Corso di laurea

Artificial Intelligence Engineering

Università degli Studi di Modena e Reggio Emilia · 43 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

Applications Of Ai/Ml In Operation And Supply Chain Management 1° anno · 2° semestre · 6 CFU · IIND-05/A · 0 file

Il corso "Applications of AI/ML in Operations and Supply Chain Management" offre una panoramica completa dei concetti chiave della supply chain, della gestione delle operazioni e della logistica, concentrandosi…

Scheda dell'insegnamento

Obiettivi formativi

Il corso "Applications of AI/ML in Operations and Supply Chain Management" offre una panoramica completa dei concetti chiave della supply chain, della gestione delle operazioni e della logistica, concentrandosi sull'utilizzo delle tecnologie di AI e di apprendimento automatico. Il corso mira a fornire agli studenti le conoscenze e le competenze necessarie per ottimizzare i diversi aspetti dei processi operativi e della supply chain utilizzando queste tecnologie avanzate. Il corso inizia con una rapida introduzione ai concetti fondamentali della supply chain, della gestione operativa e della logistica. Gli studenti acquisiranno una solida base in queste aree, ponendo le basi per comprendere come l'IA e il ML possano essere applicati in modo efficace. Successivamente, il corso si addentra nello sviluppo di simulazioni di eventi discreti, utilizzando Python e Simpy. Gli studenti impareranno a creare simulazioni che imitano scenari reali, consentendo loro di modellare e analizzare vari processi operativi e di supply chain. Questo bagaglio di competenze pratiche consentirà agli studenti di acquisire conoscenze e prendere decisioni basate sui dati. Il corso si concentra poi sugli algoritmi di apprendimento per rinforzo, applicati specificamente nel contesto delle simulazioni di eventi discreti. Gli studenti impareranno a sfruttare questi algoritmi per modellare ambienti di officina e ambienti intra-logistici altamente automatizzati. Utilizzando l'apprendimento per rinforzo, gli studenti possono ottimizzare il comportamento degli agenti in questi ambienti simulati, migliorando l'efficienza e le prestazioni. Il corso si conclude con la valutazione di un progetto finale, che offre agli studenti l'opportunità di applicare le loro conoscenze e competenze a un problema del mondo reale. Gli studenti si cimenteranno nel difficile compito di modellare vari agenti per la gestione e l'ottimizzazione di un ambiente di logistica interna altamente automatizzato. La valutazione del progetto servirà a valutare le capacità degli studenti di sfruttare efficacemente le tecnologie AI e ML in scenari pratici. Nel complesso, il corso fornisce agli studenti gli strumenti necessari per sfruttare le tecnologie AI/ML e ottimizzare le operazioni e i processi della supply chain. Combinando le conoscenze teoriche con le applicazioni pratiche, gli studenti saranno ben preparati ad affrontare le complesse sfide che si presentano negli ambienti aziendali dinamici di oggi.

Programma

Il corso inizia con una rapida introduzione ai concetti fondamentali della supply chain, della gestione delle operazioni e della logistica. Gli studenti acquisiranno una solida base in queste aree, ponendo le basi per comprendere come l'IA e il ML possono essere applicati in modo efficace. [2CFU] Successivamente, il corso approfondisce lo sviluppo di simulazioni di eventi discreti, utilizzando Python e Simpy. Gli studenti impareranno come creare simulazioni che imitano scenari del mondo reale, consentendo loro di modellare e analizzare vari processi operativi e della supply chain. Questo set di abilità pratiche consentirà agli studenti di acquisire conoscenze e prendere decisioni basate sui dati. [2 CFU] Il corso si concentra poi sugli algoritmi di apprendimento per rinforzo, specificatamente applicati nell'ambito delle simulazioni ad eventi discreti. Gli studenti impareranno come sfruttare questi algoritmi per modellare ambienti di officina e ambienti intra-logistici altamente automatizzati. Utilizzando l'apprendimento per rinforzo, gli studenti possono ottimizzare il comportamento degli agenti all'interno di questi ambienti simulati, migliorando l'efficienza e le prestazioni. [2 CFU]

Conoscenza di base di statistica, algebra lineare, Machine Learning e Deep Learning Conoscenza del linguaggio Python

Utilizzo di dispense a cura del docente. Si prevede un ciclo di lezioni frontali. Laboratorio per l'esercitazione dei concetti presentati.

Modalità d'esame

Il corso si conclude con una valutazione finale basata su un progetto pratico, che permette agli studenti di mettere in pratica le competenze acquisite risolvendo una sfida rappresentativa del settore. Gli studenti saranno chiamati a sviluppare una simulazione per la gestione e l'ottimizzazione di un processo produttivo o logistico. Successivamente, ognuno dovrà progettare un agente autonomo basato su Reinforcement Learning per ottimizzare l'ambiente simulato. Il progetto costituirà anche il punto di partenza per la discussione dell'esame orale, attraverso cui si valuterà la capacità dello studente di applicare in modo efficace le tecnologie di intelligenza artificiale e machine learning a contesti reali. - Metodo: consegna progetto (codice sorgente) e discussione orale - Tempi: colloquio orale di almeno 20 minuti - Modalità di attribuzione del punteggio per il voto finale: valutazione della prova orale e discussione del progetto - Gli indicatori di valutazione della prova sono: - Capacità di utilizzare le conoscenze (25%) - Capacità di collegare le conoscenze (25%) - Padronanza del linguaggio tecnico/teorico (15%) - Capacità di discutere gli argomenti (20%) - Capacità di approfondire gli argomenti (15%) - Materiali utili per sostenere la prova: calcolatore

Testi di riferimento

[RL]: Reinforcement Learning Sutton, Barto. [ML]: Machine Learning with PyTorch and Scikit-Learn, Raschka

Codice insegnamento 29128

Computer Vision And Cognitive Systems 1° anno · 2° semestre · 9 CFU · IINF-05/A · 0 file

La Visione e i Sistemi Cognitivi studiano come i computer possono percepire e comprendere il mondo attraverso immagini e video. Sviluppa sistemi basati sull'elaborazione delle immagini, la analisi del contenuto video, la…

Scheda dell'insegnamento

Obiettivi formativi

La Visione e i Sistemi Cognitivi studiano come i computer possono percepire e comprendere il mondo attraverso immagini e video. Sviluppa sistemi basati sull'elaborazione delle immagini, la analisi del contenuto video, la ricostruzione da 2D a 3D. In senso lato, è la parte visiva dell'Intelligenza Artificiale e il più importante componente dei sistemi cognitivi. Il “Cognitive Computing” è una disciplina emergente che integra l’AI e la “signal processing”; sfrutta dati sensoriali (immagini, audio, suono, dati di profondità e altri dati sensoriali) per estrarre conoscenza ed inferenze in molti ambiti, dall'interazione uomo-macchina, alla robotica e big data. Il corso fornisce i fondamenti della visione e dei sistemi cognitivi: l’acquisizione, l’image processing ed analysis, la geometria 3D, la stima del movimento e la classificazione. Il corso sarà principalmente un corso di laboratorio con progetti in Python e con Librerie (OpenCv e PyTorch per Deep Learning) e sensori (fotocamere, eye-tracker…). È un corso di ingegneria: fornisce strumenti per la progettazione di sistemi cognitivi basati sulla visione. Nel corso si proporranno progetti in diversi contesti: video-sorveglianza, guida autonoma, HMI, robotica, interpretazione del comportamento umano (viso, riconoscimento e tracciamento del corpo). La teoria dei sistemi cognitivi, integrando paradigmi di visione con quelli più ampi del calcolo cognitivo delle neuroscienze, e dell'apprendimento automatico permetterà di comprendere le tendenze future dell'AI, come progettare e implementare sistemi software capaci di imparare, interagire e collaborare con gli esseri umani. Durante il corso discuteremo alcuni progetti realizzati in grandi aziende come Google, IBM, Panasonic, Facebook e Amazon; inoltre riceveremo presentazioni di aziende emergenti che lavorano nella VA e piattaforme cognitive e richiedono nuovi saperi in queste discipline.

Programma

1. Introduction: Computer Vision and Artificial Intelligence; history; the current research trends; the market, applications, future trends. 2. Data manipulation in PyTorch: tensors, strided representation, tensor operations. Computational graph construction and automatic differentiation. 3. Image processing: image, video, resolution; histograms; color and other spaces; compositing and matting; OpenCV labs. linear operators; binarization with Otsu and adaptive thresholding; Noise; correlation and convolution; smoothing, Gaussian, median, bilateral filtering, deblurring; edge detection; Canny; lab; border tracing, active contours; Humans Perceptive systems; attention and saliency; saliency detection with deep learning; pixel adiacency, labeling, morphology, distance transform; region segmentation, graph cut; 4. CNNs: 2D convolution with stride, padding, dilation, grouping. 2D Pooling layer. State-of-the-art CNN models (AlexNet, ResNet, Wide ResNet, ResNeXt, Densely Connected CNNs). 5. Image formation,: the pinhole model, 2D and 3D isometries, similarities, affine and projective transformation; mosaics. dstortion; calibration tools; stereo vision and 3D; labs. 6. Human and cognitive vision; cognitive computing: philosophy, psychology, gestalt; neuroscience and computer science; D.Marr computational vision;. The brain; pathways in the cortex; Gabor filters; detection and recognition; neural networks trends for recognition. Integration with natural language processing (NLP); cognitive systems for HMI; adaptive reasoning. 7. Identification, detection, classification: performance evaluation, NCC for template matching; Machine Vision, standards in label reading; Shapes and Hough transform, line and circle recognition, GHT; labs; features, Hog for people detection; Faces VJ: CNN for detection of road signs, DL for autonomous driving; labs. Harris, Sift detector, Bag of words; lab of image retrieval. 8. State-of-the-art models for detection (Region-CNN, Fast-RCNN, RoI pooling, RoI Align, YOLO, SSD) and segmentation (Fully convolutional networks, downsampling/upsampling protocol, Transpose convolution, SegNet, UNet). 9. Motion analysis: video segmentation; motion field; optical flow; LKT; affine motion; Motion segmentation with static camera, MoG, Sakbot, shadow analysis; tracking; NCC, Kalman; Particle filtering; multiple target tracking; re-id; 10. State-of-the-art architectures for video understanding (3D convolutions, two-stream CNNs, Inflated 3D convolutions, pseudo 3D convolutions, non-local neural networks) 11. Applications to Surveillance big data and biometry; fingerprint; face, iris detection; applications. Il numero di crediti dell'insegnamento è ripartito equamente tra i punti sopra riportati.

Sono richieste conoscenze di base sulla teoria della probabilità, i metodi classici di machine learning e i fondamenti del Deep Learning (SGD, tipologie fondamentali di reti neurali).

Il corso si svolge in presenza e viene erogato in lingua inglese. I metodi didattici includono: - teoria con slide - letture di libri e di paper scientifici - laboratori in aula con librerie open-source - progetto svolto in gruppo - presentazioni e discussioni con aziende La frequenza è fortemente suggerita.

Modalità d'esame

L'esame prevede lo svolgimento di un progetto a gruppi facoltativo, e consiste in una prova orale in lingua inglese, con domande di teoria sui contenuti del corso e (facoltativamente) la presentazione del progetto sviluppato durante il corso. Il progetto sviluppato durante il corso viene presentato attraverso un report, di 4-8 pagine, in formato paper. L’apprendimento viene verificato attraverso una unica prova orale, in lingua inglese, che si tiene durante appelli erogati al termine dell'insegnamento. Questa ha una durata media di 30 minuti, e consiste (a) nella facoltativa presentazione del progetto (circa 15 minuti) e (b) in 3-4 domande (circa 15 minuti), relative a tutti i contenuti teorici del corso. Gli esiti della prova orale vengono comunicati entro il giorno successivo allo svolgimento della prova stessa, tramite ESSE3. Lo studente può decidere se accettare o rifiutare il voto, e può ripetere l'esame quante volte vuole in successivi appelli. La presentazione del progetto può essere svolta congiuntamente da tutti i membri del gruppo e, qualora un progetto sia già stato presentato in un appello precedente, non viene esposto nuovamente durante gli appelli successivi. Il superamento del progetto è richiesto ai fini del raggiungimento della lode. Gli indicatori di valutazione del progetto sono: - Correttezza tecnica della pipeline proposta (40%) - Appropriatezza e validità degli esperimenti quantitativi e qualitativi (25%) - Presenza di novelty tecnica (20%); - Qualità della presentazione, come dedotta dal report (15%) Per quanto riguarda la valutazione delle domande teoriche, ad ogni domanda viene attribuito lo stesso peso. Gli indicatori di valutazione di ogni domanda sono: - Conoscenza degli argomenti affrontati e appropriatezza delle conoscenze acquisite (50%) - Capacità di collegamento tra tecniche affrontate durante il corso (15%) - Appropriatezza del linguaggio tecnico (20%); - Capacità di approfondimento e di design di nuove soluzioni (15%) Qualora lo studente presenti un progetto, la valutazione del progetto contribuisce al 40% del voto finale, e le domande teoriche al 60%. Qualora lo studente non presenti un progetto, le domande teoriche contribuiscono al 100% della valutazione finale. Non è consentita la consultazione di manuali o testi durante la prova orale.

Testi di riferimento

  • Slides dai docenti, pubblicate su Moodle - Paper di riferimento, segnalati sulle slide, e in generale pubblicati in CVPR; NIPS; ICCV; TPAMI - Testo di riferimento: D. Fosith, Computer Vision

Codice insegnamento 29132

Deep Learning Principles And Architectures 1° anno · 1° semestre · 9 CFU · IINF-05/A · 0 file

L'obiettivo del corso e' fornire una conoscenza approfondita delle principali tecniche di deep learning per l'analisi di dati di natura eterogenea. In particolare, verranno presentati e approfonditi i principali…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo del corso e' fornire una conoscenza approfondita delle principali tecniche di deep learning per l'analisi di dati di natura eterogenea. In particolare, verranno presentati e approfonditi i principali algoritmi di classificazione di dati, di sequenze temporali di informazioni e di pattern complessi quali ad esempio le immagini, dati strutturati, grafi e modelli generativi. Saranno inoltre presentate tecniche di apprendimento in contesti non standard come l’apprendimento online e distribuito. Verranno presentate le principali tecniche di apprendimento automatico sia di tipo supervisionato che non supervisionato. Verranno inoltre forniti i rudimenti dell’apprendimento con rinforzo.

Programma

DEEP LEARNING Principles Machine Learning recap: General structure of a learning system Logistic regression Neural Networks Introduction: -Gradient descent -Perceptron and MLE Advanced NN: -Convolutional network -RNN and sequential data processing -Temporal analysis: ARIMA, Exponential smoothing, Conv1D -Transformer architecture UNSUPERVISED DEEP LEARNING -Autoencoders -Generative NN VAE -Generative NN GAN -diffusion models -Autoregressive models ADVANCED DEEP LEARNING: - Deep learning on graph - Self supervised learning - Continual Learning - Federated distributed learning REINFORCEMENT LEARNING: -Function approximation and RL -Deep reinforcement Learning Most lessons are coupled with a laboratory lesson on the topic. Each module comprise approx 2 hrs frontal lesson and 2 hrs laboratory

Conoscenza di base di statistica e algebra lineare Calcolo Conoscenza del linguaggio Python conoscenze dei fondamenti di machine learning

Utilizzo di dispense a cura del docente. Si prevede un ciclo di lezioni frontali e l'implementazione in laboratorio di tutte le tecniche presentate in linguaggio Python e utilizzando Pytorch.

Modalità d'esame

Esame orale con domande sulle tecniche la teoria e la formalizzazione matematica dei classificatori. 3 Domande di cui una puramente teorica una con implicazioni matematiche una con implicazioni tecniche sulla scelta le proprietà e le capacità di un classificatore

Testi di riferimento

Machine Learning: [ISL]: An Introduction to Statistical Learning. James, Witten, Hastie and Tibshirani. [ESL]: The Elements of Statistical Learning, Second Edition. Hastie, Tibshirani and Friedman. Deep Learning: [DLB]: Deep Learning. Ian Goodfellow and Yoshua Bengio and Aaron Courville. Suggested further readings: [RL]: Reinforcement Learning Sutton, Barto. [PRML]:Pattern Recognition and Machine Learning. Bishop Christopher. Readings are intended to be completed after classes.

Codice insegnamento 30710

Digital Signal Processing 1° anno · 1° semestre · 6 CFU · IINF-03/A · 0 file

Al termine dell’insegnamento, lo studente dovrebbe essere in grado di applicare alcuni strumenti matematici sviluppati a: a) l'analisi spettrale dei sequenze monodimensionali e bidimensionali (immagini); b) l'analisi e…

Scheda dell'insegnamento

Obiettivi formativi

Al termine dell’insegnamento, lo studente dovrebbe essere in grado di applicare alcuni strumenti matematici sviluppati a: a) l'analisi spettrale dei sequenze monodimensionali e bidimensionali (immagini); b) l'analisi e la progettazione di filtri numerici.

Programma

1 Introduzione: Rappresentazione matematica di segnali e sistemi a tempo discreto, segnali di interesse. (0,25 cfu) 2 Rappresentazione spettrale: Spettro di sequenze periodiche e aperiodiche (definizione, proprietà ed esempi), trasformata di Fourier veloce (decimazione nel tempo e decimazione in frequenza). (1 cfu) 3 Campionamento e aliasing: teorema del campionamento, aliasing, conversione digitale-analogico, conversione da discreto a continuo (interpolazione). (0,5 cfu) 4 Sistemi lineari tempo-invarianti (LTI): Convoluzione e relative proprietà, risposta impulsiva e risposta in frequenza dei sistemi LTI, proprietà salienti dei sistemi LTI, rappresentazione dei sistemi LTI mediante equazioni alle differenze, funzioni di sistema e strutture a blocchi, sistemi LTI in cascata. (0,75 cfu) 5 Filtri FIR: Equazione generale alle differenze per filtri FIR, risposta in frequenza dei filtri FIR, risposta a regime e transitoria, sistemi FIR a fase lineare, tecniche di progetto. (0,75 cfu) 6 Filtri IIR: Equazione generale alle differenze per filtri IIR, stabilità, risposta in frequenza dei filtri IIR, risposta a regime e transitoria, tecniche di progetto. (1 cfu) 7 Analisi spettrale: Analisi spettrale mediante filtraggio, analisi spettrale di segnali periodici, analisi spettrale di segnali non periodici, spettrogramma. (0,75 cfu) 8 Segnali e sistemi bidimensionali (2D): Trasformata di Fourier per segnali 2D, immagini (acquisizione e rappresentazione), trasformata discreta del coseno, sistemi discreti 2D (sistemi discreti, risposta impulsiva, risposta in frequenza), filtraggio discreto 2D, metodi di elaborazione delle immagini (sfocatura, esaltazione dei dettagli/sharpening, rimozione di rumore e interferenze, variazione della risoluzione di un'immagine).(1 cfu)

Conoscenza degli strumenti di base dell'analisi matematica e dell'analisi di Fourier per i segnali a tempo continuo.

Modalità di erogazione: lezioni in aula. Modalità di frequenza dell’insegnamento: facoltativa. Strategie didattiche utilizzate: lezioni ed esercitazioni in aula. Lingua: inglese.

Modalità d'esame

L’esame prevede la soluzione di tre problemi in ambiente MATLAB (da risolvere a casa) ed una prova scritta. Alla soluzione di ciascun problema in ambiente MATLAB vengono attribuiti al massimo 5 punti (quindi, complessivamente vengono attribuiti al massimo 15 punti ). I restanti 18 punti vengono attribuiti alla prova scritta, che riguarda vari argomenti teorici trattati nell’insegnamento. La durata complessiva della prova scritta è pari a 120 minuti. Inoltre, durante il suo svolgimento, non è ammessa la consultazione di materiale didattico (testi, appunti, slide del docente, …).

Testi di riferimento

Agli studenti vengono fornite tutte le slide del corso ed il codice MATLAB.

Codice insegnamento 30712

Digitalizzazione E Diritto 1° anno · 1° semestre · 6 CFU · GIUR-11/A · 0 file

CORSO DA 6 CFU Obiettivi 1. Sviluppare la capacità degli studenti di identificare e analizzare le questioni legali relative al loro specifico campo di attività (ad esempio, responsabilità del produttore/designer;…

Scheda dell'insegnamento

Obiettivi formativi

CORSO DA 6 CFU Obiettivi 1. Sviluppare la capacità degli studenti di identificare e analizzare le questioni legali relative al loro specifico campo di attività (ad esempio, responsabilità del produttore/designer; responsabilità del consumatore; brevetti; proprietà intellettuale, ecc.) 2. Rafforzare la capacità degli studenti di comprendere le sfide contemporanee per la ricerca e lo sviluppo in campo tecnologico e ingegneristico, su scala internazionale e comparativa (ad esempio, dove registrare il brevetto per massimizzare i risultati economici e commerciali? Come proteggersi dal plagio? ecc.) 3. Introdurre nozioni fondamentali nel settore del diritto tecnologico, necessarie per una partecipazione attiva e produttiva al corso, nella loro vita sociale e professionale. 4. Incoraggiare l'analisi e la riflessione critica attraverso la lettura di casi giudiziari rilevanti. 5. Fornire conoscenze e competenze comparative (attraverso il confronto con i Paesi stranieri). 6. Far conoscere agli studenti i principali strumenti nazionali e internazionali volti a tutelare i diritti in questione, nonché le convenzioni internazionali e le normative europee in vigore nel settore automobilistico, della tutela della proprietà intellettuale e della privacy. 7. Guidare gli studenti attraverso un percorso che consenta loro di sviluppare strategie di regolamentazione e protezione per i loro specifici prodotti di ricerca. Per gli obiettivi formativi si rimanda alla sezione sui risultati di apprendimento attesi.

Programma

La ripartizione dei contenuti in relazione ai CFU è da intendersi come puramente indicativa. Può infatti essere soggetta a modifiche nel corso dell'insegnamento alla luce del feedback degli studenti. 2 crediti CFU-ECTS (20 ore di insegnamento): 1) Introduzione al diritto privato e al Diritto privato comparato per studenti non giuristi 2) Responsabilità civile: definizione, ambito di applicazione, regole 3) Panoramica internazionale: convenzioni internazionali (forza cogente e applicabilità), regolamenti e direttive europee, leggi nazionali 4) Digital Compass: Digital Service Act, Digital Markets Act; Data Act; Data Governance Act 2 crediti CFU-ECTS (20 ore di insegnamento): 5) EU Artificial Intelligence Act 6) Guida autonoma 7) Responsabilità civile e nuove tecnologie 8) Tutela della proprietà intellettuale

nessuno

Le attività di apprendimento comprendono: - lezioni del professore, con la presentazione di contenuti teorici; - lettura e analisi della giurisprudenza (decisioni di tribunali italiani, inglesi, americani e dell'UE); - esercizi di gruppo; - elaborazione dei risultati attraverso la discussione in classe. L'approccio sopra descritto mira ad approfondire le conoscenze teoriche degli studenti e a migliorare le loro competenze interdisciplinari. La frequenza al corso non è obbligatoria. Il corso sarà tenuto in lingua italiana.

Modalità d'esame

METODI: L'esame si svolgerà in forma orale, secondo le modalità di un colloquio tra il docente e il candidato, della durata di circa 15/20 minuti, durante il quale verranno poste al candidato circa tre domande su diverse aree del programma. La prestazione d'esame viene valutata in base ai seguenti criteri: 1. definizione corretta del concetto teorico richiesto da ogni domanda, 2. sviluppo di un esempio relativo a tale concetto. STUDENTI CHE PARTECIPANO (hanno frequentato il 75% del corso online): l'esame verterà sui contenuti delle lezioni e delle dispense preparate dal docente e la prima domanda sarà a scelta del candidato. STUDENTI NON FREQUENTANTI: l'esame verterà sul contenuto delle dispense disponibili su Dolly. Il voto è espresso in trentesimi e per superare l'esame è necessario raggiungere la soglia di 18/30 (cioè una preparazione ragionevolmente sufficiente sia dal punto di vista dei contenuti che del linguaggio espositivo utilizzato). Gli indicatori di valutazione dell'esame sono: -Capacità di utilizzare le conoscenze (25%). -Capacità di collegare le conoscenze (25%) Capacità di utilizzare le conoscenze (25%) - Capacità di collegare le conoscenze (25%) - Competenza nel linguaggio giuridico (15%) -Capacità di discutere gli argomenti (20%) -Capacità di approfondire gli argomenti (15%). Lo studente non è tenuto a portare alcun tipo di materiale il giorno della prova finale.

Testi di riferimento

Professor's hand-outs

Codice insegnamento 29129

Graph Analytics And Complex Networks 1° anno · 2° semestre · 9 CFU · IINF-05/A · 0 file
Informatica Industriale 1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file

Obiettivi Formativi: Conoscenza del paradigma di manifattura avanzata conosciuta come Industry 4.0 applicata al miglioramento dei prodotti e dei processi attraverso la programmazione di sistemi ciber-fisici (Cyber…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivi Formativi: Conoscenza del paradigma di manifattura avanzata conosciuta come Industry 4.0 applicata al miglioramento dei prodotti e dei processi attraverso la programmazione di sistemi ciber-fisici (Cyber Physical Systems). Conoscenza delle caratteristiche distintive di un sistema di controllo per manifattura avanzata. Conoscenza della classificazione dei sistemi di controllo per manifattura avanzata. Conoscenza delle tecnologie informatiche che sono ad essa correlate. Conoscenza del Model Based Engineering (MBE) e dell'Ingegneria del Software applicato al ciclo produttivo. Conoscenza dei bus di campo utilizzati per la manifattura avanzata. Conoscenza delle nozioni di sicurezza ed efficacia (safety & liveness) relative ai sistemi di produzione. Conoscenza degli standard internazionali nel settore della manifattura avanzata. Conoscenza della robotica collaborativa applicata alla manifattura avanzata. Conoscenza dell’Internet of Things applicato alla manifattura avanzata. Capacità di applicare conoscenza e comprensione Capacità di progettare le funzioni di un sistema di manifattura avanzata. Capacità di utilizzare metodologie e standard (IEC 61508) per quantificare i rischi legati al funzionamento di un sistema distribuito. Capacità di comprendere quale strategia è più adatta alla riduzione del rischio e alla gestione dei guasti in uno specifico sistema di manifattura avanzata (ISO 15066). Capacità di modellare il funzionamento di un sistema di manifattura avanzata attraverso Model Based Engineering (MBE). Capacità di verificare se il progetto di un sistema di manifattura avanzata soddisfa standard internazionali del settore. Capacità di programmare una macchina per la manifattura attraverso linguaggi standardizzati per PLC. Capacità di integrare l’heritage aziendale alle nuove tecnologie di manifattura avanzata. Capacità di programmare un sistema IOT legato alla manifattura.

Programma

Introduzione ai sistemi di manifattura avanzata. Inquadramento rispetto alle tecnologie attuali ed esame degli scenari nel medio futuro. Classificazione dei sistemi di manifattura avanzata. Autodiagnosi e tolleranza ai guasti. Sistemi di controllo distribuiti. Dal paradigma di programma analogico e elettromeccanico a quello digitale. (1 credito) Applicazioni: Controllo di processo, altre applicazioni industriali. Sensori, attuatori, bus di campo, paradigma event trigged (ET) vs. time triggered (TT). Esempio: bus CAN ET e bus CAN TT. Casi di studio. Sistemi operativi Real Time: differenze e analogie rispetto ai sistemi operativi tradizionali. L'esempio di LinuxRT. Altri esempi. (1 credito) Ingegneria del software per sistemi di manifattura avanzata: caratteristiche del software real-time, specifica dei requisiti, implementazione di relazioni e vincoli temporali. Applicabilità di metodologie tradizionali al dominio real-time. Uso di UML, Use case, Sequence diagram, Statecharts. (1 credito) Sicurezza ed efficacia (SAFETY & LIVENESS): Problematica della sicurezza, classificazione del rischio e metodologie e standard internazionali correlati. Specificità del problema della sicurezza per sistemi di manifattura avanzata;. Logiche temporali (TL) per la specifica di assiomi di sicurezza ed efficacia e loro verifica. Il problema della complessità. Esplosione combinatoria degli stati di funzionamento. Tecniche di model checking. (1 credito) Programmazione di PLC attraverso linguaggi evoluti a stati. Esercitazioni guidate in laboratorio. (1 credito)

Si richiedono basi di conoscenza di programmazione strutturata (linguaggi C o Pascal).

Testi di riferimento

  • Dispense del docenti - Bolton, Programmable Logic Controllers, Newnes ed.

Codice insegnamento 29140

Iot And 3D Intelligent Systems 1° anno · 1° semestre · 9 CFU · IINF-05/A · 0 file

Obiettivi formativi: Conoscenza del paradigma IoT, applicato sia in ambito industriale che urbano e domestico. Capacità di progettazione e realizzazione di un intero sistema IoT, attingendo alle conoscenze di tutti gli…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivi formativi: Conoscenza del paradigma IoT, applicato sia in ambito industriale che urbano e domestico. Capacità di progettazione e realizzazione di un intero sistema IoT, attingendo alle conoscenze di tutti gli altri corsi di ingegneria informatica nonché alle risorse presenti in rete. Conoscenza dei principali protocolli di comunicazione usati nel mondo IoT. Conoscenza delle architetture, delle modalità e peculiarità di programmazione dei microcontrollori. Conoscenza dei sensori ed attuatori disponibili sul mercato, con particolare enfasi sui sensori 3d.

Programma

Durante il corso verranno studiati tutti gli elementi che compongono l’ecosistema IoT. Si inizierà con la categorizzazione e lo studio di diversi tipi di sensori ed attuatori nonché il loro utilizzo mediante microcontrollori. Si studieranno e realizzeranno sistemi prototipali completi, dalla programmazione di microcontrollori o SoC (Arduino, ESP32, Raspberry, etc.), alla implementazione di protocolli di acquisizione e trasmissione dati (CoAP, MQTT, API-REST), all’uso di architetture in cloud di storage/processamento dati. Verranno anche presentati sensori ottici, sia 2D che 3D, nonché i formati di memorizzazione di immagini tridimensionali. Infine, verranno presentate diverse tecniche di Machine Learning applicabili al contesto dell’IoT, con particolare enfasi all’analisi di serie temporali, al tinyML, e alla machine vision. In sintesi: - Introduzione all'IoT e alla programmazione di microcontrollori (1 CFU) - Sensori, attuatori e programmazione di microcontrollori (2 CFU) - Componenti di un generico framework IoT e protocolli di comunicazione (2 CFU) - Algoritmi di Intelligenza Artificiale per l'IoT (1 CFU) - Laboratorio pratico (3 CFU)

Si richiedono le conoscenze di programmazione, sistemi operativi e reti di calcolatori acquisite in un percorso triennale in Ingegneria Informatica o Informatica

Lezioni, seminari aziendali, esercitazioni in laboratorio, deployment di software su microcontrollori, verifica di semplici applicazioni, possibilità di stage in azienda.

Modalità d'esame

Sviluppo di un progetto e presentazione dello stesso in gruppo. La presentazione dovrà essere divisa in tre parti: - Presentazione dell’idea progettuale, senza elementi tecnici, rivolta ad un pubblico non tecnico (come un possibile utente o investitore) - Presentazione generale dell’architettura hardware e software, con distinguo tra architettura finale del progetto e quella implementata nel prototipo - Presentazione dei dettagli tecnici La presentazione dovrà durare 30 minuti per singoli o gruppi di due persone, 45 minuti per gruppi di tre o più persone. Il voto complessivo sarà identico per tutti i componenti del gruppo ed è determinato tenendo in considerazione la qualità dell’esposizione, la completezza del progetto, la corrispondenza con le definizioni fornite a lezione, la presenza di elementi di IA. Il funzionamento del prototipo la sua corrispondenza alla presentazione sono condizioni necessarie alla sufficienza.

Testi di riferimento

  • Dispense dei docenti - Manuali disponibili online

Codice insegnamento 29125

Matematica Discreta 1° anno · 2° semestre · 6 CFU · MATH-02/B · 0 file

Il corso si propone di fornire agli studenti alcune nozioni matematiche fondamentali relative agli insiemi discreti, evidenziando le tecniche risolutive e dimostrative connesse con il loro studio. Gli obiettivi specifici…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di fornire agli studenti alcune nozioni matematiche fondamentali relative agli insiemi discreti, evidenziando le tecniche risolutive e dimostrative connesse con il loro studio. Gli obiettivi specifici sono: lo studio e/o l'approfondimento delle nozioni relative a relazioni di equivalenza, numeri primi e problemi di fattorizzazione, aritmetica modulare, al fine di fornire le basi teoriche necessarie allo studio della criptografia; la conoscenza delle principali proprietà e tecniche risolutive delle relazioni ricorsive; la conoscenza degli elementi basilari della teoria dei grafi. Per un ulteriore approfondimento degli obiettivi formativi, si rimanda alla lettura dei Risultati di apprendimento attesi

Programma

[0.5 cfu] Complementi su insiemi e relazioni: cardinalità degli insiemi; insiemi equipotenti; insiemi discreti; il teorema di Cantor-Berstein; relazioni di equivalenza; classi di equivalenza; insieme quoziente; partizioni. [1 cfu] I numeri interi e la teoria della divisibilità: la divisione euclidea; il massimo comun divisore; identità di Bezout e algoritmo di Euclide; proprietà dei numeri coprimi e caratterizzazione dei numeri primi; il minimo comune multiplo; il teorema fondamentale dell'aritmetica; il metodo di fattorizzazione di Fermat; esistenza di infiniti numeri primi; risoluzione di equazioni diofantee lineari. [1 cfu] Aritmetica modulare: la congruenza modulo n; l'insieme delle classi resto e le sue operazioni; il piccolo teorema di Fermat. Congruenze lineari e sistemi di congruenze lineari; il teorema cinese del resto. La funzione di Eulero e il teorema di Eulero-Fermat. Il metodo di crittografia a chiave pubblica RSA. Codici rilevatori e/o correttori di errori. [0.5 cfu] Calcolo combinatorio: disposizioni, permutazioni e combinazioni; il principio della somma e del prodotto; il principio di inclusione/esclusione; la formula di Da Silva. [1.5 cfu] Relazioni ricorsive: formule chiuse; risoluzione di relazioni ricorsive lineari del primo ordine, omogenee e non omogenee; algoritmi del tipo "divide et impera"; equazione caratteristica di una relazione ricorsiva; risoluzione di relazioni ricorsive lineari omogenee del secondo ordine; estensione al caso dell'ordine superiore. I numeri di Fibonacci. Il problema della torre di Hanoi. Funzione generatrice di una successione. [1.5 cfu] Elementi di teoria dei grafi: grafi notevoli; isomorfismi di grafi; passeggiate, cammini, cicli, componenti connesse; matrici di incidenza; grado di un vertice e score di un grafo; grafi euleriani ed hamiltoniani; alberi ed alberi ricoprenti. Grafi planari; teorema di Kuratowski; formula di Eulero. Colorazioni e numero cromatico di un grafo. Polinomio cromatico; teorema di Whitney. La scansione dei contenuti per CFU è da intendere come indicativa. Essa può infatti subire modifiche nel corso dell’insegnamento alla luce dei riscontri e della partecipazione degli studenti.

Elementi di base di teoria degli insiemi, di logica e di algebra lineare.

L'insegnamento consta di lezioni frontali (svolte in presenza, in lingua italiana, anche attraverso l'ausilio di strumenti multimediali), con innestata attività di esercitazione, che permette l'applicazione immediata dei concetti e dei metodi teorici appresi. Gli studenti lavoratori possono usufruire del materiale didattico presente su Moodle, ed in particolare di videolezioni di anni precedenti.

Modalità d'esame

L’esame - che si svolge al termine dell'insegnamento, in almeno sei appelli annui - consta di una prova scritta ed una prova orale, entrambe svolte senza l'ausilio di testi e/o appunti. La prova scritta consiste di un test con 7 domande a risposta multipla, contenente sia quesiti teorici che esercizi, e di quattro esercizi a risposta aperta. La durata della prova è di 90 minuti. Per ogni domanda del test a risposta multipla sono fornite quattro possibili risposte, di cui una soltanto corretta. Il punteggio si ottiene calcolando 3 punti per ogni risposta corretta, -1 punti per ogni risposta errata e 0 punti per ogni domanda a cui non si è data risposta. Le domande a risposta aperta sono valutate con punteggio compreso tra 0 e 3 per ciascuna. I risultati della prova scritta sono resi noti ai candidati entro tre giorni tramite messaggio di posta elettronica da ESSE3, con pubblicazione sotto password su Moodle. L’accesso all’orale attraverso la prova scritta d’esame è concesso - limitatamente all’a.a. di riferimento - se il voto è maggiore o uguale a 15. Se si sostiene una prova orale con esito negativo, la validità dello scritto rimane limitata ad una sola ulteriore prova orale all’interno dell’a.a.: dopo due orali negativi, la prova scritta perde di validità. La prova orale è volta alla verifica della conoscenza teorica degli argomenti in programma, con particolare attenzione all'aspetto della dimostrazione dei teoremi principali, che permette di testare l'uso corretto del formalismo matematico e del pensiero ipotetico deduttivo, e la capacità di utilizzo maturo delle conoscenze, anche in presenza di problemi concreti con ipotesi iniziali diverse. La durata del colloquio orale è di 20-30 minuti. Il voto finale è stabilito dall’esaminatore sulla base della prova orale, tenendo conto anche del voto dello scritto: dalla prova orale dipende comunque in modo preponderante il voto complessivo. Per la attribuzione del voto si considera: - conoscenza basilare degli argomenti e capacità parziale di applicare la conoscenza: voto minimo (18/30) - conoscenza piena degli argomenti e capacità ottima di applicare la conoscenza: voto massimo (30/30 e lode) - graduazione dei voti intermedi in base al raggiungimento dei risultati di apprendimento attesi, compresi quelli trasversali dimostrati durante la prova d’esame.

Testi di riferimento

Testi per approfondimento: G.M.Piacentini Cattaneo, Algebra - un approccio algoritmico, Decibel Zanichelli (2001) M.W.Baldoni-C.Ciliberto-G.M.Piacentini Cattaneo, Aritmetica, crittografia e codici, Springer (2006) M.Barnabei - F.Bonetti, Matematica Discreta Elementare, Pitagora (1994) R.L.Graham - D.E.Knuth - O.Patashnik, Matematica discreta, Hoepli, (1992) N.L.Biggs, Discrete Mathematics, Oxford Science Publications (1998) K.Rosen, Handbook of Discrete and Combinatorial Mathematics, Chapman & Hall (2000) A.Facchini, Algebra e Matematica Discreta, Decibel Zanichelli (2000) L.Giuzzi, Codici correttori, Springer (2006) Materiale didattico a cura del docente verrà reso disponibile su piattaforma moodle (moodle.unimore.it).

Codice insegnamento 29137

Metodi Matematici Per Il Machine Learning 1° anno · 1° semestre · 6 CFU · MATH-05/A · 0 file

Introduzione delle nozioni matematiche di base per l’utilizzo delle metodologie di Machine Learning. Presentazione dei principali metodi numerici per l’ottimizzazione deterministica e stocastica e loro applicazione a…

Scheda dell'insegnamento

Obiettivi formativi

Introduzione delle nozioni matematiche di base per l’utilizzo delle metodologie di Machine Learning. Presentazione dei principali metodi numerici per l’ottimizzazione deterministica e stocastica e loro applicazione a problemi di machine learning a larga scala.

Programma

Introduzione al Machine Learning (2 CFU, 14 ore) Tipologie di problemi di Machine Learning (supervised, semisupervised, online/incremental) Apprendimento supervisionato: concetti di Loss Function, rischio empirico, spazio delle ipotesi. Minimizzazione del rischio empirico: overfitting e proprietà di generalizzazione. Teoria della regolarizzazione per il machine learning: funzionali di regolarizzazione e complessità della soluzione. Spazi di ipotesi definiti da Kernel. Kernel lineari e non lineari. Ottimizzazione numerica (3 CFU, 21 ore) Richiami di Calcolo Differenziale e di Analisi Convessa. Ottimizzazione non vincolata: condizioni di ottimalità, metodi del gradiente (convergenza e velocità di convergenza). Tecniche di accelerazione: selezione adattiva del passo e strategie quasi-Newton. Metodi delle direzioni coniugate e metodo del gradiente coniugato. Ottimizzazione vincolata: condizioni di ottimalità, condizioni KKT e risultati di dualità. Metodi del gradiente proiettato: direzioni di discesa, proprietà di convergenza e tecniche di accelerazione. Problemi di ottimizzazione nell'addestramento di Support Vector Machines: la metodologia SVM per la classificazione binaria, il problema duale delle SVM, tecniche di decomposizione e software per l’addestramento. Ottimizzazione stocastica (1 CFU, 7 ore) Metodi del gradiente stocastico e loro proprietà di convergenza. Strategie di accelerazione: metodi del campionamento dinamico, aggregazioni del gradiente, metodi di Newton inesatti, metodi basati su scaling diagonali. L’ottimizzazione stocastica in problemi di machine learning: minimizzazione del rischio empirico, modelli di regolarizzazione, metodi del gradiente stocastico su problemi a larga scala.

Nozioni di base di Programmazione, Analisi Matematica e Algebra Lineare.

Lezioni frontali ed esercitazioni pratiche in laboratorio informatico. Il corso è erogato in lingua italiana in presenza. La frequenza non è obbligatoria, ma fortemente consigliata per la parte di laboratorio. Gli studenti lavoratori che non possono frequentare regolarmente le lezioni devono contattare il docente per verificare il materiale didattico necessario alla preparazione dell'esame finale. Orario di Ricevimento: venerdì 15.00-18.00 presso il Dipartimento di Scienze Fisiche, Informatiche e Matematiche o su appuntamento via e-mail.

Modalità d'esame

La valutazione del profitto avviene tramite prova orale alla fine del corso. La prova consiste in 4 domande e dura circa 30 minuti. Nella prova orale sarà richiesta la descrizione delle metodologie di machine learning e dei metodi numerici presentati nel corso. I quesiti posti durante la prova orale sono finalizzati a valutare: - le conoscenze e le capacità di comprensione; - l’applicazione di conoscenze e capacità di comprensione; - le abilità comunicative; - l’autonomia di giudizio. Il voto riportato nell’esame, espresso in trentesimi, è dato dalla valutazione complessiva delle competenze mostrate dal candidato e del rigore nell'esposizione degli argomenti trattati durante il colloquio. In particolare, si otterrà un voto minimo (18/30) in caso di conoscenza basilare degli argomenti e capacità parziale di applicare la conoscenza, mentre un voto massimo (30/30 con lode) sarà riservato ad esami caratterizzati da conoscenza piena degli argomenti e capacità ottima di applicare la conoscenza, con una graduazione dei voti intermedi basata sul raggiungimento dei risultati di apprendimento attesi dimostrata durante la prova d’esame. L'esito sarà comunicato al singolo studente alla fine della prova orale.

Testi di riferimento

Lecture notes provided during the course, in the form of slides and videos of lectures on Moodle. Scholkopf B., Smola A.J., Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond, MIT Press Cambridge, MA, USA, 2001 Bishop C.M., Pattern Recognition and Machine Learning, Springer, 2006 Bertsekas D.P., Nonlinear Programming, Athena Scientific,1999. Nocedal J., Wright S.J., Numerical Optimization, Springer-Verlag, 2000. Bottou, L., Curtis, F.E., Nocedal, J., Optimization methods for large-scale machine learning, SIAM Review, 2018.

Codice insegnamento 29130

Multimedia Data Processing 1° anno · 2° semestre · 9 CFU · IINF-05/A · 0 file

Fornire una comprensione specialistica su acquisizione, algoritmi e formati utilizzati nella gestione dei dati multimediali e competenze avanzate relative alle moderne soluzioni utilizzate nei calcolatori.

Scheda dell'insegnamento

Obiettivi formativi

Fornire una comprensione specialistica su acquisizione, algoritmi e formati utilizzati nella gestione dei dati multimediali e competenze avanzate relative alle moderne soluzioni utilizzate nei calcolatori.

Programma

Programmazione: dal C al C++ (3 CFU) - Compressione dati: teoria dell'informazione, entropia di Shannon, algoritmo di Huffman, run length encoding, packbits, LZ77, LZ78, LZW; (1 CFU) - Percezione umana: caratteristiche generali dei sistemi visivi e uditivi dell'uomo; (0,5 CFU) - Il colore e la sua rappresentazione: la luce, visione umana, fotometria, quantificare il colore, RGB, XYZ, Yxy, CIE L*a*b*, riproduzione del colore, monitor CRT, correzione gamma, spazi colore per la trasmissione, spazi colore per la grafica, quantizzazione, palette, median cut;(1 CFU) - Acquisizione di immagini: CCD, CMOS, acquisizione del colore, telecamere, standard televisivi, segnale video analogico, interlacciamento; (0,5 CFU) - Acquisizione audio: microfoni dinamici, microfoni a condensatore, direzionalità, specifiche tecniche, esempi; (0,5 CFU) - Compressione JPEG: lo standard, lossless JPEG, baseline JPEG, trasformata DCT, quantizzazione, codifica dei coefficienti, gestione del colore; (0,5 CFU) - Compressione video: concetti fondamentali, dalla sequenza di fotogrammi alla predizione, standard H.261, standard MPEG, accenni agli standard moderni. (1 CFU) - Compressione audio: concetti fondamentali, percezione umana, la compressione AAC. (1 CFU)

Conoscenze di base dell'architettura dei calcolatori. Approfondite competenze di programmazione.

Lezione in aula e programmazione al calcolatore in laboratorio.

Modalità d'esame

Sono previsti 6 appelli dopo il termine delle lezioni. Ogni esame si compone di due parti: – Test a quiz di 1 ora con domande di teoria e piccoli esercizi su tutti gli argomenti trattati nel corso (risultati disponibili al termine della prova) – Test di programmazione di 4 ore sull'implementazione in C++ di problemi su dati multimediali (risultati disponibili entro una settimana) Questi vengono valutati, se sufficienti, con un punteggio da 18 a 33. La prova di teoria deve essere superata con una votazione di almeno 18 per accedere alla prova di programmazione. Il calendario e le iscrizioni alle prove saranno consultabili su ESSE3. Una volta superate le prove, il voto finale viene calcolato come media ponderata tra teoria (peso=1) e programmazione (peso=2). Tale voto sarà valido fino a febbraio dell'anno accademico successivo, ovvero l'inizio delle lezioni dell'anno successivo. Se il voto finale è pari o superiore a 31 si ottiene "30 e lode". La prova teorica avrà 20 domande a scelta multipla con 4 possibili risposte. Esattamente una è corretta e tre sono sbagliate. Ogni risposta corretta dà 1,65 punti, ogni risposta sbagliata dà -0,55 punti, una risposta mancante dà 0 punti. Il voto finale è arrotondato all'intero più vicino, 0,5 è arrotondato per eccesso. Esempi di incarichi passati e vecchie prove di laboratorio sono disponibili sul sito del corso: olj.ing.unimore.it Durante la prova a quiz non è consentito utilizzare appunti, libri, slide o altro. Durante la prova di programmazione è possibile utilizzare appunti, libri, slide o consultare guide di riferimento online.

Testi di riferimento

David Salomon, "A Concise Introduction to Data Compression", Springer

Codice insegnamento 29133

Neuroscience 1° anno · 1° semestre · 6 CFU · PSIC-01/B · 0 file

Gli studenti acquisiranno le conoscenze relative all’anatomia funzionale del sistema nervoso centrale, sui principi di funzionamento e di comunicazione neuronale, sui principali metodi di indagine dell’attività…

Scheda dell'insegnamento

Obiettivi formativi

Gli studenti acquisiranno le conoscenze relative all’anatomia funzionale del sistema nervoso centrale, sui principi di funzionamento e di comunicazione neuronale, sui principali metodi di indagine dell’attività cerebrale, sulle basi anatomo-fisiologiche delle differenti modalità sensoriali e della funzione motoria, sul substrato anatomo-funzionale ed i principali modelli delle capacità cognitive (percezione, memoria, linguaggio)

Programma

Introduzione alle Neuroscienze, Anatomia generale del sistema nervoso. Cenni su caratteristiche citologiche del neurone e della glia, proprietà elettrochimiche, membrana e canali ionici; fisiologia generale del neurone (potenziale di riposo, potenziale d’azione, trasmissione sinaptica. Psicofisica della percezione; anatomia e funzione del sistema visivo, sistema uditivo, vestibolare, gustativo, olfattivo; sistema somato-sensoriale, nocicezione, dolore. Riflessi; sistema motorio, controllo della postura. Sistema nervoso autonomo. Modelli cognitivi della percezione visiva, dell’integrazione visuo-motoria, dell’attenzione e della coscienza; dell’apprendimento e della memoria, del linguaggio e dell’elaborazione emozionale.

Non sono richieste conoscenze preliminari specifiche.

Sono previste lezioni frontali in lingua inglese con proiezione di diapositive e discussioni in aula.

Modalità d'esame

L’esame si svolge, al termine dell'insegnamento (nelle sessioni ufficiali di esami) in forma scritta attraverso 2 domande aperte concernenti gli argomenti del programma. Il tempo a disposizione sarà di 60 minuti. La valutazione sarà complessiva, con punteggio da 0 a 30, la sufficienza si raggiunge con 18/30. I risultati verranno oubblicati su esse3 entro due settimane dallo svolgimento dell'esame. Saranno criteri di valutazione: la conoscenza dei contenuti, la capacità di rielaborazione personale, la capacità di sintesi, l'uso di un linguaggio appropriato

Testi di riferimento

Kandel E. Koester JD, Mack S.H. Principles of neural science, VI Edition, McGraw-Hill Education, ISBN-13 ‏ : ‎ 978-1259642234

Codice insegnamento 29131

Progettazione Del Software 1° anno · 1° semestre · 9 CFU · IINF-05/A · 0 file

Il corso intende fornire le conoscenze e gli strumenti metodologici per l'impostazione, l'organizzazione e la gestione di progetti software di grandi dimensioni. A questo riguardo il corso prevede una prima parte…

Scheda dell'insegnamento

Obiettivi formativi

Il corso intende fornire le conoscenze e gli strumenti metodologici per l'impostazione, l'organizzazione e la gestione di progetti software di grandi dimensioni. A questo riguardo il corso prevede una prima parte relativa alla gestione dei progetti, in particolare software, e la loro valutazione economica. Al riguardo verranno introdote le tecniche di rappresentazione dei processi aziendali. Successivamente vengono presentate tecniche legate all'economia dei progetti software, con stima dei tempi e dei costi ed analisi delle risorse da impiegare. Infine le metodologie più moderne di progettazione del software, con particolare attenzione per gli aspetti di efficienza e di qualità del risultato.

Programma

Gestione di un progetto (2 CFU) Tecniche di Project Management, analisi dei rischi, metodo EVA. Rappresentazione dei processi attraverso BPMN Economia di un progetto software. (4 CFU) Fattibilità di un progetto software, metodo GANTT; PERT-CPM. Classificazione delle tecniche di stima dei costi e dei tempi di un progetto. Metodo di stima Function Point. Metodo CoCoMo di Boehm (modello base, modello intermedio, cenni al modello dettagliato). Funzione costo di Norden e metodo analitico di Putnam. Le principali variabili di un progetto software. Progetto di piccole, medie e grandi dimensioni secondo Putnam. Curva di sviluppo e curva di progetto. Equazione del software. Software sizing per progetti nuovi e per rifacimenti. Studio del progetto tramite planning zone e punto di lavoro. Metodi avanzati di progettazione del software. (3 CFU) Il Processo Unificato (UP). Metodi agili di sviluppo del software e loro principali caratteristiche. Il metodo Agile e DevOps. Il metodo SCRUM. e il metodo Extreme Programming (XP). Tecniche agili di sviluppo del software. Cross-functional team, time boxing, pair programming, test-driven development, code re-factoring. Confronto critico dei diversi approcci.

Nessuno

Il corso prevede lezioni teoriche e pratiche, per introdurre alle problematiche della gestione dei progetti software, delle metodologie avanzate e delle tecniche di compilazione, ed esercitazioni, dedicate all’analisi di situazioni pratiche e alla definizione delle relative soluzioni. Verranno proposte piccole attività di gruppo, da svolgere durante le ore di lezione, per imparare facendo alcune tecniche di lavoro in team. Le lezioni verranno svolte in aula.

Modalità d'esame

L’esame consiste di una prova scritta al termine dell’insegnamento della durata di due ore su tutti gli argomenti del corso. Per ciascun esercizio della prova sono indicati i punteggi. I risultati saranno comunicati dal docente tramite e-mail entro 10 giorni dalla prova. Durante la prova è possibile consultare le formule degli argomenti 'Metodo di Putnam' e 'Function Point' e l'uso della calcolatrice.

Testi di riferimento

R. S. Pressman "Principi di Ingegneria del Software", McGraw-Hill, 2007. DARRELL RIGBY , SARAH ELK , STEVE BEREZ FARE AGILE NEL MODO GIUSTO - PER UNA TRASFORMAZIONE SENZA CAOS EGEA ISBN/EAN: 9788823837942 https://www.amazon.it/Fare-agile-giusto-trasformazione-senza/dp/8823837944 DevOps. Guida per integrare Development e Operations e produrre software di qualità - 9788850334506 Un libro di Fabio Mora edito da Apogeo , 2019 https://www.amazon.it/dp/8850334508?ref_=ppx_hzod_title_dt_b_fed_asin_title_1_0#detailBullets_feature_div Dispense del docente

Codice insegnamento 29126

Real-Time Embedded Systems 1° anno · 2° semestre · 9 CFU · IINF-05/A · 0 file

Lo scopo del corso di Sistemi Embedded di Tempo Reale è fornire competenze avanzate sulla progettazione, configurazione e implementazione di sistemi industriali che necessitano di una pronta interazione con l'ambiente…

Scheda dell'insegnamento

Obiettivi formativi

Lo scopo del corso di Sistemi Embedded di Tempo Reale è fornire competenze avanzate sulla progettazione, configurazione e implementazione di sistemi industriali che necessitano di una pronta interazione con l'ambiente circostante. I principali domini di applicazione di tali tecnolgie includono sistemi per automotive, automazione industriale, avionica, etc. Ovvero tutti quei sistemi dove non e' solo necessario che la risposta fornita dal sistema sia corretta, ma anche che essa avvenga entro ben determinate tempistiche.

Programma

Richiamo di Sistemi Operativi e Architetture: algoritmo, programma, processo, thread. Sistemi batch vs sistemi interattivi. CPU, registri, memoria, interfacce, stack, gestione polling/interrupt. Processo e azione atomica su sistema single-core e multi-core. [1 CFU] Programmazione concorrente: comunicazione, sincronizzazione, scheduling. Programmazione a memoria comune: mutua esclusione, sezioni critiche, semafori, mutex, monitor, condition variable, deadlock, livelock. Programmazione a scambio di messaggi: memoria distributia, comunicazione sincrona e asincrona. [3 CFU] Sistemi di Tempo Reale [3 CFU] Definizioni, esempi, incidenti. Pthread programming: creazione, join, scheduling, semafori, mutex, condition. Schedulazione di sistemi di Tempo Reale: task, jobs, sistemi preemptive/non-preemptive, latenze, worst-case execution time, sistemi a criticalitá miste, task periodici/sporadici/aperiodici, anomalie di schedulazione. Algoritmi di schedulazione: FCFS, SJF, round robin, prioritá fisse/dinamiche, EDF (e relativa ottimalitá). Analisi di schedulabilitá: rate monotonic, deadline monotonic, EDF e relativi test di garanzia. Utilizzazione, least upper bound, tempo di risposta, domanda computazionale. Istante critico e condizioni di caso peggiore. Algoritmi per la gestione delle risorse condivise: problema dell'inversione di prioritá, NPP, HLP, PIP, PCP, SRP. Server real-time: gestione di attivitá aperiodiche. Server a prioritá fissa: Polling server, Deferrable server. Server a prioritá dinamica: TBS, CBS. Scelta dei parametri di un server. Applicazioni e RTOS [2 CFU] ROS, Formula 1/10, applicazioni concorrenti e gestione dei task in tempo reale. Esercitazioni. Orario di ricevimento: Giovedì ore 9-11

Per seguire il corso, sono necessarie conoscenze di programmazione, struttura dei calcolatori elettronici e dei sistemi operativi. Si raccomanda la conoscenza di un ambiente di programmazione C/C++.

Lezioni frontali e esercitazioni in laboratorio. Gli studenti non frequentanti possono accedere alle slide delle lezioni e al materiale delle esercitazioni.

Modalità d'esame

Esame scritto comprendente domande di teoria ed esercizi. Esame orale dove verra' discusso un progetto software sviluppato dallo studente.

Testi di riferimento

Giorgio C. Buttazzo, "Hard Real-Time Computing Systems - Predictable Scheduling Algorithms and Applications". Third Edition. 2011. Springer. - Slide del docente

Codice insegnamento 29136

Sicurezza Informatica 1° anno · 2° semestre · 9 CFU · IINF-05/A · 0 file

Il corso affronta le principali problematiche legate alla sicurezza dei sistemi, dei servizi e delle applicazioni basate su Internet. Nella prima parte, si analizzano le vulnerabilità dei sistemi, reti e applicazioni e…

Scheda dell'insegnamento

Obiettivi formativi

Il corso affronta le principali problematiche legate alla sicurezza dei sistemi, dei servizi e delle applicazioni basate su Internet. Nella prima parte, si analizzano le vulnerabilità dei sistemi, reti e applicazioni e le principali tipologie di attacco diretto e indiretto. Nella seconda parte, si approfondiscono le metodologie e i meccanismi per la difesa dei sistemi in rete, tra cui la crittografia, i metodi di autenticazione e autorizzazione, i protocolli per la sicurezza, la firma digitale e le certification authority, i sistemi di monitoraggio. La terza parte è dedicata al progetto di sistemi di rete sicuri, includendo web application firewall e Intrusion Detection System, VPN, DLP, NAC. Al termine del corso gli studenti saranno in grado di - identificare vulnerabilità software, umane e organizzative in sistemi informativi - comprendere il funzionamento degli attacchi informatici e sfruttare vulnerabilità basilari - analizzare le principali soluzioni tecniche e organizzative per migliorare la sicurezza informatica - progettare un sistema informativo sicuro

Programma

Parte I - Attacchi [approssimativamente 24 ore - 3 CFU] Vulnerabilità dei sistemi operativi e delle applicazioni di rete Vulnerabilità dei protocolli wireless Principali tipologie e meccanismi di attacco: spoofing, sniffing, fingerprinting, intrusione, Denial-of-Service, attacchi interni, virus, trojan horses, XSS, SQL injection Parte II - Difese [approssimativamente 24 ore - 3 CFU] Analisi dei rischi e ,etodologie di difesa integrata Crittografia simmetrica, Crittografia asimmetrica, Hashing Protocolli per la sicurezza: IPsec, SSL, HTTPS, S/MIME, SSH, PGP Sistemi a chiave pubblica e chiave privata, Firma digitale, Certification authority, PKI Parte III - Progetto di architetture sicure [approssimativamente 24 ore - 3 CFU] Intrusion Detection System Metodologie e meccanismi di difesa dei sistemi in rete: Virtual Private Network, NAC, DLP.

Conoscenze almeno teoriche del funzionamento dei sistemi operativi, utilizzo della riga di comando (ad esempio, acquisibile superando un corso di Sistemi operativi) Solidi fondamenti relativi alla comunicazione di sistemi connessi a Internet (ad esempio, acquisibile superando un corso di Reti di Calcolatori) Non sono necessarie conoscenze pregresse relative alla sicurezza informatica

Testi di riferimento

Il corso non seguirà nessun testo. Verranno messe a disposizione degli studenti: - le slide presentate a lezione - i software necessari per replicare le esercitazioni - i testi e le soluzioni delle esercitazioni viste a lezione - le registrazioni delle lezioni

Codice insegnamento 29135

Sistemi Operativi Avanzati 1° anno · 1° semestre · 9 CFU · IINF-05/A · 0 file

Il corso fornisce una visione approfondita sui sistemi operativi e sul loro uso sia in ambito di amministrazione di sistema che per lo sviluppo. Il corso si concentrerà in particolare sui sistemi Unix e, per gli esempi…

Scheda dell'insegnamento

Obiettivi formativi

Il corso fornisce una visione approfondita sui sistemi operativi e sul loro uso sia in ambito di amministrazione di sistema che per lo sviluppo. Il corso si concentrerà in particolare sui sistemi Unix e, per gli esempi più approfonditi, su Linux. Le esercitazioni avranno la doppia valenza di insegnare a usare un sistema operativo per gestire un calcolatore e di usare le soluzioni più avanzate per lo sviluppo di programmi ad alte prestazioni.

Programma

Il corso prevede di fornire conoscenze teoriche e competenze pratiche relative ai moderni sistemi operativi. In particolare ci si focalizza su sistemi Unix descrivendo il loro funzionamento interno, i principali comandi per il loro utilizzo e la programmazione parallela in tali sistemi. 1) Basi di sistemi operativi (5CFU - circa 40 ore) - Overview dei sistemi operativi (architettura monolitica, modulare, microkernel, distribuito) - Processi, thread, system call - Processo di compilazione, simboli, linking e librerie - Scheduling (incluso scheduling a livello kernel) - Gerarchia di processi - Sincronizzazione e deadlock - Primitive di sincronizzazione (Semafori, Mutex, Shared Memory, Pipe, Socket, Segnali) - Gerarchia delle memorie - Memoria di massa, filesystem - Memoria di sistema (segmentazione, paginazione, memoria virtuale, supporto hardware) 2) Argomenti delle esercitazioni (4CFU - circa 32 ore) - Comandi di sistema per analizzare e gestire processi (ps, pstree, ...) - Compilazione e linking - Comandi per l'analisi di file binari (eseguibili ELF e oggetti compilati) - Programmazione parallela (thread, processi, sincronizzazione, comunicazione) - Comandi di sistema per analizzare e gestire filesystem - Sviluppo di semplici Moduli per il kernel Linux

  • Architetture dei calcolatori - Linguaggio C - Shell Unix

Testi di riferimento

Operating System concepts (A. Silberschats, P.B. Galvin, G. Gagne)

Codice insegnamento 30711

Tecnologie Di Infrastrutture Di Reti 1° anno · 2° semestre · 6 CFU · IINF-03/A · 0 file

Il corso si prefigge di fornire nozioni relative alle tecnologie ed ai dispositivi di interconnessione e di mettere a fuoco le principali infrastrutture di rete, in ambito locale, metropolitano e geografico, in…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si prefigge di fornire nozioni relative alle tecnologie ed ai dispositivi di interconnessione e di mettere a fuoco le principali infrastrutture di rete, in ambito locale, metropolitano e geografico, in tecnologia elettronica ed ottica. Per una più completa comprensione degli obiettivi formativi, si rimanda alla lettura dei risultati di apprendimento attesi a seguito dello svolgimento del presente percorso formativo.

Programma

La scansione dei contenuti per CFU è da intendere come puramente indicativa. Essa può infatti subire modifiche nel corso dell’insegnamento alla luce dei feedback degli studenti e delle studentesse. 1 CFU (8 ore): Tecnologie di rete in ambito geografico: X.25 (cenni), Frame Relay, ISDN, GEthernet. Elementi di cablaggio strutturato degli edifici. Accesso ad alta velocità: soluzione xDSL. Accesso wireless: IEEE 802.11x, Bluetooth. Le reti Ethernet over Passive Optical Network (EPON) 1 CFU (8 ore): La segnalazione: SS7. La gerarchia PDH, SONET/SDH. La commutazione a circuito: matrici spazio/tempo Apparati di interconnessione: repeater, switch, router. Architettura dei router. IP lookup. 1 CFU (8 ore): La qualità di servizio nelle reti IP: modelli IntServ e DiffServ Multi-Protocol Label Switching (MPLS) e Generalized MPLS (GMPLS) 1 CFU (8 ore): Tecnologie per nodi di commutazione ottici: SOA, MEMS Nodi di commutazione ottici: OADM, OXC Reti ottiche WDM: Logical Topology Design, Wavelength Routing Assignment Tolleranza ai guasti: criteri di protezione nelle reti ottiche 1 CFU (8 ore): Reti ottiche: commutazione di pacchetto e di burst ottici 1 CFU (8 ore): Elementi dei sistemi a coda: la formula B di Erlang. Modelli analitici del TCP per l'analisi delle prestazioni end-to-end. Il simulatore Network Simulator (ns) e il simulatore OPNET Esercitazioni in laboratorio: Simulatore SONET/SDH, progettazione di reti locali Ethernet, emulatore router, ns, OPNET

Fondamenti di Telecomunicazioni e Reti di Telecomunicazione. In particolare, gli studenti dovranno essere in grado di analizzare e progettare linee di trasmissione numeriche e di comprendere e analizzare semplici reti di telecomunicazione

L’insegnamento viene erogato mediante lezioni frontali in presenza in aula, che vengono svolte con l’ausilio di mezzi audiovisivi (presentazioni in Power Point). L’insegnamento è erogato in lingua italiana

Modalità d'esame

Tale verifica si svolge in forma orale, secondo le modalità di un colloquio tra Docente ed esaminando/a di durata approssimativa di quindici minuti nell’arco dei quali al/la candidato/a verranno proposte tendenzialmente tre domande, con grado di approfondimento (e difficoltà) crescente e su diverse aree del programma. Gli esami orali si svolgono nell’arco del calendario didattico dell’offerta formativa e per ogni appello lo/a studente/essa che intenda sostenerlo dovrà iscriversi utilizzando la Piattaforma EsseTre. Queste domande fanno parte di un insieme noto e divulgato agli studenti di circa trenta quesiti. Il voto è espresso in trentesimi ed è necessario ai fini di superamento dell’esame il raggiungimento della soglia dei 18/30 (vale a dire una preparazione ragionevolmente sufficiente sia dal punto di vista dei contenuti sia dal punto di vista del linguaggio espositivo utilizzato).

Testi di riferimento

1. M.Casoni, Lezioni di Tecniche di Interconnessione, Pitagora Editrice. 2. M.L. Merani, M. Casoni, W. Cerroni, Hands-On Networking From Theory to Practice, Cambridge University Press. 3. R.Ramaswami, K.N.Sivarajan, Optical Networks, a Practical Perspective, Morgan Kaufmann, ISBN 1 55860 445 6. 4. Z. Wang, Internet QoS: Architectures and Mechanisms for Quality of Service, Morgan Kaufmann, ISBN: 1558606084.

Codice insegnamento 29139

Textual And Tabular Data Analytics 1° anno · 1° semestre · 9 CFU · IINF-05/A · 0 file
Ai For Industrial And Medical Applications 2° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file
Ai In Bioinformatics 2° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file
Automotive Connectivity 2° anno · 1° semestre · 6 CFU · IINF-03/A · 0 file

L’obiettivo del corso Automotive Connectivity è l’insegnamento delle metodologie di comunicazione utilizzate dai moderni veicoli per instaurare comunicazioni interne ed esterne al veicolo, mettendo in comunicazione…

Scheda dell'insegnamento

Obiettivi formativi

L’obiettivo del corso Automotive Connectivity è l’insegnamento delle metodologie di comunicazione utilizzate dai moderni veicoli per instaurare comunicazioni interne ed esterne al veicolo, mettendo in comunicazione diversi sistemi tra loro (domini intra-veicolo, domini V2X che coinvolgono altri veicoli, dispositivi stradali fissi e nodi di rete infrastrutturata). Gli studenti avranno un quadro delle metodologie, dei protocolli e degli standard utilizzati per queste comunicazioni.

Programma

Il corso si sviluppa in tre moduli MODULO 1: Il primo modulo si occupa di cosa accade all’interno del veicolo, la tipologia di segnali utilizzati, i principali sensori ed i domini applicativi in cui operano. Verra studiata l’architettura tipica utilizzata per l’inter-vehicular-communication ed il relatvo bus per i segnali. I protocolli investigati saranno: CAN, CAN-FD, LIN, FlexRay, MOST ed Automotive Ethernet (10BASE-T1S) MODULO 2: Il secondo modulo si occupa di cosa accade all’esterno del veicolo, la tipologia di protocolli e standard utilizzati per permettere la communicazione all’esterno, con altri veicoli o nella rete internet. Protocolli investigati saranno: Bluetooth, LoRa e IEEE 802.11p/bd. Verranno individuate e descritte le principali applicazioni di inter-vehicular-communication con enfasi sulla messaggistica broadcast. Contestualmente, verrà studiato anche il sistema GPS per il posizionamento globale. MODULO 3: Il terzo modulo è complementare ai primi due ed integra la teoria attraverso la pratica. Verranno utilizzati Arduino Yun in laboratorio per creare una rete tra nodi con protocollo IEEE 802.11p

Conoscenza base networking: architettura TCP/IP Conoscenze base sistemi operativi: piattaforma Linux I requisiti sono propedeuticità, vengono comunque date le nozioni necessarie.

Lezioni frontali con slide fornite agli studenti per i moduli 1 e 2. Lezioni frontali ed utilizzo di Arduino Yun in laboratorio per il modulo 3. Tutte le lezioni verranno svolte live sulla piattaforma Teams, registrate, e fornite agli studenti in libero accesso insieme alle slide come materiale didattico.

Modalità d'esame

Il corso verrà verificato attraverso un esame di tipo scritto obbligatorio ed orale facoltativo. L’esame scritto sarà relativo ai contenuti del corso nei moduli 1 e 2. L’esame orale riguarderà l’intero programma (compreso il modulo 3). Sarà possibile, all’orale, presentare un progetto basato su Arduino Yun (o altre piattaforme hw/sw) relativo alle tematiche svolte durante il corso. Il progetto, così come l'orale, è facoltativo. L'esame scritto dura 2 ore, è composto da 11 domande aperte dal punteggio di 3 punti ciascuna.

Testi di riferimento

Vehicular Networking, Christoph Sommer and Falko Dressler

Codice insegnamento 29519

Automotive Cyber Security 2° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file

Comprendere le principali minacce informatiche legate all'ambito automotive Identificare possibili vulnerabilità in sistemi automotive Progettare sistemi informatici sicuri in ambito automotive Al termine…

Scheda dell'insegnamento

Obiettivi formativi

Comprendere le principali minacce informatiche legate all'ambito automotive Identificare possibili vulnerabilità in sistemi automotive Progettare sistemi informatici sicuri in ambito automotive Al termine dell'isegnamento lo studente sarà in grado di: - identificare lTo design secure information systems in the automotive fielde superfici di attacco dei moderni autoveicoli - comprendere il funzionamento degli attacchi informatici ai moderni autoveicoli - progettare contromisure utili a migliroare la sicurezza dei moderni autoveicoli

Programma

Architetture per reti in-veicle di veicoli moderni [approssimativamente 8 ore - 1 CFU] - CAN, CAN FD, Flexray, MOST, LIN, Ethernet - WiFi, bluetooh, NFC, radiofrequenza - Electronic control units e automotive control modules - scatole telematiche Elementi di sicurezza informatica per l'ambito automotive [approssimativamente 8 ore - 1 CFU] - riservatezza, integrità, disponibilità - vulnerabilità e attacchi - crittografia moderna Analisi delle minacce per moderni autoveicoli [approssimativamente 8 ore - 1 CFU] - superficie di attacco (accesso fisico, di prossimità, remoto) - profili degli attaccanti (attaccanti esterni, proprietari, manutentori, specificità di veicoli noleggiati e car-sharing) - strumenti e strategie degli attaccanti (reverse engineering, sniffing, replay, fuzzing, strumenti software and hardware) Analisi di attacchi noti a veicoli omologati [approssimativamente 8 ore - 1 CFU] Standard e normative rilevanti [approssimativamente 8 ore - 1 CFU] - ISO 26262 - ISA/IE62443 - SAE J3061 - AUTOSAR Prevenzione e rilevazione di attacchi cyber [approssimativamente 8 ore - 1 CFU] - Secure boot, secure firmware update, secure OTA - Hardware security modules - secure gateways e data diodes - intrusion detection per reti in-vehicle - intrusion detection per connessioni V2X

Conoscenze almeno teoriche del funzionamento dei sistemi operativi, utilizzo della riga di comando (ad esempio, acquisibile superando un corso di Sistemi operativi) Solidi fondamenti relativi alla comunicazione di sistemi connessi a Internet (ad esempio, acquisibile superando un corso di Reti di Calcolatori) Non sono necessarie conoscenze pregresse relative alla sicurezza informatica

Testi di riferimento

Il corso non seguirà nessun libro di testo. Verranno messe a disposizione degli studenti: - le slide presentate a lezione - materiale di approfondimento selezionato dal docente - registrazione delle lezioni Si ritiene comunque utile indicare due testi che possono aiutare lo studente ad approfondire le tematiche trattate nel corso e a colmare eventuali lacune nelle conoscenze pregresse - The Car Hacking Handbook, Craig Smith, No Starch Press - Security for Automotive Electrical/Electronic (E/E) Architectures, Philipp Mundhenk, Cuvillier Verlang Gottingen ----------------------- The course will not follow any specific textbook. The following materials will be made available to students: the slides presented during the lessons additional reading material selected by the instructor recordings of the lessons However, it may be helpful to mention two books that can assist students in deepening their understanding of the topics covered in the course and addressing any gaps in prior knowledge: The Car Hacking Handbook, Craig Smith, No Starch Press Security for Automotive Electrical/Electronic (E/E) Architectures, Philipp Mundhenk, Cuvillier Verlag Göttingen

Codice insegnamento 29521

Business Data Analytics 2° anno · 1° semestre · 9 CFU · IINF-05/A · 0 file
Distributed Artificial Intelligence 2° anno · 1° semestre · 9 CFU · IINF-05/A · 0 file

Il corso vuole fornire le conoscenze e le competenze necessarie alla gestione e sviluppo di sistemi software adattivi basati su componenti distribuiti intelligenti. Per una più completa comprensione degli obiettivi…

Scheda dell'insegnamento

Obiettivi formativi

Il corso vuole fornire le conoscenze e le competenze necessarie alla gestione e sviluppo di sistemi software adattivi basati su componenti distribuiti intelligenti. Per una più completa comprensione degli obiettivi formativi, si rimanda alla lettura dei risultati di apprendimento attesi a seguito dello svolgimento del presente percorso formativo.

Programma

1. INTELLIGENZA ARTIFICIALE DISTRIBUITA E SISTEMI COMPLESSI (2 CFU, 16 ore, ogni argomento circa 4 ore) - Introduzione alla intelligenza artificiale distribuita - Sistemi adattivi complessi - Automi cellulari - Reti sociali 2. ALGORITMI DISTRIBUITI (2 CFU, 16 ore, ogni argomento circa 4 ore) - Valutazione globale dei predicati - Elezione di leader e consenso - Mutua esclusione - Programmazione di rete in Java 3. COORDINAMENTO (2 CFU, 16 ore, ogni argomento circa 4 ore) - Tecnologie middleware - La internet delle cose - Coordinamento basato su spazi di tuple - Programmazione RMI e basata su tuple in Java 4. SISTEMI MULTIAGENTE (3 CFU, 24 ore, ogni argomento circa 4 ore) - Agenti autonomi - Ragionamento e apprendimento in agenti autonomi - Pensiero strategico - Coordinamento multiagente - Negoziazione multiagent - Intelligenza collettiva NOTA: La durata degli specifici argomenti potrà variare leggermente a seconda dei feedback degli studenti.

Conoscere almeno un linguaggio di programmazione. Conoscere i concetti base della programmazione a oggetti, delle reti di telecomunicazione, e dei sistemi operativi.

Il corso prevede lezioni frontali in aula e attività di esercitazioni in aula per l'utilizzo di strumenti di sviluppo software. La partecipazione alle lezioni non è obbligatoria, ma fortemente raccomandata. Il corso sarà erogato in lingua inglese e tutto il materiale didattico sarà in inglese.

Modalità d'esame

La valutazione finale prevede: 1) Un progetto individuale volto allo sviluppo e alla sperimentazione (eventualmente anche attraverso strumenti di simulazione) di un sistema software basato su componenti intelligenti distribuiti. 2) Un esame orale volto a verificare l'acquisizione delle conoscenze del corso. L'esame scritto (o in alternativa il progetto) saranno valutati in base a completezza e correttezza. Il giudizio sarà espresso senza voti, ma solo in termini di ammissione o non ammissione all'orale. Durante l'esame orale, lo studente dapprima discuterà il suo progetto per circa 20 minuti, e qui avrà la possibilità di spiegare le sue scelte e correggere gli eventuali errori/omissioni. Quindi allo studente saranno poste 3 domande sul programma del corso (circa 20 minuti). La valutazione finale sarà pesata come segue: 40% per la discussione dell'esame scritto o progetto, 60% per la precisione nel rispondere alle domande sul programma.

Testi di riferimento

Suggested Textbooks: - A. Tenembaum, M. Van Steen, "Distributed Systems", 3rd Edition, Prentice Hall, available at https://www.distributed-systems.net/index.php/books/ds3/ - M. Wooldridge, "An Introduction to Multiagent Systems", 1st Edition, Wiley. The notes of the teacher, software, and additional suggested readings, will be made available on the dolly page of the course. All the material will be in English.

Codice insegnamento 29516

Distributed Software Systems Engineering 2° anno · 2° semestre · 9 CFU · IINF-05/A · 0 file
Edge E Cloud Computing 2° anno · 1° semestre · 9 CFU · IINF-05/A · 0 file
Final Examination 2° anno · 2° semestre · 18 CFU · 0 file

Redazione della tesi di Laurea Magistrale.

Scheda dell'insegnamento

Obiettivi formativi

Redazione della tesi di Laurea Magistrale.

Programma

Il percorso della Laurea Magistrale si conclude con la redazione di una tesi che deve descrivere un lavoro progettuale che vale 18+9=27 CFU. Infatti, nella Offerta Formativa del corso di Laurea Magistrale in Ingegneria Informatica sono previsti 18 CFU per la prova finale e 9 CFU per Tirocinio/Attività Progettuale. Tale lavoro progettuale, comportando l’acquisizione di 27 CFU, dovrà impegnare lo studente per almeno 720 ore (corrispondenti ad almeno 6 mesi). L’assegnazione dell’argomento della tesi può essere richiesta dopo il superamento di tutti gli esami obbligatori del I anno della Laurea Magistrale in Ingegneria Informatica oppure avendo acquisito almeno 75 CFU, come risulta dal comma 2 dell’art. 5 del Regolamento Didattico della Laurea Magistrale.

Gli studenti, dopo aver superato tutti gli esami obbligatori del I anno o avere acquisito almeno 75 CFU, richiedono al CCdS l’approvazione dell’assegnazione dell’argomento della tesi e del nominativo del relatore.

-

Modalità d'esame

-

Testi di riferimento

-

Codice insegnamento 29528

Hmi For Digital Application 2° anno · 2° semestre · 6 CFU · IIND-03/B · 0 file

Il corso si propone di fornire agli studenti conoscenze e competenze su User eXperience ed Ergonomia applicato a prodotti e sistemi industriali, con attenzione alle interfacce fisiche e grafiche. Il corso approfondisce…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di fornire agli studenti conoscenze e competenze su User eXperience ed Ergonomia applicato a prodotti e sistemi industriali, con attenzione alle interfacce fisiche e grafiche. Il corso approfondisce le metodologie per la progettazione centrata sulla persona (Human-Centered Design) e progettazione dell’interazione (Interaction Design) ed utilizza strumenti innovativi per la generazione di prototipi virtuali al fine di valutare l’interazione uomo-macchina e uomo-computer secondo approcci digitali, al fine di svolgere attività di verifica del progetto considerando aspetti di fattibilità, ergonomia ed usabilità. Il corso mostra infine l’utilizzo di virtual reality per la creazione di ambienti di simulazione immersivi e l'analisi dell'interazione uomo-sistema.

Programma

User eXperience: esperienza dell’utente, tipologie di utente, modelli di Human Interaction, gap della qualità, Usabilità, Euristiche di Nielsen Product development process: fasi caratterizzanti il processo di sviluppo prodotto, engineering design, approccio sistematico alla progettazione, design funzionale, participatory design Concept generation: definizione del concept di prodotto, ricerca delle soluzioni, clarification of tasks, analisi dei requisiti, Value Engineering, analisi dei bisogni dell’utente, Quality Functional Deployment (QFD) User-Centred Design: approcci UCD, metodi e strumenti per la progettazione centrata sulla UX (UXD cycle), requirements list, prototyping, UCD toolkit Human Factors & Ergonomics: Ergonomia fisica, fondamenti di Antropometria e Biomeccanica, Ergonomia cognitiva, Carico mentale Interaction design: percezione sensoriale, analisi dell'interazione (SHELL), linee guida di progettazione, prototipazione di interfacce Virtual prototyping: modelli digitali, strategie di modellazione 3D, utilizzo di prototipi nel ciclo di sviluppo prodotto, utilizzo di sistemi software per la creazione di prototipo virtuali interattivi Virtual Reality: utilizzo della Virtual Reality (VR) nella progettazione, classificazione delle tecnologie VR, Virtual-Mixed-Augmented reality, tipologie di ambienti virtuali a supporto della progettazione prodotto, applicazioni VR per l’Industrial design, utilizzo delle tecnologie VR presenti presso XiLAB Unimore www.xilab.unimore.it Human simulation & Virtual Manufacturing: simulazione dell’utente tramite manichini virtuali, rappresentazione dei task, analisi dell’ergonomia fisica, principali tecniche per l’analisi del comfort fisico e cognitivo, utilizzo di sistemi di motion capture, utilizzo di sistemi di Virtual Manufacturing presso XiLAB Unimore www.xilab.unimore.it Nessuno Lezioni teorico-pratiche Attività di laboratorio Project Work

Modalità d'esame

Sviluppo del progetto proposto durante il corso dal docente, in gruppi di 4-5 studenti. Prova orale con presentazione del progetto svolto e discussione degli argomenti trattati all’interno del corso e verifica degli elaborati prodotti. La valutazione sarà formulata al 50% sul progetto presentato e al 50% sulle domande sui contenuti del corso.

Testi di riferimento

-Dispense delle lezioni -Bonechi, Carmignani, Mirandola: La gestione della qualità nelle organizzazioni. Plus -Bertocco, Callegaro, De Antoni, Migliorati: Ingegneria della qualità. Città studi edizioni, 2007 -Andreini: Qualità, certificazione, competitività. Hoepli.

Codice insegnamento 29526

Multimodal And Document Ai 2° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file
Scalable Ai 2° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file

Il corso vuole fornire conoscenze e competenze sullo sviluppo di sistemi di Artificial Intelligence (AI) scalabili. Fornisce una iniziale panoramica sui fondamenti architetturali per il calcolo distribuito e ad alte…

Scheda dell'insegnamento

Obiettivi formativi

Il corso vuole fornire conoscenze e competenze sullo sviluppo di sistemi di Artificial Intelligence (AI) scalabili. Fornisce una iniziale panoramica sui fondamenti architetturali per il calcolo distribuito e ad alte prestazioni (CPU, GPU, calcolo distribuito su multiple GPU e su multipli nodi). Il corso offre poi una dettagliata panoramica sullo stato dell'arte delle tecniche, degli operatori e dei modelli di Deep Learning large-scale orientati alla comprensione visuale, la comprensione e la generazione di testo, la gestione di serie temporali e l'integrazione di multiple modalità, con particolare riferimento al modello a Transformer e le sue derivazioni. Vengono presentate le tecniche per l'addestramento di reti su larga scala e su dataset di dimensioni massive (modelli semi- e self- supervisionati, learning contrastivo, leggi di scaling). La parte finale del corso è infine dedicata alla presentazione di ambienti HPC e delle tecniche di scheduling delle risorse. Una parte importante del corso viene svolta in maniera laboratoriale, attraverso l'uso della libreria PyTorch e di librerie per il training distribuito, anche eseguendo su piattaforme di calcolo HPC.

Programma

1. Hardware and architectural foundations for large-scale AI CPU vs GPU processing flows Multi-GPU architectures Multi-Node architectures Going parallel: data, model, pipeline, tensor parallelism 2. State-of-the-art Deep Learning architectures for Computer Vision, Natural Language Processing e Multimedia The attention operator, self-/cross- attention and its variants The Transformer architecture Transformer-based models for Language (BERT, BART, GPT-x) Transformer-based models for Computer Vision (ViT, DeIT, DETR) Usage of learnable queries, Perceiver, Perceiver.io Connecting multiple modalities: encoder-decoder, encoder-only and decoder-only approaches Optimized variants of the attention operator 2. Self- and semi- supervised training approaches for large-scale data Masked language models, Next Sentence prediction Noisy labels / Self-training Contrastive learning Multi-modal foundation models: CLIP, Flamingo Scaling laws for Deep Learning architectures The Mixture of Experts approach 4. Distributed training in the PyTorch environment PyTorch data parallel Distributed Data parallel The torchrun utility Advanced DDP libraries: horovod, deepspeed Libraries and SOTA solutions for managing large-scale datasets 3. Training techniques for large-scale models SGD for large batches, Asyncronous SGD Mixed Precision training Zero Redundancy Optimizer(s) Managing training with large batches 5. Introduction to HPC environments Architecture of a supercomputer High-speed network protocols, distributed file systems Managing resources and the queue: the SLURM queue manager Practical cases: a small scale (lab-size) cluster, Marconi 100, LEONARDO Il numero di crediti dell'insegnamento è ripartito equamente tra i punti sopra riportati.

Sono richieste conoscenze di base sull'architettura dei calcolatori, la teoria della probabilità, il Deep Learning (ottimizzatori, reti neurali completamente connesse e ricorrenti), e il Deep Learning applicato alla Computer Vision (architetture CNNs stato dell'arte, accenni di CNNs applicate all'object detection, semantic segmentation).

Il corso si svolge in presenza e viene erogato in lingua inglese. La maggior parte delle lezioni sono frontali e utilizzano slide e paper scientifici come supporto didattico; circa un 30% delle lezioni è di laboratorio, con esperienze hands-on su librerie di calcolo tensoriale e di progettazione e training di reti neurali anche utilizzando risorse di calcolo distribuite. La frequenza è fortemente suggerita.

Modalità d'esame

L’apprendimento viene verificato attraverso una unica prova orale, in lingua inglese, che si tiene durante appelli erogati al termine dell'insegnamento. Questa ha una durata media di 30 minuti, e consiste in 6-8 domande, relative a tutti i contenuti teorici del corso. Gli esiti della prova orale vengono comunicati entro il giorno successivo allo svolgimento della prova stessa, tramite ESSE3. Lo studente può decidere se accettare o rifiutare il voto, e può ripetere l'esame quante volte vuole in successivi appelli. Ad ogni domanda effettuata viene attribuito un punteggio uguale. Gli indicatori di valutazione di ogni domanda sono: - Conoscenza degli argomenti affrontati e appropriatezza delle conoscenze acquisite (50%) - Capacità di collegamento tra tecniche affrontate durante il corso (15%) - Appropriatezza del linguaggio tecnico (20%); - Capacità di approfondimento e di design di nuove soluzioni (15%) Non è consentita la consultazione di manuali o testi durante la prova orale.

Testi di riferimento

  • Slides dai docenti, pubblicate su Moodle - Paper di riferimento, segnalati sulle slide, e in generale pubblicati in CVPR; NIPS; ICCV; TPAMI - Testi consigliati: - Luciano Ramalho, Fluent Python - Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, MIT Press - Jacob Eisenstein, Introduction to Natural Language Processing - Sebastian Raschka , Yuxi (Hayden) Liu , Vahid Mirjalili, Machine Learning with PyTorch and Scikit-Learn: Develop machine learning and deep learning models with Python

Codice insegnamento 29524

Scalable Data Management 2° anno · 1° semestre · 9 CFU · IINF-05/A · 0 file
Smart Robotics 2° anno · 2° semestre · 9 CFU · IINF-04/A · 0 file

Il corso fornisce gli strumenti e le metodologie di base per la comprensione del funzionamento di manipolatori robotici industriali e collaborativi.

Scheda dell'insegnamento

Obiettivi formativi

Il corso fornisce gli strumenti e le metodologie di base per la comprensione del funzionamento di manipolatori robotici industriali e collaborativi.

Programma

1. Robotica industriale e collaborativa [1CFU] - Una breve introduzione alla robotica - Struttura e componenti principali dei robot industriali 2. Cinematica dei corpi rigidi, trasformazioni omogenee [1CFU] - Corpi rigidi e loro rappresentazione in 3D - Sistemi di assi coordinati - Trasformazioni omogenee - Trasformazioni di coordinate per velocità e forze 3. Modello cinematico di un manipolatore robotico [1CFU] - Modello cinematico diretto - Modello cinematico inverso - Cinematica differenziale e Statica: matrice Jacobiana 4. Modello dinamico di un manipolatore robotico [1CFU] 5. Controllo del robot [1CFU] - Controllo della posizione - Controllo dell'interazione (controllo di impedenza/ammettenza controllo di forza) - Controllo con sensori di visione (Componenti di un sistema visivo, visual servoing basato nello spazio immagine e nello spazio delle configurazioni) [solo per SR] 6. Pianificazione del movimento [1CFU] - Traiettorie nello spazio di giunto - Traiettorie nello spazio operativo 7. Robotica collaborativa [1CFU] - Aspetti progettuale - Standard di sicurezza 8. Simulazione e programmazione [2CFU] - Simulazione con Robotstudio di ABB Robotics - Linguaggi per la programmazione dei robot - Introduzione a ROS (Robot Operating System) [Solo per SR]

Nessuno.

Lezioni frontali con lucidi ed esercizi svolti alla lavagna. Esercitazioni al PC in Laboratorio utilizzando software di calcolo numerico e simulatori grafici. Lingua: Inglese

Modalità d'esame

L'esame si compone di due parti: - una prova orale o un esame scritto (a seconda del numero degli studenti) con domande teoriche ed esercizi carta e penna sugli argomenti del corso; [16.5 punti] - un lavoro di progettazione, svolto in gruppi di studenti, su temi proposti dagli studenti (preferito) o suggeriti dal docente con l'ausilio di programmi di simulazione. I frequentanti di Industrial Robotics utilizzeranno il software Robotstudio di ABB Robotics, mentre gli altri studenti utilizzeranno anche altri software di simulazione con l'ausilio di Matlab e ROS (Robot Operating System ) [16.5 punti] Il risultato dell'esame è dato dalla somma dei due punteggi.

Testi di riferimento

  • Lucidi utilizzati a lezione dal docente disponibili a inizio corso nella pagina moodle. TESTI: - B. Siciliano, L. Sciavicco, L. Villani, G. Oriolo, "Robotica. Modellistica, pianificazione e controllo", McGraw-Hill Education. - Peter Corke, Robotics, Vision and Control: Fundamental Algorithms in MATLAB - 2nd Ed., Springer, 2017. - Kevin M. Lynch and Frank C. Park, Modern Robotics: Mechanics, Planning, and Control, Cambridge University Press, 2017.

Codice insegnamento 29523

Traineeship/Design Activity 2° anno · 9 CFU · 0 file

Svolgimento di un Tirocinio o di una Attività Progettuale per la redazione della tesi di Laurea Magistrale.

Scheda dell'insegnamento

Obiettivi formativi

Svolgimento di un Tirocinio o di una Attività Progettuale per la redazione della tesi di Laurea Magistrale.

Programma

Il percorso della Laurea Magistrale si conclude con la redazione di una tesi che deve descrivere un lavoro progettuale che vale 18+9=27 CFU. Infatti, nella Offerta Formativa del corso di Laurea Magistrale in Ingegneria Informatica sono previsti 18 CFU per la prova finale e 9 CFU per Tirocinio/Attività Progettuale. Tale lavoro progettuale, comportando l’acquisizione di 27 CFU, dovrà impegnare lo studente per almeno 720 ore (corrispondenti ad almeno 6 mesi). L’assegnazione dell’argomento della tesi può essere richiesta dopo il superamento di tutti gli esami obbligatori del I anno della Laurea Magistrale in Ingegneria Informatica oppure avendo acquisito almeno 75 CFU, come risulta dal comma 2 dell’art. 5 del Regolamento Didattico della Laurea Magistrale.

Gli studenti, dopo aver superato tutti gli esami obbligatori del I anno o avere acquisito almeno 75 CFU, richiedono al CCdS l’approvazione dell’assegnazione dell’argomento della tesi e del nominativo del relatore.

-

Modalità d'esame

-

Testi di riferimento

-

Codice insegnamento 29527

Ai For Bioinformatics 1° semestre · 9 CFU · ING-INF/05 · 0 file
Big Data And Text Analysis 1° semestre · 9 CFU · ING-INF/05 · 0 file
Big Data Management 1° semestre · 9 CFU · ING-INF/05 · 0 file
Business Intelligence 2° semestre · 9 CFU · ING-INF/05 · 0 file
Distributed Edge Programming 2° semestre · 9 CFU · ING-INF/05 · 0 file
Graph Analytics 2° semestre · 9 CFU · ING-INF/05 · 0 file
Introduction To Quantum Information Processing 1° semestre · 6 CFU · FIS/03 · 0 file
Machine Learning And Deep Learning 1° semestre · 9 CFU · ING-INF/05 · 0 file
Progettazione Di Sistemi Operativi 1° semestre · 9 CFU · ING-INF/05 · 0 file
Sistemi E Applicazioni Cloud 1° semestre · 9 CFU · ING-INF/05 · 0 file

Recensioni del corso

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

★

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