Corso di laurea

Informatica Applicata (Machine Learning E Big Data)

Università di Napoli Parthenope · 5 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

Data Science Technology 1° anno · 2° semestre · 6 CFU · INF/01 · 0 file

Il corso si propone di fornire le competenze essenziali per ottimizzare la gestione di una Base di Dati tramite un Database Management System di tipo relazionale e una visione generale di diverse tipologie di DBMS in…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di fornire le competenze essenziali per ottimizzare la gestione di una Base di Dati tramite un Database Management System di tipo relazionale e una visione generale di diverse tipologie di DBMS in modo da operare una scelta consapevole della tecnologia più adatta ad ogni caso d'uso.
Una metà del corso riguarda la progettazione fisica, ovvero lo studio delle tecniche atte a migliorare le prestazioni di una base di dati esistente. Si presume che lo schema relazionale sia dato, e si illustra come sia possibile migliorare anche di ordini di grandezza il tempo di accesso ai dati in esso contenuti. Oltre questo, si presenta una panoramica su tecnologie non strettamente relazionali collegate al fenomeno dei Big Data e all'esplosione dei dati non strutturati, anche in ambiente distribuito, trattando vari sistemi Not Only SQL.
A fine corso, l’abilità principale acquisita sarà quella di leggere un piano d'esecuzione e di decidere se, quando e in che modo usare in un database relazionale le principali tecniche di ottimizzazione (indicizzazione, multidimensional clustering, range partitioning, viste materializzate, caching) o decidere una strategia di partizionamento dei dati (Sharding) in ambiente distribuito, ovvero tutto ciò che sta sotto l’ombrello del Database tuning. Sarà inoltre possibile per lo studente decidere quando è opportuno utilizzare una tecnologia alternativa e quale può essere più adeguata secondo la natura dei dati e le esigenze che ha di fronte.
Per superare l'esame è richiesto il superamento di una prova scritta con esercizi sull’ottimizzazione dei tempi di accesso, un homework di progettazione tramite Diagrammi DFD e Component/Deployment e alcune domande di teoria.

  • Conoscenza e capacità di comprensione:
    Lo studente deve dimostrare di muoversi con autonomia nella gestione di Basi di Dati relazionali, immaginando ed implementando funzionalità evolute. Deve inoltre dimostrare buona comprensione del funzionamento fondamentale e dei casi d'uso di sistemi non relazionali, siano essi chiave-valore, document store, colonnari o graph based.
  • Capacità di applicare conoscenza e comprensione:
    Lo studente deve dimostrare di saper gestire sistemi poliglotti.
  • Abilità comunicative:
    lo studente deve essere in grado di documentare opportunamente il database progettato come soluzione all’homework finale.
  • Capacità di apprendimento:
    Lo studente avrà delle solide fondamenta per seguire e comprendere in autonomia la rapida evoluzione tecnologica dei sistemi di gestione dei dati e l’ibridazione dei sistemi attualmente in corso.

Programma

Il corso approfondisce la progettazione fisica delle Basi di Dati relazionali fornendo tutti gli elementi necessari per operare un tuning consapevole delle performance di una base di dati relazionale preesistente;
inoltre fornisce una ampia panoramica delle tecnologie alternative, anche in ambiente distribuito, per operare una scelta consapevole della soluzione di persistenza più adeguata per ciascun caso d'uso.

E' necessario avere acquisito i fondamenti delle Basi di Dati relazionali trasmessi dal primo corso sulle Basi di Dati nella laurea triennale, mentre è raccomandato avere una buona padronanza degli Algoritmi e Strutture Dati.

Lezione frontale alla lavagna ed esercitazioni pratiche su carta. In particolare non si distribuiscono slide, ma si incoraggiano gli studenti a partecipare attivamente alle lezioni e a prendere appunti.

Modalità d'esame

Una prova infracorso è prevista per incoraggiare la partecipazione attiva alle lezioni. L'esame è in forma scritta e prevede la soluzione di alcuni esercizi di ottimizzazione e la risposta ad alcune domande teoriche, oltre alla consegna di un Homework in cui si presenta il progetto tramite diagrammi (DFD e UML Component/Deployment) di una soluzione integrata per la gestione dei dati in un dato scenario utilizzando almeno due diverse tecnologie di persistenza.
Graduazione voti (in trentesimi)
Insufficiente (esame non superato). gravi lacune sugli argomenti in programma. Utilizzo di terminologie non consone ai contenuti del programma. Sufficiente (18 – 21): conoscenze limitate ma appena sufficienti. Terminologie non sempre appropriate. Buono (22 – 24): conoscenze più che sufficienti con limitate capacità di interconnessione tra gli argomenti del programma di esame. Terminologie appropriate.
Molto Buono (25 –28): conoscenze approfondite e buona capacità di interconnettere argomenti diversi del programma di esame. Terminologie appropriate con buona capacità comunicativa. Ottimo (29 –30):conoscenze molto approfondite e completa capacità di interconnettere gli argomenti del programma di esame. Terminologie appropriate e ottima capacità comunicativa. Eccellente (Lode): conoscenze complete su tutto il programma di esame, completa capacità di interconnettere tutti gli argomenti del programma di esame, appropriatezza dell’esposizione e collegamento anche ad altri argomenti non presenti nel programma e anche di altre discipline.

Testi di riferimento

Principali riferimenti:
Shamkant B. Navathe Ramez A. Elmasri. Sistemi di Basi di Dati - Fondamenti e complementi. Pearson, 7^a edizione, 2018.
Tom Nadeau Sam Lightstone, Toby Teorey. Physical Database Design. Morgan Kaufmann, 2007; Guy Harrison, Next Generation Databases, Apress, 2015;
Riferimenti per alcuni argomenti specifici:
Joe Celko. Joe Celko’s complete guide to NoSQL. Morgan Kaufmann, 1^a edizione, 2014.
Annalisa Franco Dario Maio, Stefano Rizzi. Esercizi di progettazione di Basi di Dati. Progetto Leonardo, 2^a edizione, 2005.
Alcuni video riassuntivi sono disponibili sulla piattaforma di e-learning del Dipartimento di Scienze e Tecnologie.

Codice insegnamento 6913

Internet Of Things And Iot Lab 1° anno · 1° semestre · 12 CFU · INF/01 · 0 file

Conoscenza e capacità di comprensione: Lo studente deve dimostrare di conoscere e saper comprendere aspetti avanzati del networking con reti di sensori, dalle strategie a livello MAC fino alle applicazioni, con le…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenza e capacità di comprensione: Lo studente deve dimostrare di conoscere e saper comprendere aspetti avanzati del networking con reti di sensori, dalle strategie a livello MAC fino alle applicazioni, con le quali orientarsi tra le tecniche di acquisizione, gestione e analisi di dati dei sensori in un contesto sia teorico che pratico. Lo studente, inoltre, deve dimostrare di conoscere e saper comprendere aspetti avanzati dei sistemi e delle architetture distribuite in un contesto sia teorico che pratico.
Capacità di applicare conoscenza e comprensione: Lo studente deve dimostrare di saper utilizzare la propria conoscenza acquisita per risolvere problemi avanzati di networking di sensori e dispositivi eterogenei e loro integrazione con altre tecnologie dell’ IoT,dal punto di vista dello specifico dominio applicativo, e gestione di sistemi ed architetture nel contesto applicativo dell’IoT.
Autonomia di giudizio: Lo studente deve essere in grado di sapere valutare in maniera la qualità delle soluzioni progettuali ed implementative proposte sulla base di diversi e specifici criteri di qualità del servizio. Inoltre, deve sapere rapportare le suddette soluzioni rispetto ad alcuni standard de facto disponibili in letteratura e software open-source.
Abilità comunicative: Lo studente deve essere in grado di affrontare e gestire tutte le fasi di un progetto software incentrato sulle tecnologie per l’IoT. Pertanto lo studente deve essere in grado di produrre una documentazione dettagliata dei requisiti del dominio applicativo, della progettazione e della implementazione, esponendo i risultati ottenuti ed evidenziando vantaggi e svantaggi delle soluzioni proposte, anche con attività seminariali (eventualmente in lingua Inglese).
Capacità di apprendimento: Lo studente deve essere in grado di aggiornarsi e approfondire in modo autonomo argomenti e applicazioni specifiche dell’IoT e delle WSNe dei sistemi distribuiti di elaborazione, anche accedendo a banche dati, repository on-line di software e framework di sviluppo e simulazione di WSNe altre modalità messe a disposizione dalla rete.

Programma

Parte I
1.Principi comunicazione wireless
a.onde elettromagnetiche
b.Segnali analogici e digitali
c.Relazione tra banda di frequenza e tasso dei dati
d.Effetti della propagazione delle onde e del rumore
e.Allocazione delle frequenze
f.Modulazione e Multiplexing
2.Reti cellulari
a.definizione e concetti base
b.architettura di una rete cellulare (GSM)
c.Basi di dati nelle reti cellulari
d.Riuso delle frequenze
e.Gestione della posizione
f.Paging
g.Handoff
h.Assegnazione del canale
i.Evoluzione delle reti cellulari
3.Sistemi RFID:
a.definizione
b.componenti di un sistema RFID
c.Tipologie di tag e reader
d.Ciclo di vita tag e problematiche di privacy e sicurezza
e.Accoppiamento elettromagnetico induttivo e Accoppiamento elettromagnetico con backscatter
f.Applicazioni
4.Cloud computing:
a.Definizione
b.modelli di cloud
c.modelli di servizio: SaaS, PaaS e IaaS
d.Tecniche di virtualizzazione
e.Bilanciamento del carico
f.Scalabilità ed elasticità
g.MapReduce
h.Esempi di cloud commerciali.
5.Wireless Sensor Network
a.Introduzione
b.Architettura di un nodo sensore
c.Architetture di reti di sensori
d.Requisiti e vincoli progettuali per i protocolli a livello MAC per WSN
e.Protocolli a livello MAC: basati su contesa e basati su schedulazione
f.Protocolli MAC: S-MAC, T-MAC, PAMAS, LEACH, SMACS, TRAMA
g.Protocolli di Routing per WSN: vincoli e requisiti progettuali, routing geografico unicast; routing perimetrale; Other face routing; GPSR; Routing su una curva; Routing geografico ed energy aware; Routing basato su attributi: GHT, Directed diffusion, rumor routing.
h.Controllo topologia e Sincronizzazione temporale: metodo degli intervalli e reference broadcasting;
i.Database di Reti di Sensori: Interfaccia per le query; Aggregazione in-network; Memorizzazione dati-centrica; Indici dei dati e query range.
j.Sistema operativo per WSN: Contiki.
Parte II
1.Introduzione ai sistemi distribuiti: Modelli architetturali distribuiti e loro programmazione. Principi, caratteristiche chiave, vantaggi e svantaggi. Scelte di progetto e problematiche connesse. Topologie, tipi di rete di interconnessione. Mezzi trasmissivi. Protocollo e servizi. Prestazioni.
2.Comunicazione: Paradigmi client-server e IPC. Group communication. Multicast. Meccanismi di invocazione e chiamata remota: Remote Method Invocation (RMI). Remote Procedure Call (RPC). Tipi e semantiche. Esempi.
3.Tempo e stato di un sistema distribuito: Tempo. Stato. Clock. Sincronizzazione dei clock. Precedenze tra eventi. Registrazione dello stato globale.
4.Algoritmi di controllo distribuiti: Algoritmi di sincronizzazione e coordinamento. Deadlock. Schedulazione. Elezioni di un leader. Allocazione dei processi nei sistemi distribuiti. Rilevazione della terminazione.
5.Processi: allocazione, migrazione e bilanciamento del carico.
6.File system distribuiti: Modello di file service e problematiche di progetto. Casi di studio: NFS, AFS e CODA, GFS, HDFS
7.Distributed Shared Memory
8.Apache Hadoop. Hadoop ecosystem: Zookeeper, Spark, Storm.

Per gli studenti di Informatica Applicata (Machine Learning e Big Data): è necessario avere acquisito le conoscenze e le competenze trasmesse dai seguenti corsi: Programmazione I, ProgrammazioneII, Sistemi Operativi, Algoritmi e Strutture Dati e Reti di Comunicazione.

La didattica è svolta mediante lezioni frontali, seminari di esperti nel settore e da parte degli stessi studentied attività di laboratorio.

Modalità d'esame

L’obiettivo della procedura di verifica consiste nel quantificare, per ogni studente, il livello di raggiungimento degli obiettivi formativi precedentemente indicati. La procedura di verifica consiste in un seminario su un tema scelto dallo studente e/o dai docentio, in alternativa, in una proposta di progetto da svolgersi in gruppo su un’applicazione di interesse individuata dagli studenti e/o dai docentie in un esame finale orale.
Insufficiente (esame non superato). gravi lacune sugli argomenti in programma. Utilizzo di terminologie non consone ai contenuti del programma. Sufficiente (18 – 21): conoscenze limitate ma appena sufficienti. Terminologie non sempre appropriate.
Buono (22 – 24): conoscenze più che sufficienti con limitate capacità di interconnessione tra gli argomenti del programma di esame. Terminologie appropriate.
Molto Buono (25 –28): conoscenze approfondite e buona capacità di interconnettere argomenti diversi del programma di esame. Terminologie appropriate con buona capacità comunicativa.
Ottimo (29 –30):conoscenze molto approfondite e completa capacità di interconnettere gli argomenti del programma di esame. Terminologie appropriate e ottima capacità comunicativa.
Eccellente (Lode): conoscenze complete su tutto il programma di esame, completa capacità di interconnettere tutti gli argomenti del programma di esame, appropriatezza dell’esposizione e collegamento anche ad altri argomenti non presenti nel programma e anche di altre discipline.

Testi di riferimento

Parte I
[1]F. Zhao, L. Guibas, Wireless Sensor Networks –An Information Processing Approach, Elsevier, 2004;
[2]H. Karl, A. Willig, Protocols and Architectures for Wireless Sensor Networks, Wiley, 2006
[3]W. Stallings, Wireless communication and networks, 2nd Ed., Pearson
[4]A. Forster, Introduction to Wireless Sensor Networks, Wiley
Parte II
[1] D. Dhamdhere, “Operating Systems: A Concept-Based Approach”, McGraw-Hill Companies, 2008.
[2] A. S. Tanenbaum, M. Van Steen, “Distributed Systems: Principles and Paradigms”, Prentice Hall, 2002.
[3] G. Coulouris, J. Dollimore, T. Kindberg, G. Blair, "Distributed Systems: Concepts and Design", 2009.
[4] P. K. Sinha, " Distributed Operating Systems: Concepts and Design ", 1997.
[5] A. S. Tanenbaum, "Distributed Operating Systems", 1997.
[6] T. White, "Hadoop: The Definitive Guide, 4th Edition", O’Reilly, 2015.
[7] B. Reed, F. Junqueira, "ZooKeeper. Distributed Process Coordination", O’Reilly, 2013.
[8] M. Zaharia, H. Karau, A. Konwinski, P. Wendell, "Learning Spark Lightning-Fast Big Data Analysis", O’Reilly, 2015.
[9] G. Eisbruch, J. Leibiusky, D. Simonassi, "Getting Started with Storm", O’Reilly, 2015.
Tutte le lezioni sono in formato pdf sono fruibili attraverso la piattaforma di e-learning del Dipartimento di Scienze e Tecnologieinsieme con materiale didattico di approfondimento (articoli ed estratti da testi di riferimento, dispense del docente).

Codice insegnamento 7794

Machine Learning 1° anno · 1° semestre · 12 CFU · INF/01 · 0 file

Lo scopo del corso è fornire i fondamenti teorici e pratici delle varie tecniche di Apprendimento Automatico (o Machine Learning) e Deep Learning. Conoscenza e capacità di comprensione Lo studente dovrà avere sufficiente…

Scheda dell'insegnamento

Obiettivi formativi

Lo scopo del corso è fornire i fondamenti teorici e pratici delle varie tecniche di Apprendimento Automatico (o Machine Learning) e Deep Learning.
Conoscenza e capacità di comprensione
Lo studente dovrà avere sufficiente familiarità con le tecniche di algebra lineare, analisi matematica, probabilità e statistica, impartite nel corso di laurea triennale, in modo da poter comprendere i fondamenti teorici delle tecniche di machine learning presentate nel corso. Infine, lo studente dovrà avere una buona dimestichezza con la lingua inglese scritta in modo tale da poter avvalersi delle risorse bibliografiche, sotto forma di testi e di articoli scientifici, per la quasi totalità in lingua inglese.
Capacità applicative
Lo studente deve dimostrare capacità di sviluppo e di analisi di complessità di algoritmi. Lo studente dovrà dimostrare un uso consapevole di librerie software, attualmente disponibili, per l’implementazione dei principali metodi di machine learning e deep learning presentati nel corso.
Autonomia di giudizio
Lo studente deve essere in grado di sapere valutare in maniera autonoma l’efficacia e l’efficienza di machine learning e deep learning ad un caso reale. Dovrà aver, inoltre, maturato una sufficiente indipendenza e senso critico in modo da poter utilizzare le risorse bibliografiche. Tale capacità è cruciale per la maturazione di attitudini di self-learning, durante il corso degli studi.
Abilità nella comunicazione
Lo studente deve essere in grado di redigere una relazione e di organizzare una presentazione, entrambe preferibilmente in lingua inglese, su un metodo od una tecnica di machine learning multimodale.
Capacità di apprendere
Lo studente dovrà aver maturato, alla fine del corso, la capacità di Self-Learning, ossia di essere in grado, ai fini dell’ auto-apprendimento, di utilizzare, in modo indipendente, le risorse bibliografiche che motori di ricerca e repository open source, quali Scholar Google e Researchgate, mettono a disposizione.

Programma

Il corso ha lo scopo di fornire i fondamenti teorici e pratici dell' Apprendimento Automatico (o Machine Learning) e Deep Learning.

Nozioni di base di Programmazione ad Oggetti, Algebra Lineare, Analisi Matematica, Probabilità e Statistica e di Calcolo Scientifico.

La didattica è svolta mediante lezioni frontali e di laboratorio, e da parte degli stessi studenti su alcune tematiche di loro particolare interesse. Sulla piattaforma di riferimento del corso c'è la possibilità di usufruire di video-lezioni.

Modalità d'esame

Lo studente deve avere dimostrato la capacità di comprensione delle differenti tecniche di machine learning e deep learning. Per il superamento dell’esame lo studente dovrà sviluppare una presentazione, corredata da una tesina, ed effettuare un colloquio orale. La presentazione, concordata con i docenti, riguarderà uno specifico argomento di machine learning eventualmente applicato ad un dominio applicativo. La tesina verrà redatta preferibilmente in lingua inglese. Nell' esame orale lo studente presenterà e discuterà la tesina effettuata (50% della valutazione) e dovrà mostrare di aver appreso i metodi di machine learning e deep learning trattati durante il corso (50% della valutazione).
La valutazione avviene utilizzando la seguente griglia:
Sufficiente (voti tra 18 – 20): conoscenze e competenze appena sufficienti.
Discreto (voti tra 21 – 23): conoscenze e competenze più che sufficienti. Conoscenza sommaria degli argomenti del corso che richiedono maggior impegno teorico
Buono (24 –27): conoscenze e competenze approfondite. Buona .
Ottimo (28 –30):conoscenze e competenze molto approfondite e completa. Ottima capacità espositive
Eccellente (Lode): conoscenze e competenze complete. Indipendenza di giudizio. Originalità. Eccezionali capacità espositive

Testi di riferimento

T. Hastie, R. Tibshirani, J. Friedman, “The Elements of Statistical Learning: Data Mining, Inference, and Prediction”, 2nd Edition, 2008, Springer, ISBN: 978-0387848570
M. Gori, “Machine Learning: A Constraint-Based Approach”, 2017, Morgan Kauffman, ISBN: 978-0081006597
F. Camastra, A. Vinciarelli, “Machine Learning for Audio, Image and Video Analysis: Theory and Applications”, 2nd Edition, 2016, Springer Verlag, ISBN: 978-1447168409
J. Shawe-Taylor, N. Cristianini, “Kernel Methods for Pattern Analysis”, 2004, Cambridge University Press, ISBN: 978-0521813976
R.O. Duda, P.E. Hart, D.G. Stork, "Pattern Classification", 2nd edition, Wiley and Sons, 2000.
J. C. Bishop, "Pattern Recognition and Machine Learning", Springer, 2006
I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press, 2016
A. Geron, Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow, O'Reilly, 2019
Materiale didattico sulla piattaforma e-learning: https://elearning.uniparthenope.it

Codice insegnamento 6911

Physics And Quantum Computing 1° anno · 1° semestre · 9 CFU · FIS/05 · 0 file

Il corso offre un’introduzione ai principi dell’elettromagnetismo evidenziandone l’aspetto applicativo. Cenni di fisica quantistica, principio di sovrapposizione, entanglement, teletrasporto quantistico e computer…

Scheda dell'insegnamento

Obiettivi formativi

Il corso offre un’introduzione ai principi dell’elettromagnetismo evidenziandone l’aspetto applicativo. Cenni di fisica quantistica, principio di sovrapposizione, entanglement, teletrasporto quantistico e computer quantistico.
Conoscenza e capacità di comprensione:
Lo studente deve dimostrare di conoscere e saper comprendere i fondamenti della fisica classica, con particolare riguardo all’elettromagnetismo, ed il loro contesto applicativo. Lo studente deve saper comprendere l’utilizzo dei vettori come grandezze fisiche. Deve inoltre aver acquisito i principi base della fisica quantistica, del teletrasporto e del computer quantistico.
Capacità di applicare conoscenza e comprensione:
Lo studente deve dimostrare di saper utilizzare la propria conoscenza acquisita per risolvere i principali problemi dell’elettromagnetismo, anche quando essi appaiono in contesti concreti. Tali capacità si esprimono anche nella risoluzione di esercizi. Lo studente deve inoltre dimostrare di saper comprendere il principio di funzionamento del computer quantistico facendo riferimento ai principi di base della fisica quantistica acquisiti durante il corso.
Autonomia di giudizio:
Lo studente deve saper valutare in maniera autonoma i risultati delle applicazioni di leggi dell’elettromagnetismo. Inoltre, deve essere in grado di seguire in linea generale l’evoluzione dei computer quantistici basandosi sui principi generali della fisica quantistica acquisita durante il corso.
Abilità comunicative:
Lo studente deve essere in grado di sostenere una conversazione di fisica di base facendo anche esempi di applicazione delle leggi fisiche relativamente all’Elettromagnetismo. Lo studente deve inoltre saper comprendere il principio su cui si basa il funzionamento dei computer quantistici.
Capacità di apprendimento:
Lo studente deve essere in grado di aggiornarsi e approfondire in modo autonomo argomenti e applicazioni specifiche di leggi fisiche riguardanti l’Elettromagnetismo. Inoltre, deve essere in grado di seguire nuovi sviluppi che avrà il computer quantistico.

Programma

Parte I- Elettromagnetismo: campo elettrico (carica e materia, campo elettrico, teorema di Gauss, potenziale elettrico, condensatori e dielettrici, corrente e resistenza, forza elettromotrice e circuiti); campo magnetico (teorema di Ampère, legge di induzione di Faraday, induttanza); oscillazioni elettromagnetiche, correnti alternate, equazioni di Maxwell. Le Immagini. Onde elettromagnetiche: riflessione e rifrazione, interferenza, diffrazione, polarizzazione. Cenni di struttura della materia: struttura atomica, struttura dei solidi, semiconduttori.
Parte II- Cenni di fisica quantistica: principio di indeterminazione di Heisenberg, principio di sovrapposizione, entanglement, il teletrasporto quantistico, calcolatori quantistici e bit quantistico.

Lo studente deve conoscere i vettori, operazioni tra vettori e le loro proprietà e saperne comprendere l’applicazione come grandezze fisiche.

Il corso è svolto mediante lezioni frontali, con il supporto di presentazioni di slide e l’utilizzo della lavagna per l’illustrazione dei concetti teorici, delle derivazioni e degli esempi.

Modalità d'esame

La procedura di verifica dell’apprendimento, volta a quantificare il livello di raggiungimento degli obiettivi formativi del corso, consiste in una prova d’esame articolata in due parti, ciascuna con peso pari al 50% del voto finale.
Prima parte del corso – prova scritta (50% del voto)
Per la prima parte del corso, la valutazione è basata esclusivamente sul punteggio in trentesimi ottenuto nella prova scritta, che consiste in un quiz a risposte multiple e in un problema aperto con svolgimento dettagliato.
La prova è finalizzata a verificare la comprensione dei concetti fondamentali e la capacità di applicarli alla risoluzione di problemi.
La valutazione della prima parte è espressa secondo le seguenti fasce:
Good (18–24): conoscenza sufficiente o più che sufficiente dei contenuti trattati; comprensione dei concetti fondamentali e capacità applicative di base.
Very good (25–28): conoscenze approfondite; buona capacità di applicare correttamente i concetti e di inquadrare i problemi proposti.
Excellent (30): conoscenze complete e molto approfondite; piena padronanza dei contenuti e capacità di risoluzione rigorosa dei problemi.
Seconda parte del corso – presentazione del progetto (50% del voto)
Per la seconda parte del corso, la valutazione è espressa in trentesimi ed è basata sulle performance nella presentazione del progetto, durante la quale lo studente/la studentessa illustra uno degli argomenti relativi alla fisica quantistica e ai computer quantistici, con il supporto di una presentazione.
La valutazione tiene conto della comprensione dell’argomento, della capacità di collegare i diversi temi del corso, della chiarezza espositiva e dell’uso appropriato della terminologia scientifica, secondo la seguente graduazione:
Sufficiente (18–21): scarsa comprensione della tematica specifica esposta, ma generale comprensione dei concetti fondamentali; esposizione semplice e parzialmente adeguata.
Buono (22–24): presentazione ben esposta, ma con limitata capacità di interconnessione tra gli argomenti; utilizzo di una terminologia generalmente appropriata.
Molto buono (25–28): conoscenze approfondite; buona capacità di collegare diversi temi del corso; utilizzo corretto della terminologia scientifica e buona capacità espositiva.
Ottimo (29–30): conoscenze molto approfondite e complete; piena capacità di interconnettere in modo critico gli argomenti del programma; terminologia scientifica appropriata e ottima capacità comunicativa.
Eccellente (30 e lode): conoscenze complete e approfondite su tutto il programma; piena autonomia di giudizio; capacità di collegamento con argomenti affini o di altre discipline; esposizione rigorosa, chiara e articolata.
Valutazione finale
Il voto finale dell’esame è espresso in trentesimi ed è ottenuto come media ponderata delle due parti dell’esame.

Testi di riferimento

“Fondamenti di Fisica”, Vol. 2, D. Halliday, R. R. Resnick, J. Walker, Casa Editrice Ambrosiana.
Questo testo vi servirà per la prima parte del corso relativa all'elettromagnetismo (vedi sezione "programma esteso" per sapere quali capitoli e paragrafi studiare.
"The Feynman Lectures on Physics" - Terzo Volume
Feynman Richard P.; Leighton Robert B.; Sands Matthew. Editore: ADDISON WESLEY. In particolare, per l'argomento "DUALITA' ONDA-PARTICELLE",
guardate i Capitoli 1 e 2. Il testo è utile a capire il concetto onda-particella e il fenomeno dell’interferenza visto dai due punti di vista.
Quantum Computing for the Quantum Curious
Hughes, Ciaran; Isaacson, Joshua; Perry, Anastasia; Sun, Ranbel F.; Turner, Jessica. Springer International Publishing. OPEN ACCESS
Al-Qasimi, A. & James, D. F. V. (2025). Quantum Information: A First Course. Cambridge: Cambridge University Press.

Codice insegnamento 6910

Scientific Computing 1° anno · 1° semestre · 9 CFU · MAT/08 · 0 file

Il corso analizza metodologie, algoritmi e software per il Calcolo Scientifico con particolare attenzione alle applicazioni di Data Science e alle simulazioni con modelli differenziali . Il corso contiene approfondimenti…

Scheda dell'insegnamento

Scheda dell'a.a. 2023/2024: quella dell'anno in corso non è ancora pubblicata.

Obiettivi formativi

Il corso analizza metodologie, algoritmi e software per il Calcolo Scientifico con particolare attenzione alle applicazioni di Data Science e alle simulazioni con modelli differenziali . Il corso contiene approfondimenti del linguaggio MATLAB, utilizzato per lo sviluppo di software nelle attività di Laboratorio che sono parte integrante del corso.
Conoscenza e capacità di comprensione: Lo studente deve dimostrare di conoscere e saper comprendere aspetti avanzati dell’analisi numerica e del calcolo scientifico, con particolare riguardo all’algebra lineare, all’approssimazione, ai sistemi di equazioni differenziali e all’analisi di Fourier, in un contesto sia teorico sia applicativo, e del linguaggio di programmazione MATLAB e del suo ambiente di sviluppo.
Capacità di applicare conoscenza e comprensione: Lo studente deve dimostrare di saper utilizzare la propria conoscenza acquisita per risolvere computazionalmente problemi avanzati della matematica applicata, anche quando essi appaiono in contesti concreti e in altre discipline applicative, per sviluppare algoritmi numerici e analizzarli dal punto di vista dell’accuratezza e della complessità, per usare in modo consapevole il linguaggio MATLAB, al fine di produrre software scientifico utilizzabile per risolvere efficacemente una varietà di problemi concreti. Tali capacità si estrinsecano anche in un uso approfondito e consapevole degli strumenti di calcolo e dei laboratori informatici avanzati.
Autonomia di giudizio: Lo studente deve essere in grado di sapere valutare in maniera autonoma i risultati prodotti da software scientifico. Inoltre, deve sapere individuare, anche utilizzando repository on-line di software scientifico, gli algoritmi e i software più adatti per risolvere uno specifico problema.
Abilità comunicative: Lo studente deve essere in grado di redigere una relazione di presentazione di un algoritmo numerico e di documentare la sua implementazione MATLAB, anche lavorando in gruppo, servendosi di strumenti avanzati di scrittura/documentazione di calcolo scientifico e usando correttamente la terminologia della matematica applicata e computazionale, anche in lingua inglese.
Capacità di apprendimento: Lo studente deve essere in grado di aggiornarsi e approfondire in modo autonomo argomenti e applicazioni specifiche dell’analisi numerica e del calcolo scientifico, anche accedendo a banche dati, repository on-line di software scientifico e altre modalità messe a disposizione dalla rete.

Programma

PARTE I - Data Science and Simulation (primo semestre)
Richiami di Algebra Lineare Numerica: interpretazione del prodotto matrice-vettore e matrice-matrice - prodotto scalare e proiezione ortogonale - proiettori su sottospazi. 6h
Fattorizzazioni di matrici: fattorizzazione QR - decomposizione spettrale - decomposizione in valori singolari (SVD) - cenno ai metodi per il calcolo delle fattorizzazioni. Applicazioni alla Data Science: l'idea della riduzione di dimensionalità dei dati, analisi di dati in bioinformatica, analisi e compressione di immagini, indicizzazione semantica di testi, analisi delle componenti principali. 12h
Algoritmo Pagerank di Google: grafi e matrici - matrici stocastiche e positive - metodo delle potenze - metodo delle potenze come smoother - interpretazione del Pagerank come processo casuale - catene di Markov - applicazione delle catene di Markov all'analisi di dati. 6h
Risoluzione di sistemi di equazioni non lineari: metodi di Newton - metodo del punto fisso - applicazione alla grafica. 4h
Calcolo di massimi e minimi di funzioni di più variabili: metodi steepest descent - metodi di Newton - metodo di Levenberg-Marquardt - convergenza, velocità di convergenza, criteri di arresto - applicazioni alla modellistica computazionale. Cenni al problema dell'ottimizzazione globale: metodi simulated anne

Per gli studenti di Informatica Applicata (Machine Learning e Big Data): è necessario avere acquisito le conoscenze e le competenze trasmesse dai seguenti corsi: Matematica I, Matematica II, Calcolo Numerico, Algoritmi e Strutture Dati e Lab ASD.

Didattica tradizionale in presenza, tenuta in un laboratorio informatico. Ogni lezione presenta anche la risoluzione di un problema avanzato e l'analisi degli algoritmi e del software per la risoluzione. Ogni lezione richiede agli studenti un approfondimento di qualche aspetto trattato, sia attraverso un'analisi teorica sia attraverso lo sviluppo di algoritmi o di varianti di algoritmi (in MATLAB)

Modalità d'esame

L’obiettivo della procedura di verifica consiste nel quantificare, per ogni studente, il livello di raggiungimento degli obiettivi formativi precedentemente indicati. La procedura di verifica consiste principalmente in una prova intercorso e in un esame finale, entrambi orali. La prova intercorso è focalizzata sugli aspetti teorici, applicativi e implementativi dei metodi e degli algoritmi di Algebra lineare, sistemi non lineari, ottimizzazione non vincolata, equazioni differenziali ordinarie e alle derivate parziali; l'esame finale approfondisce gli aspetti teorici, applicativi e implementativi legati all'analisi di Fourier e alle trasformazioni geometriche. Le due prove sono finalizzate anche alla valutazione delle competenze relative alla programmazione in Matlab, all'accesso ai principali repository di software per applicazioni scientifiche e in generale all'uso critico e consapevole degli strumenti del calcolo scientifico. La capacità di lavorare in gruppo e di redigere relazioni di accompagnamento al software applicativo è valutata durante tutto il corso, che si tiene in un laboratorio informatico e coinvolge gli studenti in una continua attività di approfondimento in gruppo.

Testi di riferimento

C. Moler – Numerical Computing with MATLAB, SIAM, 2005. Scaricabile dal sito www.mathworks.com
M. Rizzardi - Sperimentare la matematica con MATLAB: elementi di analisi complessa, Liguori Ed. 2008.
Gilbert Strang - Linear Algebra and Learning from Data, Wellesley-Cambridge Press 2019

Codice insegnamento 6909

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.