Corso di laurea

Informatica - magistrale

Università degli Studi di Milano · 74 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

Accertamento di lingua inglese - livello b2 (3 CFU) 1° anno · 3 CFU · 0 file

Raggiungere il livello B2 del Quadro Comune Europeo di Riferimento per le lingue (QCER). Reading (Lettura): leggere articoli e relazioni su questioni d'attualità; comprendere testi narrativi contemporanei.Listening…

Scheda dell'insegnamento

Obiettivi formativi

Raggiungere il livello B2 del Quadro Comune Europeo di Riferimento per le lingue (QCER).

Reading (Lettura): leggere articoli e relazioni su questioni d'attualità; comprendere testi narrativi contemporanei.Listening (Ascolto): capire discorsi di una certa lunghezza e conferenze e a seguire argomentazioni anche complesse purché il tema sia relativamente familiare. Capire la maggior parte dei notiziari e delle trasmissioni TV che riguardano fatti d'attualità in lingua standard.

Programma

Reading (Lettura): leggere articoli e relazioni su questioni d'attualità; comprendere testi narrativi contemporanei.Listening (Ascolto): capire discorsi di una certa lunghezza e conferenze e a seguire argomentazioni anche complesse purché il tema sia relativamente familiare. Capire la maggior parte dei notiziari e delle trasmissioni TV che riguardano fatti d'attualità in lingua standard.

Modalità d'esame

Modalità di valutazione: TestGiudizio di valutazione: livello raggiunto

Codice insegnamento accertamento-di-lingua-inglese-livello-b2-3-cfu

3d video games 6 CFU · INFO-01/A · 0 file

L'obiettivo dell'insegnamento è fornire un'approfondita comprensione delle soluzioni adottate dai videogiochi 3D (ovvero giochi ambientati in mondi 3D virtuali) al fine di affrontare i numerosi compiti che devono…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo dell'insegnamento è fornire un'approfondita comprensione delle soluzioni adottate dai videogiochi 3D (ovvero giochi ambientati in mondi 3D virtuali) al fine di affrontare i numerosi compiti che devono essere risolti durante la loro esecuzione, compreso il background matematico, le strutture di dati, gli algoritmi maggiormente impiegati, e la relativa terminologia tecnica. L'obiettivo finale è quello di fornire i concetti che sottendono allo sviluppo di un game-engine 3D moderno, che sono anche necessari all'uso pienamente consapevole di strumenti esistenti di questo tipo.

Al termine dell'insegnamento, gli studenti avranno appreso le tecniche alla base delle soluzioni ubiquamente adottate dai moderni videogiochi 3D. In particolare, avranno familiarizzato con il background matematico, gli algoritmi e le strutture dati preposte ad affrontare le sfide tecnologiche che devono essere superate da un videogioco 3D, fra cui: la rappresentazione di oggetti e ambienti virtuali 3D, la rappresentazione del loro aspetto, la simulazione della loro evoluzione fisica, la riproduzione di computer animations 3D (scripted o procedurali) e di effetti visuali 3D. Gli studenti vengono inoltre dotati delle nozioni atte a collegare i contenuti impartiti da questo insegnamento a quelli proposti da altri insegnamenti del corso di laurea, che siano pertinenti ai 3D videogames, come quelli inerenti a: real-time audio, real-time rendering avanzato, intelligenza artificiale per virtual agent, e networking. Alcuni dei contenuti trattati nell'insegnamento sono rinforzati attraverso l'esemplificazione in pratica con game-dev tools o game-engines esistenti.

Programma

Le lezioni sono strutturate in 4 moduli:
(A) Matematica per videogame 3D (2 CFU, 16 ore)
(B) Computer animation per videogame 3D (2CFU, 16 ore)
(C) Rappresentazione dell'aspetto nei videogame 3D (1CFU, 8 ore)
(D) Lezioni ponte (1CFU, 8 ore)
Computer Animations copre sia le animazioni computate che quelle scripted.
L'aspetto copre sia i modelli 3D che i materiali.
Le lezioni "ponte" sono una visione dall'alto di interi argomenti, che hanno lo scopo di collegare i contenuti di questo insegnamento con altri insegnamenti del Corso di Laurea Magistrale.
Programma dettagliato:

  • Lez.01: Introduzione ai 3D games
    MODULO A: Matematica per videogames 3D
  • Lez.02: Matematica per 3D games: punti, vettori, versori
  • Lez.03: Matematica per 3D games: trasformazioni geometriche
  • Lez.04: Matematica per 3D games: rotazioni 3D
  • Lez.05: Matematica per 3D games: rappresentazioni basate su quaternioni
  • Lez.06: Matematica per 3D games: vari esempi di applicazione
  • Lez.07: Lo Scene-Graph
    MODULO B: Computer animations nei 3D videogame
  • Lez.08: 3D Game physics: simulazione di dinamica Newtoniana
  • Lez.09: 3D Game physics: sistemi di integrazione
  • Lez.10: 3D Game physics: position based dynamics
  • Lez.11: 3D Game physics: gestione delle collisioni
  • Lez12: 3D Game physics: sandbox su collisioni
  • Lez13: Sistemi di particelle
    -- dopo il modulo C: --
  • Lez.18: Animazioni nei 3D Games: cinematica
  • Lez.19: Animazioni nei 3D Games: blend-shapes
  • Lez.20: Animazioni nei 3D Games: animazioni scheletali
    MODULO C: Rappresentazione dell'aspetto nei 3D videogame
  • Lez.14: Rappresentazioni geometriche per 3D games
  • Lez.15: Textures per 3D Games (incluso normal maps)
  • Lez 16: Rappresentazione di Materiali
  • Lez.17: Pipeline di produzione di asset per 3D Games
    MODULO D: LEZIONI PONTE
  • Lez.21: Lezione ponte: audio nei 3D games
  • Lez.22: Lezione ponte: networking in 3D games
  • Lez.23: Lezione ponte: AI in 3D games
  • Lez.24: Lezione ponte: rassegna di tecniche di rendering per 3D games
    (Ogni argomento è della durata di circa 2 ore.)
    === Attività extracurriculari dopolezione:
    Dopo ogni lezione, si svolge una breve attività extra-curriculare, della durata massima di circa 1h. Si tratta di una piccola attività del tutto facoltativa, offerta agli studenti interessati, intesa come uno svago piuttosto che un lavoro. Gli argomenti trattati non sono in alcun modo parte dalla prova di esame.
    A turni alterni, vengono proposte due attività (ciascuna delle quali ha quindi, una cadenza settimanale):
  • "Il gioco della settimana": viene mostrato e brevemente analizzato un videogioco esistente che "abusa" oppure contraddice l'uso tradizionale di un meccanismo presentato nella lezione.
  • "Mini-laboratorio C++": un'introduzione al linguaggio C++ (uno dei principali linguaggi di riferimento per l'industria dei videogames) in cui si presentano alcuni costrutti base del linguaggio scrivendo "da zero" una piccola libreria per la gestione della matematica di un videogame.

Modalità d'esame

L'esame consiste in uno scritto di sbarramento seguito da un breve orale. Lo scritto si svolge attraverso la piattaforma Moodle SEB, e consiste in una sequenza di domande (chiuse, aperte, risoluzione di piccoli esercizi...) che vertono sull'intero programma. E' possibile (ma non necessario) presentare un piccolo progetto concordato con il docente. (questo è offerta come opportunità di apprendimento per lo studente, e non prevede un incremento del voto)

Testi di riferimento

Vengono forniti lucidi di ogni lezione (vedere piattaforma Ariel)
Libro di testo suggeriti (non è necessario il loro possesso):

  • per la parte di matematica: "Mathematics for 3D game programming and computer graphics" - Eric Lengyel - ISBN: 1435458869
  • per le parti di fisica ed animazione: "Game Engine Architecture" (quasiasi edizione) - Jason Gregory - ISBN: 1138035459

Codice insegnamento 3d-video-games-0

Advanced multivariate statistics 2° semestre · 6 CFU · STAT-01/A · 0 file

The course is designed to teach cutting-edge statistical methods for analyzing multivariate data. Its central theme is inspired by the paper Gelman, A., & Vehtari, A. (2021). What are the most important statistical ideas…

Scheda dell'insegnamento

Obiettivi formativi

The course is designed to teach cutting-edge statistical methods for analyzing multivariate data. Its central theme is inspired by the paper Gelman, A., & Vehtari, A. (2021). What are the most important statistical ideas of the past 50 years? Journal of the American Statistical Association, 116(536), 2087-2097. During the course, applications to real situations will be presented using the R statistical software.

Students will achieve skills for doing independent study and research in presence of multivariate data. Moreover, they will learn how to use dedicated R libraries to deal with multivariate contexts.

Programma

Il programma è condiviso con i seguenti insegnamenti:

  • [BBL-22](https://www.unimi.it/it/ugov/of/af20270000bbl-22)

Modalità d'esame

Modalità di valutazione: EsameGiudizio di valutazione: voto verbalizzato in trentesimi

Codice insegnamento advanced-multivariate-statistics-1

Affective computing 1° semestre · 6 CFU · IINF-05/A · 0 file

Scopo dell'insegnamento è fornire gli strumenti teorici e applicativi per progettare agenti artificiali affettivi in grado di: - percepire i segnali emotivi comportamentali e fisiologici di un utente ed analizzarne i…

Scheda dell'insegnamento

Obiettivi formativi

Scopo dell'insegnamento è fornire gli strumenti teorici e applicativi per progettare agenti artificiali affettivi in grado di: - percepire i segnali emotivi comportamentali e fisiologici di un utente ed analizzarne i principali indicatori - inferire, a partire dagli indicatori percepiti in un dato contesto, gli stati emotivi dell'utente - produrre un feedback appropriato all'utente.A tal fine il corso si articola in due parti: introduzione rigorosa ai modelli neurobiologici e psicologici delle emozioni; processi stocastici e tecniche statistiche di apprendimento e inferenza per la modellazione computazionale della dinamica affettiva.

Al termine dell'insegnamento gli studenti saranno in grado di: 1. Individuare la corretta metodologia e le tecniche statistiche appropriate per la progettazione di agenti affettivi in regime di incertezza2. Rilevare ed analizzare i principali segnali comportamentali e fisiologici di interesse generati da un utente3. Progettare e realizzare semplici agenti affettivi per applicazioni di video-sorveglianza, biometria comportamentale, assistenza intelligente alla guida, robotica, industria del divertimento. Questi obiettivi verranno misurati attraverso la combinazione di tre elementi: la realizzazione software del progetto, la relazione tecnica sul progetto e la discussione orale. Il voto finale è basato sulla valutazione del progetto implementato e della la relazione tecnica incrementato dalla valutazione della discussione orale.

Programma

La computazione affettiva ha i seguenti obbiettivi:

  • rilevamento e analisi dei segnali affettivi
  • percezione del contesto in cui i segnali sono comunicati
  • comprensione/inferenza degli stati affettivi interni che hanno generato i segnali
    La soluzione di tali problemi coinvolge sia i livelli neurobiologici/psicologici di generazione delle emozioni sia il livello di costruzione di modelli computazionali che consentono di trattare automaticamente la dinamica dei segnali affettivi emessi nel corso del processo generativo.
    Su tale base l'insegnamento si articola in due parti.
    Parte 1 Modelli psicologici e neurobiologici delle emozioni
  • Preludio alla computazione affettiva
  • Teorie delle emozioni
  • Il paesaggio computazionale
  • Teorie folk delle emozioni
  • La teoria degli atti concettuali
  • Alla ricerca del cervello emotivo
  • Il cervello predittivo
  • Altri cervelli e il problema del linguaggio
    Parte 2 Modelli computazionali probabilistici delle emozioni
  • Modelli probabilistici e il problema dell'inferenza Bayesiana
  • Inferenza approssimata con tecniche Monte Carlo
  • Inferenza approssimata con tecniche Bayes-variazionali
  • Programmazione probabilistica
  • Modelli di deep learning generativi e variazionali
  • Modelli di active inference

Modalità d'esame

L'esame consiste nello svolgimento di un progetto e in una prova orale in cui si discute il progetto o, a scelta dello studente, nella discussione orale di un articolo scientifico relativo ai contenuti del corso. Il progetto è concordato preventivamente con il docente e tipicamente viene individuato in relazione alle attività di ricerca di computazione affettiva del laboratorio Perceptual computing and HUman SEnsing (PHUSE Lab).
Verrà affrontato un caso di studio specifico con lo scopo di fornire una soluzione in forma prototipale e la sua validazione sperimentale. A conclusione del progetto, lo studente è tenuto a consegnare, una relazione sotto forma di articolo scientifico (in formato LaTeX) che illustra il problema affrontato e i risultati ottenuti corredato da adeguata bibliografia, il software sviluppato come dimostrativo dei risultati sperimentali ottenuti. La prova orale, oltre a discutere e verificare i dettagli del progetto, ha lo scopo di accertare la capacità dello studente di discutere in maniera sistematica e approfondita il lavoro svolto nel quadro degli argomenti trattati nell'insegnamento.

Testi di riferimento

l materiale di riferimento (appunti, lucidi delle lezioni, articoli, video, software) insieme con la dispensa monografica del corso "Lessons on Affective Computing" (G.Boccignone) è aggiornato di volta in volta sul sito web dell'insegnamento su piattaforma Ariel (https://gboccignoneac.ariel.ctu.unimi.it)

Codice insegnamento affective-computing-2

Algorithms for massive datasets 2° semestre · 6 CFU · INFO-01/A · 0 file

L'insegnamento si propone di descrivere il quadro complessivo dei processi per l'elaborazione dei big data, sia per quanto riguarda le metodologie e le tecnologie applicate in tale contesto. Gli studenti:- saranno in…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento si propone di descrivere il quadro complessivo dei processi per l'elaborazione dei big data, sia per quanto riguarda le metodologie e le tecnologie applicate in tale contesto.

Gli studenti:- saranno in grado di utilizzare le tecnologie per la memorizzazione distribuita dei dati;- apprenderanno il framework dell'elaborazione distribuita map-reduce e le sue principali estensioni;- apprenderanno i principali algoritmi utilizzati per problemi classici relativi ai big data, e ad implementarli in un ambiente di elaborazione distribuito;- saranno in grado di scegliere i metodi appropriati per risolvere problemi caratterizzati da big data.

Programma

L'insegnamento tratterà le principali tecniche di elaborazione che permettono di trattare dati su larga scala, unitamente alle loro implementazioni su framework di computazione distribuita. Le lezioni considereranno i contesti applicativi tipicamente caratterizzati da quantità di dati tali da non permettere il loro trattamento utilizzando architetture e tecniche di elaborazione classiche. Per questi contesti verranno quindi analizzate delle soluzioni ad hoc. Parallelamente verranno considerate alcune tecniche di carattere generale per l'elaborazione di dati su larga scala, come per esempio quelle che ricadono nel campo del machine learning.
Più in dettaglio, verranno considerati gli argomenti che seguono.

  • Preliminari tecnici e matematici.
  • Cenni a MapReduce, Hadoop e Spark.
  • Analisi di algoritmi MapReduce.
  • Basi di dati NoSQL: MongoDB.
  • Analisi di relazioni.
  • Regressione.
  • Regressione logistica.
  • Analisi di flussi di dati.
  • Deep learning.
  • Clustering.
  • Ricerca di elementi simili.
  • Analisi di tipo market-basket.
  • Gradient boosting.
  • Sistemi di raccomandazione.
  • Riduzione della dimensionalità.
  • Embedding.

Modalità d'esame

L'esame consiste in una prova scritta comprendente quesiti a risposta aperta, di natura teorica o applicativa, con contenuti e livello di difficoltà coerenti con gli argomenti trattati durante il corso. Durante la prova è consentita la consultazione di un formulario fornito dal docente e l'utilizzo di calcolatrici non programmabili. Non è invece consentita la consultazione di altri materiali, inclusi libri di testo, appunti personali o dispositivi elettronici quali telefoni cellulari.
La prova scritta è valutata in trentesimi e i risultati sono comunicati tramite posta elettronica. La valutazione tiene conto del livello di padronanza degli argomenti trattati, del corretto utilizzo della notazione e dei formalismi matematici e dell'appropriato impiego della terminologia tecnica.
In funzione dell'esito della prova scritta, il docente può richiedere lo svolgimento di una prova orale integrativa, finalizzata ad approfondire la valutazione della comprensione degli argomenti trattati e del livello complessivo di preparazione dello studente. Il voto finale, espresso in trentesimi, è determinato sulla base dell'esito della prova scritta e, ove prevista, della prova orale.

Testi di riferimento

Libro di testo:

  • Anand Rajaraman and Jeff Ullman, Mining of Massive Datasets, Cambridge University Press (ISBN:9781107015357).
    Letture suggerite:
  • Holden Karau, Andy Konwinski, Patrick Wendell, Matei Zaharia, Learning Spark. Lightning-Fast Big Data Analysis, O'Reilly, 2015 (ISBN:978-1-449-35862-4)
  • Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills, Advanced Analytics with Spark. Patterns for Learning from Data at Scale, O'Reilly, 2015 (ISBN:978-1-491-91276-8)
    Dispense, approfondimenti ed esempi di codice:
  • https://labonline.ctu.unimi.it/
  • https://malchiodi.di.unimi.it/teaching/AMD/

Codice insegnamento algorithms-massive-datasets-0

Algoritmi e complessita' 1° semestre · 6 CFU · INFO-01/A · 0 file

L'insegnamento si propone di sensibilizzare lo studente sul ruolo degli algoritmi di approssimazione e dell'impatto della randomizzazione sul progetto di algoritmi efficienti Lo studente deve essere in grado di…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento si propone di sensibilizzare lo studente sul ruolo degli algoritmi di approssimazione e dell'impatto della randomizzazione sul progetto di algoritmi efficienti

Lo studente deve essere in grado di studiare e progettare algoritmi con le tecniche descritte nell'insegnamento

Programma

  • Algoritmi di approssimazione
  • Classi NPO, APX, PTAS, FPTAS
  • Tecniche greedy
    -- Problema del bilanciamento del carico (load balancing) [A]
    -- Problema della selezione dei centri (center selection) [A]
    -- Inapprossimabilità del problema della selezione dei centri [C]
    -- Problema della copertura di insiemi (set cover) [A]
  • Tecnica di pricing
    -- Problema della copertura di vertici (vertex cover) [A]
    -- Problema dei cammini disgiunti (disjoint paths) [A]
  • Tecniche basate sull'arrotondamento
    -- Problema della copertura di vertici mediante arrotondamento [A]
  • Altri esempi
    -- Algoritmo di Christofides per il TSP metrico [B]
    -- Inapprossimabilità del TSP [D.6]
  • Schemi di approssimazione in tempo polinomiale e pienamente polinomiale
    -- Un PTAS (basato sulla soluzione esaustiva ridotta) per il problema della partizione minima (minimum partition) [G]
    -- Un FPTAS (basato sull'arrotondamento) per il problema dello zaino (knapsack) [C]
  • Algoritmi probabilistici
  • L'algoritmo di Karger per il problema del taglio minimo globale (minimum global cut) [E]
  • L'algoritmo di Miller-Rabin per la primalità (senza dimostrazione) [H]
  • Un algoritmo basato sull'arrotondamento aleatorio per la copertura di insiemi [D.4]
  • Un algoritmo randomizzato per MaxEkSat e la sua derandomizzazione [D.3]
  • Teoria della complessità di approssimazione
  • Teorema PCP (senza dimostrazione) [F.3, Teorema 1]
  • PCP e inapprossimabilità di MaxSat e MaxE3Sat [F.3.1]
  • PCP e inapprossimabilità del problema dell'insieme indipendente (independent set) [F.4.4, Claim 13 e Claim 14]
  • Strutture succinte, quasi-succinte e compatte
  • Strutture succinte per rango e selezione; il "Four-Russians Trick" [D.9, escluso 9.2]
  • Strutture succinte per alberi binari [D.10]
  • Codifica quasi-succinta di Elias-Fano per sequenze monotone [D.11, esclusi D.11.1 e D.11.2]
  • Struttura compatta per le parentesi bilanciate [D.12]
  • Funzioni quasi-succinte: la tecnica MWHC [D.13]
  • Hash minimali perfetti [D.13]

Modalità d'esame

Esame orale.

Testi di riferimento

[A] Cap. 11 (escluso 11.7) di Jon Kleinberg, Éva Tardos: Algorithm Design, Pearson, 2013
[B] Dispense di Cornell sull'algoritmo di Christofides
[C] Lucidi di Kevin Wayne
[D] Dispense di Sebastiano Vigna
[E] Lucidi di Stanford sull'algoritmo di Karger
[F] Dispense di Luca Trevisan
[G] Sezione 3.2 di Ausiello et al.: Complexity and approximation: combinatorial optimization problems and their approximability properties. Springer 1999
[H] Algoritmo di Miller-Rabin

Codice insegnamento algoritmi-e-complessita-0

Algoritmi paralleli e distribuiti 1° semestre · 6 CFU · INFO-01/A · 0 file

Obiettivo dell'insegnamento è la presentazione delle principali nozioni e tecniche che stanno alla base della progettazione di algoritmi paralleli e distribuiti compresa la valutazione delle prestazioni e il confronto…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivo dell'insegnamento è la presentazione delle principali nozioni e tecniche che stanno alla base della progettazione di algoritmi paralleli e distribuiti compresa la valutazione delle prestazioni e il confronto con gli algoritmi sequenziali.

Lo studente dovrà essere in grado di distinguere il mondo parallelo da quello distribuito, applicare tecniche e metodi presentati nell'insegnamento per la progettazione di algoritmi efficienti paralleli e distribuiti. Dovrà inoltre essere in grado di analizzare le risorse di calcolo utilizzate per la valutazione delle prestazioni degli algoritmi e analizzare la correttezza degli stessi.

Programma

Algoritmi paralleli e distribuiti, motivazioni. Architetture parallele e distribuite vs. architettura von Neumann. Risorse computazionali nei due contesti.
Algoritmi e architetture parallele:

  • Problematiche nel disegno di algoritmi paralleli: sintesi, universalità, valutazione
  • Architetture parallele a memoria condivisa e distribuita; la comunicazione nei due contesti
  • Architetture a memoria condivisa, Il modello PRAM (Parallel RAM), struttura
  • PRAM come architettura SIMD vs. architetture MIMD
  • Modelli di PRAM: EREW, CREW, CRCW (common, priority, ... )
  • Risorse di calcolo: complessità in numero di processori e tempo
  • Confronto con algoritmi sequenziali: speed-up ed efficienza
  • Soluzione parallela efficiente su PRAM di alcuni problemi fondamentali
  • Calcolo di operazioni binarie associative, il problema SOMMATORIA, struttura ed analisi di un algoritmo parallelo
  • Algoritmi paralleli efficienti per: algebra lineare, teoria dei grafi, ottimizzazione,...
  • Calcolo di operazioni binarie associative prefisse, il problema SOMME PREFISSE
  • Struttura ed analisi dell'algoritmo di Kogge-Stone (pointer doubling)
  • Valutazione parallela efficiente di polinomi. Algoritmi di ricerca paralleli
  • Il problema dell'ORDINAMENTO (ranking), soluzioni sequenziali efficienti
  • Algoritmi di ordinamento paralleli efficienti. L'ordinamento bitonico di Batcher, struttura e analisi dell'algoritmo
  • Tecnica del circuito euleriano nel progetto di algoritmi paralleli
  • Architetture parallele a memoria distribuita, rete di interconnessione e parametri di valutazione: grado, diametro e ampiezza di bisezione
  • Reti di ordinamento e il principio 0-1 (Knuth)
  • Array lineari di processori, struttura, funzionalità e parametri di rete
  • Soluzione parallela dei problemi di ORDINAMENTO, calcolo del massimo e SHUFFLE
  • Gli algoritmi di ordinamento ODD-EVEN e MERGE-SPLIT, struttura ed analisi
  • Mesh di processori, tipologie, struttura, funzionalità e parametri di rete
  • Calcolo del massimo su mesh
  • L'algoritmo di ordinamento LS3, sruttura ed analisi
    Algoritmi e architetture distribuite:
  • Modellazione di un'architettura distribuita
  • Entita' e canali di comunicazione
  • Risorse computazionali, tempo e complessità di messaggi
  • Struttura ed analisi di soluzioni distribuite per i problemi fondamentali
  • BROADCASTING, lower bound per soluzioni distribuite
  • L'algoritmo di flooding
  • WAKE-UP, l'algoritmo di wflooding
  • ATTRAVERSAMENTO, l'algoritmo depth-first
  • SPANNING TREE, l'algoritmo shout e depth-first
  • ELECTION, risultati di impossibilità, elezione per minimo
  • ROUTING, algoritmi di gossiping

Modalità d'esame

La prova d'esame consiste di uno scritto di circa tre domande/esercizi che coprono gli argomenti dell'insegnamento. L'esame non è open book. Le domande consistono di: definizioni formali, enunciati di teoremi e costruzioni/dimostrazioni. Gli esercizi verificano l'aspetto applicativo della materia mentre le domande aperte verificano la capacità di ragionamento sugli argomenti presentati a lezione.
La prova d'esame ha durata di circa un'ora e mezza e il voto è espresso in trentesimi. Un voto compreso tra 18 e 24 indica una conoscenza sufficiente a esporre gli argomenti mediante l'uso di un appropriato formalismo, un voto compreso tra 25 e 30 evidenzia anche la capacità di dimostrare e/o applicare enunciati di teoremi. Il voto viene comunicato direttamente allo studente tramite SIFA.

Testi di riferimento

Per gli Algoritmi paralleli sono disponibile delle dispense reperibili dal sito dell'insegnamento di Algoritmi Paralleli e Distribuiti.
Per gli Algoritmi distribuiti il libro di riferimento è: N. Santoro.
Design and Analysis of Distributed Algorithms. Wiley-Interscience, 2006.
Il materiale didattico è reperibile dal sito Ariel dell'insegnamento.

Codice insegnamento algoritmi-paralleli-e-distribuiti-0

Algoritmica per il web 1° semestre · 6 CFU · INFO-01/A · 0 file

L'insegnamento si propone di mettere lo studente a contatto con tecniche avanzate relative alla raccolta di grandi collezioni documentali e alla costruzione di motori di ricerca, con particolare attenzione al web e ai…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento si propone di mettere lo studente a contatto con tecniche avanzate relative alla raccolta di grandi collezioni documentali e alla costruzione di motori di ricerca, con particolare attenzione al web e ai suoi meccanismi di ranking.

Lo studente dovrà essere in grado di progettare e implementare un crawler e un indicizzatore di testi di grandi dimensioni, con particolare attenzione agli algoritmi utilizzati per ordinare i risultati.

Programma

Il corso si propone di mettere lo studente a contatto con tecniche avanzate relative alla raccolta di grandi collezioni documentali e alla costruzione di motori di ricerca, con particolare attenzione al web, alle reti sociali e ai loro meccanismi di ranking. Verrà trattato un sottoinsieme degli argomenti seguenti, anche in base all'interesse degli studenti:

  • Anatomia di un motore di ricerca e tecniche di indicizzazione.
  • Raccolta di informazioni: problemi algoritmici, tecnici e sociali nella creazione di crawler.
  • Strategie di visita a confronto.
  • Filtri di Bloom.
  • Alberi di fusione strutturati a registri (LSM trees).
  • Struttura globale del web e strumenti algoritmici per la sua analisi.
  • Rappresentazione del grafo del web: problemi di compressione.
  • Crawler paralleli e distribuiti. Tecniche di hashing coerente.
  • Centralità di reti: vicinanza, centralità armonica, Katz, PageRank, autovettore dominante, ecc.
  • Tecniche per la costruzione di indici inversi.
  • Metodologie per la costruzione di dizionari di grandi dimensioni: tabelle di hash minimale perfetto ordinate, dizionari di prefissi, compressione lessicografica.
  • Codici privi di prefissi per la compressione di indici: unario, Elias γ, Elias δ, Golomb, ecc.
  • Tecniche di ranking testuali (TF/IDF, BM25, LSI, coseno, ecc.).
  • Rappresentazione di Elias-Fano e indici quasi-succinti.
  • Sistemi di numerazione asimmetrica.
  • Indici di sottostringhe: trie, alberi di suffissi e vettori di suffissi.

Modalità d'esame

Esami orali.

Testi di riferimento

Dispense del docente e articoli dalla letteratura. Per la parte di reperimento dell'informazione, https://nlp.stanford.edu/IR-book/.

Codice insegnamento algoritmica-il-web-0

Analisi e gestione del rischio 1° semestre · 6 CFU · INFO-01/A · 0 file

L'obiettivo dell'insegnamento è di fornire agli studenti una panoramica ampia su una disciplina fortemente intersettoriale come è l'Analisi del Rischio che ha una lunga tradizione e pratica in settori come l'economia, la…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo dell'insegnamento è di fornire agli studenti una panoramica ampia su una disciplina fortemente intersettoriale come è l'Analisi del Rischio che ha una lunga tradizione e pratica in settori come l'economia, la finanza, la gestione d'impresa, la salute e le infrastrutture pubbliche. Con questo insegnamento si vuole familiarizzare gli studenti con i principi e i metodi dell'Analisi del Rischio, fornendo strumenti concettuali e di analisi per interpretare fenomeni complessi nel settore della sicurezza informatica, valutare aspetti tecnici e tecnologie e affrontare processi di integrazione di metodi di gestione standard della sicurezza informatica all'interno di contesti aziendali.

Al termine dell'insegnamento, lo studente dovrà dimostrare di aver compreso i principi dell'analisi del rischio e in particolare la norma ISO31000:2018. Dovrà possedere un lessico appropriato nel dominio del risk management e comprendere le interrelazioni che caratterizzano la disciplina con maggior approfondimento per quanto riguarda i temi relativi alla sicurezza informatica.

Programma

Il programma è condiviso con i seguenti insegnamenti:

  • [FBB-3](https://www.unimi.it/it/ugov/of/af202700000fbb-3)

Modalità d'esame

Modalità di valutazione: EsameGiudizio di valutazione: voto verbalizzato in trentesimi

Codice insegnamento analisi-e-gestione-del-rischio-0

Artificial intelligence 1° semestre · 6 CFU · INFO-01/A · 0 file

L'insegnamento si propone di fornire i fondamenti teorici, le metodologie e le tecniche dell'intelligenza artificiale per l'elaborazione di informazioni e conoscenza, con specifico riferimento alle reti neurali, ai…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento si propone di fornire i fondamenti teorici, le metodologie e le tecniche dell'intelligenza artificiale per l'elaborazione di informazioni e conoscenza, con specifico riferimento alle reti neurali, ai sistemi fuzzy e alla computazione evolutiva.

Comprensione dei fondamenti teorici, delle metodologie e delle tecniche dell'intelligenza artificiale, con specifico riferimento alle reti neurali, ai sistemi fuzzy e alla computazione evolutiva.

Programma

1. Introduzione all'Intelligenza Artificiale:
Tecnologie, metodologie basate sulla natura, sistemi intelligenti.
2. Reti Neurali:
Fondamenti biologici. Unità logiche a soglia, definizione, interpretazione geometrica, reti di unità logiche a soglia, apprendimento.
Reti neurali generalizzate, struttura delle reti neurali, operatività delle reti neurali, apprendimento delle reti neurali.
Percettroni a molti-livelli, definizione, approssimazione di funzioni, regressione, discesa del gradiente, retropropagazione dell'errore, varianti della discesa del gradiente, apprendimento Manhattan, lifting, momento, retropropagazione auto-adattativa dell'errore, retropropagazione resiliente dell'errore, retropropagazione veloce, decadimento dei pesi, numero di neuroni nascosti, deep learning, analisi di sensitività.
Reti Radial Basis Function, definizioni, approssimazione di funzioni, inizializzazione dei parametri, apprendimento, forma generalizzata.
Mappe auto-organizzanti, definizione, Learning Vector Quantization, intorno dei neuroni di uscita.
Reti di Hopfield, definizioni, convergenza della computazione, memoria associative, problemi di ottimizzazione, Simulated Annealing, macchine di Boltzmann.
Reti ricorrenti, rappresentazione di equazioni differenziali, reti neurali vettoriali, retropropagazione dell'errore nel tempo.
3. Sistemi Fuzzy:
Introduzione agli insiemi fuzzy e alla logica fuzzy, linguaggio naturale e modelli formali, insiemi fuzzy, interpretazione degli insiemi fuzzy, insiemi fuzzy per modellare la somiglianza, insiemi fuzzy per modellare la preferenza, insiemi fuzzy per modellare la possibilità.
Rappresentazione degli insiemi fuzzy, definizioni basate sulle funzioni.
Logica fuzzy, proposizioni e valori di verità, t-Norme e t-Conorme, funzioni di aggregazione, assunzioni di base, operazioni sugli insiemi fuzzy, intersezione, unione, complemento, modificatori linguistici.
Principio di estensione, mappaggio degli insiemi fuzzy, prodotto cartesiano ed estensione cilindrica.
Relazioni fuzzy, relazioni booleane, relazioni e deduzione, catene di deduzioni, relazioni fuzzy semplici, composizione di relazioni fuzzy, equazioni relazionali fuzzy.
Relazioni di somiglianza, insiemi fuzzy e corpi estensionali, concetti di scalamento, insiemi fuzzy e relazioni di somiglianza.
Controllo fuzzy, controllori di Mamdani, controllori di Takagi-Sugeno-Kang, progetto di controllori fuzzy, metodi di defuzzificazione, costruzione di un controllore, controllori basati sulla logica, controllori basati sulle equazioni relazionali fuzzy, controllori neuro-fuzzy.
Analisi fuzzy dei dati e analisi dei dati fuzzy, modelli fuzzy per analisi dati, clusterizzazione fuzzy, clusterizzazione c-means, fuzzificazione mediante trasformazione della membership, fuzzificazione mediante regolarizzazione della membership, analisi di dati imprecisi usando insiemi random, teoria della possibilità e misure generalizzate, variabili random fuzzy.
4. Algoritmi Evolutivi:
Motivazioni, Metaeuristiche, evoluzione biologica, evoluzione simulate, problemi di ottimizzazione.
Nozioni e concetti di base, blocchi elementari degli algoritmi evolutivi, tecniche di ottimizzazione, gradiente ascendente o discendente, Hill Climbing, Simulated Annealing, accettazione a soglia, algoritmo del grande diluvio.
Elementi degli algoritmi evolutivi, codifica dei candidati soluzione, epistasi, fitness e selezione, selezione proporzionale alla fitness, il problema della dominanza, diminuzione della pressione selettiva, adattamento della funzione di fitness, problema della varianza, selezione basata sul grado, selezione basata sul torneo, elitismo, tecniche di nicchia, operatori genetici, operatori di mutazione, operatori di cross-over, operatori con genitori multipli, operatori di ricombinazione, ricombinazione interpolante ed extrapolante.
Fondamenti degli algoritmi evolutivi, algoritmi genetici, teorema dello schema.
Strategie evolutive, selezione, adattamento globale della varianza, adattamento locale della varianza, covarianze, operatori di ricombinazione.
Programmazione genetica, inizializzazione, operatori genetici, introni.
Ottimizzazione a molti criteri, combinazione pesata dei criteri, soluzioni Pareto ottimali, trovare le frontiere di Pareto con algoritmi evolutivi, parallelizzazione.
Particle Swarm Optimization, influenza dei parametri, Particle Swarm Optimization a molti obiettivi.
Ant Colony Optimization.

Modalità d'esame

L'esame consiste in una prova scritta (obbligatoria) e in una prova pratica con orale (facoltativi).
La prova scritta è volta ad accertare la preparazione e la comprensione della materia e in un progetto facoltativo per valutare la capacità pratica. La prova consiste in domande di teoria. La durata della prova è 2:00h. La valutazione terrà conto della correttezza, completezza e chiarezza espositiva delle risposte alle domande. Durante la prova scritta non è consentito l'utilizzo di alcun materiale.
La parte pratica consiste in un progetto pratico, concordato in precedenza con il docente, che dimostri la capacità nell'uso degli argomenti mostrati nel corso ai fini di un'applicazione pratica. La parte orale consiste in una discussione del progetto ed in una verifica della conoscenza dei fondamenti teorici dell'area applicativa considerata nel progetto.
La votazione rifletterà entrambe le parti ed è espressa in trentesimi.

Testi di riferimento

R. Kruse, C. Borgelt, C. Braune, S. Mostaghim, M. Steinbrecher, Computational Intelligence: A Methodological Introduction, Springer, 2016
Slide e registrazioni delle lezioni sono disponibili sul sito web dell'insegnamento: https://myariel.unimi.it/course/view.php?id=1197

Codice insegnamento artificial-intelligence-0

Artificial intelligence for time series analysis 6 CFU · INFO-01/A · 0 file

L'insegnamento ha l'obiettivo di fornire le competenze teoriche e operative per l'elaborazione automatica delle serie temporali tramite tecniche statistiche e di intelligenza artificiale. Lo studente sarà in grado di…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento ha l'obiettivo di fornire le competenze teoriche e operative per l'elaborazione automatica delle serie temporali tramite tecniche statistiche e di intelligenza artificiale.

Lo studente sarà in grado di i) modellare la seria temporale con un approccio probabilistico, ii) progettare predittori di serie temporali e iii) implementare modelli statistici e di AI in questo contesto.

Programma

· Struttura dell'insegnamento, motivazione dell'insegnamento ed esempi di applicazione
· Cenni di spazio di probabilità e teoria della misura
· Variabili aleatorie, processi stocastici e stazionarietà
· Convergenza delle variabili aleatorie e processi ergodici
· Stima a massima verosimiglianza (MLE) e massimo a posteriori (MAP)
· Stima a massima verosimiglianza (MLE) e massimo a posteriori (MAP) per regressione lineare e multipla
· Stima a massima verosimiglianza (MLE) e massimo a posteriori (MAP) per regressione logistica
· Teorema di decomposizione di Wold, trend e stagionalità
· Modelli stocastici lineari (MA, AR e ARMA) e trasformata zeta
· Metodi ottimi per previsioni di serie temporali e predittori lineari
· Identificazione di modelli per serie temporali tramite MLE/MAP adattati e loro validazione
· Filtro di Wiener e applicazioni
· Filtro di Kalman e applicazioni
· Introduzione alle catene di Markov e Hidden Markov Model
· Introduzione al Deep Learning per serie temporali: convolutional and recurrent neural network
· Introduzione alla Generative AI per serie temporali: tecniche di campionamento e normalizing flows

Modalità d'esame

L'esame consiste in un progetto su un argomento specifico scelto dallo studente e una prova orale. La prova orale includerà alcune domande relative al programma dell'insegnamento e una presentazione del progetto svolto. La domande peseranno 1/3 del voto finale.

Testi di riferimento

Il materiale verrà interamente fornito dal docente sotto forma di slide, note e codice nella pagina myAriel del corso. Gli studenti interessati ad approfondimenti possono consultare:

  • Titolo: A first course in stochastic processes (2. ed), Autori: Karlin Samuel and Taylor Howard M., Anno: 1975, Casa editrice: Academic press, ISBN: 01-239-8552-8, Testo obbligatorio: no

Codice insegnamento artificial-intelligence-time-series-analysis-0

Artificial intelligence for video games 1° semestre · 6 CFU · INFO-01/A · 0 file

Obiettivo di questo insegnamento è istruire gli studenti riguardo all'implementazione di tecniche di intelligenza artificiale in un video game.A questo scopo, tecniche sia di base che avanzate verranno presentate e…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivo di questo insegnamento è istruire gli studenti riguardo all'implementazione di tecniche di intelligenza artificiale in un video game.A questo scopo, tecniche sia di base che avanzate verranno presentate e implementate facendo uso di un game engine.

Lo studente dovrà essere in grado di illustrare in maniera efficace e critica gli algoritmi e le tecniche euristiche adottate per l'implementazione dell'intelligenza artificiale in un videogioco e contestualizzarle nell'ambito dei prodotti presenti oggi sul mercato. Inoltre, lo studente dovrà essere in grado di applicare le tecniche presentate durante l'insegnamento al fine di progettare e implementare la parte di intelligenza artificiale di un videogioco di media complessità.

Programma

I principali argomenti trattati sono:

  • Nozioni di base sui game engine
  • Processi decisionali
  • Sistemi di pianificazione
  • Movimento e pathfinding
  • Decizioni startegiche e tattiche
  • Coordinazione di agenti
  • Generazione procedurale di contenuti
  • Algoritmi genetici
  • Approcci implementativi

Modalità d'esame

L'esame si compone di due parti: un progetto e una prova orale.
Il progetto, da svolgere individualmente, sarà assegnato dai docenti e dovrà essere consegnato in forma digitale utilizzando la piattaforma messa a disposizione dal Dipartimento di Informatica almeno una settimana prima della data dell'appello.
Nel progetto lo studente dovrà implementare alcune tecniche di intelligenza artificiale apprese a lezione, utilizzando un game engine.
Nel caso in cui il progetto venga ritenuto insufficiente, lo studente non potrà procedere con il resto dell'esame.
La discussione del progetto deve essere svolta in presenza e contribuisce a un terzo del voto finale.
La prova orale, da svolgersi successivamente alla discussione del progetto, consiste in una discussione sugli argomenti teorici dell'insegnamento, da sostenere con entrambi i docenti, e contribuisce per due terzi al voto finale.
In caso di prestazione insufficiente durante la prova orale, è facoltà dei docenti decidere se mantenere valido o meno il progetto per l'appello successivo.
Il voto finale, espresso in trentesimi, tiene conto del livello di conoscenza degli argomenti, della chiarezza espositiva e della proprietà di linguaggio.
NOTA BENE: La valutazione verte sul saper progettare un sistema di intelligenza artificiale e non sul saperlo utilizzare. L'uso di sistemi basati su AI (e.g., LLM) per la scrittura del codice e per la produzione della documentazione non è ammesso e non sarà tollerato.

Testi di riferimento

Testo di riferimento: Ian Millington and John Funge, 2019, "Artificial Intelligence for Games", terza edizione, ISBN:978-1138483972
Ulteriore materiale integrativo sarà reso disponibile sul sito web dell'insegnamento

Codice insegnamento artificial-intelligence-video-games-0

Audio pattern recognition 1° semestre · 6 CFU · INFO-01/A · 0 file

L'insegnamento si propone di introdurre gli studenti ai concetti fondamentali degli algoritmi di data mining e di come questi sono adattati alle esigenze di elaborazione e riconoscimento del segnale audio. Il…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento si propone di introdurre gli studenti ai concetti fondamentali degli algoritmi di data mining e di come questi sono adattati alle esigenze di elaborazione e riconoscimento del segnale audio. Il principale le tecniche di modellistica statistica sono presentate includendo il neuronale reti e modelli nascosti di Markov.

Lo studente dovrebbe comprendere il funzionamento di algoritmi principi di data mining. Lo studente acquisirà l'abilità per progettare e implementare l'intera pipeline di un pattern audiosistema di riconoscimento.

Programma

Data mining
-statistics
-clustering algorithms (partitional and hierarchical)
-traditional machine learning for classification
-model-based anomaly detection
Audio analysis
-signal transformations
-filtering
-feature extraction
-pattern recognition
-alignment and temporal modeling
-music information retrieval
-audio self supervised learning

Modalità d'esame

Sviluppo del progetto ed esame orale. La valutazione viene espressa in trentesimi.

Testi di riferimento

Books
1. Introduction to Data Mining (Second Edition), https://www-users.cse.umn.edu/~kumar001/dmbook/index.php
2. Data Mining Practical Machine Learning Tools and Techniques (weka book) https://tjzhifei.github.io/links/DM3.pdf
3. Introduction to Audio Analysis, https://www.sciencedirect.com/book/9780080993881/introduction-to-audio-analysis

Codice insegnamento audio-pattern-recognition-0

Autonomous robots and agents 6 CFU · INFO-01/A · 0 file

L'insegnamento mira a fornire un'introduzione alla Robotica Autonoma affrontando, in particolare, le sinergie tra questa e l'area dei Sistemi Multi-Agente. L'obiettivo è quello di dotare gli studenti delle conoscenze…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento mira a fornire un'introduzione alla Robotica Autonoma affrontando, in particolare, le sinergie tra questa e l'area dei Sistemi Multi-Agente. L'obiettivo è quello di dotare gli studenti delle conoscenze teoriche e pratiche necessarie per progettare e sviluppare i moduli computazionali di robot e agenti autonomi in una varietà di contesti applicativi. Costruendo sulle basi dei modelli matematici e computazionali propri dei sistemi robotici più utilizzati, come robot mobili o manipolatori, verranno esplorate le tecniche che oggi e nel futuro ricopriranno un ruolo chiave nel dotare sistemi composti da uno o più robot della capacità di pianificare e agire in modo autonomo nel mondo che lo circonda.

Lo studente acquisirà una comprensione, da un punto di vista informatico, dei concetti fondamentali alla base della robotica autonoma e dei sistemi multi-agente e di come applicarli per affrontare una selezione di problemi specifici di questo ambito. Da un lato più pratico, lo studente imparerà a sviluppare e sperimentare con piattaforme robotiche autonome in simulazione e/o realtà.

Programma

Introduzione (2h)

  • Tipi di robot: percezione, modellazione del mondo, attuazione.
  • Robot come agenti: panoramica delle applicazioni e delle sfide aperte.
    Metodi (16h)
  • Matematica per la robotica: richiami di algebra lineare, metodi probabilistici e ottimizzazione.
  • Filtraggio e stima ricorsiva dello stato.
  • Decision making sequenziale con incertezza e ambienti dinamici (MDP, POMDP).
    Problemi (20h)
  • Cinematica per robot mobili.
  • Mapping e localizzazione.
  • Navigazione e planning autonomo.
  • Sistemi multiagente robotici: coordinazione e cooperazione.
    Strumenti (10h)
  • Lezioni pratiche su architetture robotiche e ROS, il sistema operativo per robot.

Modalità d'esame

L'esame consiste in una prova scritta della durata di al più 3 ore dove si propongono esercizi e domande aperte con risposta breve.
Gli esercizi prevedono l'applicazione delle tecniche discusse a lezione a problemi di complessità congrua alla durata della prova. Le domande aperte verificano la conoscenza dei concetti di base e di come questi possano essere applicati alla risoluzione di problematiche nel mondo reale.
Durante la prova non è consentito consultare materiale didattico.
Il voto è in trentesimi e verrà comunicato tramite la piattaforma myAriel.
Le valutazioni terranno conto di padronanza delle tecniche, correttezza ed eleganza delle soluzioni, chiarezza espositiva e formale, conoscenza delle nozioni e capacità di applicarle in contesti nuovi. La prova e la valutazione non verranno differenziate in base alla frequenza.

Testi di riferimento

Sebastian Thrun, Wolfram Burgard and Dieter Fox, Probabilistic Robotics, The MIT Press (Intelligent Robotics and Autonomous Agents Series), 2005
Per gli approfondimenti specifici sulla robotica mobile:
Siegwart, Illah Reza Nourbakhsh and Davide Scaramuzza, Introduction to Autonomous Mobile Robots - Second Edition The MIT Press (Intelligent Robotics and Autonomous Agents Series), 2011
Per alcune nozioni di base e altri approfondimenti su agenti autonomi e sistemi multiagente:
Peter Norvig e Stuart J. Russell, Artificial Intelligence: A Modern Approach - Fourth Edition Pearson Education, 2021
Ad ulteriore supporto durante l'insegnamento verranno forniti tramite piattaforma myAriel slides ed altro materiale integrativo.

Codice insegnamento autonomous-robots-and-agents

Bioinformatics 1° semestre · 6 CFU · INFO-01/A · 0 file

L'insegnamento si propone di:- Fornire allo studente le conoscenze fondamentali per l'analisi di dati complessi in ambito biologico e medico con metodi di Apprendimento Automatico.- Introdurre lo studente alle…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento si propone di:- Fornire allo studente le conoscenze fondamentali per l'analisi di dati complessi in ambito biologico e medico con metodi di Apprendimento Automatico.- Introdurre lo studente alle metodologie computazionali allo stato dell'arte per estrarre conoscenza biologica e medica da collezioni, anche massive, di dati o osservazioni o in presenza di informazione incerta, e per creare modelli predittivi per applicazioni fondamentali in ambito bio-medico.- Fornire gli strumenti metodologici fondamentali per intraprendere in maniera autonoma attività di approfondimento e ricerca scientifica secondo standard internazionali nell'area della Bioinformatica e della Biologia Computazionale.

  • Capacità di applicare le principali metodologie di Apprendimento Automatico per l'analisi dei dati bio-molecolari rivolte sia all'estrazione di conoscenza, sia alla costruzioni di modelli predittivi nell'ambito della Biologia Molecolare e della Medicina Personalizzata.- Comprensione delle problematiche legate al trattamento di dati su larga scala in ambito biologico e medico.- Capacità di applicare ed adattare modelli di Apprendimento Automatico sviluppati in diversi ambiti applicativi nel contesto della Bioinformatica e della Biologia Computazionale- Capacità di ragionare criticamente e di porre in discussione scelte progettuali e implementative.Tali capacità verranno valutate attraverso una relazione relativa ad un progetto software ed una discussione orale sui contenuti dell'insegnamento.

Programma

L'insegnamento fornisce strumenti metodologici per affrontare problemi rilevanti nell'ambito della biologia Molecolare e della Medicina con algoritmi e tecniche di Machine Learning.
L'insegnamento si articola in due parti principali: a) Introduzione ai metodi di Intelligenza Artificiale ed in particolare ai Machine Learning e: b) Metodi di Intelligenza Artificiale Machine Learning per la Biologia Computazionale e la Medicina di Precisione.
Nella prima parte (Introduzione all'Intelligenza Artificiale ed ai metodi di Machine Learning) vengono introdotti:
a) i concetti fondamentali di apprendimento supervisionato, semi-supervisionato, non supervisionato e self-supervised con esempi di metodi di Machine Learning per ciascuna tipologia di apprendimento automatico
b) le tecniche sperimentali per la stima dell' errore di generalizzazione dei sistemi di Apprendimento Automatico.
Nella seconda parte (Metodi di Intelligenza Artificiale e Machine Learning per la Biologia Computazionale) viene fornito un quadro generale delle applicazioni dei metodi di Machine Learning in Biologia Computazionale ed in particolare vengono trattati i seguenti problemi, con un focus particolare sulle metodologie di apprendimento utilizzate:
a) ll problema della predizione supervisionata della funzione delle proteine
b) Problemi di Biologia Computazionale e Network Medicine basati sull'analisi di grafi mediante metodi di Intelligenza Artificiale
c) Problemi di apprendimento supervisionato e non supervisionato per la Genomica Medica e la Medicina di Precisione.
d) Large Language Models e Genomic Language Models per applicazioni in ambito bio-medico.
Per ognuno dei problemi di Biologia Computazionale affrontati, vengono fornite le conoscenze biologiche necessarie per modellare i problemi bio-medici affrontati come problemi di Machine Learning.

Modalità d'esame

Modalità d'esame:
Si articola in 2 parti:
I. Svolgimento di un progetto software oppure discussione orale di letteratura scientifica, relativi ad un argomento trattato nel corso dell'insegnamento. Il progetto software richiede, oltre alla scrittura del codice per l'analisi di dati genomici, la redazione di un report che descriva il problema affrontato, i metodi di Machine Learning utilizzati, il set-up sperimentale, i risultati ottenuti ed una beve discussione sui risultati, delineando i vantaggi e le limitazioni dell'approccio proposto. La discussione orale della letteratura scientifica ha lo scopo di verificare che lo studente abbia compreso il contenuto scientifico e che sia in grado di evidenziare gli aspetti problematici e critici del lavoro studiato.
II. Discussione orale sugli argomenti trattati durante l'insegnamento.
Al termine della prova orale viene formulata la valutazione complessiva, espressa in trentesimi, tenendo conto dei seguenti fattori: grado di conoscenza degli argomenti, capacità di applicare le conoscenze acquisite alla risoluzione di problemi concreti, capacità di ragionamento critico, chiarezza espositiva e proprietà di linguaggio.

Testi di riferimento

Bibliografia e materiale didattico relativo all'insegnamento (slide, articoli scientifici, libri) sono disponibili sul sito Ariel dell'insegnamento.

Codice insegnamento bioinformatics-0

Biomedical signal processing 1° semestre · 6 CFU · IBIO-01/A · 0 file

L'insegnamento si pone l'obiettivo di fornire le competenze teoriche e operative per l'elaborazione numerica dei segnali e delle serie temporali di origine medicale o biologica. Lo studente sarà in grado di estrarre…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento si pone l'obiettivo di fornire le competenze teoriche e operative per l'elaborazione numerica dei segnali e delle serie temporali di origine medicale o biologica.

Lo studente sarà in grado di estrarre caratteristiche da segnali e serie temporali di origine biologica, anche tramite l'analisi spettrale; inoltre apprenderà le specificità dei principali segnali biomedici; infine sarà in grado di progettare e utilizzare filtri digitali per rimuovere disturbi e artefatti dai segnali acquisiti da applicazioni medicali.

Programma

Parte prima
· Principali segnali biologici e loro proprietà
· Campionamento di segnali tempo continui
· Sistemi lineari tempo invarianti (LTI), risposta all'impulso, risposta in frequenza e funzione di trasferimento.
· Filtri con risposta all'impulso finite e infinita (FIR & IIR).
· Progettazione di filtri IIR tramite collocazione diretta di poli e zeri. Filtri IIR classici.
· Progettazione di filtri FIR a fase lineare con il metodo delle finestre.
Parte seconda
Caratterizzazione statistica dei segnali
· Introduzione ai processi stocastici
· Processi stocastici autoregressivi (AR) come modello di segnali biologici.
· Elementi di teoria della stima.
Analisi spettrale
· Stime spettrali non-parametriche e parametriche
· Utilizzo dell'analisi spettrale sul segnale di variabilità cardica
Separazione di sorgenti
· Riduzione del rumore in presenza di pattern ripetuti tramite tecniche di media
· Cross-correlazione e matched filters
Entropia e regolarità di un segnale
· Entropy rate di un segnale come indicatore di regolarità
· Stimatori di entropy rate per segnali biologici
Correlazioni di lungo periodo e segnali frattali
· Insiemi frattali e stima della dimensione frattale
· Processi a lunga memoria e self-similar; rumore 1/f
· Stima dell'esponente di scaling a partire da serie temporali biologiche

Modalità d'esame

L'esame consiste in una prova orale dove viene discusso un progetto: uno studente o un gruppo di due studenti (il cui contributo individuale deve essere chiaramente distinguibile) seleziona uno dei paper scientifici assegnati dal docente e implementa l'algoritmo proposto al suo interno (in Matlab). Il codice è quindi testato su segnali biologici liberamente disponibili online, forniti dal docente o registrati direttamente con un device. Lo studente dovrà inviare il codice al docente (due giorni prima della discussione) con una chiara spiegazione di come farlo funzionare. Quindi durante la presentazione presenterà iol lavoro svolto in 10 minuti (20 minuti per i gruppo di due studenti, 10 minuti per ogni studente).
La valutazione complessiva è espressa in trentesimi. Il voto finale è assegnato in base ai seguenti criteri: conoscenza degli argomenti, abilità nell'applicare le conoscenze acquisite in pratica, l'abilità di risolvere problemi in modo autonomo, chiarezza nell'esprimere i concetti.

Testi di riferimento

Al termine di ogni lezione, i materiali didattici (copie delle slides utilizzate o la copia di quanto scritto alla lavagna elettronica) verranno resi disponibili sul sito web Ariel dell'insegnamento sulla nuova piattaforma MyAriel (https://myariel.unimi.it).
Non c'è ancora un singolo testo che comprenda gli argomenti trattati. I materiali didattici di riferimento saranno quelli caricati sul sito Ariel.

Codice insegnamento biomedical-signal-processing

Business information systems 1° semestre · 6 CFU · INFO-01/A · 0 file

Il corso si concentra sull'interazione tra il design dei modelli e dei processi di business e il design dei sistemi informativi. In particolare il corso si pone l'obiettivo di fornire allo studente:· Una comprensione…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si concentra sull'interazione tra il design dei modelli e dei processi di business e il design dei sistemi informativi. In particolare il corso si pone l'obiettivo di fornire allo studente:· Una comprensione critica del ruolo che assumono i sistemi informativi nel supportare la trasformazione dei processi organizzativi e d'impresa;· Una comprensione critica delle principali nozioni legate alla progettazione e gestione dei sistemi informativi; · Una comprensione delle ragioni che possono portare al fallimento degli obiettivi prefissi allo sviluppo di un sistema informativo;· La conoscenza di diversi casi di studio legati allo sviluppo di sistemi informativi in contesti specifici

· Comprensione critica del ruolo che assumono i sistemi informativi nel supportare la trasformazione dei processi organizzativi e d'impresa;· Comprensione critica delle principali nozioni legate alla progettazione e gestione dei sistemi informativi; · Comprensione delle ragioni che possono portare al fallimento degli obiettivi prefissi allo sviluppo di un sistema informativo;· La conoscenza di diversi casi di studio legati allo sviluppo di sistemi informativi in contesti specifici.

Programma

Il programma dell'insegnamento è articolato attraverso i seguenti argomenti
+ Value of Information

  • Systems design
  • Knowledge Uplift Model
    + Process Analytics
  • Organisational goals
  • Process Models
  • Performance Measures
    + Process Mining
  • Event Logs
  • Variant Analysis
  • Performance Analysis
  • Process Discovery
  • Conformance Checking
  • Comparative Process Mining

Modalità d'esame

L'esame si terrà in un unico appello, suddiviso in due prove.
Prova pratica: Un esercizio verrà assegnato 7 giorni prima della data dell'appello. Gli studenti che intendono partecipare dovranno completare l'esercizio e inviarlo al docente il giorno dell'appello. Completare l'esercizio è un requisito necessario per poter sostenere l'appello. L'obiettivo della prova pratica è dimostrare la capacità di progettare una soluzione utilizzando le tecnologie trattate a lezione e rispondendo ai requisiti specificati nell'esercizio. La valutazione dell'esercizio avverrà attraverso una prova orale, durante la quale lo studente presenterà al docente una breve relazione per illustrare la soluzione proposta e il codice sviluppato.
Prova generale: La prova generale consiste in un test scritto, mirato a valutare la comprensione dello studente sugli argomenti trattati durante il corso.
Il voto finale sarà calcolato combinando i punteggi ottenuti nelle due prove.

Testi di riferimento

Lucidi ed esercizi usati a lezione.
La bibliografia comprende i seguenti testi di approfondimento:
Ceravolo, P., Barbon, S., Bukhsh, F., van Keulen, M., Maghool, S., & Wrembel, R. (2026). Data Management for the AI Era: Ensuring Reliability and Accountability.
https://link.springer.com/book/9783032243904
Process mining: discovery, conformance, and enhancement of business processes
di Aalst , Wil M. P. : van der
Springer 2011
http://unimi.summon.serialssolutions.com/#!/document?id=FETCH-unimi_catalog_USM18357592

Codice insegnamento business-information-systems-0

Calcolo numerico 6 CFU · MATH-05/A · 0 file
Archivio Globale

Scopo dell'insegnamento è fornire le conoscenze di base dei metodi dell'Analisi Numerica con aspetti sia teorici sia applicativi, in particolare nel calcolo scientifico. Acquisizione di metodi e algoritmi di base per…

Scheda dell'insegnamento

Obiettivi formativi

Scopo dell'insegnamento è fornire le conoscenze di base dei metodi dell'Analisi Numerica con aspetti sia teorici sia applicativi, in particolare nel calcolo scientifico.

Acquisizione di metodi e algoritmi di base per la risoluzione di alcuni problemi matematici.

Programma

Il programma è condiviso con i seguenti insegnamenti:

  • [FAG-32](https://www.unimi.it/it/ugov/of/af20270000fag-32)

Modalità d'esame

Modalità di valutazione: EsameGiudizio di valutazione: voto verbalizzato in trentesimi

Codice insegnamento calcolo-numerico

Cittadinanza digitale e tecnocivismo 1° semestre · 6 CFU · INFO-01/A · 0 file

Scopo dell'insegnamento è fornire gli strumenti cognitivi, metodologici e tecnologici per partecipare attivamente e consapevolmente al processo di reciproca influenza fra cittadinanza e tecnologie dell'informazione,…

Scheda dell'insegnamento

Obiettivi formativi

Scopo dell'insegnamento è fornire gli strumenti cognitivi, metodologici e tecnologici per partecipare attivamente e consapevolmente al processo di reciproca influenza fra cittadinanza e tecnologie dell'informazione, prendendo in considerazione il punto di vista istituzionale (top-down) e quello spontaneo o "auto-organizzato" (bottom-up).

Obiettivo dell'insegnamento è formare la capacità di utilizzare in maniera critica e consapevole gli strumenti tecnologici ai fini della partecipazione alla vita civile.

Programma

Obiettivo dell'insegnamento è formare la capacità di utilizzare in maniera critica e consapevole gli strumenti tecnologici ai fini della partecipazione alla vita civile.

Modalità d'esame

Modalità di valutazione: EsameGiudizio di valutazione: voto verbalizzato in trentesimi

Codice insegnamento cittadinanza-digitale-e-tecnocivismo-0

Cloud computing technologies 2° semestre · 6 CFU · INFO-01/A · 0 file

Gli obiettivi dell'insegnamento sono i) fornire competenze architetturali sui sistemi cloud di nuova generazione compreso il loro impatto nelle moderne applicazioni distribuite sia da un punto di vista funzionale che non…

Scheda dell'insegnamento

Obiettivi formativi

Gli obiettivi dell'insegnamento sono i) fornire competenze architetturali sui sistemi cloud di nuova generazione compreso il loro impatto nelle moderne applicazioni distribuite sia da un punto di vista funzionale che non funzionale, ii) approfondire le tecnologie alla base dei sistemi di cloud computing.

Competenze teoriche per la progettazione di architetture cloud e competenze pratiche per l'implementazione di soluzioni cloud complesse a supporto di applicazioni distribuite di nuova generazione.

Programma

'insegnamento si compone di quattro aree principali, strutturate come segue:
1. Introduzione ai sistemi distribuiti moderni

  • Concetti di base, requisiti e storia dell'evoluzione
  • Fondamenti di virtualizzazione
    2. Nozioni di base sul cloud computing
  • Modelli di servizio e deployment, tecnologie e casi di studio
  • Migrazione verso il cloud, cloudonomics, sfide e problemi
  • Esempi pratici
    3. Fondamenti delle architetture a microservizi
  • Panoramica e concetti di base
  • Migrazione verso architetture a microservizi
  • Tecnologie basate su container: sviluppo, orchestrazione e distribuzione
  • Esempi pratici
    4. Aspetti non funzionali dei moderni sistemi distribuiti
  • Tecniche di assicurazione e rischio
  • Audit, Certificazione, Conformità
  • Resilienza e tolleranza ai guasti
  • Esempi pratici

Modalità d'esame

L'esame consiste in una prova orale e un progetto. La prova orale punta ad accertare, tramite una serie di domande, le conoscenze dello studente su tutti gli argomenti trattati nell'insegnamento. Il progetto, la cui qualità verrà valutata durante la prova orale, mira ad approfondire gli aspetti pratici di uno degli argomenti trattati nell'insegnamento. La valutazione complessiva, espressa in trentesimi, terrà conto dei seguenti parametri: grado di conoscenza degli argomenti, capacità di applicare le conoscenze alla risoluzione di un progetto concreto, qualità del progetto sviluppato, capacità di ragionamento critico, chiarezza espositiva e proprietà di linguaggio.

Testi di riferimento

Dispense e slide disponibili alla pagina web dell'insegnamento https://myariel.unimi.it/
Codice e descrizione delle demo al sito github del progetto: https://github.com/Sesar-Lab-Teaching/Cloud-Computing-Technologies
SISTEMI DISTRIBUITI
1. Tanenbaum, S., Maarten Van Steen, Distributed Systems: Principles and Paradigms, Prentice Hall (2007), 0-13-239227-5. M. van Steen and A.S. Tanenbaum, Distributed Systems,
3rd ed., distributed-systems.net, 2017.
2. George Coulouris, Jean Dollimore, Tim Kindberg, Distributed Systems - Concepts and Design, 4th edition, Pearson/Addison Wesley (2006), 0321-26354-5
CLOUD

  • L. Badger, T. Grance, R. Patt-Corne, J. Voas, Cloud Computing Synopsis and Recommendations, NIST, http://csrc.nist.gov/publications/nistpubs/800-146/sp800-146.pdf
  • B. Sosinsky, Cloud Computing Bible, 2011
    REST services
  • R.T. Fielding, Architectural Styles and the Design of Network-based Software Architectures, https://www.ics.uci.edu/~fielding/pubs/dissertation/top.htm
  • L. Richardson and S. Ruby, RESTful Web Services, http://www.crummy.com/writing/RESTful-Web-Services/

Codice insegnamento cloud-computing-technologies-0

Decision methods and models 1° semestre · 6 CFU · MATH-06/A · 0 file

L'insegnamento si propone di - discutere i fattori che rendono complessa una decisione - presentare casi concreti di studio, specialmente nell'ambito delle opere pubbliche - presentare i metodi matematici per trattare la…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento si propone di - discutere i fattori che rendono complessa una decisione - presentare casi concreti di studio, specialmente nell'ambito delle opere pubbliche - presentare i metodi matematici per trattare la complessità - presentare i modelli matematici che ne risultano - discutere limiti ed errori di tali metodi e modelli

Lo studente imparerà a impostare la soluzione di problemi decisionali complessi, riconoscendo gli aspetti fondamentali della loro complessità, oppure a identificare i punti forti e deboli degli approcci risolutivi impiegati da altri soggetti. Imparerà a conoscere i modelli impiegati nella soluzione di tali problemi, a risolverli con i metodi più appropriati e ad essere cosciente delle limitazioni intrinseche di tali modelli e metodi.

Programma

L'insegnamento si propone di

  • discutere i fattori che rendono complessa una decisione
  • presentare casi concreti di studio, specialmente nell'ambito delle opere pubbliche
  • presentare i metodi matematici per trattare la complessita'
  • presentare i modelli matematici che ne risultano
  • discutere limiti ed errori di tali metodi e modelli
    Introduzione ai problemi decisionali complessi
    Casi di studio
    Formalizzazione dei problemi decisionali complessi
    Programmazione Matematica: condizioni di Karush-Kuhn-Tucker
    Programmazione a molti obiettivi:
  • il caso paretiano
  • teoria dell'utilità a molti attributi
  • Analisi Gerarchica e metodi Electre
    Programmazione in condizioni di incertezza:
  • decisioni in condizioni di ignoranza
  • decisioni in condizioni di rischio
  • teoria delle decisioni
    Teoria dei giochi:
  • generalità
  • giochi a somma zero
  • giochi simmetrici
    Teoria delle decisioni di gruppo
    Modelli descrittivi:
  • modelli per sistemi di trasporto
  • modelli di teoria delle code
  • modelli di simulazione a eventi discreti
  • sistemi dinamici

Modalità d'esame

L'esame consiste in una prova scritta, della durata compresa fra due e tre ore,
che richiede di rispondere a domande aperte sui temi dell'insegnamento e risolvere problemi
numerici applicando le tecniche presentate nell'insegnamento.
La valutazione della prova è espressa in trentesimi, tenendo conto dei seguenti parametri:
grado di conoscenza degli argomenti, capacità di applicare le conoscenze alla risoluzione
di problemi concreti, capacità di ragionamento critico, chiarezza espositiva e proprietà
di linguaggio.

Testi di riferimento

Lucidi, dispense e articoli di approfondimento sulla portale web di ateneo Ariel

Codice insegnamento decision-methods-and-models

Didattica dell'informatica 6 CFU · INFO-01/A · 0 file

L'insegnamento intende fornire strumenti concreti e utili per l'insegnamento dell'informatica come disciplina scientifica e occasioni per rivedere e approfondire i suoi concetti di base. Gli studenti verranno coinvolti…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento intende fornire strumenti concreti e utili per l'insegnamento dell'informatica come disciplina scientifica e occasioni per rivedere e approfondire i suoi concetti di base. Gli studenti verranno coinvolti in attività laboratoriali finalizzate a esplorare un tema informatico e avranno modo di sperimentare in prima persona l'applicazione di tecniche di insegnamento attive e cooperative.L'insegnamento si rivolge principalmente a studenti universitari già in possesso di una laurea triennale di area informatica, o comunque con una buona conoscenza della materia. E' benvenuta anche la partecipazione di insegnanti di scuole di ogni ordine e grado che, anche in mancanza di una formazione specifica in ambito informatico, potranno contribuire attivamente alle lezioni grazie alla loro esperienza sul campo.

Gli studenti saranno in grado di riprodurre le esperienze laboratoriali proposte durante il corso, adattandone i contenuti all'età dei discenti e valutando l'efficacia del lavoro da loro svolto.

Programma

Didattica della programmazione:

  • conoscenza sintattica, concettuale, strategica
  • la macchina concettuale e le concezioni alternative/errate degli studenti
  • la comprensione del codice nell'apprendimento della programmazione
  • goals & plans, gestione dell'input, piani per l'iterazione, ruoli delle variabili
  • composizione di piani per la soluzione di problemi complessi
    Didattica per competenze in informatica
  • L'apprendimento: elementi del quadro teorico di riferimento
  • Metodologie, strategie, strumenti per una didattica costruttivista dell'informatica
  • EQF e la progettazione per competenze
  • Elementi di qualità del progetto didattico: progettazione, pianificazione, valutazione di percorsi didattici
  • Obiettivi formativi (conoscenze, abilità, competenze) relativi a temi informatici
  • Valutazione delle competenze, rubriche e compiti autentici

Modalità d'esame

L'esame consiste in una prova scritta, della durata di due ore, seguita da una prova orale.
Nella prova scritta gli studenti dovranno rispondere a domande aperte in cui si chiede di analizzare delle attività didattiche e discuterne le caratteristiche. La valutazione della prova, espressa in termini di approvato/respinto, è basata sul livello di padronanza degli argomenti, sulla chiarezza espositiva e sulla proprietà di linguaggio.
La prova orale, alla quale si accede previo il superamento della prova scritta, verte principalmente sulla discussione dello svolgimento della prova scritta. La sua valutazione è espressa in trentesimi e tiene conto del livello di padronanza degli argomenti, della chiarezza espositiva e della proprietà di linguaggio.

Testi di riferimento

Pagina web del corso: https://myariel.unimi.it/course/view.php?id=11623
Edizioni precedenti: https://mameli.docenti.di.unimi.it/didainfo
​Guide to Teaching Computer Science. An Activity-Based Approach. Autori: Orit Hazzan, Tami Lapidot, Noa Ragonis. Springer 2014.
Ai frequentanti inoltre saranno distribuite le slide presentate a lezione, schede di lavoro, articoli di approfondimento.

Codice insegnamento didattica-dellinformatica-0

Distributed and pervasive systems 6 CFU · INFO-01/A · 0 file

Obiettivo dell'insegnamento e' quello di illustrare i fondamenti dei sistemi distribuiti moderni e la loro estensione ai sistemi pervasivi includendo come nodi del sistema dispositivi smart, IOT, sensori ed attuatori.…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivo dell'insegnamento e' quello di illustrare i fondamenti dei sistemi distribuiti moderni e la loro estensione ai sistemi pervasivi includendo come nodi del sistema dispositivi smart, IOT, sensori ed attuatori. Oltre ad argomenti classici come trasparenza, sincronizzazione e consenso distribuito si illustrano tecniche per il trattamento di dati provenienti da sensori e per la gestione di dati di contesto. Obiettivo dell'insegnamento è anche fornire un contesto tecnologico illustrando sistemi distribuiti alla base dell'attuale offerta di Cloud computing e accompagnando gli studenti nella realizzazione di un progetto software.

Lo studente sarà in grado di comprendere le problematiche relative alla progettazione e sviluppo di sistemi distribuiti complessi come Cloud, Edge e DLT. Lo studente avrà anche la capacità di progettare sistemi distribuiti che gestiscono flussi dinamici di informazioni provenienti per esempio da sensori. Lo studente avrà fatto una significativa esperienza di sviluppo software in questo ambito.

Programma

A) Introduzione
Definizione di sistema distribuito e sistema pervasivo.
Concetti di trasparenza e scalabilità.
Tipi di sistemi distribuiti (Cluster, Cloud, Edge, Mobile, Pervasive ...)
B) le basi dei sistemi distribuiti
Architetture dei sistemi distribuiti e pervasivi. (Sistemi client-server multilivello. Sistemi peer-to-peer, Reti di sensori e smart objects)
Le basi della comunicazione in ambiente distribuito. (Modelli di comunicazione. Comunicazione orientata ai messaggi; RPC/RMI; Web Service Invocation)
Cooperazione e sincronizzazione (orologi fisici e logici; algoritmi di elezione e mutua esclusione)
Consenso distribuito e Distributed Ledger (blockchain e sue applicazioni)
C) sistemi pervasivi e applicazioni
Tipologie e architetture di sistemi pervasivi
Rappresentazione e trattamento di dati provenienti da sensori
Context-awareness e adattività
ESERCITAZIONI
Sviluppo di sistemi distribuiti pervasivi (gRPC, MQTT, Web service REST)
Guida al progetto.

Modalità d'esame

Gli studenti possono acquisire i 6 crediti superando prima una prova di teoria e successivamente (anche nello stesso appello) una prova pratica:

  • Parte teorica: verifica scritta all'appello coincidente con la fine delle lezioni oppure esame orale per gli appelli successivi. La verifica e l'orale vertono su tutti gli argomenti trattati a lezione e verificabili tramite le slide pubblicate sul sito. Sono possibili domande anche sulla parte riguardante la programmazione in ambiente distribuito, ma non riguarderanno aspetti tecnici/sintattici ma piuttosto concettuali. La verifica scritta è composta di un insieme di domande a scelta multipla e di domande a risposta aperta delle quali una potrebbe consistere in un esercizio (solitamente di applicazione di uno degli algoritmi presentati a lezione).
  • Parte pratica: sviluppo di un progetto software. Il progetto, che deve essere svolto individualmente, viene assegnato durante il corso e rimane valido per un anno. Può essere consegnato nello stesso appello in cui si è superata la parte teorica oppure in uno degli appelli successivi dello stesso anno accademico.
    Il voto di ciascuna parte va da 0 a 32 con 18 il minimo per passare. Il voto finale in trentesimi è la media aritmetica dei due voti con i voti superiori al 30 verbalizzati come 30 e lode.

Testi di riferimento

Il sito dell'insegnamento su https://myariel.unimi.it/ offre copia delle slide utilizzate e vari riferimenti a risorse online.
Testo di riferimento: M. van Steen and A.S. Tanenbaum, Distributed Systems, 4th ed.,
distributed-systems.net, 2023.
Lo studio degli argomenti trattati a lezione, come per ogni insegnamento universitario, non dovrebbe limitarsi al ripasso degli appunti, nè allo studio del solo testo di riferimento, ma dovrebbe includere la consultazione di altri testi suggeriti ed eventuali risorse online segnalate dal docente o individuate dallo studente.

Codice insegnamento distributed-and-pervasive-systems-0

Gamification e serious games 2° semestre · 6 CFU · INFO-01/A · 0 file

L'obiettivo dell'insegnamento è quello di fornire agli studenti le competenze di base per poter progettare e sviluppare un gioco. In questo insegnamento, il termine gioco è utilizzato nel suo senso più ampio, anche se…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo dell'insegnamento è quello di fornire agli studenti le competenze di base per poter progettare e sviluppare un gioco. In questo insegnamento, il termine gioco è utilizzato nel suo senso più ampio, anche se per testare le competenze apprese saranno analizzati in particolare i meccanismi e le caratteristiche dei giochi da tavolo e dei giochi astratti.Il processo di progettazione di un gioco sarà analizzato attraverso una modellazione formale dei suoi meccanismi e delle loro interazioni. Inoltre, saranno apprese nozioni su tutte le altre fasi nello sviluppo di un gioco che precedono o seguono la sua progettazione, come l'identificazione degli scopi, la concezione dell'idea originale, il test, l'implementazione e la distribuzione finale.Il processo di sviluppo di un gioco è studiato da una prospettiva orientata agli obiettivi, non necessariamente legata al mercato. Particolare attenzione sarà rivolta all'uso del mezzo di gioco come strumento per il raggiungimento di obiettivi educativi e di sviluppo personale e sociale.

Alla fine dell'insegnamento lo studente sarà in grado di affrontare autonomamente e/o in gruppo lo sviluppo di un gioco nei suoi meccanismi base e nelle sue componenti, contestualizzandolo fin dal primo istante nei riguardi dello scopo per cui lo si sta progettando ed in relazione al committente ed ai suoi risultati attesi.

Programma

Storia del gioco e gioco nella storia
Definizione di gioco
Meccaniche, interfaccia e tematizzazione
Tassonomia dei giochi
Da analogico a digitale e viceversa, giochi ibridi
Giochi da tavolo, giochi di ruolo, storytelling, ambientazione, gioco e cultura
Giochi matematici e giochi astratti
Progettazione e design di un gioco
Il processo di design e sue formalizzazioni
Incertezza nel gioco
Meccaniche di gioco
Dinamica e flusso
Meccanismi di ingaggio
Formalizzazione delle meccaniche
Risorse, vincoli, trasferimenti, tracks
Entangled choices
Componenti
Accessibilità e inclusività
Visibilità, memoria e carico cognitivo
Difficoltà intrinseche, derivate ed erronee
Visual and cognitive fatigue
Analisi formale dei giochi
Decostruire un gioco
Playtest, tecniche e modalità
Sviluppo di un gioco
Formalizzare le regole
Serious Game
Gamification
Game based learning
Gioco per la formazione
Gioco per l'educazione
Il mercato del gioco

Modalità d'esame

L'esame consiste in una prova orale. La prova punta ad accertare le conoscenze dello studente sugli argomenti del corso ed è strutturata in modo da accertare il livello di comprensione personale e la capacità dello studente di ragionare in modo tecnico ed approfondito sui temi affrontati nel corso. Durante il corso verranno assegnati degli esercizi, la cui valutazione contribuirà alla votazione finale.

Testi di riferimento

Slide del corso

Codice insegnamento gamification-e-serious-games-0

Geometria computazionale 2° semestre · 6 CFU · MATH-02/B · 0 file

L'insegnamento intende fornire le indispensabili basi matematiche di Geometria analitica, differenziale e proiettiva per l'uso e per lo studio della grafica computerizzata. Al termine dell'insegnamento gli studenti…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento intende fornire le indispensabili basi matematiche di Geometria analitica, differenziale e proiettiva per l'uso e per lo studio della grafica computerizzata.

Al termine dell'insegnamento gli studenti sono in grado di usare la Geometria analitica, differenziale o proiettiva per allestire un progetto di grafica computerizzata. Tale progetto può essere un videogioco, oppure avere un carattere didattico, oppure rappresentare fenomeni naturali.

Programma

1) Geometria analitica elementare del piano e dello spazio.
Sistemi di coordinate. Rette e piani, intersezioni, parallelismo, ortogonalità, angoli, distanze. Trasformazioni: traslazioni, rotazioni, dilatazioni, simmetrie e riflessioni. Spazi affini. Congruenze, similitudini ed affinità, rapporto semplice.
2) Curve.
Geometria differenziale delle curve nel piano e nello spazio, sistemi di riferimento intrinseci, curvatura e torsione. Curve composte. Curve di Bezier e curve spline di Bezier. Interpolazione. Curve di Bezier razionali. Coniche.
3) Superfici.
Geometria differenziale dei fogli semplici di superficie nello spazio. Forme fondamentali, curvature normali e di Gauss. Curve tracciate su superfici. Superfici di Bezier e loro assemblamento. Patches di Coons. Interpolazione.
4) Elementi di Geometria proiettiva.
Immagini e proiezioni, coordinate e trasformazioni proiettive, birapporti. Camere affini e proiettive. Rappresentazione 2D di oggetti 3D. Cenni di geometria epipolare.

Modalità d'esame

Modalità di esame: orale.
L'esame consiste in una discussione orale che verte sugli argomenti trattati nell'insegnamento durante la quale il candidato deve dimostrare di saperli padroneggiare.
L'esame orale può essere sostituito dalla discussione di un progetto elaborato su computer dal candidato e concordato in precedenza col docente. In tal caso, altre al progetto in sé (completezza, buon funzionamento, chiarezza d'uso, ecc.) verrà valutata anche la capacità espositiva.
Il progetto sarà poi inserito nel sito dell'insegnamento, che può essere consultato per avere un'idea dei progetti presentati fino ad ora.
Gli esami si svolgono per appuntamento. La valutazione finale è espressa in trentesimi e resa nota al termine della prova.

Testi di riferimento

A) Bibliografia di base:
G. Farin: "Curves and surfaces for computer aided geometric design" ed. Academic Press, 1990 (o edizioni successive).
G. Farin-D. Hansford: "The essentials of CAGD" ed. A. K. Peters, Wellesly Mass. U. S.A. 2000.
R. Hartley-A. Zisserman: "Multiple view Geometry in computer vision" ed. Cambridge Univ. Press, 2002.
J. J. Risler: "Methodes mathematiques pour la C. A. O." Recherches en Mathematiques Appliquees, 18, ed. Masson, 1991.
B) Bibliografia consigliata:
W. Boehm-H. Prautzsch: "Geometric concepts for Geometric Design" ed. A. K. Peters, Wellesly Mass. U.S.A., 1994.
J. C. Fiorot-P. Jeannin: "Corbes splines rationelles, applications a la C.A.O." Recherches en Mathematiques Appliquees, 24, ed. Masson, 1992.
M. M. Mortenson: "Computer Graphics: an introduction to the Mathematics and Geometry" ed. Hainemann Newnes, 1989.
M. M. Mortenson: "Modelli geometrici in computer graphics" ed. Mc Graw-Hill, 1989.
A.W. Nutbourne-R. R. Martin: "Differential Geometry applied to curve and surface design" Vol 1: Foundations; ed. Ellis Norwood Limited, 1988.
H. O. Peitgen-P. H. Richter: "La bellezza dei frattali" ed. Bollati Boringhieri, Torino, 1987.
M. A. Penna-R. R. Patterson: "Projective Geometry and its applications to Computational Geometry" ed. Prentice Hall, 1986.
F. Yamaguchi: "Curves and Surfaces in Computer Aided Geometric Design" ed. Springer Verlag, Berlin, 1988.
C) Sito Ariel dell'insegnamento oppure siti dell'insegnamento (prima e dopo il 2025): http://www.mat.unimi.it/~alzati/Geometria_Computazionale_98-99/
https://sites.unimi.it/albertoalzati/geocomp2025/indexgc.html

Codice insegnamento geometria-computazionale

Geospatial data management 6 CFU · IINF-05/A · 0 file

L'insegnamento si propone di fornire i concetti fondamentali per la gestione informatica di informazioni geo-spaziali e dati di mobilità, e le competenze essenziali per la costruzione e utilizzo di tali informazioni…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento si propone di fornire i concetti fondamentali per la gestione informatica di informazioni geo-spaziali e dati di mobilità, e le competenze essenziali per la costruzione e utilizzo di tali informazioni tramite basi di dati spaziali e spazio-temporali.

Lo studente dovrà essere in grado di utilizzare e integrare dati georeferenziati di natura eterogenea. Inoltre dovrà essere in grado di organizzare e interrogare dati geospaziali e di mobilità tramite DBMS spaziale e piattaforma GIS. Infine dovrà essere in grado di applicare alcune funzioni di analisi dei dati.

Programma

Lo studente dovrà essere in grado di utilizzare e integrare dati georeferenziati di natura eterogenea. Inoltre dovrà essere in grado di organizzare e interrogare dati geospaziali e di mobilità tramite DBMS spaziale e piattaforma GIS. Infine dovrà essere in grado di applicare alcune funzioni di analisi dei dati.

Modalità d'esame

Modalità di valutazione: EsameGiudizio di valutazione: voto verbalizzato in trentesimi

Codice insegnamento geospatial-data-management-0

Gestione della sicurezza nelle imprese 2° semestre · 6 CFU · ECON-07/A · 0 file

Obiettivo dell'insegnamento è di fornire gli strumenti, teorici e pratici, per progettare un sistema di Gestione dei Rischi di Corporate Security (Enterprise Security Risk Management - ESRM).L'ESRM sta assumendo…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivo dell'insegnamento è di fornire gli strumenti, teorici e pratici, per progettare un sistema di Gestione dei Rischi di Corporate Security (Enterprise Security Risk Management - ESRM).L'ESRM sta assumendo un'importanza centrale, nella Aziende Pubbliche e Private, per affrontare la crescente velocità con cui si susseguono crisi ed eventi di natura diversa (geopolitica, sociale, criminale, naturale, ecc.), che mettono a repentaglio la sicurezza delle persone e il valore aziendale (economico, patrimoniale, sociale e reputazionale). La capacità di progettare un efficace Sistema di Gestione dei Rischi di Corporate Security, di comprendere le opportunità delle evoluzioni tecnologiche, normative ed organizzative, di integrare l'ESRM nelle strategie e nella cultura aziendale, sono competenza chiave sia per chi vorrà occuparsi professionalmente di sicurezza e resilienza, sia per seguirà percorsi differenti.

Al termine del corso, gli studenti sapranno:a) Progettare un Sistema di Gestione dei Rischi di Corporate Security, attraverso una metodologia basata sulle Linee Guida ISO 31000;b) Individuare i trend ed i segnali deboli rilevanti per i rischi di Corporate Security;c) Utilizzare i principali standard sui sistemi di sicurezza (es. Linee Guida ASIS ESRM, UNI ISO 28000:2022) e le normative sulla resilienza dei sistemi critici (es. Direttiva UE 2022/2557);d) Conoscere e selezionare le soluzioni organizzative, tecnologiche e formative da adottare per prevenire, fronteggiare e superare i rischi di Corporate Security e garantire la resilienza delle organizzazioni.

Programma

Il programma è condiviso con i seguenti insegnamenti:

  • [FBB-38](https://www.unimi.it/it/ugov/of/af20270000fbb-38)

Modalità d'esame

Modalità di valutazione: EsameGiudizio di valutazione: voto verbalizzato in trentesimi

Codice insegnamento gestione-della-sicurezza-nelle-imprese

Gpu computing 2° semestre · 6 CFU · INFO-01/A · 0 file

L'insegnamento si propone di fornire agli studenti una formazione avanzata sull'utilizzo delle GPU come piattaforme computazionali ad alte prestazioni, con un duplice focus: da un lato l'acquisizione di competenze sul…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento si propone di fornire agli studenti una formazione avanzata sull'utilizzo delle GPU come piattaforme computazionali ad alte prestazioni, con un duplice focus: da un lato l'acquisizione di competenze sul modello di programmazione parallela CUDA per il calcolo general purpose, dall'altro l'applicazione di tali competenze allo sviluppo e all'ottimizzazione di modelli di deep learning mediante librerie come PyTorch. Attraverso un bilanciamento tra lezioni teoriche e attività pratiche, l'insegnamento favorisce l'integrazione tra i fondamenti architetturali delle GPU, i principali pattern di parallelismo e le strategie di accelerazione per reti neurali, generative models e modelli su strutture geometriche non-euclidee. Lo sviluppo di capacità progettuali e sperimentali su scenari applicativi concreti permette agli studenti di maturare una solida comprensione sia dei concetti teorici sia delle loro implicazioni operative, anche in connessione con le linee di ricerca attuali nel campo dell'HPC e dell'intelligenza artificiale.

I risultati di apprendimento attesi sono i seguenti:- Conoscere e comprendere le architetture GPU moderne e il modello di calcolo parallelo CUDA per HPC e AI. - Conoscere i principali paradigmi di deep learning (ad es. GAN, VAE, Transformer, GNN) e le tecniche di accelerazione per il loro addestramento su GPU.- Scrivere e ottimizzare codice CUDA C per kernel paralleli general purpose. - Implementare e addestrare modelli di deep learning avanzati in PyTorch, sfruttando le GPU per l'accelerazione computazionale. - Applicare tecniche di profiling e analisi delle prestazioni per migliorare l'efficienza dei processi di training e inferenza.- Valutare criticamente soluzioni computazionali GPU-based per problemi di intelligenza artificiale e calcolo scientifico. - Individuare scelte progettuali ottimali nell'implementazione di modelli e algoritmi su architetture parallele.- Presentare e discutere in modo chiaro e rigoroso architetture, tecniche di accelerazione e risultati sperimentali, anche mediante relazioni scritte o presentazioni orali.- Proseguire autonomamente nello studio di modelli e librerie software emergenti nel campo del GPU computing e dell'intelligenza artificiale applicata.

Programma

L'insegnamento è articolato in tre parti e ha l'obiettivo di introdurre ed approfondire le tecniche e i paradigmi del calcolo parallelo su GPU in ambito High Performance Computing e Intelligenza Artificiale:
Parte 1: GPU Computing per HPC (18 h)
1. Il modello di calcolo parallelo CUDA per GPU di Nvidia - Multithreading gerarchico.
2. Elementi architetturali delle GPU Nvidia - Modello di memoria e deployment di processi.
3. Il modello di programmazione parallela CUDA - Uso dei linguaggi C e python.
4. Tecniche di accelerazione di kernel CUDA per il calcolo general purpose o HPC.
5. Analisi delle prestazioni e profilazione - Ottimizzazione e concorrenza.
6. Pattern di parallelismo - Scan, reduction, sorting.
Parte 2: Programmazione GPU per l'IA (9 h)
1. Gestione di modelli di deep learning su GPU - Librerie ottimizzate PyTorch e cuDNN.
2. Inizializzazione e ottimizzazione - Cross-entropy loss, stochastic gradient descent, PyTorch optimizers, grafi di operatori e autograd.
3. Tecniche di accelerazione per il deep learning - Scelte architetturali, protocolli di training, dropout e batch normalization, fine tuning dei modelli.
Parte 3: Modelli di deep Learning e loro implementazione in PyTorch (21 h)
1. Normalizing flows ed equazioni differenziali neuronali (NODEs)
2. Modelli generativi (GAN, VAE) e modelli di diffusione (DDPM)
3. Modelli Attentivi e Architetture Transformer (BERT, GPT)
4. Geometric Deep Learning: modelli su strutture non-Euclidee con PyTorch Geometric (GNN equivarianti)
5. Cenni su principali ambiti applicativi delle GPU: ricerca scientifica e industriale, simulazioni fisiche e naturali, AI generativa e LLM.

Modalità d'esame

L'esame è articolato in due componenti complementari: una prova teorica e un progetto di sviluppo individuale.
Parte 1 - Prova Teorica
La prova teorica ha una durata di 60 minuti e consiste in cinque domande a risposta aperta sugli argomenti trattati durante il corso.
Le domande sono finalizzate a verificare:

  • la comprensione dei concetti teorici fondamentali;
  • la conoscenza e la padronanza dei modelli e degli algoritmi studiati;
  • la capacità di analizzare criticamente metodologie, risultati e possibili applicazioni.
    Parte 2 - Progetto di Sviluppo
    La seconda parte dell'esame prevede la realizzazione di un progetto individuale su tematiche coerenti con gli argomenti del corso.
    Il progetto dovrà includere:
  • l'applicazione e/o lo sviluppo di modelli basati su NumPy e PyTorch;
  • la definizione preventiva dell'argomento in accordo con il docente;
  • la consegna del codice sorgente e di una breve relazione tecnica descrittiva;
  • una discussione orale del lavoro svolto.
    La discussione del progetto dovrà avvenire entro un anno dal superamento della prova teorica.
    Gli studenti interessati possono eventualmente sviluppare il progetto in continuità con una proposta di tesi disponibile sul sito delle Proposte di Tesi Magistrale.
    Valutazione Finale
    La valutazione finale è ottenuta dalla somma dei punteggi conseguiti nelle due componenti dell'esame:
  • Prova teorica: fino a 25/33 punti;
  • Progetto di sviluppo: fino a 8/33 punti.
    Il voto finale è espresso in trentesimi e deriva dalla conversione del punteggio complessivo. La lode può essere attribuita agli studenti che conseguono una valutazione complessiva superiore a 30/30 e dimostrano una preparazione particolarmente approfondita e matura.

Testi di riferimento

Le slide delle lezioni, il materiale didattico integrativo e le eventuali risorse software saranno resi disponibili attraverso la piattaforma Ariel del corso.
Durante lo svolgimento delle attività didattiche potranno inoltre essere segnalati articoli scientifici, documentazione tecnica, manuali e ulteriori materiali di approfondimento utili per lo studio degli argomenti trattati e per lo sviluppo di progetti o attività di ricerca.

Codice insegnamento gpu-computing

Heuristics algorithms 2° semestre · 6 CFU · INFO-01/A · 0 file

L'insegnamento si propone di- illustrare i principali paradigmi per progettare algoritmi euristici per problemi decisionali complessi, con particolare riferimento ai problemi di ottimizzazione combinatoria- discutere i…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento si propone di- illustrare i principali paradigmi per progettare algoritmi euristici per problemi decisionali complessi, con particolare riferimento ai problemi di ottimizzazione combinatoria- discutere i metodi di valutazione a priori e a posteriori dell'efficacia e dell'efficienza degli algoritmi euristici- svolgere attività sperimentale progettando algoritmi euristici in base allo studio del problema, realizzandoli su calcolatore in un linguaggio di programmazione, valutandone e confrontandone le prestazioni su dati di benchmark

Lo studente apprenderà le principali tecniche di progetto di algoritmi euristici e di valutazione quantitativa delle loro prestazioni.Imparerà a progettare e realizzare in un linguaggio di programmazione algoritmi euristici e a valutarne le prestazioni.

Programma

L'insegnamento si propone di:

  • presentare tecniche generali per il progetto, la realizzazione e la valutazione di algoritmi euristici
  • fornire agli studenti una forte comprensione intuitiva delle idee generali che sottendono tali algoritmi
  • fornire agli studenti l'abilità pratica di costruire algoritmi efficaci ed efficienti
    L'insegnamento si concentra sui problemi di Ottimizzazione Combinatoria.
    Introduzione
  • Classificazione degli algoritmi euristici
  • Alcuni problemi significativi di Ottimizzazione Combinatoria
  • Complessita' computazionale: definizioni e complessita' parametrizzata
  • Analisi teorica di prestazione: algoritmi approssimati
  • Analisi sperimentale di prestazione
    Euristiche e metaeuristiche costruttive
  • Algoritmi greedy
  • Algoritmi di roll-out
  • GRASP
  • Ant Colony Optimization
    Euristiche e metaeuristiche di ricerca locale
  • Intorno: definizione ed esplorazione efficiente
  • Very Large Neighborhood Search
  • Iterated local search e Variable Neighborhood Search
  • Simulated Annealing
  • Tabu search
    Euristiche di ricombinazione
  • Scatter search e Path Relinking
  • Algoritmi genetici e strategie evoluzionistiche

Modalità d'esame

L'esame consiste in una prova scritta, della durata compresa fra due e tre ore,
che richiede di rispondere a domande aperte sui temi dell'insegnamento e risolvere problemi
applicando le tecniche presentate nell'insegnamento.
La valutazione della prova è espressa in trentesimi, tenendo conto dei seguenti parametri:
grado di conoscenza degli argomenti, capacità di applicare le conoscenze alla risoluzione
di problemi concreti, capacità di ragionamento critico, chiarezza espositiva e proprietà
di linguaggio.

Testi di riferimento

Lucidi, dispense e articoli di approfondimento sul portale internet di ateneo Ariel

Codice insegnamento heuristics-algorithms

Informatica teorica 1° semestre · 6 CFU · INFO-01/A · 0 file

L'insegnamento introduce le basi della teoria della calcolabilità e della complessità, presentando i necessari strumenti teorici utili anche per affrontare in maniera rigorosa numerose altre problematiche in ambito…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento introduce le basi della teoria della calcolabilità e della complessità, presentando i necessari strumenti teorici utili anche per affrontare in maniera rigorosa numerose altre problematiche in ambito informatico. Viene caratterizzato rigorosamente il concetto di problema risolubile per via algoritmica ed esplorata la classe dei problemi non risolubili. Vengono poi studiati i problemi in base alla richiesta di risorse computazionali impiegate per la soluzione automatica, definendo rigorosamente il concetto di efficienza algoritmica. In tale ambito, viene affrontata la famosa questione P = NP.

Lo studente acquisirà conoscenze specifiche di calcolabilità e complessità, fondamentali in qualunque percorso di ricerca informatica e, più in generale, nell'analisi rigorosa di problemi di varia natura e relative soluzioni algoritmiche. Sarà anzitutto in grado di formulare e modellare correttamente i problemi, quindi di analizzare formalmente da diversi punti di vista le relative soluzioni algoritmiche.

Programma

Teoria della calcolabilità
· Prerequisiti matematici
· Funzione coppia
· Linguaggi di programmazione RAM e while
· Sintassi e semantica operazionale
· Compilatori
· Aritmetizzazione di programmi
· Interprete e funzione universale
· Eliminazione del "goto"
· Funzioni ricorsive parziali
· Tesi di Church
· Esistenza di problemi non decidibili
· Passaggio automatico di parametri
· Sistemi di programmazione accettabili
· Teorema di ricorsione
· Insiemi ricorsivi e ricorsivamente numerabili
· Proprietà di chiusura
· Teorema di Rice
Teoria della complessità
· Introduzione alla complessità sequenziale
· Prerequisiti matematici: la notazione "O grande"
· Macchine di Turing deterministiche
· Risorse computazionali: tempo e spazio
· Classi di complessità in tempo e spazio
· Le classi L, P, PSPACE
· Tesi di Church ristretta
· Macchine di Turing nondeterministiche: tempo e spazio
· Le classi NL, NP, NPSPACE
· Teorema di Savitch
· Riduzioni tra problemi e completezza
· Problemi NP-completi, P-completi, PSPACE-completi
· Teorema di Cook ed esempi di riduzione

Modalità d'esame

L'esame consiste di una colloquio orale che copre il più completamente possibile tutti gli argomenti trattati nell'insegnamento di Informatica Teorica. Verranno proposte domande su entrambe le parti che caratterizzano l'insegnamento: teoria della calcolabilità e teoria della complessità. Le domande saranno volte ad accertare la padronanza, da parte dello studente, sia dei concetti base sia della capacità di formalizzare gli stessi nella maniera più precisa possibile. Verranno anche proposte domande in cui si chiederà un contributo "originale" da parte dello studente, al fine di cogliere una certa maturità scientifica. La durata della prova orale è di circa 40 minuti. Il voto finale è espresso in trentesimi. Una valutazione tra 18 e 23 indica un'adeguata conoscenza dei concetti che stanno alla base dell'informatica teorica. Una valutazione tra 24 e 27 indica una buona conoscenza di tali concetti. Valutazioni superiori indicano ottima conoscenza e una certa dose di originalità nell'applicare le bai dell'informatica teorica.

Testi di riferimento

Testi:
· Dispense e lucidi reperibili al sito dell'insegnamento (vedi sotto)
· Teoria della calcolabilità:

  • A.J. Kfoury, R.N. Mall, M.A. Arbib. Programmazione e computabilità. Etas libri, 1986.
    · Teoria della Complessità:
  • M.R. Garey, D.S. Johnson. Computers and intractability. A guide to the theory of NP-completeness. W.H. Freeman, 1979.
    Sito web:
  • sito dell'insegnamento sulla piattaforma di ateneo myAriel

Codice insegnamento informatica-teorica

Information management 6 CFU · INFO-01/A · 0 file

L'insegnamento ha l'obiettivo di introdurre concetti avanzati legati alla gestione dell'informazione nell'ambito dei moderni sistemi informativi. L'insegnamento illustrerà inoltre le principali tecniche di data mining.…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento ha l'obiettivo di introdurre concetti avanzati legati alla gestione dell'informazione nell'ambito dei moderni sistemi informativi. L'insegnamento illustrerà inoltre le principali tecniche di data mining.

Lo studente sarà in grado di progettare un data warehouse, conoscerà e saprà utilizzare le principali tecniche di data mining. Lo studente conoscerà le principali soluzioni per la distribuzione dei dati e la loro gestione. Lo studente conoscerà infine le principali caratteristiche delle basi di dati NoSQL e della computazione distribuita.

Programma

Il programma è condiviso con i seguenti insegnamenti:

  • [FBB-42](https://www.unimi.it/it/ugov/of/af20270000fbb-42)

Modalità d'esame

Modalità di valutazione: EsameGiudizio di valutazione: voto verbalizzato in trentesimi

Codice insegnamento information-management

Intelligent systems for industry, supply chain and environment 1° semestre · 6 CFU · INFO-01/A · 0 file

L'insegnamento ha lo scopo di introdurre gli studenti alle metodologie e tecniche per la realizzazione di sistemi intelligenti per il monitoraggio e il controllo in applicazioni industriali, ambientali, tipicamente…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento ha lo scopo di introdurre gli studenti alle metodologie e tecniche per la realizzazione di sistemi intelligenti per il monitoraggio e il controllo in applicazioni industriali, ambientali, tipicamente fondate su tecniche di intelligenza artificiale.

Lo studente al termine dell'insegnamento dovrà essere in grado di gestire la scelta, la progettazione, l'allenamento, la verifica delle prestazioni e la comparazione di sistemi intelligenti impiegati con diverse funzionalità quali il monitoraggio e il controllo in applicazioni industriali e ambientali e della supply chain.

Programma

L'insegnamento presenta tecniche di intelligenza artificiale per la progettazione, allenamento e l'impiego efficace di sistemi intelligenti in un ampio campo di applicazioni.
Dopo una descrizione delle tecniche generali di progettazione dei sistemi intelligenti che vanno dalla creazione e gestione dei dataset di allenamento, alla scelta migliore dei modelli e metodi di allenamento, verranno presentate diverse piattaforme e ambienti per la creazione dei sistemi.
L'insegnamento presenta numerosi esempi (corredati da codice direttamente impiegabile dagli studenti nelle varie piattaforme) e si focalizzerà sui seguenti argomenti:
· Intelligenza artificiale, sistemi intelligenti e loro applicazione.
· Sistemi deep learning: design, allenamento e validazione.
· Tecniche avanzate e best practices. Data augmentation, Transfer Learning.
· Studio dei principali ambienti per la creazione di sistemi intelligenti e l'uso del deep learning (approfondimento ed esempi con TensorFlow e Keras).
· Applicazione delle tecniche di deep learning per applicazioni basate sulle immagini.
· Applicazione del clustering e della classificazione per la creazione di sistemi intelligenti.
· Estrazione automatica di caratteristiche da dati non strutturati, strutturati, ed immagini.
· Fusione delle informazioni.
· Sistemi intelligenti per la predizione.
· Agenti per applicazioni e come ausilio alla progettazione.
· Tecniche per applicazioni di ambient intelligence.
· Applicazione per l'elaborazione segnali sensoriali e immagini: estrazione di caratteristiche, fusione dati multisensoriali. Classificazione. Studio di casi industriali.
· Applicazione delle tecniche ai sensori intelligenti, analisi dati sensoriali, reti di sensori e sistemi multisensoriali. Studio di casi ambientali, domotici e ambient intelligence.
· Predizione, monitoraggio e controllo. Applicazioni di sistemi intelligenti per la predizione in ambito industriale, ambientale e della supply chain. Predizione e monitoraggio della qualità. Applicazioni al monitoraggio ambientale. Applicazioni di sistemi intelligenti per il controllo di processi industriali, impianti industriali, sistemi robotici, prodotti complessi, sistemi di distribuzione dell'energia, automobili e sistemi di trasporto e per la catena produttiva.
Un elenco dettagliato degli argomenti trattati, lezione per lezione, viene pubblicato e aggiornato sul sito web dell'insegnamento.

Modalità d'esame

L'esame si articola in una singola prova scritta obbligatoria di tipo "closed book" (ovvero durante la prova non è consentito l'utilizzo di alcun materiale) da compilare mediante PC in laboratorio che richiede la soluzione di esercizi e quesiti di tipo applicativo, di progettazione di sistemi intelligenti e quesiti per la verifica di nozioni teoriche della materia con domande a scelta multipla con tipologia e difficoltà analoghe a quelli proposti e discussi durante l'insegnamento della durata di circa un'ora. Il voto è espresso in trentesimi. I risultati saranno trasmessi tramite posta elettronica di ateneo.

Testi di riferimento

Sito di riferimento: https://ariel.unimi.it/
Slide delle single lezioni pubblicate sul sito di riferimento
Dispense pubblicate sul sito di riferimento

Codice insegnamento UC26240

Knowledge representation and reasoning 1° semestre · 6 CFU · INFO-01/A · 0 file

L'obiettivo del corso è di fornire agli studenti una comprensione approfondita delle basi teoriche e degli algoritmi per rappresentare la conoscenza e il ragionamento automatico, concentrandosi sull'uso della logica come…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo del corso è di fornire agli studenti una comprensione approfondita delle basi teoriche e degli algoritmi per rappresentare la conoscenza e il ragionamento automatico, concentrandosi sull'uso della logica come mezzo per la codifica della conoscenza e sulle tecniche di inferenza di tipo simbolico. Verranno trattati concetti chiave dell'intelligenza artificiale simbolica come tecniche di formal explainability, l'integrazione di inferenza logica con approcci di IA basati sul Machine Learning come tecniche di ragionamento neuro-simbolico. Verranno inoltre esplorate applicazioni pratiche delle tecniche viste durante il corso.

Lo studente sarà in grado di utilizzare i principali linguaggi di rappresentazione della conoscenza e di codificare diversi task di ragionamento utilizzando tali linguaggi. Saprà modellare scenari reali tramite i linguaggi appresi e di identificare i giusti compromessi tra espressività e complessità computazionale dei vari linguaggi. Lo studente acquisirà una comprensione approfondita degli algoritmi di ragionamento deduttivo e sarà in grado di utilizzare sistemi reali per la rappresentazione della conoscenza e il ragionamento. Inoltre, saprà integrare la logica deduttiva con sistemi di IA induttivi (di ML) attraverso approcci di ragionamento neuro-simbolico.

Programma

  • Rappresentare i dati e ragionare sui dati usando la logica. Che cos'è la rappresentazione della conoscenza e il ragionamento? Introduzione alla logica proposizionale come linguaggio semplice di rappresentazione della conoscenza. I modelli come strumento per dare significato alla nostra rappresentazione. Differenza tra "verità" e "dimostrabilità". Come possiamo usare la logica per fare inferenza e derivare nuova conoscenza da quella esistente. Perché la logica proposizionale non è adeguata.
  • Nozioni base di logica. Sintassi e semantica della logica proposizionale e della risoluzione. Sintassi e semantica della logica del primo ordine (FO) come linguaggio più espressivo.
  • Limiti computazionali della logica del primo ordine. Discussione sull'indecidibilità del ragionamento nella logica del primo ordine. Necessità di formalismi specializzati che possono essere implementati in pratica e che permettono di fare ragionamento su grandi quantità di dati. Il più semplice framework di rappresentazione della conoscenza e ragionamento: i database come conoscenza e le query congiuntive come obiettivo dell'inferenza.
  • Complessità dell'inferenza di query congiuntive su database, e limiti dei database semplici come meccanismo di rappresentazione della conoscenza. Introduzione alla negazione e potere espressivo.
  • Introduzione alle basi di conoscenza, un formalismo per codificare conoscenza tramite regole di inferenza per ragionare su grandi quantità di dati.
  • Implementare il ragionamento con regole di inferenza nella pratica. Gli algoritmi naïve e semi-naïve per il ragionamento. Complessità degli algoritmi e complessità intrinseca del ragionamento con regole di inferenza.
  • Rendere più efficiente l'inferenza su basi di conoscenza: la tecnica del magic-set rewriting.
  • Limiti di espressività delle regole di inferenza. Le basi di conoscenza con regole di inferenza non possono esprimere concetti non monotoni. Introduzione alla sintassi e semantica delle regole di inferenza semi-positive: un formalismo più espressivo. Adattamento delle procedure basate su punto fisso per il ragionamento.
  • Estensione delle regole semi-positive con una nozione più flessibile di negazione. Regole di inferenza con negazione stratificata. Le regole stratificate preservano l'efficienza del ragionamento su grandi quantità di dati.
  • Confronto del potere espressivo dei formalismi di basi di conoscenza e i formalismi precedenti.
  • Cenni su ragionamento probabilistico tramite regole di inferenza, approcci neurosimbolicili.

Modalità d'esame

Gli studenti saranno valutati tramite un esame scritto con domande aperte sugli argomenti del corso. L'obiettivo principale dell'esame è verificare che gli studenti siano in grado di codificare conoscenze espresse in linguaggio naturale utilizzando i formalismi logici presentati durante il corso, che siano capaci di ricostruire le dimostrazioni dei principali risultati teorici trattati e che comprendano i diversi processi di ragionamento richiesti dai formalismi logici. Gli studenti che superano con successo l'esame scritto principale potranno essere sottoposti a un esame orale, a discrezione del docente.

Testi di riferimento

  • Appunti del corso
  • Libri (non obbligatori, ma a integrazione degli Appunti del corso):
  • Brachman, R. J., & Levesque, H. J. (2004). Knowledge Representation and Reasoning. Morgan Kaufmann. ISBN: 978-1-55860-932-7, DOI: https://doi.org/10.1016/B978-1-55860-932-7.X5083-3.
  • Genesereth, M. R., & Kao, E. (2017). Introduction to Logic (3nd ed.). Stanford University. ISBN: 978-3-031-01801-5, DOI: https://doi.org/10.1007/978-3-031-01801-5.
  • Abiteboul, S., Hull, R., & Vianu, V. (1995). Foundations of Databases. Addison-Wesley. ISBN: 0-201-53771-0.
  • Greco, S., & Molinaro, C. (2016). Datalog and Logic Databases. Springer. ISBN: 978-3-031-01854-1, DOI: https://doi.org/10.1007/978-3-031-01854-1.

Codice insegnamento knowledge-representation-and-reasoning-1

Logistica 2° semestre · 6 CFU · INFO-01/A · 0 file

Il corso descrive il funzionamento della catena logistica ed affronta le problematiche relative alla pianificazione e alla gestione dei sistemi logistici con particolare riferimento ai problemi di ottimizzazione che ne…

Scheda dell'insegnamento

Obiettivi formativi

Il corso descrive il funzionamento della catena logistica ed affronta le problematiche relative alla pianificazione e alla gestione dei sistemi logistici con particolare riferimento ai problemi di ottimizzazione che ne derivano e alle tecniche informatiche per risolverli.

Capacità di definire e risolvere problemi di ottimizzazione in logistica.

Programma

1- La filiera logistica. Terminologia e definizioni. Descrizione della catena logistica e dei suoi principali componenti. Come è fatto un cruscotto per l'analisi di un sistema logistico, i principali KPI.
2- Previsione. Il problema della previsione della domanda. Diversi modelli ed algoritmi per la previsione della domanda. Il metodo dei minimi quadrati e la regressione lineare semplice.
3- Localizzazione di strutture logistiche. Modelli e algoritmi per la localizzazione nello spazio e su grafi.
4- Gestione delle scorte. Modelli di sistemi di scorte. Sistemi con reintegro continuo e discreto. Sistemi singolo prodotto e multi-prodotto. Sistemi con singolo deposito. Economic order quantity.
5- Teoria delle code. Definizioni e proprietà dei sistemi di code. Modellizzazione e analisi di sistemi di code. Utilizzo di un tool excel dedicato.
6- Logistica della distribuzione. Problemi di routing. Vehicle routing con vincoli addizionali e algoritmi euristici per la soluzione. Problemi di packing ottimo. Modelli matematici ed algoritmi.
7- Logistica della produzione. Problemi di dimensionamento dei lotti. Modelli matematici ed algoritmi risolutivi. Se c'è tempo: cenni ai problemi di scheduling. Modelli matematici ed algoritmi risolutivi.

Modalità d'esame

L'esame consiste in una prova scritta, che include domande a risposta aperta ed esercizi (da svolgersi in laboratorio con l'ausilio degli stessi sw dedicati usati durante l'insegnamento) ed in un colloquio.
La prova è volta a valutare la comprensione e l'apprendimento dei sistemi, dei modelli e degli algoritmi studiati nell'insegnamento.
La votazione viene espressa in trentesimi.

Testi di riferimento

Introduzione alla gestione dei sistemi logistici
Gianpaolo Ghiani, Gilbert Laporte, Roberto Musmanno
Luglio 2022
Casa Editrice Isedi
www.isedi.it
ISBN:9788880084099
Testi consigliati per una parte dell'insegnamento:
il capitolo 17. Queuing theory del libro
Introduction to operations research
Frederick S. Hillier, Gerald J. Lieberman.
New York, New York : McGraw-Hill Education (2021)
ISBN : 9781260579376
Michael L. Pinedo
Scheduling
Theory, Algorithms, and Systems
6th edition: Springer Nature Switzerland AG 2022
ISBN:978-3-031-05920-9
ISBN:978-3-031-05921-6 (eBook)

Codice insegnamento logistica

Machine learning on graphs 6 CFU · INFO-01/A · 0 file

1. Conoscenza e capacità di comprensioneAcquisire una solida comprensione teorica delle principali tecniche di machine learning applicate a dati strutturati come grafi, incluse le basi delle Graph Neural Networks, gli…

Scheda dell'insegnamento

Obiettivi formativi

1. Conoscenza e capacità di comprensioneAcquisire una solida comprensione teorica delle principali tecniche di machine learning applicate a dati strutturati come grafi, incluse le basi delle Graph Neural Networks, gli algoritmi di embedding e i modelli per reti eterogenee e temporali.2. Conoscenza e capacità di comprensione applicateSaper implementare, utilizzare e valutare algoritmi di apprendimento su grafi mediante librerie software moderne (NetworkX, DGL, PyTorch Geometric) e applicarli a problemi reali nei settori dell'informatica, biologia computazionale, economia dei dati e scienze sociali.3. Autonomia di giudizioSviluppare la capacità critica di selezionare e adattare metodi di machine learning su grafi in funzione del contesto applicativo, del tipo di grafo e degli obiettivi analitici; essere in grado di valutare i risultati ottenuti e proporre miglioramenti ai modelli.4. Abilità comunicativeEssere in grado di presentare in modo chiaro ed efficace le scelte progettuali, le metodologie adottate e i risultati ottenuti, sia in forma scritta sia orale, anche mediante la discussione di articoli scientifici.5. Capacità di apprendimentoSviluppare l'autonomia nello studio di metodologie avanzate e nell'aggiornamento continuo tramite letteratura scientifica, promuovendo la capacità di apprendere nuovi modelli e tecnologie emergenti nel campo dell'apprendimento automatico su grafi.

Al termine del corso, lo studente sarà in grado di:Descrivere e spiegare i principali algoritmi di machine learning su grafi, incluse tecniche senza feature learning e modelli di graph representation learning.Implementare e applicare tecniche di embedding per grafi utilizzando librerie Python specializzate.Valutare le prestazioni degli algoritmi su dataset reali, identificando metriche appropriate e ottimizzando i modelli.Progettare soluzioni a problemi pratici che richiedano l'analisi e la modellazione di dati a grafo, comprese reti eterogenee e temporali.Analizzare criticamente articoli scientifici e implementare i metodi descritti, discutendone vantaggi, limiti e applicabilità.Comunicare in modo chiaro le scelte metodologiche e i risultati ottenuti, sia in forma scritta che orale.

Programma

Introduzione al Machine Learning su Grafi

  • Fondamenti di teoria dei grafi: definizioni di base (nodi, archi, grado, cammini, connettività, centralità), tipi di grafi (orientati, pesati, multigrafi, bipartiti, ecc.), rappresentazioni computazionali (liste di adiacenza, matrici).
  • Terminologia e notazione standard usata nella letteratura e nelle implementazioni.
    Machine Learning su Grafi senza Feature Learning
  • Compiti principali:
    -- Classificazione dei nodi basata su proprietà strutturali.
    -- Predizione degli archi basata sulla topologia del grafo.
  • Metodi basati sulla topologia:
    -- Similarità strutturali (Common Neighbors, Jaccard, Adamic-Adar).
    -- Random walk e PageRank per ranking e inferenza.
    Graph Representation Learning con Shallow Networks
  • Motivazioni per l'embedding dei grafi: ridurre la complessità strutturale, mappare nodi/archi/grafi in spazi vettoriali.
  • Metodi shallow (non end-to-end):
    -- DeepWalk: random walk + modello Skip-gram.
    -- node2vec: estensione di DeepWalk con esplorazione guidata (BFS/DFS).
    -- LINE: preservazione della prossimità di primo e secondo ordine.
  • Valutazione degli embedding:
    -- Metriche per link prediction, classificazione dei nodi e clustering.
    -- Benchmark su dataset standard.
    Graph Representation Learning con Deep Feature Learning
  • Introduzione alle Graph Neural Networks (GNNs)
    -- Concetti fondamentali: message passing, aggregazione, aggiornamento.
    -- Differenze tra GNN e MLP/CNN tradizionali.
  • Architetture principali:
    -- Graph Convolutional Networks (GCNs): convoluzione spaziale su grafi.
    -- Graph Attention Networks (GATs): meccanismi di attenzione per aggregazione pesata.
    -- GraphSAGE: campionamento dei vicini e aggregazione differenziabile.
  • Aspetti avanzati del training:
    -- Tecniche di mini-batching e sampling.
    -- Over-smoothing e regolarizzazione.
    -- Negative sampling per training efficiente.
  • Implementazione e valutazione:
    -- Pipeline di addestramento e validazione.
    Graph Representation Learning per Reti Eterogenee e Knowledge Graphs
  • Definizione di reti eterogenee: grafi con tipi multipli di nodi e archi.
  • Knowledge graphs: grafi con relazioni tipate e semantica esplicita (triplette soggetto-predicato-oggetto).
  • Metodi di embedding per reti eterogenee:
    -- R-GCN: estensione delle GCN per dati relazionali.
  • Metodi di embedding per knowledge graphs:
    -- Metodi traslazionali: TransE, TransH.
    -- Metodi basati su fattorizzazione: DistMult, ComplEx.
    Graph Representation Learning per Reti Temporali
  • Introduzione ai grafi temporali:
    -- Definizioni: grafi che evolvono nel tempo (eventi, nodi/archi dinamici).
    -- Classificazione: basati su snapshot (tempo discreto) vs. basati su eventi (tempo continuo).
  • Metodi per grafi temporali discreti:
    -- Varianti di GCN basate su snapshot.
  • Metodi per grafi dinamici in tempo continuo:
    -- TGN (Temporal Graph Networks): rappresentazione di nodi/eventi con memoria.

Modalità d'esame

L'esame consiste in una discussione orale su un articolo di ricerca: uno studente seleziona uno dei paper scientifici assegnati dal docente implementando e analizzando il
metodo proposto nella pubblicazione assegnata.
La valutazione complessiva è espressa in trentesimi. Il voto finale è assegnato in base ai seguenti criteri: conoscenza degli argomenti, abilità nell'applicare le
conoscenze acquisite in pratica, l'abilità di risolvere problemi in modo autonomo, e chiarezza nell'esprimere i concetti.

Testi di riferimento

I materiali didattici verranno resi disponibili sulla piattaforma Deepnote e sul sito web MyAriel dell'insegnamento.

Codice insegnamento machine-learning-graphs

Mathematical logic 1° semestre · 6 CFU · MATH-01/A · 0 file

L'insegnamento ha lo scopo principale di fornire leconoscenze di base e le capacità di ragionamento proprie della Logica Matematica e di introdurre alcune applicazioni della Logica all'Informatica. Lo studente dovrà aver…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento ha lo scopo principale di fornire leconoscenze di base e le capacità di ragionamento proprie della Logica Matematica e di introdurre alcune applicazioni della Logica all'Informatica.

Lo studente dovrà aver acquisito la capacità di modellare e risolvere semplici problemi logici con gli strumenti e le tecniche presentati nell'insegnamento. Inoltre, sarà in grado di poter applicare gli strumenti della Logica alla risoluzione di specifici problemi nell'ambito informatico.

Programma

L'insegnamento fornisce un approfondimento teorico delle tecniche di deduzione automatica nella logica predicativa, ed altre applicazioni all'informatica.
La prima parte del corso introduce la logica proposizionale: sintassi, semantica, teorema di compattezza, risoluzione, teorema di completezza refutazionale del principio di risoluzione,
Davis-Putnam procedure e DPLL. La seconda parte del corso introduce la logica del I ordine:
sintassi, semantica, L-strutture e modelli, forma normale prenessa, skolemizzata, congiuntiva. Teorema di Herbrand. Sostituzioni e Unificazione. Calcolo della risoluzione liftata. Teoremi limitativi (Church, Godel).

Modalità d'esame

L'esame è una prova orale. Durante lo scritto non è ammessa la consultazione di testi o appunti. I parametri di valutazione comprendono: la conoscenza degli argomenti dell'insegnamento e la capacità di ragionamento logico. La valutazione è espressa in trentesimi.

Testi di riferimento

· Michael Huth , Mark Ryan. Logic in Computer Science: modelling and reasoning about systems (2nd edition), Cambridge University Press, 2004.
· Mordechai Ben-Ari: Mathematical Logic for Computer Science, 3rd Edition. Springer, 2012.
Sito web dell'insegnamento: https://homes.di.unimi.it/aguzzoli/mathlogic.html

Codice insegnamento mathematical-logic

Methods for image processing 6 CFU · INFO-01/A · 0 file

L'insegnamento intende fornire i fondamenti dell'acquisizione, della rappresentazione e del miglioramento delle immagini digitali e delle tecniche di elaborazione per estrarre le informazioni da immagini di scene…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento intende fornire i fondamenti dell'acquisizione, della rappresentazione e del miglioramento delle immagini digitali e delle tecniche di elaborazione per estrarre le informazioni da immagini di scene reali.

Conoscenza dell'uso di tecniche di base per l'elaborazione e l'analisi di immagini per: il miglioramento della qualità dell'immagine (riduzione del rumore, aumento del contrasto, aumento della nitidezza); l'estrazione di informazioni da immagini (bordi, caratteristiche, oggetti); la compressione e la rappresentazione di immagini. Capacità di valutare quale tra le tecniche studiate per ogni singolo scopo sarà più efficace nel raggiungerlo, dati i vincoli del problema. La conoscenza delle tecniche di base per l'elaborazione di immagini consente di approfondire lo studio di tecniche avanzate, inquadrandole e mettendole in relazione con i vincoli di determinati domini applicativi.

Programma

L'insegnamento copre i concetti fondamentali dell'elaborazione delle immagini digitali. Le lezioni tratteranno i principi dell'elaborazione del segnale digitale, il campionamento, la codifica, le tecniche solitamente utilizzate nell'elaborazione delle immagini: operazioni geometriche, estrazione di caratteristiche, equalizzazione, filtraggio, trasformate, codifica e compressione di immagini. Sono previste ore di esercitazione in laboratorio con l'utilizzo di software per la simulazione numerica.
· Introduzione: introduzione all'elaborazione di immagini, nozione di base sulle immagini.
· Fondamenti delle immagini digitali: luce, visione e percezione visiva, acquisizione e digitalizzazione di immagini.
· Rappresentazione delle immagini: formati per la rappresentazione di immagini digitali, relazioni tra pixel, operazioni matematiche di base.
· Trasformazioni di intensità e filtraggio spaziale: trasformazioni di intensità, istogrammi, equalizzazione, filtraggio nel dominio dello spazio, miglioramento di immagini nel dominio dello spazio.
· Filtraggio nel dominio delle frequenze: trasformata di Fourier discreta, estensione a funzioni 2D, filtraggio e miglioramento di immagini nel dominio della frequenza.
· Elaborazione morfologica: dilatazione, erosione, apertura, chiusura, estrazione di componenti connesse, convex hull, thinning, thickening, estrazione di contorni.
· Segmentazione di immagini: estrazione ed unione di contorni, operazioni su regioni.
· Compressione di immagini: ridondanza, codifiche di immagine.

Modalità d'esame

La valutazione si svolge in forma orale.
La prova orale consiste in tre domande (la prima delle quali a scelta dello studente) per coprire le varie aree del programma, anche per mezzo di problemi da risolvere.
Per l'esposizione dell'argomento a piacere, lo studente potrà predisporre una breve presentazione con alcuni lucidi.
Vengono valutate, oltre la competenza, la chiarezza espositiva e la comprensione dei problemi studiati.
Il voto finale è espresso in trentesimi.

Testi di riferimento

R.C. Gonzalez and R.E. Woods, Digital Image Processing, (4 ed.), Pearson, 2018. ISBN 9780133356724.

Codice insegnamento methods-image-processing

Metodi formali 2° semestre · 6 CFU · INFO-01/A · 0 file

L'insegnamento intende esplorare le tecniche formali per migliorare l'affidabilità del software, con un focus particolare sulla specifica e dimostrazione di proprietà del software. Gli strumenti scelti sono i model…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento intende esplorare le tecniche formali per migliorare l'affidabilità del software, con un focus particolare sulla specifica e dimostrazione di proprietà del software. Gli strumenti scelti sono i model checker simbolici e la della dimostrazione assistita dal calcolatore.

Lo studente sarà in grado di modellare e dimostrare la correttezza di semplici proprietà del software usando un insieme di tools presentati nelle ore di laboratorio.

Programma

Esploreremo delle tecniche formali per migliorare
l'affidabilità del software, concentrandoci in particolare sulla
specifica e dimostrazione di proprietà del software.
La particolarità di questa parte è di essere costruita interamente
all'interno di Rocq (formerly Coq), uno dei proof assistant (p.a.) più maturi ed
usati. Un p.a. è uno esempio di dimostratore di teoremi interattivo,
che cioè automatizza gli aspetti più di routine della dimostrazione ma
dipende dall'utente per la strategia dimostrativa. Insegnamento
esercizi ed esame compresi, vanno quindi (e)seguito come una sessione
interattiva con il sistema.
https://softwarefoundations.cis.upenn.edu/
Gli argomenti principali che svilupperemo saranno:
(1) (Ri)esame di alcuni strumenti basi logici per la specifica e
dimostrazione delle proprietà di interesse (induzione, ricorsione,
riscrittura).
(2) Uso dei p.a. nella costruzione di argomenti logici rigorosi.
(3) La programmazione funzionale sia come metodologia di
programmazione che come ponte con la logica.
(4) Tecniche formali per il ragionamenti sulle proprietà di programmi
specifici (terminazione di un loop, dimostrazione che una funzione di
sorting soddisfa la sua specifica) via le logiche di Hoare
(5) per la dimostrazione di proprietà di tutti i programmi di un certo
linguaggio. Esamineremo il lambda calcolo tipato e le sue proprietà come la correttezza dei tipi
Infine guarderemo alcuni argomenti di ricerca corrente connessi alla automazione di queste argomenti via
i . collegamento con dimostratori automatici (CoqHammer)
ii. uso di coding agents

Modalità d'esame

L'esame (valutato in trentesimi) consiste in una prova di laboratorio di durata di 3 (tre) ore, in cui si usano gli strumenti software spiegati a lezione e nelle esercitazioni. Eccezionalmente, si può concordare un breve progetto per migliorare il voto finale

Testi di riferimento

Sito web:
https://amomiglianol2.ariel.ctu.unimi.it/v5/home/Default.aspx
Una selezione dei primi due volumi di Software foundations
Benjamin C. Pierce et al, Logical Foundations, vol 1, 2026, Electronic textbook, available at: https://softwarefoundations.cis.upenn.edu/
Benjamin C. Pierce et al, Software Foundations, vol 2, 2026, Electronic textbook, available at: https://softwarefoundations.cis.upenn.edu/

Codice insegnamento metodi-formali

Metodi probabilistici per l'informatica 2° semestre · 6 CFU · INFO-01/A · 0 file

Questo insegnamento è dedicato allo studio delle tecniche e degli strumenti probabilistici utilizzati in generale in vari settori dell'informatica. In particolare un obiettivo specifico è quello di rendere familiare agli…

Scheda dell'insegnamento

Obiettivi formativi

Questo insegnamento è dedicato allo studio delle tecniche e degli strumenti probabilistici utilizzati in generale in vari settori dell'informatica. In particolare un obiettivo specifico è quello di rendere familiare agli studenti l'utilizzo di metodi e nozioni di carattere probabilistico nella progettazione e nell'analisi di algoritmi randomizzati.

Un primo risultato atteso consiste nella conoscenza di un corpo di nozioni e proprietà probabilistiche usate nella progettazione di algoritmi e in generale nelle applicazioni di carattere informatico e computazionale. Lo studente apprenderà a svolgere ragionamenti e dimostrazioni di tipo probabilistico in contesti di carattere informatico. In particolare ci si attende che impari ad applicare a nuovi semplici problemi i metodi e le tecniche probabilistiche studiate nell'analisi di classici algoritmi randomizzati.

Programma

1. Richiami di calcolo delle probabilità.
Variabili aleatorie discrete e continue, funzioni densità e distribuzione, momenti, esempi classici.
Disuguaglianze di Markov e di Chebychev. Disuguaglianza di Chernoff e sue applicazioni.
2. Introduzione agli algoritmi probabilistici.
Classificazione: algoritmi Las Vegas, 1-sided error, a errore limitato e illimitato. Metodi di riduzione della probabilità di errore.
3. Grafi e matrici.
Grafi orientati e matrici non negative. Classificazione dei nodi, loro periodo e proprietà relative.
Matrici irriducibili e primitive. Periodo delle matrici primitive. Il teorema di Perron-Frobenius.
Matrici e vettori stocastici.
4. Catene di Markov.
Catene di Markov finite e omogenee. Classificazione degli stati. Classi ricorrenti e transienti. Catene di Markov irriducibili e aperiodiche.
Tempi di prima entrata in uno stato. Distribuzione stazionaria. Catene di Markov ergodiche e proprietà di convergenza alla distribuzione stazionaria.
Catene di Markov reversibili. Passeggiate a caso su grafi. Algoritmo probabilistico per 2-SODD.
5. Applicazioni algoritmiche delle catene di Markov.
Generazione casuale non uniforme e simulazione di catene di Markov.
Metodi Monte Carlo basati su catene di Markov (MCMC). Campionatori di Gibbs. Algoritmo di Metropolis. Generazione casuale di insiemi indipendenti e di colorazioni di un grafo.
Analisi della velocità di convergenza alla distribuzione stazionaria: il caso generale, metodo dell'accoppiamento e l'esempio della generazione casuale di colorazioni di grafi.
Algoritmi di conteggio approssimato mediante catene di Markov: calcolo del numero di colorazioni di un grafo.

Modalità d'esame

L'esame consiste in una prova orale volta ad accertare la conoscenza degli argomenti del programma, la comprensione dei metodi usati nell'analisi dei modelli probabilistici e degli algoritmi presentati a lezione. Si intende anche accertare la capacità di applicare le stesse tecniche a semplici nuovi problemi.

Testi di riferimento

  • Pagina MyAriel del corso per il nuovo anno accademico: https://myariel.unimi.it/course/view.php?id=12019
  • Testo principale:
    Massimiliano Goldwurm, Catene di Markov e applicazioni algoritmiche. Milano University Press, Gennaio 2024
    (disponibile al sito https://libri.unimi.it/index.php/milanoup/catalog/book/158).
  • Dispense disponibili al sito MyAriel citato sopra (o quelli degli anni precedenti):
    · M. Goldwurm, Compendio di calcolo delle probabilità,
    dispense ausiliarie dedicate alle nozioni introduttive di probabilità e ad alcuni argomenti avanzati,
    Università degli Studi di Milano, anno accademico 2016/2017.
  • Altri testi di consultazione:
    · B.V. Gnedenko, The theory of Probability, 6th edition, Gordon and Breach Science Publishers, 1997.
    · M. Iosifescu, Finite Markov Processes and their Applications, John Wiley & Sons, 1980.
    · O. Häggström. Finite Markov Chains and Algorithmic Applications, London Mathematical Society, 2003.
    · M. Mitzenmacher, E. Upfal, Probability and Computing, Cambridge university Press, 2005.
    · J. Hromkovic, Design and Analysis of Randomized Algorithms, Springer, 2005.
    · E. Seneta, Non-negative Matrices and Markov Chains, Springer-Verlag, 1981.
    · W. Woess, Catene di Markov e teoria del potenziale nel discreto, Quaderni dell'U.M.I., Pitagora Editrice, 1996.

Codice insegnamento metodi-probabilistici-linformatica

Natural language processing 1° semestre · 6 CFU · INFO-01/A · 0 file

L'insegnamento fornisce un'ampia e approfondita introduzione allo stato dell'arte e alle principali linee di ricerca nell'ambito del Natural Language Processing (NLP). In particolare, l'insegnamento si concentra sui…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento fornisce un'ampia e approfondita introduzione allo stato dell'arte e alle principali linee di ricerca nell'ambito del Natural Language Processing (NLP). In particolare, l'insegnamento si concentra sui metodi di deep learning per NLP, con un'attenzione specifica ai large language models (LLM). Gli studenti si confronteranno con obiettivi fondamentali come l'analisi sintattica, semantica e del discorso, e dei metodi per risolverli. Un focus specifico sarà sui metodi di transfer learning e sulle architetture dei modelli per affrontare compiti concreti come la classificazione del testo, il question-answering, la traduzione automatica e la generazione del testo. Questi obiettivi saranno perseguiti attraverso una combinazione di teoria, seminari sulla letteratura scientifica, e esempi pratici. Il programma è rivolto a studenti laureati in informatica e data science che hanno familiarità con le basi dell'apprendimento automatico. Verrà fornita un'introduzione al deep learning e alle reti neurali insieme a un'introduzione pratica a PyTorch. Anche la programmazione in Python giocherà un ruolo importante nell'insegnamento.

Attraverso la lettura di pubblicazioni scientifiche recenti, esercizi di programmazione e un progetto finale, gli studenti acquisiranno le seguenti abilità: 1) conoscere e comprendere gli argomenti principali, nonché i problemi di ricerca e le tendenze future nel campo del Natural Language Processing (NLP); 2) imparare ad applicare i metodi di NLP a un corpus di testi per una specifica esigenza applicativa; 3) essere in grado di giudicare la qualità delle diverse scelte di progettazione e implementazione quando si tratta di un progetto di NLP; 4) essere in grado di progettare, implementare e valutare un progetto specifico incentrato su compiti di NLP; 5) comprendere la nozione di Language Model e essere in grado di rilevare specificità e topic in un corpus di documenti testuali; 6) essere in grado di utilizzare lo stack Python di librerie e strumenti necessari per sviluppare un progetto NLP.

Programma

L'insegnamento fornisce un'introduzione approfondita ai principali temi di ricerca nell'ambito del Deep Learning applicato al Natural Language Processing. Oltre alle lezioni frontali, l'attività didattica prevede un progetto finale attraverso il quale gli studenti acquisiranno le competenze necessarie per progettare, implementare e comprendere i principali modelli di reti neurali per il linguaggio naturale, utilizzando Python e Pytorch.
Introduzione al Natural Language Processing

  • Spazio vettoriale
  • Tokenizzazione e normalizzazione del testo
  • TfIdf
    Introduzione alle reti neurali
  • Problemi di classificazione
  • Introduzione alle reti neurali
  • Classificatori lineari e reti neurali
  • Tutorial su PyTorch (base)
  • Tutorial su PyTorch (deep learning)
    Modelli linguistici
  • Introduzione al concetto di modellazione linguistica
  • Modello linguistico di Markov
    Reti neurali come modelli linguistici
  • Utilizzare le reti neurali come modelli linguistici
  • Word2Vec e word embedding
    Codifica del testo e apprendimento di sequenze
  • Codifica di testo e sequenze
  • Esempio semplice di RNN
  • Classificazione di sequenze
  • Generazione di sequenze
    Transformers
  • Architettura dei Transformers
  • BERT
  • GPT
    Elaborazione delle immagini
  • Fondamenti dell'elaborazione delle immagini
    Modelli proprietari e prompt engineering
  • Prompt Engineering
  • AI spiegabile, bias ed etica
    Spiegabilità
  • Metodi SHAP
  • Saliency
  • Concept Activation
    Bias e stereotipi
  • Esempio semplice
  • Masking
  • Completamento del testo
    Framework per LLM
  • LLama-cpp
  • vLLM
  • MLX LM

Modalità d'esame

La verifica dell'apprendimento consiste in un colloquio orale su appuntamento, nelle date prefissate e comunicate dal docente sulla piattaforma Ariel e la cui valutazione costituisce il voto in 30esimi per la prova d'esame.
Il colloquio prende avvio dalla presentazione e discussione di un progetto individuale, sviluppato dallo studente al termine dell'insegnamento, e si estende alla verifica dei contenuti teorici dell'insegnamento stesso.
Il progetto affronta un tema legato agli argomenti del programma, che possono spaziare dall'implementazione di modelli di deep learning per il linguaggio naturale all'utilizzo e valutazione di modelli pre-addestrati, con particolare attenzione al panorama dei Large Language Models.
La valutazione tiene conto della comprensione piena dei contenuti del corso, della creatività e dell'attitudine scientifica nell'ideazione del progetto, e della capacità di trovare soluzioni efficaci a problemi tecnici dati.

Testi di riferimento

  • Manning, C. D., Raghavan, P., & Schütze, H. (2008). Introduction to information retrieval (Vol. 1, p. 496). Cambridge: Cambridge University Press. (Http://nlp.stanford.edu/IR-book/)
  • Alfio Ferrara. Le macchine del linguaggio. L'uomo allo specchio dell'intelligenza artificiale. Einaudi, 2025.
  • Coding e notebooks: https://github.com/afflint/nlp
  • Appunti, notebook e materiali forniti dal docente e pubblicati sul sito web dell'insegnamento (Ariel)

Codice insegnamento natural-language-processing-3

Network science 1° semestre · 6 CFU · INFO-01/A · 0 file

Gli obiettivi formativi del corso sono fornire agli studenti una comprensione approfondita della teoria e degli algoritmi della network science e sviluppare la capacità di analizzare reti complesse anche temporali e…

Scheda dell'insegnamento

Obiettivi formativi

Gli obiettivi formativi del corso sono fornire agli studenti una comprensione approfondita della teoria e degli algoritmi della network science e sviluppare la capacità di analizzare reti complesse anche temporali e multidimensionali.

Lo studente acquisirà una conoscenza approfondita dei concetti fondamentali della Network Science, comprese le principali metriche, i modelli strutturali e dinamici, e gli algoritmi di analisi. Inoltre lo studente sarà in grado di applicare metodi e strumenti computazionali per l'analisi di grandi reti complesse, anche temporali e multidimensionali.

Programma

Lo studente acquisirà una conoscenza approfondita dei concetti fondamentali della Network Science, comprese le principali metriche, i modelli strutturali e dinamici, e gli algoritmi di analisi. Inoltre lo studente sarà in grado di applicare metodi e strumenti computazionali per l'analisi di grandi reti complesse, anche temporali e multidimensionali.

Modalità d'esame

Modalità di valutazione: EsameGiudizio di valutazione: voto verbalizzato in trentesimi

Codice insegnamento network-science-1

New generation data models and dbmss 1° semestre · 6 CFU · INFO-01/A · 0 file

L'obiettivo dell'insegnamento è introdurre gli studenti ai modelli dei dati di nuova generazione che sono alternativi o estendono il modello relazionale. Nello specifico verranno presentati i modelli che permettono di…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo dell'insegnamento è introdurre gli studenti ai modelli dei dati di nuova generazione che sono alternativi o estendono il modello relazionale. Nello specifico verranno presentati i modelli che permettono di rappresentare informazione con struttura complessa, modelli che permettono di rappresentare informazioni semi-strutturate e modelli per gestiscono un recupero efficiente e scalabile di grosse masse di dati. Verranno inoltre presentate le estensioni di Oracle per la gestione di queste tipologie di informazioni e alcuni sistemi che sono stati proposti dal movimento NoSQL

Lo studente dovrà acquisire le capacità di progettare e realizzare basi di dati che richiedono di gestire queste tipologie di informazioni. Inoltre, dovrà essere in grado di sviluppare interrogazioni che sfruttano le estensioni del linguaggio SQL per accedere a tali informazioni ed essere in grado di decidere quale modello e quale sistema è meglio utilizzare a seconda delle caratteristiche del dominio applicativo.

Programma

L'insegnamento affronta le seguente tematiche:

  • Il movimento noSQL
    o Elementi caratterizzanti i sistemi NOSQL (schema-less, data partitioning e sharding, data replication ed eventual consistency)
    o I modelli di rappresentazione dei dati (chiave-valore, orientati ai documenti, famiglie di colonne, grafi)
    o Utilità dei modelli a seconda del contesto applicativo
  • MongoDB
    o Architettura e funzionalità di un sistema noSQL document oriented
    o il formato JSON e linguaggi per interrogare e manipolare documenti JSON
    o Il modello dei dati e il linguaggio di interrogazione di MongoDB
    o La progettazione di una base di dati in MongoDB
  • Cassandra
    o Architettura e funzionalità di un sistema noSQL a famiglie di colonne
    o Il modello dei dati e il linguaggio di interrogazione di Cassandra
    o La progettazione di una base di dati in Cassandra
  • neo4j
    o Architettura e funzionalità di un sistema noSQL a grafo
    o Caratteristiche del modello dei dati e il linguaggio di interrogazione cypher
    o Lo standard PGQL (Property graph query language)
    o La progettazione di una base di dati a grafo

Modalità d'esame

L'esame è composto da un progetto pratico e da una prova scritta.
Il progetto pratico consiste nella progettazione e nello sviluppo di una base di dati basata che utilizza uno dei modelli di dati di nuova generazione presentati durante il corso. In alternativa, previo accordo con il docente, lo studente può svolgere uno studio di approfondimento su un sistema di gestione di basi di dati di nuova generazione non trattato durante le lezioni. Il progetto offre allo studente l'opportunità di affrontare le problematiche legate alla progettazione e allo sviluppo di un'applicazione reale utilizzando un sistema avanzato NoSQL. Il tempo stimato per il completamento del progetto è di circa una settimana. Al termine della discussione, al progetto viene assegnato un punteggio compreso tra −2 e +2 punti, che viene sommato al voto della prova scritta.
La prova scritta ha una durata di circa tre ore e mezza ed è valutata in trentesimi. Durante la prova lo studente deve sviluppare la progettazione orientata agli oggetti di un dominio applicativo assegnato, individuandone i principali vincoli e le ipotesi progettuali. A partire da tale progettazione, deve definire lo schema logico utilizzando uno dei sistemi NoSQL trattati nel corso, ottimizzandolo rispetto a un carico di interrogazioni assegnato. Lo studente deve inoltre formulare interrogazioni nei linguaggi dei sistemi NoSQL e rispondere a quesiti teorici volti a verificare la padronanza degli argomenti affrontati durante il corso.
Il voto finale è ottenuto sommando al punteggio della prova scritta il punteggio conseguito con il progetto. Gli studenti che desiderano migliorare il voto finale possono inoltre sostenere una prova orale facoltativa.

Testi di riferimento

Sito web:
https://myariel.unimi.it/
Un elenco dettagliato degli argomenti trattati, lezione per lezione, viene pubblicato e aggiornato sul sito web dell'insegnamento.
Gli argomenti trattati sono ampiamente trattati su Web e non viene adottato un libro specifico.
Ulteriore materiale integrativo, esercizi svolti e dispense, preparati dal docente, viene reso disponibile sul sito web dell'insegnamento.

Codice insegnamento new-generation-data-models-and-dbmss-0

Online game design 2° semestre · 6 CFU · INFO-01/A · 0 file

L'obiettivo di questo insegnamento è quello di impartire agli studenti le competenze di base necessarie alla progettazione e allo sviluppo di giochi online multiutente. Queste competenze affronteranno i temi sia del game…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo di questo insegnamento è quello di impartire agli studenti le competenze di base necessarie alla progettazione e allo sviluppo di giochi online multiutente. Queste competenze affronteranno i temi sia del game design per la definizione dell'esperienza di gioco sia della creazione dell'infrastruttura tecnologica per la fruizione del servizio.

Lo studente dovrà essere in grado di illustrare in maniera efficace e critica le strategie di design e implementazione da adottare per la realizzazione di un gioco online multiutente. Inoltre, lo studente dovrà essere in grado di applicare le tecniche presentate durante l'insegnamento al fine di progettare e implementare il prototipo di un gioco online multiutente.

Programma

L'insegnamento è dedicato alla progettazione e allo sviluppo di videogiochi, con particolare riferimento a giochi online multigiocatore. Le lezioni sono organizzate in due sottosezioni: "progettazione di giochi online" e "infrastrutture per giochi online". Esse si concentrano, rispettivamente, sulla progettazione della struttura di un videogioco online e sulla progettazione dell'infrastruttura tecnologica necessaria a renderlo fruibile. Entrambe le sezioni sono composte da lezioni frontali, finalizzata a trasmettere le conoscenze teoriche fondamentali, e da seminari su specifici argomenti (generalmente tenuti da esperti provenienti dall'industria videoludica e dell'intrattenimento digitale).
Nella sezione di progettazione verranno illustrati i seguenti argomenti:
1) Backround:

  • caratteristiche di un gioco e teoria del divertimento
  • storia e tassonomia dei videogiochi
  • principali caratteristiche dei giochi online multigiocatore
  • struttura dell'industria e processo produttivo
    2) basi di game design:
  • struttura di un gioco (elementi formali e drammatici)
  • approcci, processi e tecniche di game design
  • peculiarità di design dei giochi online multigiocatore
  • prototipazione e testing
    Nella sezione di infrastrutture verranno illustrati i seguenti argomenti:
  • caratteristiche generali e organizzazione delle infrastrutture di supporto
  • problematiche relative alla comunicazione real-time
  • problematiche relative ai dispositivi mobili
  • scalabilità
    Alla fine dell'insegnamento, i migliori progetti degli studenti saranno presentati a un panel di esperti del settore.
    NB un protocollo di intesa con il Politecnico di Milano garantisce al possibilità, a un numero limitato di studenti del Cdl magistrale in Informatica, di accedere al seguente insegnamento (tenuto in inglese nel rimo semestre ed erogato presso il Politecnico di Milano):
  • Videogame design and programming (prof. Pier Luca LANZI)
    Gli studenti interessati sono pregati di contattare la segreteria didattica.

Modalità d'esame

STUDENTI FREQUENTANTI (almeno 80% di presenze al corso)
Gli studenti saranno tenuti a lavorare in gruppi (3 membri) per progettare e prototipare un videogioco multiplayer online, inclusi i documenti di progetto e i deliverable correlati, nel rispetto delle scadenze intermedie e dei vincoli di progettazione predefiniti.
Gli studenti dovranno poi discutere (in forma orale) le proprie scelte di progettazione e implementazione sulla base delle conoscenze teoriche acquisite durante le lezioni. Una valutazione positiva del progetto è prerequisito per accedere alla discussione orale. Qualora la discussione orale non fosse sufficiente per superare l'esame, è possibile sostenerlo nuovamente in una delle seguenti date. Il progetto ha validità di 1 anno dalla consegna.
La valutazione complessiva si baserà su: la qualità del progetto, il grado di conoscenza degli argomenti del corso, la capacità di applicare le conoscenze acquisite per risolvere problemi concreti e le capacità di ragionamento critico.
Essere studenti frequentanti è un prerequisito per partecipare agli eventi generalmente organizzati durante il corso con la partecipazione di aziende del settore dell'intrattenimento.
STUDENTI NON FREQUENTANTI
Gli studenti dovranno lavorare individualmente alla progettazione e prototipazione di un videogioco multigiocatore online, inclusi i documenti di progetto e i deliverable (concept, documento di game design, documento tecnico del gioco, trailer), nel rispetto dei vincoli di progettazione predefiniti. Non sono previste revisioni intermedie.
I vincoli devono essere richiesti ai docenti almeno 2 mesi prima della data dell'esame e rimarranno validi solo per quella data (in caso di modifica della data dell'esame, è obbligatorio richiedere un nuovo set di vincoli). La documentazione del progetto deve essere inviata ai docenti almeno 1 settimana (contare solo i giorni lavorativi) prima dell'esame. La demo del progetto deve essere presentata il giorno dell'esame.
Il giorno dell'esame, gli studenti riceveranno un feedback sul progetto e dovranno poi discutere (rispondendo a diverse domande in forma scritta) le proprie scelte di progettazione e implementazione sulla base delle conoscenze teoriche acquisite durante le lezioni. Una valutazione positiva del progetto è un prerequisito per accedere alla discussione. La discussione deve essere sostenuta nella stessa data della valutazione del progetto. In caso di insuccesso, la parte orale dell'esame può essere ripetuta per un massimo di altre 2 volte nei successivi 6 mesi, dopodiché il progetto scadrà.
La valutazione complessiva si baserà su: la qualità del progetto, il grado di conoscenza degli argomenti del corso, la capacità di applicare le conoscenze acquisite per risolvere problemi concreti e le capacità di ragionamento critico.
STUDENTI DEL POLITECNICO DI MILANO
Sono soggetti alle stesse regole degli studenti UniMi. Contattare i docenti per ulteriori dettagli e orari dei corsi.

Testi di riferimento

Documentazione fornita dai docenti (reperibile sul sito dell'insegnamento su MyAriel) e selezioni dei seguenti testi:
A Theory of Fun for Game design by R.Koster - Paraglyph Press
The Art of Game Design: a book of lenses by J. Schell
Creating Games by M.McGuire & O.Chadwicke Jenkins - AK Peters
Game Design Workshop: a playcentric approach to creating innovative games by Tracy Fullerton - Morgan Kaufmann
Game Engine Architecture. by Jason Gregory - Taylor and Francis (2°edition)
Designing Virtual Worlds by Richard Bartle - New Riders
Fundamentals of game design by Ernest Adams, New Riders

Codice insegnamento online-game-design

Ottimizzazione discreta 2° semestre · 6 CFU · MATH-06/A · 0 file

L'insegnamento si propone di ampliare i fondamenti della programmazione matematica. Si affronteranno i problemi di ottimizzazione non lineare e si approfondiranno le tecniche per affrontare i problemi di programmazione…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento si propone di ampliare i fondamenti della programmazione matematica. Si affronteranno i problemi di ottimizzazione non lineare e si approfondiranno le tecniche per affrontare i problemi di programmazione lineare e lineare intera.

Capacità di scegliere gli strumenti più adatti per risolvere problemi di ottimizzazione non lineare. Capacità di applicare tecniche di decomposizione per affrontare problemi di programmazione lineare intera, competenze relative alle tecniche utilizzate dai solutori commerciali.

Programma

1. Programmazione lineare intera e misto-intera. Richiami di programmazione lineare. Interpretazione geometrica della PLI, teoria poliedrale. Metodo dei piani di taglio
2. Algoritmi di enumerazione implicita. Branch-and-bound e branch-and-cut. Algoritmo di Balas per PLI 0-1. Programmazione dinamica.
3. Rilassamento Lagrangeano
4. Column generation e branch-and-price

Modalità d'esame

L'esame consiste in tre prove.
1. Una breve prova scritta per accertare che lo studente abbia maturato le conoscenze necessarie per affrontare le prove successive (due esercizi su carta, open book, 30 minuti).
2a. La realizzazione di un progetto nel quale è richiesto allo studente di progettare un algoritmo di ottimizzazione per un problema di ottimizzazione combinatoria concordato col docente, scrivere il codice in un linguaggio di programmazione a scelta dello studente e valutare sperimentalmente le prestazioni del programma.
2b. In alternativa al progetto, la seconda prova può consistere nella preparazione di un seminario di circa 20-30 minuti su un articolo concordato col docente.
3. In ogni caso, l'esame è concluso da una prova orale riguardante gli argomenti del corso che non sono stati oggetto del progetto o del seminario.

Testi di riferimento

F. Maffioli: "Elementi di programmazione matematica", Casa Editrice Ambrosiana, 2000.

Codice insegnamento ottimizzazione-discreta

Ottimizzazione su grafo 1° semestre · 6 CFU · MATH-06/A · 0 file

Gli obiettivi del corso sono: 1) apprendere alcuni algoritmi di complessita' polinomiale per problemi di ottimizzazione su grafo e i fondamenti teorici sui quali tali algoritmi si basano; 2) implementare alcuni degli…

Scheda dell'insegnamento

Obiettivi formativi

Gli obiettivi del corso sono: 1) apprendere alcuni algoritmi di complessita' polinomiale per problemi di ottimizzazione su grafo e i fondamenti teorici sui quali tali algoritmi si basano; 2) implementare alcuni degli algoritmi presentati (una parte del corso si svolge in laboratorio informatizzato); 3) capire quando la ricerca di algoritmi polinomiali, per un nuovo problema di ottimizzazione combinatoria, e'probabilmente destinata a fallire (mediante la teoria della complessita'computazionale).

Capacità di progettazione di algoritmi per risolvere in modo efficiente problemi di ottimizzazione combinatoria polinomiali su grafo

Programma

· Richiami di programmazione lineare e teoria della dualità.
· Grafi, definizioni, proprietà. Componenti connesse, algoritmi di visita di grafi.
· Alberi e arborescenze. Minimum cost spanning tree: Kruskal, Prim, Boruvka algorithms. Minimum cost spanning arborescence: Edmonds algorithm.
· Cammini minimi. Grafi non pesatti: algoritmo BFS. Digrafi aciclici: Critical Path Method. Grafi senza cicli negativi: algoritmo di Bellman-Ford. Grafi senza archi negativi: algoritmo di Dijkstra, A*. Algoritmo di Floyd-Warshall per il calcolo degli all-pairs shortest paths.
· Flussi ottimi. Algoritmo di Ford-Fulkerson per il problema di massimo flusso. Algoritmi per Il problema di massimo flusso a minimo costo. Dualità: max flow - min cut. Algoritmo di Gomory e Hu per trovare il minimo taglio in un grafo pesato.
· Matching bipartito. Algoritmo ungherese.
· Trasporto a costo minimo. Algoritmo di Dantzig.

Modalità d'esame

L'esame consiste in tre prove.
1. Una breve prova scritta per accertare che lo studente abbia maturato le conoscenze necessarie per affrontare le prove successive (due esercizi su carta, open book, 30 minuti).
2a. La realizzazione di un progetto nel quale è richiesto allo studente di progettare un algoritmo di ottimizzazione per un problema di ottimizzazione combinatoria concordato col docente, scrivere il codice in un linguaggio di programmazione a scelta dello studente e valutare sperimentalmente le prestazioni del programma.
2b. In alternativa al progetto, la seconda prova può consistere nella preparazione di un seminario di circa 20-30 minuti su un articolo concordato col docente.
3. In ogni caso, l'esame è concluso da una prova orale riguardante gli argomenti del corso che non sono stati oggetto del progetto o del seminario.

Testi di riferimento

R.K. Ahuja, T.L. Magnanti, J.B. Orlin "Network flows", Prentice Hall, 1993

Codice insegnamento ottimizzazione-su-grafo

Privacy and data protection 1° semestre · 6 CFU · INFO-01/A · 0 file

L'insegnamento analizza i problemi relativi alla protezione e privatezza dei dati. A tale scopo l'insegnamento tratta il problema di assicurare privatezza nella pubblicazione e rilascio di dati ed il problema di…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento analizza i problemi relativi alla protezione e privatezza dei dati. A tale scopo l'insegnamento tratta il problema di assicurare privatezza nella pubblicazione e rilascio di dati ed il problema di assicurare la protezione dei dati in scenari emergenti, dove i dati sono spesso memorizzati, gestiti ed elaborati da soggetti non completamente fidati.

Lo studente dovrà conoscere i principali concetti relativi ai problemi di privatezza e protezione dati in diversi scenari. Lo studente dovrà avere conoscenza delle diverse problematiche, soluzioni e tecnologie esistenti, così come problemi aperti. Ci si aspetta che lo studente abbia inoltre sviluppato spirito critico e sensibilità sul tema della protezione dati in modo da essere in grado di analizzare problematiche di protezione dati e valutare possibili soluzioni nei diversi ambiti in cui si troverà ad operare.

Programma

Il programma è condiviso con i seguenti insegnamenti:

  • [BBL-2](https://www.unimi.it/it/ugov/of/af202700000bbl-2)

Modalità d'esame

Modalità di valutazione: EsameGiudizio di valutazione: voto verbalizzato in trentesimi

Codice insegnamento privacy-and-data-protection-1

Privatezza e protezione dei dati 1° semestre · 6 CFU · INFO-01/A · 0 file

L'obiettivo dell'insegnamento è di analizzare i problemi relativi alla protezione e privatezza dei dati. A tale scopo l'insegnamento tratterà il problema di assicurare privatezza nella pubblicazione e rilascio di dati ed…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo dell'insegnamento è di analizzare i problemi relativi alla protezione e privatezza dei dati. A tale scopo l'insegnamento tratterà il problema di assicurare privatezza nella pubblicazione e rilascio di dati ed il problema di assicurare privatezza e sicurezza dei dati in scenari emergenti, dove i dati sono spesso memorizzati, gestiti ed elaborati da server esterni non completamente fidati.

Al termine dell'insegnamento, lo studente dovrà conoscere i principali concetti relativi ai problemi di privatezza e protezione dati in diversi scenari. Lo studente dovrà avere conoscenza delle diverse problematiche, soluzioni e tecnologie esistenti, così come problemi aperti. Ci si aspetta che lo studente abbia inoltre sviluppato spirito critico e sensibilità sul tema della protezione dati in modo da essere in grado di analizzare problematiche di protezione dati e valutare possibili soluzioni nei diversi ambiti in cui si troverà ad operare.

Programma

Il programma è condiviso con i seguenti insegnamenti:

  • [FBB-28](https://www.unimi.it/it/ugov/of/af20270000fbb-28)

Modalità d'esame

Modalità di valutazione: EsameGiudizio di valutazione: voto verbalizzato in trentesimi

Codice insegnamento privatezza-e-protezione-dei-dati-0

Procedural and spatial sound 1° semestre · 6 CFU · INFO-01/A · 0 file

L'insegnamento si propone di fornire agli studenti conoscenze riguardo ai principi e alle tecnologie per il design, la sintesi e il rendering del suono in contesti interattivi, con particolare riferimento ad approcci…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento si propone di fornire agli studenti conoscenze riguardo ai principi e alle tecnologie per il design, la sintesi e il rendering del suono in contesti interattivi, con particolare riferimento ad approcci procedurali per la sintesi e a tecniche di spazializzazione. I principali ambiti applicativi comprendono realtà virtuale e aumentata immersive, audio per videogiochi, sonificazione interattiva, interfacce utente 3D multimodali.

Al termine dell'insegnamento lo studente dovrà conoscere i principali concetti relativi ad approcci procedurali per la sintesi del suono e tecniche per la spazializzazione del suono basate su approcci multicanale e binaurale. Dovrà inoltre essere in grado di progettare modelli di sintesi e rendering del suono e di implementarli su piattaforme real-time.

Programma

Il programma verte sui seguenti argomenti
1) Introduzione all'audio per realtà virtuale:

  • Pipeline di rendering
  • Approcci a sintesi e rendering audio
  • Immersione e presenza
    2) Modelli procedurali per la sintesi del suono
  • Sintesi basate sul segnale
  • Sintesi basate sulla sorgente e modelli fisici
  • Latenza, aspetti percettivi e computazionali
    3) Rendering 3D del suono
  • Percezione spaziale del suono
  • Riverberazione e acustica virtuale
  • Rendering binaurale
    4) Strumenti software per l'audio in VR
  • Richiami di elaborazione audio in tempo reale
  • Introduzione all'ambiente Pure-Data
  • Introduzione a software "audio middleware" (FMOD)

Modalità d'esame

L'esame consiste in una prova scritta (domande a risposta chiusa e a risposta aperta, durata 60 minuti) e nello sviluppo di un progetto da discutere criticamente in una prova orale. Il progetto può essere sviluppato individualmente o in gruppi di due studenti.
La valutazione è espressa in trentesimi e tiene conto dei seguenti parametri: grado di conoscenza degli argomenti, capacità di applicare le conoscenze alla risoluzione di problemi concreti, capacità di ragionamento logico e critico.

Testi di riferimento

Sito web: su MyAriel - https://myariel.unimi.it/
Per la parte relativa a modelli procedurali per la sintesi del suono:

  • Andy Farnell, "Designing Sound", MIT press (2010) [Testo obbligatorio: NO]
    Per la parte relativa a rendering 3D del suono:
  • Bosun Xie, "Head-related transfer function and virtual auditory display", 2nd ed., J. Ross Pub. (2013) [Testo obbligatorio: NO]
  • Frank Zotter and Matthias Frank, "Ambisonics", Springer Open (2019)
    https://www.springer.com/gp/book/9783030172060 [Testo obbligatorio: NO]
    Durante le lezioni il docente segnala i riferimenti di numerosi articoli scientifici.
    Ulteriore materiale integrativo preparato dal docente viene reso disponibile sul sito web dell'insegnamento.

Codice insegnamento procedural-and-spatial-sound-0

Progettazione di sistemi operativi sicuri 1° semestre · 6 CFU · INFO-01/A · 0 file

Al termine del corso lo studente sarà in grado di:1. Comprendere l'architettura di un microcontrollore moderno 2. Sviluppare firmware con ESP-IDF 3. Utilizzare GPIO, UART, SPI, I2C, ADC, DAC e PWM 4. Progettare…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente sarà in grado di:1. Comprendere l'architettura di un microcontrollore moderno 2. Sviluppare firmware con ESP-IDF 3. Utilizzare GPIO, UART, SPI, I2C, ADC, DAC e PWM 4. Progettare applicazioni concorrenti con FreeRTOS 5. Realizzare sistemi IoT basati su MQTT 6. Applicare tecniche di threat modeling e security assessment 7. Comprendere OTA, Secure Boot e Flash Encryption 8. Analizzare firmware e comunicazioni di dispositivi IoT

L'insegnamento introduce gli studenti agli aspetti architetturali, progettuali e di sicurezza dei sistemi IoT utilizzando ESP32 come piattaforma di riferimento. La prima parte è dedicata alla comprensione del microcontrollore, delle periferiche, della memoria, dei bus locali, della connettività e dello sviluppo firmware; la seconda parte affronta threat modeling, sicurezza delle comunicazioni, OTA, firmware analysis, reverse engineering introduttivo e hardening. L'obiettivo didattico è insegnare agli studenti come si progetta e realizza un sistema embedded, di media complessità, sicuro. Per poter frequantare proficuamente il corso lo studente si deve dotare di una scheda Espressif ESP32-S3 DevKitC-1-N8R8 (possibilmente originale va bene anche N16R8). Il corso utilizzerà il linguaggio di programmazione C.

Programma

Il programma è condiviso con i seguenti insegnamenti:

  • [FBB-14](https://www.unimi.it/it/ugov/of/af20270000fbb-14)

Modalità d'esame

Modalità di valutazione: EsameGiudizio di valutazione: voto verbalizzato in trentesimi

Codice insegnamento progettazione-di-sistemi-operativi-sicuri-0

Progetto di sistemi a sensore 1° semestre · 6 CFU · INFO-01/A · 0 file

Obiettivo dell'insegnamento è fornire gli strumenti metodologici impiegati nel progetto di sistemi digitali, con particolare attenzione ai sistemi impieganti sensori. Una particolare attenzione viene dedicata agli…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivo dell'insegnamento è fornire gli strumenti metodologici impiegati nel progetto di sistemi digitali, con particolare attenzione ai sistemi impieganti sensori. Una particolare attenzione viene dedicata agli approcci alla progettazione di sistemi "embedded" e agli aspetti legati all'acquisizione e al trattamento dei segnali, sia analogici che digitali, provenienti da sensori.

Lo studente dovrà essere in grado di utilizzare le tecniche viste per il progetto di sistemi digitali (sintesi RTL, sintesi in VHDL). Dovrà inoltre conoscere il funzionamento dei più comuni sensori, essere in grado di progettare i relativi circuiti di condizionamento del segnale e di scegliere la corretta tecnologia di conversione A/D e dimensionarne correttamente i parametri (frequenza di campionamento e risoluzione).

Programma

Gli argomenti trattati sono:

  • Richiami di elettrotecnica. Bipolo, equivalenti di Norton/Thevenin.
  • Fondamenti di elettronica: Resistore, condensatore, induttore. Circuiti con amplificatori operazionali: amplificatore invertente e non invertente. Sommatore. Amplificatore differenziale. Amplificatore per strumentazione. Integratore e derivatore. Amplificatore logaritmico. Transistor MOSFET. Tecnologia CMOS. Aspetti tecnologici (ritardi, data races, fan-in/fan-out).
  • Sintesi canonica di circuiti digitali: metodo di Quine-McCluskey.
  • Sintesi RTL di circuiti digitali: moduli funzionali, paradigma RTL, approccio datapath/controllore. Esempi di progetto con approccio RTL.
  • Progetto digitale con linguaggi HDL: introduzione
  • Il linguaggio VHDL: approccio progettuale, struttura FPGA, struttura del codice, oggetti VHDL, tipi di dato, costanti, variabili e segnali, entity e architecture, operatori e attributi. Codice concorrente. Codice sequenziale: i processi, strutture di controllo di flusso, funzioni e procedure. Approccio strutturale: istanziazione e configurazione. Simulazione: progetto del test bench. Esempi di progetto.
  • I processori nei sistemi embedded: GPP e ASP. Digital Signal Processors (DSP); Microcontrollers (MCU); Network processors. Testing: IEEE 1149 (JTAG).
  • Gestione di segnali analogici in sistemi digitali: Trasformata di Fourier. Teorema del campionamento. Quantizzazione. Esempi di dimensionamento di ADC.
  • Conversione D/A: schema R/2R.
  • Conversione A/D: a rampa. SAR, flash, pipeline, ∑∆.
  • Sensori e trasduttori: tassonomia. La catena di acquisizione. Condizionamento del segnale analogico.
  • Sensori di temperatura: termocoppia, RTD, sensori integrati.
  • Sensori di deformazione: estensimetri.
  • Sensori di posizione: sensori di Hall, encoder ottici.
  • Sensori di oscillazione: accelerometri, geofoni, microfoni. Sensori magnetodinamici, piezoelettrici, capacitivi.
  • Sensori di luce: fotodiodi, fotoresistenze.
  • Sensori integrati MEMS: accelerometri, giroscopi, magnetometri.

Modalità d'esame

L'esame consiste in una prova scritta, che mira a valutare la conoscenza e la comprensione di tutti gli argomenti affrontati a lezione, nonché la capacità di impostazione di un progetto di un sistema digitale a sensore.
La prova dura di norma circa due ore e prevede la soluzione di esercizi relativi ai sistemi visti a lezione. A titolo di esempio, sul sito web dell'insegnamento sono pubblicati alcuni temi d'esame di appelli precedenti.
La votazione conseguita nella prova scritta, espressa in trentesimi, può essere migliorata integrando la prova con un progetto pratico concordato con il docente, che prevede la progettazione e costruzione di un sistema.

Testi di riferimento

  • Siti web:
    http://pedersini.di.unimi.it/PSS.html
    https://fpedersinipss.ariel.ctu.unimi.it
  • Slide delle lezioni e altro materiale didattico, a disposizione degli studenti
  • Vari testi di approfondimento (indicati a lezione)

Codice insegnamento progetto-di-sistemi-sensore-0

Programmazione avanzata 1° semestre · 6 CFU · INFO-01/A · 0 file

L'insegnamento ha l'obbiettivo di esporre gli studenti ad alcune tecniche e costrutti avanzati di programmazione, di dimostrarne l'applicazione nella soluzione di specifici problemi e di stimolare e migliorare il proprio…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento ha l'obbiettivo di esporre gli studenti ad alcune tecniche e costrutti avanzati di programmazione, di dimostrarne l'applicazione nella soluzione di specifici problemi e di stimolare e migliorare il proprio pensiero critico quando applicato nella risoluzione di problemi anche complessi.

Lo studente dovrà essere in grado di applicare le tecniche e i concetti presentati nell'insegnamento nella risoluzione di problemi complessi. Lo studente inoltre dovrà essere in grado di scegliere la soluzione e la tecnica migliore da applicare tra quelle studiate, dovrà essere in grado di realizzare la soluzione individuata e di argomentare le scelte fatte.

Programma

Programma

  • Comprehensions, Map/Filter and Reduce
  • Closures, Continuations and Lazy Evaluation (Generators)
  • Type Inference and Type Systems
  • Dynamic e Duck Typing
  • Object-Based vs Object Oriented Language
  • Late binding versus Duck typing
  • Iterators
  • Test Driven Development
  • Generative programming
  • Decorators e Metaclasses
  • Problem Solving

Modalità d'esame

L'esame è scritto (al calcolatore) e durerà quattro ore. Ogni appello propone due esercizi che testeranno le capacità di programmazione e problem solving acquisite dagli studenti durante l'insegnamento.

Testi di riferimento

Web site:

  • https://cazzola.di.unimi.it/pa.html
    Libri suggeriti
  • Jennifer Campbell, Paul Gries, Jason Montojo, and Greg Wilson. Practical Programming: An Introduction to Computer Science Using Python. The Pragmatic
    Bookshelf, second edition, 2009.
  • Mark Lutz. Learning Python. O'Reilly, third edition, November 2007.
  • Mark Pilgrim. Dive into Python 3. Apress*, 2009.
    I primi due libri sono per gli studenti che necessitano imparare Python o rafforzare le proprie conoscienze di programmazione di base. L'ultimo è il testo di riferimento dell'insegnamento.

Codice insegnamento programmazione-avanzata-0

Prova finale 39 CFU · 0 file

La prova finale consiste nella stesura, nella presentazione e discussione di un elaborato relativo all'attività di tirocinio. L'obiettivo fondamentale è quello di sintetizzare e presentare in maniera autonoma e critica i…

Scheda dell'insegnamento

Scheda dell'a.a. 2025/2026: quella dell'anno in corso non è ancora pubblicata.

Obiettivi formativi

La prova finale consiste nella stesura, nella presentazione e discussione di un elaborato relativo all'attività di tirocinio. L'obiettivo fondamentale è quello di sintetizzare e presentare in maniera autonoma e critica i risultati ottenuti nell'attività di tirocinio.

La preparazione dell'elaborato e della prova finale contribuisce a rafforzare e consolidare l'autonomia dello studente. Dalla stesura dell'elaborato finale e dalla preparazione della sua presentazione ci si attende l'ulteriore acquisizione di abilità comunicative e capacità di apprendimento, anche grazie alla supervisione del relatore.

Programma

La preparazione dell'elaborato e della prova finale contribuisce a rafforzare e consolidare l'autonomia dello studente. Dalla stesura dell'elaborato finale e dalla preparazione della sua presentazione ci si attende l'ulteriore acquisizione di abilità comunicative e capacità di apprendimento, anche grazie alla supervisione del relatore.

Codice insegnamento prova-finale-109

Real-time graphics programming 2° semestre · 6 CFU · INFO-01/A · 0 file

Obiettivo dell'insegnamento è fornire le basi teoriche e pratiche alla base della implementazione di applicazioni grafiche interattive. Alla fine delle lezioni, lo studente avrà acquisito le conoscenze necessarie a…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivo dell'insegnamento è fornire le basi teoriche e pratiche alla base della implementazione di applicazioni grafiche interattive.

Alla fine delle lezioni, lo studente avrà acquisito le conoscenze necessarie a comprendere le fasi principali della pipeline di rendering grafica in tempo reale, e a implementare applicazioni grafiche interattive utilizzando API grafiche a basso livello

Programma

I principali argomenti dell'insegnamento sono:

  • Introduzione alla grafica in tempo reale
  • Pipeline di rendering in tempo reale
  • Introduzione alle API per la programmazione grafica
  • Modelli e strutture dati per la grafica in tempo reale
  • Trasformazioni e proiezioni
  • Collisioni
  • Animazione basata sulla Fisica
  • Implementazione di Vertex e Fragment Shader
  • Texturing e Texturing Procedurale
  • Modelli di illuminazione

Modalità d'esame

L'esame consiste nello sviluppo di un progetto, e in una prova orale. La prova orale verte su una discussione delle scelte progettuali, e sulla discussione di alcuni argomenti trattati nell'insegnamento. La votazione è espressa in trentesimi, e tiene conto sia della qualità delle tecniche di programmazione grafica utilizzate durante il progetto, sia della chiarezza espositiva degli argomenti di teoria.

Testi di riferimento

Riferimenti bibliografici:

  • T. Akenin-Moeller, E. Haines, N. Hoffman, "Real-Time Rendering", 4th edition, A.K. Peters, 2018
  • J. Gregory, "Game Engine Architecture", 3rd edition, CRC Press, Taylor & Francis Group, 2018
  • M. Bailey, S. Cunningham, "Graphics Shaders: Theory and Practice", 2nd edition, CRC Press, Taylor & Francis Group, 2011
  • D. Wolff, "OpenGL 4 Shading Language Cookbook", 2nd Edition, Packt Publishing, 2013

Codice insegnamento real-time-graphics-programming

RealtÀ virtuale 6 CFU · INFO-01/A · 0 file

In questo insegnamento verranno esplorate i prinicipi di funzionamento della realtà virtuale e dell'animazione degli scheletri. Gli studenti impareranno a utilizzare diversi sistemi di realtà virtuale: Oculus Rift,…

Scheda dell'insegnamento

Obiettivi formativi

In questo insegnamento verranno esplorate i prinicipi di funzionamento della realtà virtuale e dell'animazione degli scheletri. Gli studenti impareranno a utilizzare diversi sistemi di realtà virtuale: Oculus Rift, Kinect, Leap, Hololens, Balance board, Motion Capture.

Gli studenti acquisiranno la conoscenza delle trasformazioni da 2D a 3D e viceversa e la matematica che sta dietro l'animazione degli scheletri. Impareranno inoltre a programmare i diversi dispositivi di VR esaminati a lezione.

Programma

Gli studenti acquisiranno la conoscenza delle trasformazioni da 2D a 3D e viceversa e la matematica che sta dietro l'animazione degli scheletri. Impareranno inoltre a programmare i diversi dispositivi di VR esaminati a lezione.

Modalità d'esame

Modalità di valutazione: EsameGiudizio di valutazione: voto verbalizzato in trentesimi

Codice insegnamento realta-virtuale

Reinforcement learning 6 CFU · INFO-01/A · 0 file

Questo insegnamento introduce i fondamenti teorici e algoritmici del Reinforcement Learning, un sottoinsieme del Machine Learning che studia agenti adattivi che intraprendono azioni e interagiscono con un ambiente…

Scheda dell'insegnamento

Obiettivi formativi

Questo insegnamento introduce i fondamenti teorici e algoritmici del Reinforcement Learning, un sottoinsieme del Machine Learning che studia agenti adattivi che intraprendono azioni e interagiscono con un ambiente sconosciuto. Il Reinforcement Learning è un potente paradigma per lo studio dei sistemi di intelligenza artificiale autonomi ed è stato applicato a un'ampia gamma di applicazioni, tra cui auto a guida autonoma, videogiochi, gestione dei clienti e assistenza sanitaria.

Al termine del corso, gli studenti saranno in grado di:- formalizzare i problemi in termini di processi decisionali di Markov,- comprendere i metodi di base dell'esplorazione strategica,- comprendere gli algoritmi per l'ottimizzazione diretta delle politiche,- condurre esperimenti in ambienti simulati.Questi obiettivi vengono misurati attraverso una combinazione di due componenti: la relazione di progetto e la discussione orale. Il voto finale si ottiene valutando la relazione di progetto e utilizzando la discussione orale per la messa a punto finale.

Programma

Il programma è condiviso con i seguenti insegnamenti:

  • [BBL-10](https://www.unimi.it/it/ugov/of/af20270000bbl-10)

Modalità d'esame

Modalità di valutazione: EsameGiudizio di valutazione: voto verbalizzato in trentesimi

Codice insegnamento reinforcement-learning-1

Reti wireless e mobili 2° semestre · 6 CFU · INFO-01/A · 0 file

L'insegnamento ha come obiettivo quello di fornire agli studenti una conoscenza approfondita delle tecnologie di comunicazione wireless e mobile a breve e lungo raggio. Gli obiettivi principali includono la…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento ha come obiettivo quello di fornire agli studenti una conoscenza approfondita delle tecnologie di comunicazione wireless e mobile a breve e lungo raggio. Gli obiettivi principali includono la comprensione dei principi di funzionamento delle reti wireless, l'analisi dei protocolli di comunicazione e delle architetture di rete, nonché l'approfondimento degli standard più diffusi, come Wi-Fi, rete mobile e IoT. Verranno analizzati casi d'uso in diversi ambiti evidenziando le sfide e le opportunità offerte dalle tecnologie wireless.

Al termine dell'insegnamento, gli studenti avranno acquisito una conoscenza approfondita delle tecnologie di comunicazione wireless e mobile, sia a breve che a lungo raggio. Saranno in grado di analizzare i protocolli di comunicazione e le architetture di rete, con particolare attenzione agli standard più diffusi, tenendo in considerazioni parametri di efficienza, sicurezza e qualità del servizio. Infine, l'insegnamento favorirà una capacità critica nell'analizzare soluzioni di reti wireless, con un approccio orientato all'innovazione e alla risoluzione di problemi reali.

Programma

Il programma dell'insegnamento è diviso in cinque parti:
1) Principi di teoria della trasmissione e canale radio
2) Wireless Personal Area Network (WPAN)

  • Tecnologia Bluetooth & Bluetooth Low Energy
  • Standard IEEE 802.15.4 (ZigBee/Thread)
    3) Wireless Local Area Network (WLAN)
  • Wi-Fi (IEEE 802.11)
  • Protocollo di rete Ad-Hoc Distance Vector (RFC 3561)
    4) Rete cellulare
  • Introduzione alle reti cellulari e cenni storici GSM/GPRS/UMTS
  • Rete LTE
  • Rete 5G
    5) Principi di comunicazione Satellitare
  • Costellazioni e architettura delle reti satellitari
  • LEO, MEO, GEO
  • 5G/6G NTN

Modalità d'esame

L'esame consiste in una prova scritta individuale, svolta in presenza e della durata di 90 minuti. La prova comprende sei quesiti, costituiti da domande a risposta aperta ed esercizi, finalizzati a verificare la comprensione e la capacità di applicazione dei contenuti relativi alle diverse parti del programma.
Durante la prova è consentito esclusivamente l'uso di una calcolatrice; non è ammessa la consultazione di libri, appunti o altro materiale didattico.
La valutazione è espressa in trentesimi e tiene conto della correttezza e completezza delle risposte, del livello di padronanza degli argomenti, della capacità di applicare correttamente metodi e procedure, della chiarezza espositiva e dell'appropriatezza del linguaggio tecnico.

Testi di riferimento

  • Beard & Stallings - Wireless Communication Networks and Systems, 2016, Pearson
  • Christopher Cox - An Introduction to LTE: LTE, LTE-Advanced, SAE, VoLTE and 4G Mobile Communications, 2nd Edition, 2014
  • Andrew S. Tanenbaum, Nickolas Feamster, David J. Wetherall, "Reti di calcolatori" sesta edizione, Pearson Ed., 2023.

Codice insegnamento reti-wireless-e-mobili

Scientific data visualization 1° semestre · 6 CFU · INFO-01/A · 0 file

Questo corso esplora tecniche avanzate di visualizzazione dei dati. Oltre i grafici di base, verranno mostrati metodi per rappresentazioni di dati multidimensionali e longitudinali, nonchè visualizzazioni basate su reti.…

Scheda dell'insegnamento

Obiettivi formativi

Questo corso esplora tecniche avanzate di visualizzazione dei dati. Oltre i grafici di base, verranno mostrati metodi per rappresentazioni di dati multidimensionali e longitudinali, nonchè visualizzazioni basate su reti. Sottolineando il loro ruolo nell'analisi visiva dei dati e nel data storytelling, il corso copre i principi teorici della percezione visiva, package avanzati per la visualizzazione e tecniche per la visualizzazione di dati ad elevata dimensionalità. Gli studenti esamineranno inoltre i principi alla base della progettazione e dello sviluppo di dashboard informative per il supporto alle decisioni e il monitoraggio dei sistemi.

Alla fine di questo corso, gli studenti saranno in grado di applicare tecniche avanzate di visualizzazione, comprese rappresentazioni multidimensionali, longitudinali e basate su reti. Saranno in grado di visualizzare dati complessi e su larga scala. Comprenderanno i principi della percezione visiva e saranno in grado di comunicare visivamente le informazioni attraverso un data storytelling equo.

Programma

Alla fine di questo corso, gli studenti saranno in grado di applicare tecniche avanzate di visualizzazione, comprese rappresentazioni multidimensionali, longitudinali e basate su reti. Saranno in grado di visualizzare dati complessi e su larga scala. Comprenderanno i principi della percezione visiva e saranno in grado di comunicare visivamente le informazioni attraverso un data storytelling equo.

Modalità d'esame

Modalità di valutazione: EsameGiudizio di valutazione: voto verbalizzato in trentesimi

Codice insegnamento scientific-data-visualization-1

Sicurezza delle architetture data intensive 2° semestre · 6 CFU · INFO-01/A · 0 file

L'insegnamento si propone di:- Introdurre i fondamenti della sicurezza informatica applicata a sistemi intelligenti e architetture distribuite.- Analizzare le tecniche di protezione dei dati semi-strutturati e non…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento si propone di:- Introdurre i fondamenti della sicurezza informatica applicata a sistemi intelligenti e architetture distribuite.- Analizzare le tecniche di protezione dei dati semi-strutturati e non strutturati, con particolare attenzione a confidenzialità, integrità e autenticazione.- Esplorare gli standard e i linguaggi di autorizzazione per l'accesso sicuro a servizi web e risorse di rete.- Studiare le pipeline di intelligenza artificiale e i relativi rischi di sicurezza, inclusi attacchi avversariali e vulnerabilità nei modelli ML.- Approfondire le metodologie di assurance e certificazione dei sistemi intelligenti, con focus su testing statistico e valutazione del rischio.- Applicare tecniche di modellazione delle minacce, come STRIDE-AI, per valutare la robustezza delle architetture AI.

Al termine dell'insegnamento, gli studenti acquisiranno competenze nei seguenti ambiti:- Progettazione sicura di pipeline AI- Capacità di progettare pipeline di intelligenza artificiale resilienti a minacce e attacchi, con attenzione a ogni fase: raccolta dati, addestramento, validazione, deployment.- Analisi delle vulnerabilità nei modelli ML- Identificazione e mitigazione di attacchi adversariali, data poisoning, model inversion e membership inference.- Implementazione di controlli di sicurezza- Applicazione di tecniche di autenticazione, autorizzazione e cifratura in ambienti distribuiti e cloud-native.- Testing e assurance dei modelli- Uso di tecniche di verifica statistica e test di robustezza per valutare la sicurezza e l'affidabilità dei modelli AI.- Modellazione delle minacce- Utilizzo di framework come STRIDE-AI per analizzare e documentare i rischi nelle architetture intelligenti.- Competenze trasversali in questi ambiti: capacità di lavoro in team interdisciplinari, comunicazione tecnica efficace, redazione di documentazione tecnica e presentazione dei risultati a un pubblico tecnico e non tecnico, pianificazione, sviluppo e valutazione di un progetto reale, con milestone, revisioni e consegna finale.- Pensiero critico e valutazione etica

Programma

L'insegnamento verte sui seguenti argomenti:
Parte I: Introduzione e prerequisiti

  • Richiamo ai modelli di apprendimento computazionale (Machine Learning - ML)
  • Robustezza dei modelli ML base (regressione, predizione, classificazione)
  • Addestramento centralizzato e federato
  • Attacchi vandalici e attacchi avversariali all'addestramento e all'inferenza
  • Robustezza e privatezza dei modelli Deep
  • LLM, AI stack e ambienti esecutivi
    Parte II: Sicurezza dei Sistemi LLM ed Agentici
  • Grafi di conoscenza e ontologie dinamiche
  • Tecniche di ragionamento automatico basato su LLM
  • GNN e GraphLLM
  • I guardrail
  • Tassonomia degli attacchi
  • Equità, sicurezza e privatezza dei modelli LLM
  • Sicurezza e privatezza delle orchestrazioni agentiche
  • Tecniche di Guardrailing Agentico

Modalità d'esame

L'esame consiste in una prova scritta e nella presentazione di un progetto.
La prova scritta, della durata di un'ora e mezza, verterà sugli argomenti trattati durante l'insegnamento. La prova consiste in domande teoriche ed esercizi pratici. Il progetto, da concordare con il Docente, consisterà nella preparazione di un semplice applicativo che implementi i protocolli di sicurezza studiati. il progetto può essere svolto in gruppi fino d un massimo di tre studenti.
Una volta superate la prova scritta e presentato il progetto, viene formulata la valutazione complessiva, espressa in trentesimi, tenendo conto dei seguenti parametri: grado di conoscenza degli argomenti, capacità di applicare le conoscenze alla risoluzione di un progetto concreto, qualità del progetto sviluppato, capacità di ragionamento critico, chiarezza espositiva e proprietà di linguaggio.

Testi di riferimento

Sito web con slide del corso e letture consigliate
Slide e appunti dell'insegnamento.
Per consultazione: C.A. Ardagna, E. Damiani, N. El Ioini "Open Source Systems Security Certification," Springer, 2008.

Codice insegnamento sicurezza-delle-architetture-data-intensive

Sicurezza nelle architetture data intensive 6 CFU · INFO-01/A · 0 file
Simulation 1° semestre · 6 CFU · INFO-01/A · 0 file

Fornire una visione teorica e pratica nel campo della modellazionematematica descrittiva, dei paradigmi di simulazione di sistemistocastici, dell'analisi dei risultati numerici prodotti daglistrumenti di simulazione.…

Scheda dell'insegnamento

Obiettivi formativi

Fornire una visione teorica e pratica nel campo della modellazionematematica descrittiva, dei paradigmi di simulazione di sistemistocastici, dell'analisi dei risultati numerici prodotti daglistrumenti di simulazione.

Conoscenze:- metodologie matematiche per la modellazione descrittiva di tipodeterministico e stocastico- paradigmi di simulazione ad eventi discreti, agent based e systemdynamics- tecniche statistiche per la realizzazione, validazione emiglioramento di schemi di simulazione- principali tecniche implementative interne degli strumenti disimulazioneCompetenze:- analizzare e costruire modelli descrittivi di sistemi complessi- scegliere opportuni paradigmi di simulazione- validare e analizzare criticamente i risultatiAbilità:- costruire e formalizzare un modello matematico descrittivo- utilizzare strumenti software professionali per l'implementazione dimodelli di simulazione- utilizzare strumenti software professionali per l'analisi deirisultati prodotti dalle simulazioni ed estrazione di conoscenza daquesti ultimi- curare la redazione di testi scientifici per la presentazione dimodelli, esperimenti e risultati

Programma

Argomenti delle lezioni di teoria:
Introduzione alla modellazione descrittiva e ai paradigmi di simulazione.
Parte 1. Modellazione descrittiva con l'uso di variabili casuali.
Parte 2. La generazione di numeri casuali e variabili casuali; metodi Monte Carlo; generazione di dati sintetici.
Parte 3. Analisi statistica dei risultati di simulazioni.
Tutorial di modellazione e utilizzo di tool software:
Tutorial 1. Agent Based simulation (Spreading of new Technologies)
Tutorial 2. Discrete Events Based simulation (Pharmacy shop).
Tutorial 3. System Dynamics Simulation (Diffusion of influence)

Modalità d'esame

Progetto sulla parte pratica ed esame orale sulla parte teorica.

Testi di riferimento

S. Ross "Simulation". Elsevier pubs., 6th edition (2022).

Codice insegnamento simulation

Sistemi intelligenti avanzati 2° semestre · 6 CFU · INFO-01/A · 0 file

L'insegnamento fornisce una conoscenza approfondita delle problematiche sottostanti agli algoritmi di intelligenza delle macchine. L'insegnamento si propone di far acquisire agli studenti la capacità di analizzare e…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento fornisce una conoscenza approfondita delle problematiche sottostanti agli algoritmi di intelligenza delle macchine. L'insegnamento si propone di far acquisire agli studenti la capacità di analizzare e modellizzare problemi anche di una certa complessità e di fornire metodi di analisi e soluzione dei problemi.

Gli studenti approfondiranno i fondamenti dell'apprendimento statistico, dell'apprendimento con rinforzo, dei sistemi fuzzy, degli alberi di decisione, delle reti neurali e degli algoritmi genetici anche attraveso la realizzazione di un progetto in una di queste aree. Acquisteranno anche la consapevolezza del dibattito attuale tra ipotesi debole e forte sull'intelligenza artificiale.

Programma

Intelligenza simbolica
Macchina di Turing e l'esperimento della Stanza Cinese. Ipotesi debole e forte sull'Intelligenza Artificiale. Intelligenza collettiva. Gli insiemi e i sistemi fuzzy.
Apprendimento statistico
Distribuzioni statistiche. Stima a massima verosimiglianza e ai minimi quadrati. Analisi di varianza. Stima Bayesiana e comparazione con la regolarizzazione.
Apprendimento degli agenti
Diverse modalita' di apprendimento: supervisionato, non supervisionato e con rinforzo. Clustering e metriche associato. K-means a quad-tree decomposition. Clustering gerarchico. Reti neurali artificiali e perceptrone non-lineare. Mappe di Kohonen e apprendimento competitivo. Regressione multi-scala. Applicazioni.
Apprendimento con rinforzo
Apprendimento in un setting non associativo. Caso stazionario e non stazionario. Apprendimento greedy e epsilon-greedy. I modelli Markoviani. Calcolo della funzione Valore e formulazione ricorsiva tramite le equazioni di Bellman. Miglioramento ricorsivo della policy. Apprendimento alle differenze temporali. Q-learning. Miglioramento dello span temporale mediante la traccia di eleggibilita'. Automi stocastici.
Intelligenza biologica
Il neurone. Operazioni sotto-soglia. Generazione del potenziale di azione. La struttura del neurone. I circuiti biologici e il ruolo della struttura. Struttura del sistema nervoso centrale. I neuroni specchio. Algoritmi generici e ottimizzazione evolutiva. Ruolo dei parametri. Esempi.

Modalità d'esame

Colloquio orale sulla parte teorica + progetto

Testi di riferimento

Slide messe a disposizione sul sito del corso: https://borghese/Teaching/SIA/Programma.html
Russel Norvig, Artificial Intellgence, a Modern Approach, Prentice Hall 2003.
Sutton and Barto, Reinforcement Learning - An Introduction, MIT Press, 2019.
B. Kosko - Neural Networks and Fuzzy Systems, Prentice Hall, 1991.
C. Bishop. Bayesian Learning. Pattern Recognition and Machine Learning. Springer Verlag.
Hertz, Krough and Palmer, Introduction to the theory of Neural Computation, Addison Wesley, 1991.

Codice insegnamento sistemi-intelligenti-avanzati

Sistemi multimediali e interaction design 2° semestre · 6 CFU · INFO-01/A · 0 file

L'insegnamento si propone di fornire agli studenti una conoscenza avanzata dei sistemi multimediali interattivi, con particolare attenzione alla modellazione, gestione, ricerca e fruizione di contenuti multimediali in…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento si propone di fornire agli studenti una conoscenza avanzata dei sistemi multimediali interattivi, con particolare attenzione alla modellazione, gestione, ricerca e fruizione di contenuti multimediali in contesti complessi e data-driven.Al termine del corso, lo studente sarà in grado di:- comprendere e progettare sistemi multimediali interattivi basati su modelli dati avanzati;- applicare tecniche di Information Retrieval e Multimedia Retrieval, incluse rappresentazioni vettoriali ed embedding semantici;- integrare tecnologie di Intelligenza Artificiale generativa (Large Language Models, Retrieval-Augmented Generation, agenti conversazionali) in modo controllato e affidabile;- valutare l'esperienza utente (UX) e l'accettazione tecnologica di sistemi multimediali e AI-driven;- analizzare i vincoli architetturali e real-time (QoS e QoE) che influenzano la qualità dell'interazione.Il corso fornisce una preparazione teorica e metodologica adeguata per l'accesso a contesti di ricerca avanzata e sviluppo industriale nell'ambito dei sistemi multimediali e dell'AI interattiva.

Conoscenza e capacità di comprensione.Lo studente acquisirà conoscenze approfondite relative a:- modelli di dati per contenuti multimediali;- architetture di multimedia retrieval e multimodal retrieval;- tecniche di text, image, audio e video retrieval;- sistemi di AI generativa applicati all'interazione;- metodologie di valutazione dell'esperienza utente.Capacità di applicare conoscenza e comprensione.Lo studente sarà in grado di:- progettare sistemi di ricerca e fruizione di contenuti multimediali;- utilizzare rappresentazioni semantiche ed embedding per il retrieval;- sviluppare pipeline RAG e sistemi conversazionali AI-based;- valutare criticamente soluzioni tecnologiche alternative.Autonomia di giudizio.Lo studente svilupperà capacità di:- analisi critica delle architetture multimediali e AI-driven;- valutazione dei trade-off tra qualità tecnica e qualità percepita;- giudizio sull'affidabilità, usabilità e accettabilità dei sistemi progettati.Abilità comunicative.Lo studente sarà in grado di:- descrivere in modo chiaro e rigoroso architetture e soluzioni progettuali;- discutere scelte tecnologiche con linguaggio tecnico appropriato;- presentare risultati progettuali e sperimentali.Capacità di apprendimento.Lo studente acquisirà gli strumenti concettuali per:- aggiornarsi autonomamente su tecnologie emergenti nel settore;- approfondire temi di ricerca in multimedia, IR e AI interattiva.

Programma

  • Multimedia systems e comunicazione digitale
  • Progettazione di esperienze interattive e user experience per sistemi intelligenti
  • Gestione di immagini, audio, video e contenuti AI nei database moderni
  • Search engines e Information Retrieval: come i sistemi "capiscono" e recuperano informazioni
  • Full-text search, ranking e motori di ricerca reali con Oracle Text e Apache Solr
  • Large Language Models, ChatGPT, Transformer ed embeddings
  • Vector databases e Retrieval-Augmented Generation (RAG) per sistemi AI avanzati
  • Conversational AI e progettazione di chatbot intelligenti
  • Image Retrieval: ricerca di immagini tramite similarità visuale ed embeddings
  • Audio e Video Retrieval: riconoscimento, segmentazione e retrieval multimodale
  • CLIP, multimodal AI e ricerca cross-modale testo-immagine-audio-video
  • MPEG-7 e descrizione semantica dei contenuti multimediali
  • Sistemi distribuiti, streaming, Quality of Service (QoS) e Quality of Experience (QoE)
  • Valutazione di sistemi intelligenti basati su Generative AI e multimedia retrieval

Modalità d'esame

Le modalità di verifica si suddividono in fasi diverse così articolate:
1. Prova scritta (voto massimo 30/30)
2. Prova orale, approfondimento o progetto (opzionale) che poterà a un incremento o decremento del voto dello scritto di + o - 3 punti
I criteri di valutazione della prova scritta riguardano:

  • Grado di conoscenza della materia
  • Aderenza della risposta alla traccia
  • Capacità di fare collegamenti
  • Pertinenza dei contenuti in relazione alla richiesta
    I criteri di valutazione della prova orale/approfondimento/progetto riguardano:
  • focalizzazione della tematica
  • rigore logico e utilizzo di linguaggio tecnico
  • correttezza e chiarezza di esposizione
  • consapevolezza critica, capacità di interpretazione personale, ricchezza e pertinenza espositiva

Testi di riferimento

Lucidi dell'insegnamento in MyARIEL
Nelle diapositive sono indicati libri, articoli e siti web per studio ed approfondimenti.
Letture consigliate:

  • Z. Li, M. Drew. Fundamentals of Multimedia, Pearson Educational, 2004
  • Multimedia Applications. In B. Fuhrt (ed), Handbook of Internet Computing, CRC Press, 2000
  • Moore, R. J., & Arar, R. (2019). Conversational UX design: A practitioner's guide to the natural conversation framework. Morgan & Claypool.
  • Moore, R. J., An, S., & Ren, G. J. (2023). The IBM natural conversation framework: a new paradigm for conversational UX design. Human-Computer Interaction, 38(3-4), 168-193.

Codice insegnamento sistemi-multimediali-e-interaction-design

Sonic interaction design 2° semestre · 6 CFU · INFO-01/A · 0 file

L'insegnamento presenta strumenti, metodi e interfacce per l'interazione multisensoriale espressiva, per il design e la valutazione dell'interazione mediata dal suono. Lo studente dovrà essere in grado di: - conoscere…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento presenta strumenti, metodi e interfacce per l'interazione multisensoriale espressiva, per il design e la valutazione dell'interazione mediata dal suono.

Lo studente dovrà essere in grado di: - conoscere i principi del design dell'interazione multisensoriale - comprendere e progettare relazioni percezione-azione centrate sul suono e sull'interazione multisensoriale - progettare e condurre esperimenti per la valutazione dell'interazione

Programma

Il suono come portatore di informazione
Design dell'interazione sonora
Display uditivi e sonificazione
Interazione multisensoriale
Protocolli per la comunicazione e il controllo di oggetti sonanti: MIDI 1.0 and 2.0; Open Sound Control
Creazione di interazioni multisensoriali con sensori, attuatori, e piattaforme
Valutazione sperimentale di oggetti sonanti e interazioni

Modalità d'esame

Ciascuno studente progetta, sviluppa, e valuta una interazione sonora, la quale sarà discussa con il docente. Gli studenti sono incoraggiati a interagire con forme di co-design e cross-valutazione.
Una presentazione finale, comprensiva di documentazione, sarà valutata dal docente e ad essa sarà assegnato un punteggio tra 18 e 30, con la possibilità di lode per contributi originali e innovativi.

Testi di riferimento

Appunti e presentazioni del docente.
Articoli scientifici proposti dal docente.
Libri per consultazione, tra i quali si citano i seguenti:

  • Franinovic, K. and Serafin, S. eds., 2013. Sonic interaction design. MIT Press.
  • Rocchesso, D., 2011. Explorations in sonic interaction design. Berlin: Logos.
  • Serafin, S., Buxton, B., Gaver, B. and Bly, S., 2022. Auditory Interfaces. Focal Press.
  • Hermann, T., Hunt, A., Neuhoff, J.G. eds., 2011. The Sonification Handbook. Berlin: Logos.
  • Filimowicz M. ed., 2020. Foundations in sound design for embedded media. Focal Press

Codice insegnamento sonic-interaction-design

Specifica e verifica di sistemi critici 6 CFU · INFO-01/A · 0 file

L'obiettivo dell'insegnamento è di presentare le metodologie e le tecniche per la specifica rigorosa e l'analisi formale di sistemi software critici, ossia quei sistemi il cui malfunzionamento e le cui vulnerabilità…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo dell'insegnamento è di presentare le metodologie e le tecniche per la specifica rigorosa e l'analisi formale di sistemi software critici, ossia quei sistemi il cui malfunzionamento e le cui vulnerabilità possono causare danni inaccettabili. Vengono quindi presentati i fondamenti teorici e gli strumenti per la specifica formale basata su macchine a stati astratte e la verifica formale di proprietà espresse in logica temporale.

Al termine del corso, lo studente sarà in grado di sviluppare la specifica formale di un sistema critico e di validare la specifica. Lo studente acquisirà inoltre la capacità di specificare requisiti complessi tramite il raffinamento di modelli e di garantire la correttezza e la sicurezza (safety & security) del sistema tramite model checking di proprietà espresse in logica temporale.

Programma

Il programma è condiviso con i seguenti insegnamenti:

  • [FBB-33](https://www.unimi.it/it/ugov/of/af20270000fbb-33)

Modalità d'esame

Modalità di valutazione: EsameGiudizio di valutazione: voto verbalizzato in trentesimi

Codice insegnamento specifica-e-verifica-di-sistemi-critici

Statistical methods for machine learning 2° semestre · 6 CFU · INFO-01/A · 0 file

L'insegnamento descrive e analizza, in un contesto statistico rigoroso, alcune delle più importanti tecniche per il progetto e analisi di algoritmi di apprendimento automatico. Al termine dell'insegnamento gli studenti…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento descrive e analizza, in un contesto statistico rigoroso, alcune delle più importanti tecniche per il progetto e analisi di algoritmi di apprendimento automatico.

Al termine dell'insegnamento gli studenti saranno in grado di comprendere il concetto di overfitting e il suo ruolo nel controllo del rischio statistico, descrivere alcuni algoritmi fondamentali di apprendimento automatico spiegando come evitano l'overfitting, eseguire esperimenti di apprendimento automatico usando la corretta metodologia statistica. Questi obiettivi verranno misurati attraverso la relazione del progetto e la prova scritta. Il voto finale è ottenuto combinando la valutazione del progetto con la valutazione della prova scritta.

Programma

Introduzione
L'algoritmo Nearest Neighbour
Predittori ad albero
Apprendimento statistico
Analisi del rischio dei predittori ad albero
Gestione degli iperparametri e stima del rischio
Consistenza e algoritmi nonparametrici
Predittori lineari
Discesa del gradiente sequenziale
Funzioni kernel
Support Vector Machines
Analisi di stabilità e controllo del rischio in SVM
Reti neuronali e apprendimento profondo
Regressione logistica e funzioni di perdita surrogate

Modalità d'esame

L'esame è diviso in due parti che possono essere svolte in un ordine arbitrario: (1) Uno scritto senza consultazione di testi dove in 60 minuti lo studente risponde a 12 domande (+ una domanda opzionale) selezionate da una lista pubblica; (b) un progetto sperimentale, scelto da una lista pubblicata alla fine del corso, dove lo studente prepara una breve presentazione (5'-10') del suo progetto durante la quale gli verrà chiesto di motivare le scelte fatte nel codice e di discutere gli esperimenti. Il progetto sperimentale può essere sostituito da un progetto teorico in cui lo studente deve produrre una relazione (di 10-15 pagine) basata su una pubblicazione scientifica fornita dal docente e contenente la dimostrazione completa di almeno un risultato tecnico, incluse le definizioni e i lemmi ausiliari.

Testi di riferimento

Il riferimento principale sono le dispense disponibili presso ncesa-bianchismml.ariel.ctu.unimi.it/
Libro di testo di riferimento: Shai Shalev-Shwartz e Shai Ben-David, Understanding Machine Learning: From Theory to Algorithms, Cambridge University Press, 2014.

Codice insegnamento statistical-methods-machine-learning

Sviluppo di applicazioni per dispositivi mobili 2° semestre · 6 CFU · INFO-01/A · 0 file

L'insegnamento ha lo scopo di presentare tecniche evolute di trattamento dell'informazione nel contesto delle applicazioni per dispositivi mobili. Gli argomenti principali che saranno affrontati riguardano il calcolo…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento ha lo scopo di presentare tecniche evolute di trattamento dell'informazione nel contesto delle applicazioni per dispositivi mobili. Gli argomenti principali che saranno affrontati riguardano il calcolo della posizione indoor, le tecniche di activity recognition e quelle di augmented reality.

Lo studente rafforzerà le proprie capacità di analisi di problemi complessi e di sviluppo di soluzioni con metodologia scientifica. Lo studente acquisirà inoltre conoscenze relative a tre tematiche di particolare rilevanza nel panorama tecnologico (posizionamento indoor, augmented reality, activity recognition). Siccome le tematiche affrontate sono tutt'oggi oggetto di ricerca, lo studente dovrà inoltre rafforzare le proprie capacità di comprensione dei testi scientifici. Lo studente svilupperà inoltre competenze di sviluppo, realizzando un'applicazione prototipale con aspetti innovativi.

Programma

  • Augmented reality
    Si introducono i principi fondamentali della Realtà Aumentata (AR), illustrando l'intera pipeline di sviluppo di un sistema AR: registration, tracking, display, environment understanding e interaction. Vengono presentati i principali modelli di riferimento spaziale, le tecniche di pose estimation, Visual-Inertial Odometry (VIO) e SLAM, i paradigmi di rendering e comprensione dell'ambiente, nonché le principali tecniche di interazione con oggetti reali e virtuali, tra cui hit testing, manipolazione di oggetti 3D e input multimodale.
  • Indoor positioning
    Si introducono le principali problematiche del posizionamento indoor, illustrandone le applicazioni, i requisiti progettuali e le caratteristiche dei sistemi di localizzazione. Vengono presentate le principali tecniche di Indoor Positioning, tra cui approcci basati su computer vision, Wi-Fi, Bluetooth Low Energy (BLE), Visual-Inertial Odometry (VIO) e sistemi ibridi, discutendone vantaggi, limiti e ambiti applicativi. Infine, sono introdotte le principali tecniche probabilistiche per la fusione di dati soggetti a rumore, basate su Bayesian Filtering, Hidden Markov Models (HMM) e Particle Filtering, mostrando come integrare misure provenienti da sensori eterogenei e informazioni sulla mappa dell'ambiente per migliorare l'accuratezza della stima della posizione.
  • Human activity recognition
    Si introducono i principi fondamentali della Human Activity Recognition (HAR), illustrando l'intera pipeline di sviluppo di un sistema di riconoscimento delle attività umane: data acquisition, pre-processing, segmentation, feature extraction, classification e evaluation. Vengono presentati i principali algoritmi di Machine Learning e Deep Learning, le tecniche di riconoscimento basate su sensori inerziali e computer vision, nonché i paradigmi di pose estimation, keypoint detection e marker-less tracking. Infine, sono illustrate le principali metodologie di addestramento e valutazione dei modelli, concludendo con un caso di studio.
  • Introduzione alla programmazione iOS (inclusa parte di introduzione alla programmazione Swift e Swift UI)
    Si introducono i principi fondamentali dello sviluppo di applicazioni per iOS utilizzando il linguaggio Swift e il framework SwiftUI. Vengono presentati i principali costrutti del linguaggio, tra cui strong typing, optionals, struct, class, insieme ai paradigmi di sviluppo delle interfacce grafiche imperativo, e dichiarativo. Infine, sono illustrati l'architettura di SwiftUI, i meccanismi di gestione dello stato basati su property wrappers (es. @State) e i principi che regolano l'aggiornamento reattivo dell'interfaccia utente.

Modalità d'esame

Sono previste due prove d'esame, una per la parte di teoria e un progetto.
Teoria
Gli argomenti sono tutti quelli trattati durante l'insegnamento.
È prevista una prova scritta durante una prova in itinere (solitamente a Maggio) e durante l'appello di Giugno. La prova scritta consiste in 10 domande a risposta multipla (1,5 punti per ciascuna risposta corretta) e 2 domande aperte (massimo 7 punti per ciascuna domanda).
Negli altri appelli la prova sarà in parte scritta e in parte orale: il docente assegna due o tre domande aperte alle quali lo studente risponde in modo scritto. Il docente dunque corregge in tempo reale le risposte fornite ed eventualmente chiede allo studente di integrare in modo scritto o orale la risposta fornita.
Progetto
Al fine di valutare le competenze degli studenti, è previsto un progetto che gli studenti devono proporre al docente. Il progetto riguarda una delle 3 tematiche trattate durante l'insegnamento (AR, indoor positioning, Human-Activity Recognition). Il progetto si può svolgere individualmente o in coppie. A lavoro ultimato, gli studenti sostengono una prova orale nella quale presentano il lavoro svolto.

Testi di riferimento

I docenti forniscono le slide delle lezioni (tramite il sito ariel dell'insegnamento), che costituiscono la base del materiale da studiare. Le slide stesse includono puntatori a risorse online e articoli scientifici da consultare per lo studio.

Codice insegnamento sviluppo-di-applicazioni-dispositivi-mobili

Sviluppo software in gruppi di lavoro complessi 6 CFU · INFO-01/A · 0 file

L'insegnamento affronta gli aspetti organizzativi dello sviluppo software, con l'obiettivo di formare figure professionali che contribuiscono allo sviluppo di progetti software con la consapevolezza delle esigenze…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento affronta gli aspetti organizzativi dello sviluppo software, con l'obiettivo di formare figure professionali che contribuiscono allo sviluppo di progetti software con la consapevolezza delle esigenze gestionali e la conoscenza dei principi di funzionamento dei principali strumenti di supporto.

Al termine dell'insegnamento lo studente sarà in grado di discutere criticamente i principali modelli organizzativi di sviluppo (cattedrale, bazaar, kibbutz, gruppi di lavoro "agili"). Saprà sfruttare il supporto fornito dai tool di configuration management e versioning (in particolare git) e i servizi di continuous integration e delivery. Sarà inoltre in grado di scrivere programmi accompagnati da documentazione e specifiche mirate al lavoro collaborativo (in particolare sfruttando tecniche di Design By Contract).

Programma

  • Cenni ai modelli organizzativi di sviluppo (cattedrale, bazaar, kibbutz, gruppi di lavoro "agili")
  • Il supporto fornito dai tool di configuration management e versioning
  • Continuous integration & delivery
  • DevOps
  • Documentazione e specifica mirata al lavoro collaborativo (Design By Contract e linguaggi per la separation of concerns)

Modalità d'esame

L'esame consiste in una prova in laboratorio e una prova orale. La prova in laboratorio, della durata di 2 ore, consiste di alcune domande a risposta aperta, esercizi e domande sul "design by contract" con Eiffel, esercizi e domande sull'uso del sistema di configuration management git (in ambiente Linux). La prova orale consiste in un colloquio sugli argomenti dell'insegnamento, volto in particolare ad accertare il senso critico sviluppato dallo studente in ordine alle tecniche presentate a lezione.
Al termine della prova orale viene formulata la valutazione complessiva, espressa in trentesimi, tenendo conto dei seguenti parametri: grado di conoscenza degli argomenti e degli strumenti presentati durante l'insegnamento, capacità di ragionamento critico, chiarezza espositiva e proprietà di linguaggio.

Testi di riferimento

La maggior parte del programma è coperta dalle slide delle lezioni e dalla lettura obbligatoria di alcuni articoli scientifici. È inoltre obbligatoria la lettura di alcuni brani tratti dai seguenti libri:
The Mythical Man-Month: Essays on Software Engineering, Anniversary Edition
by Frederick Brooks Jr., Addison Wesley ‎ 978-0201835953
Agile!: The Good, the Hype and the Ugly
by Bertrand Meyer, Springer 978-3319051543

Codice insegnamento sviluppo-software-gruppi-di-lavoro-complessi

Tecniche e applicazioni biometriche 2° semestre · 6 CFU · INFO-01/A · 0 file

L'obiettivo dell'insegnamento è di approfondire la progettazione dei sistemi biometrici e la loro teoria, il loro corretto utilizzo e le tematiche inerenti la privacy degli utenti con riferimento ai sistemi classici,…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo dell'insegnamento è di approfondire la progettazione dei sistemi biometrici e la loro teoria, il loro corretto utilizzo e le tematiche inerenti la privacy degli utenti con riferimento ai sistemi classici, la biometria comportamentale, i sistemi mobili, l'autenticazione continua, la profilazione e le recenti innovazioni.

Al termine dell'insegnamento, lo studente dovrà essere in grado di comprendere la struttura e le funzionalità dei sistemi biometrici, il loro corretto utilizzo e implementazione (anche tenendo conto della protezione della privacy degli utenti) in casi generali e con riferimento alle applicazioni specifiche esaminate durante le lezioni.

Programma

Il programma è condiviso con i seguenti insegnamenti:

  • [FBB-31](https://www.unimi.it/it/ugov/of/af20270000fbb-31)

Modalità d'esame

Modalità di valutazione: EsameGiudizio di valutazione: voto verbalizzato in trentesimi

Codice insegnamento tecniche-e-applicazioni-biometriche

Tecniche speciali di programmazione 1° semestre · 6 CFU · INFO-01/A · 0 file

L'insegnamento ha l'obiettivo di esporre lo studente a tecniche e tecnologie che permettano di incrementare la riusabilità, il mantenimento e il testing di funzionalità software. In particolare, l'insegnamento si…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento ha l'obiettivo di esporre lo studente a tecniche e tecnologie che permettano di incrementare la riusabilità, il mantenimento e il testing di funzionalità software. In particolare, l'insegnamento si focalizzerà sulla definizione funzionalità software anche crosscutting e sulla loro estrusione in unità computazionali autonome, più semplici e facilmente componibili. A questo proposito verranno presentate le più recenti ed innovative tecniche di sviluppo software, come, ma non limitate a, aspect-oriented programming, riflessione computationale, context-oriented programming, software product-line, bytecode and intermediate language engineering, etc.

Lo studente dovrà dimostrare di saper sviluppare ed implementare applicazioni le cui funzionalità sono separate e successivamente composte utilizzando le tecniche presentate a lezione. Lo studente dovrà anche essere in grado di riconoscere una funzionalità software all'interno di un'applicazione esistente e di separarla dal resto del codice usando una delle tecniche/tecnologie viste a lezione. Lo studente dovrà inoltre dimostrare di aver sviluppato una capacità di scrivere codice migliore (più semplice, riusabile e manutenibile) applicando le tecniche e i concetti forniti dall'insegnamento.

Programma

Lo studente dovrà dimostrare di saper sviluppare ed implementare applicazioni le cui funzionalità sono separate e successivamente composte utilizzando le tecniche presentate a lezione. Lo studente dovrà anche essere in grado di riconoscere una funzionalità software all'interno di un'applicazione esistente e di separarla dal resto del codice usando una delle tecniche/tecnologie viste a lezione. Lo studente dovrà inoltre dimostrare di aver sviluppato una capacità di scrivere codice migliore (più semplice, riusabile e manutenibile) applicando le tecniche e i concetti forniti dall'insegnamento.

Modalità d'esame

Modalità di valutazione: EsameGiudizio di valutazione: voto verbalizzato in trentesimi

Codice insegnamento tecniche-speciali-di-programmazione

Teoria dei grafi 2° semestre · 6 CFU · INFO-01/A · 0 file

I grafi sono strutture matematiche fondamentali usate per modellare relazioni fra coppie di oggetti. Questo insegnamento descriverà alcuni dei concetti fondamentali della teoria dei grafi, fra cui i cicli, gli…

Scheda dell'insegnamento

Obiettivi formativi

I grafi sono strutture matematiche fondamentali usate per modellare relazioni fra coppie di oggetti. Questo insegnamento descriverà alcuni dei concetti fondamentali della teoria dei grafi, fra cui i cicli, gli accoppiamenti, le colorature, la connettività e i grafi estremali. La seconda parte dell'insegnamento si occuperà di alcuni aspetti avanzati, come ad esempio i grafi casuali e la teoria spettrale dei grafi, che hanno recentemente avuto un impatto notevole sull'informatica.

Al termine dell'insegnamento, gli studenti saranno in grado di: (1) dimostrare i principali teoremi strutturali della teoria dei grafi; (2) comprendere le proprietà fondamentali di alcuni modelli di grafi casuali; (3) descrivere le principali quantità spettrali misurabili sui grafi e definirne il loro utilizzo algoritmico. Questi obiettivi verranno misurati attraverso una discussione orale la cui valutazione determinerà il voto finale.

Programma

Lezione 1. Nozioni di base: grafi, sottografi, gradi, percorsi, cicli, raggio, diametro, calibro.
Lezione 2. Nozioni di base: connettività, grafi bipartiti, camminate, circuiti di Eulero, cicli di Hamilton.
Lezione 3. Invarianti, numero di clique, numero di indipendenza, numero cromatico, e loro relazioni elementari. Teorema di Turàn e sue dimostrazioni.
Lezione 4. Il modello Erdos-Renyi. Numero di clique, numero di indipendenza, numero cromatico.
Lezione 5. Ancora Erdos-Renyi. Numero cromatico, connettività. Richiami di algebra lineare e teorema spettrale.
Lezione 6. Matrici simmetriche e quozienti di Rayleigh. Tagli e conduttanza. Laplaciana di un grafo. Prima disuguaglianza di Cheeger.
Lezione 7. Seconda disuguaglianza di Cheeger.
Lezione 8. Esercizi.
Lezione 9. Planted clique. Algoritmo basato sui gradi. Algoritmo spettrale.
Lezione 10. Camminate aleatorie. Autovettori, autovalori, e convergenza alla distribuzione stazionaria.
Lezione 11. Camminate aleatorie. Mixing time e secondo autovalore della laplaciana.
Lezione 12. Tagli, flussi. Teorema max-flow/min-cut e matching in grafi bipartiti. Teorema di König.
Lezione 13/14. Stochastic block models.
Lezione 15. Teoria estremale dei grafi e teorema di Turán. Minori e teorema di Robertson e Seymour. Numero di Hadwiger e numero cromatico. Congettura di Hadwiger.
Lezione 16. Esercizi.

Modalità d'esame

Esame orale. L'esame ha la durata massima di un'ora, e consiste in una serie di domande ed esercizi volte a misurare la preparazione degli studenti e la loro capacità di manipolare autonomamente le nozioni e le tecniche centrali dell'insegnamento.

Testi di riferimento

· Reinhard Diestel, Graph Theory (5th edition), Springer, 2017. ISBN: 978-3-662-53621-6
· Dispense che verranno fornite dal docente.

Codice insegnamento teoria-dei-grafi

Teoria dei linguaggi 6 CFU · INFO-01/A · 0 file

Obiettivo dell'insegnamento è la presentazione delle basi della teoria dei linguaggi formali e degli automi, insieme a sviluppi recenti e problemi aperti significativi. Lo studente dovrà essere in grado di utilizzare…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivo dell'insegnamento è la presentazione delle basi della teoria dei linguaggi formali e degli automi, insieme a sviluppi recenti e problemi aperti significativi.

Lo studente dovrà essere in grado di utilizzare la teoria dei linguaggi formali e degli automi per descrivere formalmente la sintassi di semplici linguaggi artificiali, come i linguaggi di programmazione, o di semplici modelli di calcolo. Dovrà inoltre essere in grado di stabilire confronti tra modelli formali differenti, sia rispetto alla potenza computazionale, sia rispetto alla complessità delle descrizioni.

Programma

L'insegnamento è dedicato alla teoria degli automi e dei linguaggi formali. Verranno presentati i principali risultati relativi alle classi di linguaggi della gerarchia di Chomsky e dei corrispondenti modelli di macchine, riprendendo e approfondendo quanto trattato nel corso di Linguaggi Formali e Automi. Sarà posto particolare accento sullo studio delle risorse computazionali necessarie per il riconoscimento delle diverse classi di linguaggi e, più in generale, agli aspetti di complessità descrizionale. Alcune lezioni saranno dedicate alla discussione di sviluppi recenti ottenuti nelle ricerche nel settore, nonché a problemi aperti.
Gli argomenti principali trattati sono:

  • Automi a stati finiti, linguaggi regolari e complessità descrizionale. Tecniche di lower bound per il numero di stati di automi deterministici e non deterministici. Operazioni su linguaggi regolari e loro complessità in termini di stati. Automi e matrici. Alcuni aspetti degli automi pesati e probabilistici. Automi two-way e il problema di Sakoda e Sipser.
  • Automi a pila e linguaggi liberi dal contesto. Determinismo e non determinismo. Pumping lemma, lemma di Ogden e applicazioni. Il problema dell'ambiguità nei linguaggi liberi dal contesto. Esistenza di linguaggi inerentemente ambigui. Principali proprietà di chiusura e non chiusura della classe dei linguaggi liberi dal contesto e della sottoclasse dei linguaggi liberi dal contesto deterministici. Grammatiche non self-embedding e regolarità della corrispondente classe di linguaggi.
  • Altre classi della gerarchia di Chomsky. Uno sguardo ad alcune proprietà dei linguaggi dipendenti dal contesto, dei linguaggi di tipo 0 e dei corrispondenti modelli di calcolo.
    Un elenco dettagliato degli argomenti trattati, lezione per lezione, viene pubblicato e aggiornato sul sito web dell'insegnamento.

Modalità d'esame

L'esame consiste di una prova orale, relativa agli argomenti trattati nell'insegnamento.
La valutazione, espressa in trentesimi, tiene conto del livello di padronanza degli argomenti, della chiarezza espositiva e della proprietà di linguaggio.

Testi di riferimento

Riferimenti bibliografici:
J. Shallit, A Second Course in Formal Languages and Automata Theory. Cambridge University Press, 2009
J. Hopcroft and J. Ullman, Introduction to Automata Theory, Languages, and Computation. Addison-Wesley, 1979 - Nota: nelle edizioni successive (2000, 2006, ed. italiana 2009), più orientate a corsi di base, molti argomenti sono stati eliminati o sono in modo meno approfondito.
J. Hopcroft and J. Ullman, Formal languages and their relation to automata. Addison Wesley, 1969 - Nota: "Precursore" del libro del 1979. Ben scritto, ma poco aggiornato su alcuni argomenti. Scaricabile dalla ACM Digital Library (dalla rete all'interno dell'università).

Codice insegnamento teoria-dei-linguaggi

Verifica e convalida del software 6 CFU · INFO-01/A · 0 file

L'insegnamento ha l'obiettivo di approfondire le tecniche di convalida (cioè determinare se un prodotto software corrisponde alle aspettative del cliente) e verifica (cioè determinare se un prodotto software…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento ha l'obiettivo di approfondire le tecniche di convalida (cioè determinare se un prodotto software corrisponde alle aspettative del cliente) e verifica (cioè determinare se un prodotto software corrisponde alle specifiche raccolte dall'analista): particolare attenzione è posta sulle tecniche di analisi statica, testing e analisi formale.

Lo studente sarà in grado di usare in maniera evoluta e critica alcuni diffusi framework di testing e analisi, padroneggiandone i fondamenti metodologici e teorici.

Programma

Lo studente sarà in grado di usare in maniera evoluta e critica alcuni diffusi framework di testing e analisi, padroneggiandone i fondamenti metodologici e teorici.

Modalità d'esame

Modalità di valutazione: EsameGiudizio di valutazione: voto verbalizzato in trentesimi

Codice insegnamento verifica-e-convalida-del-software

Visione artificiale 2° semestre · 6 CFU · INFO-01/A · 0 file

L'obiettivo dell'insegnamento è fornire le competenze necessarie per analizzare immagini, video o ricostruzioni tridimensionali, al fine di attribuire loro un significato semantico, interpretando il mondo reale…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo dell'insegnamento è fornire le competenze necessarie per analizzare immagini, video o ricostruzioni tridimensionali, al fine di attribuire loro un significato semantico, interpretando il mondo reale attraverso il riconoscimento di oggetti, soggetti, azioni o situazioni rappresentati nella scena. Le competenze verteranno su fondamenti di visione e tecniche di Deep Learning

  • Conoscere i principi alla base della formazione delle immagini- Conoscere le tecniche per ottenere la ricostruzione tridimensionale di oggetti reali- Conoscere le tecniche di apprendimento (in particolare tecniche di Deep Learning) legate alla visione per poter identificare e riconoscere oggetti o azioni da un'immagine o da un video

Programma

L'insegnamento propone allo studente l'apprendimento delle tematiche fondamentali della visione artificiale, organizzate nei seguenti moduli:
1) Image formation

  • Modelli geometrici della camera
  • Calibrazione di camera
  • Modelli di luminosità
  • Modelli di colore
    2) "Early" vision
  • Filtraggio lineare
  • Estrazione di features
  • Stereopsis (visione binoculare)
  • Structure from Motion (multi-view)
  • Registrazione di forme 3D
    3) Machine learning
  • Deep Learning Computation
  • Convolutional Neural Networks
  • Transformers
  • Recurrent Neural networks
  • Graph Neural Networks
  • Generative models
  • Self-Supervised Learning

Modalità d'esame

L'esame consiste in una prova scritta con domande aperte. Ha la durata di 1 ora e 30 minuti e prevede la risposta a 4 domande che coprono gli argomenti trattati nel corso. Non sono previsti esercizi.
La valutazione è espressa in trentesimi.

Testi di riferimento

Web site:
https://github.com/lanzarotti/
Materiale dell'insegnamento:

  • Presentazioni utilizzate durante le lezioni
  • Codice software fornito per le esercitazioni
    Testi di riferimento:
  • [Moduli 1 e 2] D.A. Forsyth, J. Ponce - Computer Vision - A Modern Approach - Pearson, 2nd edition (Capitoli 1, 3, 4, 5, 7, 11)
  • [Modulo 3] C.M. Bishop, H. Bishop - Deep Learning - Foundations and Concepts - Springer (Capitoli: 10, 12, 13, 17, 19)

Codice insegnamento visione-artificiale

Web programming for sound and music 6 CFU · INFO-01/A · 0 file

L'insegnamento affronta in maniera organica tecnologie, algoritmi e strutture dati per rappresentare e gestire informazione musicale e audio in ambienti web. L'obiettivo è fornire gli strumenti necessari per affrontare e…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento affronta in maniera organica tecnologie, algoritmi e strutture dati per rappresentare e gestire informazione musicale e audio in ambienti web. L'obiettivo è fornire gli strumenti necessari per affrontare e risolvere problemi teorici ed applicativi, che spaziano dalla realizzazione di applicazioni web volte alla musicologia computazionale all'implementazione di media player con funzioni avanzate.

Al termine del corso, gli studenti saranno in grado di progettare e implementare applicazioni web per l'acquisizione, generazione, manipolazione e salvataggio dell'informazione audio. In particolare, gli studenti padroneggeranno le seguenti tecnologie: controllo tramite JavaScript degli elementi HTML5 audio e video; Web Audio API; Web Speech API; Web MIDI API.

Programma

L'insegnamento affronta metodologie, standard e tecnologie per la progettazione e lo sviluppo di applicazioni Web orientate all'audio, alla musica e all'interazione multimediale. Vengono integrati aspetti teorici e applicativi, introducendo progressivamente le principali API browser-based per la gestione, sintesi, elaborazione e trasmissione di contenuti audio-musicali digitali.
Particolare attenzione è dedicata allo sviluppo di applicazioni interattive mediante JavaScript, all'elaborazione audio in tempo reale, all'integrazione di protocolli musicali digitali e alla realizzazione di strumenti software browser-based.
Gli argomenti trattati includono:

  • Introduzione all'insegnamento e richiami di programmazione Web: struttura di una pagina HTML5, gestione degli eventi in JavaScript, manipolazione del DOM, interazione tra HTML, CSS e JavaScript, strumenti di sviluppo e debugging.
  • Elementi HTML5 per l'audio e il video: utilizzo degli elementi e , gestione di sorgenti multimediali, controlli standard e personalizzati, compatibilità tra browser, eventi multimediali, controllo tramite JavaScript.
  • Programmazione audio e video lato client: gestione di oggetti multimediali in JavaScript, riproduzione e sincronizzazione, manipolazione grafica tramite , rendering e processamento di frame video.
  • Introduzione alla Web Audio API: architettura dell'audio graph, AudioContext, AudioNode, routing audio, connessioni tra nodi, gestione del tempo audio e scheduling.
  • Gestione e processamento dell'audio: AudioBuffer, caricamento e decodifica di file audio, Fetch API e gestione asincrona delle risorse, analisi del segnale tramite AnalyserNode, visualizzazione nel dominio del tempo e della frequenza.
  • Parametri audio e automazione: AudioParam, automazione temporale dei parametri, envelope, modulazioni, gestione dinamica dei segnali audio, controllo sample-accurate.
  • Mixing ed effetti audio: gain, compressione dinamica, panning, routing avanzato, delay, echo, riverberazione, waveshaping, convoluzione e progettazione di semplici effetti audio digitali.
  • Sintesi del suono: sintesi additiva, sottrattiva e per modulazione; oscillatori, filtri, inviluppi, modulazione di ampiezza e frequenza, ring modulation, costruzione di sintetizzatori software mediante Web Audio API.
  • AudioWorklet e processamento audio avanzato: architettura dei worklet, separazione tra main thread e audio rendering thread, sviluppo di nodi personalizzati per DSP in tempo reale.
  • Gestione di stream audio e video: Blob, MediaStream, acquisizione e registrazione di flussi multimediali, MediaRecorder, cattura e salvataggio di contenuti audio/video.
  • Framework e strumenti per il Web audio: introduzione a Tone.js e ad altri strumenti per la progettazione di applicazioni audio-musicali browser-based.
  • Web Speech API: sintesi vocale e riconoscimento vocale in applicazioni Web, gestione delle voci, parametri di sintesi e interazione vocale.
  • Rappresentazione computazionale della notazione musicale: codifica dell'altezza, pitch class e name class, sistemi di notazione musicale, frequenze e temperamenti, rappresentazione simbolica dell'informazione musicale.
  • Protocollo MIDI: architettura del protocollo MIDI, porte e canali MIDI, struttura dei messaggi MIDI, messaggi channel voice e principi di comunicazione tra dispositivi musicali digitali.
  • Web MIDI API: accesso ai dispositivi MIDI da browser, enumerazione di porte MIDI, invio e ricezione di messaggi MIDI, gestione di eventi MIDI, routing, controllo di sintetizzatori software e hardware, sviluppo di applicazioni musicali interattive browser-based.
  • Applicazioni ed esercitazioni progettuali: sviluppo guidato di applicazioni interattive audio-musicali, strumenti virtuali, monitor MIDI, armonizzatori, sequencer e sistemi di controllo in tempo reale mediante tecnologie Web standard.

Modalità d'esame

L'esame consiste in due prove: 1) una prova scritta e 2) la consegna, presentazione e discussione orale di un progetto individuale sviluppato dallo/a studente/studentessa.
Ciascuna prova contribuisce per il 50% alla determinazione del voto finale.
La prova scritta è finalizzata a verificare l'acquisizione delle conoscenze teoriche e applicative relative agli argomenti trattati durante l'insegnamento. Essa comprende domande a risposta multipla e quesiti di analisi del codice, volti ad accertare la capacità di comprendere, interpretare e valutare frammenti di codice relativi alla programmazione Web per audio e musica. I quesiti potranno includere, a titolo esemplificativo, l'individuazione di errori, la spiegazione del comportamento di uno script, il riconoscimento dell'uso corretto di API e costrutti JavaScript, e l'analisi dell'interazione tra codice HTML, JavaScript e tecnologie Web multimediali.
Il progetto individuale deve essere realizzato nel rispetto delle linee guida e delle specifiche tecniche pubblicate dal docente durante l'insegnamento. Esso ha lo scopo di verificare la capacità di applicare in modo autonomo le conoscenze e le competenze acquisite nell'ambito della programmazione Web per audio e musica, con particolare riferimento all'utilizzo di tecnologie e API trattate durante l'insegnamento, quali HTML5 multimedia, JavaScript, Web Audio API, Web MIDI API e strumenti correlati.
Durante la presentazione e discussione orale del progetto, lo/a studente/studentessa dovrà:

  • illustrare le scelte progettuali e implementative adottate;
  • descrivere l'architettura dell'applicazione sviluppata;
  • dimostrare la comprensione delle tecnologie utilizzate;
  • rispondere a domande relative agli aspetti teorici e applicativi affrontati nell'insegnamento, anche in relazione alle soluzioni implementate nel progetto.
    La valutazione finale è espressa in trentesimi ed è determinata dalla media ponderata delle due prove, secondo la seguente articolazione:
  • prova scritta: 50%;
  • progetto individuale, presentazione e discussione orale: 50%.
    La valutazione della prova scritta tiene conto della correttezza delle risposte, della capacità di analizzare e interpretare il codice, del riconoscimento appropriato delle tecnologie e delle API utilizzate, e della comprensione degli aspetti teorici e applicativi affrontati.
    La valutazione del progetto individuale tiene conto dei seguenti elementi:
  • correttezza tecnica e funzionale del progetto;
  • qualità dell'implementazione software;
  • coerenza tra obiettivi progettuali e soluzioni adottate;
  • capacità di integrare in modo appropriato le tecnologie trattate durante l'insegnamento;
  • chiarezza espositiva e uso appropriato del lessico tecnico;
  • grado di autonomia, consapevolezza critica e padronanza degli argomenti dimostrati durante la discussione orale.
    Non sono previste prove intermedie obbligatorie.

Testi di riferimento

Slide delle lezioni, esempi di codice e ulteriore materiale didattico messi a disposizione dal docente attraverso la piattaforma online dell'insegnamento.
Specifiche tecniche, standard e documentazione ufficiale relativi alle tecnologie trattate.
Ulteriore documentazione tecnica e materiali di approfondimento indicati durante lo svolgimento dell'insegnamento.

Codice insegnamento web-programming-sound-and-music

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.