative AI

Modulo 6: Etica

  • Etica: nella società dell'AI

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta e/o orale. Il punteggio della prova è espresso in trentesimi.
La prova scritta consiste in domande con diversa natura: aperta, a risposta multipla e esercizi sugli argomenti specifici del corso. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali relativi all’intelligenza artificiale e tutti i metodi, le metodologie e tecnologie che permettono di risolvere semplici task di AI. Viene richiesta la capacità dello studente di applicare tali conoscenze tramite la descrizione di soluzioni, funzionalità e strumenti implementati in scenari reali e attualmente in uso. La prova scritta ha una durata massima di 90 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.
L’esame è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.
Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto; mostrando un’attitudine a risolvere nuove sfide;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare approcci, metodi, funzionalità o strumenti alla risoluzione di problemi e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze per l’analisi dei problemi complessi, una conoscenza di base sulle funzionalità e sui principali elementi degli strumenti introdotti in tale processo. Verrà valutata anche la capacità di ipotizzare soluzioni innovative per migliorare i processi e le soluzioni di AI. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve inoltre dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è suggerito lo studio dei seguenti testi:

  • Intelligenza artificiale Un approccio moderno Volume 1 Quarta edizione Stuart Russell, Peter Norvig a cura di Francesco Amigoni
  • Intelligenza artificiale Un approccio moderno Volume 2 Quarta edizione Stuart Russell, Peter Norvig a cura di Francesco Amigoni

Nella versione inglese:

  • Artificial Intelligence A Modern Approach Third Edition Stuart Russell and Peter Norvig

Codice insegnamento UC63648

Fondamenti di Intelligenza Artificiale 2° anno · 6 CFU · IINF-05/A · 0 file

1. Conoscenza e comprensione Comprendere l’importanza dell’utilizzo dell’intelligenza artificiale. Comprendere la visione ad agenti e conoscere i problemi di ricerca e le differenti strategie. Comprendere la logica e i…

Scheda dell'insegnamento

Obiettivi formativi

1. Conoscenza e comprensione

  • Comprendere l’importanza dell’utilizzo dell’intelligenza artificiale.
  • Comprendere la visione ad agenti e conoscere i problemi di ricerca e le differenti strategie.
  • Comprendere la logica e i principali formalismi di rappresentazione della conoscenza.
  • Conoscere le principali modelli, approcci e algoritmi di apprendimento automatico.
  • Comprendere i passi necessari per l’elaborazione automatica del testo e il processo di generazione di nuovi contenuti.
  • Comprendere le principali preoccupazioni e i maggiori impatti etici dell'AI.

2. Capacità di applicare conoscenze e comprensione

  • Costruire rappresentazioni del mondo, usare un processo di inferenza per derivare nuove rappresentazioni del mondo e realizzazione di agenti con conoscenza del mondo e capacità di ragionare sui possibili modi di agire.
  • Realizzare semplici soluzioni usando apprendimento automatico e reti neurali profonde.
  • Realizzare semplici soluzioni per processare testo o per generare nuovi contenuti.

3. Competenze trasversali

  • Sviluppare autonomia di giudizio nel valutare l'uso di soluzioni di intelligenza artificiale.
  • Comunicare efficacemente idee e di problemi basati su tecniche di intelligenza artificiale, sia in forma scritta che orale, e partecipare attivamente a discussioni e presentazioni.
  • Esercitare capacità di apprendimento autonomo attraverso la riflessione sulle proprie esperienze e l'acquisizione di nuove conoscenze di AI tramite metodologie di ricerca sia qualitative che quantitative.
  • Valutare continuamente la propria crescita e sviluppo professionale nel campo dell'intelligenza artificiale.

Programma

Il corso si propone di fornire i fondamenti delle metodologie e delle tecniche, degli approcci simbolici, dei modelli discriminativi e generativi dell’apprendimento automatico fino alle architetture neurali generative, per comprendere ed affrontare le problematiche dell’Intelligenza artificiale.

Gli studenti acquisiranno i fondamenti teorici degli agenti intelligenti e le loro interazioni con l’ambiente circostante; la risoluzione di problemi e le strategie di ricerca. Verranno forniti i concetti fondamentali della logica, l’inferenza e la deduzione e i formalismi di rappresentazione della conoscenza. Saranno introdotti i concetti di base dell’apprendimento automatico discriminativo e generativo.

Gli studenti acquisiranno anche i concetti introduttivi delle reti neurali profonde. Si introdurrà l’elaborazione del linguaggio naturale, le metodologie per il processamento del testo e il processo di generazione dei nuovi contenuti. Infine, si descriveranno le principali preoccupazioni e implicazioni etiche dell’intelligenza artificiale.

Modulo 1: Introduzione

  • Fondamenti di AI: iniziamo da AI

Modulo 2: Agenti intelligenti e risoluzione di problemi

  • Agenti intelligenti
  • Problem solving risolvere i problemi con la ricerca
  • Risolvere i problemi con la ricerca usare una strategia
  • Problema di soddisfacimento di vincoli (lezione facoltativa)

Modulo 3: Conoscenza e ragionamento

  • Conoscenza, ragionamento e pianificazione agenti basati su conoscenza
  • A cosa serve la logica?
  • Rappresentazione della conoscenza
  • Conoscenza incerta e ragionamento in condizioni di incertezza (lezione facoltativa)

Modulo 4: Apprendimento automatico e Deep Learning

  • Apprendimento automatico
  • Apprendimento automatico: approcci all’apprendimento
  • Apprendimento automatico: modelli probabilistici e reti neurali (lezione facoltativa)
  • Storia dell’AI e del Deep Learning
  • Deep Learning: componenti e tipologie
  • Deep Learning: multi-layer perceptrons (lezione facoltativa)

Modulo 5: NLP e generazione di nuovi contenuti

  • Natural language processing (NLP)
  • Natural language processing (NLP): come elaboriamo il testo (lezione facoltativa)
  • Large language model
  • Generative AI

Modulo 6: Etica

  • Etica: nella società dell'AI

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta e/o orale. Il punteggio della prova è espresso in trentesimi.
La prova scritta consiste in domande con diversa natura: aperta, a risposta multipla e esercizi sugli argomenti specifici del corso. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali relativi all’intelligenza artificiale e tutti i metodi, le metodologie e tecnologie che permettono di risolvere semplici task di AI. Viene richiesta la capacità dello studente di applicare tali conoscenze tramite la descrizione di soluzioni, funzionalità e strumenti implementati in scenari reali e attualmente in uso. La prova scritta ha una durata massima di 90 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.
L’esame è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.
Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto; mostrando un’attitudine a risolvere nuove sfide;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare approcci, metodi, funzionalità o strumenti alla risoluzione di problemi e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze per l’analisi dei problemi complessi, una conoscenza di base sulle funzionalità e sui principali elementi degli strumenti introdotti in tale processo. Verrà valutata anche la capacità di ipotizzare soluzioni innovative per migliorare i processi e le soluzioni di AI. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve inoltre dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è suggerito lo studio dei seguenti testi:

  • Intelligenza artificiale Un approccio moderno Volume 1 Quarta edizione Stuart Russell, Peter Norvig a cura di Francesco Amigoni
  • Intelligenza artificiale Un approccio moderno Volume 2 Quarta edizione Stuart Russell, Peter Norvig a cura di Francesco Amigoni

Nella versione inglese:

  • Artificial Intelligence A Modern Approach Third Edition Stuart Russell and Peter Norvig

Codice insegnamento UC63688

Fondamenti di Intelligenza Artificiale 2° anno · 6 CFU · IINF-05/A · 0 file

1. Conoscenza e comprensione Comprendere l’importanza dell’utilizzo dell’intelligenza artificiale. Comprendere la visione ad agenti e conoscere i problemi di ricerca e le differenti strategie. Comprendere la logica e i…

Scheda dell'insegnamento

Obiettivi formativi

1. Conoscenza e comprensione

  • Comprendere l’importanza dell’utilizzo dell’intelligenza artificiale.
  • Comprendere la visione ad agenti e conoscere i problemi di ricerca e le differenti strategie.
  • Comprendere la logica e i principali formalismi di rappresentazione della conoscenza.
  • Conoscere le principali modelli, approcci e algoritmi di apprendimento automatico.
  • Comprendere i passi necessari per l’elaborazione automatica del testo e il processo di generazione di nuovi contenuti.
  • Comprendere le principali preoccupazioni e i maggiori impatti etici dell'AI.

2. Capacità di applicare conoscenze e comprensione

  • Costruire rappresentazioni del mondo, usare un processo di inferenza per derivare nuove rappresentazioni del mondo e realizzazione di agenti con conoscenza del mondo e capacità di ragionare sui possibili modi di agire.
  • Realizzare semplici soluzioni usando apprendimento automatico e reti neurali profonde.
  • Realizzare semplici soluzioni per processare testo o per generare nuovi contenuti.

3. Competenze trasversali

  • Sviluppare autonomia di giudizio nel valutare l'uso di soluzioni di intelligenza artificiale.
  • Comunicare efficacemente idee e di problemi basati su tecniche di intelligenza artificiale, sia in forma scritta che orale, e partecipare attivamente a discussioni e presentazioni.
  • Esercitare capacità di apprendimento autonomo attraverso la riflessione sulle proprie esperienze e l'acquisizione di nuove conoscenze di AI tramite metodologie di ricerca sia qualitative che quantitative.
  • Valutare continuamente la propria crescita e sviluppo professionale nel campo dell'intelligenza artificiale.

Programma

Il corso si propone di fornire i fondamenti delle metodologie e delle tecniche, degli approcci simbolici, dei modelli discriminativi e generativi dell’apprendimento automatico fino alle architetture neurali generative, per comprendere ed affrontare le problematiche dell’Intelligenza artificiale.

Gli studenti acquisiranno i fondamenti teorici degli agenti intelligenti e le loro interazioni con l’ambiente circostante; la risoluzione di problemi e le strategie di ricerca. Verranno forniti i concetti fondamentali della logica, l’inferenza e la deduzione e i formalismi di rappresentazione della conoscenza. Saranno introdotti i concetti di base dell’apprendimento automatico discriminativo e generativo.

Gli studenti acquisiranno anche i concetti introduttivi delle reti neurali profonde. Si introdurrà l’elaborazione del linguaggio naturale, le metodologie per il processamento del testo e il processo di generazione dei nuovi contenuti. Infine, si descriveranno le principali preoccupazioni e implicazioni etiche dell’intelligenza artificiale.

Modulo 1: Introduzione

  • Fondamenti di AI: iniziamo da AI

Modulo 2: Agenti intelligenti e risoluzione di problemi

  • Agenti intelligenti
  • Problem solving risolvere i problemi con la ricerca
  • Risolvere i problemi con la ricerca usare una strategia
  • Problema di soddisfacimento di vincoli (lezione facoltativa)

Modulo 3: Conoscenza e ragionamento

  • Conoscenza, ragionamento e pianificazione agenti basati su conoscenza
  • A cosa serve la logica?
  • Rappresentazione della conoscenza
  • Conoscenza incerta e ragionamento in condizioni di incertezza (lezione facoltativa)

Modulo 4: Apprendimento automatico e Deep Learning

  • Apprendimento automatico
  • Apprendimento automatico: approcci all’apprendimento
  • Apprendimento automatico: modelli probabilistici e reti neurali (lezione facoltativa)
  • Storia dell’AI e del Deep Learning
  • Deep Learning: componenti e tipologie
  • Deep Learning: multi-layer perceptrons (lezione facoltativa)

Modulo 5: NLP e generazione di nuovi contenuti

  • Natural language processing (NLP)
  • Natural language processing (NLP): come elaboriamo il testo (lezione facoltativa)
  • Large language model
  • Generative AI

Modulo 6: Etica

  • Etica: nella società dell'AI

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta e/o orale. Il punteggio della prova è espresso in trentesimi.
La prova scritta consiste in domande con diversa natura: aperta, a risposta multipla e esercizi sugli argomenti specifici del corso. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali relativi all’intelligenza artificiale e tutti i metodi, le metodologie e tecnologie che permettono di risolvere semplici task di AI. Viene richiesta la capacità dello studente di applicare tali conoscenze tramite la descrizione di soluzioni, funzionalità e strumenti implementati in scenari reali e attualmente in uso. La prova scritta ha una durata massima di 90 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.
L’esame è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.
Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto; mostrando un’attitudine a risolvere nuove sfide;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare approcci, metodi, funzionalità o strumenti alla risoluzione di problemi e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze per l’analisi dei problemi complessi, una conoscenza di base sulle funzionalità e sui principali elementi degli strumenti introdotti in tale processo. Verrà valutata anche la capacità di ipotizzare soluzioni innovative per migliorare i processi e le soluzioni di AI. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve inoltre dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è suggerito lo studio dei seguenti testi:

  • Intelligenza artificiale Un approccio moderno Volume 1 Quarta edizione Stuart Russell, Peter Norvig a cura di Francesco Amigoni
  • Intelligenza artificiale Un approccio moderno Volume 2 Quarta edizione Stuart Russell, Peter Norvig a cura di Francesco Amigoni

Nella versione inglese:

  • Artificial Intelligence A Modern Approach Third Edition Stuart Russell and Peter Norvig

Codice insegnamento UC63726

Fondamenti di Machine Learning 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso lo studente sarà in grado di: Conoscenza e comprensione Conoscere i concetti base e padroneggiare la terminologia del Machine Learning. Conoscere quali sono i principali modelli di Machine…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso lo studente sarà in grado di:

Conoscenza e comprensione

  • Conoscere i concetti base e padroneggiare la terminologia del Machine Learning.
  • Conoscere quali sono i principali modelli di Machine Learning.
  • Comprendere come funzionano i principali modelli di Machine Learning.
  • Conoscere e comprendere l’importanza e le applicazioni reali degli algoritmi di Machine Learning.

Capacità di applicare conoscenze e comprensione

  • Imparare a scrivere algoritmi di Machine Learning utilizzando il framework scikit-learn.
  • Imparare le principali funzionalità di scikit-learn per sviluppare modelli di Machine Learning.
  • Imparare ad applicare a seconda del contesto e tipologia di dato l’algoritmo corretto di Machine Learning.
  • Imparare a formulare un problema affinché sia possibile risolverlo tramite modelli di Machine Learning.

Competenze trasversali

  • Esprimere con linguaggio opportuno gli argomenti del corso.
  • Saper valutare a seconda del caso d’uso se un algoritmo di Machine Learning può essere la soluzione al problema.
  • Valutare in autonomia svantaggi e vantaggi dei principali algoritmi di Machine Learning a seconda del dominio.
  • Comprendere cos’è l’Intelligenza Artificiale e come si colloca il Machine Learning nel suo insieme.
  • Comprendere come scrivere del codice per sviluppare soluzioni di Machine Learning.

Programma

Il corso di Machine Learning ha la finalità di consentire agli studenti di comprendere questa importante classe di algoritmi che stanno via via diventando onnipresenti nell'informatica e nel ramo dell’Intelligenza Artificiale. Il corso mira a far conoscere allo studente i principali concetti di Machine Learning analizzando le applicazioni ed il funzionamento. Il corso è strutturato per fornire delle solide basi teoriche sulle quali si basano I correnti algoritmi allo stato dell’arte. Il corso consentirà allo studente di padroneggiare i principali modelli di Machine Learning sia da un punto di vista teorico che pratico.

Lezione 1: Machine learning

  • Introduzione al machine learning e contesto stoico. Panoramica sul campo del Machine Learning e delle sue applicazioni.

Lezione 2: Fondamenti di matematica

  • Revisione dei concetti matematici fondamentali: algebra lineare, probabilità, statistica, derivate e funzioni, utili per comprendere gli algoritmi di ML.

Lezione 3: Dataset e metriche

  • Introduzione ai dataset: struttura, pulizia e gestione. Analisi delle metriche per valutare e selezionare modelli e prestazioni.

Lezione 4: Addestramento supervisionato

  • Spiegazione del paradigma supervisionato: apprendimento da dati etichettati e introduzione ai principali algoritmi: KNN, Regressione Lineare, con spiegazione di overfitting

Lezione 5: Alberi di decisione

  • Studio degli alberi decisionali: logica, costruzione e interpretabilità dei modelli gerarchici. Overfitting nel contesto degli alberi di decisione. Combinare diversi alberi insieme per l’apprendimento d’insieme

Lezione 6: Classificazione

  • Tecniche e modelli per problemi di classificazione binaria. Introduzione del concetto di loss, regressione logistica e naive bayes.

Lezione 7: Reti neurali

  • Introduzione alle reti neurali artificiali: struttura, funzionamento dei neuroni e architetture base.

Lezione 8: Addestramento delle reti neurali

  • Approfondimento su backpropagation, funzioni di costo, ottimizzazione dei pesi e regolarizzazione durante l'addestramento.

Lezione 9: SVM (Support Vector Machines)

  • Analisi delle macchine a vettori di supporto per classificazione e regressione: margini, kernel e separabilità.

Lezione 10: Addestramento non supervisionato

  • Esplorazione del machine learning non supervisionato: clustering, riduzione dimensionale.

Lezione 11: Machine Learning in pratica

  • Applicazione pratica dei concetti appresi: pipeline ML con utilizzo su notebook, valutazione su casi reali e buone pratiche operative.

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta e/o orale. Il punteggio della prova è espresso in trentesimi.
La prova scritta consiste in domande a risposta aperta sugli argomenti specifici del corso. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali di Machine Learning esposti durante le lezioni. La prova scritta ha una durata di 120 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.
Nel caso in cui l’esame venisse svolto in forma orale, esso consiste in un colloquio frontale sugli argomenti trattati nel corso. Durante la prova orale verrà richiesto agli studenti di esporre gli argomenti trattati durante il corso, al fine di verificare la capacità di apprendimento dei concetti di Deep Learning. La prova orale ha una durata media di 30 minuti.
L’esame, in entrambe le forme, è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.
Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto; mostrando un’attitudine a risolvere nuovi problemi;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare modelli e concetti di Machine Learning per la risoluzione di problemi reali e valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Verrà valutata la capacità dello studente di generalizzare quanto appreso nel corso su nuovi domini e tematiche, approfondendo argomenti tangenti al corso dal punto di vista teorico o pratico.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente e ai materiali didattici pubblicati in piattaforma, è consigliato lo studio dei seguenti testi:

  • Mitchell – Machine Learning, McGraw-Hill, 1997
  • Bishop – Pattern Recognition and Machine Learning, Springer, 2006
  • Bishop e Bishop– Deep Learning, Foundations and Concepts, Springer, 2023

Codice insegnamento UC63653

Fondamenti di Machine Learning 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso lo studente sarà in grado di: Conoscenza e comprensione Conoscere i concetti base e padroneggiare la terminologia del Machine Learning. Conoscere quali sono i principali modelli di Machine…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso lo studente sarà in grado di:

Conoscenza e comprensione

  • Conoscere i concetti base e padroneggiare la terminologia del Machine Learning.
  • Conoscere quali sono i principali modelli di Machine Learning.
  • Comprendere come funzionano i principali modelli di Machine Learning.
  • Conoscere e comprendere l’importanza e le applicazioni reali degli algoritmi di Machine Learning.

Capacità di applicare conoscenze e comprensione

  • Imparare a scrivere algoritmi di Machine Learning utilizzando il framework scikit-learn.
  • Imparare le principali funzionalità di scikit-learn per sviluppare modelli di Machine Learning.
  • Imparare ad applicare a seconda del contesto e tipologia di dato l’algoritmo corretto di Machine Learning.
  • Imparare a formulare un problema affinché sia possibile risolverlo tramite modelli di Machine Learning.

Competenze trasversali

  • Esprimere con linguaggio opportuno gli argomenti del corso.
  • Saper valutare a seconda del caso d’uso se un algoritmo di Machine Learning può essere la soluzione al problema.
  • Valutare in autonomia svantaggi e vantaggi dei principali algoritmi di Machine Learning a seconda del dominio.
  • Comprendere cos’è l’Intelligenza Artificiale e come si colloca il Machine Learning nel suo insieme.
  • Comprendere come scrivere del codice per sviluppare soluzioni di Machine Learning.

Programma

Il corso di Machine Learning ha la finalità di consentire agli studenti di comprendere questa importante classe di algoritmi che stanno via via diventando onnipresenti nell'informatica e nel ramo dell’Intelligenza Artificiale. Il corso mira a far conoscere allo studente i principali concetti di Machine Learning analizzando le applicazioni ed il funzionamento. Il corso è strutturato per fornire delle solide basi teoriche sulle quali si basano I correnti algoritmi allo stato dell’arte. Il corso consentirà allo studente di padroneggiare i principali modelli di Machine Learning sia da un punto di vista teorico che pratico.

Lezione 1: Machine learning

  • Introduzione al machine learning e contesto stoico. Panoramica sul campo del Machine Learning e delle sue applicazioni.

Lezione 2: Fondamenti di matematica

  • Revisione dei concetti matematici fondamentali: algebra lineare, probabilità, statistica, derivate e funzioni, utili per comprendere gli algoritmi di ML.

Lezione 3: Dataset e metriche

  • Introduzione ai dataset: struttura, pulizia e gestione. Analisi delle metriche per valutare e selezionare modelli e prestazioni.

Lezione 4: Addestramento supervisionato

  • Spiegazione del paradigma supervisionato: apprendimento da dati etichettati e introduzione ai principali algoritmi: KNN, Regressione Lineare, con spiegazione di overfitting

Lezione 5: Alberi di decisione

  • Studio degli alberi decisionali: logica, costruzione e interpretabilità dei modelli gerarchici. Overfitting nel contesto degli alberi di decisione. Combinare diversi alberi insieme per l’apprendimento d’insieme

Lezione 6: Classificazione

  • Tecniche e modelli per problemi di classificazione binaria. Introduzione del concetto di loss, regressione logistica e naive bayes.

Lezione 7: Reti neurali

  • Introduzione alle reti neurali artificiali: struttura, funzionamento dei neuroni e architetture base.

Lezione 8: Addestramento delle reti neurali

  • Approfondimento su backpropagation, funzioni di costo, ottimizzazione dei pesi e regolarizzazione durante l'addestramento.

Lezione 9: SVM (Support Vector Machines)

  • Analisi delle macchine a vettori di supporto per classificazione e regressione: margini, kernel e separabilità.

Lezione 10: Addestramento non supervisionato

  • Esplorazione del machine learning non supervisionato: clustering, riduzione dimensionale.

Lezione 11: Machine Learning in pratica

  • Applicazione pratica dei concetti appresi: pipeline ML con utilizzo su notebook, valutazione su casi reali e buone pratiche operative.

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta e/o orale. Il punteggio della prova è espresso in trentesimi.
La prova scritta consiste in domande a risposta aperta sugli argomenti specifici del corso. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali di Machine Learning esposti durante le lezioni. La prova scritta ha una durata di 120 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.
Nel caso in cui l’esame venisse svolto in forma orale, esso consiste in un colloquio frontale sugli argomenti trattati nel corso. Durante la prova orale verrà richiesto agli studenti di esporre gli argomenti trattati durante il corso, al fine di verificare la capacità di apprendimento dei concetti di Deep Learning. La prova orale ha una durata media di 30 minuti.
L’esame, in entrambe le forme, è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.
Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto; mostrando un’attitudine a risolvere nuovi problemi;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare modelli e concetti di Machine Learning per la risoluzione di problemi reali e valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Verrà valutata la capacità dello studente di generalizzare quanto appreso nel corso su nuovi domini e tematiche, approfondendo argomenti tangenti al corso dal punto di vista teorico o pratico.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente e ai materiali didattici pubblicati in piattaforma, è consigliato lo studio dei seguenti testi:

  • Mitchell – Machine Learning, McGraw-Hill, 1997
  • Bishop – Pattern Recognition and Machine Learning, Springer, 2006
  • Bishop e Bishop– Deep Learning, Foundations and Concepts, Springer, 2023

Codice insegnamento UC63693

Fondamenti di Machine Learning 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso lo studente sarà in grado di: Conoscenza e comprensione Conoscere i concetti base e padroneggiare la terminologia del Machine Learning. Conoscere quali sono i principali modelli di Machine…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso lo studente sarà in grado di:

Conoscenza e comprensione

  • Conoscere i concetti base e padroneggiare la terminologia del Machine Learning.
  • Conoscere quali sono i principali modelli di Machine Learning.
  • Comprendere come funzionano i principali modelli di Machine Learning.
  • Conoscere e comprendere l’importanza e le applicazioni reali degli algoritmi di Machine Learning.

Capacità di applicare conoscenze e comprensione

  • Imparare a scrivere algoritmi di Machine Learning utilizzando il framework scikit-learn.
  • Imparare le principali funzionalità di scikit-learn per sviluppare modelli di Machine Learning.
  • Imparare ad applicare a seconda del contesto e tipologia di dato l’algoritmo corretto di Machine Learning.
  • Imparare a formulare un problema affinché sia possibile risolverlo tramite modelli di Machine Learning.

Competenze trasversali

  • Esprimere con linguaggio opportuno gli argomenti del corso.
  • Saper valutare a seconda del caso d’uso se un algoritmo di Machine Learning può essere la soluzione al problema.
  • Valutare in autonomia svantaggi e vantaggi dei principali algoritmi di Machine Learning a seconda del dominio.
  • Comprendere cos’è l’Intelligenza Artificiale e come si colloca il Machine Learning nel suo insieme.
  • Comprendere come scrivere del codice per sviluppare soluzioni di Machine Learning.

Programma

Il corso di Machine Learning ha la finalità di consentire agli studenti di comprendere questa importante classe di algoritmi che stanno via via diventando onnipresenti nell'informatica e nel ramo dell’Intelligenza Artificiale. Il corso mira a far conoscere allo studente i principali concetti di Machine Learning analizzando le applicazioni ed il funzionamento. Il corso è strutturato per fornire delle solide basi teoriche sulle quali si basano I correnti algoritmi allo stato dell’arte. Il corso consentirà allo studente di padroneggiare i principali modelli di Machine Learning sia da un punto di vista teorico che pratico.

Lezione 1: Machine learning

  • Introduzione al machine learning e contesto stoico. Panoramica sul campo del Machine Learning e delle sue applicazioni.

Lezione 2: Fondamenti di matematica

  • Revisione dei concetti matematici fondamentali: algebra lineare, probabilità, statistica, derivate e funzioni, utili per comprendere gli algoritmi di ML.

Lezione 3: Dataset e metriche

  • Introduzione ai dataset: struttura, pulizia e gestione. Analisi delle metriche per valutare e selezionare modelli e prestazioni.

Lezione 4: Addestramento supervisionato

  • Spiegazione del paradigma supervisionato: apprendimento da dati etichettati e introduzione ai principali algoritmi: KNN, Regressione Lineare, con spiegazione di overfitting

Lezione 5: Alberi di decisione

  • Studio degli alberi decisionali: logica, costruzione e interpretabilità dei modelli gerarchici. Overfitting nel contesto degli alberi di decisione. Combinare diversi alberi insieme per l’apprendimento d’insieme

Lezione 6: Classificazione

  • Tecniche e modelli per problemi di classificazione binaria. Introduzione del concetto di loss, regressione logistica e naive bayes.

Lezione 7: Reti neurali

  • Introduzione alle reti neurali artificiali: struttura, funzionamento dei neuroni e architetture base.

Lezione 8: Addestramento delle reti neurali

  • Approfondimento su backpropagation, funzioni di costo, ottimizzazione dei pesi e regolarizzazione durante l'addestramento.

Lezione 9: SVM (Support Vector Machines)

  • Analisi delle macchine a vettori di supporto per classificazione e regressione: margini, kernel e separabilità.

Lezione 10: Addestramento non supervisionato

  • Esplorazione del machine learning non supervisionato: clustering, riduzione dimensionale.

Lezione 11: Machine Learning in pratica

  • Applicazione pratica dei concetti appresi: pipeline ML con utilizzo su notebook, valutazione su casi reali e buone pratiche operative.

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta e/o orale. Il punteggio della prova è espresso in trentesimi.
La prova scritta consiste in domande a risposta aperta sugli argomenti specifici del corso. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali di Machine Learning esposti durante le lezioni. La prova scritta ha una durata di 120 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.
Nel caso in cui l’esame venisse svolto in forma orale, esso consiste in un colloquio frontale sugli argomenti trattati nel corso. Durante la prova orale verrà richiesto agli studenti di esporre gli argomenti trattati durante il corso, al fine di verificare la capacità di apprendimento dei concetti di Deep Learning. La prova orale ha una durata media di 30 minuti.
L’esame, in entrambe le forme, è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.
Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto; mostrando un’attitudine a risolvere nuovi problemi;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare modelli e concetti di Machine Learning per la risoluzione di problemi reali e valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Verrà valutata la capacità dello studente di generalizzare quanto appreso nel corso su nuovi domini e tematiche, approfondendo argomenti tangenti al corso dal punto di vista teorico o pratico.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente e ai materiali didattici pubblicati in piattaforma, è consigliato lo studio dei seguenti testi:

  • Mitchell – Machine Learning, McGraw-Hill, 1997
  • Bishop – Pattern Recognition and Machine Learning, Springer, 2006
  • Bishop e Bishop– Deep Learning, Foundations and Concepts, Springer, 2023

Codice insegnamento UC63731

Governo digitale 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: comprendere le normative e la regolamentazione tecnica in tema di digitalizzazione della pubblica amministrazione e dei servizi digitali destinati a cittadini e…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

  • comprendere le normative e la regolamentazione tecnica in tema di digitalizzazione della pubblica amministrazione e dei servizi digitali destinati a cittadini e imprese;
  • applicare le conoscenze tecniche acquisite nel corso di Ingegneria Informatica alla progettazione, sviluppo e gestione dei sistemi informativi, delle infrastrutture digitali e dei servizi digitali pubblici;
  • riconoscere e comprendere le fonti informative necessarie per l’acquisizione in autonomia di nuove conoscenze e per l’aggiornamento continuo.

L’insegnamento è indirizzato alla formazione di figure professionali di funzionario tecnico anche con compiti direzionali nelle amministrazioni pubbliche, di Responsabile della Trasformazione Digitale, di responsabile delle forniture di servizi informatici in risposta a gare di appalto.

Programma

L’insegnamento ha a oggetto l'organizzazione, la regolazione, lo sviluppo e la gestione dei sistemi informativi e delle infrastrutture digitali della pubblica amministrazione.
L’insegnamento è strutturato nei seguenti moduli formativi:

  • Governance e organizzazione dei sistemi informativi pubblici
  • I fondamenti della digitalizzazione
  • Acquistare beni e servizi per la digitalizzazione
  • Componenti per la progettazione dei servizi pubblici on line

L’insegnamento è strutturato in 4 moduli:

MODULO 1: Governance e organizzazione dei sistemi informativi pubblici

  • L01: Il sistema informativo pubblico
  • L02: La governance del sistema informativo pubblico
  • L03: Gli organismi della governance
  • L04: Il Piano triennale per l’Informatica nella Pubblica Amministrazione

MODULO 2: I fondamenti della digitalizzazione

  • L08: Documenti informatici e firme elettroniche
  • L09: Gestione documentale e protocollo informatico
  • L10: Domicili elettronici e posta elettronica certificata
  • L11: La identità digitale in Italia e in Europa

MODULO 3: Acquistare sistemi ICT

  • L05: Norme e fondamenti per l’acquisto di beni e servizi ICT
  • L06: La centralizzazione degli acquisti di beni e servizi ICT
  • L07: Gli acquisti di innovazione

MODULO 4: Componenti per la progettazione dei servizi pubblici on line

  • L12: Dati pubblici e interoperabilità
  • L13: Gestione della conoscenza e Intelligenza artificiale
  • L14: Cloud e il Polo Strategico Nazionale
  • L15: I servizi web e il punto di accesso unico

Modalità d'esame

L’esame si svolge in forma scritta e consiste in domande aperte e/o a scelta multipla. La durata della prova è di 90 minuti.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio del Codice dell’amministrazione digitale e del Piano Triennale per l’Informatica nella PA, nelle sezioni individuate nei materiali didattici.

Codice insegnamento UC63676

Governo digitale 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: comprendere le normative e la regolamentazione tecnica in tema di digitalizzazione della pubblica amministrazione e dei servizi digitali destinati a cittadini e…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

  • comprendere le normative e la regolamentazione tecnica in tema di digitalizzazione della pubblica amministrazione e dei servizi digitali destinati a cittadini e imprese;
  • applicare le conoscenze tecniche acquisite nel corso di Ingegneria Informatica alla progettazione, sviluppo e gestione dei sistemi informativi, delle infrastrutture digitali e dei servizi digitali pubblici;
  • riconoscere e comprendere le fonti informative necessarie per l’acquisizione in autonomia di nuove conoscenze e per l’aggiornamento continuo.

L’insegnamento è indirizzato alla formazione di figure professionali di funzionario tecnico anche con compiti direzionali nelle amministrazioni pubbliche, di Responsabile della Trasformazione Digitale, di responsabile delle forniture di servizi informatici in risposta a gare di appalto.

Programma

L’insegnamento ha a oggetto l'organizzazione, la regolazione, lo sviluppo e la gestione dei sistemi informativi e delle infrastrutture digitali della pubblica amministrazione.
L’insegnamento è strutturato nei seguenti moduli formativi:

  • Governance e organizzazione dei sistemi informativi pubblici
  • I fondamenti della digitalizzazione
  • Acquistare beni e servizi per la digitalizzazione
  • Componenti per la progettazione dei servizi pubblici on line

L’insegnamento è strutturato in 4 moduli:

MODULO 1: Governance e organizzazione dei sistemi informativi pubblici

  • L01: Il sistema informativo pubblico
  • L02: La governance del sistema informativo pubblico
  • L03: Gli organismi della governance
  • L04: Il Piano triennale per l’Informatica nella Pubblica Amministrazione

MODULO 2: I fondamenti della digitalizzazione

  • L08: Documenti informatici e firme elettroniche
  • L09: Gestione documentale e protocollo informatico
  • L10: Domicili elettronici e posta elettronica certificata
  • L11: La identità digitale in Italia e in Europa

MODULO 3: Acquistare sistemi ICT

  • L05: Norme e fondamenti per l’acquisto di beni e servizi ICT
  • L06: La centralizzazione degli acquisti di beni e servizi ICT
  • L07: Gli acquisti di innovazione

MODULO 4: Componenti per la progettazione dei servizi pubblici on line

  • L12: Dati pubblici e interoperabilità
  • L13: Gestione della conoscenza e Intelligenza artificiale
  • L14: Cloud e il Polo Strategico Nazionale
  • L15: I servizi web e il punto di accesso unico

Modalità d'esame

L’esame si svolge in forma scritta e consiste in domande aperte e/o a scelta multipla. La durata della prova è di 90 minuti.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio del Codice dell’amministrazione digitale e del Piano Triennale per l’Informatica nella PA, nelle sezioni individuate nei materiali didattici.

Codice insegnamento UC63716

Governo digitale 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: comprendere le normative e la regolamentazione tecnica in tema di digitalizzazione della pubblica amministrazione e dei servizi digitali destinati a cittadini e…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

  • comprendere le normative e la regolamentazione tecnica in tema di digitalizzazione della pubblica amministrazione e dei servizi digitali destinati a cittadini e imprese;
  • applicare le conoscenze tecniche acquisite nel corso di Ingegneria Informatica alla progettazione, sviluppo e gestione dei sistemi informativi, delle infrastrutture digitali e dei servizi digitali pubblici;
  • riconoscere e comprendere le fonti informative necessarie per l’acquisizione in autonomia di nuove conoscenze e per l’aggiornamento continuo.

L’insegnamento è indirizzato alla formazione di figure professionali di funzionario tecnico anche con compiti direzionali nelle amministrazioni pubbliche, di Responsabile della Trasformazione Digitale, di responsabile delle forniture di servizi informatici in risposta a gare di appalto.

Programma

L’insegnamento ha a oggetto l'organizzazione, la regolazione, lo sviluppo e la gestione dei sistemi informativi e delle infrastrutture digitali della pubblica amministrazione.
L’insegnamento è strutturato nei seguenti moduli formativi:

  • Governance e organizzazione dei sistemi informativi pubblici
  • I fondamenti della digitalizzazione
  • Acquistare beni e servizi per la digitalizzazione
  • Componenti per la progettazione dei servizi pubblici on line

L’insegnamento è strutturato in 4 moduli:

MODULO 1: Governance e organizzazione dei sistemi informativi pubblici

  • L01: Il sistema informativo pubblico
  • L02: La governance del sistema informativo pubblico
  • L03: Gli organismi della governance
  • L04: Il Piano triennale per l’Informatica nella Pubblica Amministrazione

MODULO 2: I fondamenti della digitalizzazione

  • L08: Documenti informatici e firme elettroniche
  • L09: Gestione documentale e protocollo informatico
  • L10: Domicili elettronici e posta elettronica certificata
  • L11: La identità digitale in Italia e in Europa

MODULO 3: Acquistare sistemi ICT

  • L05: Norme e fondamenti per l’acquisto di beni e servizi ICT
  • L06: La centralizzazione degli acquisti di beni e servizi ICT
  • L07: Gli acquisti di innovazione

MODULO 4: Componenti per la progettazione dei servizi pubblici on line

  • L12: Dati pubblici e interoperabilità
  • L13: Gestione della conoscenza e Intelligenza artificiale
  • L14: Cloud e il Polo Strategico Nazionale
  • L15: I servizi web e il punto di accesso unico

Modalità d'esame

L’esame si svolge in forma scritta e consiste in domande aperte e/o a scelta multipla. La durata della prova è di 90 minuti.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio del Codice dell’amministrazione digitale e del Piano Triennale per l’Informatica nella PA, nelle sezioni individuate nei materiali didattici.

Codice insegnamento UC455435

Governo digitale 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: comprendere le normative e la regolamentazione tecnica in tema di digitalizzazione della pubblica amministrazione e dei servizi digitali destinati a cittadini e…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

  • comprendere le normative e la regolamentazione tecnica in tema di digitalizzazione della pubblica amministrazione e dei servizi digitali destinati a cittadini e imprese;
  • applicare le conoscenze tecniche acquisite nel corso di Ingegneria Informatica alla progettazione, sviluppo e gestione dei sistemi informativi, delle infrastrutture digitali e dei servizi digitali pubblici;
  • riconoscere e comprendere le fonti informative necessarie per l’acquisizione in autonomia di nuove conoscenze e per l’aggiornamento continuo.

L’insegnamento è indirizzato alla formazione di figure professionali di funzionario tecnico anche con compiti direzionali nelle amministrazioni pubbliche, di Responsabile della Trasformazione Digitale, di responsabile delle forniture di servizi informatici in risposta a gare di appalto.

Programma

L’insegnamento ha a oggetto l'organizzazione, la regolazione, lo sviluppo e la gestione dei sistemi informativi e delle infrastrutture digitali della pubblica amministrazione.
L’insegnamento è strutturato nei seguenti moduli formativi:

  • Governance e organizzazione dei sistemi informativi pubblici
  • I fondamenti della digitalizzazione
  • Acquistare beni e servizi per la digitalizzazione
  • Componenti per la progettazione dei servizi pubblici on line

L’insegnamento è strutturato in 4 moduli:

MODULO 1: Governance e organizzazione dei sistemi informativi pubblici

  • L01: Il sistema informativo pubblico
  • L02: La governance del sistema informativo pubblico
  • L03: Gli organismi della governance
  • L04: Il Piano triennale per l’Informatica nella Pubblica Amministrazione

MODULO 2: I fondamenti della digitalizzazione

  • L08: Documenti informatici e firme elettroniche
  • L09: Gestione documentale e protocollo informatico
  • L10: Domicili elettronici e posta elettronica certificata
  • L11: La identità digitale in Italia e in Europa

MODULO 3: Acquistare sistemi ICT

  • L05: Norme e fondamenti per l’acquisto di beni e servizi ICT
  • L06: La centralizzazione degli acquisti di beni e servizi ICT
  • L07: Gli acquisti di innovazione

MODULO 4: Componenti per la progettazione dei servizi pubblici on line

  • L12: Dati pubblici e interoperabilità
  • L13: Gestione della conoscenza e Intelligenza artificiale
  • L14: Cloud e il Polo Strategico Nazionale
  • L15: I servizi web e il punto di accesso unico

Modalità d'esame

L’esame si svolge in forma scritta e consiste in domande aperte e/o a scelta multipla. La durata della prova è di 90 minuti.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio del Codice dell’amministrazione digitale e del Piano Triennale per l’Informatica nella PA, nelle sezioni individuate nei materiali didattici.

Codice insegnamento UC455470

Governo digitale 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: comprendere le normative e la regolamentazione tecnica in tema di digitalizzazione della pubblica amministrazione e dei servizi digitali destinati a cittadini e…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

  • comprendere le normative e la regolamentazione tecnica in tema di digitalizzazione della pubblica amministrazione e dei servizi digitali destinati a cittadini e imprese;
  • applicare le conoscenze tecniche acquisite nel corso di Ingegneria Informatica alla progettazione, sviluppo e gestione dei sistemi informativi, delle infrastrutture digitali e dei servizi digitali pubblici;
  • riconoscere e comprendere le fonti informative necessarie per l’acquisizione in autonomia di nuove conoscenze e per l’aggiornamento continuo.

L’insegnamento è indirizzato alla formazione di figure professionali di funzionario tecnico anche con compiti direzionali nelle amministrazioni pubbliche, di Responsabile della Trasformazione Digitale, di responsabile delle forniture di servizi informatici in risposta a gare di appalto.

Programma

L’insegnamento ha a oggetto l'organizzazione, la regolazione, lo sviluppo e la gestione dei sistemi informativi e delle infrastrutture digitali della pubblica amministrazione.
L’insegnamento è strutturato nei seguenti moduli formativi:

  • Governance e organizzazione dei sistemi informativi pubblici
  • I fondamenti della digitalizzazione
  • Acquistare beni e servizi per la digitalizzazione
  • Componenti per la progettazione dei servizi pubblici on line

L’insegnamento è strutturato in 4 moduli:

MODULO 1: Governance e organizzazione dei sistemi informativi pubblici

  • L01: Il sistema informativo pubblico
  • L02: La governance del sistema informativo pubblico
  • L03: Gli organismi della governance
  • L04: Il Piano triennale per l’Informatica nella Pubblica Amministrazione

MODULO 2: I fondamenti della digitalizzazione

  • L08: Documenti informatici e firme elettroniche
  • L09: Gestione documentale e protocollo informatico
  • L10: Domicili elettronici e posta elettronica certificata
  • L11: La identità digitale in Italia e in Europa

MODULO 3: Acquistare sistemi ICT

  • L05: Norme e fondamenti per l’acquisto di beni e servizi ICT
  • L06: La centralizzazione degli acquisti di beni e servizi ICT
  • L07: Gli acquisti di innovazione

MODULO 4: Componenti per la progettazione dei servizi pubblici on line

  • L12: Dati pubblici e interoperabilità
  • L13: Gestione della conoscenza e Intelligenza artificiale
  • L14: Cloud e il Polo Strategico Nazionale
  • L15: I servizi web e il punto di accesso unico

Modalità d'esame

L’esame si svolge in forma scritta e consiste in domande aperte e/o a scelta multipla. La durata della prova è di 90 minuti.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio del Codice dell’amministrazione digitale e del Piano Triennale per l’Informatica nella PA, nelle sezioni individuate nei materiali didattici.

Codice insegnamento UC455482

Ingegneria e qualità del software 2° anno · 12 CFU · IINF-05/A · 0 file

Al termine del corso, lo studente sarà in grado di: 1. Conoscenza e comprensione Comprendere le differenze principali tra prodotto software e sistema software. 2. Capacità di applicare conoscenze e comprensione Applicare…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, lo studente sarà in grado di:
1. Conoscenza e comprensione

  • Comprendere le differenze principali tra prodotto software e sistema software.

2. Capacità di applicare conoscenze e comprensione

  • Applicare le metodologie “agile” e “plan-driven” per lo sviluppo del software.
  • Progettare un’architettura software nelle sue componenti principali.
  • Documentare un sistema o un prodotto software.
  • Analizzare le problematiche di sicurezza di un sistema o prodotto software.

3. Competenze trasversale

  • Testare un sistema o prodotto software attraverso metodologie specifiche.
  • Gestire e pianificare un progetto.
  • Valutare la qualità di un sistema o prodotto software.

Programma

Il corso di “Ingegneria e qualità del software” descrive i principi del processo di sviluppo dei sistemi e dei prodotti software, dall'analisi iniziale dei requisiti, alle metodologie di sviluppo fino al funzionamento e alla manutenzione dei sistemi finali. Lo scopo del corso include l'organizzazione dei progetti di sviluppo del software, la verifica e la validazione dei sistemi, i problemi di sicurezza e privacy, e gli aspetti legati alla qualità, inclusa la protezione del software e la responsabilità del software.

  • Differenze tra sistema software e prodotto software
  • Processi software
  • Metodologie di sviluppo agile
  • Ingegneria dei requisiti
  • Features, scenari e storie
  • Modellazione dei sistemi software
  • Architettura dei sistemi software
  • Architettura dei prodotti software
  • Progettazione e implementazione del software
  • Software basato sul cloud
  • Architettura a microservizi
  • Software testing
  • Sistemi affidabili
  • Programmazione affidabile
  • Sicurezza e Privacy
  • Evoluzione del software
  • DevOps e gestione del codice
  • Ingegneria dei sistemi
  • Gestione del progetto
  • Pianificazione del progetto
  • Gestione della qualità

Modalità d'esame

La prova d’esame si svolge in forma scritta e consiste in 8 domande aperte sugli argomenti trattati nel corso.
La prova avrà la durata di 90 minuti.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi:

  • Ian Sommerville, Software Engineering – 10th Edition, Pearson Education Ed., 2016 (per i capitoli a cui fanno riferimento le specifiche lezioni);
  • Ian Sommerville, Engineering Software Products – An introduction to modern software engineering, Pearson Education Ed., 2020.

Codice insegnamento UC63680

Ingegneria e qualità del software 2° anno · 12 CFU · IINF-05/A · 0 file

Al termine del corso, lo studente sarà in grado di: 1. Conoscenza e comprensione Comprendere le differenze principali tra prodotto software e sistema software. 2. Capacità di applicare conoscenze e comprensione Applicare…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, lo studente sarà in grado di:
1. Conoscenza e comprensione

  • Comprendere le differenze principali tra prodotto software e sistema software.

2. Capacità di applicare conoscenze e comprensione

  • Applicare le metodologie “agile” e “plan-driven” per lo sviluppo del software.
  • Progettare un’architettura software nelle sue componenti principali.
  • Documentare un sistema o un prodotto software.
  • Analizzare le problematiche di sicurezza di un sistema o prodotto software.

3. Competenze trasversale

  • Testare un sistema o prodotto software attraverso metodologie specifiche.
  • Gestire e pianificare un progetto.
  • Valutare la qualità di un sistema o prodotto software.

Programma

Il corso di “Ingegneria e qualità del software” descrive i principi del processo di sviluppo dei sistemi e dei prodotti software, dall'analisi iniziale dei requisiti, alle metodologie di sviluppo fino al funzionamento e alla manutenzione dei sistemi finali. Lo scopo del corso include l'organizzazione dei progetti di sviluppo del software, la verifica e la validazione dei sistemi, i problemi di sicurezza e privacy, e gli aspetti legati alla qualità, inclusa la protezione del software e la responsabilità del software.

  • Differenze tra sistema software e prodotto software
  • Processi software
  • Metodologie di sviluppo agile
  • Ingegneria dei requisiti
  • Features, scenari e storie
  • Modellazione dei sistemi software
  • Architettura dei sistemi software
  • Architettura dei prodotti software
  • Progettazione e implementazione del software
  • Software basato sul cloud
  • Architettura a microservizi
  • Software testing
  • Sistemi affidabili
  • Programmazione affidabile
  • Sicurezza e Privacy
  • Evoluzione del software
  • DevOps e gestione del codice
  • Ingegneria dei sistemi
  • Gestione del progetto
  • Pianificazione del progetto
  • Gestione della qualità

Modalità d'esame

La prova d’esame si svolge in forma scritta e consiste in 8 domande aperte sugli argomenti trattati nel corso.
La prova avrà la durata di 90 minuti.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi:

  • Ian Sommerville, Software Engineering – 10th Edition, Pearson Education Ed., 2016 (per i capitoli a cui fanno riferimento le specifiche lezioni);
  • Ian Sommerville, Engineering Software Products – An introduction to modern software engineering, Pearson Education Ed., 2020.

Codice insegnamento UC63720

Ingegneria e qualità del software 2° anno · 12 CFU · IINF-05/A · 0 file

Al termine del corso, lo studente sarà in grado di: 1. Conoscenza e comprensione Comprendere le differenze principali tra prodotto software e sistema software. 2. Capacità di applicare conoscenze e comprensione Applicare…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, lo studente sarà in grado di:
1. Conoscenza e comprensione

  • Comprendere le differenze principali tra prodotto software e sistema software.

2. Capacità di applicare conoscenze e comprensione

  • Applicare le metodologie “agile” e “plan-driven” per lo sviluppo del software.
  • Progettare un’architettura software nelle sue componenti principali.
  • Documentare un sistema o un prodotto software.
  • Analizzare le problematiche di sicurezza di un sistema o prodotto software.

3. Competenze trasversale

  • Testare un sistema o prodotto software attraverso metodologie specifiche.
  • Gestire e pianificare un progetto.
  • Valutare la qualità di un sistema o prodotto software.

Programma

Il corso di “Ingegneria e qualità del software” descrive i principi del processo di sviluppo dei sistemi e dei prodotti software, dall'analisi iniziale dei requisiti, alle metodologie di sviluppo fino al funzionamento e alla manutenzione dei sistemi finali. Lo scopo del corso include l'organizzazione dei progetti di sviluppo del software, la verifica e la validazione dei sistemi, i problemi di sicurezza e privacy, e gli aspetti legati alla qualità, inclusa la protezione del software e la responsabilità del software.

  • Differenze tra sistema software e prodotto software
  • Processi software
  • Metodologie di sviluppo agile
  • Ingegneria dei requisiti
  • Features, scenari e storie
  • Modellazione dei sistemi software
  • Architettura dei sistemi software
  • Architettura dei prodotti software
  • Progettazione e implementazione del software
  • Software basato sul cloud
  • Architettura a microservizi
  • Software testing
  • Sistemi affidabili
  • Programmazione affidabile
  • Sicurezza e Privacy
  • Evoluzione del software
  • DevOps e gestione del codice
  • Ingegneria dei sistemi
  • Gestione del progetto
  • Pianificazione del progetto
  • Gestione della qualità

Modalità d'esame

La prova d’esame si svolge in forma scritta e consiste in 8 domande aperte sugli argomenti trattati nel corso.
La prova avrà la durata di 90 minuti.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi:

  • Ian Sommerville, Software Engineering – 10th Edition, Pearson Education Ed., 2016 (per i capitoli a cui fanno riferimento le specifiche lezioni);
  • Ian Sommerville, Engineering Software Products – An introduction to modern software engineering, Pearson Education Ed., 2020.

Codice insegnamento UC455483

Ingegneria per l’embedded software 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso lo studente sarà in grado di: comprendere i diversi step dell’embedded system design; formalizzare i requisiti per un applicativo embedded; modellare le specifiche di un sistema embedded;…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso lo studente sarà in grado di:

  • comprendere i diversi step dell’embedded system design;
  • formalizzare i requisiti per un applicativo embedded;
  • modellare le specifiche di un sistema embedded;
  • valutare e validare un embedded system;
  • comprendere l’architettura di un Medical Cyber Physical System.

Programma

Il corso affronta i concetti base dell’ingegneria per l’embedded software. Partendo dai concetti di embedded system e Cyber-Physical System, affronta l'intero workflow che permette di realizzare un embedded system. Presenta i diversi metodi di modellazione utilizzati in questa disciplina. Inoltre, descrive i vari componenti, quali unità di processazione, sensori e attuatori. Dopo aver spiegato come implementare questi ultimi, si focalizza sugli aspetti di Validazione e Valutazione del sistema progettato. A differenza di altri applicativi, qui diventano essenziali i requisiti legati al tempo di esecuzione, consumo di energia e potenza, e di dependability. Infine il corso affronta le nuove piattaforme usate per i sistemi embedded e come realizzare un Medical Cyber-Physical System. Il corso, nei contenuti suddetti è organizzato in 5 moduli.

Modulo 1: Introduzione ai Sistemi Embedded (1 lezione)

  • Introduzione all’ ingegneria per l'embedded software

Modulo 2: Specifiche e modellazione nei sistemi embedded (3 lezioni)

  • Embedded system design: specifications and modeling
  • Models of computation: fsm, sdl e modellazione dataflow, discrete event models

Modulo 3: Hardware e software nei sistemi embedded (4 lezioni)

  • Embedded system hardware elements
  • Embedded & real-time operating systems

Modulo 4: Validazione, valutazione e sicurezza (4 lezioni)

  • Mapping of applications to platforms
  • Hardware/software partitioning
  • Evaluation and validation
  • Dependability and safety

Modulo 5: Piattaforme e caso d’uso (3 lezioni)

  • Embedded system platforms
  • Medical cyber-physical systems

Modalità d'esame

L’esame si svolge in forma scritta. Il punteggio della prova è espresso in trentesimi. La prova scritta ha una durata massima di 90 minuti e consiste nel sottoporre allo studente una serie di domande teoriche (in genere 4 o 5) alle quali lo studente dovrà rispondere in maniera soddisfacente attenendosi all’argomento richiesto senza dilungarsi su argomenti collegati ma non centrali nella domanda. Le domande richiedono di norma la spiegazione o la descrizione di argomenti ben precisi trattati durante il corso, che mirano a dimostrare la conoscenza e comprensione dei sistemi embedded e dei la capacità dello studente di applicare tali conoscenze tramite la progettazione degli stessi con le tecniche di modellazione spiegate nelle lezioni. Di solito le difficoltà presenti (e di conseguenza il punteggio massimo conseguibile, se non diversamente esplicitato) sono equidistribuite tra le varie domande.

Tuttavia, al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della completezza delle risposte dimostrata attraverso descrizione grafica e testuale dei concetti;
  • della capacità di apprendere e quindi di esporre l’argomento richiesto;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare linguaggi di modellazione su esempi reali di sistemi embedded e Cyber-Physical Systems.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficiente sui concetti di base dei sistemi embedded, sul workflow di progettazione, sulla modellazione e sulle principali tecniche di validazione e valutazione. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso. Deve inoltre essere in grado di applicare tutti i concetti richiesti a casi reali, riportando esempi dettagliati da modelli e validazioni e valutazione degli stessi, secondo le tecniche spiegate a lezione.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi:

  • Peter Marwedel, Embedded Systems Foundations of Cyber-Physical Systems, and the Internet of Things, Springer Cham, 2021. https://doi.org/10.1007/978-3-030-60910-8

Codice insegnamento UC455484

Intelligenza Artificiale 2° anno · 12 CFU · IINF-05/A · 0 file

1. Conoscenza e comprensione Comprendere l’importanza dell’utilizzo dell’intelligenza artificiale. Comprendere la visione ad agenti e conoscere i problemi di ricerca e le differenti strategie. Comprendere la logica e i…

Scheda dell'insegnamento

Obiettivi formativi

1. Conoscenza e comprensione

  • Comprendere l’importanza dell’utilizzo dell’intelligenza artificiale.
  • Comprendere la visione ad agenti e conoscere i problemi di ricerca e le differenti strategie.
  • Comprendere la logica e i formalismi di rappresentazione della conoscenza.
  • Conoscere i modelli, approcci e algoritmi di apprendimento automatico.
  • Comprendere i passi necessari per l’elaborazione automatica del testo e il processo di generazione di nuovi contenuti.
  • Comprendere le preoccupazioni e gli impatti etici dell'AI.

2. Capacità di applicare conoscenze e comprensione

  • Costruire rappresentazioni del mondo, usare un processo di inferenza per derivare nuove rappresentazioni del mondo e realizzazione di agenti con conoscenza del mondo e capacità di ragionare sui possibili modi di agire.
  • Realizzare soluzioni usando apprendimento automatico e reti neurali profonde.
  • Realizzare soluzioni per processare testo o per generare nuovi contenuti.

3. Competenze trasversali

  • Sviluppare autonomia di giudizio nel valutare l'uso di soluzioni di intelligenza artificiale.
  • Comunicare efficacemente idee e di problemi basati su tecniche di intelligenza artificiale, sia in forma scritta che orale, e partecipare attivamente a discussioni e presentazioni.
  • Esercitare capacità di apprendimento autonomo attraverso la riflessione sulle proprie esperienze e l'acquisizione di nuove conoscenze di AI tramite metodologie di ricerca sia qualitative che quantitative.
  • Valutare continuamente la propria crescita e sviluppo professionale nel campo dell'intelligenza artificiale.

Programma

Il corso si propone di fornire le metodologie e le tecniche, degli approcci simbolici, dei modelli discriminativi e generativi dell’apprendimento automatico e delle architetture neurali generative, per comprendere, analizzare e risolvere problemi con soluzioni di AI adeguate. Inoltre, analizza come l'uso di tale tecnologia digitale per creare sistemi sta rivoluzionando ogni aspetto delle nostre vite e in particolare come impatta in differenti domini applicativi e le relative preoccupazioni e implicazioni etiche.

Modulo 1: Introduzione

  • Fondamenti di AI: iniziamo da AI

Modulo 2: Agenti intelligenti e risoluzione di problemi

  • Agenti intelligenti
  • Problem solving risolvere i problemi con la ricerca
  • Risolvere i problemi con la ricerca usare una strategia
  • Problema di soddisfacimento di vincoli

Modulo 3: Conoscenza e ragionamento

  • Conoscenza, ragionamento e pianificazione agenti basati su conoscenza
  • A cosa serve la logica?
  • Rappresentazione della conoscenza
  • Conoscenza incerta e ragionamento in condizioni di incertezza

Modulo 4: Apprendimento automatico e Deep Learning

  • Apprendimento automatico
  • Apprendimento automatico: approcci all’apprendimento
  • Apprendimento automatico: modelli probabilistici e reti neurali
  • Storia dell’AI e del Deep Learning
  • Deep Learning: componenti e tipologie
  • Deep Learning: multi-layer perceptrons

Modulo 5: NLP e generazione di nuovi contenuti

  • Natural language processing (NLP)
  • Natural language processing (NLP): come elaboriamo il testo
  • Large language model
  • Generative AI

Modulo 6: Etica

  • Etica: nella società dell'AI

Modalità d'esame

Per poter sostenere l'esame è necessario concordare con la prof.ssa Fallucchi la realizzazione di un progetto. L'elaborato deve essere inviato almeno 10 giorni prima dell’esame, tramite email ([email protected]) alla docente che, dopo aver effettuato la revisione del progetto svolto, invia un riscontro allo Studente con le eventuali osservazioni.
L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta. Il punteggio della prova è espresso in trentesimi.
La prova scritta consiste in domande con diversa natura: aperta, a risposta multipla e esercizi sugli argomenti specifici del corso. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali relativi all’intelligenza artificiale e tutti i metodi, le metodologie e tecnologie che permettono di risolvere semplici task di AI. Viene richiesta la capacità dello studente di applicare tali conoscenze tramite la descrizione di soluzioni, funzionalità e strumenti implementati in scenari reali e attualmente in uso. La prova scritta ha una durata massima di 90 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.
L’esame è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.
Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto; mostrando un’attitudine a risolvere nuove sfide;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare approcci, metodi, funzionalità o strumenti alla risoluzione di problemi e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze per l’analisi dei problemi complessi, una conoscenza di base sulle funzionalità e sui principali elementi degli strumenti introdotti in tale processo. Verrà valutata anche la capacità di ipotizzare soluzioni innovative per migliorare i processi e le soluzioni di AI. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve inoltre dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è suggerito lo studio dei seguenti testi:

  • Intelligenza artificiale Un approccio moderno Volume 1 Quarta edizione Stuart Russell, Peter Norvig a cura di Francesco Amigoni
  • Intelligenza artificiale Un approccio moderno Volume 2 Quarta edizione Stuart Russell, Peter Norvig a cura di Francesco Amigoni

Nella versione inglese:

  • Artificial Intelligence A Modern Approach Third Edition Stuart Russell and Peter Norvig

Codice insegnamento UC63649

Intelligenza Artificiale 2° anno · 12 CFU · IINF-05/A · 0 file

1. Conoscenza e comprensione Comprendere l’importanza dell’utilizzo dell’intelligenza artificiale. Comprendere la visione ad agenti e conoscere i problemi di ricerca e le differenti strategie. Comprendere la logica e i…

Scheda dell'insegnamento

Obiettivi formativi

1. Conoscenza e comprensione

  • Comprendere l’importanza dell’utilizzo dell’intelligenza artificiale.
  • Comprendere la visione ad agenti e conoscere i problemi di ricerca e le differenti strategie.
  • Comprendere la logica e i formalismi di rappresentazione della conoscenza.
  • Conoscere i modelli, approcci e algoritmi di apprendimento automatico.
  • Comprendere i passi necessari per l’elaborazione automatica del testo e il processo di generazione di nuovi contenuti.
  • Comprendere le preoccupazioni e gli impatti etici dell'AI.

2. Capacità di applicare conoscenze e comprensione

  • Costruire rappresentazioni del mondo, usare un processo di inferenza per derivare nuove rappresentazioni del mondo e realizzazione di agenti con conoscenza del mondo e capacità di ragionare sui possibili modi di agire.
  • Realizzare soluzioni usando apprendimento automatico e reti neurali profonde.
  • Realizzare soluzioni per processare testo o per generare nuovi contenuti.

3. Competenze trasversali

  • Sviluppare autonomia di giudizio nel valutare l'uso di soluzioni di intelligenza artificiale.
  • Comunicare efficacemente idee e di problemi basati su tecniche di intelligenza artificiale, sia in forma scritta che orale, e partecipare attivamente a discussioni e presentazioni.
  • Esercitare capacità di apprendimento autonomo attraverso la riflessione sulle proprie esperienze e l'acquisizione di nuove conoscenze di AI tramite metodologie di ricerca sia qualitative che quantitative.
  • Valutare continuamente la propria crescita e sviluppo professionale nel campo dell'intelligenza artificiale.

Programma

Il corso si propone di fornire le metodologie e le tecniche, degli approcci simbolici, dei modelli discriminativi e generativi dell’apprendimento automatico e delle architetture neurali generative, per comprendere, analizzare e risolvere problemi con soluzioni di AI adeguate. Inoltre, analizza come l'uso di tale tecnologia digitale per creare sistemi sta rivoluzionando ogni aspetto delle nostre vite e in particolare come impatta in differenti domini applicativi e le relative preoccupazioni e implicazioni etiche.

Modulo 1: Introduzione

  • Fondamenti di AI: iniziamo da AI

Modulo 2: Agenti intelligenti e risoluzione di problemi

  • Agenti intelligenti
  • Problem solving risolvere i problemi con la ricerca
  • Risolvere i problemi con la ricerca usare una strategia
  • Problema di soddisfacimento di vincoli

Modulo 3: Conoscenza e ragionamento

  • Conoscenza, ragionamento e pianificazione agenti basati su conoscenza
  • A cosa serve la logica?
  • Rappresentazione della conoscenza
  • Conoscenza incerta e ragionamento in condizioni di incertezza

Modulo 4: Apprendimento automatico e Deep Learning

  • Apprendimento automatico
  • Apprendimento automatico: approcci all’apprendimento
  • Apprendimento automatico: modelli probabilistici e reti neurali
  • Storia dell’AI e del Deep Learning
  • Deep Learning: componenti e tipologie
  • Deep Learning: multi-layer perceptrons

Modulo 5: NLP e generazione di nuovi contenuti

  • Natural language processing (NLP)
  • Natural language processing (NLP): come elaboriamo il testo
  • Large language model
  • Generative AI

Modulo 6: Etica

  • Etica: nella società dell'AI

Modalità d'esame

Per poter sostenere l'esame è necessario concordare con la prof.ssa Fallucchi la realizzazione di un progetto. L'elaborato deve essere inviato almeno 10 giorni prima dell’esame, tramite email ([email protected]) alla docente che, dopo aver effettuato la revisione del progetto svolto, invia un riscontro allo Studente con le eventuali osservazioni.
L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta. Il punteggio della prova è espresso in trentesimi.
La prova scritta consiste in domande con diversa natura: aperta, a risposta multipla e esercizi sugli argomenti specifici del corso. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali relativi all’intelligenza artificiale e tutti i metodi, le metodologie e tecnologie che permettono di risolvere semplici task di AI. Viene richiesta la capacità dello studente di applicare tali conoscenze tramite la descrizione di soluzioni, funzionalità e strumenti implementati in scenari reali e attualmente in uso. La prova scritta ha una durata massima di 90 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.
L’esame è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.
Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto; mostrando un’attitudine a risolvere nuove sfide;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare approcci, metodi, funzionalità o strumenti alla risoluzione di problemi e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze per l’analisi dei problemi complessi, una conoscenza di base sulle funzionalità e sui principali elementi degli strumenti introdotti in tale processo. Verrà valutata anche la capacità di ipotizzare soluzioni innovative per migliorare i processi e le soluzioni di AI. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve inoltre dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è suggerito lo studio dei seguenti testi:

  • Intelligenza artificiale Un approccio moderno Volume 1 Quarta edizione Stuart Russell, Peter Norvig a cura di Francesco Amigoni
  • Intelligenza artificiale Un approccio moderno Volume 2 Quarta edizione Stuart Russell, Peter Norvig a cura di Francesco Amigoni

Nella versione inglese:

  • Artificial Intelligence A Modern Approach Third Edition Stuart Russell and Peter Norvig

Codice insegnamento UC63689

Intelligenza Artificiale 2° anno · 12 CFU · IINF-05/A · 0 file

1. Conoscenza e comprensione Comprendere l’importanza dell’utilizzo dell’intelligenza artificiale. Comprendere la visione ad agenti e conoscere i problemi di ricerca e le differenti strategie. Comprendere la logica e i…

Scheda dell'insegnamento

Obiettivi formativi

1. Conoscenza e comprensione

  • Comprendere l’importanza dell’utilizzo dell’intelligenza artificiale.
  • Comprendere la visione ad agenti e conoscere i problemi di ricerca e le differenti strategie.
  • Comprendere la logica e i formalismi di rappresentazione della conoscenza.
  • Conoscere i modelli, approcci e algoritmi di apprendimento automatico.
  • Comprendere i passi necessari per l’elaborazione automatica del testo e il processo di generazione di nuovi contenuti.
  • Comprendere le preoccupazioni e gli impatti etici dell'AI.

2. Capacità di applicare conoscenze e comprensione

  • Costruire rappresentazioni del mondo, usare un processo di inferenza per derivare nuove rappresentazioni del mondo e realizzazione di agenti con conoscenza del mondo e capacità di ragionare sui possibili modi di agire.
  • Realizzare soluzioni usando apprendimento automatico e reti neurali profonde.
  • Realizzare soluzioni per processare testo o per generare nuovi contenuti.

3. Competenze trasversali

  • Sviluppare autonomia di giudizio nel valutare l'uso di soluzioni di intelligenza artificiale.
  • Comunicare efficacemente idee e di problemi basati su tecniche di intelligenza artificiale, sia in forma scritta che orale, e partecipare attivamente a discussioni e presentazioni.
  • Esercitare capacità di apprendimento autonomo attraverso la riflessione sulle proprie esperienze e l'acquisizione di nuove conoscenze di AI tramite metodologie di ricerca sia qualitative che quantitative.
  • Valutare continuamente la propria crescita e sviluppo professionale nel campo dell'intelligenza artificiale.

Programma

Il corso si propone di fornire le metodologie e le tecniche, degli approcci simbolici, dei modelli discriminativi e generativi dell’apprendimento automatico e delle architetture neurali generative, per comprendere, analizzare e risolvere problemi con soluzioni di AI adeguate. Inoltre, analizza come l'uso di tale tecnologia digitale per creare sistemi sta rivoluzionando ogni aspetto delle nostre vite e in particolare come impatta in differenti domini applicativi e le relative preoccupazioni e implicazioni etiche.

Modulo 1: Introduzione

  • Fondamenti di AI: iniziamo da AI

Modulo 2: Agenti intelligenti e risoluzione di problemi

  • Agenti intelligenti
  • Problem solving risolvere i problemi con la ricerca
  • Risolvere i problemi con la ricerca usare una strategia
  • Problema di soddisfacimento di vincoli

Modulo 3: Conoscenza e ragionamento

  • Conoscenza, ragionamento e pianificazione agenti basati su conoscenza
  • A cosa serve la logica?
  • Rappresentazione della conoscenza
  • Conoscenza incerta e ragionamento in condizioni di incertezza

Modulo 4: Apprendimento automatico e Deep Learning

  • Apprendimento automatico
  • Apprendimento automatico: approcci all’apprendimento
  • Apprendimento automatico: modelli probabilistici e reti neurali
  • Storia dell’AI e del Deep Learning
  • Deep Learning: componenti e tipologie
  • Deep Learning: multi-layer perceptrons

Modulo 5: NLP e generazione di nuovi contenuti

  • Natural language processing (NLP)
  • Natural language processing (NLP): come elaboriamo il testo
  • Large language model
  • Generative AI

Modulo 6: Etica

  • Etica: nella società dell'AI

Modalità d'esame

Per poter sostenere l'esame è necessario concordare con la prof.ssa Fallucchi la realizzazione di un progetto. L'elaborato deve essere inviato almeno 10 giorni prima dell’esame, tramite email ([email protected]) alla docente che, dopo aver effettuato la revisione del progetto svolto, invia un riscontro allo Studente con le eventuali osservazioni.
L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta. Il punteggio della prova è espresso in trentesimi.
La prova scritta consiste in domande con diversa natura: aperta, a risposta multipla e esercizi sugli argomenti specifici del corso. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali relativi all’intelligenza artificiale e tutti i metodi, le metodologie e tecnologie che permettono di risolvere semplici task di AI. Viene richiesta la capacità dello studente di applicare tali conoscenze tramite la descrizione di soluzioni, funzionalità e strumenti implementati in scenari reali e attualmente in uso. La prova scritta ha una durata massima di 90 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.
L’esame è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.
Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto; mostrando un’attitudine a risolvere nuove sfide;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare approcci, metodi, funzionalità o strumenti alla risoluzione di problemi e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze per l’analisi dei problemi complessi, una conoscenza di base sulle funzionalità e sui principali elementi degli strumenti introdotti in tale processo. Verrà valutata anche la capacità di ipotizzare soluzioni innovative per migliorare i processi e le soluzioni di AI. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve inoltre dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è suggerito lo studio dei seguenti testi:

  • Intelligenza artificiale Un approccio moderno Volume 1 Quarta edizione Stuart Russell, Peter Norvig a cura di Francesco Amigoni
  • Intelligenza artificiale Un approccio moderno Volume 2 Quarta edizione Stuart Russell, Peter Norvig a cura di Francesco Amigoni

Nella versione inglese:

  • Artificial Intelligence A Modern Approach Third Edition Stuart Russell and Peter Norvig

Codice insegnamento UC63727

LTE, 5G e Internet of Things 2° anno · 6 CFU · IINF-03/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: conoscere i sistemi radiomobili di ultima generazione in termini di interfaccia radio, architettura e architettura protocollare; comprendere gli avanzamenti degli…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

-
conoscere i sistemi radiomobili di ultima generazione in termini di interfaccia radio, architettura e architettura protocollare;

-
comprendere gli avanzamenti degli ultimi anni nei sistemi radiomobili;

-
comprendere le tecniche da dispiegare al fine di garantire il servizio richiesto, in termini di scelte sull’interfaccia radio, architetturali e sulla rete di trasporto;

-
valutare in autonomia i vantaggi e gli svantaggi delle interfacce radio dei sistemi cellulari di ultima generazione e delle soluzioni tecniche per garantire elevato data rate d’utente e accesso simultaneo a migliaia di dispositivi;

-
apprendere e integrare le conoscenze da varie fonti sulle architetture dei sistemi cellulari al fine di valutare attraverso una visione più ampia le potenzialità di tali sistemi trattati in studi successivi o di futuri sviluppi;

-
esprimere con opportuno linguaggio gli argomenti del corso.

Programma

Il corso introduce il discente allo studio dei sistemi radiomobili di quarta generazione (Long Term Evolution, LTE) e quinta generazione o 5G. Durante il percorso di apprendimento verranno descritte e spiegate l’architettura, l’interfaccia radio e le funzionalità principali dell’architettura protocollare dei sistemi LTE, le sue evoluzioni e 5G. Infine, sono descritte le variazioni introdotte nell’interfaccia radio di tali sistemi al fine di poter supportare l’Internet of Things (IoT).

Questo corso è suddiviso in quattro moduli. Il primo modulo introduce il sistema radiomobile LTE. Il secondo modulo descrive le innovazioni apportate a tale sistema per aumentare il data rate per l’utente. Il modulo tre si occupa delle modifiche apportate principalmente all’interfaccia radio LTE al fine di garantire l’IoT e della descrizione di altre soluzioni standard e proprietarie. Infine, nel quarto modulo si descrive il sistema 5G in termini di interfaccia radio new radio, architettura protocollare e trasporto.

Modulo 1 - Sistema Long Term Evolution (LTE), Release 8 [9 LEZ.]

  • Architettura, identità, QoS, Security e OFDM (2 lezioni)
  • Strato fisico (3 lezioni)
  • Architettura protocollare (1 lezione)
  • Procedure di controllo nella core network e nella risorsa radio (2 lezioni)
  • Mobilità e Radio Resource Management (1 lezione)

Modulo 2 - Sistema LTE-Advanced e LTE Advanced Pro [2 LEZ.]

  • Release 10 e Release 11 (1 lezione)
  • Small Cells (Release 12) e cenni sulla Release 13 (1 lezione)

Modulo 3 - Internet of Things [3 LEZ.]

  • Nascita, introduzione e applicazioni principali della Internet delle cose (1 lezione)
  • Blocchi funzionali del sistema IoT (1/2 lezione)
  • Tecnologie per la comunicazione dell’IoT: proprietarie e da standard (1 lezione e 1/2)

Modulo 4 - Sistema 5G [4 LEZ.]

  • Introduzione e architettura (1 lezione e 1/2)
  • Interfaccia radio (1 lezione e 1/2)
  • Architettura protocollare, trasporto e prestazioni (1 lezione)

Modalità d'esame

L’esame si svolge in forma scritta e/o orale. Il punteggio della prova è espresso in trentesimi.

La prova scritta ha una durata massima di 120 minuti e consiste nel sottoporre allo studente una serie di domande teoriche (in genere 4 o 5) alle quali lo studente dovrà rispondere in maniera soddisfacente attenendosi all’argomento richiesto senza dilungarsi su argomenti collegati ma non centrali nella domanda. Le domande richiedono di norma la spiegazione o la descrizione di argomenti ben precisi trattati durante il corso, che mirano a dimostrare la conoscenza e comprensione dei sistemi radiomobili di nuova generazione e la capacità dello studente di applicare tali conoscenze tramite la progettazione di interfacce radio o di architetture per la realizzazione di particolari servizi. Di solito le difficoltà presenti (e di conseguenza il punteggio massimo conseguibile, se non diversamente esplicitato) sono equidistribuite tra le varie domande.

Tuttavia, al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare scelte architetturali, interfacce radio, funzionalità protocollari nella progettazione di sistemi radiomobili.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficiente sui concetti di base sull’interfacce radio e sulle funzionalità protocollari principali dei sistemi radiomobili di ultima generazione. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.

La prova orale consiste nel richiedere chiarimenti e approfondimenti allo studente riguardo imprecisioni o carenze concettuali nelle risposte fornite alle domande durante lo scritto oppure di altri argomenti del corso al fine di completare la valutazione della preparazione dello studente.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente e ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi in base agli argomenti trattati:

  • H. Holma, A. Toskala, “LTE for UMTS: Evolution to LTE-Advanced”, 2nd Edition, John Wiley & Sons Ltd., 2011
  • R. Kreher, K. Gaenger, “LTE Signaling: Troubleshooting and Performance Measurement”, 2nd Edition, John Wiley & Sons, Ltd. 2016.
  • H. Holma, A. Toskala, J. Reunanen, “LTE Small Cell Optimization: 3GPP Evolution to Release 13”, John Wiley & Sons Ltd. 2016.
  • H. Holma, A. Toskala, T. Nakamura, "5G Technology: 3GPP New Radio", First Edition, John Wiley & Sons Ltd., 2020

Inoltre, di seguito è riportata una lista di articoli e report da utilizzare come materiale di supporto (consigliato).

  • 5G Americas, "Wireless Technology Evolution: transition from 4G to 5G", white paper, Oct. 2018
  • 5G Americas, "5G the Future of IoT", July 2019
  • 5G Americas, "The 5G Evolution: 3GPP Release 16 - 17", Jan. 2020

[D2D]

  • 4G_Americas_Mobile_Broadband_Evolution_Toward_5G-Rel-12_Rel-13_June_2015
  • S. Lien, C. Chien, G. S. Liu, H. Tsai, R. Li and Y. J. Wang, "Enhanced LTE Device-to-Device Proximity Services," in IEEE Communications Magazine, vol. 54, no. 12, pp. 174-182, December 2016.
  • S. Lien et al., "3GPP NR Sidelink Transmissions Toward 5G V2X," in IEEE Access, vol. 8, pp. 35368-35382, 2020.

[IoT]

  • U. Raza, P. Kulkarni, M. Sooriyabandara, “Low Power Wide Area Networks: An Overview”, IEEE Communications Surveys & Tutorials, vol.19, no.2, Q2 2017, p.855-873
  • 5G Americas whitepaper, “LTE and 5G Technologies Enabling IoT”, Dec. 2016
  • 5G Americas whitepaper, “LTE Progress Leading to the 5G Massive IoT”, Dec. 2017
  • M. Asif-Ur-Rahman et al., "Toward a Heterogeneous Mist, Fog, and Cloud-Based Framework for the Internet of Healthcare Things," in IEEE Internet of Things Journal, vol. 6, no. 3, pp. 4049-4062, June 2019, doi: 10.1109/JIOT.2018.2876088.

[NB-IoT]

  • R. Ratasuk, N. Mangalvedhe, Y. Zhang, M. Robert and J. Koskinen, "Overview of narrowband IoT in LTE Rel-13," 2016 IEEE Conference on Standards for Communications and Networking (CSCN), Berlin, 2016, pp. 1-7.]
  • W. Yang et al., "Enhanced System Acquisition for NB-IoT," in IEEE Access, 2017, vol. 5, pp. 13179-13191.

[3GPP]

-
3GPP TS 23.501, "5G; System architecture for the 5G System (5GS)", 3GPP TS 23.501 version 15.8.0 Release 15 (ETSI TS 123 501 V15.8.0 (2020-01)), Jan. 2020.

-
3GPP TS 38.211, "5G; NR; Physical channels and modulation", 3GPP TS 38.211 version 15.2.0 Release 15, (ETSI TS 138 211 V15.2.0 (2018-07)), Jul. 2018.

-
3GPP TR 23.708, "Architecture enhancements for service capability exposure" e "oneM2M; 3GPP Release 13 Interworking" (oneM2M TR-0024 version 2.0.0), ETSI TR 118 524 V2.0.0 (2016-09), Sep. 2016.

Codice insegnamento UC63630

LTE, 5G e Internet of Things 2° anno · 6 CFU · IINF-03/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: conoscere i sistemi radiomobili di ultima generazione in termini di interfaccia radio, architettura e architettura protocollare; comprendere gli avanzamenti degli…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

-
conoscere i sistemi radiomobili di ultima generazione in termini di interfaccia radio, architettura e architettura protocollare;

-
comprendere gli avanzamenti degli ultimi anni nei sistemi radiomobili;

-
comprendere le tecniche da dispiegare al fine di garantire il servizio richiesto, in termini di scelte sull’interfaccia radio, architetturali e sulla rete di trasporto;

-
valutare in autonomia i vantaggi e gli svantaggi delle interfacce radio dei sistemi cellulari di ultima generazione e delle soluzioni tecniche per garantire elevato data rate d’utente e accesso simultaneo a migliaia di dispositivi;

-
apprendere e integrare le conoscenze da varie fonti sulle architetture dei sistemi cellulari al fine di valutare attraverso una visione più ampia le potenzialità di tali sistemi trattati in studi successivi o di futuri sviluppi;

-
esprimere con opportuno linguaggio gli argomenti del corso.

Programma

Il corso introduce il discente allo studio dei sistemi radiomobili di quarta generazione (Long Term Evolution, LTE) e quinta generazione o 5G. Durante il percorso di apprendimento verranno descritte e spiegate l’architettura, l’interfaccia radio e le funzionalità principali dell’architettura protocollare dei sistemi LTE, le sue evoluzioni e 5G. Infine, sono descritte le variazioni introdotte nell’interfaccia radio di tali sistemi al fine di poter supportare l’Internet of Things (IoT).

Questo corso è suddiviso in quattro moduli. Il primo modulo introduce il sistema radiomobile LTE. Il secondo modulo descrive le innovazioni apportate a tale sistema per aumentare il data rate per l’utente. Il modulo tre si occupa delle modifiche apportate principalmente all’interfaccia radio LTE al fine di garantire l’IoT e della descrizione di altre soluzioni standard e proprietarie. Infine, nel quarto modulo si descrive il sistema 5G in termini di interfaccia radio new radio, architettura protocollare e trasporto.

Modulo 1 - Sistema Long Term Evolution (LTE), Release 8 [9 LEZ.]

  • Architettura, identità, QoS, Security e OFDM (2 lezioni)
  • Strato fisico (3 lezioni)
  • Architettura protocollare (1 lezione)
  • Procedure di controllo nella core network e nella risorsa radio (2 lezioni)
  • Mobilità e Radio Resource Management (1 lezione)

Modulo 2 - Sistema LTE-Advanced e LTE Advanced Pro [2 LEZ.]

  • Release 10 e Release 11 (1 lezione)
  • Small Cells (Release 12) e cenni sulla Release 13 (1 lezione)

Modulo 3 - Internet of Things [3 LEZ.]

  • Nascita, introduzione e applicazioni principali della Internet delle cose (1 lezione)
  • Blocchi funzionali del sistema IoT (1/2 lezione)
  • Tecnologie per la comunicazione dell’IoT: proprietarie e da standard (1 lezione e 1/2)

Modulo 4 - Sistema 5G [4 LEZ.]

  • Introduzione e architettura (1 lezione e 1/2)
  • Interfaccia radio (1 lezione e 1/2)
  • Architettura protocollare, trasporto e prestazioni (1 lezione)

Modalità d'esame

L’esame si svolge in forma scritta e/o orale. Il punteggio della prova è espresso in trentesimi.

La prova scritta ha una durata massima di 120 minuti e consiste nel sottoporre allo studente una serie di domande teoriche (in genere 4 o 5) alle quali lo studente dovrà rispondere in maniera soddisfacente attenendosi all’argomento richiesto senza dilungarsi su argomenti collegati ma non centrali nella domanda. Le domande richiedono di norma la spiegazione o la descrizione di argomenti ben precisi trattati durante il corso, che mirano a dimostrare la conoscenza e comprensione dei sistemi radiomobili di nuova generazione e la capacità dello studente di applicare tali conoscenze tramite la progettazione di interfacce radio o di architetture per la realizzazione di particolari servizi. Di solito le difficoltà presenti (e di conseguenza il punteggio massimo conseguibile, se non diversamente esplicitato) sono equidistribuite tra le varie domande.

Tuttavia, al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare scelte architetturali, interfacce radio, funzionalità protocollari nella progettazione di sistemi radiomobili.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficiente sui concetti di base sull’interfacce radio e sulle funzionalità protocollari principali dei sistemi radiomobili di ultima generazione. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.

La prova orale consiste nel richiedere chiarimenti e approfondimenti allo studente riguardo imprecisioni o carenze concettuali nelle risposte fornite alle domande durante lo scritto oppure di altri argomenti del corso al fine di completare la valutazione della preparazione dello studente.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente e ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi in base agli argomenti trattati:

  • H. Holma, A. Toskala, “LTE for UMTS: Evolution to LTE-Advanced”, 2nd Edition, John Wiley & Sons Ltd., 2011
  • R. Kreher, K. Gaenger, “LTE Signaling: Troubleshooting and Performance Measurement”, 2nd Edition, John Wiley & Sons, Ltd. 2016.
  • H. Holma, A. Toskala, J. Reunanen, “LTE Small Cell Optimization: 3GPP Evolution to Release 13”, John Wiley & Sons Ltd. 2016.
  • H. Holma, A. Toskala, T. Nakamura, "5G Technology: 3GPP New Radio", First Edition, John Wiley & Sons Ltd., 2020

Inoltre, di seguito è riportata una lista di articoli e report da utilizzare come materiale di supporto (consigliato).

  • 5G Americas, "Wireless Technology Evolution: transition from 4G to 5G", white paper, Oct. 2018
  • 5G Americas, "5G the Future of IoT", July 2019
  • 5G Americas, "The 5G Evolution: 3GPP Release 16 - 17", Jan. 2020

[D2D]

  • 4G_Americas_Mobile_Broadband_Evolution_Toward_5G-Rel-12_Rel-13_June_2015
  • S. Lien, C. Chien, G. S. Liu, H. Tsai, R. Li and Y. J. Wang, "Enhanced LTE Device-to-Device Proximity Services," in IEEE Communications Magazine, vol. 54, no. 12, pp. 174-182, December 2016.
  • S. Lien et al., "3GPP NR Sidelink Transmissions Toward 5G V2X," in IEEE Access, vol. 8, pp. 35368-35382, 2020.

[IoT]

  • U. Raza, P. Kulkarni, M. Sooriyabandara, “Low Power Wide Area Networks: An Overview”, IEEE Communications Surveys & Tutorials, vol.19, no.2, Q2 2017, p.855-873
  • 5G Americas whitepaper, “LTE and 5G Technologies Enabling IoT”, Dec. 2016
  • 5G Americas whitepaper, “LTE Progress Leading to the 5G Massive IoT”, Dec. 2017
  • M. Asif-Ur-Rahman et al., "Toward a Heterogeneous Mist, Fog, and Cloud-Based Framework for the Internet of Healthcare Things," in IEEE Internet of Things Journal, vol. 6, no. 3, pp. 4049-4062, June 2019, doi: 10.1109/JIOT.2018.2876088.

[NB-IoT]

  • R. Ratasuk, N. Mangalvedhe, Y. Zhang, M. Robert and J. Koskinen, "Overview of narrowband IoT in LTE Rel-13," 2016 IEEE Conference on Standards for Communications and Networking (CSCN), Berlin, 2016, pp. 1-7.]
  • W. Yang et al., "Enhanced System Acquisition for NB-IoT," in IEEE Access, 2017, vol. 5, pp. 13179-13191.

[3GPP]

-
3GPP TS 23.501, "5G; System architecture for the 5G System (5GS)", 3GPP TS 23.501 version 15.8.0 Release 15 (ETSI TS 123 501 V15.8.0 (2020-01)), Jan. 2020.

-
3GPP TS 38.211, "5G; NR; Physical channels and modulation", 3GPP TS 38.211 version 15.2.0 Release 15, (ETSI TS 138 211 V15.2.0 (2018-07)), Jul. 2018.

-
3GPP TR 23.708, "Architecture enhancements for service capability exposure" e "oneM2M; 3GPP Release 13 Interworking" (oneM2M TR-0024 version 2.0.0), ETSI TR 118 524 V2.0.0 (2016-09), Sep. 2016.

Codice insegnamento UC63670

LTE, 5G e Internet of Things 2° anno · 6 CFU · IINF-03/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: conoscere i sistemi radiomobili di ultima generazione in termini di interfaccia radio, architettura e architettura protocollare; comprendere gli avanzamenti degli…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

-
conoscere i sistemi radiomobili di ultima generazione in termini di interfaccia radio, architettura e architettura protocollare;

-
comprendere gli avanzamenti degli ultimi anni nei sistemi radiomobili;

-
comprendere le tecniche da dispiegare al fine di garantire il servizio richiesto, in termini di scelte sull’interfaccia radio, architetturali e sulla rete di trasporto;

-
valutare in autonomia i vantaggi e gli svantaggi delle interfacce radio dei sistemi cellulari di ultima generazione e delle soluzioni tecniche per garantire elevato data rate d’utente e accesso simultaneo a migliaia di dispositivi;

-
apprendere e integrare le conoscenze da varie fonti sulle architetture dei sistemi cellulari al fine di valutare attraverso una visione più ampia le potenzialità di tali sistemi trattati in studi successivi o di futuri sviluppi;

-
esprimere con opportuno linguaggio gli argomenti del corso.

Programma

Il corso introduce il discente allo studio dei sistemi radiomobili di quarta generazione (Long Term Evolution, LTE) e quinta generazione o 5G. Durante il percorso di apprendimento verranno descritte e spiegate l’architettura, l’interfaccia radio e le funzionalità principali dell’architettura protocollare dei sistemi LTE, le sue evoluzioni e 5G. Infine, sono descritte le variazioni introdotte nell’interfaccia radio di tali sistemi al fine di poter supportare l’Internet of Things (IoT).

Questo corso è suddiviso in quattro moduli. Il primo modulo introduce il sistema radiomobile LTE. Il secondo modulo descrive le innovazioni apportate a tale sistema per aumentare il data rate per l’utente. Il modulo tre si occupa delle modifiche apportate principalmente all’interfaccia radio LTE al fine di garantire l’IoT e della descrizione di altre soluzioni standard e proprietarie. Infine, nel quarto modulo si descrive il sistema 5G in termini di interfaccia radio new radio, architettura protocollare e trasporto.

Modulo 1 - Sistema Long Term Evolution (LTE), Release 8 [9 LEZ.]

  • Architettura, identità, QoS, Security e OFDM (2 lezioni)
  • Strato fisico (3 lezioni)
  • Architettura protocollare (1 lezione)
  • Procedure di controllo nella core network e nella risorsa radio (2 lezioni)
  • Mobilità e Radio Resource Management (1 lezione)

Modulo 2 - Sistema LTE-Advanced e LTE Advanced Pro [2 LEZ.]

  • Release 10 e Release 11 (1 lezione)
  • Small Cells (Release 12) e cenni sulla Release 13 (1 lezione)

Modulo 3 - Internet of Things [3 LEZ.]

  • Nascita, introduzione e applicazioni principali della Internet delle cose (1 lezione)
  • Blocchi funzionali del sistema IoT (1/2 lezione)
  • Tecnologie per la comunicazione dell’IoT: proprietarie e da standard (1 lezione e 1/2)

Modulo 4 - Sistema 5G [4 LEZ.]

  • Introduzione e architettura (1 lezione e 1/2)
  • Interfaccia radio (1 lezione e 1/2)
  • Architettura protocollare, trasporto e prestazioni (1 lezione)

Modalità d'esame

L’esame si svolge in forma scritta e/o orale. Il punteggio della prova è espresso in trentesimi.

La prova scritta ha una durata massima di 120 minuti e consiste nel sottoporre allo studente una serie di domande teoriche (in genere 4 o 5) alle quali lo studente dovrà rispondere in maniera soddisfacente attenendosi all’argomento richiesto senza dilungarsi su argomenti collegati ma non centrali nella domanda. Le domande richiedono di norma la spiegazione o la descrizione di argomenti ben precisi trattati durante il corso, che mirano a dimostrare la conoscenza e comprensione dei sistemi radiomobili di nuova generazione e la capacità dello studente di applicare tali conoscenze tramite la progettazione di interfacce radio o di architetture per la realizzazione di particolari servizi. Di solito le difficoltà presenti (e di conseguenza il punteggio massimo conseguibile, se non diversamente esplicitato) sono equidistribuite tra le varie domande.

Tuttavia, al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare scelte architetturali, interfacce radio, funzionalità protocollari nella progettazione di sistemi radiomobili.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficiente sui concetti di base sull’interfacce radio e sulle funzionalità protocollari principali dei sistemi radiomobili di ultima generazione. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.

La prova orale consiste nel richiedere chiarimenti e approfondimenti allo studente riguardo imprecisioni o carenze concettuali nelle risposte fornite alle domande durante lo scritto oppure di altri argomenti del corso al fine di completare la valutazione della preparazione dello studente.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente e ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi in base agli argomenti trattati:

  • H. Holma, A. Toskala, “LTE for UMTS: Evolution to LTE-Advanced”, 2nd Edition, John Wiley & Sons Ltd., 2011
  • R. Kreher, K. Gaenger, “LTE Signaling: Troubleshooting and Performance Measurement”, 2nd Edition, John Wiley & Sons, Ltd. 2016.
  • H. Holma, A. Toskala, J. Reunanen, “LTE Small Cell Optimization: 3GPP Evolution to Release 13”, John Wiley & Sons Ltd. 2016.
  • H. Holma, A. Toskala, T. Nakamura, "5G Technology: 3GPP New Radio", First Edition, John Wiley & Sons Ltd., 2020

Inoltre, di seguito è riportata una lista di articoli e report da utilizzare come materiale di supporto (consigliato).

  • 5G Americas, "Wireless Technology Evolution: transition from 4G to 5G", white paper, Oct. 2018
  • 5G Americas, "5G the Future of IoT", July 2019
  • 5G Americas, "The 5G Evolution: 3GPP Release 16 - 17", Jan. 2020

[D2D]

  • 4G_Americas_Mobile_Broadband_Evolution_Toward_5G-Rel-12_Rel-13_June_2015
  • S. Lien, C. Chien, G. S. Liu, H. Tsai, R. Li and Y. J. Wang, "Enhanced LTE Device-to-Device Proximity Services," in IEEE Communications Magazine, vol. 54, no. 12, pp. 174-182, December 2016.
  • S. Lien et al., "3GPP NR Sidelink Transmissions Toward 5G V2X," in IEEE Access, vol. 8, pp. 35368-35382, 2020.

[IoT]

  • U. Raza, P. Kulkarni, M. Sooriyabandara, “Low Power Wide Area Networks: An Overview”, IEEE Communications Surveys & Tutorials, vol.19, no.2, Q2 2017, p.855-873
  • 5G Americas whitepaper, “LTE and 5G Technologies Enabling IoT”, Dec. 2016
  • 5G Americas whitepaper, “LTE Progress Leading to the 5G Massive IoT”, Dec. 2017
  • M. Asif-Ur-Rahman et al., "Toward a Heterogeneous Mist, Fog, and Cloud-Based Framework for the Internet of Healthcare Things," in IEEE Internet of Things Journal, vol. 6, no. 3, pp. 4049-4062, June 2019, doi: 10.1109/JIOT.2018.2876088.

[NB-IoT]

  • R. Ratasuk, N. Mangalvedhe, Y. Zhang, M. Robert and J. Koskinen, "Overview of narrowband IoT in LTE Rel-13," 2016 IEEE Conference on Standards for Communications and Networking (CSCN), Berlin, 2016, pp. 1-7.]
  • W. Yang et al., "Enhanced System Acquisition for NB-IoT," in IEEE Access, 2017, vol. 5, pp. 13179-13191.

[3GPP]

-
3GPP TS 23.501, "5G; System architecture for the 5G System (5GS)", 3GPP TS 23.501 version 15.8.0 Release 15 (ETSI TS 123 501 V15.8.0 (2020-01)), Jan. 2020.

-
3GPP TS 38.211, "5G; NR; Physical channels and modulation", 3GPP TS 38.211 version 15.2.0 Release 15, (ETSI TS 138 211 V15.2.0 (2018-07)), Jul. 2018.

-
3GPP TR 23.708, "Architecture enhancements for service capability exposure" e "oneM2M; 3GPP Release 13 Interworking" (oneM2M TR-0024 version 2.0.0), ETSI TR 118 524 V2.0.0 (2016-09), Sep. 2016.

Codice insegnamento UC63710

Laboratorio di Valutazione della Proprietà Industriale 2° anno · 6 CFU · 0 file
Laboratorio di Valutazione della Proprietà Industriale 2° anno · 6 CFU · 0 file
Laboratorio di Valutazione della Proprietà Industriale 2° anno · 6 CFU · 0 file
Laboratorio: Data Driven Operations for Industry 4.0 2° anno · 6 CFU · 0 file
Laboratorio: Data Driven Operations for Industry 4.0 2° anno · 6 CFU · 0 file
Laboratorio: Data Driven Operations for Industry 4.0 2° anno · 6 CFU · 0 file
MATH-04/A Modelli matematici per l’Ingegneria 2° anno · 6 CFU · 0 file
MATH-04/A Modelli matematici per l’Ingegneria 2° anno · 6 CFU · 0 file
MATH-04/A Modelli matematici per l’Ingegneria 2° anno · 6 CFU · 0 file
Metodi e linguaggi di simulazione 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso lo studente sarà in grado di sviluppare competenze teoriche e pratiche. Nel seguito queste sono elencate secondo le seguenti tipologie: (1) Conoscenza e comprensione; (2) Capacità di…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso lo studente sarà in grado di sviluppare competenze teoriche e pratiche. Nel seguito queste sono elencate secondo le seguenti tipologie: (1) Conoscenza e comprensione; (2) Capacità di applicare conoscenze e comprensione; (3) Competenze trasversali.

1. Conoscenza e comprensione

  • Conoscere i fondamenti teorici della modellazione e simulazione dei sistemi complessi.
  • Comprendere le principali tipologie di distribuzioni statistiche (continue e discrete) e i metodi di generazione di variabili casuali.
  • Descrivere i concetti chiave dell’inferenza statistica, della propagazione delle incertezze e della validazione dei risultati sperimentali e simulativi.
  • Comprendere la struttura, le componenti e le applicazioni dei Digital Twin e le differenze rispetto alle simulazioni tradizionali.
  • Conoscere le principali tecnologie e metodologie dell’Industria 4.0 e 5.0, e il loro impatto su processi produttivi, sostenibilità e innovazione.
  • Comprendere la teoria dei grafi applicata a reti complesse e la modellizzazione matematica dei processi di diffusione epidemica.
  • Distinguere tra i principali approcci di modellazione dinamica: System Dynamics e Agent-Based Modelling, analizzandone i vantaggi, i limiti e le aree di applicazione.

2. Capacità di applicare conoscenze e comprensione

  • Applicare metodi di generazione di numeri casuali e di distribuzioni statistiche per la simulazione di sistemi reali.
  • Utilizzare strumenti di programmazione (in particolare Python) e librerie dedicate (NetworkX, SciPy, Epydemic) per realizzare simulazioni di sistemi a code, reti complesse e processi epidemici.
  • Analizzare criticamente i risultati delle simulazioni, stimare parametri, valutare la bontà del modello e confrontare dati simulati con dati teorici o sperimentali.
  • Progettare ed implementare semplici Digital Twin e simulazioni di processi produttivi, valutandone vantaggi e criticità.
  • Sviluppare modelli sia aggregati (System Dynamics) sia disaggregati (Agent-Based Modelling), selezionando l’approccio più adatto in base al contesto applicativo.

3. Competenze trasversali

  • Sviluppare la capacità di affrontare problemi complessi attraverso la scomposizione in modelli e la simulazione numerica, promuovendo autonomia di giudizio nella scelta delle metodologie più opportune.
  • Migliorare le abilità comunicative attraverso la redazione di relazioni tecniche, l’interpretazione e la presentazione dei risultati di simulazione tramite grafici, report e discussione critica.
  • Rafforzare la capacità di apprendimento autonomo e aggiornamento continuo, utilizzando risorse digitali e letteratura scientifica per approfondire temi innovativi legati alla simulazione, all’industria digitale e all’analisi dei dati.
  • Sviluppare un approccio interdisciplinare, integrando conoscenze matematiche, informatiche e ingegneristiche per la risoluzione di problemi in diversi contesti applicativi (industria, scienze, salute, società).

Programma

Il corso offre una panoramica completa sulla modellazione, simulazione e analisi dei sistemi complessi, con un focus sia teorico che pratico su metodi matematici, strumenti software e applicazioni moderne. Si parte dai concetti base della generazione di numeri casuali e distribuzioni statistiche, fondamentali per le simulazioni e le analisi quantitative. Vengono approfondite le principali distribuzioni continue e discrete, con esempi pratici in Python, e sono introdotti i concetti di inferenza statistica, propagazione delle incertezze e tecniche di fitting. Il corso affronta le metodologie per l’analisi e la validazione dei risultati di simulazione, includendo la stima dei parametri, il metodo dei run replicati e l’uso di tecniche avanzate per assicurare la significatività e l’affidabilità dei dati prodotti. Ampio spazio è dedicato alla simulazione di sistemi a eventi discreti, con la realizzazione di modelli Python per sistemi a coda, e all’applicazione di queste tecniche in ambiti innovativi come i Digital Twin e l’Industria 4.0/5.0, dove sono esaminate le tecnologie abilitanti, le architetture e le principali sfide.
La seconda parte del corso si concentra su reti complesse e sulla simulazione di processi epidemici, trattando sia la teoria dei grafi che i principali modelli epidemiologici (es. SI, SIR, SEIR) e le relative implementazioni pratiche in Python, utilizzando librerie come NetworkX, SciPy e Epydemic. Infine, vengono messi a confronto i due principali approcci di modellazione dinamica: System Dynamics e Agent-Based Modelling (ABM), discutendone vantaggi, limiti, componenti chiave e campi di applicazione.
Il corso è progettato per fornire una visione integrata, con solide basi teoriche e numerose esercitazioni pratiche, ed è particolarmente orientato a chi intende applicare la simulazione e l’analisi dati in ambito industriale, scientifico o tecnologico.

MODULO 1. Fondamenti di simulazione I
1. Introduzione alla simulazione

  • Cos’è la simulazione: nozioni generali
  • Sistemi e modelli
  • Simulazione e modelli di simulazione
  • Pianificazione di un esperimento di simulazione

2. Metodologie per la simulazione discreta

  • Le entità del sistema
  • Nozioni di evento, attività e processo
  • Meccanismi di avanzamento del tempo
  • Produzione del modello di simulazione

3. La simulazione come metodo sperimentale

  • Il metodo scientifico e la simulazione
  • Introduzione all’analisi dei dati sperimentali

MODULO 2. Probabilità e statistica
4. Probabilità e variabili casuali

  • Il concetto di probabilità ed i metodi di calcolo
  • Fondamenti di teoria della probabilità
  • Il calcolo combinatorio
  • Le variabili casuali

5. Le variabili casuali

  • Variabili casuali: i fondamenti
  • Variabili casuali notevoli
  • Proprietà notevoli delle variabili casuali
  • Variabili casuali multiple

6. Tecniche e Applicazioni per la Generazione di Numeri Casuali e Distribuzioni

  • Generazione di numeri casuali e pseudocasuali a distribuzione uniforme
  • Il metodo della congruenza lineare
  • Generazione di numeri casuali in Python
  • Generazione di distribuzioni qualsiasi

7. Generazione di distribuzioni continue e discrete

  • Generazione di distribuzioni approssimate continue
  • Generazione di distribuzioni discrete

8. L’inferenza

  • Introduzione all’inferenza
  • Inferenza sul valore vero
  • La propagazione delle incertezze nelle misure indirette
  • Consistenza e significatività
  • Analisi delle dipendenze funzionali: il fit

MODULO 3. Fondamenti di simulazione II
9. Analisi dei risultati e convalida in esperimenti di simulazione

  • Stima dei parametri di una distribuzione
  • Stima della media
  • Statistiche dell’esperimento di simulazione
  • Metodo dei run replicati
  • Stimatori di Gordon

10. Esercizi di simulazione

  • Simulazione di un sistema a centro singolo
  • Simulazione di un sistema multi-centro

MODULO 4. Applicazioni della simulazione
11. Digital Twin: Teoria, pratica e sfide per il futuro

  • Definizioni, storia ed origini dei digital twin
  • Componenti ed architettura dei digital twin
  • Tecnologie abilitanti
  • Vantaggi ed applicazioni
  • Criticità e sfide

12. Industria 4.0 ed Industria 5.0: tecnologie abilitanti, applicazioni e sfide aperte

  • Origine del concetto di Industria 4.0
  • Gli obiettivi principali dell’Industria 4.0
  • Tecnologie, metodologie, applicazioni e sfide aperte dell’Industria 4.0
  • Definizione di Industria 5.0
  • Gli obiettivi principali dell’Industria 5.0
  • Tecnologie chiave, applicazioni e sfide aperte dell’Industria 5.0

MODULO 5. Modellazione e simulazione di sistemi complessi: reti, epidemie e approcci dinamici
13. Reti complesse e simulazione di processi epidemici

  • Nozioni fondamentali sulla teoria dei grafi
  • Modelli di reti complesse
  • Modelli matematici per le epidemie

14. Simulazione di processi epidemici in Python

  • Uso della libreria NetworkX
  • Uso della libreria scipy
  • Uso della libreria epydemic

15. Agent-based Modelling e System Dynamics

  • Concetti fondamentali
  • Componenti chiave della System Dynamics
  • Componenti chiave dell’Agent-based Modelling
  • Vantaggi e limiti di System Dynamics ed Agent-based Modelling

Modalità d'esame

L’esame si svolge in forma scritta e consiste in 5 quesiti della durata di circa 2h. Di questi 4 sono domande a risposta aperta ed 1 consiste nel progetto di un simulatore. L’esame avrà come obiettivo la verifica della comprensione degli argomenti trattati nel corso e della capacità di applicare la conoscenza acquisita al fine di organizzare, progettare e realizzare un esperimento di simulazione. Non sono previste prove in itinere.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è consigliato lo studio dei seguenti testi:

  • G. Iazeolla, Principi e metodi di simulazione discreta. Simulazione sequenziale, parallela, distribuita, simulazione web. Metodi di analisi dell'output, Franco Angeli, 2010.
  • C. Bini, Lezioni di statistica per la fisica sperimentale. Edizioni Nuova Cultura, 2009.
  • Angira Sharma, Edward Kosasih, Jie Zhang, Alexandra Brintrup, Anisoara Calinescu, Digital Twins: State of the art theory and practice, challenges, and open research questions, Journal of Industrial Information Integration, Volume 30, 2022, https://doi.org/10.1016/j.jii.2022.100383.
  • Yang Lu, Industry 4.0: A survey on technologies, applications and open research issues, Journal of Industrial Information Integration, Volume 6, 2017, Pages 1-10, https://doi.org/10.1016/j.jii.2017.04.005.
  • Praveen Kumar Reddy Maddikunta, Quoc-Viet Pham, Prabadevi B, N Deepa, Kapal Dev, Thippa Reddy Gadekallu, Rukhsana Ruby, Madhusanka Liyanage, Industry 5.0: A survey on enabling technologies and potential applications, Journal of Industrial Information Integration, Volume 26, 2022, https://doi.org/10.1016/j.jii.2021.100257.

Codice insegnamento UC63637

Metodi e linguaggi di simulazione 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso lo studente sarà in grado di sviluppare competenze teoriche e pratiche. Nel seguito queste sono elencate secondo le seguenti tipologie: (1) Conoscenza e comprensione; (2) Capacità di…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso lo studente sarà in grado di sviluppare competenze teoriche e pratiche. Nel seguito queste sono elencate secondo le seguenti tipologie: (1) Conoscenza e comprensione; (2) Capacità di applicare conoscenze e comprensione; (3) Competenze trasversali.

1. Conoscenza e comprensione

  • Conoscere i fondamenti teorici della modellazione e simulazione dei sistemi complessi.
  • Comprendere le principali tipologie di distribuzioni statistiche (continue e discrete) e i metodi di generazione di variabili casuali.
  • Descrivere i concetti chiave dell’inferenza statistica, della propagazione delle incertezze e della validazione dei risultati sperimentali e simulativi.
  • Comprendere la struttura, le componenti e le applicazioni dei Digital Twin e le differenze rispetto alle simulazioni tradizionali.
  • Conoscere le principali tecnologie e metodologie dell’Industria 4.0 e 5.0, e il loro impatto su processi produttivi, sostenibilità e innovazione.
  • Comprendere la teoria dei grafi applicata a reti complesse e la modellizzazione matematica dei processi di diffusione epidemica.
  • Distinguere tra i principali approcci di modellazione dinamica: System Dynamics e Agent-Based Modelling, analizzandone i vantaggi, i limiti e le aree di applicazione.

2. Capacità di applicare conoscenze e comprensione

  • Applicare metodi di generazione di numeri casuali e di distribuzioni statistiche per la simulazione di sistemi reali.
  • Utilizzare strumenti di programmazione (in particolare Python) e librerie dedicate (NetworkX, SciPy, Epydemic) per realizzare simulazioni di sistemi a code, reti complesse e processi epidemici.
  • Analizzare criticamente i risultati delle simulazioni, stimare parametri, valutare la bontà del modello e confrontare dati simulati con dati teorici o sperimentali.
  • Progettare ed implementare semplici Digital Twin e simulazioni di processi produttivi, valutandone vantaggi e criticità.
  • Sviluppare modelli sia aggregati (System Dynamics) sia disaggregati (Agent-Based Modelling), selezionando l’approccio più adatto in base al contesto applicativo.

3. Competenze trasversali

  • Sviluppare la capacità di affrontare problemi complessi attraverso la scomposizione in modelli e la simulazione numerica, promuovendo autonomia di giudizio nella scelta delle metodologie più opportune.
  • Migliorare le abilità comunicative attraverso la redazione di relazioni tecniche, l’interpretazione e la presentazione dei risultati di simulazione tramite grafici, report e discussione critica.
  • Rafforzare la capacità di apprendimento autonomo e aggiornamento continuo, utilizzando risorse digitali e letteratura scientifica per approfondire temi innovativi legati alla simulazione, all’industria digitale e all’analisi dei dati.
  • Sviluppare un approccio interdisciplinare, integrando conoscenze matematiche, informatiche e ingegneristiche per la risoluzione di problemi in diversi contesti applicativi (industria, scienze, salute, società).

Programma

Il corso offre una panoramica completa sulla modellazione, simulazione e analisi dei sistemi complessi, con un focus sia teorico che pratico su metodi matematici, strumenti software e applicazioni moderne. Si parte dai concetti base della generazione di numeri casuali e distribuzioni statistiche, fondamentali per le simulazioni e le analisi quantitative. Vengono approfondite le principali distribuzioni continue e discrete, con esempi pratici in Python, e sono introdotti i concetti di inferenza statistica, propagazione delle incertezze e tecniche di fitting. Il corso affronta le metodologie per l’analisi e la validazione dei risultati di simulazione, includendo la stima dei parametri, il metodo dei run replicati e l’uso di tecniche avanzate per assicurare la significatività e l’affidabilità dei dati prodotti. Ampio spazio è dedicato alla simulazione di sistemi a eventi discreti, con la realizzazione di modelli Python per sistemi a coda, e all’applicazione di queste tecniche in ambiti innovativi come i Digital Twin e l’Industria 4.0/5.0, dove sono esaminate le tecnologie abilitanti, le architetture e le principali sfide.
La seconda parte del corso si concentra su reti complesse e sulla simulazione di processi epidemici, trattando sia la teoria dei grafi che i principali modelli epidemiologici (es. SI, SIR, SEIR) e le relative implementazioni pratiche in Python, utilizzando librerie come NetworkX, SciPy e Epydemic. Infine, vengono messi a confronto i due principali approcci di modellazione dinamica: System Dynamics e Agent-Based Modelling (ABM), discutendone vantaggi, limiti, componenti chiave e campi di applicazione.
Il corso è progettato per fornire una visione integrata, con solide basi teoriche e numerose esercitazioni pratiche, ed è particolarmente orientato a chi intende applicare la simulazione e l’analisi dati in ambito industriale, scientifico o tecnologico.

MODULO 1. Fondamenti di simulazione I
1. Introduzione alla simulazione

  • Cos’è la simulazione: nozioni generali
  • Sistemi e modelli
  • Simulazione e modelli di simulazione
  • Pianificazione di un esperimento di simulazione

2. Metodologie per la simulazione discreta

  • Le entità del sistema
  • Nozioni di evento, attività e processo
  • Meccanismi di avanzamento del tempo
  • Produzione del modello di simulazione

3. La simulazione come metodo sperimentale

  • Il metodo scientifico e la simulazione
  • Introduzione all’analisi dei dati sperimentali

MODULO 2. Probabilità e statistica
4. Probabilità e variabili casuali

  • Il concetto di probabilità ed i metodi di calcolo
  • Fondamenti di teoria della probabilità
  • Il calcolo combinatorio
  • Le variabili casuali

5. Le variabili casuali

  • Variabili casuali: i fondamenti
  • Variabili casuali notevoli
  • Proprietà notevoli delle variabili casuali
  • Variabili casuali multiple

6. Tecniche e Applicazioni per la Generazione di Numeri Casuali e Distribuzioni

  • Generazione di numeri casuali e pseudocasuali a distribuzione uniforme
  • Il metodo della congruenza lineare
  • Generazione di numeri casuali in Python
  • Generazione di distribuzioni qualsiasi

7. Generazione di distribuzioni continue e discrete

  • Generazione di distribuzioni approssimate continue
  • Generazione di distribuzioni discrete

8. L’inferenza

  • Introduzione all’inferenza
  • Inferenza sul valore vero
  • La propagazione delle incertezze nelle misure indirette
  • Consistenza e significatività
  • Analisi delle dipendenze funzionali: il fit

MODULO 3. Fondamenti di simulazione II
9. Analisi dei risultati e convalida in esperimenti di simulazione

  • Stima dei parametri di una distribuzione
  • Stima della media
  • Statistiche dell’esperimento di simulazione
  • Metodo dei run replicati
  • Stimatori di Gordon

10. Esercizi di simulazione

  • Simulazione di un sistema a centro singolo
  • Simulazione di un sistema multi-centro

MODULO 4. Applicazioni della simulazione
11. Digital Twin: Teoria, pratica e sfide per il futuro

  • Definizioni, storia ed origini dei digital twin
  • Componenti ed architettura dei digital twin
  • Tecnologie abilitanti
  • Vantaggi ed applicazioni
  • Criticità e sfide

12. Industria 4.0 ed Industria 5.0: tecnologie abilitanti, applicazioni e sfide aperte

  • Origine del concetto di Industria 4.0
  • Gli obiettivi principali dell’Industria 4.0
  • Tecnologie, metodologie, applicazioni e sfide aperte dell’Industria 4.0
  • Definizione di Industria 5.0
  • Gli obiettivi principali dell’Industria 5.0
  • Tecnologie chiave, applicazioni e sfide aperte dell’Industria 5.0

MODULO 5. Modellazione e simulazione di sistemi complessi: reti, epidemie e approcci dinamici
13. Reti complesse e simulazione di processi epidemici

  • Nozioni fondamentali sulla teoria dei grafi
  • Modelli di reti complesse
  • Modelli matematici per le epidemie

14. Simulazione di processi epidemici in Python

  • Uso della libreria NetworkX
  • Uso della libreria scipy
  • Uso della libreria epydemic

15. Agent-based Modelling e System Dynamics

  • Concetti fondamentali
  • Componenti chiave della System Dynamics
  • Componenti chiave dell’Agent-based Modelling
  • Vantaggi e limiti di System Dynamics ed Agent-based Modelling

Modalità d'esame

L’esame si svolge in forma scritta e consiste in 5 quesiti della durata di circa 2h. Di questi 4 sono domande a risposta aperta ed 1 consiste nel progetto di un simulatore. L’esame avrà come obiettivo la verifica della comprensione degli argomenti trattati nel corso e della capacità di applicare la conoscenza acquisita al fine di organizzare, progettare e realizzare un esperimento di simulazione. Non sono previste prove in itinere.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è consigliato lo studio dei seguenti testi:

  • G. Iazeolla, Principi e metodi di simulazione discreta. Simulazione sequenziale, parallela, distribuita, simulazione web. Metodi di analisi dell'output, Franco Angeli, 2010.
  • C. Bini, Lezioni di statistica per la fisica sperimentale. Edizioni Nuova Cultura, 2009.
  • Angira Sharma, Edward Kosasih, Jie Zhang, Alexandra Brintrup, Anisoara Calinescu, Digital Twins: State of the art theory and practice, challenges, and open research questions, Journal of Industrial Information Integration, Volume 30, 2022, https://doi.org/10.1016/j.jii.2022.100383.
  • Yang Lu, Industry 4.0: A survey on technologies, applications and open research issues, Journal of Industrial Information Integration, Volume 6, 2017, Pages 1-10, https://doi.org/10.1016/j.jii.2017.04.005.
  • Praveen Kumar Reddy Maddikunta, Quoc-Viet Pham, Prabadevi B, N Deepa, Kapal Dev, Thippa Reddy Gadekallu, Rukhsana Ruby, Madhusanka Liyanage, Industry 5.0: A survey on enabling technologies and potential applications, Journal of Industrial Information Integration, Volume 26, 2022, https://doi.org/10.1016/j.jii.2021.100257.

Codice insegnamento UC63675

Metodi e linguaggi di simulazione 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso lo studente sarà in grado di sviluppare competenze teoriche e pratiche. Nel seguito queste sono elencate secondo le seguenti tipologie: (1) Conoscenza e comprensione; (2) Capacità di…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso lo studente sarà in grado di sviluppare competenze teoriche e pratiche. Nel seguito queste sono elencate secondo le seguenti tipologie: (1) Conoscenza e comprensione; (2) Capacità di applicare conoscenze e comprensione; (3) Competenze trasversali.

1. Conoscenza e comprensione

  • Conoscere i fondamenti teorici della modellazione e simulazione dei sistemi complessi.
  • Comprendere le principali tipologie di distribuzioni statistiche (continue e discrete) e i metodi di generazione di variabili casuali.
  • Descrivere i concetti chiave dell’inferenza statistica, della propagazione delle incertezze e della validazione dei risultati sperimentali e simulativi.
  • Comprendere la struttura, le componenti e le applicazioni dei Digital Twin e le differenze rispetto alle simulazioni tradizionali.
  • Conoscere le principali tecnologie e metodologie dell’Industria 4.0 e 5.0, e il loro impatto su processi produttivi, sostenibilità e innovazione.
  • Comprendere la teoria dei grafi applicata a reti complesse e la modellizzazione matematica dei processi di diffusione epidemica.
  • Distinguere tra i principali approcci di modellazione dinamica: System Dynamics e Agent-Based Modelling, analizzandone i vantaggi, i limiti e le aree di applicazione.

2. Capacità di applicare conoscenze e comprensione

  • Applicare metodi di generazione di numeri casuali e di distribuzioni statistiche per la simulazione di sistemi reali.
  • Utilizzare strumenti di programmazione (in particolare Python) e librerie dedicate (NetworkX, SciPy, Epydemic) per realizzare simulazioni di sistemi a code, reti complesse e processi epidemici.
  • Analizzare criticamente i risultati delle simulazioni, stimare parametri, valutare la bontà del modello e confrontare dati simulati con dati teorici o sperimentali.
  • Progettare ed implementare semplici Digital Twin e simulazioni di processi produttivi, valutandone vantaggi e criticità.
  • Sviluppare modelli sia aggregati (System Dynamics) sia disaggregati (Agent-Based Modelling), selezionando l’approccio più adatto in base al contesto applicativo.

3. Competenze trasversali

  • Sviluppare la capacità di affrontare problemi complessi attraverso la scomposizione in modelli e la simulazione numerica, promuovendo autonomia di giudizio nella scelta delle metodologie più opportune.
  • Migliorare le abilità comunicative attraverso la redazione di relazioni tecniche, l’interpretazione e la presentazione dei risultati di simulazione tramite grafici, report e discussione critica.
  • Rafforzare la capacità di apprendimento autonomo e aggiornamento continuo, utilizzando risorse digitali e letteratura scientifica per approfondire temi innovativi legati alla simulazione, all’industria digitale e all’analisi dei dati.
  • Sviluppare un approccio interdisciplinare, integrando conoscenze matematiche, informatiche e ingegneristiche per la risoluzione di problemi in diversi contesti applicativi (industria, scienze, salute, società).

Programma

Il corso offre una panoramica completa sulla modellazione, simulazione e analisi dei sistemi complessi, con un focus sia teorico che pratico su metodi matematici, strumenti software e applicazioni moderne. Si parte dai concetti base della generazione di numeri casuali e distribuzioni statistiche, fondamentali per le simulazioni e le analisi quantitative. Vengono approfondite le principali distribuzioni continue e discrete, con esempi pratici in Python, e sono introdotti i concetti di inferenza statistica, propagazione delle incertezze e tecniche di fitting. Il corso affronta le metodologie per l’analisi e la validazione dei risultati di simulazione, includendo la stima dei parametri, il metodo dei run replicati e l’uso di tecniche avanzate per assicurare la significatività e l’affidabilità dei dati prodotti. Ampio spazio è dedicato alla simulazione di sistemi a eventi discreti, con la realizzazione di modelli Python per sistemi a coda, e all’applicazione di queste tecniche in ambiti innovativi come i Digital Twin e l’Industria 4.0/5.0, dove sono esaminate le tecnologie abilitanti, le architetture e le principali sfide.
La seconda parte del corso si concentra su reti complesse e sulla simulazione di processi epidemici, trattando sia la teoria dei grafi che i principali modelli epidemiologici (es. SI, SIR, SEIR) e le relative implementazioni pratiche in Python, utilizzando librerie come NetworkX, SciPy e Epydemic. Infine, vengono messi a confronto i due principali approcci di modellazione dinamica: System Dynamics e Agent-Based Modelling (ABM), discutendone vantaggi, limiti, componenti chiave e campi di applicazione.
Il corso è progettato per fornire una visione integrata, con solide basi teoriche e numerose esercitazioni pratiche, ed è particolarmente orientato a chi intende applicare la simulazione e l’analisi dati in ambito industriale, scientifico o tecnologico.

MODULO 1. Fondamenti di simulazione I
1. Introduzione alla simulazione

  • Cos’è la simulazione: nozioni generali
  • Sistemi e modelli
  • Simulazione e modelli di simulazione
  • Pianificazione di un esperimento di simulazione

2. Metodologie per la simulazione discreta

  • Le entità del sistema
  • Nozioni di evento, attività e processo
  • Meccanismi di avanzamento del tempo
  • Produzione del modello di simulazione

3. La simulazione come metodo sperimentale

  • Il metodo scientifico e la simulazione
  • Introduzione all’analisi dei dati sperimentali

MODULO 2. Probabilità e statistica
4. Probabilità e variabili casuali

  • Il concetto di probabilità ed i metodi di calcolo
  • Fondamenti di teoria della probabilità
  • Il calcolo combinatorio
  • Le variabili casuali

5. Le variabili casuali

  • Variabili casuali: i fondamenti
  • Variabili casuali notevoli
  • Proprietà notevoli delle variabili casuali
  • Variabili casuali multiple

6. Tecniche e Applicazioni per la Generazione di Numeri Casuali e Distribuzioni

  • Generazione di numeri casuali e pseudocasuali a distribuzione uniforme
  • Il metodo della congruenza lineare
  • Generazione di numeri casuali in Python
  • Generazione di distribuzioni qualsiasi

7. Generazione di distribuzioni continue e discrete

  • Generazione di distribuzioni approssimate continue
  • Generazione di distribuzioni discrete

8. L’inferenza

  • Introduzione all’inferenza
  • Inferenza sul valore vero
  • La propagazione delle incertezze nelle misure indirette
  • Consistenza e significatività
  • Analisi delle dipendenze funzionali: il fit

MODULO 3. Fondamenti di simulazione II
9. Analisi dei risultati e convalida in esperimenti di simulazione

  • Stima dei parametri di una distribuzione
  • Stima della media
  • Statistiche dell’esperimento di simulazione
  • Metodo dei run replicati
  • Stimatori di Gordon

10. Esercizi di simulazione

  • Simulazione di un sistema a centro singolo
  • Simulazione di un sistema multi-centro

MODULO 4. Applicazioni della simulazione
11. Digital Twin: Teoria, pratica e sfide per il futuro

  • Definizioni, storia ed origini dei digital twin
  • Componenti ed architettura dei digital twin
  • Tecnologie abilitanti
  • Vantaggi ed applicazioni
  • Criticità e sfide

12. Industria 4.0 ed Industria 5.0: tecnologie abilitanti, applicazioni e sfide aperte

  • Origine del concetto di Industria 4.0
  • Gli obiettivi principali dell’Industria 4.0
  • Tecnologie, metodologie, applicazioni e sfide aperte dell’Industria 4.0
  • Definizione di Industria 5.0
  • Gli obiettivi principali dell’Industria 5.0
  • Tecnologie chiave, applicazioni e sfide aperte dell’Industria 5.0

MODULO 5. Modellazione e simulazione di sistemi complessi: reti, epidemie e approcci dinamici
13. Reti complesse e simulazione di processi epidemici

  • Nozioni fondamentali sulla teoria dei grafi
  • Modelli di reti complesse
  • Modelli matematici per le epidemie

14. Simulazione di processi epidemici in Python

  • Uso della libreria NetworkX
  • Uso della libreria scipy
  • Uso della libreria epydemic

15. Agent-based Modelling e System Dynamics

  • Concetti fondamentali
  • Componenti chiave della System Dynamics
  • Componenti chiave dell’Agent-based Modelling
  • Vantaggi e limiti di System Dynamics ed Agent-based Modelling

Modalità d'esame

L’esame si svolge in forma scritta e consiste in 5 quesiti della durata di circa 2h. Di questi 4 sono domande a risposta aperta ed 1 consiste nel progetto di un simulatore. L’esame avrà come obiettivo la verifica della comprensione degli argomenti trattati nel corso e della capacità di applicare la conoscenza acquisita al fine di organizzare, progettare e realizzare un esperimento di simulazione. Non sono previste prove in itinere.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è consigliato lo studio dei seguenti testi:

  • G. Iazeolla, Principi e metodi di simulazione discreta. Simulazione sequenziale, parallela, distribuita, simulazione web. Metodi di analisi dell'output, Franco Angeli, 2010.
  • C. Bini, Lezioni di statistica per la fisica sperimentale. Edizioni Nuova Cultura, 2009.
  • Angira Sharma, Edward Kosasih, Jie Zhang, Alexandra Brintrup, Anisoara Calinescu, Digital Twins: State of the art theory and practice, challenges, and open research questions, Journal of Industrial Information Integration, Volume 30, 2022, https://doi.org/10.1016/j.jii.2022.100383.
  • Yang Lu, Industry 4.0: A survey on technologies, applications and open research issues, Journal of Industrial Information Integration, Volume 6, 2017, Pages 1-10, https://doi.org/10.1016/j.jii.2017.04.005.
  • Praveen Kumar Reddy Maddikunta, Quoc-Viet Pham, Prabadevi B, N Deepa, Kapal Dev, Thippa Reddy Gadekallu, Rukhsana Ruby, Madhusanka Liyanage, Industry 5.0: A survey on enabling technologies and potential applications, Journal of Industrial Information Integration, Volume 26, 2022, https://doi.org/10.1016/j.jii.2021.100257.

Codice insegnamento UC63715

Metodi e linguaggi di simulazione 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso lo studente sarà in grado di sviluppare competenze teoriche e pratiche. Nel seguito queste sono elencate secondo le seguenti tipologie: (1) Conoscenza e comprensione; (2) Capacità di…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso lo studente sarà in grado di sviluppare competenze teoriche e pratiche. Nel seguito queste sono elencate secondo le seguenti tipologie: (1) Conoscenza e comprensione; (2) Capacità di applicare conoscenze e comprensione; (3) Competenze trasversali.

1. Conoscenza e comprensione

  • Conoscere i fondamenti teorici della modellazione e simulazione dei sistemi complessi.
  • Comprendere le principali tipologie di distribuzioni statistiche (continue e discrete) e i metodi di generazione di variabili casuali.
  • Descrivere i concetti chiave dell’inferenza statistica, della propagazione delle incertezze e della validazione dei risultati sperimentali e simulativi.
  • Comprendere la struttura, le componenti e le applicazioni dei Digital Twin e le differenze rispetto alle simulazioni tradizionali.
  • Conoscere le principali tecnologie e metodologie dell’Industria 4.0 e 5.0, e il loro impatto su processi produttivi, sostenibilità e innovazione.
  • Comprendere la teoria dei grafi applicata a reti complesse e la modellizzazione matematica dei processi di diffusione epidemica.
  • Distinguere tra i principali approcci di modellazione dinamica: System Dynamics e Agent-Based Modelling, analizzandone i vantaggi, i limiti e le aree di applicazione.

2. Capacità di applicare conoscenze e comprensione

  • Applicare metodi di generazione di numeri casuali e di distribuzioni statistiche per la simulazione di sistemi reali.
  • Utilizzare strumenti di programmazione (in particolare Python) e librerie dedicate (NetworkX, SciPy, Epydemic) per realizzare simulazioni di sistemi a code, reti complesse e processi epidemici.
  • Analizzare criticamente i risultati delle simulazioni, stimare parametri, valutare la bontà del modello e confrontare dati simulati con dati teorici o sperimentali.
  • Progettare ed implementare semplici Digital Twin e simulazioni di processi produttivi, valutandone vantaggi e criticità.
  • Sviluppare modelli sia aggregati (System Dynamics) sia disaggregati (Agent-Based Modelling), selezionando l’approccio più adatto in base al contesto applicativo.

3. Competenze trasversali

  • Sviluppare la capacità di affrontare problemi complessi attraverso la scomposizione in modelli e la simulazione numerica, promuovendo autonomia di giudizio nella scelta delle metodologie più opportune.
  • Migliorare le abilità comunicative attraverso la redazione di relazioni tecniche, l’interpretazione e la presentazione dei risultati di simulazione tramite grafici, report e discussione critica.
  • Rafforzare la capacità di apprendimento autonomo e aggiornamento continuo, utilizzando risorse digitali e letteratura scientifica per approfondire temi innovativi legati alla simulazione, all’industria digitale e all’analisi dei dati.
  • Sviluppare un approccio interdisciplinare, integrando conoscenze matematiche, informatiche e ingegneristiche per la risoluzione di problemi in diversi contesti applicativi (industria, scienze, salute, società).

Programma

Il corso offre una panoramica completa sulla modellazione, simulazione e analisi dei sistemi complessi, con un focus sia teorico che pratico su metodi matematici, strumenti software e applicazioni moderne. Si parte dai concetti base della generazione di numeri casuali e distribuzioni statistiche, fondamentali per le simulazioni e le analisi quantitative. Vengono approfondite le principali distribuzioni continue e discrete, con esempi pratici in Python, e sono introdotti i concetti di inferenza statistica, propagazione delle incertezze e tecniche di fitting. Il corso affronta le metodologie per l’analisi e la validazione dei risultati di simulazione, includendo la stima dei parametri, il metodo dei run replicati e l’uso di tecniche avanzate per assicurare la significatività e l’affidabilità dei dati prodotti. Ampio spazio è dedicato alla simulazione di sistemi a eventi discreti, con la realizzazione di modelli Python per sistemi a coda, e all’applicazione di queste tecniche in ambiti innovativi come i Digital Twin e l’Industria 4.0/5.0, dove sono esaminate le tecnologie abilitanti, le architetture e le principali sfide.
La seconda parte del corso si concentra su reti complesse e sulla simulazione di processi epidemici, trattando sia la teoria dei grafi che i principali modelli epidemiologici (es. SI, SIR, SEIR) e le relative implementazioni pratiche in Python, utilizzando librerie come NetworkX, SciPy e Epydemic. Infine, vengono messi a confronto i due principali approcci di modellazione dinamica: System Dynamics e Agent-Based Modelling (ABM), discutendone vantaggi, limiti, componenti chiave e campi di applicazione.
Il corso è progettato per fornire una visione integrata, con solide basi teoriche e numerose esercitazioni pratiche, ed è particolarmente orientato a chi intende applicare la simulazione e l’analisi dati in ambito industriale, scientifico o tecnologico.

MODULO 1. Fondamenti di simulazione I
1. Introduzione alla simulazione

  • Cos’è la simulazione: nozioni generali
  • Sistemi e modelli
  • Simulazione e modelli di simulazione
  • Pianificazione di un esperimento di simulazione

2. Metodologie per la simulazione discreta

  • Le entità del sistema
  • Nozioni di evento, attività e processo
  • Meccanismi di avanzamento del tempo
  • Produzione del modello di simulazione

3. La simulazione come metodo sperimentale

  • Il metodo scientifico e la simulazione
  • Introduzione all’analisi dei dati sperimentali

MODULO 2. Probabilità e statistica
4. Probabilità e variabili casuali

  • Il concetto di probabilità ed i metodi di calcolo
  • Fondamenti di teoria della probabilità
  • Il calcolo combinatorio
  • Le variabili casuali

5. Le variabili casuali

  • Variabili casuali: i fondamenti
  • Variabili casuali notevoli
  • Proprietà notevoli delle variabili casuali
  • Variabili casuali multiple

6. Tecniche e Applicazioni per la Generazione di Numeri Casuali e Distribuzioni

  • Generazione di numeri casuali e pseudocasuali a distribuzione uniforme
  • Il metodo della congruenza lineare
  • Generazione di numeri casuali in Python
  • Generazione di distribuzioni qualsiasi

7. Generazione di distribuzioni continue e discrete

  • Generazione di distribuzioni approssimate continue
  • Generazione di distribuzioni discrete

8. L’inferenza

  • Introduzione all’inferenza
  • Inferenza sul valore vero
  • La propagazione delle incertezze nelle misure indirette
  • Consistenza e significatività
  • Analisi delle dipendenze funzionali: il fit

MODULO 3. Fondamenti di simulazione II
9. Analisi dei risultati e convalida in esperimenti di simulazione

  • Stima dei parametri di una distribuzione
  • Stima della media
  • Statistiche dell’esperimento di simulazione
  • Metodo dei run replicati
  • Stimatori di Gordon

10. Esercizi di simulazione

  • Simulazione di un sistema a centro singolo
  • Simulazione di un sistema multi-centro

MODULO 4. Applicazioni della simulazione
11. Digital Twin: Teoria, pratica e sfide per il futuro

  • Definizioni, storia ed origini dei digital twin
  • Componenti ed architettura dei digital twin
  • Tecnologie abilitanti
  • Vantaggi ed applicazioni
  • Criticità e sfide

12. Industria 4.0 ed Industria 5.0: tecnologie abilitanti, applicazioni e sfide aperte

  • Origine del concetto di Industria 4.0
  • Gli obiettivi principali dell’Industria 4.0
  • Tecnologie, metodologie, applicazioni e sfide aperte dell’Industria 4.0
  • Definizione di Industria 5.0
  • Gli obiettivi principali dell’Industria 5.0
  • Tecnologie chiave, applicazioni e sfide aperte dell’Industria 5.0

MODULO 5. Modellazione e simulazione di sistemi complessi: reti, epidemie e approcci dinamici
13. Reti complesse e simulazione di processi epidemici

  • Nozioni fondamentali sulla teoria dei grafi
  • Modelli di reti complesse
  • Modelli matematici per le epidemie

14. Simulazione di processi epidemici in Python

  • Uso della libreria NetworkX
  • Uso della libreria scipy
  • Uso della libreria epydemic

15. Agent-based Modelling e System Dynamics

  • Concetti fondamentali
  • Componenti chiave della System Dynamics
  • Componenti chiave dell’Agent-based Modelling
  • Vantaggi e limiti di System Dynamics ed Agent-based Modelling

Modalità d'esame

L’esame si svolge in forma scritta e consiste in 5 quesiti della durata di circa 2h. Di questi 4 sono domande a risposta aperta ed 1 consiste nel progetto di un simulatore. L’esame avrà come obiettivo la verifica della comprensione degli argomenti trattati nel corso e della capacità di applicare la conoscenza acquisita al fine di organizzare, progettare e realizzare un esperimento di simulazione. Non sono previste prove in itinere.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è consigliato lo studio dei seguenti testi:

  • G. Iazeolla, Principi e metodi di simulazione discreta. Simulazione sequenziale, parallela, distribuita, simulazione web. Metodi di analisi dell'output, Franco Angeli, 2010.
  • C. Bini, Lezioni di statistica per la fisica sperimentale. Edizioni Nuova Cultura, 2009.
  • Angira Sharma, Edward Kosasih, Jie Zhang, Alexandra Brintrup, Anisoara Calinescu, Digital Twins: State of the art theory and practice, challenges, and open research questions, Journal of Industrial Information Integration, Volume 30, 2022, https://doi.org/10.1016/j.jii.2022.100383.
  • Yang Lu, Industry 4.0: A survey on technologies, applications and open research issues, Journal of Industrial Information Integration, Volume 6, 2017, Pages 1-10, https://doi.org/10.1016/j.jii.2017.04.005.
  • Praveen Kumar Reddy Maddikunta, Quoc-Viet Pham, Prabadevi B, N Deepa, Kapal Dev, Thippa Reddy Gadekallu, Rukhsana Ruby, Madhusanka Liyanage, Industry 5.0: A survey on enabling technologies and potential applications, Journal of Industrial Information Integration, Volume 26, 2022, https://doi.org/10.1016/j.jii.2021.100257.

Codice insegnamento UC455437

Metodi e linguaggi di simulazione 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso lo studente sarà in grado di sviluppare competenze teoriche e pratiche. Nel seguito queste sono elencate secondo le seguenti tipologie: (1) Conoscenza e comprensione; (2) Capacità di…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso lo studente sarà in grado di sviluppare competenze teoriche e pratiche. Nel seguito queste sono elencate secondo le seguenti tipologie: (1) Conoscenza e comprensione; (2) Capacità di applicare conoscenze e comprensione; (3) Competenze trasversali.

1. Conoscenza e comprensione

  • Conoscere i fondamenti teorici della modellazione e simulazione dei sistemi complessi.
  • Comprendere le principali tipologie di distribuzioni statistiche (continue e discrete) e i metodi di generazione di variabili casuali.
  • Descrivere i concetti chiave dell’inferenza statistica, della propagazione delle incertezze e della validazione dei risultati sperimentali e simulativi.
  • Comprendere la struttura, le componenti e le applicazioni dei Digital Twin e le differenze rispetto alle simulazioni tradizionali.
  • Conoscere le principali tecnologie e metodologie dell’Industria 4.0 e 5.0, e il loro impatto su processi produttivi, sostenibilità e innovazione.
  • Comprendere la teoria dei grafi applicata a reti complesse e la modellizzazione matematica dei processi di diffusione epidemica.
  • Distinguere tra i principali approcci di modellazione dinamica: System Dynamics e Agent-Based Modelling, analizzandone i vantaggi, i limiti e le aree di applicazione.

2. Capacità di applicare conoscenze e comprensione

  • Applicare metodi di generazione di numeri casuali e di distribuzioni statistiche per la simulazione di sistemi reali.
  • Utilizzare strumenti di programmazione (in particolare Python) e librerie dedicate (NetworkX, SciPy, Epydemic) per realizzare simulazioni di sistemi a code, reti complesse e processi epidemici.
  • Analizzare criticamente i risultati delle simulazioni, stimare parametri, valutare la bontà del modello e confrontare dati simulati con dati teorici o sperimentali.
  • Progettare ed implementare semplici Digital Twin e simulazioni di processi produttivi, valutandone vantaggi e criticità.
  • Sviluppare modelli sia aggregati (System Dynamics) sia disaggregati (Agent-Based Modelling), selezionando l’approccio più adatto in base al contesto applicativo.

3. Competenze trasversali

  • Sviluppare la capacità di affrontare problemi complessi attraverso la scomposizione in modelli e la simulazione numerica, promuovendo autonomia di giudizio nella scelta delle metodologie più opportune.
  • Migliorare le abilità comunicative attraverso la redazione di relazioni tecniche, l’interpretazione e la presentazione dei risultati di simulazione tramite grafici, report e discussione critica.
  • Rafforzare la capacità di apprendimento autonomo e aggiornamento continuo, utilizzando risorse digitali e letteratura scientifica per approfondire temi innovativi legati alla simulazione, all’industria digitale e all’analisi dei dati.
  • Sviluppare un approccio interdisciplinare, integrando conoscenze matematiche, informatiche e ingegneristiche per la risoluzione di problemi in diversi contesti applicativi (industria, scienze, salute, società).

Programma

Il corso offre una panoramica completa sulla modellazione, simulazione e analisi dei sistemi complessi, con un focus sia teorico che pratico su metodi matematici, strumenti software e applicazioni moderne. Si parte dai concetti base della generazione di numeri casuali e distribuzioni statistiche, fondamentali per le simulazioni e le analisi quantitative. Vengono approfondite le principali distribuzioni continue e discrete, con esempi pratici in Python, e sono introdotti i concetti di inferenza statistica, propagazione delle incertezze e tecniche di fitting. Il corso affronta le metodologie per l’analisi e la validazione dei risultati di simulazione, includendo la stima dei parametri, il metodo dei run replicati e l’uso di tecniche avanzate per assicurare la significatività e l’affidabilità dei dati prodotti. Ampio spazio è dedicato alla simulazione di sistemi a eventi discreti, con la realizzazione di modelli Python per sistemi a coda, e all’applicazione di queste tecniche in ambiti innovativi come i Digital Twin e l’Industria 4.0/5.0, dove sono esaminate le tecnologie abilitanti, le architetture e le principali sfide.
La seconda parte del corso si concentra su reti complesse e sulla simulazione di processi epidemici, trattando sia la teoria dei grafi che i principali modelli epidemiologici (es. SI, SIR, SEIR) e le relative implementazioni pratiche in Python, utilizzando librerie come NetworkX, SciPy e Epydemic. Infine, vengono messi a confronto i due principali approcci di modellazione dinamica: System Dynamics e Agent-Based Modelling (ABM), discutendone vantaggi, limiti, componenti chiave e campi di applicazione.
Il corso è progettato per fornire una visione integrata, con solide basi teoriche e numerose esercitazioni pratiche, ed è particolarmente orientato a chi intende applicare la simulazione e l’analisi dati in ambito industriale, scientifico o tecnologico.

MODULO 1. Fondamenti di simulazione I
1. Introduzione alla simulazione

  • Cos’è la simulazione: nozioni generali
  • Sistemi e modelli
  • Simulazione e modelli di simulazione
  • Pianificazione di un esperimento di simulazione

2. Metodologie per la simulazione discreta

  • Le entità del sistema
  • Nozioni di evento, attività e processo
  • Meccanismi di avanzamento del tempo
  • Produzione del modello di simulazione

3. La simulazione come metodo sperimentale

  • Il metodo scientifico e la simulazione
  • Introduzione all’analisi dei dati sperimentali

MODULO 2. Probabilità e statistica
4. Probabilità e variabili casuali

  • Il concetto di probabilità ed i metodi di calcolo
  • Fondamenti di teoria della probabilità
  • Il calcolo combinatorio
  • Le variabili casuali

5. Le variabili casuali

  • Variabili casuali: i fondamenti
  • Variabili casuali notevoli
  • Proprietà notevoli delle variabili casuali
  • Variabili casuali multiple

6. Tecniche e Applicazioni per la Generazione di Numeri Casuali e Distribuzioni

  • Generazione di numeri casuali e pseudocasuali a distribuzione uniforme
  • Il metodo della congruenza lineare
  • Generazione di numeri casuali in Python
  • Generazione di distribuzioni qualsiasi

7. Generazione di distribuzioni continue e discrete

  • Generazione di distribuzioni approssimate continue
  • Generazione di distribuzioni discrete

8. L’inferenza

  • Introduzione all’inferenza
  • Inferenza sul valore vero
  • La propagazione delle incertezze nelle misure indirette
  • Consistenza e significatività
  • Analisi delle dipendenze funzionali: il fit

MODULO 3. Fondamenti di simulazione II
9. Analisi dei risultati e convalida in esperimenti di simulazione

  • Stima dei parametri di una distribuzione
  • Stima della media
  • Statistiche dell’esperimento di simulazione
  • Metodo dei run replicati
  • Stimatori di Gordon

10. Esercizi di simulazione

  • Simulazione di un sistema a centro singolo
  • Simulazione di un sistema multi-centro

MODULO 4. Applicazioni della simulazione
11. Digital Twin: Teoria, pratica e sfide per il futuro

  • Definizioni, storia ed origini dei digital twin
  • Componenti ed architettura dei digital twin
  • Tecnologie abilitanti
  • Vantaggi ed applicazioni
  • Criticità e sfide

12. Industria 4.0 ed Industria 5.0: tecnologie abilitanti, applicazioni e sfide aperte

  • Origine del concetto di Industria 4.0
  • Gli obiettivi principali dell’Industria 4.0
  • Tecnologie, metodologie, applicazioni e sfide aperte dell’Industria 4.0
  • Definizione di Industria 5.0
  • Gli obiettivi principali dell’Industria 5.0
  • Tecnologie chiave, applicazioni e sfide aperte dell’Industria 5.0

MODULO 5. Modellazione e simulazione di sistemi complessi: reti, epidemie e approcci dinamici
13. Reti complesse e simulazione di processi epidemici

  • Nozioni fondamentali sulla teoria dei grafi
  • Modelli di reti complesse
  • Modelli matematici per le epidemie

14. Simulazione di processi epidemici in Python

  • Uso della libreria NetworkX
  • Uso della libreria scipy
  • Uso della libreria epydemic

15. Agent-based Modelling e System Dynamics

  • Concetti fondamentali
  • Componenti chiave della System Dynamics
  • Componenti chiave dell’Agent-based Modelling
  • Vantaggi e limiti di System Dynamics ed Agent-based Modelling

Modalità d'esame

L’esame si svolge in forma scritta e consiste in 5 quesiti della durata di circa 2h. Di questi 4 sono domande a risposta aperta ed 1 consiste nel progetto di un simulatore. L’esame avrà come obiettivo la verifica della comprensione degli argomenti trattati nel corso e della capacità di applicare la conoscenza acquisita al fine di organizzare, progettare e realizzare un esperimento di simulazione. Non sono previste prove in itinere.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è consigliato lo studio dei seguenti testi:

  • G. Iazeolla, Principi e metodi di simulazione discreta. Simulazione sequenziale, parallela, distribuita, simulazione web. Metodi di analisi dell'output, Franco Angeli, 2010.
  • C. Bini, Lezioni di statistica per la fisica sperimentale. Edizioni Nuova Cultura, 2009.
  • Angira Sharma, Edward Kosasih, Jie Zhang, Alexandra Brintrup, Anisoara Calinescu, Digital Twins: State of the art theory and practice, challenges, and open research questions, Journal of Industrial Information Integration, Volume 30, 2022, https://doi.org/10.1016/j.jii.2022.100383.
  • Yang Lu, Industry 4.0: A survey on technologies, applications and open research issues, Journal of Industrial Information Integration, Volume 6, 2017, Pages 1-10, https://doi.org/10.1016/j.jii.2017.04.005.
  • Praveen Kumar Reddy Maddikunta, Quoc-Viet Pham, Prabadevi B, N Deepa, Kapal Dev, Thippa Reddy Gadekallu, Rukhsana Ruby, Madhusanka Liyanage, Industry 5.0: A survey on enabling technologies and potential applications, Journal of Industrial Information Integration, Volume 26, 2022, https://doi.org/10.1016/j.jii.2021.100257.

Codice insegnamento UC455471

Metodi e linguaggi di simulazione 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso lo studente sarà in grado di sviluppare competenze teoriche e pratiche. Nel seguito queste sono elencate secondo le seguenti tipologie: (1) Conoscenza e comprensione; (2) Capacità di…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso lo studente sarà in grado di sviluppare competenze teoriche e pratiche. Nel seguito queste sono elencate secondo le seguenti tipologie: (1) Conoscenza e comprensione; (2) Capacità di applicare conoscenze e comprensione; (3) Competenze trasversali.

1. Conoscenza e comprensione

  • Conoscere i fondamenti teorici della modellazione e simulazione dei sistemi complessi.
  • Comprendere le principali tipologie di distribuzioni statistiche (continue e discrete) e i metodi di generazione di variabili casuali.
  • Descrivere i concetti chiave dell’inferenza statistica, della propagazione delle incertezze e della validazione dei risultati sperimentali e simulativi.
  • Comprendere la struttura, le componenti e le applicazioni dei Digital Twin e le differenze rispetto alle simulazioni tradizionali.
  • Conoscere le principali tecnologie e metodologie dell’Industria 4.0 e 5.0, e il loro impatto su processi produttivi, sostenibilità e innovazione.
  • Comprendere la teoria dei grafi applicata a reti complesse e la modellizzazione matematica dei processi di diffusione epidemica.
  • Distinguere tra i principali approcci di modellazione dinamica: System Dynamics e Agent-Based Modelling, analizzandone i vantaggi, i limiti e le aree di applicazione.

2. Capacità di applicare conoscenze e comprensione

  • Applicare metodi di generazione di numeri casuali e di distribuzioni statistiche per la simulazione di sistemi reali.
  • Utilizzare strumenti di programmazione (in particolare Python) e librerie dedicate (NetworkX, SciPy, Epydemic) per realizzare simulazioni di sistemi a code, reti complesse e processi epidemici.
  • Analizzare criticamente i risultati delle simulazioni, stimare parametri, valutare la bontà del modello e confrontare dati simulati con dati teorici o sperimentali.
  • Progettare ed implementare semplici Digital Twin e simulazioni di processi produttivi, valutandone vantaggi e criticità.
  • Sviluppare modelli sia aggregati (System Dynamics) sia disaggregati (Agent-Based Modelling), selezionando l’approccio più adatto in base al contesto applicativo.

3. Competenze trasversali

  • Sviluppare la capacità di affrontare problemi complessi attraverso la scomposizione in modelli e la simulazione numerica, promuovendo autonomia di giudizio nella scelta delle metodologie più opportune.
  • Migliorare le abilità comunicative attraverso la redazione di relazioni tecniche, l’interpretazione e la presentazione dei risultati di simulazione tramite grafici, report e discussione critica.
  • Rafforzare la capacità di apprendimento autonomo e aggiornamento continuo, utilizzando risorse digitali e letteratura scientifica per approfondire temi innovativi legati alla simulazione, all’industria digitale e all’analisi dei dati.
  • Sviluppare un approccio interdisciplinare, integrando conoscenze matematiche, informatiche e ingegneristiche per la risoluzione di problemi in diversi contesti applicativi (industria, scienze, salute, società).

Programma

Il corso offre una panoramica completa sulla modellazione, simulazione e analisi dei sistemi complessi, con un focus sia teorico che pratico su metodi matematici, strumenti software e applicazioni moderne. Si parte dai concetti base della generazione di numeri casuali e distribuzioni statistiche, fondamentali per le simulazioni e le analisi quantitative. Vengono approfondite le principali distribuzioni continue e discrete, con esempi pratici in Python, e sono introdotti i concetti di inferenza statistica, propagazione delle incertezze e tecniche di fitting. Il corso affronta le metodologie per l’analisi e la validazione dei risultati di simulazione, includendo la stima dei parametri, il metodo dei run replicati e l’uso di tecniche avanzate per assicurare la significatività e l’affidabilità dei dati prodotti. Ampio spazio è dedicato alla simulazione di sistemi a eventi discreti, con la realizzazione di modelli Python per sistemi a coda, e all’applicazione di queste tecniche in ambiti innovativi come i Digital Twin e l’Industria 4.0/5.0, dove sono esaminate le tecnologie abilitanti, le architetture e le principali sfide.
La seconda parte del corso si concentra su reti complesse e sulla simulazione di processi epidemici, trattando sia la teoria dei grafi che i principali modelli epidemiologici (es. SI, SIR, SEIR) e le relative implementazioni pratiche in Python, utilizzando librerie come NetworkX, SciPy e Epydemic. Infine, vengono messi a confronto i due principali approcci di modellazione dinamica: System Dynamics e Agent-Based Modelling (ABM), discutendone vantaggi, limiti, componenti chiave e campi di applicazione.
Il corso è progettato per fornire una visione integrata, con solide basi teoriche e numerose esercitazioni pratiche, ed è particolarmente orientato a chi intende applicare la simulazione e l’analisi dati in ambito industriale, scientifico o tecnologico.

MODULO 1. Fondamenti di simulazione I
1. Introduzione alla simulazione

  • Cos’è la simulazione: nozioni generali
  • Sistemi e modelli
  • Simulazione e modelli di simulazione
  • Pianificazione di un esperimento di simulazione

2. Metodologie per la simulazione discreta

  • Le entità del sistema
  • Nozioni di evento, attività e processo
  • Meccanismi di avanzamento del tempo
  • Produzione del modello di simulazione

3. La simulazione come metodo sperimentale

  • Il metodo scientifico e la simulazione
  • Introduzione all’analisi dei dati sperimentali

MODULO 2. Probabilità e statistica
4. Probabilità e variabili casuali

  • Il concetto di probabilità ed i metodi di calcolo
  • Fondamenti di teoria della probabilità
  • Il calcolo combinatorio
  • Le variabili casuali

5. Le variabili casuali

  • Variabili casuali: i fondamenti
  • Variabili casuali notevoli
  • Proprietà notevoli delle variabili casuali
  • Variabili casuali multiple

6. Tecniche e Applicazioni per la Generazione di Numeri Casuali e Distribuzioni

  • Generazione di numeri casuali e pseudocasuali a distribuzione uniforme
  • Il metodo della congruenza lineare
  • Generazione di numeri casuali in Python
  • Generazione di distribuzioni qualsiasi

7. Generazione di distribuzioni continue e discrete

  • Generazione di distribuzioni approssimate continue
  • Generazione di distribuzioni discrete

8. L’inferenza

  • Introduzione all’inferenza
  • Inferenza sul valore vero
  • La propagazione delle incertezze nelle misure indirette
  • Consistenza e significatività
  • Analisi delle dipendenze funzionali: il fit

MODULO 3. Fondamenti di simulazione II
9. Analisi dei risultati e convalida in esperimenti di simulazione

  • Stima dei parametri di una distribuzione
  • Stima della media
  • Statistiche dell’esperimento di simulazione
  • Metodo dei run replicati
  • Stimatori di Gordon

10. Esercizi di simulazione

  • Simulazione di un sistema a centro singolo
  • Simulazione di un sistema multi-centro

MODULO 4. Applicazioni della simulazione
11. Digital Twin: Teoria, pratica e sfide per il futuro

  • Definizioni, storia ed origini dei digital twin
  • Componenti ed architettura dei digital twin
  • Tecnologie abilitanti
  • Vantaggi ed applicazioni
  • Criticità e sfide

12. Industria 4.0 ed Industria 5.0: tecnologie abilitanti, applicazioni e sfide aperte

  • Origine del concetto di Industria 4.0
  • Gli obiettivi principali dell’Industria 4.0
  • Tecnologie, metodologie, applicazioni e sfide aperte dell’Industria 4.0
  • Definizione di Industria 5.0
  • Gli obiettivi principali dell’Industria 5.0
  • Tecnologie chiave, applicazioni e sfide aperte dell’Industria 5.0

MODULO 5. Modellazione e simulazione di sistemi complessi: reti, epidemie e approcci dinamici
13. Reti complesse e simulazione di processi epidemici

  • Nozioni fondamentali sulla teoria dei grafi
  • Modelli di reti complesse
  • Modelli matematici per le epidemie

14. Simulazione di processi epidemici in Python

  • Uso della libreria NetworkX
  • Uso della libreria scipy
  • Uso della libreria epydemic

15. Agent-based Modelling e System Dynamics

  • Concetti fondamentali
  • Componenti chiave della System Dynamics
  • Componenti chiave dell’Agent-based Modelling
  • Vantaggi e limiti di System Dynamics ed Agent-based Modelling

Modalità d'esame

L’esame si svolge in forma scritta e consiste in 5 quesiti della durata di circa 2h. Di questi 4 sono domande a risposta aperta ed 1 consiste nel progetto di un simulatore. L’esame avrà come obiettivo la verifica della comprensione degli argomenti trattati nel corso e della capacità di applicare la conoscenza acquisita al fine di organizzare, progettare e realizzare un esperimento di simulazione. Non sono previste prove in itinere.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è consigliato lo studio dei seguenti testi:

  • G. Iazeolla, Principi e metodi di simulazione discreta. Simulazione sequenziale, parallela, distribuita, simulazione web. Metodi di analisi dell'output, Franco Angeli, 2010.
  • C. Bini, Lezioni di statistica per la fisica sperimentale. Edizioni Nuova Cultura, 2009.
  • Angira Sharma, Edward Kosasih, Jie Zhang, Alexandra Brintrup, Anisoara Calinescu, Digital Twins: State of the art theory and practice, challenges, and open research questions, Journal of Industrial Information Integration, Volume 30, 2022, https://doi.org/10.1016/j.jii.2022.100383.
  • Yang Lu, Industry 4.0: A survey on technologies, applications and open research issues, Journal of Industrial Information Integration, Volume 6, 2017, Pages 1-10, https://doi.org/10.1016/j.jii.2017.04.005.
  • Praveen Kumar Reddy Maddikunta, Quoc-Viet Pham, Prabadevi B, N Deepa, Kapal Dev, Thippa Reddy Gadekallu, Rukhsana Ruby, Madhusanka Liyanage, Industry 5.0: A survey on enabling technologies and potential applications, Journal of Industrial Information Integration, Volume 26, 2022, https://doi.org/10.1016/j.jii.2021.100257.

Codice insegnamento UC455485

Natural Language Processing 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso lo studente sarà in grado di: 1. Conoscenza e comprensione: a. Conoscere le tecniche di elaborazione dei dati in linguaggio naturale. b. Comprendere la differenza tra i differenti task tipici…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso lo studente sarà in grado di:
1. Conoscenza e comprensione:

a. Conoscere le tecniche di elaborazione dei dati in linguaggio naturale.

b. Comprendere la differenza tra i differenti task tipici della disciplina.

c. Conoscere le basi teoriche, fortemente interdisciplinari dell’area

d. Conoscere le tecniche di rappresentazione delle informazioni semantiche.

2. Capacità di applicare conoscenze e comprensione:

a. Implementare un algoritmo per il trattamento dei dati linguistici, come un classificatore per la sentiment analysis o l’estrazione di tutti i luoghi espressi in un testo.

b. Definire un piano sperimentale e di valutarne i risultati.

3. Competenze trasversali:

a. Trattare task fortemente interdisciplinari, come la comprensione del significato delle parole, fino alla creazione di un agente virtuale che richiede conoscenze e comprensione di tematiche quali le scienze cognitive e aspetti sociologici.

b. Avere le basi per approfondire le tematiche introdotte e intraprendere sperimentazioni su tematiche oggetto di ricerca nel mondo accademico e industriale.

Programma

Il corso ha lo scopo di fornire allo studente le basi delle tecniche di trattamento automatico dei dati linguistici. L’accesso ai dati è ormai una caratteristica distintiva di questo periodo storico. Notizie, social network, motori di ricerca, fino agli assistenti virtuali, sono di accesso quotidiano per tutti noi. Il corso mira a fornire allo studente le nozioni su cui si basa l’area dell’Intelligenza Artificiale denominata “Natural Language Processing”, trattando diversi aspetti della disciplina, dalle basi teoriche fortemente interdisciplinari, alle tecniche algoritmiche stato dell’arte, come gli LLM, fino alla descrizione di casi d’uso (task) reali di applicazione delle tecnologie.

  • Introduzione al Natural Language Processing
  • Pipeline di elaborazione
  • Semantica Vettoriale e Word Embeddings
  • Approcci computazionali
  • Text Classification - Approcci Generativi
  • Text Classification Approcci Discriminativi
  • Text Classification Deep Neural Network in NLP
  • Hands-On Text Classification
  • Word Embeddings
  • Neural Sequence Labeling
  • Hands-On Text Classification with Word Embeddings
  • Information Extraction
  • Question Answering
  • Conversational Agents
  • Machine Translation
  • Natural language generation
  • Pre-trained models

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta.

La prova scritta consiste in 3 domande aperte. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali relativi alla materia. Gli studenti devono dimostrare di saper progettare e realizzare soluzioni di NLP e scegliere gli algoritmi più adatti per un task. La prova scritta ha una durata massima di 90 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.

Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto;
  • della padronanza di linguaggio dello studente;
  • della capacità di definire o usare architetture, funzionalità o strumenti per la progettazione di sistemi di NLP e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficiente a problemi complessi, una conoscenza di base sui metodi e le tecniche del processamento automatico delle informazioni in linguaggio naturale. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi:

  • SPEECH and LANGUAGE PROCESSING An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition, Second Edition by Daniel Jurafsky and James H. Martin

Codice insegnamento UC63641

Natural Language Processing 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso lo studente sarà in grado di: 1. Conoscenza e comprensione: a. Conoscere le tecniche di elaborazione dei dati in linguaggio naturale. b. Comprendere la differenza tra i differenti task tipici…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso lo studente sarà in grado di:
1. Conoscenza e comprensione:

a. Conoscere le tecniche di elaborazione dei dati in linguaggio naturale.

b. Comprendere la differenza tra i differenti task tipici della disciplina.

c. Conoscere le basi teoriche, fortemente interdisciplinari dell’area

d. Conoscere le tecniche di rappresentazione delle informazioni semantiche.

2. Capacità di applicare conoscenze e comprensione:

a. Implementare un algoritmo per il trattamento dei dati linguistici, come un classificatore per la sentiment analysis o l’estrazione di tutti i luoghi espressi in un testo.

b. Definire un piano sperimentale e di valutarne i risultati.

3. Competenze trasversali:

a. Trattare task fortemente interdisciplinari, come la comprensione del significato delle parole, fino alla creazione di un agente virtuale che richiede conoscenze e comprensione di tematiche quali le scienze cognitive e aspetti sociologici.

b. Avere le basi per approfondire le tematiche introdotte e intraprendere sperimentazioni su tematiche oggetto di ricerca nel mondo accademico e industriale.

Programma

Il corso ha lo scopo di fornire allo studente le basi delle tecniche di trattamento automatico dei dati linguistici. L’accesso ai dati è ormai una caratteristica distintiva di questo periodo storico. Notizie, social network, motori di ricerca, fino agli assistenti virtuali, sono di accesso quotidiano per tutti noi. Il corso mira a fornire allo studente le nozioni su cui si basa l’area dell’Intelligenza Artificiale denominata “Natural Language Processing”, trattando diversi aspetti della disciplina, dalle basi teoriche fortemente interdisciplinari, alle tecniche algoritmiche stato dell’arte, come gli LLM, fino alla descrizione di casi d’uso (task) reali di applicazione delle tecnologie.

  • Introduzione al Natural Language Processing
  • Pipeline di elaborazione
  • Semantica Vettoriale e Word Embeddings
  • Approcci computazionali
  • Text Classification - Approcci Generativi
  • Text Classification Approcci Discriminativi
  • Text Classification Deep Neural Network in NLP
  • Hands-On Text Classification
  • Word Embeddings
  • Neural Sequence Labeling
  • Hands-On Text Classification with Word Embeddings
  • Information Extraction
  • Question Answering
  • Conversational Agents
  • Machine Translation
  • Natural language generation
  • Pre-trained models

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta.

La prova scritta consiste in 3 domande aperte. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali relativi alla materia. Gli studenti devono dimostrare di saper progettare e realizzare soluzioni di NLP e scegliere gli algoritmi più adatti per un task. La prova scritta ha una durata massima di 90 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.

Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto;
  • della padronanza di linguaggio dello studente;
  • della capacità di definire o usare architetture, funzionalità o strumenti per la progettazione di sistemi di NLP e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficiente a problemi complessi, una conoscenza di base sui metodi e le tecniche del processamento automatico delle informazioni in linguaggio naturale. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi:

  • SPEECH and LANGUAGE PROCESSING An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition, Second Edition by Daniel Jurafsky and James H. Martin

Codice insegnamento UC63682

Natural Language Processing 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso lo studente sarà in grado di: 1. Conoscenza e comprensione: a. Conoscere le tecniche di elaborazione dei dati in linguaggio naturale. b. Comprendere la differenza tra i differenti task tipici…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso lo studente sarà in grado di:
1. Conoscenza e comprensione:

a. Conoscere le tecniche di elaborazione dei dati in linguaggio naturale.

b. Comprendere la differenza tra i differenti task tipici della disciplina.

c. Conoscere le basi teoriche, fortemente interdisciplinari dell’area

d. Conoscere le tecniche di rappresentazione delle informazioni semantiche.

2. Capacità di applicare conoscenze e comprensione:

a. Implementare un algoritmo per il trattamento dei dati linguistici, come un classificatore per la sentiment analysis o l’estrazione di tutti i luoghi espressi in un testo.

b. Definire un piano sperimentale e di valutarne i risultati.

3. Competenze trasversali:

a. Trattare task fortemente interdisciplinari, come la comprensione del significato delle parole, fino alla creazione di un agente virtuale che richiede conoscenze e comprensione di tematiche quali le scienze cognitive e aspetti sociologici.

b. Avere le basi per approfondire le tematiche introdotte e intraprendere sperimentazioni su tematiche oggetto di ricerca nel mondo accademico e industriale.

Programma

Il corso ha lo scopo di fornire allo studente le basi delle tecniche di trattamento automatico dei dati linguistici. L’accesso ai dati è ormai una caratteristica distintiva di questo periodo storico. Notizie, social network, motori di ricerca, fino agli assistenti virtuali, sono di accesso quotidiano per tutti noi. Il corso mira a fornire allo studente le nozioni su cui si basa l’area dell’Intelligenza Artificiale denominata “Natural Language Processing”, trattando diversi aspetti della disciplina, dalle basi teoriche fortemente interdisciplinari, alle tecniche algoritmiche stato dell’arte, come gli LLM, fino alla descrizione di casi d’uso (task) reali di applicazione delle tecnologie.

  • Introduzione al Natural Language Processing
  • Pipeline di elaborazione
  • Semantica Vettoriale e Word Embeddings
  • Approcci computazionali
  • Text Classification - Approcci Generativi
  • Text Classification Approcci Discriminativi
  • Text Classification Deep Neural Network in NLP
  • Hands-On Text Classification
  • Word Embeddings
  • Neural Sequence Labeling
  • Hands-On Text Classification with Word Embeddings
  • Information Extraction
  • Question Answering
  • Conversational Agents
  • Machine Translation
  • Natural language generation
  • Pre-trained models

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta.

La prova scritta consiste in 3 domande aperte. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali relativi alla materia. Gli studenti devono dimostrare di saper progettare e realizzare soluzioni di NLP e scegliere gli algoritmi più adatti per un task. La prova scritta ha una durata massima di 90 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.

Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto;
  • della padronanza di linguaggio dello studente;
  • della capacità di definire o usare architetture, funzionalità o strumenti per la progettazione di sistemi di NLP e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficiente a problemi complessi, una conoscenza di base sui metodi e le tecniche del processamento automatico delle informazioni in linguaggio naturale. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi:

  • SPEECH and LANGUAGE PROCESSING An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition, Second Edition by Daniel Jurafsky and James H. Martin

Codice insegnamento UC455487

Operations and project management 2° anno · 6 CFU · IIND-05/A · 0 file

1. Conoscenza e comprensione Al termine di questo corso lo studente sarà in grado di: dimostrare familiarità con i concetti e gli strumenti fondamentali della disciplina del project management; comprendere i metodi…

Scheda dell'insegnamento

Obiettivi formativi

1. Conoscenza e comprensione
Al termine di questo corso lo studente sarà in grado di:

  • dimostrare familiarità con i concetti e gli strumenti fondamentali della disciplina del project management;
  • comprendere i metodi procedurali e quantitativi per l’avvio, la pianificazione, la gestione, il controllo e la chiusura di un progetto;
  • identificare gli elementi di criticità nello sviluppo di un progetto e poter definire in maniera efficiente ed efficace un’eventuale soluzione;
  • illustrare le caratteristiche fondamentali dei processi produttivi;
  • comprendere i concetti e i principi fondamentali alla base dell’analisi delle performance dei sistemi produttivi.

2. Capacità di applicare conoscenze e comprensione
Al termine di questo corso lo studente sarà in grado di:

  • analizzare la gestione del processo produttivo che converte gli input (sotto forma di materiali, lavoro ed energia) in output (sotto forma di beni e servizi);
  • identificare le criticità in un processo produttivo e le strategie per migliorare la sua performance.

3. Competenze trasversali
Al termine di questo corso lo studente sarà in grado di:

  • utilizzare la terminologia tecnica adeguata in relazione a tematiche riguardanti a gestione della produzione e dei progetti.

Programma

Il corso di Operation and Project Management fornisce agli studenti gli strumenti per comprendere la gestione delle operazioni, dei progetti, della catena di approvvigionamento e della logistica. Il corso si divide in due parti.
Nella prima parte, Project management, si esamineranno le soluzioni organizzative, gli stili di comportamento direzionale, i metodi procedurali e quantitativi per l’avvio, la pianificazione, la gestione, il controllo e la chiusura di un progetto.
Si affronteranno: definizione di progetto, i principi del project management, l'avvio di un progetto, la valutazione del contesto e l’analisi degli stakeholder, requisiti e obiettivi di progetto, project charter, le possibili strutture organizzative, la pianificazione dell’ambito, dei tempi, delle risorse e dei costi di progetto, l’ottimizzazione del piano di progetto, lo sviluppo della baseline, il monitoraggio ed il controllo di un progetto (valutazione dell'avanzamento, analisi dell’Earned Value), gestione della qualità e dei rischi, gestione dei contratti e degli acquisti, gestione della documentazione, chiusura del progetto.
Nella seconda parte, Operations Management, si comprenderanno gli strumenti per garantire che la gestione delle operazioni in un impianto industriale sia tale da garantire il loro svolgimento in maniera efficiente in termini di utilizzo delle risorse secondo necessità ed efficace in termini del soddisfacimento dei requisiti stabiliti dal cliente.
Si affronteranno: le caratteristiche generali degli impianti industriali, i principi alla base della gestione delle operations, indicatori chiave di performance dell'Operations Management, modalità di risposta alla domanda, Overall Equipment Effectiveness (OEE), tasso di qualità, efficienza delle prestazioni, disponibilità, principi di manutenzione e affidabilità, il setup, gestione delle scorte e dei fabbisogni dei materiali, lotto economico di approvvigionamento, Material Requirements Planning (MRP), Lean Manufacturing, Six Sigma, Industry 4.0, sistemi informativi di gestione.

Il corso prevede 2 moduli. Il primo modulo è dedicato al “Project Management”, mentre il secondo è dedicato all’ “Operations Management”. Le relative lezioni sono riportate di seguito:
Modulo I – Project Management

  • Introduzione al Project Management
  • Gli stakeholder di progetto e le strutture organizzative
  • I processi di Project management e il ciclo di vita di un progetto
  • L’avvio di un progetto
  • La pianificazione di un progetto (WBS, OBS, RAM Matrix)
  • La pianificazione di un progetto (Schedulazione dei tempi, CPM, GANTT)
  • La pianificazione di un progetto (PERT, CCM, Stima dei costi, Budget)
  • L’ottimizzazione del piano di progetto*
  • La pianificazione di un progetto (Qualità e Comunicazione)*
  • La pianificazione di un progetto (Rischi e Approvvigionamenti)
  • Esecuzione e Controllo di un progetto
  • Controllo e Chiusura di un progetto
  • Esercitazione CPM e PERT semplificato
  • Esercitazione Crashing e Earned Value

Modulo II – Operations Management

  • Introduzione all’Operations Management
  • Richiami di Ingegneria Economica*
  • Classificazione dei sistemi produttivi (CODP e Matrice prodotto-processo)
  • Overall Equipment Effectiveness*
  • Tasso di qualità, Efficienza delle Prestazioni e Disponibilità ‒ Parte I*
  • Tasso di qualità, Efficienza delle Prestazioni e Disponibilità ‒ Parte II*
  • Manutenzione ‒ Parte I*
  • Manutenzione ‒ Parte II*
  • Gestione delle scorte ‒ Parte I
  • Gestione delle scorte ‒ Parte II
  • Lean Manufacturing*
  • Six Sigma*
  • Industry 4.0*
  • Sistemi Informativi di Gestione*
  • Esercitazione Operations Management – Parte I*
  • Esercitazione Operations Management – Parte II
  • Lezioni di approfondimento

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. Durante lo svolgimento della prova è consentito l’uso della calcolatrice.
L’esame si svolgerà in forma scritta e consisterà in 3 esercizi e 4 domande aperte a cui rispondere nell’arco di 120 minuti, senza ausilio di appunti o libri di testo. La risposta alle domande, riguardanti argomenti affrontati a lezione, dovrà essere circoscritta all’argomento richiesto, eventualmente corredando l’argomento richiesto con schemi e grafici utili all’esposizione (descrittori di Dublino 1, 4, 5). Gli esercizi, invece, testeranno la capacità dell’allievo di applicare i concetti e le competenze appresi durante il corso a problemi concreti (descrittori di Dublino 2, 3).
Il punteggio della prova è espresso in trentesimi.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi:

  • R. F. Jacobs R. B. Chase, A. Grando, A. Sianesi, Operations management nella produzione e nei servizi, McGraw-Hill Education

Codice insegnamento UC455406

Operations and project management 2° anno · 6 CFU · IIND-05/A · 0 file

1. Conoscenza e comprensione Al termine di questo corso lo studente sarà in grado di: dimostrare familiarità con i concetti e gli strumenti fondamentali della disciplina del project management; comprendere i metodi…

Scheda dell'insegnamento

Obiettivi formativi

1. Conoscenza e comprensione
Al termine di questo corso lo studente sarà in grado di:

  • dimostrare familiarità con i concetti e gli strumenti fondamentali della disciplina del project management;
  • comprendere i metodi procedurali e quantitativi per l’avvio, la pianificazione, la gestione, il controllo e la chiusura di un progetto;
  • identificare gli elementi di criticità nello sviluppo di un progetto e poter definire in maniera efficiente ed efficace un’eventuale soluzione;
  • illustrare le caratteristiche fondamentali dei processi produttivi;
  • comprendere i concetti e i principi fondamentali alla base dell’analisi delle performance dei sistemi produttivi.

2. Capacità di applicare conoscenze e comprensione
Al termine di questo corso lo studente sarà in grado di:

  • analizzare la gestione del processo produttivo che converte gli input (sotto forma di materiali, lavoro ed energia) in output (sotto forma di beni e servizi);
  • identificare le criticità in un processo produttivo e le strategie per migliorare la sua performance.

3. Competenze trasversali
Al termine di questo corso lo studente sarà in grado di:

  • utilizzare la terminologia tecnica adeguata in relazione a tematiche riguardanti a gestione della produzione e dei progetti.

Programma

Il corso di Operation and Project Management fornisce agli studenti gli strumenti per comprendere la gestione delle operazioni, dei progetti, della catena di approvvigionamento e della logistica. Il corso si divide in due parti.
Nella prima parte, Project management, si esamineranno le soluzioni organizzative, gli stili di comportamento direzionale, i metodi procedurali e quantitativi per l’avvio, la pianificazione, la gestione, il controllo e la chiusura di un progetto.
Si affronteranno: definizione di progetto, i principi del project management, l'avvio di un progetto, la valutazione del contesto e l’analisi degli stakeholder, requisiti e obiettivi di progetto, project charter, le possibili strutture organizzative, la pianificazione dell’ambito, dei tempi, delle risorse e dei costi di progetto, l’ottimizzazione del piano di progetto, lo sviluppo della baseline, il monitoraggio ed il controllo di un progetto (valutazione dell'avanzamento, analisi dell’Earned Value), gestione della qualità e dei rischi, gestione dei contratti e degli acquisti, gestione della documentazione, chiusura del progetto.
Nella seconda parte, Operations Management, si comprenderanno gli strumenti per garantire che la gestione delle operazioni in un impianto industriale sia tale da garantire il loro svolgimento in maniera efficiente in termini di utilizzo delle risorse secondo necessità ed efficace in termini del soddisfacimento dei requisiti stabiliti dal cliente.
Si affronteranno: le caratteristiche generali degli impianti industriali, i principi alla base della gestione delle operations, indicatori chiave di performance dell'Operations Management, modalità di risposta alla domanda, Overall Equipment Effectiveness (OEE), tasso di qualità, efficienza delle prestazioni, disponibilità, principi di manutenzione e affidabilità, il setup, gestione delle scorte e dei fabbisogni dei materiali, lotto economico di approvvigionamento, Material Requirements Planning (MRP), Lean Manufacturing, Six Sigma, Industry 4.0, sistemi informativi di gestione.

Il corso prevede 2 moduli. Il primo modulo è dedicato al “Project Management”, mentre il secondo è dedicato all’ “Operations Management”. Le relative lezioni sono riportate di seguito:
Modulo I – Project Management

  • Introduzione al Project Management
  • Gli stakeholder di progetto e le strutture organizzative
  • I processi di Project management e il ciclo di vita di un progetto
  • L’avvio di un progetto
  • La pianificazione di un progetto (WBS, OBS, RAM Matrix)
  • La pianificazione di un progetto (Schedulazione dei tempi, CPM, GANTT)
  • La pianificazione di un progetto (PERT, CCM, Stima dei costi, Budget)
  • L’ottimizzazione del piano di progetto*
  • La pianificazione di un progetto (Qualità e Comunicazione)*
  • La pianificazione di un progetto (Rischi e Approvvigionamenti)
  • Esecuzione e Controllo di un progetto
  • Controllo e Chiusura di un progetto
  • Esercitazione CPM e PERT semplificato
  • Esercitazione Crashing e Earned Value

Modulo II – Operations Management

  • Introduzione all’Operations Management
  • Richiami di Ingegneria Economica*
  • Classificazione dei sistemi produttivi (CODP e Matrice prodotto-processo)
  • Overall Equipment Effectiveness*
  • Tasso di qualità, Efficienza delle Prestazioni e Disponibilità ‒ Parte I*
  • Tasso di qualità, Efficienza delle Prestazioni e Disponibilità ‒ Parte II*
  • Manutenzione ‒ Parte I*
  • Manutenzione ‒ Parte II*
  • Gestione delle scorte ‒ Parte I
  • Gestione delle scorte ‒ Parte II
  • Lean Manufacturing*
  • Six Sigma*
  • Industry 4.0*
  • Sistemi Informativi di Gestione*
  • Esercitazione Operations Management – Parte I*
  • Esercitazione Operations Management – Parte II
  • Lezioni di approfondimento

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. Durante lo svolgimento della prova è consentito l’uso della calcolatrice.
L’esame si svolgerà in forma scritta e consisterà in 3 esercizi e 4 domande aperte a cui rispondere nell’arco di 120 minuti, senza ausilio di appunti o libri di testo. La risposta alle domande, riguardanti argomenti affrontati a lezione, dovrà essere circoscritta all’argomento richiesto, eventualmente corredando l’argomento richiesto con schemi e grafici utili all’esposizione (descrittori di Dublino 1, 4, 5). Gli esercizi, invece, testeranno la capacità dell’allievo di applicare i concetti e le competenze appresi durante il corso a problemi concreti (descrittori di Dublino 2, 3).
Il punteggio della prova è espresso in trentesimi.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi:

  • R. F. Jacobs R. B. Chase, A. Grando, A. Sianesi, Operations management nella produzione e nei servizi, McGraw-Hill Education

Codice insegnamento UC455453

Operations and project management 2° anno · 6 CFU · IIND-05/A · 0 file

1. Conoscenza e comprensione Al termine di questo corso lo studente sarà in grado di: dimostrare familiarità con i concetti e gli strumenti fondamentali della disciplina del project management; comprendere i metodi…

Scheda dell'insegnamento

Obiettivi formativi

1. Conoscenza e comprensione
Al termine di questo corso lo studente sarà in grado di:

  • dimostrare familiarità con i concetti e gli strumenti fondamentali della disciplina del project management;
  • comprendere i metodi procedurali e quantitativi per l’avvio, la pianificazione, la gestione, il controllo e la chiusura di un progetto;
  • identificare gli elementi di criticità nello sviluppo di un progetto e poter definire in maniera efficiente ed efficace un’eventuale soluzione;
  • illustrare le caratteristiche fondamentali dei processi produttivi;
  • comprendere i concetti e i principi fondamentali alla base dell’analisi delle performance dei sistemi produttivi.

2. Capacità di applicare conoscenze e comprensione
Al termine di questo corso lo studente sarà in grado di:

  • analizzare la gestione del processo produttivo che converte gli input (sotto forma di materiali, lavoro ed energia) in output (sotto forma di beni e servizi);
  • identificare le criticità in un processo produttivo e le strategie per migliorare la sua performance.

3. Competenze trasversali
Al termine di questo corso lo studente sarà in grado di:

  • utilizzare la terminologia tecnica adeguata in relazione a tematiche riguardanti a gestione della produzione e dei progetti.

Programma

Il corso di Operation and Project Management fornisce agli studenti gli strumenti per comprendere la gestione delle operazioni, dei progetti, della catena di approvvigionamento e della logistica. Il corso si divide in due parti.
Nella prima parte, Project management, si esamineranno le soluzioni organizzative, gli stili di comportamento direzionale, i metodi procedurali e quantitativi per l’avvio, la pianificazione, la gestione, il controllo e la chiusura di un progetto.
Si affronteranno: definizione di progetto, i principi del project management, l'avvio di un progetto, la valutazione del contesto e l’analisi degli stakeholder, requisiti e obiettivi di progetto, project charter, le possibili strutture organizzative, la pianificazione dell’ambito, dei tempi, delle risorse e dei costi di progetto, l’ottimizzazione del piano di progetto, lo sviluppo della baseline, il monitoraggio ed il controllo di un progetto (valutazione dell'avanzamento, analisi dell’Earned Value), gestione della qualità e dei rischi, gestione dei contratti e degli acquisti, gestione della documentazione, chiusura del progetto.
Nella seconda parte, Operations Management, si comprenderanno gli strumenti per garantire che la gestione delle operazioni in un impianto industriale sia tale da garantire il loro svolgimento in maniera efficiente in termini di utilizzo delle risorse secondo necessità ed efficace in termini del soddisfacimento dei requisiti stabiliti dal cliente.
Si affronteranno: le caratteristiche generali degli impianti industriali, i principi alla base della gestione delle operations, indicatori chiave di performance dell'Operations Management, modalità di risposta alla domanda, Overall Equipment Effectiveness (OEE), tasso di qualità, efficienza delle prestazioni, disponibilità, principi di manutenzione e affidabilità, il setup, gestione delle scorte e dei fabbisogni dei materiali, lotto economico di approvvigionamento, Material Requirements Planning (MRP), Lean Manufacturing, Six Sigma, Industry 4.0, sistemi informativi di gestione.

Il corso prevede 2 moduli. Il primo modulo è dedicato al “Project Management”, mentre il secondo è dedicato all’ “Operations Management”. Le relative lezioni sono riportate di seguito:
Modulo I – Project Management

  • Introduzione al Project Management
  • Gli stakeholder di progetto e le strutture organizzative
  • I processi di Project management e il ciclo di vita di un progetto
  • L’avvio di un progetto
  • La pianificazione di un progetto (WBS, OBS, RAM Matrix)
  • La pianificazione di un progetto (Schedulazione dei tempi, CPM, GANTT)
  • La pianificazione di un progetto (PERT, CCM, Stima dei costi, Budget)
  • L’ottimizzazione del piano di progetto*
  • La pianificazione di un progetto (Qualità e Comunicazione)*
  • La pianificazione di un progetto (Rischi e Approvvigionamenti)
  • Esecuzione e Controllo di un progetto
  • Controllo e Chiusura di un progetto
  • Esercitazione CPM e PERT semplificato
  • Esercitazione Crashing e Earned Value

Modulo II – Operations Management

  • Introduzione all’Operations Management
  • Richiami di Ingegneria Economica*
  • Classificazione dei sistemi produttivi (CODP e Matrice prodotto-processo)
  • Overall Equipment Effectiveness*
  • Tasso di qualità, Efficienza delle Prestazioni e Disponibilità ‒ Parte I*
  • Tasso di qualità, Efficienza delle Prestazioni e Disponibilità ‒ Parte II*
  • Manutenzione ‒ Parte I*
  • Manutenzione ‒ Parte II*
  • Gestione delle scorte ‒ Parte I
  • Gestione delle scorte ‒ Parte II
  • Lean Manufacturing*
  • Six Sigma*
  • Industry 4.0*
  • Sistemi Informativi di Gestione*
  • Esercitazione Operations Management – Parte I*
  • Esercitazione Operations Management – Parte II
  • Lezioni di approfondimento

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. Durante lo svolgimento della prova è consentito l’uso della calcolatrice.
L’esame si svolgerà in forma scritta e consisterà in 3 esercizi e 4 domande aperte a cui rispondere nell’arco di 120 minuti, senza ausilio di appunti o libri di testo. La risposta alle domande, riguardanti argomenti affrontati a lezione, dovrà essere circoscritta all’argomento richiesto, eventualmente corredando l’argomento richiesto con schemi e grafici utili all’esposizione (descrittori di Dublino 1, 4, 5). Gli esercizi, invece, testeranno la capacità dell’allievo di applicare i concetti e le competenze appresi durante il corso a problemi concreti (descrittori di Dublino 2, 3).
Il punteggio della prova è espresso in trentesimi.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi:

  • R. F. Jacobs R. B. Chase, A. Grando, A. Sianesi, Operations management nella produzione e nei servizi, McGraw-Hill Education

Codice insegnamento UC455501

Prova finale 2° anno · 18 CFU · 0 file
Prova finale 2° anno · 18 CFU · 0 file
Prova finale 2° anno · 18 CFU · 0 file
Reti e Sistemi Wireless 2° anno · 6 CFU · ING-INF/03 · 0 file

Al termine di questo corso, lo studente sarà in grado di: conoscere i principali sistemi wireless e capire i fondamenti che sono alla base della trasmissione del segnale; progettare un sistema radio; capire le tecniche…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

  • conoscere i principali sistemi wireless e capire i fondamenti che sono alla base della trasmissione del segnale;
  • progettare un sistema radio;
  • capire le tecniche ed i principi di accesso e di controllo dei sistemi radiomobili;
  • conoscere le interfacce radio e le funzionalità dei sistemi GSM e UMTS;
  • valutare in autonomia i vantaggi e gli svantaggi delle interfacce radio dei classici sistemi cellulari e delle tecniche di accesso multiplo;
  • apprendere e integrare le conoscenze da varie fonti sulle architetture dei sistemi cellulari al fine di valutare attraverso una visione più ampia le potenzialità di tali sistemi trattati in studi successivi o di futuri sviluppi;
  • esprimere con opportuno linguaggio gli argomenti del corso.

Programma

Il corso introduce il discente allo studio dei sistemi delle reti wireless e delle reti radiomobili. Durante il percorso di apprendimento verranno illustrati gli elementi necessari per progettare un sistema radio. Sono introdotte le tecniche di accesso radio e i parametri di qualità dei sistemi radiomobili (o sistemi cellulari). Sono inoltre descritte e spiegate l’architettura, l’interfaccia radio e le funzionalità principali dell’architettura protocollare del sistema GSM. Infine, sono introdotte le architetture e le interfacce radio del sistema GPRS e del sistema UMTS.

Questo corso è suddiviso in cinque moduli. Il primo modulo introduce le tecnologie wireless e la trasmissione di segnali. Il secondo modulo permette una basilare progettazione dei sistemi radio. Il modulo tre si occupa della descrizione dei sistemi wireless e delle tecniche di accesso. Nel quarto modulo si descrivono l’architettura, l’interfaccia radio e le funzionalità dei protocolli nel sistema GSM. Infine, nel quinto modulo si descrive l’interfaccia radio del sistema UMTS.

Modulo 1: introduzione alle tecnologie wireless e alla trasmissione di segnali [3 LEZ.]

  • Introduzione alle tecnologie wireless (1 lezione)
  • Modulazioni digitali: teoria dell’informazione, segnali, modulazioni e sistema di demodulazione (2 lezioni)

Modulo 2: Progetto di un sistema radio [2 LEZ.]

  • Onde elettromagnetiche, antenne, formule di radiotrasmissione, rumore termico e temperatura di sistema, bilancio di radiocollegamento e collegamenti multitratta (2 lezioni)

Modulo 3: Reti wireless e tecniche di accesso [5 LEZ.]

  • Reti wireless e canale radiomobile (1 lezione)
  • Controllo di accesso al mezzo (2 lezioni)
  • Sistemi cellulari e prestazioni (2 lezioni)

Modulo 4: Sistema GSM [6 LEZ.]

  • Architettura ed identità (1 lezione)
  • Interfaccia radio (1 lezione)
  • Architettura protocollare: radio resource management, mobility management e connection management (3 lezioni)
  • GPRS (1 lezione)

Modulo 5: Sistemi radiomobili per la trasmissione dati [2 LEZ.]

  • Servizi, architettura e interfaccia radio UMTS (2 lezioni)

Modalità d'esame

L’esame si svolge in forma scritta. Il punteggio della prova è espresso in trentesimi.

La prova scritta ha una durata massima di 120 minuti e consiste nel sottoporre allo studente una serie di domande teoriche (in genere 4 o 5) alle quali lo studente dovrà rispondere in maniera soddisfacente attenendosi all’argomento richiesto senza dilungarsi su argomenti collegati ma non centrali nella domanda. Le domande richiedono di norma la spiegazione o la descrizione di argomenti ben precisi trattati durante il corso, che mirano a dimostrare la conoscenza e comprensione dei sistemi wireless e dei sistemi radiomobili e la capacità dello studente di applicare tali conoscenze tramite la progettazione di collegamenti radio e di pianificazione dei sistemi radiomobili. Di solito le difficoltà presenti (e di conseguenza il punteggio massimo conseguibile, se non diversamente esplicitato) sono equidistribuite tra le varie domande.

Tuttavia, al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare architetture, funzionalità o protocolli nella progettazione di sistemi radiomobili.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficiente sui concetti di base delle reti wireless, una conoscenza di base sull’interfaccia radio, sulle funzionalità e sui principali protocolli del sistema cellulare GSM e sull’interfaccia radio del sistema UMTS. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.

La prova orale consiste nel richiedere chiarimenti e approfondimenti allo studente riguardo imprecisioni o carenze concettuali nelle risposte fornite alle domande durante lo scritto oppure di altri argomenti del corso al fine di completare la valutazione della preparazione dello studente.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente e ai materiali didattici pubblicati in piattaforma, si consiglia lo studio dei seguenti testi in base agli argomenti trattati:

  • S. R. Saunders, A. A. Zavala, “Antennas and propagation for wireless communication systems”, 2nd edition, JohnWiley & Sons Ltd, 2007
  • A. Molisch, “Wireless Communications”, 2nd Edition, John Wiley & Sons Ltd., 2011
  • J. Eberspächer, H.-J. Vögel, C. Bettstetter, C. Hartmann, “GSM – Architecture, Protocols and Services”, 3rd Edition, John Wiley & Sons Ltd., 2009.
  • H. Holma, A. Toskala, “WCDMA for UMTS: HSPA evolution and LTE”, 5th edition, ed. John Wiley & Sons Ltd., 2010
  • S. Haykin, “Communication Systems”, 4th edition, John Wiley & Sons Ltd., 2001

Inoltre, di seguito è riportata una lista di libri da utilizzare come materiale di supporto;

  • J. D. Parsons, “The mobile radio propagation channel”, 2nd edition, John Wiley & Sons Ltd, 2000.
  • W. C. Y. Lee, “Mobile Communications Engineering: Theory and Applications”, 2nd edition, Mc Graw-Hill
  • S. Haykin, M. Moher, “Introduction to Analog & Digital Communications”, 2nd edition, John Wiley & Sons Ltd., 2007
  • A. S. Tanenbaum, D. J. Wetherall, “Computer Networks”, 5th edition, Prentice Hall, 2011.

Codice insegnamento UC63666

Reti e Sistemi Wireless 2° anno · 6 CFU · ING-INF/03 · 0 file

Al termine di questo corso, lo studente sarà in grado di: conoscere i principali sistemi wireless e capire i fondamenti che sono alla base della trasmissione del segnale; progettare un sistema radio; capire le tecniche…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

  • conoscere i principali sistemi wireless e capire i fondamenti che sono alla base della trasmissione del segnale;
  • progettare un sistema radio;
  • capire le tecniche ed i principi di accesso e di controllo dei sistemi radiomobili;
  • conoscere le interfacce radio e le funzionalità dei sistemi GSM e UMTS;
  • valutare in autonomia i vantaggi e gli svantaggi delle interfacce radio dei classici sistemi cellulari e delle tecniche di accesso multiplo;
  • apprendere e integrare le conoscenze da varie fonti sulle architetture dei sistemi cellulari al fine di valutare attraverso una visione più ampia le potenzialità di tali sistemi trattati in studi successivi o di futuri sviluppi;
  • esprimere con opportuno linguaggio gli argomenti del corso.

Programma

Il corso introduce il discente allo studio dei sistemi delle reti wireless e delle reti radiomobili. Durante il percorso di apprendimento verranno illustrati gli elementi necessari per progettare un sistema radio. Sono introdotte le tecniche di accesso radio e i parametri di qualità dei sistemi radiomobili (o sistemi cellulari). Sono inoltre descritte e spiegate l’architettura, l’interfaccia radio e le funzionalità principali dell’architettura protocollare del sistema GSM. Infine, sono introdotte le architetture e le interfacce radio del sistema GPRS e del sistema UMTS.

Questo corso è suddiviso in cinque moduli. Il primo modulo introduce le tecnologie wireless e la trasmissione di segnali. Il secondo modulo permette una basilare progettazione dei sistemi radio. Il modulo tre si occupa della descrizione dei sistemi wireless e delle tecniche di accesso. Nel quarto modulo si descrivono l’architettura, l’interfaccia radio e le funzionalità dei protocolli nel sistema GSM. Infine, nel quinto modulo si descrive l’interfaccia radio del sistema UMTS.

Modulo 1: introduzione alle tecnologie wireless e alla trasmissione di segnali [3 LEZ.]

  • Introduzione alle tecnologie wireless (1 lezione)
  • Modulazioni digitali: teoria dell’informazione, segnali, modulazioni e sistema di demodulazione (2 lezioni)

Modulo 2: Progetto di un sistema radio [2 LEZ.]

  • Onde elettromagnetiche, antenne, formule di radiotrasmissione, rumore termico e temperatura di sistema, bilancio di radiocollegamento e collegamenti multitratta (2 lezioni)

Modulo 3: Reti wireless e tecniche di accesso [5 LEZ.]

  • Reti wireless e canale radiomobile (1 lezione)
  • Controllo di accesso al mezzo (2 lezioni)
  • Sistemi cellulari e prestazioni (2 lezioni)

Modulo 4: Sistema GSM [6 LEZ.]

  • Architettura ed identità (1 lezione)
  • Interfaccia radio (1 lezione)
  • Architettura protocollare: radio resource management, mobility management e connection management (3 lezioni)
  • GPRS (1 lezione)

Modulo 5: Sistemi radiomobili per la trasmissione dati [2 LEZ.]

  • Servizi, architettura e interfaccia radio UMTS (2 lezioni)

Modalità d'esame

L’esame si svolge in forma scritta. Il punteggio della prova è espresso in trentesimi.

La prova scritta ha una durata massima di 120 minuti e consiste nel sottoporre allo studente una serie di domande teoriche (in genere 4 o 5) alle quali lo studente dovrà rispondere in maniera soddisfacente attenendosi all’argomento richiesto senza dilungarsi su argomenti collegati ma non centrali nella domanda. Le domande richiedono di norma la spiegazione o la descrizione di argomenti ben precisi trattati durante il corso, che mirano a dimostrare la conoscenza e comprensione dei sistemi wireless e dei sistemi radiomobili e la capacità dello studente di applicare tali conoscenze tramite la progettazione di collegamenti radio e di pianificazione dei sistemi radiomobili. Di solito le difficoltà presenti (e di conseguenza il punteggio massimo conseguibile, se non diversamente esplicitato) sono equidistribuite tra le varie domande.

Tuttavia, al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare architetture, funzionalità o protocolli nella progettazione di sistemi radiomobili.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficiente sui concetti di base delle reti wireless, una conoscenza di base sull’interfaccia radio, sulle funzionalità e sui principali protocolli del sistema cellulare GSM e sull’interfaccia radio del sistema UMTS. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.

La prova orale consiste nel richiedere chiarimenti e approfondimenti allo studente riguardo imprecisioni o carenze concettuali nelle risposte fornite alle domande durante lo scritto oppure di altri argomenti del corso al fine di completare la valutazione della preparazione dello studente.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente e ai materiali didattici pubblicati in piattaforma, si consiglia lo studio dei seguenti testi in base agli argomenti trattati:

  • S. R. Saunders, A. A. Zavala, “Antennas and propagation for wireless communication systems”, 2nd edition, JohnWiley & Sons Ltd, 2007
  • A. Molisch, “Wireless Communications”, 2nd Edition, John Wiley & Sons Ltd., 2011
  • J. Eberspächer, H.-J. Vögel, C. Bettstetter, C. Hartmann, “GSM – Architecture, Protocols and Services”, 3rd Edition, John Wiley & Sons Ltd., 2009.
  • H. Holma, A. Toskala, “WCDMA for UMTS: HSPA evolution and LTE”, 5th edition, ed. John Wiley & Sons Ltd., 2010
  • S. Haykin, “Communication Systems”, 4th edition, John Wiley & Sons Ltd., 2001

Inoltre, di seguito è riportata una lista di libri da utilizzare come materiale di supporto;

  • J. D. Parsons, “The mobile radio propagation channel”, 2nd edition, John Wiley & Sons Ltd, 2000.
  • W. C. Y. Lee, “Mobile Communications Engineering: Theory and Applications”, 2nd edition, Mc Graw-Hill
  • S. Haykin, M. Moher, “Introduction to Analog & Digital Communications”, 2nd edition, John Wiley & Sons Ltd., 2007
  • A. S. Tanenbaum, D. J. Wetherall, “Computer Networks”, 5th edition, Prentice Hall, 2011.

Codice insegnamento UC455440

Reti e Sistemi Wireless 2° anno · 6 CFU · IINF-03/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: conoscere i principali sistemi wireless e capire i fondamenti che sono alla base della trasmissione del segnale; progettare un sistema radio; capire le tecniche…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

  • conoscere i principali sistemi wireless e capire i fondamenti che sono alla base della trasmissione del segnale;
  • progettare un sistema radio;
  • capire le tecniche ed i principi di accesso e di controllo dei sistemi radiomobili;
  • conoscere le interfacce radio e le funzionalità dei sistemi GSM e UMTS;
  • valutare in autonomia i vantaggi e gli svantaggi delle interfacce radio dei classici sistemi cellulari e delle tecniche di accesso multiplo;
  • apprendere e integrare le conoscenze da varie fonti sulle architetture dei sistemi cellulari al fine di valutare attraverso una visione più ampia le potenzialità di tali sistemi trattati in studi successivi o di futuri sviluppi;
  • esprimere con opportuno linguaggio gli argomenti del corso.

Programma

Il corso introduce il discente allo studio dei sistemi delle reti wireless e delle reti radiomobili. Durante il percorso di apprendimento verranno illustrati gli elementi necessari per progettare un sistema radio. Sono introdotte le tecniche di accesso radio e i parametri di qualità dei sistemi radiomobili (o sistemi cellulari). Sono inoltre descritte e spiegate l’architettura, l’interfaccia radio e le funzionalità principali dell’architettura protocollare del sistema GSM. Infine, sono introdotte le architetture e le interfacce radio del sistema GPRS e del sistema UMTS.

Questo corso è suddiviso in cinque moduli. Il primo modulo introduce le tecnologie wireless e la trasmissione di segnali. Il secondo modulo permette una basilare progettazione dei sistemi radio. Il modulo tre si occupa della descrizione dei sistemi wireless e delle tecniche di accesso. Nel quarto modulo si descrivono l’architettura, l’interfaccia radio e le funzionalità dei protocolli nel sistema GSM. Infine, nel quinto modulo si descrive l’interfaccia radio del sistema UMTS.

Modulo 1: introduzione alle tecnologie wireless e alla trasmissione di segnali [3 LEZ.]

  • Introduzione alle tecnologie wireless (1 lezione)
  • Modulazioni digitali: teoria dell’informazione, segnali, modulazioni e sistema di demodulazione (2 lezioni)

Modulo 2: Progetto di un sistema radio [2 LEZ.]

  • Onde elettromagnetiche, antenne, formule di radiotrasmissione, rumore termico e temperatura di sistema, bilancio di radiocollegamento e collegamenti multitratta (2 lezioni)

Modulo 3: Reti wireless e tecniche di accesso [5 LEZ.]

  • Reti wireless e canale radiomobile (1 lezione)
  • Controllo di accesso al mezzo (2 lezioni)
  • Sistemi cellulari e prestazioni (2 lezioni)

Modulo 4: Sistema GSM [6 LEZ.]

  • Architettura ed identità (1 lezione)
  • Interfaccia radio (1 lezione)
  • Architettura protocollare: radio resource management, mobility management e connection management (3 lezioni)
  • GPRS (1 lezione)

Modulo 5: Sistemi radiomobili per la trasmissione dati [2 LEZ.]

  • Servizi, architettura e interfaccia radio UMTS (2 lezioni)

Modalità d'esame

L’esame si svolge in forma scritta. Il punteggio della prova è espresso in trentesimi.

La prova scritta ha una durata massima di 120 minuti e consiste nel sottoporre allo studente una serie di domande teoriche (in genere 4 o 5) alle quali lo studente dovrà rispondere in maniera soddisfacente attenendosi all’argomento richiesto senza dilungarsi su argomenti collegati ma non centrali nella domanda. Le domande richiedono di norma la spiegazione o la descrizione di argomenti ben precisi trattati durante il corso, che mirano a dimostrare la conoscenza e comprensione dei sistemi wireless e dei sistemi radiomobili e la capacità dello studente di applicare tali conoscenze tramite la progettazione di collegamenti radio e di pianificazione dei sistemi radiomobili. Di solito le difficoltà presenti (e di conseguenza il punteggio massimo conseguibile, se non diversamente esplicitato) sono equidistribuite tra le varie domande.

Tuttavia, al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare architetture, funzionalità o protocolli nella progettazione di sistemi radiomobili.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficiente sui concetti di base delle reti wireless, una conoscenza di base sull’interfaccia radio, sulle funzionalità e sui principali protocolli del sistema cellulare GSM e sull’interfaccia radio del sistema UMTS. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.

La prova orale consiste nel richiedere chiarimenti e approfondimenti allo studente riguardo imprecisioni o carenze concettuali nelle risposte fornite alle domande durante lo scritto oppure di altri argomenti del corso al fine di completare la valutazione della preparazione dello studente.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente e ai materiali didattici pubblicati in piattaforma, si consiglia lo studio dei seguenti testi in base agli argomenti trattati:

  • S. R. Saunders, A. A. Zavala, “Antennas and propagation for wireless communication systems”, 2nd edition, JohnWiley & Sons Ltd, 2007
  • A. Molisch, “Wireless Communications”, 2nd Edition, John Wiley & Sons Ltd., 2011
  • J. Eberspächer, H.-J. Vögel, C. Bettstetter, C. Hartmann, “GSM – Architecture, Protocols and Services”, 3rd Edition, John Wiley & Sons Ltd., 2009.
  • H. Holma, A. Toskala, “WCDMA for UMTS: HSPA evolution and LTE”, 5th edition, ed. John Wiley & Sons Ltd., 2010
  • S. Haykin, “Communication Systems”, 4th edition, John Wiley & Sons Ltd., 2001

Inoltre, di seguito è riportata una lista di libri da utilizzare come materiale di supporto;

  • J. D. Parsons, “The mobile radio propagation channel”, 2nd edition, John Wiley & Sons Ltd, 2000.
  • W. C. Y. Lee, “Mobile Communications Engineering: Theory and Applications”, 2nd edition, Mc Graw-Hill
  • S. Haykin, M. Moher, “Introduction to Analog & Digital Communications”, 2nd edition, John Wiley & Sons Ltd., 2007
  • A. S. Tanenbaum, D. J. Wetherall, “Computer Networks”, 5th edition, Prentice Hall, 2011.

Codice insegnamento UC455472

Reti e Sistemi Wireless 2° anno · 6 CFU · ING-INF/03 · 0 file

Al termine di questo corso, lo studente sarà in grado di: conoscere i principali sistemi wireless e capire i fondamenti che sono alla base della trasmissione del segnale; progettare un sistema radio; capire le tecniche…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

  • conoscere i principali sistemi wireless e capire i fondamenti che sono alla base della trasmissione del segnale;
  • progettare un sistema radio;
  • capire le tecniche ed i principi di accesso e di controllo dei sistemi radiomobili;
  • conoscere le interfacce radio e le funzionalità dei sistemi GSM e UMTS;
  • valutare in autonomia i vantaggi e gli svantaggi delle interfacce radio dei classici sistemi cellulari e delle tecniche di accesso multiplo;
  • apprendere e integrare le conoscenze da varie fonti sulle architetture dei sistemi cellulari al fine di valutare attraverso una visione più ampia le potenzialità di tali sistemi trattati in studi successivi o di futuri sviluppi;
  • esprimere con opportuno linguaggio gli argomenti del corso.

Programma

Il corso introduce il discente allo studio dei sistemi delle reti wireless e delle reti radiomobili. Durante il percorso di apprendimento verranno illustrati gli elementi necessari per progettare un sistema radio. Sono introdotte le tecniche di accesso radio e i parametri di qualità dei sistemi radiomobili (o sistemi cellulari). Sono inoltre descritte e spiegate l’architettura, l’interfaccia radio e le funzionalità principali dell’architettura protocollare del sistema GSM. Infine, sono introdotte le architetture e le interfacce radio del sistema GPRS e del sistema UMTS.

Questo corso è suddiviso in cinque moduli. Il primo modulo introduce le tecnologie wireless e la trasmissione di segnali. Il secondo modulo permette una basilare progettazione dei sistemi radio. Il modulo tre si occupa della descrizione dei sistemi wireless e delle tecniche di accesso. Nel quarto modulo si descrivono l’architettura, l’interfaccia radio e le funzionalità dei protocolli nel sistema GSM. Infine, nel quinto modulo si descrive l’interfaccia radio del sistema UMTS.

Modulo 1: introduzione alle tecnologie wireless e alla trasmissione di segnali [3 LEZ.]

  • Introduzione alle tecnologie wireless (1 lezione)
  • Modulazioni digitali: teoria dell’informazione, segnali, modulazioni e sistema di demodulazione (2 lezioni)

Modulo 2: Progetto di un sistema radio [2 LEZ.]

  • Onde elettromagnetiche, antenne, formule di radiotrasmissione, rumore termico e temperatura di sistema, bilancio di radiocollegamento e collegamenti multitratta (2 lezioni)

Modulo 3: Reti wireless e tecniche di accesso [5 LEZ.]

  • Reti wireless e canale radiomobile (1 lezione)
  • Controllo di accesso al mezzo (2 lezioni)
  • Sistemi cellulari e prestazioni (2 lezioni)

Modulo 4: Sistema GSM [6 LEZ.]

  • Architettura ed identità (1 lezione)
  • Interfaccia radio (1 lezione)
  • Architettura protocollare: radio resource management, mobility management e connection management (3 lezioni)
  • GPRS (1 lezione)

Modulo 5: Sistemi radiomobili per la trasmissione dati [2 LEZ.]

  • Servizi, architettura e interfaccia radio UMTS (2 lezioni)

Modalità d'esame

L’esame si svolge in forma scritta. Il punteggio della prova è espresso in trentesimi.

La prova scritta ha una durata massima di 120 minuti e consiste nel sottoporre allo studente una serie di domande teoriche (in genere 4 o 5) alle quali lo studente dovrà rispondere in maniera soddisfacente attenendosi all’argomento richiesto senza dilungarsi su argomenti collegati ma non centrali nella domanda. Le domande richiedono di norma la spiegazione o la descrizione di argomenti ben precisi trattati durante il corso, che mirano a dimostrare la conoscenza e comprensione dei sistemi wireless e dei sistemi radiomobili e la capacità dello studente di applicare tali conoscenze tramite la progettazione di collegamenti radio e di pianificazione dei sistemi radiomobili. Di solito le difficoltà presenti (e di conseguenza il punteggio massimo conseguibile, se non diversamente esplicitato) sono equidistribuite tra le varie domande.

Tuttavia, al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto;
  • della padronanza di linguaggio dello studente;
  • della capacità di applicare architetture, funzionalità o protocolli nella progettazione di sistemi radiomobili.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficiente sui concetti di base delle reti wireless, una conoscenza di base sull’interfaccia radio, sulle funzionalità e sui principali protocolli del sistema cellulare GSM e sull’interfaccia radio del sistema UMTS. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.

La prova orale consiste nel richiedere chiarimenti e approfondimenti allo studente riguardo imprecisioni o carenze concettuali nelle risposte fornite alle domande durante lo scritto oppure di altri argomenti del corso al fine di completare la valutazione della preparazione dello studente.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente e ai materiali didattici pubblicati in piattaforma, si consiglia lo studio dei seguenti testi in base agli argomenti trattati:

  • S. R. Saunders, A. A. Zavala, “Antennas and propagation for wireless communication systems”, 2nd edition, JohnWiley & Sons Ltd, 2007
  • A. Molisch, “Wireless Communications”, 2nd Edition, John Wiley & Sons Ltd., 2011
  • J. Eberspächer, H.-J. Vögel, C. Bettstetter, C. Hartmann, “GSM – Architecture, Protocols and Services”, 3rd Edition, John Wiley & Sons Ltd., 2009.
  • H. Holma, A. Toskala, “WCDMA for UMTS: HSPA evolution and LTE”, 5th edition, ed. John Wiley & Sons Ltd., 2010
  • S. Haykin, “Communication Systems”, 4th edition, John Wiley & Sons Ltd., 2001

Inoltre, di seguito è riportata una lista di libri da utilizzare come materiale di supporto;

  • J. D. Parsons, “The mobile radio propagation channel”, 2nd edition, John Wiley & Sons Ltd, 2000.
  • W. C. Y. Lee, “Mobile Communications Engineering: Theory and Applications”, 2nd edition, Mc Graw-Hill
  • S. Haykin, M. Moher, “Introduction to Analog & Digital Communications”, 2nd edition, John Wiley & Sons Ltd., 2007
  • A. S. Tanenbaum, D. J. Wetherall, “Computer Networks”, 5th edition, Prentice Hall, 2011.

Codice insegnamento UC455488

Scelta libera 2° anno · 12 CFU · 0 file
Scelta libera 2° anno · 12 CFU · 0 file
Scelta libera 2° anno · 12 CFU · 0 file
Security di rete 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: Conoscenza e comprensione: Comprendere i principi fondamentali della sicurezza di rete e il loro impatto sulla protezione delle infrastrutture informatiche.…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

Conoscenza e comprensione:

  • Comprendere i principi fondamentali della sicurezza di rete e il loro impatto sulla protezione delle infrastrutture informatiche.
  • Identificare e spiegare le vulnerabilità e le minacce associate a diversi livelli della pila OSI.
  • Conoscere le tecnologie e i protocolli di sicurezza, inclusi IPsec e SSL/TLS, e il loro funzionamento.
  • Analizzare le problematiche di sicurezza specifiche per le reti wireless e i dispositivi mobili.
  • Comprendere le tecniche e le migliori pratiche per la protezione dei dati e delle comunicazioni in ambienti di rete

Capacità di applicare conoscenze e comprensione:

  • Configurare e gestire correttamente i protocolli di sicurezza come IPsec per garantire comunicazioni sicure.
  • Implementare soluzioni di sicurezza per reti wireless e dispositivi mobili, proteggendo da potenziali minacce.
  • Eseguire una valutazione delle vulnerabilità di rete e applicare le contromisure appropriate.
  • Monitorare e rispondere agli attacchi informatici utilizzando strumenti e tecniche di rilevamento delle minacce.
  • Sviluppare e implementare politiche di sicurezza efficaci per salvaguardare le risorse aziendali e personali.

Competenze trasversali:

  • Comunicare in modo chiaro e dettagliato le problematiche e le soluzioni di sicurezza a diverse figure professionali e tecniche.
  • Collaborare efficacemente con team multidisciplinari per progettare e gestire strategie di sicurezza informatica.
  • Utilizzare il pensiero critico per valutare e risolvere problemi complessi relativi alla sicurezza di rete e alle minacce emergenti.
  • Adattare le proprie competenze e conoscenze alle evoluzioni tecnologiche e alle nuove minacce nel campo della sicurezza informatica.
  • Gestire progetti di sicurezza informatica con capacità di leadership e decision-making, assicurando il rispetto delle normative e delle best practices

Programma

Il corso "Security di Rete" è progettato per fornire una formazione approfondita sulla protezione delle reti informatiche, affrontando una vasta gamma di tematiche cruciali per la sicurezza informatica moderna. Il corso inizia con una panoramica dei principi fondamentali della sicurezza di rete, esplorando le minacce comuni e le vulnerabilità che possono compromettere l'integrità e la disponibilità delle informazioni.
Un focus particolare è dedicato alla sicurezza a vari livelli della pila OSI. Gli studenti apprenderanno come proteggere ciascun livello, dalle protezioni fisiche e di collegamento dati, fino ai livelli di trasporto e applicazione. Verranno analizzati i protocolli di sicurezza più rilevanti e le tecniche di cifratura utilizzate per garantire la confidenzialità e l'integrità dei dati.
Un modulo dedicato alla sicurezza dei dispositivi mobili analizzerà le minacce specifiche per smartphone e tablet, come malware mobile, phishing e vulnerabilità delle app. Verranno presentate best practice per la gestione sicura dei dispositivi mobili, incluse le politiche BYOD (Bring Your Own Device) e relativa gestione all’interno di organizzazioni.

1. Introduzione al corso di Security di Rete

  • Perchè un corso sulla security di rete
  • Obiettivi del corso
  • Organizzazione del corso
  • Storia della sicurezza delle reti

2. Introduzione alla sicurezza delle reti

  • Definizione e Importanza della Sicurezza delle Reti
  • Principi Fondamentali della Sicurezza delle Informazioni
  • Minacce e Vulnerabilità delle Reti
  • Autenticazione, Autorizzazione e Accounting (AAA)

3. Concetti fondamentali di Reti di Calcolatori

  • Definizione e Tipologie di reti di calcolatori
  • Componenti di rete
  • Modello OSI e modello TCP/IP
  • Concetti di Sicurezza di Base nelle Reti di Calcolatori

4. Crittografia e funzioni di hash

  • Algoritmi di crittografia simmetrica
  • Funzioni di HASH
  • Accenni di crittografia asimmetrica

5. Algoritmi per la Data Integrity

  • Overview sulle funzioni per la Message Authentication
  • MAC, Message Authentication Code
  • HMAC, hash-based message authentication code
  • Digital signature

6. Tecniche di attacco e strumenti a supporto

  • Overview sulle principali minacce informatiche
  • DDOS (DDOS, distributed Denial-of-Service)
  • EDR (Endpoint Detection and Response)
  • XDR (Extended Detection and Response)

7. Sicurezza a livello fisico e data link

  • Introduzione alla sicurezza nei livelli fisico e data link
  • Minacce e contromisure a livello fisico
  • Minacce e contromisure a livello data link

8. Sicurezza nel Livello di Rete: IPsec (prima parte)

  • Introduzione alla sicurezza nei livelli di rete
  • Fondamenti di IPSEC
  • Tunnel mode e transport mode

9. Sicurezza nel Livello di Rete: IPsec (seconda parte)

  • ESP – Encapsulating Security Payload
  • Combinare le security associations
  • Internet Key Exchange

10. Sicurezza di internet e delle reti

  • User Authentication
  • Network Access Control
  • Extensible Authentication Protocol
  • IEEE 802.1X Port-Based Network Access Control

11. Sicurezza a livello Transport

  • SSL
  • TLS
  • HTTPS
  • SSH

12. Sicurezza a livello Application

  • Oauth
  • Security Assertion Markup Language (SAML)
  • Intrusion Detection Systems (IDS) and Intrusion Prevention Systems (IPS)
  • Antispam
  • Antiphishing

13. Sicurezza a livello Cloud

  • Cloud computing
  • Cloud security
  • Cloud Security As A Service
  • Cloud Access Security Brokers (CASB)

14. Wireless Network Security

  • Wireless Security
  • Sicurezza dei dispositivi mobili
  • IEEE 802.11/i

15. Electronic Mail Security

  • PGP, Pretty Good Privacy
  • S/MIME

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta. Il punteggio della prova è espresso in trentesimi.
La prova scritta consiste in domande a risposta aperta sugli argomenti specifici del corso. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali relativi alla sicurezza delle reti e ai protocolli di sicurezza (prescrizioni Dublino 1) e la capacità dello studente di applicare tali conoscenze tramite la descrizione di funzionalità e strumenti implementati in scenari reali e attualmente in uso (prescrizioni Dublino 2). La prova scritta ha una durata massima di 120 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.
Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto; mostrando un’attitudine a risolvere nuove sfide (prescrizioni Dublino 5);
  • della padronanza di linguaggio scritto dello studente (prescrizioni Dublino 4);
  • della capacità di applicare architetture, funzionalità o strumenti alla risoluzione di problemi reali (prescrizioni Dublino 2) e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali (prescrizioni Dublino 3).

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze per l’analisi dei problemi complessi, una conoscenza di base sulle funzionalità e sui principali elementi degli strumenti introdotti in tale processo (prescrizioni Dublino 1). Per conseguire un punteggio pari a 30/30 e lode, lo studente deve inoltre dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso (prescrizioni Dublino 2).
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi:

  • William Stallings, a cura di Alessandra De Paola e Giuseppe Lo Re, Sicurezza dei computer e delle reti, Pearson Editore, 2022
  • William Stallings, a cura di Alessandra De Paola e Giuseppe Lo Re, Crittografia, Pearson Editore, 2022
  • William Stallings, Cryptography and Network Security: Principles and Practice, Global Edition, Pearson Editore, 2022

Codice insegnamento UC63655

Security di rete 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: Conoscenza e comprensione: Comprendere i principi fondamentali della sicurezza di rete e il loro impatto sulla protezione delle infrastrutture informatiche.…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

Conoscenza e comprensione:

  • Comprendere i principi fondamentali della sicurezza di rete e il loro impatto sulla protezione delle infrastrutture informatiche.
  • Identificare e spiegare le vulnerabilità e le minacce associate a diversi livelli della pila OSI.
  • Conoscere le tecnologie e i protocolli di sicurezza, inclusi IPsec e SSL/TLS, e il loro funzionamento.
  • Analizzare le problematiche di sicurezza specifiche per le reti wireless e i dispositivi mobili.
  • Comprendere le tecniche e le migliori pratiche per la protezione dei dati e delle comunicazioni in ambienti di rete

Capacità di applicare conoscenze e comprensione:

  • Configurare e gestire correttamente i protocolli di sicurezza come IPsec per garantire comunicazioni sicure.
  • Implementare soluzioni di sicurezza per reti wireless e dispositivi mobili, proteggendo da potenziali minacce.
  • Eseguire una valutazione delle vulnerabilità di rete e applicare le contromisure appropriate.
  • Monitorare e rispondere agli attacchi informatici utilizzando strumenti e tecniche di rilevamento delle minacce.
  • Sviluppare e implementare politiche di sicurezza efficaci per salvaguardare le risorse aziendali e personali.

Competenze trasversali:

  • Comunicare in modo chiaro e dettagliato le problematiche e le soluzioni di sicurezza a diverse figure professionali e tecniche.
  • Collaborare efficacemente con team multidisciplinari per progettare e gestire strategie di sicurezza informatica.
  • Utilizzare il pensiero critico per valutare e risolvere problemi complessi relativi alla sicurezza di rete e alle minacce emergenti.
  • Adattare le proprie competenze e conoscenze alle evoluzioni tecnologiche e alle nuove minacce nel campo della sicurezza informatica.
  • Gestire progetti di sicurezza informatica con capacità di leadership e decision-making, assicurando il rispetto delle normative e delle best practices

Programma

Il corso "Security di Rete" è progettato per fornire una formazione approfondita sulla protezione delle reti informatiche, affrontando una vasta gamma di tematiche cruciali per la sicurezza informatica moderna. Il corso inizia con una panoramica dei principi fondamentali della sicurezza di rete, esplorando le minacce comuni e le vulnerabilità che possono compromettere l'integrità e la disponibilità delle informazioni.
Un focus particolare è dedicato alla sicurezza a vari livelli della pila OSI. Gli studenti apprenderanno come proteggere ciascun livello, dalle protezioni fisiche e di collegamento dati, fino ai livelli di trasporto e applicazione. Verranno analizzati i protocolli di sicurezza più rilevanti e le tecniche di cifratura utilizzate per garantire la confidenzialità e l'integrità dei dati.
Un modulo dedicato alla sicurezza dei dispositivi mobili analizzerà le minacce specifiche per smartphone e tablet, come malware mobile, phishing e vulnerabilità delle app. Verranno presentate best practice per la gestione sicura dei dispositivi mobili, incluse le politiche BYOD (Bring Your Own Device) e relativa gestione all’interno di organizzazioni.

1. Introduzione al corso di Security di Rete

  • Perchè un corso sulla security di rete
  • Obiettivi del corso
  • Organizzazione del corso
  • Storia della sicurezza delle reti

2. Introduzione alla sicurezza delle reti

  • Definizione e Importanza della Sicurezza delle Reti
  • Principi Fondamentali della Sicurezza delle Informazioni
  • Minacce e Vulnerabilità delle Reti
  • Autenticazione, Autorizzazione e Accounting (AAA)

3. Concetti fondamentali di Reti di Calcolatori

  • Definizione e Tipologie di reti di calcolatori
  • Componenti di rete
  • Modello OSI e modello TCP/IP
  • Concetti di Sicurezza di Base nelle Reti di Calcolatori

4. Crittografia e funzioni di hash

  • Algoritmi di crittografia simmetrica
  • Funzioni di HASH
  • Accenni di crittografia asimmetrica

5. Algoritmi per la Data Integrity

  • Overview sulle funzioni per la Message Authentication
  • MAC, Message Authentication Code
  • HMAC, hash-based message authentication code
  • Digital signature

6. Tecniche di attacco e strumenti a supporto

  • Overview sulle principali minacce informatiche
  • DDOS (DDOS, distributed Denial-of-Service)
  • EDR (Endpoint Detection and Response)
  • XDR (Extended Detection and Response)

7. Sicurezza a livello fisico e data link

  • Introduzione alla sicurezza nei livelli fisico e data link
  • Minacce e contromisure a livello fisico
  • Minacce e contromisure a livello data link

8. Sicurezza nel Livello di Rete: IPsec (prima parte)

  • Introduzione alla sicurezza nei livelli di rete
  • Fondamenti di IPSEC
  • Tunnel mode e transport mode

9. Sicurezza nel Livello di Rete: IPsec (seconda parte)

  • ESP – Encapsulating Security Payload
  • Combinare le security associations
  • Internet Key Exchange

10. Sicurezza di internet e delle reti

  • User Authentication
  • Network Access Control
  • Extensible Authentication Protocol
  • IEEE 802.1X Port-Based Network Access Control

11. Sicurezza a livello Transport

  • SSL
  • TLS
  • HTTPS
  • SSH

12. Sicurezza a livello Application

  • Oauth
  • Security Assertion Markup Language (SAML)
  • Intrusion Detection Systems (IDS) and Intrusion Prevention Systems (IPS)
  • Antispam
  • Antiphishing

13. Sicurezza a livello Cloud

  • Cloud computing
  • Cloud security
  • Cloud Security As A Service
  • Cloud Access Security Brokers (CASB)

14. Wireless Network Security

  • Wireless Security
  • Sicurezza dei dispositivi mobili
  • IEEE 802.11/i

15. Electronic Mail Security

  • PGP, Pretty Good Privacy
  • S/MIME

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta. Il punteggio della prova è espresso in trentesimi.
La prova scritta consiste in domande a risposta aperta sugli argomenti specifici del corso. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali relativi alla sicurezza delle reti e ai protocolli di sicurezza (prescrizioni Dublino 1) e la capacità dello studente di applicare tali conoscenze tramite la descrizione di funzionalità e strumenti implementati in scenari reali e attualmente in uso (prescrizioni Dublino 2). La prova scritta ha una durata massima di 120 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.
Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto; mostrando un’attitudine a risolvere nuove sfide (prescrizioni Dublino 5);
  • della padronanza di linguaggio scritto dello studente (prescrizioni Dublino 4);
  • della capacità di applicare architetture, funzionalità o strumenti alla risoluzione di problemi reali (prescrizioni Dublino 2) e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali (prescrizioni Dublino 3).

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze per l’analisi dei problemi complessi, una conoscenza di base sulle funzionalità e sui principali elementi degli strumenti introdotti in tale processo (prescrizioni Dublino 1). Per conseguire un punteggio pari a 30/30 e lode, lo studente deve inoltre dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso (prescrizioni Dublino 2).
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi:

  • William Stallings, a cura di Alessandra De Paola e Giuseppe Lo Re, Sicurezza dei computer e delle reti, Pearson Editore, 2022
  • William Stallings, a cura di Alessandra De Paola e Giuseppe Lo Re, Crittografia, Pearson Editore, 2022
  • William Stallings, Cryptography and Network Security: Principles and Practice, Global Edition, Pearson Editore, 2022

Codice insegnamento UC63695

Security di rete 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: Conoscenza e comprensione: Comprendere i principi fondamentali della sicurezza di rete e il loro impatto sulla protezione delle infrastrutture informatiche.…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

Conoscenza e comprensione:

  • Comprendere i principi fondamentali della sicurezza di rete e il loro impatto sulla protezione delle infrastrutture informatiche.
  • Identificare e spiegare le vulnerabilità e le minacce associate a diversi livelli della pila OSI.
  • Conoscere le tecnologie e i protocolli di sicurezza, inclusi IPsec e SSL/TLS, e il loro funzionamento.
  • Analizzare le problematiche di sicurezza specifiche per le reti wireless e i dispositivi mobili.
  • Comprendere le tecniche e le migliori pratiche per la protezione dei dati e delle comunicazioni in ambienti di rete

Capacità di applicare conoscenze e comprensione:

  • Configurare e gestire correttamente i protocolli di sicurezza come IPsec per garantire comunicazioni sicure.
  • Implementare soluzioni di sicurezza per reti wireless e dispositivi mobili, proteggendo da potenziali minacce.
  • Eseguire una valutazione delle vulnerabilità di rete e applicare le contromisure appropriate.
  • Monitorare e rispondere agli attacchi informatici utilizzando strumenti e tecniche di rilevamento delle minacce.
  • Sviluppare e implementare politiche di sicurezza efficaci per salvaguardare le risorse aziendali e personali.

Competenze trasversali:

  • Comunicare in modo chiaro e dettagliato le problematiche e le soluzioni di sicurezza a diverse figure professionali e tecniche.
  • Collaborare efficacemente con team multidisciplinari per progettare e gestire strategie di sicurezza informatica.
  • Utilizzare il pensiero critico per valutare e risolvere problemi complessi relativi alla sicurezza di rete e alle minacce emergenti.
  • Adattare le proprie competenze e conoscenze alle evoluzioni tecnologiche e alle nuove minacce nel campo della sicurezza informatica.
  • Gestire progetti di sicurezza informatica con capacità di leadership e decision-making, assicurando il rispetto delle normative e delle best practices

Programma

Il corso "Security di Rete" è progettato per fornire una formazione approfondita sulla protezione delle reti informatiche, affrontando una vasta gamma di tematiche cruciali per la sicurezza informatica moderna. Il corso inizia con una panoramica dei principi fondamentali della sicurezza di rete, esplorando le minacce comuni e le vulnerabilità che possono compromettere l'integrità e la disponibilità delle informazioni.
Un focus particolare è dedicato alla sicurezza a vari livelli della pila OSI. Gli studenti apprenderanno come proteggere ciascun livello, dalle protezioni fisiche e di collegamento dati, fino ai livelli di trasporto e applicazione. Verranno analizzati i protocolli di sicurezza più rilevanti e le tecniche di cifratura utilizzate per garantire la confidenzialità e l'integrità dei dati.
Un modulo dedicato alla sicurezza dei dispositivi mobili analizzerà le minacce specifiche per smartphone e tablet, come malware mobile, phishing e vulnerabilità delle app. Verranno presentate best practice per la gestione sicura dei dispositivi mobili, incluse le politiche BYOD (Bring Your Own Device) e relativa gestione all’interno di organizzazioni.

1. Introduzione al corso di Security di Rete

  • Perchè un corso sulla security di rete
  • Obiettivi del corso
  • Organizzazione del corso
  • Storia della sicurezza delle reti

2. Introduzione alla sicurezza delle reti

  • Definizione e Importanza della Sicurezza delle Reti
  • Principi Fondamentali della Sicurezza delle Informazioni
  • Minacce e Vulnerabilità delle Reti
  • Autenticazione, Autorizzazione e Accounting (AAA)

3. Concetti fondamentali di Reti di Calcolatori

  • Definizione e Tipologie di reti di calcolatori
  • Componenti di rete
  • Modello OSI e modello TCP/IP
  • Concetti di Sicurezza di Base nelle Reti di Calcolatori

4. Crittografia e funzioni di hash

  • Algoritmi di crittografia simmetrica
  • Funzioni di HASH
  • Accenni di crittografia asimmetrica

5. Algoritmi per la Data Integrity

  • Overview sulle funzioni per la Message Authentication
  • MAC, Message Authentication Code
  • HMAC, hash-based message authentication code
  • Digital signature

6. Tecniche di attacco e strumenti a supporto

  • Overview sulle principali minacce informatiche
  • DDOS (DDOS, distributed Denial-of-Service)
  • EDR (Endpoint Detection and Response)
  • XDR (Extended Detection and Response)

7. Sicurezza a livello fisico e data link

  • Introduzione alla sicurezza nei livelli fisico e data link
  • Minacce e contromisure a livello fisico
  • Minacce e contromisure a livello data link

8. Sicurezza nel Livello di Rete: IPsec (prima parte)

  • Introduzione alla sicurezza nei livelli di rete
  • Fondamenti di IPSEC
  • Tunnel mode e transport mode

9. Sicurezza nel Livello di Rete: IPsec (seconda parte)

  • ESP – Encapsulating Security Payload
  • Combinare le security associations
  • Internet Key Exchange

10. Sicurezza di internet e delle reti

  • User Authentication
  • Network Access Control
  • Extensible Authentication Protocol
  • IEEE 802.1X Port-Based Network Access Control

11. Sicurezza a livello Transport

  • SSL
  • TLS
  • HTTPS
  • SSH

12. Sicurezza a livello Application

  • Oauth
  • Security Assertion Markup Language (SAML)
  • Intrusion Detection Systems (IDS) and Intrusion Prevention Systems (IPS)
  • Antispam
  • Antiphishing

13. Sicurezza a livello Cloud

  • Cloud computing
  • Cloud security
  • Cloud Security As A Service
  • Cloud Access Security Brokers (CASB)

14. Wireless Network Security

  • Wireless Security
  • Sicurezza dei dispositivi mobili
  • IEEE 802.11/i

15. Electronic Mail Security

  • PGP, Pretty Good Privacy
  • S/MIME

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta. Il punteggio della prova è espresso in trentesimi.
La prova scritta consiste in domande a risposta aperta sugli argomenti specifici del corso. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei concetti fondamentali relativi alla sicurezza delle reti e ai protocolli di sicurezza (prescrizioni Dublino 1) e la capacità dello studente di applicare tali conoscenze tramite la descrizione di funzionalità e strumenti implementati in scenari reali e attualmente in uso (prescrizioni Dublino 2). La prova scritta ha una durata massima di 120 minuti durante la quale gli studenti devono illustrare in modo adeguato gli argomenti richiesti dimostrando di aver raggiunto gli obiettivi formativi prefissati.
Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto; mostrando un’attitudine a risolvere nuove sfide (prescrizioni Dublino 5);
  • della padronanza di linguaggio scritto dello studente (prescrizioni Dublino 4);
  • della capacità di applicare architetture, funzionalità o strumenti alla risoluzione di problemi reali (prescrizioni Dublino 2) e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali (prescrizioni Dublino 3).

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze per l’analisi dei problemi complessi, una conoscenza di base sulle funzionalità e sui principali elementi degli strumenti introdotti in tale processo (prescrizioni Dublino 1). Per conseguire un punteggio pari a 30/30 e lode, lo studente deve inoltre dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso (prescrizioni Dublino 2).
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei seguenti testi:

  • William Stallings, a cura di Alessandra De Paola e Giuseppe Lo Re, Sicurezza dei computer e delle reti, Pearson Editore, 2022
  • William Stallings, a cura di Alessandra De Paola e Giuseppe Lo Re, Crittografia, Pearson Editore, 2022
  • William Stallings, Cryptography and Network Security: Principles and Practice, Global Edition, Pearson Editore, 2022

Codice insegnamento UC63733

Sicurezza nei sistemi informatici 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: 1. Conoscenza e comprensione Comprendere le problematiche relative alla sicurezza dei sistemi informatici. Conoscere le basi dei concetti crittografici.…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:
1. Conoscenza e comprensione

  • Comprendere le problematiche relative alla sicurezza dei sistemi informatici.
  • Conoscere le basi dei concetti crittografici.
  • Riconoscere le principali forme di malware.

2. Capacità di applicare conoscenze e comprensione

  • Valutare lo stato di sicurezza di un ambiente aziendale e consigliare soluzioni di sicurezza appropriate.

3. Competenze trasversali

  • Implementare protocolli sicuri, adottare soluzioni a protezione dei sistemi e delle applicazioni, progettare reti sicure, implementare vari tipi di controlli.
  • Monitorare e proteggere gli ambienti ibridi, inclusi cloud, dispositivi mobili, IoT e sicurezza fisica.
  • Operare con la consapevolezza delle leggi e delle norme applicabili, inclusi GDPR e principi GRC (governance, risk & compliance).
  • Identificare, analizzare e rispondere a eventi e incidenti di sicurezza.

Programma

Il corso ha lo scopo di fornire allo studente le conoscenze il più possibile aggiornate e complete sulla sicurezza dei sistemi informatici, nei diversi ambiti nei quali potreste ritrovarvi a lavorare nel prossimo futuro.

Introduzione alla sicurezza dei sistemi informatici

  • Introduzione alla cybersecurity

Crittografia e protocolli di sicurezza

  • Introduzione alla crittografia
  • Certificati digitali e protocolli di sicurezza

Malware

  • Il malware
  • Social engineering, sicurezza del browser e delle applicazioni
  • Sviluppo sicuro del software

Soluzioni e dispositivi di sicurezza

  • Attacchi di rete e sicurezza perimetrale
  • Soluzioni e dispositivi di sicurezza
  • Sicurezza dei dispositivi mobili
  • Hardening e virtualizzazione
  • Sicurezza del cloud
  • Sicurezza fisica
  • Autenticazione e controlli d'accesso

Normative e procedure

  • Gestione del rischio e delle vulnerabilità
  • Monitoraggio e revisione
  • Alta affidabilità
  • Policy e procedure
  • Incident response

Modalità d'esame

L´esame si svolge in forma scritta. La durata massima della prova è di 90 minuti.
La prova consiste in domande a risposta multipla.
Durante lo svolgimento della prova è consentito l'uso della calcolatrice.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Il materiale didattico è disponibile on-line sul Virtual Campus ed è costituito da videolezioni. Per la preparazione completa dell’esame è sufficiente fare riferimento a tale materiale.

Testo di approfondimento:

  • Stuart McClure, Joel Scambray, George Kurtz – “Hacking Exposed 7: Network Security Secrets & Solutions”, McGraw Hill, ultima edizione

Codice insegnamento UC63628

Sicurezza nei sistemi informatici 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: 1. Conoscenza e comprensione Comprendere le problematiche relative alla sicurezza dei sistemi informatici. Conoscere le basi dei concetti crittografici.…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:
1. Conoscenza e comprensione

  • Comprendere le problematiche relative alla sicurezza dei sistemi informatici.
  • Conoscere le basi dei concetti crittografici.
  • Riconoscere le principali forme di malware.

2. Capacità di applicare conoscenze e comprensione

  • Valutare lo stato di sicurezza di un ambiente aziendale e consigliare soluzioni di sicurezza appropriate.

3. Competenze trasversali

  • Implementare protocolli sicuri, adottare soluzioni a protezione dei sistemi e delle applicazioni, progettare reti sicure, implementare vari tipi di controlli.
  • Monitorare e proteggere gli ambienti ibridi, inclusi cloud, dispositivi mobili, IoT e sicurezza fisica.
  • Operare con la consapevolezza delle leggi e delle norme applicabili, inclusi GDPR e principi GRC (governance, risk & compliance).
  • Identificare, analizzare e rispondere a eventi e incidenti di sicurezza.

Programma

Il corso ha lo scopo di fornire allo studente le conoscenze il più possibile aggiornate e complete sulla sicurezza dei sistemi informatici, nei diversi ambiti nei quali potreste ritrovarvi a lavorare nel prossimo futuro.

Introduzione alla sicurezza dei sistemi informatici

  • Introduzione alla cybersecurity

Crittografia e protocolli di sicurezza

  • Introduzione alla crittografia
  • Certificati digitali e protocolli di sicurezza

Malware

  • Il malware
  • Social engineering, sicurezza del browser e delle applicazioni
  • Sviluppo sicuro del software

Soluzioni e dispositivi di sicurezza

  • Attacchi di rete e sicurezza perimetrale
  • Soluzioni e dispositivi di sicurezza
  • Sicurezza dei dispositivi mobili
  • Hardening e virtualizzazione
  • Sicurezza del cloud
  • Sicurezza fisica
  • Autenticazione e controlli d'accesso

Normative e procedure

  • Gestione del rischio e delle vulnerabilità
  • Monitoraggio e revisione
  • Alta affidabilità
  • Policy e procedure
  • Incident response

Modalità d'esame

L´esame si svolge in forma scritta. La durata massima della prova è di 90 minuti.
La prova consiste in domande a risposta multipla.
Durante lo svolgimento della prova è consentito l'uso della calcolatrice.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Il materiale didattico è disponibile on-line sul Virtual Campus ed è costituito da videolezioni. Per la preparazione completa dell’esame è sufficiente fare riferimento a tale materiale.

Testo di approfondimento:

  • Stuart McClure, Joel Scambray, George Kurtz – “Hacking Exposed 7: Network Security Secrets & Solutions”, McGraw Hill, ultima edizione

Codice insegnamento UC63677

Sicurezza nei sistemi informatici 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: 1. Conoscenza e comprensione Comprendere le problematiche relative alla sicurezza dei sistemi informatici. Conoscere le basi dei concetti crittografici.…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:
1. Conoscenza e comprensione

  • Comprendere le problematiche relative alla sicurezza dei sistemi informatici.
  • Conoscere le basi dei concetti crittografici.
  • Riconoscere le principali forme di malware.

2. Capacità di applicare conoscenze e comprensione

  • Valutare lo stato di sicurezza di un ambiente aziendale e consigliare soluzioni di sicurezza appropriate.

3. Competenze trasversali

  • Implementare protocolli sicuri, adottare soluzioni a protezione dei sistemi e delle applicazioni, progettare reti sicure, implementare vari tipi di controlli.
  • Monitorare e proteggere gli ambienti ibridi, inclusi cloud, dispositivi mobili, IoT e sicurezza fisica.
  • Operare con la consapevolezza delle leggi e delle norme applicabili, inclusi GDPR e principi GRC (governance, risk & compliance).
  • Identificare, analizzare e rispondere a eventi e incidenti di sicurezza.

Programma

Il corso ha lo scopo di fornire allo studente le conoscenze il più possibile aggiornate e complete sulla sicurezza dei sistemi informatici, nei diversi ambiti nei quali potreste ritrovarvi a lavorare nel prossimo futuro.

Introduzione alla sicurezza dei sistemi informatici

  • Introduzione alla cybersecurity

Crittografia e protocolli di sicurezza

  • Introduzione alla crittografia
  • Certificati digitali e protocolli di sicurezza

Malware

  • Il malware
  • Social engineering, sicurezza del browser e delle applicazioni
  • Sviluppo sicuro del software

Soluzioni e dispositivi di sicurezza

  • Attacchi di rete e sicurezza perimetrale
  • Soluzioni e dispositivi di sicurezza
  • Sicurezza dei dispositivi mobili
  • Hardening e virtualizzazione
  • Sicurezza del cloud
  • Sicurezza fisica
  • Autenticazione e controlli d'accesso

Normative e procedure

  • Gestione del rischio e delle vulnerabilità
  • Monitoraggio e revisione
  • Alta affidabilità
  • Policy e procedure
  • Incident response

Modalità d'esame

L´esame si svolge in forma scritta. La durata massima della prova è di 90 minuti.
La prova consiste in domande a risposta multipla.
Durante lo svolgimento della prova è consentito l'uso della calcolatrice.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Il materiale didattico è disponibile on-line sul Virtual Campus ed è costituito da videolezioni. Per la preparazione completa dell’esame è sufficiente fare riferimento a tale materiale.

Testo di approfondimento:

  • Stuart McClure, Joel Scambray, George Kurtz – “Hacking Exposed 7: Network Security Secrets & Solutions”, McGraw Hill, ultima edizione

Codice insegnamento UC63709

Sicurezza nei sistemi informatici 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: 1. Conoscenza e comprensione Comprendere le problematiche relative alla sicurezza dei sistemi informatici. Conoscere le basi dei concetti crittografici.…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:
1. Conoscenza e comprensione

  • Comprendere le problematiche relative alla sicurezza dei sistemi informatici.
  • Conoscere le basi dei concetti crittografici.
  • Riconoscere le principali forme di malware.

2. Capacità di applicare conoscenze e comprensione

  • Valutare lo stato di sicurezza di un ambiente aziendale e consigliare soluzioni di sicurezza appropriate.

3. Competenze trasversali

  • Implementare protocolli sicuri, adottare soluzioni a protezione dei sistemi e delle applicazioni, progettare reti sicure, implementare vari tipi di controlli.
  • Monitorare e proteggere gli ambienti ibridi, inclusi cloud, dispositivi mobili, IoT e sicurezza fisica.
  • Operare con la consapevolezza delle leggi e delle norme applicabili, inclusi GDPR e principi GRC (governance, risk & compliance).
  • Identificare, analizzare e rispondere a eventi e incidenti di sicurezza.

Programma

Il corso ha lo scopo di fornire allo studente le conoscenze il più possibile aggiornate e complete sulla sicurezza dei sistemi informatici, nei diversi ambiti nei quali potreste ritrovarvi a lavorare nel prossimo futuro.

Introduzione alla sicurezza dei sistemi informatici

  • Introduzione alla cybersecurity

Crittografia e protocolli di sicurezza

  • Introduzione alla crittografia
  • Certificati digitali e protocolli di sicurezza

Malware

  • Il malware
  • Social engineering, sicurezza del browser e delle applicazioni
  • Sviluppo sicuro del software

Soluzioni e dispositivi di sicurezza

  • Attacchi di rete e sicurezza perimetrale
  • Soluzioni e dispositivi di sicurezza
  • Sicurezza dei dispositivi mobili
  • Hardening e virtualizzazione
  • Sicurezza del cloud
  • Sicurezza fisica
  • Autenticazione e controlli d'accesso

Normative e procedure

  • Gestione del rischio e delle vulnerabilità
  • Monitoraggio e revisione
  • Alta affidabilità
  • Policy e procedure
  • Incident response

Modalità d'esame

L´esame si svolge in forma scritta. La durata massima della prova è di 90 minuti.
La prova consiste in domande a risposta multipla.
Durante lo svolgimento della prova è consentito l'uso della calcolatrice.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Il materiale didattico è disponibile on-line sul Virtual Campus ed è costituito da videolezioni. Per la preparazione completa dell’esame è sufficiente fare riferimento a tale materiale.

Testo di approfondimento:

  • Stuart McClure, Joel Scambray, George Kurtz – “Hacking Exposed 7: Network Security Secrets & Solutions”, McGraw Hill, ultima edizione

Codice insegnamento UC455441

Sicurezza nei sistemi informatici 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: 1. Conoscenza e comprensione Comprendere le problematiche relative alla sicurezza dei sistemi informatici. Conoscere le basi dei concetti crittografici.…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:
1. Conoscenza e comprensione

  • Comprendere le problematiche relative alla sicurezza dei sistemi informatici.
  • Conoscere le basi dei concetti crittografici.
  • Riconoscere le principali forme di malware.

2. Capacità di applicare conoscenze e comprensione

  • Valutare lo stato di sicurezza di un ambiente aziendale e consigliare soluzioni di sicurezza appropriate.

3. Competenze trasversali

  • Implementare protocolli sicuri, adottare soluzioni a protezione dei sistemi e delle applicazioni, progettare reti sicure, implementare vari tipi di controlli.
  • Monitorare e proteggere gli ambienti ibridi, inclusi cloud, dispositivi mobili, IoT e sicurezza fisica.
  • Operare con la consapevolezza delle leggi e delle norme applicabili, inclusi GDPR e principi GRC (governance, risk & compliance).
  • Identificare, analizzare e rispondere a eventi e incidenti di sicurezza.

Programma

Il corso ha lo scopo di fornire allo studente le conoscenze il più possibile aggiornate e complete sulla sicurezza dei sistemi informatici, nei diversi ambiti nei quali potreste ritrovarvi a lavorare nel prossimo futuro.

Introduzione alla sicurezza dei sistemi informatici

  • Introduzione alla cybersecurity

Crittografia e protocolli di sicurezza

  • Introduzione alla crittografia
  • Certificati digitali e protocolli di sicurezza

Malware

  • Il malware
  • Social engineering, sicurezza del browser e delle applicazioni
  • Sviluppo sicuro del software

Soluzioni e dispositivi di sicurezza

  • Attacchi di rete e sicurezza perimetrale
  • Soluzioni e dispositivi di sicurezza
  • Sicurezza dei dispositivi mobili
  • Hardening e virtualizzazione
  • Sicurezza del cloud
  • Sicurezza fisica
  • Autenticazione e controlli d'accesso

Normative e procedure

  • Gestione del rischio e delle vulnerabilità
  • Monitoraggio e revisione
  • Alta affidabilità
  • Policy e procedure
  • Incident response

Modalità d'esame

L´esame si svolge in forma scritta. La durata massima della prova è di 90 minuti.
La prova consiste in domande a risposta multipla.
Durante lo svolgimento della prova è consentito l'uso della calcolatrice.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Il materiale didattico è disponibile on-line sul Virtual Campus ed è costituito da videolezioni. Per la preparazione completa dell’esame è sufficiente fare riferimento a tale materiale.

Testo di approfondimento:

  • Stuart McClure, Joel Scambray, George Kurtz – “Hacking Exposed 7: Network Security Secrets & Solutions”, McGraw Hill, ultima edizione

Codice insegnamento UC455464

Sicurezza nei sistemi informatici 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: 1. Conoscenza e comprensione Comprendere le problematiche relative alla sicurezza dei sistemi informatici. Conoscere le basi dei concetti crittografici.…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:
1. Conoscenza e comprensione

  • Comprendere le problematiche relative alla sicurezza dei sistemi informatici.
  • Conoscere le basi dei concetti crittografici.
  • Riconoscere le principali forme di malware.

2. Capacità di applicare conoscenze e comprensione

  • Valutare lo stato di sicurezza di un ambiente aziendale e consigliare soluzioni di sicurezza appropriate.

3. Competenze trasversali

  • Implementare protocolli sicuri, adottare soluzioni a protezione dei sistemi e delle applicazioni, progettare reti sicure, implementare vari tipi di controlli.
  • Monitorare e proteggere gli ambienti ibridi, inclusi cloud, dispositivi mobili, IoT e sicurezza fisica.
  • Operare con la consapevolezza delle leggi e delle norme applicabili, inclusi GDPR e principi GRC (governance, risk & compliance).
  • Identificare, analizzare e rispondere a eventi e incidenti di sicurezza.

Programma

Il corso ha lo scopo di fornire allo studente le conoscenze il più possibile aggiornate e complete sulla sicurezza dei sistemi informatici, nei diversi ambiti nei quali potreste ritrovarvi a lavorare nel prossimo futuro.

Introduzione alla sicurezza dei sistemi informatici

  • Introduzione alla cybersecurity

Crittografia e protocolli di sicurezza

  • Introduzione alla crittografia
  • Certificati digitali e protocolli di sicurezza

Malware

  • Il malware
  • Social engineering, sicurezza del browser e delle applicazioni
  • Sviluppo sicuro del software

Soluzioni e dispositivi di sicurezza

  • Attacchi di rete e sicurezza perimetrale
  • Soluzioni e dispositivi di sicurezza
  • Sicurezza dei dispositivi mobili
  • Hardening e virtualizzazione
  • Sicurezza del cloud
  • Sicurezza fisica
  • Autenticazione e controlli d'accesso

Normative e procedure

  • Gestione del rischio e delle vulnerabilità
  • Monitoraggio e revisione
  • Alta affidabilità
  • Policy e procedure
  • Incident response

Modalità d'esame

L´esame si svolge in forma scritta. La durata massima della prova è di 90 minuti.
La prova consiste in domande a risposta multipla.
Durante lo svolgimento della prova è consentito l'uso della calcolatrice.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Il materiale didattico è disponibile on-line sul Virtual Campus ed è costituito da videolezioni. Per la preparazione completa dell’esame è sufficiente fare riferimento a tale materiale.

Testo di approfondimento:

  • Stuart McClure, Joel Scambray, George Kurtz – “Hacking Exposed 7: Network Security Secrets & Solutions”, McGraw Hill, ultima edizione

Codice insegnamento UC455489

Sistemi energetici innovativi 2° anno · 6 CFU · IIND-06/B · 0 file

Il corso di Impianti di conversione dell’energia analizza l’intero ciclo dell’energia, dalle fonti primarie fino all’effetto utile, analizzando i processi di conversione/trasformazione, trasporto e stoccaggio e le…

Scheda dell'insegnamento

Obiettivi formativi

Il corso di Impianti di conversione dell’energia analizza l’intero ciclo dell’energia, dalle fonti primarie fino all’effetto utile, analizzando i processi di conversione/trasformazione, trasporto e stoccaggio e le relative interazioni con l’ambiente, fornendo i criteri per l’analisi di sostenibilità del sistema energetico.

Le principali conoscenze (Descrittore di Dublino 1) acquisite riguardano l’analisi Well To Use dell’energia, analizzare cioè, le implicazioni in termini di consumi di energia primaria non rinnovabile ed emissioni, nell’intero ciclo di vita dovute agli usi finali dell’energia.

Lo studente dovrà poi essere in grado di confrontare, in termini di sostenibilità, i diversi sistemi utilizzabili per ottenere un determinato effetto utile.

Le principali abilità acquisite (capacità di applicare le conoscenze acquisite, Descrittore di Dublino 2) si concretizzano nel fatto che gli studenti sapranno analizzare, con un approccio Weel to Use, sistemi energetici anche complessi dal punto di vista della sostenibilità, anche economica.

In concreto, lo studente sarà in grado di analizzare tutti i passaggi necessari a partire dall’effetto utile desiderato, esaminando gli eventuali processi di conversione/trasformazione trasporto e stoccaggio dell’energia, a partire dalla fonte primaria fino agli usi finali dell’energia.
La verifica della capacità di apprendimento verrà effettuata tramite le prove d’esame, nonché sulla base delle discussioni tenute nell’ambito delle aule virtuali riguardanti gli esercizi svolti dal docente.
L’Aula virtuale è costruita e pensata in doppia modalità: ovvero in presenza con discussione finale e in streaming per gli studenti collegati in modalità telematica.
Quest’ultima è costruita e pensata per venire incontro alle esigenze dello studente, mediante una interazione diretta con lo stesso, tale da poter eliminare i dubbi e le incertezze che si hanno di volta in volta. Quest’ultima si svolge nelle due ore come una esercitazione/ricevimento frontale.

Programma

Il corso è strutturato in cinque parti. Nella prima parte, oltre ad introdurre il corso, si definisce il concetto di sistema energetico considerando l’intero ciclo dell’energia, se ne illustrano gli elementi che lo compongono e si forniscono i criteri di analisi da un punto di vista della sostenibilità. Nella seconda parte si analizzano le fonti primarie di energia, classificandole in base alla sostenibilità (rinnovabili e non rinnovabili) fornendone le principali caratteristiche in termini di disponibilità, potenzialità e possibili utilizzi. Nella terza parte si definisce il concetto di vettore energetico, analizzando le principali caratteristiche in termini di capacità di stoccaggio e trasporto dell’energia e di efficienza dei processi attualmente più utilizzati. Nella quarta parte si analizzano i processi di conversione e trasformazione dell’energia per la produzione dei vettori energetici per gli usi finali. Nella quinta parte si analizzano gli usi finale dell’energia, illustrando le tecnologie e forme di energia che consentono di coprire tutti gli effetti utili richiesti. Particolare attenzione è dedicata allo studio dei sistemi per la mobilità.

Prima parte:

  • Introduzione al corso
  • I sistemi energetici
  • Le risorse energetiche
  • L’impatto ambientale dei sistemi energetici

Seconda parte

  • Le risorse energetiche non rinnovabili
  • Combustibili fossili
  • Energia nucleare
  • Risorse energetiche rinnovabili
  • La radiazione solare
  • Energia eolica
  • La biomassa
  • Energia Geotermica
  • Energia potenziale idraulica
  • Energia del mare

Terza parte

  • Impianti a gas
  • Motori a combustione interna
  • Impianti combinati
  • Impianti a vapore
  • Celle a combustibile
  • La cogenerazione
  • Impianti fotovoltaici
  • Collettori solari piani
  • Impianti eolici
  • Energia eolica
  • Impianti idroelettrici
  • Cenni ad altre tecnologie per la produzione di energia da FER: Sfruttamento delle maree, delle moto ondoso, delle correnti marine, impianti geotermici, le biomasse

Quarta parte

  • Analisi dei principali vettori energetici
  • Stoccaggio del calore
  • Stoccaggio di energia meccanica

Quinta parte

  • Usi finali dell’energia
  • Usi termici
  • Usi meccanici: la mobilità
  • Tecnologie per gli usi finali dell’energia
  • Sistemi di trazione convenzionali e innovativi

Modalità d'esame

L’esame, sia in sede che fuori sede, si svolge in forma scritta. La prova ha una durata massima di 90 minuti e, durante lo svolgimento della stessa è consentito esclusivamente l’uso di una calcolatrice e del testo della normativa fornita direttamente dalla commissione d’esame.

La prova è costituta da due domande teoriche aperte (non a risposta multipla) e due brevi esercizi numerici sugli argomenti svolti durante il corso. Ogni domanda ed esercizio è conforme ai tre descrittori di Dublino.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Per quanto riguarda il materiale didattico, sono disponibili in piattaforma le videolezioni e le dispense realizzate dal docente.

Codice insegnamento UC63660

Sistemi energetici innovativi 2° anno · 6 CFU · IIND-06/B · 0 file

Il corso di Impianti di conversione dell’energia analizza l’intero ciclo dell’energia, dalle fonti primarie fino all’effetto utile, analizzando i processi di conversione/trasformazione, trasporto e stoccaggio e le…

Scheda dell'insegnamento

Obiettivi formativi

Il corso di Impianti di conversione dell’energia analizza l’intero ciclo dell’energia, dalle fonti primarie fino all’effetto utile, analizzando i processi di conversione/trasformazione, trasporto e stoccaggio e le relative interazioni con l’ambiente, fornendo i criteri per l’analisi di sostenibilità del sistema energetico.

Le principali conoscenze (Descrittore di Dublino 1) acquisite riguardano l’analisi Well To Use dell’energia, analizzare cioè, le implicazioni in termini di consumi di energia primaria non rinnovabile ed emissioni, nell’intero ciclo di vita dovute agli usi finali dell’energia.

Lo studente dovrà poi essere in grado di confrontare, in termini di sostenibilità, i diversi sistemi utilizzabili per ottenere un determinato effetto utile.

Le principali abilità acquisite (capacità di applicare le conoscenze acquisite, Descrittore di Dublino 2) si concretizzano nel fatto che gli studenti sapranno analizzare, con un approccio Weel to Use, sistemi energetici anche complessi dal punto di vista della sostenibilità, anche economica.

In concreto, lo studente sarà in grado di analizzare tutti i passaggi necessari a partire dall’effetto utile desiderato, esaminando gli eventuali processi di conversione/trasformazione trasporto e stoccaggio dell’energia, a partire dalla fonte primaria fino agli usi finali dell’energia.
La verifica della capacità di apprendimento verrà effettuata tramite le prove d’esame, nonché sulla base delle discussioni tenute nell’ambito delle aule virtuali riguardanti gli esercizi svolti dal docente.
L’Aula virtuale è costruita e pensata in doppia modalità: ovvero in presenza con discussione finale e in streaming per gli studenti collegati in modalità telematica.
Quest’ultima è costruita e pensata per venire incontro alle esigenze dello studente, mediante una interazione diretta con lo stesso, tale da poter eliminare i dubbi e le incertezze che si hanno di volta in volta. Quest’ultima si svolge nelle due ore come una esercitazione/ricevimento frontale.

Programma

Il corso è strutturato in cinque parti. Nella prima parte, oltre ad introdurre il corso, si definisce il concetto di sistema energetico considerando l’intero ciclo dell’energia, se ne illustrano gli elementi che lo compongono e si forniscono i criteri di analisi da un punto di vista della sostenibilità. Nella seconda parte si analizzano le fonti primarie di energia, classificandole in base alla sostenibilità (rinnovabili e non rinnovabili) fornendone le principali caratteristiche in termini di disponibilità, potenzialità e possibili utilizzi. Nella terza parte si definisce il concetto di vettore energetico, analizzando le principali caratteristiche in termini di capacità di stoccaggio e trasporto dell’energia e di efficienza dei processi attualmente più utilizzati. Nella quarta parte si analizzano i processi di conversione e trasformazione dell’energia per la produzione dei vettori energetici per gli usi finali. Nella quinta parte si analizzano gli usi finale dell’energia, illustrando le tecnologie e forme di energia che consentono di coprire tutti gli effetti utili richiesti. Particolare attenzione è dedicata allo studio dei sistemi per la mobilità.

Prima parte:

  • Introduzione al corso
  • I sistemi energetici
  • Le risorse energetiche
  • L’impatto ambientale dei sistemi energetici

Seconda parte

  • Le risorse energetiche non rinnovabili
  • Combustibili fossili
  • Energia nucleare
  • Risorse energetiche rinnovabili
  • La radiazione solare
  • Energia eolica
  • La biomassa
  • Energia Geotermica
  • Energia potenziale idraulica
  • Energia del mare

Terza parte

  • Impianti a gas
  • Motori a combustione interna
  • Impianti combinati
  • Impianti a vapore
  • Celle a combustibile
  • La cogenerazione
  • Impianti fotovoltaici
  • Collettori solari piani
  • Impianti eolici
  • Energia eolica
  • Impianti idroelettrici
  • Cenni ad altre tecnologie per la produzione di energia da FER: Sfruttamento delle maree, delle moto ondoso, delle correnti marine, impianti geotermici, le biomasse

Quarta parte

  • Analisi dei principali vettori energetici
  • Stoccaggio del calore
  • Stoccaggio di energia meccanica

Quinta parte

  • Usi finali dell’energia
  • Usi termici
  • Usi meccanici: la mobilità
  • Tecnologie per gli usi finali dell’energia
  • Sistemi di trazione convenzionali e innovativi

Modalità d'esame

L’esame, sia in sede che fuori sede, si svolge in forma scritta. La prova ha una durata massima di 90 minuti e, durante lo svolgimento della stessa è consentito esclusivamente l’uso di una calcolatrice e del testo della normativa fornita direttamente dalla commissione d’esame.

La prova è costituta da due domande teoriche aperte (non a risposta multipla) e due brevi esercizi numerici sugli argomenti svolti durante il corso. Ogni domanda ed esercizio è conforme ai tre descrittori di Dublino.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Per quanto riguarda il materiale didattico, sono disponibili in piattaforma le videolezioni e le dispense realizzate dal docente.

Codice insegnamento UC63700

Sistemi energetici innovativi 2° anno · 6 CFU · IIND-06/B · 0 file

Il corso di Impianti di conversione dell’energia analizza l’intero ciclo dell’energia, dalle fonti primarie fino all’effetto utile, analizzando i processi di conversione/trasformazione, trasporto e stoccaggio e le…

Scheda dell'insegnamento

Obiettivi formativi

Il corso di Impianti di conversione dell’energia analizza l’intero ciclo dell’energia, dalle fonti primarie fino all’effetto utile, analizzando i processi di conversione/trasformazione, trasporto e stoccaggio e le relative interazioni con l’ambiente, fornendo i criteri per l’analisi di sostenibilità del sistema energetico.

Le principali conoscenze (Descrittore di Dublino 1) acquisite riguardano l’analisi Well To Use dell’energia, analizzare cioè, le implicazioni in termini di consumi di energia primaria non rinnovabile ed emissioni, nell’intero ciclo di vita dovute agli usi finali dell’energia.

Lo studente dovrà poi essere in grado di confrontare, in termini di sostenibilità, i diversi sistemi utilizzabili per ottenere un determinato effetto utile.

Le principali abilità acquisite (capacità di applicare le conoscenze acquisite, Descrittore di Dublino 2) si concretizzano nel fatto che gli studenti sapranno analizzare, con un approccio Weel to Use, sistemi energetici anche complessi dal punto di vista della sostenibilità, anche economica.

In concreto, lo studente sarà in grado di analizzare tutti i passaggi necessari a partire dall’effetto utile desiderato, esaminando gli eventuali processi di conversione/trasformazione trasporto e stoccaggio dell’energia, a partire dalla fonte primaria fino agli usi finali dell’energia.
La verifica della capacità di apprendimento verrà effettuata tramite le prove d’esame, nonché sulla base delle discussioni tenute nell’ambito delle aule virtuali riguardanti gli esercizi svolti dal docente.
L’Aula virtuale è costruita e pensata in doppia modalità: ovvero in presenza con discussione finale e in streaming per gli studenti collegati in modalità telematica.
Quest’ultima è costruita e pensata per venire incontro alle esigenze dello studente, mediante una interazione diretta con lo stesso, tale da poter eliminare i dubbi e le incertezze che si hanno di volta in volta. Quest’ultima si svolge nelle due ore come una esercitazione/ricevimento frontale.

Programma

Il corso è strutturato in cinque parti. Nella prima parte, oltre ad introdurre il corso, si definisce il concetto di sistema energetico considerando l’intero ciclo dell’energia, se ne illustrano gli elementi che lo compongono e si forniscono i criteri di analisi da un punto di vista della sostenibilità. Nella seconda parte si analizzano le fonti primarie di energia, classificandole in base alla sostenibilità (rinnovabili e non rinnovabili) fornendone le principali caratteristiche in termini di disponibilità, potenzialità e possibili utilizzi. Nella terza parte si definisce il concetto di vettore energetico, analizzando le principali caratteristiche in termini di capacità di stoccaggio e trasporto dell’energia e di efficienza dei processi attualmente più utilizzati. Nella quarta parte si analizzano i processi di conversione e trasformazione dell’energia per la produzione dei vettori energetici per gli usi finali. Nella quinta parte si analizzano gli usi finale dell’energia, illustrando le tecnologie e forme di energia che consentono di coprire tutti gli effetti utili richiesti. Particolare attenzione è dedicata allo studio dei sistemi per la mobilità.

Prima parte:

  • Introduzione al corso
  • I sistemi energetici
  • Le risorse energetiche
  • L’impatto ambientale dei sistemi energetici

Seconda parte

  • Le risorse energetiche non rinnovabili
  • Combustibili fossili
  • Energia nucleare
  • Risorse energetiche rinnovabili
  • La radiazione solare
  • Energia eolica
  • La biomassa
  • Energia Geotermica
  • Energia potenziale idraulica
  • Energia del mare

Terza parte

  • Impianti a gas
  • Motori a combustione interna
  • Impianti combinati
  • Impianti a vapore
  • Celle a combustibile
  • La cogenerazione
  • Impianti fotovoltaici
  • Collettori solari piani
  • Impianti eolici
  • Energia eolica
  • Impianti idroelettrici
  • Cenni ad altre tecnologie per la produzione di energia da FER: Sfruttamento delle maree, delle moto ondoso, delle correnti marine, impianti geotermici, le biomasse

Quarta parte

  • Analisi dei principali vettori energetici
  • Stoccaggio del calore
  • Stoccaggio di energia meccanica

Quinta parte

  • Usi finali dell’energia
  • Usi termici
  • Usi meccanici: la mobilità
  • Tecnologie per gli usi finali dell’energia
  • Sistemi di trazione convenzionali e innovativi

Modalità d'esame

L’esame, sia in sede che fuori sede, si svolge in forma scritta. La prova ha una durata massima di 90 minuti e, durante lo svolgimento della stessa è consentito esclusivamente l’uso di una calcolatrice e del testo della normativa fornita direttamente dalla commissione d’esame.

La prova è costituta da due domande teoriche aperte (non a risposta multipla) e due brevi esercizi numerici sugli argomenti svolti durante il corso. Ogni domanda ed esercizio è conforme ai tre descrittori di Dublino.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Per quanto riguarda il materiale didattico, sono disponibili in piattaforma le videolezioni e le dispense realizzate dal docente.

Codice insegnamento UC63738

Sistemi per information retrieval 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: apprendere gli algoritmi e le tecnologie per il recupero automatico dell’informazione; conoscere i modelli Booleani, statistici ed algebrico-vettoriali per…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

  • apprendere gli algoritmi e le tecnologie per il recupero automatico dell’informazione;
  • conoscere i modelli Booleani, statistici ed algebrico-vettoriali per l’IR;
  • comprendere le architetture e le componenti dei sistemi di IR;
  • analizzare l’applicazione dei sistemi di IR ai motori di ricerca su Web;
  • saper applicare l’IR al trattamento dei dati multimediali;
  • studiare elementi di Machine Learning (ML) e Data Mining per l’IR;
  • comprendere l’elaborazione dei testi, l’estrazione dell’informazione, la classificazione automatica, il Semantic IR;
  • apprendere e integrare conoscenze da varie fonti al fine di conseguire una visione più ampia dei sistemi di retrieval e mostrare anche un'autonomia nell'affrontare possibili soluzioni a nuovi problemi di recupero delle informazioni;
  • esprimere con opportuno linguaggio gli argomenti del corso;
  • valutare in autonomia i vantaggi e gli svantaggi di quanto introdotto nelle tecnologie dei sistemi di recupero automatico dell’informazione da sorgenti eterogenee e distribuite.

Programma

Il corso si propone di introdurre le tecnologie dei sistemi di recupero automatico dell’informazione da sorgenti eterogenee e distribuite. Esso fornisce competenze nella comprensione dei processi e nelle tecniche di information processing che caratterizzano gli odierni motori di ricerca e le loro applicazioni. Nel quadro delle tecnologie informatiche, una particolare enfasi sarà data alle tecnologie dell’apprendimento automatico che consentono il rapido sviluppo di sistemi basati sul riutilizzo di dati e conoscenze disponibili in forma elettronica nelle fonti aperte. Questa linea di tendenza, denominata data e text mining, sarà discussa in relazione alle applicazioni odierne nell’ambito del Web.

  • Modulo 1: Introduzione ai sistemi di Information Retrieval (IR).
  • Gli obiettivi del modulo sono:
  • comprendere l’apprendimento automatico per i processi di IR;
  • apprendere l’importanza delle parole chiave;
  • analizzare il vector space model.
  • Le lezioni sono 2:
  • Introduzione generale ai Sistemi per IR
  • Introduzione ai temi dell‘IR
  • Modulo 2: Lexical Resources
  • Gli obiettivi del modulo sono:
  • comprendere i processi legati alla phonetics, phonology and morphology;
  • apprendere l’importanza della linguistics language technologies;
  • analizzare Lexical Resources e la Lexical Ontologies.
  • Le lezioni sono 4:
  • Semantics and Related Fields
  • Linguistics Language Technologies
  • Language Engineering Data in Linguistics and Corpora
  • Language Engineering: Lexical Resources
  • Modulo 3: Data e knowledge engineering
  • Gli obiettivi del modulo sono:
  • comprendere il funzionamento dei databases;
  • apprendere l’importanza della rappresentazione XML;
  • analizzare i concetti che sono dietro la rappresentazione XQuery.
  • Le lezioni sono 5:
  • Data Engineering: Introduction to Databases
  • Introduction to Data Representation
  • Data Engineering: Managing XML and Semi-structured Data
  • Data Representation: Extending XML
  • Data Representation: XQuery
  • Modulo 4: Machine Learning e Data Mining per IR
  • Gli obiettivi del modulo sono:
  • comprendere il funzionamento delle architetture dei sistemi di IR;
  • apprendere l’importanza della Vector Space Model;
  • analizzare i concetti che sono dietro la rappresentazione della Human Computer Interaction.
  • Le lezioni sono 6:
  • Information Retrieval: Document Pre-Processing
  • Information Retrieval: Indexing
  • Information Retrieval: The Vector Space Model
  • Information Retrieval: Search@Twitter
  • Information Retrieval: Evaluation
  • Information Retrieval: Human Computer Interaction

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta.
La prova scritta consiste in domande con diversa natura: aperta, a risposta multipla ed esercizi. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei metodi, algoritmi, risorse e infrastrutture necessarie per la realizzazione di sistemi di IR. Gli studenti devono dimostrare di saper progettare e realizzare tali sistemi. Verrà infatti valutata la loro capacità di definire architetture funzionali, creare e usare risorse linguistiche, individuare le componenti tecnologiche e progettare infrastrutture. La prova scritta ha una durata massima di 90 minuti che consentirà di valutare non solo le conoscenze dello studente relative ai sistemi di IR ma anche la loro capacità di astrarre quanto imparato e saperlo adeguare a casi reali e complessi che vedono i sistemi di IR a supporto di motori di ricerca, parti integranti di sistemi di Machine Learning, e a valore aggiunto nei sistemi di Data Mining.
L’esame è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.
Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto;
  • della padronanza di linguaggio dello studente;
  • della capacità di definire o usare architetture, funzionalità o strumenti per la progettazione di sistemi intelligenti e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficiente, dei metodi, approcci e tecnologie dei sistemi di recupero automatico dell’informazione da sorgenti eterogenee e distribuite, una conoscenza di base tecniche di information processing che caratterizzano gli odierni motori di ricerca e le loro applicazioni, infine, di essere in grado di progettare sistemi di Information Retrieval. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio del seguente testo:

  • "Modern Information Retrieval", Ricardo Baeza-Yates, Berthier Ribeiro-Neto. Addison Wesley, 1999. ISBN: 020139829X
  • "Introduction to Information Retrieval", Christopher D. Manning, Prabhakar Raghavan and Hinrich Schütze, Cambridge University Press.
  • “Automatic Text Categorization: from Information Retrieval to Support Vector Learning”, Roberto Basili, Alessandro Moschitti, ARACNE Editore, 2005.

Testi di Approfondimento:

  • "Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data (Data-Centric Systems and Applications)", Liu, Bing, Springer-Verlag, Series: Data-Centric Systems and Applications, Berlin, ISBN: 978-3-540-37881-5, 2007.
  • http://biblioteca.unimarconi.it/pmb/opac_css/

Codice insegnamento UC63635

Sistemi per information retrieval 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: apprendere gli algoritmi e le tecnologie per il recupero automatico dell’informazione; conoscere i modelli Booleani, statistici ed algebrico-vettoriali per…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

  • apprendere gli algoritmi e le tecnologie per il recupero automatico dell’informazione;
  • conoscere i modelli Booleani, statistici ed algebrico-vettoriali per l’IR;
  • comprendere le architetture e le componenti dei sistemi di IR;
  • analizzare l’applicazione dei sistemi di IR ai motori di ricerca su Web;
  • saper applicare l’IR al trattamento dei dati multimediali;
  • studiare elementi di Machine Learning (ML) e Data Mining per l’IR;
  • comprendere l’elaborazione dei testi, l’estrazione dell’informazione, la classificazione automatica, il Semantic IR;
  • apprendere e integrare conoscenze da varie fonti al fine di conseguire una visione più ampia dei sistemi di retrieval e mostrare anche un'autonomia nell'affrontare possibili soluzioni a nuovi problemi di recupero delle informazioni;
  • esprimere con opportuno linguaggio gli argomenti del corso;
  • valutare in autonomia i vantaggi e gli svantaggi di quanto introdotto nelle tecnologie dei sistemi di recupero automatico dell’informazione da sorgenti eterogenee e distribuite.

Programma

Il corso si propone di introdurre le tecnologie dei sistemi di recupero automatico dell’informazione da sorgenti eterogenee e distribuite. Esso fornisce competenze nella comprensione dei processi e nelle tecniche di information processing che caratterizzano gli odierni motori di ricerca e le loro applicazioni. Nel quadro delle tecnologie informatiche, una particolare enfasi sarà data alle tecnologie dell’apprendimento automatico che consentono il rapido sviluppo di sistemi basati sul riutilizzo di dati e conoscenze disponibili in forma elettronica nelle fonti aperte. Questa linea di tendenza, denominata data e text mining, sarà discussa in relazione alle applicazioni odierne nell’ambito del Web.

  • Modulo 1: Introduzione ai sistemi di Information Retrieval (IR).
  • Gli obiettivi del modulo sono:
  • comprendere l’apprendimento automatico per i processi di IR;
  • apprendere l’importanza delle parole chiave;
  • analizzare il vector space model.
  • Le lezioni sono 2:
  • Introduzione generale ai Sistemi per IR
  • Introduzione ai temi dell‘IR
  • Modulo 2: Lexical Resources
  • Gli obiettivi del modulo sono:
  • comprendere i processi legati alla phonetics, phonology and morphology;
  • apprendere l’importanza della linguistics language technologies;
  • analizzare Lexical Resources e la Lexical Ontologies.
  • Le lezioni sono 4:
  • Semantics and Related Fields
  • Linguistics Language Technologies
  • Language Engineering Data in Linguistics and Corpora
  • Language Engineering: Lexical Resources
  • Modulo 3: Data e knowledge engineering
  • Gli obiettivi del modulo sono:
  • comprendere il funzionamento dei databases;
  • apprendere l’importanza della rappresentazione XML;
  • analizzare i concetti che sono dietro la rappresentazione XQuery.
  • Le lezioni sono 5:
  • Data Engineering: Introduction to Databases
  • Introduction to Data Representation
  • Data Engineering: Managing XML and Semi-structured Data
  • Data Representation: Extending XML
  • Data Representation: XQuery
  • Modulo 4: Machine Learning e Data Mining per IR
  • Gli obiettivi del modulo sono:
  • comprendere il funzionamento delle architetture dei sistemi di IR;
  • apprendere l’importanza della Vector Space Model;
  • analizzare i concetti che sono dietro la rappresentazione della Human Computer Interaction.
  • Le lezioni sono 6:
  • Information Retrieval: Document Pre-Processing
  • Information Retrieval: Indexing
  • Information Retrieval: The Vector Space Model
  • Information Retrieval: Search@Twitter
  • Information Retrieval: Evaluation
  • Information Retrieval: Human Computer Interaction

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta.
La prova scritta consiste in domande con diversa natura: aperta, a risposta multipla ed esercizi. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei metodi, algoritmi, risorse e infrastrutture necessarie per la realizzazione di sistemi di IR. Gli studenti devono dimostrare di saper progettare e realizzare tali sistemi. Verrà infatti valutata la loro capacità di definire architetture funzionali, creare e usare risorse linguistiche, individuare le componenti tecnologiche e progettare infrastrutture. La prova scritta ha una durata massima di 90 minuti che consentirà di valutare non solo le conoscenze dello studente relative ai sistemi di IR ma anche la loro capacità di astrarre quanto imparato e saperlo adeguare a casi reali e complessi che vedono i sistemi di IR a supporto di motori di ricerca, parti integranti di sistemi di Machine Learning, e a valore aggiunto nei sistemi di Data Mining.
L’esame è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.
Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto;
  • della padronanza di linguaggio dello studente;
  • della capacità di definire o usare architetture, funzionalità o strumenti per la progettazione di sistemi intelligenti e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficiente, dei metodi, approcci e tecnologie dei sistemi di recupero automatico dell’informazione da sorgenti eterogenee e distribuite, una conoscenza di base tecniche di information processing che caratterizzano gli odierni motori di ricerca e le loro applicazioni, infine, di essere in grado di progettare sistemi di Information Retrieval. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio del seguente testo:

  • "Modern Information Retrieval", Ricardo Baeza-Yates, Berthier Ribeiro-Neto. Addison Wesley, 1999. ISBN: 020139829X
  • "Introduction to Information Retrieval", Christopher D. Manning, Prabhakar Raghavan and Hinrich Schütze, Cambridge University Press.
  • “Automatic Text Categorization: from Information Retrieval to Support Vector Learning”, Roberto Basili, Alessandro Moschitti, ARACNE Editore, 2005.

Testi di Approfondimento:

  • "Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data (Data-Centric Systems and Applications)", Liu, Bing, Springer-Verlag, Series: Data-Centric Systems and Applications, Berlin, ISBN: 978-3-540-37881-5, 2007.
  • http://biblioteca.unimarconi.it/pmb/opac_css/

Codice insegnamento UC63667

Sistemi per information retrieval 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: apprendere gli algoritmi e le tecnologie per il recupero automatico dell’informazione; conoscere i modelli Booleani, statistici ed algebrico-vettoriali per…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

  • apprendere gli algoritmi e le tecnologie per il recupero automatico dell’informazione;
  • conoscere i modelli Booleani, statistici ed algebrico-vettoriali per l’IR;
  • comprendere le architetture e le componenti dei sistemi di IR;
  • analizzare l’applicazione dei sistemi di IR ai motori di ricerca su Web;
  • saper applicare l’IR al trattamento dei dati multimediali;
  • studiare elementi di Machine Learning (ML) e Data Mining per l’IR;
  • comprendere l’elaborazione dei testi, l’estrazione dell’informazione, la classificazione automatica, il Semantic IR;
  • apprendere e integrare conoscenze da varie fonti al fine di conseguire una visione più ampia dei sistemi di retrieval e mostrare anche un'autonomia nell'affrontare possibili soluzioni a nuovi problemi di recupero delle informazioni;
  • esprimere con opportuno linguaggio gli argomenti del corso;
  • valutare in autonomia i vantaggi e gli svantaggi di quanto introdotto nelle tecnologie dei sistemi di recupero automatico dell’informazione da sorgenti eterogenee e distribuite.

Programma

Il corso si propone di introdurre le tecnologie dei sistemi di recupero automatico dell’informazione da sorgenti eterogenee e distribuite. Esso fornisce competenze nella comprensione dei processi e nelle tecniche di information processing che caratterizzano gli odierni motori di ricerca e le loro applicazioni. Nel quadro delle tecnologie informatiche, una particolare enfasi sarà data alle tecnologie dell’apprendimento automatico che consentono il rapido sviluppo di sistemi basati sul riutilizzo di dati e conoscenze disponibili in forma elettronica nelle fonti aperte. Questa linea di tendenza, denominata data e text mining, sarà discussa in relazione alle applicazioni odierne nell’ambito del Web.

  • Modulo 1: Introduzione ai sistemi di Information Retrieval (IR).
  • Gli obiettivi del modulo sono:
  • comprendere l’apprendimento automatico per i processi di IR;
  • apprendere l’importanza delle parole chiave;
  • analizzare il vector space model.
  • Le lezioni sono 2:
  • Introduzione generale ai Sistemi per IR
  • Introduzione ai temi dell‘IR
  • Modulo 2: Lexical Resources
  • Gli obiettivi del modulo sono:
  • comprendere i processi legati alla phonetics, phonology and morphology;
  • apprendere l’importanza della linguistics language technologies;
  • analizzare Lexical Resources e la Lexical Ontologies.
  • Le lezioni sono 4:
  • Semantics and Related Fields
  • Linguistics Language Technologies
  • Language Engineering Data in Linguistics and Corpora
  • Language Engineering: Lexical Resources
  • Modulo 3: Data e knowledge engineering
  • Gli obiettivi del modulo sono:
  • comprendere il funzionamento dei databases;
  • apprendere l’importanza della rappresentazione XML;
  • analizzare i concetti che sono dietro la rappresentazione XQuery.
  • Le lezioni sono 5:
  • Data Engineering: Introduction to Databases
  • Introduction to Data Representation
  • Data Engineering: Managing XML and Semi-structured Data
  • Data Representation: Extending XML
  • Data Representation: XQuery
  • Modulo 4: Machine Learning e Data Mining per IR
  • Gli obiettivi del modulo sono:
  • comprendere il funzionamento delle architetture dei sistemi di IR;
  • apprendere l’importanza della Vector Space Model;
  • analizzare i concetti che sono dietro la rappresentazione della Human Computer Interaction.
  • Le lezioni sono 6:
  • Information Retrieval: Document Pre-Processing
  • Information Retrieval: Indexing
  • Information Retrieval: The Vector Space Model
  • Information Retrieval: Search@Twitter
  • Information Retrieval: Evaluation
  • Information Retrieval: Human Computer Interaction

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta.
La prova scritta consiste in domande con diversa natura: aperta, a risposta multipla ed esercizi. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei metodi, algoritmi, risorse e infrastrutture necessarie per la realizzazione di sistemi di IR. Gli studenti devono dimostrare di saper progettare e realizzare tali sistemi. Verrà infatti valutata la loro capacità di definire architetture funzionali, creare e usare risorse linguistiche, individuare le componenti tecnologiche e progettare infrastrutture. La prova scritta ha una durata massima di 90 minuti che consentirà di valutare non solo le conoscenze dello studente relative ai sistemi di IR ma anche la loro capacità di astrarre quanto imparato e saperlo adeguare a casi reali e complessi che vedono i sistemi di IR a supporto di motori di ricerca, parti integranti di sistemi di Machine Learning, e a valore aggiunto nei sistemi di Data Mining.
L’esame è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.
Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto;
  • della padronanza di linguaggio dello studente;
  • della capacità di definire o usare architetture, funzionalità o strumenti per la progettazione di sistemi intelligenti e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficiente, dei metodi, approcci e tecnologie dei sistemi di recupero automatico dell’informazione da sorgenti eterogenee e distribuite, una conoscenza di base tecniche di information processing che caratterizzano gli odierni motori di ricerca e le loro applicazioni, infine, di essere in grado di progettare sistemi di Information Retrieval. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio del seguente testo:

  • "Modern Information Retrieval", Ricardo Baeza-Yates, Berthier Ribeiro-Neto. Addison Wesley, 1999. ISBN: 020139829X
  • "Introduction to Information Retrieval", Christopher D. Manning, Prabhakar Raghavan and Hinrich Schütze, Cambridge University Press.
  • “Automatic Text Categorization: from Information Retrieval to Support Vector Learning”, Roberto Basili, Alessandro Moschitti, ARACNE Editore, 2005.

Testi di Approfondimento:

  • "Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data (Data-Centric Systems and Applications)", Liu, Bing, Springer-Verlag, Series: Data-Centric Systems and Applications, Berlin, ISBN: 978-3-540-37881-5, 2007.
  • http://biblioteca.unimarconi.it/pmb/opac_css/

Codice insegnamento UC455442

Sistemi per information retrieval 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: apprendere gli algoritmi e le tecnologie per il recupero automatico dell’informazione; conoscere i modelli Booleani, statistici ed algebrico-vettoriali per…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

  • apprendere gli algoritmi e le tecnologie per il recupero automatico dell’informazione;
  • conoscere i modelli Booleani, statistici ed algebrico-vettoriali per l’IR;
  • comprendere le architetture e le componenti dei sistemi di IR;
  • analizzare l’applicazione dei sistemi di IR ai motori di ricerca su Web;
  • saper applicare l’IR al trattamento dei dati multimediali;
  • studiare elementi di Machine Learning (ML) e Data Mining per l’IR;
  • comprendere l’elaborazione dei testi, l’estrazione dell’informazione, la classificazione automatica, il Semantic IR;
  • apprendere e integrare conoscenze da varie fonti al fine di conseguire una visione più ampia dei sistemi di retrieval e mostrare anche un'autonomia nell'affrontare possibili soluzioni a nuovi problemi di recupero delle informazioni;
  • esprimere con opportuno linguaggio gli argomenti del corso;
  • valutare in autonomia i vantaggi e gli svantaggi di quanto introdotto nelle tecnologie dei sistemi di recupero automatico dell’informazione da sorgenti eterogenee e distribuite.

Programma

Il corso si propone di introdurre le tecnologie dei sistemi di recupero automatico dell’informazione da sorgenti eterogenee e distribuite. Esso fornisce competenze nella comprensione dei processi e nelle tecniche di information processing che caratterizzano gli odierni motori di ricerca e le loro applicazioni. Nel quadro delle tecnologie informatiche, una particolare enfasi sarà data alle tecnologie dell’apprendimento automatico che consentono il rapido sviluppo di sistemi basati sul riutilizzo di dati e conoscenze disponibili in forma elettronica nelle fonti aperte. Questa linea di tendenza, denominata data e text mining, sarà discussa in relazione alle applicazioni odierne nell’ambito del Web.

  • Modulo 1: Introduzione ai sistemi di Information Retrieval (IR).
  • Gli obiettivi del modulo sono:
  • comprendere l’apprendimento automatico per i processi di IR;
  • apprendere l’importanza delle parole chiave;
  • analizzare il vector space model.
  • Le lezioni sono 2:
  • Introduzione generale ai Sistemi per IR
  • Introduzione ai temi dell‘IR
  • Modulo 2: Lexical Resources
  • Gli obiettivi del modulo sono:
  • comprendere i processi legati alla phonetics, phonology and morphology;
  • apprendere l’importanza della linguistics language technologies;
  • analizzare Lexical Resources e la Lexical Ontologies.
  • Le lezioni sono 4:
  • Semantics and Related Fields
  • Linguistics Language Technologies
  • Language Engineering Data in Linguistics and Corpora
  • Language Engineering: Lexical Resources
  • Modulo 3: Data e knowledge engineering
  • Gli obiettivi del modulo sono:
  • comprendere il funzionamento dei databases;
  • apprendere l’importanza della rappresentazione XML;
  • analizzare i concetti che sono dietro la rappresentazione XQuery.
  • Le lezioni sono 5:
  • Data Engineering: Introduction to Databases
  • Introduction to Data Representation
  • Data Engineering: Managing XML and Semi-structured Data
  • Data Representation: Extending XML
  • Data Representation: XQuery
  • Modulo 4: Machine Learning e Data Mining per IR
  • Gli obiettivi del modulo sono:
  • comprendere il funzionamento delle architetture dei sistemi di IR;
  • apprendere l’importanza della Vector Space Model;
  • analizzare i concetti che sono dietro la rappresentazione della Human Computer Interaction.
  • Le lezioni sono 6:
  • Information Retrieval: Document Pre-Processing
  • Information Retrieval: Indexing
  • Information Retrieval: The Vector Space Model
  • Information Retrieval: Search@Twitter
  • Information Retrieval: Evaluation
  • Information Retrieval: Human Computer Interaction

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta.
La prova scritta consiste in domande con diversa natura: aperta, a risposta multipla ed esercizi. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei metodi, algoritmi, risorse e infrastrutture necessarie per la realizzazione di sistemi di IR. Gli studenti devono dimostrare di saper progettare e realizzare tali sistemi. Verrà infatti valutata la loro capacità di definire architetture funzionali, creare e usare risorse linguistiche, individuare le componenti tecnologiche e progettare infrastrutture. La prova scritta ha una durata massima di 90 minuti che consentirà di valutare non solo le conoscenze dello studente relative ai sistemi di IR ma anche la loro capacità di astrarre quanto imparato e saperlo adeguare a casi reali e complessi che vedono i sistemi di IR a supporto di motori di ricerca, parti integranti di sistemi di Machine Learning, e a valore aggiunto nei sistemi di Data Mining.
L’esame è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.
Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto;
  • della padronanza di linguaggio dello studente;
  • della capacità di definire o usare architetture, funzionalità o strumenti per la progettazione di sistemi intelligenti e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficiente, dei metodi, approcci e tecnologie dei sistemi di recupero automatico dell’informazione da sorgenti eterogenee e distribuite, una conoscenza di base tecniche di information processing che caratterizzano gli odierni motori di ricerca e le loro applicazioni, infine, di essere in grado di progettare sistemi di Information Retrieval. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio del seguente testo:

  • "Modern Information Retrieval", Ricardo Baeza-Yates, Berthier Ribeiro-Neto. Addison Wesley, 1999. ISBN: 020139829X
  • "Introduction to Information Retrieval", Christopher D. Manning, Prabhakar Raghavan and Hinrich Schütze, Cambridge University Press.
  • “Automatic Text Categorization: from Information Retrieval to Support Vector Learning”, Roberto Basili, Alessandro Moschitti, ARACNE Editore, 2005.

Testi di Approfondimento:

  • "Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data (Data-Centric Systems and Applications)", Liu, Bing, Springer-Verlag, Series: Data-Centric Systems and Applications, Berlin, ISBN: 978-3-540-37881-5, 2007.
  • http://biblioteca.unimarconi.it/pmb/opac_css/

Codice insegnamento UC455463

Sistemi per information retrieval 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo corso, lo studente sarà in grado di: apprendere gli algoritmi e le tecnologie per il recupero automatico dell’informazione; conoscere i modelli Booleani, statistici ed algebrico-vettoriali per…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo corso, lo studente sarà in grado di:

  • apprendere gli algoritmi e le tecnologie per il recupero automatico dell’informazione;
  • conoscere i modelli Booleani, statistici ed algebrico-vettoriali per l’IR;
  • comprendere le architetture e le componenti dei sistemi di IR;
  • analizzare l’applicazione dei sistemi di IR ai motori di ricerca su Web;
  • saper applicare l’IR al trattamento dei dati multimediali;
  • studiare elementi di Machine Learning (ML) e Data Mining per l’IR;
  • comprendere l’elaborazione dei testi, l’estrazione dell’informazione, la classificazione automatica, il Semantic IR;
  • apprendere e integrare conoscenze da varie fonti al fine di conseguire una visione più ampia dei sistemi di retrieval e mostrare anche un'autonomia nell'affrontare possibili soluzioni a nuovi problemi di recupero delle informazioni;
  • esprimere con opportuno linguaggio gli argomenti del corso;
  • valutare in autonomia i vantaggi e gli svantaggi di quanto introdotto nelle tecnologie dei sistemi di recupero automatico dell’informazione da sorgenti eterogenee e distribuite.

Programma

Il corso si propone di introdurre le tecnologie dei sistemi di recupero automatico dell’informazione da sorgenti eterogenee e distribuite. Esso fornisce competenze nella comprensione dei processi e nelle tecniche di information processing che caratterizzano gli odierni motori di ricerca e le loro applicazioni. Nel quadro delle tecnologie informatiche, una particolare enfasi sarà data alle tecnologie dell’apprendimento automatico che consentono il rapido sviluppo di sistemi basati sul riutilizzo di dati e conoscenze disponibili in forma elettronica nelle fonti aperte. Questa linea di tendenza, denominata data e text mining, sarà discussa in relazione alle applicazioni odierne nell’ambito del Web.

  • Modulo 1: Introduzione ai sistemi di Information Retrieval (IR).
  • Gli obiettivi del modulo sono:
  • comprendere l’apprendimento automatico per i processi di IR;
  • apprendere l’importanza delle parole chiave;
  • analizzare il vector space model.
  • Le lezioni sono 2:
  • Introduzione generale ai Sistemi per IR
  • Introduzione ai temi dell‘IR
  • Modulo 2: Lexical Resources
  • Gli obiettivi del modulo sono:
  • comprendere i processi legati alla phonetics, phonology and morphology;
  • apprendere l’importanza della linguistics language technologies;
  • analizzare Lexical Resources e la Lexical Ontologies.
  • Le lezioni sono 4:
  • Semantics and Related Fields
  • Linguistics Language Technologies
  • Language Engineering Data in Linguistics and Corpora
  • Language Engineering: Lexical Resources
  • Modulo 3: Data e knowledge engineering
  • Gli obiettivi del modulo sono:
  • comprendere il funzionamento dei databases;
  • apprendere l’importanza della rappresentazione XML;
  • analizzare i concetti che sono dietro la rappresentazione XQuery.
  • Le lezioni sono 5:
  • Data Engineering: Introduction to Databases
  • Introduction to Data Representation
  • Data Engineering: Managing XML and Semi-structured Data
  • Data Representation: Extending XML
  • Data Representation: XQuery
  • Modulo 4: Machine Learning e Data Mining per IR
  • Gli obiettivi del modulo sono:
  • comprendere il funzionamento delle architetture dei sistemi di IR;
  • apprendere l’importanza della Vector Space Model;
  • analizzare i concetti che sono dietro la rappresentazione della Human Computer Interaction.
  • Le lezioni sono 6:
  • Information Retrieval: Document Pre-Processing
  • Information Retrieval: Indexing
  • Information Retrieval: The Vector Space Model
  • Information Retrieval: Search@Twitter
  • Information Retrieval: Evaluation
  • Information Retrieval: Human Computer Interaction

Modalità d'esame

L’esame finale è volto a verificare la comprensione degli argomenti trattati, la capacità di applicare correttamente le nozioni a casi studio e la comprensione delle problematiche proposte nel corso. L’esame si svolge in forma scritta.
La prova scritta consiste in domande con diversa natura: aperta, a risposta multipla ed esercizi. Le domande sono formulate con questa tipologia sia per argomenti più teorici sia per argomenti più pratici. Viene richiesto agli studenti di dimostrare la comprensione dei metodi, algoritmi, risorse e infrastrutture necessarie per la realizzazione di sistemi di IR. Gli studenti devono dimostrare di saper progettare e realizzare tali sistemi. Verrà infatti valutata la loro capacità di definire architetture funzionali, creare e usare risorse linguistiche, individuare le componenti tecnologiche e progettare infrastrutture. La prova scritta ha una durata massima di 90 minuti che consentirà di valutare non solo le conoscenze dello studente relative ai sistemi di IR ma anche la loro capacità di astrarre quanto imparato e saperlo adeguare a casi reali e complessi che vedono i sistemi di IR a supporto di motori di ricerca, parti integranti di sistemi di Machine Learning, e a valore aggiunto nei sistemi di Data Mining.
L’esame è finalizzato anche a valutare l’autonomia di giudizio, l’abilità comunicativa e la capacità di apprendere degli studenti.
Al fine di valutare il conseguimento degli obiettivi formativi del corso, il docente terrà conto nella valutazione finale dell’esame:

  • della capacità di apprendere e quindi di esporre l’argomento richiesto;
  • della padronanza di linguaggio dello studente;
  • della capacità di definire o usare architetture, funzionalità o strumenti per la progettazione di sistemi intelligenti e di valutare in modo appropriato le scelte tecnologiche in base a situazioni reali.

Per superare l’esame, lo studente deve dimostrare di aver acquisito conoscenze sufficiente, dei metodi, approcci e tecnologie dei sistemi di recupero automatico dell’informazione da sorgenti eterogenee e distribuite, una conoscenza di base tecniche di information processing che caratterizzano gli odierni motori di ricerca e le loro applicazioni, infine, di essere in grado di progettare sistemi di Information Retrieval. Per conseguire un punteggio pari a 30/30 e lode, lo studente deve invece dimostrare di aver acquisito una conoscenza eccellente di tutti gli argomenti trattati durante il corso.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio del seguente testo:

  • "Modern Information Retrieval", Ricardo Baeza-Yates, Berthier Ribeiro-Neto. Addison Wesley, 1999. ISBN: 020139829X
  • "Introduction to Information Retrieval", Christopher D. Manning, Prabhakar Raghavan and Hinrich Schütze, Cambridge University Press.
  • “Automatic Text Categorization: from Information Retrieval to Support Vector Learning”, Roberto Basili, Alessandro Moschitti, ARACNE Editore, 2005.

Testi di Approfondimento:

  • "Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data (Data-Centric Systems and Applications)", Liu, Bing, Springer-Verlag, Series: Data-Centric Systems and Applications, Berlin, ISBN: 978-3-540-37881-5, 2007.
  • http://biblioteca.unimarconi.it/pmb/opac_css/

Codice insegnamento UC455490

Software Innovation Manager 2° anno · 6 CFU · IINF-05/A · 0 file

Conoscenza e comprensione Al termine di questo corso lo studente sarà in grado di: conoscere i tipi di innovazione; conoscere metodi base per la gestione dell’innovazione; comprendere alcuni strumenti di gestione…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenza e comprensione

Al termine di questo corso lo studente sarà in grado di:

  • conoscere i tipi di innovazione;
  • conoscere metodi base per la gestione dell’innovazione;
  • comprendere alcuni strumenti di gestione (valutazione di progetti, analisi costi benefici, analisi dei rischi, strumenti di pianificazione);
  • saper presentare un progetto innovativo;
  • conoscere il processo di innovazione ed alcune metodologie specifiche che si applicano nel processo;
  • conoscere elementi utili allo svolgimento della professione di software innovation manager quali alcuni standard ISO e normative di riferimento, skills necessari e metodologie per acquisirli e mantenerli, in particolare sui temi che riguardano le nuove tendenze di mercato.

Capacità di applicare conoscenze e comprensione

Al termine di questo corso lo studente sarà in grado di:

  • saper classificare i tipi di innovazione;
  • essere in grado di fare una analisi costi benefici e una analisi dei rischi;
  • sapere implementare le fasi di un processo di gestione dell’innovazione;
  • saper creare una pianificazione attraverso un diagramma di Gantt;
  • saper creare una presentazione sintetica di un progetto (pitch) e saper strutturare e creare una presentazione dettagliata (business case);
  • capacità di ricerca di informazioni su tendenze di mercato, su normative e standard di riferimento relativi all’innovazione nel mondo software.

Competenze trasversali

Le principali competenze trasversali riguardano lo sviluppo di elementari capacità di management, di comunicazione e gestione dei processi decisionali attraverso strumenti e metodi di valutazione formali.

Programma

Il corso verte sull’insegnamento di metodi e best practices per la gestione del processo di innovazione con un occhio specifico per il mondo software.
Argomenti del corso sono: definizione e tipi di innovazione, processo di innovazione, aspetti regolatori, strumenti di pianificazione e valutazione di progetti innovativi, strumenti di base per la presentazione formale di progetti di innovazione.

  • Definizione e tipi di innovazione
  • Strumenti di pianificazione dell’innovazione
  • Processo di gestione dell’innovazione e strumenti utilizzati
  • Legislazione di riferimento per protezione dati e innovazione
  • Protezione dei dati
  • Analisi costi benefici
  • Analisi dei rischi
  • Pianificazione (WBS, PERT, percorsi critici, Gantt)
  • User centric design
  • Come comunicare una idea innovativa (Elevator pitch, business case)
  • Nuove tendenze nell’innovazione software, ricerche di mercato

Modalità d'esame

L’esame si svolge in forma scritta. Il punteggio della prova è espresso in trentesimi. La prova scritta ha una durata massima di 90 minuti e consiste in una serie di domande aperte sugli argomenti del corso.

Le domande a risposta aperta sono progettate per valutare in maniera più approfondita sia le conoscenze teoriche che la capacità degli studenti di applicare le loro conoscenze in modo pratico.

Per superare l’esame è indispensabile rispondere in modo puntuale alla domanda posta circoscrivendo gli argomenti richiesti.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Per il superamento dell'esame è sufficiente il materiale disponibile in piattaforma ed i riferimenti forniti nelle lezioni.

Per approfondimenti si consigliano i seguenti testi:

  • Henry William Chesbrough "Open Innovation: The New Imperative for Creating and Profiting from Technology"
  • Clayton M. Christensen "The Innovator’s Solution"
  • Tim Brown "Change by Design"

Codice insegnamento UC63652

Software Innovation Manager 2° anno · 6 CFU · IINF-05/A · 0 file

Conoscenza e comprensione Al termine di questo corso lo studente sarà in grado di: conoscere i tipi di innovazione; conoscere metodi base per la gestione dell’innovazione; comprendere alcuni strumenti di gestione…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenza e comprensione

Al termine di questo corso lo studente sarà in grado di:

  • conoscere i tipi di innovazione;
  • conoscere metodi base per la gestione dell’innovazione;
  • comprendere alcuni strumenti di gestione (valutazione di progetti, analisi costi benefici, analisi dei rischi, strumenti di pianificazione);
  • saper presentare un progetto innovativo;
  • conoscere il processo di innovazione ed alcune metodologie specifiche che si applicano nel processo;
  • conoscere elementi utili allo svolgimento della professione di software innovation manager quali alcuni standard ISO e normative di riferimento, skills necessari e metodologie per acquisirli e mantenerli, in particolare sui temi che riguardano le nuove tendenze di mercato.

Capacità di applicare conoscenze e comprensione

Al termine di questo corso lo studente sarà in grado di:

  • saper classificare i tipi di innovazione;
  • essere in grado di fare una analisi costi benefici e una analisi dei rischi;
  • sapere implementare le fasi di un processo di gestione dell’innovazione;
  • saper creare una pianificazione attraverso un diagramma di Gantt;
  • saper creare una presentazione sintetica di un progetto (pitch) e saper strutturare e creare una presentazione dettagliata (business case);
  • capacità di ricerca di informazioni su tendenze di mercato, su normative e standard di riferimento relativi all’innovazione nel mondo software.

Competenze trasversali

Le principali competenze trasversali riguardano lo sviluppo di elementari capacità di management, di comunicazione e gestione dei processi decisionali attraverso strumenti e metodi di valutazione formali.

Programma

Il corso verte sull’insegnamento di metodi e best practices per la gestione del processo di innovazione con un occhio specifico per il mondo software.
Argomenti del corso sono: definizione e tipi di innovazione, processo di innovazione, aspetti regolatori, strumenti di pianificazione e valutazione di progetti innovativi, strumenti di base per la presentazione formale di progetti di innovazione.

  • Definizione e tipi di innovazione
  • Strumenti di pianificazione dell’innovazione
  • Processo di gestione dell’innovazione e strumenti utilizzati
  • Legislazione di riferimento per protezione dati e innovazione
  • Protezione dei dati
  • Analisi costi benefici
  • Analisi dei rischi
  • Pianificazione (WBS, PERT, percorsi critici, Gantt)
  • User centric design
  • Come comunicare una idea innovativa (Elevator pitch, business case)
  • Nuove tendenze nell’innovazione software, ricerche di mercato

Modalità d'esame

L’esame si svolge in forma scritta. Il punteggio della prova è espresso in trentesimi. La prova scritta ha una durata massima di 90 minuti e consiste in una serie di domande aperte sugli argomenti del corso.

Le domande a risposta aperta sono progettate per valutare in maniera più approfondita sia le conoscenze teoriche che la capacità degli studenti di applicare le loro conoscenze in modo pratico.

Per superare l’esame è indispensabile rispondere in modo puntuale alla domanda posta circoscrivendo gli argomenti richiesti.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Per il superamento dell'esame è sufficiente il materiale disponibile in piattaforma ed i riferimenti forniti nelle lezioni.

Per approfondimenti si consigliano i seguenti testi:

  • Henry William Chesbrough "Open Innovation: The New Imperative for Creating and Profiting from Technology"
  • Clayton M. Christensen "The Innovator’s Solution"
  • Tim Brown "Change by Design"

Codice insegnamento UC63692

Software Innovation Manager 2° anno · 6 CFU · IINF-05/A · 0 file

Conoscenza e comprensione Al termine di questo corso lo studente sarà in grado di: conoscere i tipi di innovazione; conoscere metodi base per la gestione dell’innovazione; comprendere alcuni strumenti di gestione…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenza e comprensione

Al termine di questo corso lo studente sarà in grado di:

  • conoscere i tipi di innovazione;
  • conoscere metodi base per la gestione dell’innovazione;
  • comprendere alcuni strumenti di gestione (valutazione di progetti, analisi costi benefici, analisi dei rischi, strumenti di pianificazione);
  • saper presentare un progetto innovativo;
  • conoscere il processo di innovazione ed alcune metodologie specifiche che si applicano nel processo;
  • conoscere elementi utili allo svolgimento della professione di software innovation manager quali alcuni standard ISO e normative di riferimento, skills necessari e metodologie per acquisirli e mantenerli, in particolare sui temi che riguardano le nuove tendenze di mercato.

Capacità di applicare conoscenze e comprensione

Al termine di questo corso lo studente sarà in grado di:

  • saper classificare i tipi di innovazione;
  • essere in grado di fare una analisi costi benefici e una analisi dei rischi;
  • sapere implementare le fasi di un processo di gestione dell’innovazione;
  • saper creare una pianificazione attraverso un diagramma di Gantt;
  • saper creare una presentazione sintetica di un progetto (pitch) e saper strutturare e creare una presentazione dettagliata (business case);
  • capacità di ricerca di informazioni su tendenze di mercato, su normative e standard di riferimento relativi all’innovazione nel mondo software.

Competenze trasversali

Le principali competenze trasversali riguardano lo sviluppo di elementari capacità di management, di comunicazione e gestione dei processi decisionali attraverso strumenti e metodi di valutazione formali.

Programma

Il corso verte sull’insegnamento di metodi e best practices per la gestione del processo di innovazione con un occhio specifico per il mondo software.
Argomenti del corso sono: definizione e tipi di innovazione, processo di innovazione, aspetti regolatori, strumenti di pianificazione e valutazione di progetti innovativi, strumenti di base per la presentazione formale di progetti di innovazione.

  • Definizione e tipi di innovazione
  • Strumenti di pianificazione dell’innovazione
  • Processo di gestione dell’innovazione e strumenti utilizzati
  • Legislazione di riferimento per protezione dati e innovazione
  • Protezione dei dati
  • Analisi costi benefici
  • Analisi dei rischi
  • Pianificazione (WBS, PERT, percorsi critici, Gantt)
  • User centric design
  • Come comunicare una idea innovativa (Elevator pitch, business case)
  • Nuove tendenze nell’innovazione software, ricerche di mercato

Modalità d'esame

L’esame si svolge in forma scritta. Il punteggio della prova è espresso in trentesimi. La prova scritta ha una durata massima di 90 minuti e consiste in una serie di domande aperte sugli argomenti del corso.

Le domande a risposta aperta sono progettate per valutare in maniera più approfondita sia le conoscenze teoriche che la capacità degli studenti di applicare le loro conoscenze in modo pratico.

Per superare l’esame è indispensabile rispondere in modo puntuale alla domanda posta circoscrivendo gli argomenti richiesti.

Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Per il superamento dell'esame è sufficiente il materiale disponibile in piattaforma ed i riferimenti forniti nelle lezioni.

Per approfondimenti si consigliano i seguenti testi:

  • Henry William Chesbrough "Open Innovation: The New Imperative for Creating and Profiting from Technology"
  • Clayton M. Christensen "The Innovator’s Solution"
  • Tim Brown "Change by Design"

Codice insegnamento UC63730

Statistical Data analysis 2° anno · 12 CFU · MATH-03/B · 0 file

analizzare un carattere o congiuntamente più caratteri statistici, qualitativi e/o quantitativi, per determinarne le caratteristiche dimensionali, di variabilità, di correlazione; valutare la bontà di un processo di…

Scheda dell'insegnamento

Obiettivi formativi

  • analizzare un carattere o congiuntamente più caratteri statistici, qualitativi e/o quantitativi, per determinarne le caratteristiche dimensionali, di variabilità, di correlazione;
  • valutare la bontà di un processo di inferenza sulla base del campione e delle ipotesi retrostanti, per l’ottenimento di stime affidabili sul comportamento di un carattere statistico, sui suoi aspetti dimensionali e di variabilità;
  • impiegare le conoscenze teoriche della statistica e della probabilità attraverso software di analisi dati come R.

Programma

Il corso affronta temi di statistica descrittiva, di calcolo delle probabilità e di inferenza statistica, per una opportuna visione di insieme di questa scienza per gli studenti di ingegneria.
Dalle iniziali condizioni di certezza, ci si sposterà verso contesti probabilistici e di alea, dove lo studio dei campioni e delle ipotesi retrostanti determinerà gli output e la loro affidabilità.
Il supporto di un software free dedicato e il suo utilizzo, R, rappresenta il naturale completamento di un corso che vuole essere una guida completa a vantaggio di coloro che devono prendere decisioni per la soluzione di problemi tecnici, ingegneristici, ma anche fare valutazioni di matrice economica e di impatto sociale.

Statistica metodologica e descrittiva

  • Introduzione alla statistica: caratteri, scale di misura, serie e seriazioni;
  • Indici di dimensione e centralità: moda, quantili e mediana, media aritmetica, geometrica e medie potenziate;
  • Indici di variabilità e mutua variabilità: scostamenti e differenze;
  • I rapporti statistici di composizione, coesistenza, derivazione. I numeri indici elementari e sintetici di prezzi, quantità e valore;
  • Elementi di statistica bivariata e multivariata: l’indipendenza assoluta, l’indipendenza funzionale.

Calcolo delle probabilità e distribuzioni campionarie

  • Calcolo combinatorio e richiami di teoria degli insiemi;
  • Assiomi di probabilità;
  • Probabilità condizionata e teoremi collegati;
  • Distribuzioni di probabilità discrete: binomiale (Bernoulli) e Poisson;
  • Distribuzioni di probabilità continue: Gauss;
  • Media e varianza di una variabile casuale. Teorema di Chebishev;
  • Campionamento e distribuzioni campionarie: teorema del limite centrale, distribuzione campionaria S², t di Student, Gamma e Chi-Quadrato.

Inferenza statistica

  • Popolazione, campione casuale, stima puntuale e per intervalli;
  • Stima della media nel caso di un singolo campione e stima della differenza di 2 medie con 2 campioni;
  • Intervalli di confidenza, intervalli di previsione, intervalli di tolleranza;
  • Stima di una proporzione con un singolo campione e stima della differenza di 2 proporzioni con 2 campioni;
  • Stima varianza con un singolo campione e stima del rapporto tra 2 varianze con 2 campioni;
  • Verifica delle ipotesi per 1 e 2 campioni. Ipotesi nulla e ipotesi alternativa. Probabilità di errori del I e II tipo e ruolo del P-value nei test di ipotesi;
  • Test per bontà di adattamento, di indipendenza e di omogeneità;
  • Modello di regressione semplice lineare: minimi quadrati e stima del modello; proprietà degli stimatori;
  • Inferenza sui coefficienti di regressione e previsione, scelta del modello di regressione, analisi della varianza e verifica grafica della linearità di una regressione;
  • Correlazione.

Data Analysis: applicazioni in R

  • Introduzione ad R;
  • Applicazioni di base (indici di centralità e di dispersione); rappresentazioni grafiche;
  • Applicazioni a problemi di incertezza: analisi della varianza, regressione semplice e multipla.

Modalità d'esame

L’esame si svolge in forma scritta e/o orale.
La prova orale consiste in un colloquio con la commissione vertente sull’intero programma del corso (30 videolezioni).
In sede di colloquio potrebbe essere chiesto al candidato di fare esercizi. Calcolatrice e tavole statistiche, in questo caso, saranno messe a disposizione dalla commissione.
L’esame scritto consiste in una prova scritta vertente sull’intero programma del corso (30 videolezioni).
La prova scritta ha una durata massima di 120 minuti e consta di 6 domande a risposta aperta (2 per ogni modulo principale – Statistica Metodologica, Calcolo delle probabilità e distribuzioni campionarie, Inferenza Statistica – tra cui il candidato dovrà sceglierne una liberamente per ogni modulo), oltre a 3 esercizi (tutti obbligatori, uno per ogni modulo come sopra specificato). Sarà possibile l’uso della calcolatrice, mentre le tavole statistiche saranno messe a disposizione dello studente unitamente alla prova d’esame.
In tutto, quindi, si tratta di 6 quesiti (3 domande a risposta aperta e 3 esercizi), ognuno dei quali, quando svolto in modo corretto ed esaustivo, vale 5 punti ai fini della valutazione in trentesimi.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio del seguente testo limitatamente alle parti indicate:

R.E. Walpole, R.H. Myers, S.L. Myers, K.E. Ye, Probabilità e statistica per ingegneria e scienze – Strumenti e applicazioni in R – Nona Edizione (a cura di Rosa Arboretti, Ilia Negri, Alessandra Petrucci, Luigi Salmaso), Pearson, 2020
Capitoli 1, 2, 3, 4 (tranne 4.3); 5 (tranne 5.3 e 5.4); 6 (tranne 6.8, 6.9 e 6.10); 8 (tranne 8.8); 9 (tranne 9.9 e 9.14); 10; 11

Codice insegnamento UC63645

Statistical Data analysis 2° anno · 12 CFU · MATH-03/B · 0 file

analizzare un carattere o congiuntamente più caratteri statistici, qualitativi e/o quantitativi, per determinarne le caratteristiche dimensionali, di variabilità, di correlazione; valutare la bontà di un processo di…

Scheda dell'insegnamento

Obiettivi formativi

  • analizzare un carattere o congiuntamente più caratteri statistici, qualitativi e/o quantitativi, per determinarne le caratteristiche dimensionali, di variabilità, di correlazione;
  • valutare la bontà di un processo di inferenza sulla base del campione e delle ipotesi retrostanti, per l’ottenimento di stime affidabili sul comportamento di un carattere statistico, sui suoi aspetti dimensionali e di variabilità;
  • impiegare le conoscenze teoriche della statistica e della probabilità attraverso software di analisi dati come R.

Programma

Il corso affronta temi di statistica descrittiva, di calcolo delle probabilità e di inferenza statistica, per una opportuna visione di insieme di questa scienza per gli studenti di ingegneria.
Dalle iniziali condizioni di certezza, ci si sposterà verso contesti probabilistici e di alea, dove lo studio dei campioni e delle ipotesi retrostanti determinerà gli output e la loro affidabilità.
Il supporto di un software free dedicato e il suo utilizzo, R, rappresenta il naturale completamento di un corso che vuole essere una guida completa a vantaggio di coloro che devono prendere decisioni per la soluzione di problemi tecnici, ingegneristici, ma anche fare valutazioni di matrice economica e di impatto sociale.

Statistica metodologica e descrittiva

  • Introduzione alla statistica: caratteri, scale di misura, serie e seriazioni;
  • Indici di dimensione e centralità: moda, quantili e mediana, media aritmetica, geometrica e medie potenziate;
  • Indici di variabilità e mutua variabilità: scostamenti e differenze;
  • I rapporti statistici di composizione, coesistenza, derivazione. I numeri indici elementari e sintetici di prezzi, quantità e valore;
  • Elementi di statistica bivariata e multivariata: l’indipendenza assoluta, l’indipendenza funzionale.

Calcolo delle probabilità e distribuzioni campionarie

  • Calcolo combinatorio e richiami di teoria degli insiemi;
  • Assiomi di probabilità;
  • Probabilità condizionata e teoremi collegati;
  • Distribuzioni di probabilità discrete: binomiale (Bernoulli) e Poisson;
  • Distribuzioni di probabilità continue: Gauss;
  • Media e varianza di una variabile casuale. Teorema di Chebishev;
  • Campionamento e distribuzioni campionarie: teorema del limite centrale, distribuzione campionaria S², t di Student, Gamma e Chi-Quadrato.

Inferenza statistica

  • Popolazione, campione casuale, stima puntuale e per intervalli;
  • Stima della media nel caso di un singolo campione e stima della differenza di 2 medie con 2 campioni;
  • Intervalli di confidenza, intervalli di previsione, intervalli di tolleranza;
  • Stima di una proporzione con un singolo campione e stima della differenza di 2 proporzioni con 2 campioni;
  • Stima varianza con un singolo campione e stima del rapporto tra 2 varianze con 2 campioni;
  • Verifica delle ipotesi per 1 e 2 campioni. Ipotesi nulla e ipotesi alternativa. Probabilità di errori del I e II tipo e ruolo del P-value nei test di ipotesi;
  • Test per bontà di adattamento, di indipendenza e di omogeneità;
  • Modello di regressione semplice lineare: minimi quadrati e stima del modello; proprietà degli stimatori;
  • Inferenza sui coefficienti di regressione e previsione, scelta del modello di regressione, analisi della varianza e verifica grafica della linearità di una regressione;
  • Correlazione.

Data Analysis: applicazioni in R

  • Introduzione ad R;
  • Applicazioni di base (indici di centralità e di dispersione); rappresentazioni grafiche;
  • Applicazioni a problemi di incertezza: analisi della varianza, regressione semplice e multipla.

Modalità d'esame

L’esame si svolge in forma scritta e/o orale.
La prova orale consiste in un colloquio con la commissione vertente sull’intero programma del corso (30 videolezioni).
In sede di colloquio potrebbe essere chiesto al candidato di fare esercizi. Calcolatrice e tavole statistiche, in questo caso, saranno messe a disposizione dalla commissione.
L’esame scritto consiste in una prova scritta vertente sull’intero programma del corso (30 videolezioni).
La prova scritta ha una durata massima di 120 minuti e consta di 6 domande a risposta aperta (2 per ogni modulo principale – Statistica Metodologica, Calcolo delle probabilità e distribuzioni campionarie, Inferenza Statistica – tra cui il candidato dovrà sceglierne una liberamente per ogni modulo), oltre a 3 esercizi (tutti obbligatori, uno per ogni modulo come sopra specificato). Sarà possibile l’uso della calcolatrice, mentre le tavole statistiche saranno messe a disposizione dello studente unitamente alla prova d’esame.
In tutto, quindi, si tratta di 6 quesiti (3 domande a risposta aperta e 3 esercizi), ognuno dei quali, quando svolto in modo corretto ed esaustivo, vale 5 punti ai fini della valutazione in trentesimi.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio del seguente testo limitatamente alle parti indicate:

R.E. Walpole, R.H. Myers, S.L. Myers, K.E. Ye, Probabilità e statistica per ingegneria e scienze – Strumenti e applicazioni in R – Nona Edizione (a cura di Rosa Arboretti, Ilia Negri, Alessandra Petrucci, Luigi Salmaso), Pearson, 2020
Capitoli 1, 2, 3, 4 (tranne 4.3); 5 (tranne 5.3 e 5.4); 6 (tranne 6.8, 6.9 e 6.10); 8 (tranne 8.8); 9 (tranne 9.9 e 9.14); 10; 11

Codice insegnamento UC63685

Statistical Data analysis 2° anno · 12 CFU · MATH-03/B · 0 file

analizzare un carattere o congiuntamente più caratteri statistici, qualitativi e/o quantitativi, per determinarne le caratteristiche dimensionali, di variabilità, di correlazione; valutare la bontà di un processo di…

Scheda dell'insegnamento

Obiettivi formativi

  • analizzare un carattere o congiuntamente più caratteri statistici, qualitativi e/o quantitativi, per determinarne le caratteristiche dimensionali, di variabilità, di correlazione;
  • valutare la bontà di un processo di inferenza sulla base del campione e delle ipotesi retrostanti, per l’ottenimento di stime affidabili sul comportamento di un carattere statistico, sui suoi aspetti dimensionali e di variabilità;
  • impiegare le conoscenze teoriche della statistica e della probabilità attraverso software di analisi dati come R.

Programma

Il corso affronta temi di statistica descrittiva, di calcolo delle probabilità e di inferenza statistica, per una opportuna visione di insieme di questa scienza per gli studenti di ingegneria.
Dalle iniziali condizioni di certezza, ci si sposterà verso contesti probabilistici e di alea, dove lo studio dei campioni e delle ipotesi retrostanti determinerà gli output e la loro affidabilità.
Il supporto di un software free dedicato e il suo utilizzo, R, rappresenta il naturale completamento di un corso che vuole essere una guida completa a vantaggio di coloro che devono prendere decisioni per la soluzione di problemi tecnici, ingegneristici, ma anche fare valutazioni di matrice economica e di impatto sociale.

Statistica metodologica e descrittiva

  • Introduzione alla statistica: caratteri, scale di misura, serie e seriazioni;
  • Indici di dimensione e centralità: moda, quantili e mediana, media aritmetica, geometrica e medie potenziate;
  • Indici di variabilità e mutua variabilità: scostamenti e differenze;
  • I rapporti statistici di composizione, coesistenza, derivazione. I numeri indici elementari e sintetici di prezzi, quantità e valore;
  • Elementi di statistica bivariata e multivariata: l’indipendenza assoluta, l’indipendenza funzionale.

Calcolo delle probabilità e distribuzioni campionarie

  • Calcolo combinatorio e richiami di teoria degli insiemi;
  • Assiomi di probabilità;
  • Probabilità condizionata e teoremi collegati;
  • Distribuzioni di probabilità discrete: binomiale (Bernoulli) e Poisson;
  • Distribuzioni di probabilità continue: Gauss;
  • Media e varianza di una variabile casuale. Teorema di Chebishev;
  • Campionamento e distribuzioni campionarie: teorema del limite centrale, distribuzione campionaria S², t di Student, Gamma e Chi-Quadrato.

Inferenza statistica

  • Popolazione, campione casuale, stima puntuale e per intervalli;
  • Stima della media nel caso di un singolo campione e stima della differenza di 2 medie con 2 campioni;
  • Intervalli di confidenza, intervalli di previsione, intervalli di tolleranza;
  • Stima di una proporzione con un singolo campione e stima della differenza di 2 proporzioni con 2 campioni;
  • Stima varianza con un singolo campione e stima del rapporto tra 2 varianze con 2 campioni;
  • Verifica delle ipotesi per 1 e 2 campioni. Ipotesi nulla e ipotesi alternativa. Probabilità di errori del I e II tipo e ruolo del P-value nei test di ipotesi;
  • Test per bontà di adattamento, di indipendenza e di omogeneità;
  • Modello di regressione semplice lineare: minimi quadrati e stima del modello; proprietà degli stimatori;
  • Inferenza sui coefficienti di regressione e previsione, scelta del modello di regressione, analisi della varianza e verifica grafica della linearità di una regressione;
  • Correlazione.

Data Analysis: applicazioni in R

  • Introduzione ad R;
  • Applicazioni di base (indici di centralità e di dispersione); rappresentazioni grafiche;
  • Applicazioni a problemi di incertezza: analisi della varianza, regressione semplice e multipla.

Modalità d'esame

L’esame si svolge in forma scritta e/o orale.
La prova orale consiste in un colloquio con la commissione vertente sull’intero programma del corso (30 videolezioni).
In sede di colloquio potrebbe essere chiesto al candidato di fare esercizi. Calcolatrice e tavole statistiche, in questo caso, saranno messe a disposizione dalla commissione.
L’esame scritto consiste in una prova scritta vertente sull’intero programma del corso (30 videolezioni).
La prova scritta ha una durata massima di 120 minuti e consta di 6 domande a risposta aperta (2 per ogni modulo principale – Statistica Metodologica, Calcolo delle probabilità e distribuzioni campionarie, Inferenza Statistica – tra cui il candidato dovrà sceglierne una liberamente per ogni modulo), oltre a 3 esercizi (tutti obbligatori, uno per ogni modulo come sopra specificato). Sarà possibile l’uso della calcolatrice, mentre le tavole statistiche saranno messe a disposizione dello studente unitamente alla prova d’esame.
In tutto, quindi, si tratta di 6 quesiti (3 domande a risposta aperta e 3 esercizi), ognuno dei quali, quando svolto in modo corretto ed esaustivo, vale 5 punti ai fini della valutazione in trentesimi.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio del seguente testo limitatamente alle parti indicate:

R.E. Walpole, R.H. Myers, S.L. Myers, K.E. Ye, Probabilità e statistica per ingegneria e scienze – Strumenti e applicazioni in R – Nona Edizione (a cura di Rosa Arboretti, Ilia Negri, Alessandra Petrucci, Luigi Salmaso), Pearson, 2020
Capitoli 1, 2, 3, 4 (tranne 4.3); 5 (tranne 5.3 e 5.4); 6 (tranne 6.8, 6.9 e 6.10); 8 (tranne 8.8); 9 (tranne 9.9 e 9.14); 10; 11

Codice insegnamento UC455491

Tecnologie semantiche 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo insegnamento lo studente sarà in grado di: conoscere i concetti base della logica proposizionale e di quella del primo ordine; conoscere i concetti base delle logiche descrittive più semplici (in…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo insegnamento lo studente sarà in grado di:

  • conoscere i concetti base della logica proposizionale e di quella del primo ordine;
  • conoscere i concetti base delle logiche descrittive più semplici (in particolare ALC);
  • formalizzare la semantica di semplici frasi in linguaggio naturale nelle varie logiche presentate;
  • sapere cosa è una base di conoscenza e quali sono i possibili compiti di ragionamento (inferenza);
  • comprendere i concetti di correttezza e completezza per la produzione di conseguenze logiche di basi di conoscenza;
  • conoscere i principali metodi di inferenza (risoluzione, refutazione, tableaux, concatenazione in avanti e indietro);
  • distinguere il concetto di probabilità da quello di fuzzyness nel contesto della rappresentazione di informazione incerta;
  • conoscere formalismi e tecnologie del Web Semantico;
  • comprendere gli aspetti base del linguaggio naturale in termini di processing e rappresentazione forma-senso-concetto;
  • avere conoscenze di base di tecnologie NoSQL (database a grafo, triple store, axiom store) per la gestione programmatica di basi di conoscenza.

Programma

Il corso offre un’introduzione alle tecnologie semantiche, che pongono la semantica al centro della progettazione e della costruzione dei sistemi informativi e che stanno assumendo un’importanza crescente nelle organizzazioni, sia per quanto riguarda la gestione di grandi quantità di dati, servizi e processi, sia per la realizzazione di meccanismi di interoperabilità necessari oggi come conseguenza della pervasività della rete. Il concetto base della tecnologia semantica è di avere una comprensione del significato dei contenuti per riuscire a gestire basi di conoscenza, in modo molto più simile a quanto fanno le persone.
Il corso è strutturato in 4 parti: nella prima parte si presenteranno i linguaggi logici per la rappresentazione della semantica dell’informazione e le relative procedure di inferenza deduttiva per compiere ragionamenti su di essa. Nella seconda parte, più applicativa, vedremo quanto presentato teoricamente nella prima parte nel contesto del Web Semantico: introdurremo il concetto di Linked Data attraverso il linguaggio formale RDF e vedremo come aggiungere espressività ontologica tramite il linguaggio formale OWL. Nella terza parte presenteremo i concetti base di come trattare automaticamente il linguaggio naturale per estrarre il significato dalle frasi per poi codificarlo tramite i linguaggi formali visti nella parte precedente. Nell’ultima parte, quella più pratica dell’intero corso, vedremo alcune delle tecnologie che permettono di implementare le parti teoriche viste prima. In particolare presenteremo strumenti open source e/o free per analizzare frasi in linguaggio naturale, creare semplicissimi agenti conversazionali e le tecnologie NoSQL per la rappresentazione e il ragionamento su basi di conoscenza espresse in linguaggi formali.

Lezione 1: introduzione alle tecnologie semantiche

  • Il contesto dell’intelligenza artificiale
  • Il test di Turing
  • Linguaggi di programmazione, formali e naturali

Lezione 2: Calcolo proposizionale e risoluzione

  • Sintassi della logica proposizionale
  • Semantica della logica proposizionale
  • Regole d’inferenza e metodi di calcolo

Lezione 3: Logica predicativa e risoluzione

  • Sintassi della logica del primo ordine
  • Semantica della logica del primo ordine
  • Regole d’inferenza e metodi di calcolo

Lezione 4: Le logiche descrittive

  • Sintassi e semantica
  • Basi di conoscenza e compiti di ragionamento

Lezione 5: Probabilità e insiemi fuzzy

  • Probabilità condizionate e teorema di Bayes
  • Reti bayesiane
  • Insiemi vaghi e funzioni di appartenenza
  • Variabili linguistiche e modificatori
  • Cenni di logiche descrittive fuzzy

Lezione 6: Il Semantic Web e i suoi linguaggi - parte 1

  • Dato, informazione e conoscenza
  • Organizzazione dell’informazione
  • La pila del web semantico

Lezione 7: Il Semantic Web e i suoi linguaggi - parte 2

  • Il linguaggio RDF/RDFS
  • Il linguaggio ontologico OWL 1
  • Cenni al linguaggio OWL 2

Lezione 8: Il Semantic Web e i suoi linguaggi - parte 3

  • Il linguaggio di interrogazione SPARQL 1.0
  • Il linguaggio di interrogazione SPARQL 1.1

Lezione 9: Vocabolari e Ontologie per il Semantic Web

  • I vocabolari e le ontologie come basi comuni di significato
  • Il repository Linked Open Vocabularies (LOV)
  • Esempi di ontologie e vocabolari più comuni

Lezione 10: Linked (Open) Data

  • Introduzione al paradigma dei Linked Open Data (LOD)
  • Regole di pubblicazione e consumo di LOD
  • Interrogazioni federate

Lezione 11: Ontologie lessicali

  • Introduzione alla comprensione del linguaggio naturale
  • Dimensione linguistica e concettuale
  • L’ontologia OntoLex-Lemon (lexical model for ontologies)

Lezione 12: Introduzione alla linguistica computazionale

  • La catena di analisi linguistica
  • Apprendimento automatico supervisionato e non
  • Principali strumenti software per l’analisi linguistica

Lezione 13: Assistenti conversazionali

  • Interazioni vocali e chatbot
  • Cosa è e come si crea un chatbot
  • Creazione di un semplice chatbot con IBM Watson assistant

Lezione 14: Tecnologie semantiche in pratica - parte 1

  • Introduzione alle tecnologie NoSQL
  • Graph database vs triple store
  • Un database semantico conforme agli standard W3C: GraphDB

Lezione 15: Tecnologie semantiche in pratica - parte 2

  • OWL-API: Una libreria java per la gestione di ontologie OWL
  • SWRL-API: una libreria Java per la gestione di regole
  • SQWRL-API: una libreria Java per l’interrogazione di ontologie OWL con regole SWRL

Modalità d'esame

L’esame si svolge in forma scritta. Il punteggio della prova è espresso in trentesimi.
La prova scritta ha una durata di 90 minuti e consiste in un questionario di dieci domande di cui 8 a scelta multipla e 2 aperte sull’intero programma del corso. Le prime tendono ad accertare competenze più di nozione, mentre le altre sono relative alla comprensione più profonda dei vari temi trattati nel corso o a piccoli esercizi simili a quelli presentati nelle esercitazioni alla fine di ogni lezione del corso.
La valutazione della prova scritta consiste nell’assegnazione a ciascuna domanda a risposta multipla di 2 punti se corretta o 0 se sbagliata, mentre per le due domande aperte (o esercizi) verrà assegnato un massimo di 8 punti ciascuna. La valutazione finale consiste nella somma dei punteggi di tutte le domande. La lode viene assegnata nel caso in cui la somma raggiunga il punteggio totale massimo pari a 32.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei capitoli opportuni, in base agli argomenti trattati, dei seguenti testi:

  • Intelligenza artificiale. Un approccio moderno (Vol. 1) - 2010 di Stuart J. Russell (Autore), Peter Norvig (Autore), F. Amigoni (a cura di), S. Gaburri (Traduttore)
  • Di Noia, De Virgilio, Di Sciascio, Donini: Semantic Web, Tra ontologie e open data, Apogeo

Codice insegnamento UC63639

Tecnologie semantiche 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo insegnamento lo studente sarà in grado di: conoscere i concetti base della logica proposizionale e di quella del primo ordine; conoscere i concetti base delle logiche descrittive più semplici (in…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo insegnamento lo studente sarà in grado di:

  • conoscere i concetti base della logica proposizionale e di quella del primo ordine;
  • conoscere i concetti base delle logiche descrittive più semplici (in particolare ALC);
  • formalizzare la semantica di semplici frasi in linguaggio naturale nelle varie logiche presentate;
  • sapere cosa è una base di conoscenza e quali sono i possibili compiti di ragionamento (inferenza);
  • comprendere i concetti di correttezza e completezza per la produzione di conseguenze logiche di basi di conoscenza;
  • conoscere i principali metodi di inferenza (risoluzione, refutazione, tableaux, concatenazione in avanti e indietro);
  • distinguere il concetto di probabilità da quello di fuzzyness nel contesto della rappresentazione di informazione incerta;
  • conoscere formalismi e tecnologie del Web Semantico;
  • comprendere gli aspetti base del linguaggio naturale in termini di processing e rappresentazione forma-senso-concetto;
  • avere conoscenze di base di tecnologie NoSQL (database a grafo, triple store, axiom store) per la gestione programmatica di basi di conoscenza.

Programma

Il corso offre un’introduzione alle tecnologie semantiche, che pongono la semantica al centro della progettazione e della costruzione dei sistemi informativi e che stanno assumendo un’importanza crescente nelle organizzazioni, sia per quanto riguarda la gestione di grandi quantità di dati, servizi e processi, sia per la realizzazione di meccanismi di interoperabilità necessari oggi come conseguenza della pervasività della rete. Il concetto base della tecnologia semantica è di avere una comprensione del significato dei contenuti per riuscire a gestire basi di conoscenza, in modo molto più simile a quanto fanno le persone.
Il corso è strutturato in 4 parti: nella prima parte si presenteranno i linguaggi logici per la rappresentazione della semantica dell’informazione e le relative procedure di inferenza deduttiva per compiere ragionamenti su di essa. Nella seconda parte, più applicativa, vedremo quanto presentato teoricamente nella prima parte nel contesto del Web Semantico: introdurremo il concetto di Linked Data attraverso il linguaggio formale RDF e vedremo come aggiungere espressività ontologica tramite il linguaggio formale OWL. Nella terza parte presenteremo i concetti base di come trattare automaticamente il linguaggio naturale per estrarre il significato dalle frasi per poi codificarlo tramite i linguaggi formali visti nella parte precedente. Nell’ultima parte, quella più pratica dell’intero corso, vedremo alcune delle tecnologie che permettono di implementare le parti teoriche viste prima. In particolare presenteremo strumenti open source e/o free per analizzare frasi in linguaggio naturale, creare semplicissimi agenti conversazionali e le tecnologie NoSQL per la rappresentazione e il ragionamento su basi di conoscenza espresse in linguaggi formali.

Lezione 1: introduzione alle tecnologie semantiche

  • Il contesto dell’intelligenza artificiale
  • Il test di Turing
  • Linguaggi di programmazione, formali e naturali

Lezione 2: Calcolo proposizionale e risoluzione

  • Sintassi della logica proposizionale
  • Semantica della logica proposizionale
  • Regole d’inferenza e metodi di calcolo

Lezione 3: Logica predicativa e risoluzione

  • Sintassi della logica del primo ordine
  • Semantica della logica del primo ordine
  • Regole d’inferenza e metodi di calcolo

Lezione 4: Le logiche descrittive

  • Sintassi e semantica
  • Basi di conoscenza e compiti di ragionamento

Lezione 5: Probabilità e insiemi fuzzy

  • Probabilità condizionate e teorema di Bayes
  • Reti bayesiane
  • Insiemi vaghi e funzioni di appartenenza
  • Variabili linguistiche e modificatori
  • Cenni di logiche descrittive fuzzy

Lezione 6: Il Semantic Web e i suoi linguaggi - parte 1

  • Dato, informazione e conoscenza
  • Organizzazione dell’informazione
  • La pila del web semantico

Lezione 7: Il Semantic Web e i suoi linguaggi - parte 2

  • Il linguaggio RDF/RDFS
  • Il linguaggio ontologico OWL 1
  • Cenni al linguaggio OWL 2

Lezione 8: Il Semantic Web e i suoi linguaggi - parte 3

  • Il linguaggio di interrogazione SPARQL 1.0
  • Il linguaggio di interrogazione SPARQL 1.1

Lezione 9: Vocabolari e Ontologie per il Semantic Web

  • I vocabolari e le ontologie come basi comuni di significato
  • Il repository Linked Open Vocabularies (LOV)
  • Esempi di ontologie e vocabolari più comuni

Lezione 10: Linked (Open) Data

  • Introduzione al paradigma dei Linked Open Data (LOD)
  • Regole di pubblicazione e consumo di LOD
  • Interrogazioni federate

Lezione 11: Ontologie lessicali

  • Introduzione alla comprensione del linguaggio naturale
  • Dimensione linguistica e concettuale
  • L’ontologia OntoLex-Lemon (lexical model for ontologies)

Lezione 12: Introduzione alla linguistica computazionale

  • La catena di analisi linguistica
  • Apprendimento automatico supervisionato e non
  • Principali strumenti software per l’analisi linguistica

Lezione 13: Assistenti conversazionali

  • Interazioni vocali e chatbot
  • Cosa è e come si crea un chatbot
  • Creazione di un semplice chatbot con IBM Watson assistant

Lezione 14: Tecnologie semantiche in pratica - parte 1

  • Introduzione alle tecnologie NoSQL
  • Graph database vs triple store
  • Un database semantico conforme agli standard W3C: GraphDB

Lezione 15: Tecnologie semantiche in pratica - parte 2

  • OWL-API: Una libreria java per la gestione di ontologie OWL
  • SWRL-API: una libreria Java per la gestione di regole
  • SQWRL-API: una libreria Java per l’interrogazione di ontologie OWL con regole SWRL

Modalità d'esame

L’esame si svolge in forma scritta. Il punteggio della prova è espresso in trentesimi.
La prova scritta ha una durata di 90 minuti e consiste in un questionario di dieci domande di cui 8 a scelta multipla e 2 aperte sull’intero programma del corso. Le prime tendono ad accertare competenze più di nozione, mentre le altre sono relative alla comprensione più profonda dei vari temi trattati nel corso o a piccoli esercizi simili a quelli presentati nelle esercitazioni alla fine di ogni lezione del corso.
La valutazione della prova scritta consiste nell’assegnazione a ciascuna domanda a risposta multipla di 2 punti se corretta o 0 se sbagliata, mentre per le due domande aperte (o esercizi) verrà assegnato un massimo di 8 punti ciascuna. La valutazione finale consiste nella somma dei punteggi di tutte le domande. La lode viene assegnata nel caso in cui la somma raggiunga il punteggio totale massimo pari a 32.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei capitoli opportuni, in base agli argomenti trattati, dei seguenti testi:

  • Intelligenza artificiale. Un approccio moderno (Vol. 1) - 2010 di Stuart J. Russell (Autore), Peter Norvig (Autore), F. Amigoni (a cura di), S. Gaburri (Traduttore)
  • Di Noia, De Virgilio, Di Sciascio, Donini: Semantic Web, Tra ontologie e open data, Apogeo

Codice insegnamento UC63681

Tecnologie semantiche 2° anno · 6 CFU · IINF-05/A · 0 file

Al termine di questo insegnamento lo studente sarà in grado di: conoscere i concetti base della logica proposizionale e di quella del primo ordine; conoscere i concetti base delle logiche descrittive più semplici (in…

Scheda dell'insegnamento

Obiettivi formativi

Al termine di questo insegnamento lo studente sarà in grado di:

  • conoscere i concetti base della logica proposizionale e di quella del primo ordine;
  • conoscere i concetti base delle logiche descrittive più semplici (in particolare ALC);
  • formalizzare la semantica di semplici frasi in linguaggio naturale nelle varie logiche presentate;
  • sapere cosa è una base di conoscenza e quali sono i possibili compiti di ragionamento (inferenza);
  • comprendere i concetti di correttezza e completezza per la produzione di conseguenze logiche di basi di conoscenza;
  • conoscere i principali metodi di inferenza (risoluzione, refutazione, tableaux, concatenazione in avanti e indietro);
  • distinguere il concetto di probabilità da quello di fuzzyness nel contesto della rappresentazione di informazione incerta;
  • conoscere formalismi e tecnologie del Web Semantico;
  • comprendere gli aspetti base del linguaggio naturale in termini di processing e rappresentazione forma-senso-concetto;
  • avere conoscenze di base di tecnologie NoSQL (database a grafo, triple store, axiom store) per la gestione programmatica di basi di conoscenza.

Programma

Il corso offre un’introduzione alle tecnologie semantiche, che pongono la semantica al centro della progettazione e della costruzione dei sistemi informativi e che stanno assumendo un’importanza crescente nelle organizzazioni, sia per quanto riguarda la gestione di grandi quantità di dati, servizi e processi, sia per la realizzazione di meccanismi di interoperabilità necessari oggi come conseguenza della pervasività della rete. Il concetto base della tecnologia semantica è di avere una comprensione del significato dei contenuti per riuscire a gestire basi di conoscenza, in modo molto più simile a quanto fanno le persone.
Il corso è strutturato in 4 parti: nella prima parte si presenteranno i linguaggi logici per la rappresentazione della semantica dell’informazione e le relative procedure di inferenza deduttiva per compiere ragionamenti su di essa. Nella seconda parte, più applicativa, vedremo quanto presentato teoricamente nella prima parte nel contesto del Web Semantico: introdurremo il concetto di Linked Data attraverso il linguaggio formale RDF e vedremo come aggiungere espressività ontologica tramite il linguaggio formale OWL. Nella terza parte presenteremo i concetti base di come trattare automaticamente il linguaggio naturale per estrarre il significato dalle frasi per poi codificarlo tramite i linguaggi formali visti nella parte precedente. Nell’ultima parte, quella più pratica dell’intero corso, vedremo alcune delle tecnologie che permettono di implementare le parti teoriche viste prima. In particolare presenteremo strumenti open source e/o free per analizzare frasi in linguaggio naturale, creare semplicissimi agenti conversazionali e le tecnologie NoSQL per la rappresentazione e il ragionamento su basi di conoscenza espresse in linguaggi formali.

Lezione 1: introduzione alle tecnologie semantiche

  • Il contesto dell’intelligenza artificiale
  • Il test di Turing
  • Linguaggi di programmazione, formali e naturali

Lezione 2: Calcolo proposizionale e risoluzione

  • Sintassi della logica proposizionale
  • Semantica della logica proposizionale
  • Regole d’inferenza e metodi di calcolo

Lezione 3: Logica predicativa e risoluzione

  • Sintassi della logica del primo ordine
  • Semantica della logica del primo ordine
  • Regole d’inferenza e metodi di calcolo

Lezione 4: Le logiche descrittive

  • Sintassi e semantica
  • Basi di conoscenza e compiti di ragionamento

Lezione 5: Probabilità e insiemi fuzzy

  • Probabilità condizionate e teorema di Bayes
  • Reti bayesiane
  • Insiemi vaghi e funzioni di appartenenza
  • Variabili linguistiche e modificatori
  • Cenni di logiche descrittive fuzzy

Lezione 6: Il Semantic Web e i suoi linguaggi - parte 1

  • Dato, informazione e conoscenza
  • Organizzazione dell’informazione
  • La pila del web semantico

Lezione 7: Il Semantic Web e i suoi linguaggi - parte 2

  • Il linguaggio RDF/RDFS
  • Il linguaggio ontologico OWL 1
  • Cenni al linguaggio OWL 2

Lezione 8: Il Semantic Web e i suoi linguaggi - parte 3

  • Il linguaggio di interrogazione SPARQL 1.0
  • Il linguaggio di interrogazione SPARQL 1.1

Lezione 9: Vocabolari e Ontologie per il Semantic Web

  • I vocabolari e le ontologie come basi comuni di significato
  • Il repository Linked Open Vocabularies (LOV)
  • Esempi di ontologie e vocabolari più comuni

Lezione 10: Linked (Open) Data

  • Introduzione al paradigma dei Linked Open Data (LOD)
  • Regole di pubblicazione e consumo di LOD
  • Interrogazioni federate

Lezione 11: Ontologie lessicali

  • Introduzione alla comprensione del linguaggio naturale
  • Dimensione linguistica e concettuale
  • L’ontologia OntoLex-Lemon (lexical model for ontologies)

Lezione 12: Introduzione alla linguistica computazionale

  • La catena di analisi linguistica
  • Apprendimento automatico supervisionato e non
  • Principali strumenti software per l’analisi linguistica

Lezione 13: Assistenti conversazionali

  • Interazioni vocali e chatbot
  • Cosa è e come si crea un chatbot
  • Creazione di un semplice chatbot con IBM Watson assistant

Lezione 14: Tecnologie semantiche in pratica - parte 1

  • Introduzione alle tecnologie NoSQL
  • Graph database vs triple store
  • Un database semantico conforme agli standard W3C: GraphDB

Lezione 15: Tecnologie semantiche in pratica - parte 2

  • OWL-API: Una libreria java per la gestione di ontologie OWL
  • SWRL-API: una libreria Java per la gestione di regole
  • SQWRL-API: una libreria Java per l’interrogazione di ontologie OWL con regole SWRL

Modalità d'esame

L’esame si svolge in forma scritta. Il punteggio della prova è espresso in trentesimi.
La prova scritta ha una durata di 90 minuti e consiste in un questionario di dieci domande di cui 8 a scelta multipla e 2 aperte sull’intero programma del corso. Le prime tendono ad accertare competenze più di nozione, mentre le altre sono relative alla comprensione più profonda dei vari temi trattati nel corso o a piccoli esercizi simili a quelli presentati nelle esercitazioni alla fine di ogni lezione del corso.
La valutazione della prova scritta consiste nell’assegnazione a ciascuna domanda a risposta multipla di 2 punti se corretta o 0 se sbagliata, mentre per le due domande aperte (o esercizi) verrà assegnato un massimo di 8 punti ciascuna. La valutazione finale consiste nella somma dei punteggi di tutte le domande. La lode viene assegnata nel caso in cui la somma raggiunga il punteggio totale massimo pari a 32.
Non esistono prove intermedie che contribuiscano alla formulazione del giudizio finale. Tutte le prove di autoverifica previste all’interno del corso sono da considerarsi altamente consigliate e utili ai fini della preparazione e dello studio individuali. Tali prove non sono obbligatorie ai fini del sostenimento della prova d’esame la quale, ai sensi del DM 1835/2024, dev’essere svolta in presenza con commissione d’esame costituita come stabilito dal Regolamento Didattico d’Ateneo.

Il voto si attribuisce in accordo alla seguente regola generale:

VOTO
LIVELLO PREPARAZIONE ACQUISITA DALLO STUDENTE

18-20
Lo Studente ha raggiunto un livello di preparazione sufficiente.

21-23
Lo Studente ha raggiunto un livello di preparazione discreto.

24-26
Lo Studente ha raggiunto un livello di preparazione buono.

27-29
Lo Studente ha raggiunto un livello di preparazione molto buono.

30-30 e lode
Lo Studente ha raggiunto un livello di preparazione ottimo/eccellente.

Testi di riferimento

Oltre alle lezioni realizzate dal Docente ed ai materiali didattici pubblicati in piattaforma, è obbligatorio lo studio dei capitoli opportuni, in base agli argomenti trattati, dei seguenti testi:

  • Intelligenza artificiale. Un approccio moderno (Vol. 1) - 2010 di Stuart J. Russell (Autore), Peter Norvig (Autore), F. Amigoni (a cura di), S. Gaburri (Traduttore)
  • Di Noia, De Virgilio, Di Sciascio, Donini: Semantic Web, Tra ontologie e open data, Apogeo

Codice insegnamento UC455492

Tirocinio 2° anno · 6 CFU · 0 file
Tirocinio 2° anno · 6 CFU · 0 file
Tirocinio 2° anno · 6 CFU · 0 file
Uno a scelta tra: rosa 1 2° anno · 6 CFU · 0 file
Uno a scelta tra: rosa 1 2° anno · 6 CFU · 0 file
Uno a scelta tra: rosa 1 2° anno · 6 CFU · 0 file
Un’attività a scelta nella Rosa 2 2° anno · 6 CFU · 0 file
Un’attività a scelta nella Rosa 2 2° anno · 6 CFU · 0 file
Un’attività a scelta nella Rosa 2 2° anno · 6 CFU · 0 file
Applicazioni Verticali nell’IoT 6 CFU · ING-INF/05 · 0 file
Applicazioni Verticali per AI 6 CFU · ING-INF/05 · 0 file
Applicazioni Verticali per AI 6 CFU · ING-INF/05 · 0 file
Applicazioni Verticali per AI 6 CFU · ING-INF/05 · 0 file
Applicazioni verticali nell’IoT 6 CFU · ING-INF/05 · 0 file
Applicazioni verticali nell’IoT 6 CFU · ING-INF/05 · 0 file
Cyber IoT e biometria 6 CFU · ING-INF/05 · 0 file
Cyber IoT e biometria 6 CFU · ING-INF/05 · 0 file
Cyber IoT e biometria 6 CFU · ING-INF/05 · 0 file
Laboratorio di AI 6 CFU · ING-INF/05 · 0 file
Laboratorio di AI 6 CFU · ING-INF/05 · 0 file
Laboratorio di AI 6 CFU · ING-INF/05 · 0 file
Laboratorio di Cybersecurity 6 CFU · ING-INF/05 · 0 file
Laboratorio di Cybersecurity 6 CFU · ING-INF/05 · 0 file
Laboratorio di Cybersecurity 6 CFU · ING-INF/05 · 0 file
Laboratorio di applicazioni Web 6 CFU · ING-INF/05 · 0 file
Laboratorio di applicazioni Web 6 CFU · ING-INF/05 · 0 file
Laboratorio di applicazioni Web 6 CFU · ING-INF/05 · 0 file
Operation and project management 6 CFU · ING-IND/17 · 0 file
Operation and project management 6 CFU · ING-IND/17 · 0 file
Operation and project management 6 CFU · ING-IND/17 · 0 file
Security Innovation Manager 6 CFU · ING-INF/05 · 0 file
Security Innovation Manager 6 CFU · ING-INF/05 · 0 file
Security Innovation Manager 6 CFU · ING-INF/05 · 0 file
Tirocini formativi e di orientamento 6 CFU · 0 file
Tirocini formativi e di orientamento 6 CFU · 0 file
Tirocini formativi e di orientamento 6 CFU · 0 file

Recensioni del corso

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

★

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