ingegneria informatica

Al termine del corso si richiede che lo studente abbia acquisito familiarità con le nozioni di spazio vettoriale, funzione lineare, matrici e loro proprietà, prodotti scalari, forme bilineari simmetriche, e abbia raggiunto una buona padronanza del calcolo con vettori e matrici. Si richiede che lo studente sia in grado di applicare tali risultati alla risoluzione di problemi di algebra lineare e di semplici problemi di geometria analitica che riguardano le sottovarietà lineari di uno spazio affine.

Cenni su alcune strutture algebriche quali gruppi, anelli e campi. Il campo dei numeri reali e il campo dei numeri complessi. Spazi e sottospazi vettoriali. Basi. Dimensione di uno spazio vettoriale. Coordinate di un vettore. Cambiamenti di base. Intersezioni, somme e somme dirette di sottospazi vettoriali.

Funzioni lineari. Matrici e operazioni tra matrici. Matrici associate a una funzione lineare. Riduzione di una matrice in forma a scala. Matrici invertibili. Sistemi di equazioni lineari. Determinanti. Autovalori, autovettori e autospazi di un endomorfismo o di una matrice. Polinomio caratteristico. Endomorfismi e matrici diagonalizzabili. Matrici simili.

Prodotti scalari negli spazi vettoriali reali. Norma di un vettore, angolo tra due vettori. Ortogonalità tra vettori e tra sottospazi vettoriali. Il procedimento di Gram-Schmidt. Matrici ortogonali. Forme bilineari simmetriche. Matrici simmetriche reali e loro diagonalizzabilità. Il Teorema Spettrale. Spazi affini. Punti, rette e piani nello spazio. Sottovarietà lineari di uno spazio affine. Parallelismo, incidenza, ortogonalità. Distanza tra sottovarietà lineari.

I prerequisiti corrispondono ai contenuti del MOOC di Matematica di Base consigliato in preparazione al test di ingresso per l'iscrizione universitaria (https://www.cisiaonline.it/archivio-mooc/home/).

Le attività didattiche prevedono ore di lezioni frontali in aula.

Le lezioni vengono effettuate mediante l'utilizzo di un tablet pc collegato a un proiettore.

Gli appunti delle lezioni (in formato pdf) vengono preventivamente caricati nella piattaforma Moodle e resi disponibili agli studenti prima delle lezioni stesse.

Un ulteriore supporto allo studio individuale è dato dalla presenza, in un apposito canale YouTube ( https://www.youtube.com/channel/UCpJGeVBfmf-6S3neeImAw1w ) di tutti i video delle lezioni svolte in aula.

Oltre a rivolgersi al/la docente del corso, studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

I criteri di valutazione con cui verrà effettuata la verifica delle conoscenze e delle abilità acquisite sono:

• Completezza delle conoscenze acquisite
• Capacità di applicare le conoscenze acquisite alla risoluzione di problemi concreti
• Rigore metodologico e utilizzo di un linguaggio appropriato

• Titolo: Algebra Lineare e Geometria, Autori: Francesco Bottacin, Luogo: Bologna, Anno: 2021, Editore: Esculapio, Note: III Ed.
• Titolo: Esercizi di Algebra Lineare e Geometria, Autori: Francesco Bottacin, Luogo: Bologna, Anno: 2021, Editore: Esculapio, Note: III Ed.

Descrizione generale Il corso offre una solida base di concetti, metodi e strumenti di Analisi Matematica utili per trattare problemi che coinvolgono funzioni di una variabile reale come, ad esempio: • studiare il comportamento di una funzione di variabile reale • operare con somme infinite • determinare il minimo o il massimo di una funzione di variabile reale • calcolare aree di figure piane • risolvere alcune semplici equazioni differenziali Conoscenze e competenze da acquisire (1) Conoscenza e comprensione • Conoscere definizioni, concetti, enunciati e metodi fondamentali del calcolo dei limiti, del calcolo differenziale e del calcolo integrale per funzioni di una variabile reale. • Comprendere il significato teorico dei principali risultati presentati in un primo corso di analisi matematica e le relazioni tra i diversi argomenti del corso. • Saper analizzare e comprendere un argomento dimostrativo ipotetico-deduttivo. (2) Capacità di applicare conoscenza e comprensione • Saper utilizzare correttamente strumenti e metodi dell’analisi matematica per la risoluzione di esercizi e problemi. • Saper individuare le tecniche più appropriate in relazione alle diverse tipologie di problemi teorici e applicativi affrontati nel corso. • Saper applicare definizioni, teoremi e procedure di calcolo in contesti nuovi ma coerenti con gli argomenti trattati. (3) Autonomia di giudizio • Sviluppare la capacità di analizzare criticamente problemi matematici, valutando l’adeguatezza dei metodi utilizzati e la correttezza dei risultati ottenuti. • Essere in grado di riconoscere ipotesi, condizioni di applicabilità e limiti degli strumenti teorici introdotti nel corso. • Acquisire autonomia nell’impostazione di strategie risolutive e nella verifica logica dei procedimenti adottati. (4) Abilità comunicative • Acquisire una solida padronanza del linguaggio matematico, sapendo esporre in modo corretto, chiaro ed efficace definizioni, teoremi e procedimenti risolutivi. • Saper presentare dimostrazioni con rigore logico e coerenza argomentativa. • Saper utilizzare in modo appropriato simbolismo, notazione e terminologia propri dell’analisi matematica. (5) Capacità di apprendimento • Acquisire capacità logiche, analitiche e metodologiche utili per affrontare studi successivi in ambito matematico e scientifico. • Sviluppare un metodo di studio autonomo e rigoroso, capace di favorire l’approfondimento individuale degli argomenti trattati. • Essere in grado di consultare e utilizzare autonomamente testi e materiali di supporto relativi agli argomenti del corso.

• Conoscere la logica elementare e il calcolo algebrico.
• Saper risolvere equazioni e disequazioni di primo e secondo grado, razionali, irrazionali e con valore assoluto.
• Saper risolvere sistemi di equazioni e disequazioni.
• Conoscere rappresentazione analitica e geometrica nel piano cartesiano di rette, parabole, iperboli, circonferenze ed ellissi.
• Conoscere la definizione, i valori principali e le proprietà delle funzioni trigonometriche (seno, coseno, tangente).
• Conoscere la definizione e le proprietà elementari delle funzioni esponenziali e logaritmiche, saper risolvere relative equazioni e disequazioni.

Si consiglia di svolgere l’attività Precalculus https://www.ingegneria.unipd.it/futuri-studenti/mooc-di-matematica-di-base prima dell’inizio dei corsi.

L’insegnamento è erogato in presenza e prevede:

• lezioni frontali

Metodologie:

• problem solving
• esercitazioni guidate

Studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l’Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

I criteri di valutazione sono:

(1) capacità di impostare con rigore metodologico e risolvere correttamente gli esercizi

(2) chiarezza e completezza delle argomentazioni prodotte

(3) proprietà e precisione nell’uso del linguaggio logico-deduttivo

(4) capacità di adattare tecniche note a situazioni non note.

Nella valutazione della prova scritta,

• 2/3 del punteggio sono attribuiti alla parte di esercizi,
• 1/3 del punteggio è attribuito alla parte teorica L’esame è superato se entrambe le parti della prova scritta sono svolte correttamente per almeno il 50% ciascuna (requisito minimo), ed il voto complessivo è almeno pari a 18/30.

La prova integrativa può determinare un aumento, la conferma o una diminuzione del voto della prova scritta. Se il voto complessivo finale è minore di 18/30 tutta la prova d’esame deve essere ripetuta in un appello successivo.

Dispensa delle Lezioni fornita gratuitamente dal docente.

• Rappresentazione dell’informazione numerica: rappresentazione di numeri naturali, interi e razionali; complemento a due; floating point. • Reti logiche: sistemi combinatori e sequenziali. • Organizzazione di un elaboratore: datapath; memoria centrale; modulo di controllo; unità aritmetico e logica; dispositivi di input/output. • Architettura di un elaboratore: istruzioni macchina; metodi di indirizzamento; chiamate a subroutine; allocazione dinamica della memoria. • Introduzione all’architettura ARM: organizzazione; programmazione in linguaggio assembly. • Compilazione di un programma: dal file sorgente al file eseguibile; compilatore, assemblatore, linker. • Sistemi di interruzione: commutazione del contesto; riconoscimento delle interruzioni; interruzioni esterne e software. • Organizzazione della memoria: memoria cache; memoria virtuale; memory mapping and management unit (MMU); accesso diretto alla memoria (DMA). • Tecniche avanzate di organizzazione di un elaboratore: pipelining; branch prediction; speculazione; out of order execution; acceleratori hardware; multicore. • Prestazioni di un’architettura: misure di prestazioni; impatto dell’hardware sulle prestazioni.

Con riferimento agli obiettivi formativi del RAD del CdS in Ingegneria Biomedica, il corso ha come obiettivo quello di fornire allo studente una solida preparazione sulla fisica di base, in particolare di meccanica e termodinamica. Più in dettaglio, lo studente acquisirà la conoscenza dei concetti di base e delle leggi fondamentali della meccanica classica e della termodinamica. Imparerà a formalizzare in equazioni le leggi che regolano il comportamento di semplici sistemi meccanici e termodinamici, risolvendo i problemi proposti in funzione dei parametri di input. Svilupperà criticamente l’analisi dei risultati, controllandone la consistenza in termini di analisi dimensionale e l’autoconsistenza in termini numerici. Svolgerà attività di laboratorio nelle quali si familiarizzerà con le principali problematiche inerenti alla misura di grandezze fisiche; confronterà i risultati delle misure svolte con le predizioni della teoria, valutandone la consistenza in funzione degli errori sperimentali da cui le misure sono affette, sulla base delle conoscenze acquisite in relazione alla trattazione statistica degli errori casuali e alla presenza di possibili errori di tipo sistematico.

I risultati di apprendimento attesi, secondo i Descrittori di Dublino, sono i seguenti:

·      Conoscenza e comprensione: al termine dell’insegnamento, lo studente conoscerà le leggi fondamentali della meccanica classica e della termodinamica, strumenti basilari per la comprensione di svariati argomenti propri dell’ingegneria

·      Capacità di applicare conoscenza e comprensione: lo studente sarà in grado di applicare le leggi studiate ai casi reali, verificarle tramite esperienze e utilizzare le conoscenze acquisite di elaborazione dei dati per analizzare i risultati di misure

·      Autonomia di giudizio: lo studente avrà sviluppato la capacità di analizzare criticamente i risultati di una misura sperimentale e di valutarne in maniera appropriata l’eventuale differenza rispetto al risultato previsto in teoria

·      Abilità comunicative: lo studente verrà valutato con verifiche di apprendimento scritta e orale, nelle quali dimostrerà di essere in grado di esporre in modo appropriato gli argomenti studiati e lo svolgimento dei compiti assegnati

·      Capacità di apprendimento: lo studente acquisirà competenze di base che gli permetteranno in seguito di approfondire autonomamente gli argomenti trattati nei corsi degli anni successivi

Meccanica: Grandezze fisiche. Il Sistema Internazionale. Vettori e calcolo vettoriale. Cinematica scalare e vettoriale. Dinamica del punto materiale: Le tre leggi di Newton. Concetti generali sui moti relativi e i sistemi di riferimento. Quantità di moto, impulso della forza, teorema dell'impulso, conservazione della quantità di moto. Le interazioni fondamentali. Forza peso. Reazioni vincolari. Forze d'attrito. Forza elastica e moto armonico. Tensione dei fili. Lavoro, energia cinetica, teorema dell'energia cinetica, forze conservative, energia potenziale, conservazione dell'energia meccanica, bilancio energetico con forze dissipative. Momento angolare, teorema del momento angolare. Forze centrali. La legge di gravitazione universale. Sistemi di punti materiali. Forze interne ed esterne. Centro di massa. Teoremi del moto del centro di massa, del momento angolare e dell'energia. Sistema di riferimento del CM. Teoremi di Koenig. Lavoro delle forze interne ed esterne. Corpo rigido: momento d'inerzia, teorema di Huygens-Steiner, dinamica traslazionale e rotazionale. Fenomeni d' urto: urti elastici ed anelastici. Leggi di conservazione. Fluidi: pressione, elementi di statica e dinamica dei fluidi. 

Termodinamica: Sistemi e variabili termodinamiche, stati di equilibrio, equazione di stato. Calorimetria. Temperatura, termometri e scale di temperatura. Lavoro nei sistemi termodinamici. Primo Principio della termodinamica. Gas ideali. Cicli termodinamici, macchine termiche e frigorifere. Secondo Principio della Termodinamica. Entropia. Cenni di teoria Cinetica dei gas ideali.

Conoscenze di base di algebra e trigonometria; elementi di analisi matematica: derivazione ed integrazione di funzioni continue in una variabile reale.

ll corso si sviluppa in 96 ore di lezione frontale in aula ed esercitazioni di laboratorio. 

Durante le lezioni in aula, si descrive la parte teorica del corso, in cui lo studente acquisisce le nozioni fondamentali per l'apprendimento della Meccanica e della Termodinamica, e si risolvono esercizi relativi a semplici sistemi fisici che consentono allo studente di acquisire una metodologia per la soluzione di problemi applicativi. 

Durante le attività di laboratorio, lo studente svolge delle esperienze che gli consentono di verificare sperimentalmente alcune delle leggi fisiche descritte a lezione, e di applicare praticamente i concetti appresi relativi alle misure fisiche.

Oltre a rivolgersi al/la docente del corso, studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

Per lo studio della materia è consentito l'utilizzo di software di intelligenza artificiale (AI). L'AI può essere utilizzata come ausilio alla comprensione degli argomenti trattati, sempre ricordando però che il riferimento principale per lo studio deve essere il libro di testo consigliato, che raccoglie tutte le informazioni correttamente, coerentemente e in modo organico. L'AI può anche essere utilizzata come supporto alla soluzione dei problemi proposti e/o discussi in aula così come a quelli di preparazione per la prova scritta. Si fa però presente che, soprattutto in questo secondo caso, l'AI può fornire indicazioni fuorvianti: l'AI va utilizzata sempre con spirito critico, analizzando in particolare se il testo fornito ha delle possibili ambiguità, se il testo è stato correttamente compreso dall'AI e se la logica dei passaggi seguiti per conseguire il risultato effettivamente corrisponde a quanto ci si aspetta.

Ovviamente, software di AI non possono essere utilizzati durante le prove scritte e orali.

La valutazione della preparazione dello studente si baserà nella prova scritta sulla capacità di risoluzione, in modo autonomo e appropriato sulla base delle conoscenze e metodologie acquisite, di problemi numerici sugli argomenti descritti durante il corso. 

Inoltre, nella prova orale, si valuteranno la comprensione ed il livello di conoscenza degli argomenti trattati durante il corso, che dovranno essere esposti dallo studente con rigore e proprietà di linguaggio.

Il voto finale è dato dalla media delle prove scritta e orale, con il complemento del risultato del test di laboratorio.

1.     Titolo: Fisica Vol. I – Meccanica e termodinamica, Autori: P. Mazzoldi, M. Nigro, C. Voci, Luogo: Napoli, Anno: 2023, Editore: Edises, Note: Terza Edizione. Testo di riferimento per la parte di teoria.

2.     Titolo: Problemi di Fisica Generale - Meccanica Termodinamica, Autori: P. Zotto, S. Lo Russo, P. Sartori, Luogo: --, Anno: 2015, Editore: Edizioni La Dotta, Note: Seconda edizione. Testo consigliato per lo svolgimento di esercizi.

• Comprendere i principi fondamentali del funzionamento di un computer
• Comprendere gli approcci fondamentali alla soluzione computazionale di problemi
• Applicare strategie computazionali alla risoluzione dei problemi
• Progettare semplici algoritmi
• Valutare la correttezza di codice esistente, e correggerne gli errori
• Acquisire familiarità con gli elementi fondamentali dei linguaggi di programmazione
• Utilizzare in maniera appropriata la libreria standard di Java
• Utilizzare in maniera consapevole e responsabile strumenti di AI nello sviluppo di codice
• Implementare semplici strutture dati in Java
• Realizzare semplici applicazioni in linguaggio Java

Introduzione al corso e all’algoritmica

Struttura di un elaboratore

L’ambiente Python

Variabili e tipi di dato

Logica booleana e decisioni

Cicli while e for

Funzioni

Gestire più elementi - liste e stringhe

Pattern algoritmici iterativi

Cenni di analisi della complessità

Ricorsione

Pattern algoritmici ricorsivi

Abstract Data Types

Paradigmi di programmazione

Utilizzo di strumenti AI

Il modello di programmazione e l’ambiente Java

Tipi di dato in Java

Tipi di dato custom - definizione di classi

Gestione degli errori

File I/O

Ereditarietà

Interfacce

Abstract data types in Java

Generics

Nessun prerequisito richiesto

• Lezioni frontali, esercitazioni in aula e laboratorio guidato in aula Taliercio.
• Durante il laboratorio verranno proposti esercizi per preparare gli studenti al raggiungimento dell'obiettivo di saper sviluppare in modo autonomo un'applicazione in linguaggio Java/C.
• Dal momento che si reputa importante che lo sviluppo delle semplici applicazioni avvenga appunto in modo autonomo, non è permesso l’uso degli strumenti di intelligenza artificiale generativa (es. ChatGPT o Lucrez-IA) durante lo svolgimento degli esercizi durante il corso e all’esame.

Oltre a rivolgersi al/la docente del corso, studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

Criteri di valutazione

• correttezza delle soluzioni
• capacità di applicazione dei metodi
• chiarezza dei procedimenti

La valutazione:

• richiede almeno 18/30 in entrambe le parti
• è calcolata come media aritmetica delle due parti

Data Structures and Algorithms in Python

Michael T. Goodrich (Autore), Roberto Tamassia (Autore), Michael H. Goldwasser

Editore: ‎ John Wiley & Sons Inc

Concetti di informatica e fondamenti di Java

Cay Horstmann

Editore: Maggioli Editore

Dispense (gratuite) fornite dal docente tramite le piattaforma Moodle

Lingua inglese B2 (abilità ricettive). Test di Abilità Linguistica (TAL), informatizzato, per la verifica della conoscenza della lingua inglese, livello B2 abilità ricettive (ascolto e lettura) del Quadro Comune Europeo di riferimento per la conoscenza delle lingue, da sostenere presso il Centro Linguistico di Ateneo (CLA). L’attività non include l’erogazione di un corso ma solo il test. Chi è in possesso di una certificazione di livello B2 o superiore può richiederne il riconoscimento. Tutte le informazioni relative alla Lingua inglese per Ingegneria sono disponibili all'indirizzo https://www.ingegneria.unipd.it/prove-inglese. Gli studenti sono pregati di NON contattare direttamente il docente responsabile.

Le caratteristiche della prova finale sono definite nel Regolamento Didattico del corso di studio. La prova finale avviene in forma orale e prevede la stesura di un elaborato finale. Il materiale presentato dallo studente per la prova finale verrà valutato da una commissione preparatoria, nominata dal Direttore del Dipartimento e composta da almeno due docenti. La commissione preparatoria formulerà un giudizio/esprimerà una valutazione del lavoro svolto, e lo trasmetterà alla Commissione di laurea nominata dal Direttore del Dipartimento che esprimerà il giudizio finale. La prova finale potrà essere scritta e sostenuta in lingua inglese e in questo caso dovrà essere predisposto anche un riassunto esteso, in lingua italiana, dell’attività svolta. Ulteriori informazioni sono disponibili alla pagina https://stem.elearning.unipd.it/mod/book/view.php?id=234&chapterid=46

L'insegnamento ha l'obiettivo di fornire una preparazione sistematica sui principi fondamentali della progettazione, analisi e valutazione di algoritmi e strutture dati efficienti. Il corso introduce le principali tecniche algoritmiche e le strutture dati utilizzate per la risoluzione di problemi computazionali, sviluppando la capacità di selezionare soluzioni appropriate in funzione dei requisiti di efficienza e correttezza. Viene data attenzione anche all'implementazione delle strutture dati e degli algoritmi nell'ambito della programmazione orientata agli oggetti, con specifico riferimento al linguaggio Java.

I risultati di apprendimento attesi, declinati secondo i 5 Descrittori di Dublino, sono riportati di seguito.

1) Conoscenza e capacità di comprensione

Al termine dell'insegnamento lo studente sarà in grado di:

• descrivere le principali strutture dati e tecniche algoritmiche presentate nel corso;
• spiegare i principi teorici alla base dell'analisi di correttezza e complessità degli algoritmi;
• descrivere e analizzare gli algoritmi e le proprietà fondamentali di alberi, heap, tabelle hash, alberi di ricerca e grafi;
• distinguere vantaggi, limiti e ambiti di applicazione delle diverse soluzioni algoritmiche.

2) Capacità di applicare conoscenza e comprensione

Lo studente sarà in grado di:

• progettare algoritmi per la risoluzione di problemi computazionali;
• selezionare le strutture dati più appropriate per specifici requisiti applicativi;
• implementare algoritmi e strutture dati mediante programmazione orientata agli oggetti in Java;
• analizzare correttezza ed efficienza mediante strumenti di analisi asintotica.

3) Autonomia di giudizio

Lo studente sarà in grado di:

• confrontare criticamente soluzioni algoritmiche alternative;
• valutare le conseguenze delle scelte progettuali in termini di correttezza, efficienza e manutenibilità.

4) Abilità comunicative

Lo studente sarà in grado di:

• descrivere algoritmi e strutture dati utilizzando terminologia appropriata;
• argomentare e giustificare in modo rigoroso le scelte progettuali adottate.

5) Capacità di apprendimento

Lo studente sarà in grado di:

• affrontare autonomamente lo studio di nuove strutture dati e tecniche algoritmiche;
• utilizzare le competenze acquisite come base per insegnamenti successivi.

• Programmazione orientata agli oggetti in Java (richiami): classi, interfacce, ereditarietà, polimorfismo, iteratori.
• Specifica di algoritmi: modello di calcolo, problema computazionale, algoritmo.
• Analisi di algoritmi: elementi di calcolo combinatorio e asintotico, induzione, analisi di correttezza e complessità.
• Alberi: definizioni, proprietà, visite, alberi binari.
• Code con priorità e heap.
• Mappe, dizionari e tabelle hash.
• Alberi di ricerca: alberi binari di ricerca e alberi (2,4).
• Grafi: definizioni, proprietà, strutture dati per la loro rappresentazione, BFS, DFS, cammini minimi, DAG e ordinamento topologico.
• Algoritmi di ordinamento e limite inferiore dell'ordinamento basato su confronti.

Si richiedono le conoscenze e competenze di base acquisite nell'insegnamento di Fondamenti di Informatica, con particolare riferimento alla programmazione imperativa, alle strutture di controllo, alle funzioni, ai tipi di dato astratti elementari e ai principi fondamentali dell'algoritmica. È inoltre richiesta la capacità di sviluppare e comprendere semplici programmi, analizzarne il comportamento e utilizzare concetti basilari di astrazione e modularità.

Lezioni frontali, attività di problem solving, esercitazioni guidate, quiz formativi online con feedback immediato e progetto individuale di programmazione. Materiali didattici, comunicazioni e attività di supporto sono resi disponibili tramite Moodle.

L'insegnamento promuove un utilizzo critico e responsabile degli strumenti di Intelligenza Artificiale Generativa come supporto all'apprendimento. Gli strumenti possono essere utilizzati per brainstorming, esplorazione di soluzioni, comprensione di concetti, revisione del codice e supporto allo studio. Eventuali utilizzi nelle attività valutate devono essere dichiarati secondo le indicazioni del docente. L'uso della GenAI non sostituisce la comprensione dei concetti teorici, la capacità di progettazione algoritmica né la responsabilità personale dello studente.

L'Università degli Studi di Padova promuove un ambiente di apprendimento inclusivo. Studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

La prova scritta costituisce la principale forma di valutazione sommativa. Essa è composta da:

• Parte A – Teoria e analisi (16 punti);
• Parte B – Progettazione algoritmica (16 punti).

Per il superamento dell'esame è necessario che entrambe le parti risultino sufficienti.

I quiz in itinere e il progetto di programmazione individuale costituiscono attività di valutazione formativa. I relativi punteggi si sommano al punteggio della prova scritta, a condizione che quest’ultima risulti sufficiente, secondo le seguenti modalità:

• fino a 1 punto bonus derivante dai quiz;
• fino a 2 punti bonus derivanti dal progetto.

Quiz e progetto devono essere completati entro la data del primo appello dell'anno accademico. I punti bonus restano validi per tutti gli appelli dello stesso anno accademico.

La lode può essere attribuita quando il punteggio complessivo ottenuto dalla somma della prova scritta e degli eventuali bonus supera 31 punti e la prestazione dimostra una conoscenza particolarmente approfondita degli argomenti, elevate capacità di analisi e progettazione algoritmica e una piena padronanza dei risultati di apprendimento previsti dall'insegnamento. L'attribuzione della lode resta comunque a discrezione del docente.

Goodrich, M. T., Tamassia, R., Goldwasser, M. H.

Data Structures and Algorithms in Java, Sixth Edition.

John Wiley & Sons, 2014.

ISBN 978-1-118-80857-3.

Obiettivi formativi

L’insegnamento introduce i fondamenti dell’elettromagnetismo classico, con particolare attenzione ai concetti di campo, potenziale, corrente elettrica, campo magnetico, induzione elettromagnetica, equazioni di Maxwell e onde elettromagnetiche.

Il corso mira a sviluppare la capacità di:

• comprendere i principali fenomeni elettrici e magnetici;
• descrivere tali fenomeni mediante modelli fisici e strumenti matematici appropriati;
• applicare le leggi dell’elettromagnetismo alla risoluzione di problemi;
• collegare i concetti teorici alle esperienze di laboratorio e ad applicazioni di base in ambito ingegneristico.

Risultati di apprendimento attesi

1. Conoscenza e comprensione

Al termine dell’insegnamento, studentesse e studenti saranno in grado di:

• descrivere i concetti di carica elettrica, campo elettrostatico, forza elettrica e potenziale elettrostatico;
• spiegare la legge di Gauss e le sue applicazioni a distribuzioni di carica con simmetria;
• descrivere il comportamento di conduttori, dielettrici, condensatori ed energia elettrostatica;
• comprendere i concetti di corrente elettrica, resistenza, leggi di Ohm.
• descrivere il campo magnetico, la forza magnetica su cariche e correnti, la legge di Ampère e le proprietà magnetiche della materia;
• spiegare l’induzione elettromagnetica, le equazioni di Maxwell e la propagazione delle onde elettromagnetiche.

2. Capacità di applicare conoscenza e comprensione

Al termine dell’insegnamento, studentesse e studenti saranno in grado di:

• applicare le leggi dell’elettrostatica e della magnetostatica alla risoluzione di problemi quantitativi;
• utilizzare simmetrie, rappresentazioni vettoriali e formulazioni integrali/differenziali per analizzare campi elettrici e magnetici;
• risolvere problemi su circuiti elementari, condensatori, resistenze, circuiti RC/RL e fenomeni di induzione;
• interpretare i risultati di semplici esperienze di laboratorio collegate agli argomenti del corso;
• verificare la coerenza dimensionale e fisica dei risultati ottenuti.

3. Autonomia di giudizio

Al termine dell’insegnamento, studentesse e studenti saranno in grado di:

• scegliere il modello fisico più appropriato per affrontare un problema di elettromagnetismo di base;
• valutare la correttezza di un procedimento risolutivo, riconoscendo ipotesi, approssimazioni e condizioni di validità;
• confrontare risultati teorici, simulazioni o visualizzazioni e osservazioni sperimentali;
• individuare errori concettuali, algebrici o dimensionali nelle soluzioni di problemi.

4. Abilità comunicative

Al termine dell’insegnamento, studentesse e studenti saranno in grado di:

• esporre in modo chiaro i passaggi logici e matematici nella risoluzione di un problema;
• utilizzare correttamente il linguaggio fisico-matematico dell’elettromagnetismo;
• descrivere fenomeni, esperienze di laboratorio e risultati con terminologia appropriata;
• argomentare oralmente i principali concetti teorici del corso.

5. Capacità di apprendimento

Al termine dell’insegnamento, studentesse e studenti saranno in grado di:

• utilizzare testi, appunti, materiali Moodle ed esercizi svolti per consolidare autonomamente la preparazione;
• affrontare problemi nuovi riconoscendo analogie con casi già trattati;
• integrare lo studio teorico con esercitazioni numeriche e osservazioni sperimentali;
• prepararsi in modo autonomo alla prova scritta e all’eventuale prova orale.

• Campo e forza elettrostatica: esperienze elementari di elettrostatica; isolanti e conduttori; elettroscopio a foglie; struttura microscopica della materia; quantizzazione e conservazione della carica; induzione elettrostatica; legge di Coulomb in forma scalare e vettoriale; campo elettrostatico prodotto da una carica singola, da un insieme discreto e da distribuzioni continue di carica; linee di campo; esperimento di Millikan.
• Potenziale elettrostatico: tensione e potenziale elettrostatico; potenziale elettrostatico di una singola carica e di insiemi discreti e continui di cariche; energia potenziale elettrostatica; campo come gradiente del potenziale; superfici equipotenziali; rotore del campo elettrostatico; dipolo elettrico.
• Legge di Gauss: flusso del campo elettrostatico; dimostrazione della legge di Gauss; applicazioni della legge di Gauss; legge di Gauss in forma differenziale.
• Conduttori, dielettrici ed energia elettrostatica: conduttori in equilibrio elettrostatico; conduttore cavo; schermo elettrostatico; condensatori; energia del campo elettrostatico; dielettrici e costante dielettrica; polarizzazione dei dielettrici; elettrostatica in presenza di dielettrici.
• Corrente elettrica: conduzione elettrica e corrente; legge di Ohm; modello classico della conduzione elettrica; resistenze in serie e in parallelo; legge di Ohm generalizzata; carica e scarica di un condensatore; corrente di spostamento.
• Campo magnetico: interazione magnetica; forza magnetica su carica in moto e su conduttore percorso da corrente; effetto Hall; moto di una carica in campo magnetico.
• Legge di Ampère e proprietà magnetiche della materia: campo magnetico prodotto da corrente; legge di Ampère; permeabilità e suscettività magnetica; meccanismi di magnetizzazione e correnti amperiane; legge di Gauss per il campo magnetico; magnetostatica in presenza di mezzi magnetizzanti.
• Campi elettrici e magnetici variabili nel tempo: legge di Faraday; legge di Lenz; generatori di corrente; correnti di Foucault; legge di Felici; autoinduzione; circuito RL; energia magnetica; mutua induzione; legge di Ampère-Maxwell; equazioni di Maxwell in forma integrale e differenziale; conservazione della carica.
• Onde elettromagnetiche: onde elettromagnetiche piane; vettore di Poynting; polarizzazione; spettro delle onde elettromagnetiche.

Per seguire con profitto l’insegnamento sono richieste:

• conoscenza delle leggi fondamentali della Meccanica classica;
• conoscenza delle tecniche di base dell’Analisi matematica in una variabile reale, in particolare calcolo differenziale e integrale;
• capacità di utilizzare strumenti matematici di base per la risoluzione di problemi fisici.

L’insegnamento è erogato in presenza. Le attività didattiche comprendono:

• lezioni frontali alla lavagna, con spiegazione progressiva dei concetti e dei passaggi matematici;
• discussione guidata di esempi e problemi;
• esercitazioni in aula, svolte dal docente e, in alcuni casi, da studentesse e studenti in piccoli gruppi di 2–3 persone;
• utilizzo del calcolatore e di visualizzazioni su grande schermo per illustrare alcuni risultati;
• tre esperienze di laboratorio di 2 ore ciascuna, finalizzate ad approfondire e sperimentare concetti trattati a lezione;
• video registrazioni di dimostrazioni didattiche di elettrostatica e magnetismo;
• utilizzo di Moodle per materiali, elenco degli argomenti trattati e problemi d’esame degli anni precedenti con relative soluzioni.

La valutazione è finalizzata ad accertare il raggiungimento dei risultati di apprendimento attesi.

Per la prova scritta saranno considerati:

• correttezza dell’impostazione fisica del problema;
• scelta appropriata delle leggi e dei modelli dell’elettromagnetismo;
• correttezza dei passaggi matematici;
• uso corretto di unità di misura, notazione vettoriale, segni e convenzioni;
• capacità di interpretare il risultato ottenuto;
• chiarezza e completezza della soluzione.

Per la prova orale saranno considerati:

• comprensione dei concetti teorici;
• capacità di collegare tra loro gli argomenti del corso;
• uso appropriato del linguaggio fisico-matematico;
• chiarezza, rigore e completezza dell’esposizione;
• capacità di discutere aspetti teorici e sperimentali del corso.

Per la parte di laboratorio saranno considerati, ove pertinente:

• conoscenza degli esperimenti svolti;
• capacità di collegare esperienza sperimentale e modello teorico;
• comprensione delle misure e dei fenomeni osservati.

1. P. Mazzoldi, M. Nigro, C. Voci, Elementi di Fisica: elettromagnetismo e onde, EdiSES, ISBN 9788836230273.
2. G. Mazzi, P. Ronchese, P. Zotto, Fisica in Laboratorio, Esculapio, ISBN 9788893850612. Note: testo facoltativo per il laboratorio.
3. P. Zotto, M. Nigro, Problemi di Fisica Generale. Elettromagnetismo e Ottica, Edizioni LaDotta, ISBN 978-88-907341-0-6. Note: testo per esercizi.

L’insegnamento contribuisce al raggiungimento degli obiettivi formativi del Corso di Studio, in coerenza con il relativo RAD, fornendo strumenti teorici e applicativi per la modellazione, l’analisi e il controllo di sistemi dinamici. Particolare attenzione è dedicata alla rappresentazione dei sistemi dinamici lineari, allo studio del loro comportamento nel dominio del tempo e della frequenza, e all’introduzione dei principali criteri di analisi e sintesi dei sistemi di controllo automatico.

Al termine dell’insegnamento, studentesse e studenti avranno acquisito le seguenti conoscenze e abilità.

1) Conoscenza e comprensione:

conoscere i concetti fondamentali della modellistica dei sistemi dinamici;

comprendere il comportamento dei sistemi dinamici lineari nel dominio del tempo e nel dominio della frequenza;

conoscere le nozioni di risposta libera e forzata, equilibrio, stabilità, transitorio e regime permanente;

comprendere i principi di base dei sistemi di controllo automatico;

conoscere il ruolo dei disturbi, degli indici di prestazione e delle specifiche di progetto nei sistemi controllati.

2) Capacità di applicare conoscenza e comprensione:

formulare semplici modelli matematici di sistemi dinamici a partire da esempi fisici e ingegneristici;

analizzare la risposta di sistemi dinamici lineari nel dominio del tempo e della frequenza;

valutare stabilità, condizioni di equilibrio, transitori e condizioni di regime;

impostare problemi elementari di controllo a partire da specifiche assegnate;

progettare semplici sistemi di controllo e verificarne le prestazioni;

3) Autonomia di giudizio:

valutare criticamente il comportamento di un sistema dinamico sulla base del modello matematico e delle risposte ottenute;

interpretare i risultati di analisi e simulazioni numeriche;

riconoscere la coerenza tra modello, specifiche di progetto, tecnica di analisi o sintesi adottata e prestazioni ottenute;

individuare limiti, approssimazioni e condizioni di validità dei modelli e delle soluzioni progettuali considerate.

4) Abilità comunicative:

descrivere in modo chiaro e tecnicamente corretto i procedimenti di modellistica, analisi e sintesi;

utilizzare in modo appropriato il linguaggio tecnico-scientifico proprio dei sistemi dinamici e del controllo automatico;

presentare calcoli, grafici, schemi e risultati in forma ordinata e coerente;

motivare le scelte effettuate nell’analisi e nella progettazione di sistemi di controllo.

5) Capacità di apprendimento:

integrare conoscenze di matematica, fisica, modellistica e controllo;

approfondire autonomamente argomenti di teoria dei sistemi e controllo automatico;

utilizzare materiali didattici, testi di riferimento, esercizi e strumenti per consolidare le conoscenze acquisite;

affrontare successivi insegnamenti dell’area dell’automatica e dei sistemi di controllo.

Il corso introduce i concetti fondamentali relativi alla modellistica, all’analisi e al controllo dei sistemi dinamici, con riferimento a esempi applicativi di interesse ingegneristico.

I contenuti sono organizzati nei seguenti macro-argomenti, con una distribuzione indicativa proporzionale alle ore complessive dell’insegnamento.

1) Modellistica dei sistemi dinamici

• Introduzione alla modellistica dei sistemi dinamici.
• Costruzione e interpretazione di modelli matematici a partire da semplici sistemi fisici.
• Esempi applicativi tratti dalla meccanica classica, dalla termodinamica, dall’elettromagnetismo e da altri contesti ingegneristici.

2) Evoluzione dei sistemi dinamici

• Studio dell’evoluzione libera e forzata dei sistemi.
• Analisi degli equilibri, della stabilità, del comportamento transitorio e delle condizioni di regime permanente.

3) Analisi nel dominio del tempo e della frequenza

• Analisi dei sistemi dinamici lineari nel dominio del tempo e nel dominio della frequenza.
• Interpretazione della risposta dei sistemi a diversi tipi di sollecitazione e collegamento tra comportamento dinamico e rappresentazioni analitiche o grafiche.

4) Introduzione ai sistemi di controllo

• Introduzione al problema del controllo automatico.
• Classificazione dei sistemi di controllo. Analisi degli effetti dei disturbi.
• Definizione degli indici di prestazione e delle condizioni di stabilità nei sistemi controllati.

5) Sintesi e verifica di sistemi di controllo

• Sintesi di semplici sistemi di controllo a partire da specifiche assegnate.
• Verifica delle prestazioni ottenute.
• Interpretazione dei risultati e discussione dei limiti delle soluzioni progettuali considerate.

La distribuzione indicativa dei contenuti è la seguente:

• modellistica dei sistemi dinamici: circa 20%;
• evoluzione libera e forzata, equilibri, stabilità, transitorio e regime: circa 20%;
• analisi nel dominio del tempo e della frequenza: circa 20%;
• introduzione al controllo, disturbi, prestazioni e stabilità: circa 20%;
• sintesi e verifica di sistemi di controllo: circa 20%.

È richiesta una conoscenza operativa dei concetti fondamentali di algebra lineare, calcolo differenziale, calcolo integrale e geometria.

Sono inoltre necessarie competenze di base nell’analisi di semplici sistemi fisici descritti dalle leggi della meccanica classica, della termodinamica e dell’elettromagnetismo, nonché la capacità di utilizzare strumenti informatici per la rappresentazione, l’elaborazione e la simulazione di dati numerici e funzioni.

Tali conoscenze e abilità sono necessarie per affrontare con profitto lo studio della modellistica, dell’analisi e del controllo dei sistemi dinamici. Eventuali propedeuticità formali sono quelle previste dal regolamento didattico del Corso di Studio.

Le attività didattiche prevedono lezioni teoriche, esempi applicativi, esercitazioni numeriche e, ove opportuno, attività di simulazione mediante strumenti software.

I contenuti sono introdotti attraverso spiegazioni teoriche, sviluppi analitici, esempi guidati ed esercizi. Una parte degli esercizi potrà essere svolta anche con l’ausilio di software di simulazione, in particolare Matlab e Simulink, con l’obiettivo di rafforzare la comprensione dei concetti trattati e favorire l’applicazione concreta delle tecniche di modellistica, analisi e controllo.

Le principali attività didattiche comprendono:

• lezioni frontali dedicate ai concetti fondamentali della modellistica, dell’analisi dei sistemi dinamici e del controllo automatico;
• esercitazioni guidate su problemi rappresentativi;
• analisi e interpretazione di esempi applicativi;
• simulazioni numeriche con Matlab e Simulink, ove opportuno;
• discussione dei risultati e delle soluzioni degli esercizi;
• attività di autovalutazione e feedback a supporto dello studio individuale.

Lo studio individuale dovrà comprendere la revisione degli argomenti teorici, lo svolgimento autonomo di esercizi e, ove opportuno, l’utilizzo autonomo degli strumenti software presentati durante il corso. Tale attività è finalizzata a consolidare le competenze acquisite e a sviluppare autonomia critica nell’analisi e nella progettazione dei sistemi di controllo.

Uso dell’intelligenza artificiale generativa. L’insegnamento non prevede attività didattiche che integrino l’uso di strumenti di intelligenza artificiale generativa a scopo formativo. L’uso di tali strumenti è consentito esclusivamente come supporto allo studio individuale non valutativo, ad esempio per ottenere chiarimenti preliminari, riformulare concetti o generare esempi da verificare criticamente. Tali strumenti non sostituiscono lo studio dei materiali del corso né l’elaborazione autonoma degli esercizi.

Non è consentito l’utilizzo di strumenti di intelligenza artificiale generativa durante la prova d’esame né in eventuali attività valutative individuali del corso. Qualora strumenti di IA siano utilizzati per studio personale non valutativo, studentesse e studenti restano pienamente responsabili della verifica critica, dell’accuratezza e della rielaborazione personale dei contenuti prodotti.

Oltre a rivolgersi al/la docente del corso, studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

La valutazione mira ad accertare il raggiungimento delle conoscenze e abilità attese indicate nella sezione precedente.

Saranno oggetto di valutazione:

• l’assimilazione dei concetti fondamentali relativi alla modellistica, all’analisi e alla sintesi dei sistemi di controllo;
• la capacità di applicare le conoscenze acquisite alla risoluzione di esercizi e problemi rappresentativi;
• la correttezza logica, matematica e formale delle soluzioni proposte;
• la capacità di interpretare criticamente i risultati ottenuti, anche in relazione a stabilità, prestazioni, transitorio, regime permanente e reiezione dei disturbi;
• la coerenza tra modello, metodo di analisi o progetto adottato e conclusioni raggiunte;
• la padronanza del linguaggio tecnico-scientifico;
• l’ordine e la chiarezza espositiva nella presentazione di calcoli, grafici, argomentazioni e risultati.

Indicativamente, il punteggio sarà attribuito secondo i seguenti criteri:

• conoscenza e comprensione dei concetti teorici: fino a 8 punti;
• capacità di applicazione a esercizi di modellistica e analisi: fino a 8 punti;
• capacità di applicazione a problemi di analisi e sintesi del controllo: fino a 8 punti;
• interpretazione critica dei risultati e delle prestazioni: fino a 4 punti;
• chiarezza espositiva, ordine e appropriatezza terminologica: fino a 2 punti.

Errori concettuali gravi relativi a modellistica, stabilità, analisi della risposta, interpretazione delle specifiche di progetto o sintesi del controllore potranno incidere in modo significativo sulla valutazione complessiva.

La preparazione dell’esame si basa principalmente sui contenuti trattati a lezione, sui materiali didattici forniti dal docente, sugli esercizi proposti resi disponibili tramite Moodle.

I seguenti testi sono consigliati come materiali di approfondimento e supporto allo studio:

1. Paolo Bolzern, Riccardo Scattolini, Nicola Schiavoni, Fondamenti di controlli automatici, 5ª edizione, McGraw-Hill Education, 2025, ISBN 9788838613166. Note: CONSIGLIATO.
2. Katsuhiko Ogata, Luigi Biagiotti, Fondamenti di controlli automatici, Pearson, 2020, ISBN 9788891909756. Note: CONSIGLIATO.
3. Richard C. Dorf, Robert H. Bishop, Controlli automatici, Pearson, 2010, ISBN 9788871926056. Note: CONSIGLIATO.
4. Norman S. Nise, Controlli automatici. Con la collaborazione di National Instruments, edizione italiana a cura di Paolo Pugliese, CittàStudi, 2013, ISBN 9788825173789. Note: CONSIGLIATO.
5. Luca Benvenuti, Alberto De Santis, Lorenzo Farina, Sistemi dinamici. Modellistica, analisi e controllo, McGraw-Hill Education, 2009, ISBN 9788838665387. Note: CONSIGLIATO.

• Competenze di problem-solving computazionale (Dublino: Making judgements).
• Capacità di affrontare il processo di risoluzione di un problema computazionale con strumenti rigorosi basati su alcuni paradigmi algoritmici generali (Dublino: Making judgements).
• Capacità di analizzare con rigore le scelte algoritmiche intraprese, con particolare riferimento alla correttezza e alla complessità spazio-temporale (Dublino: Applying knowledge and understanding).
• Conoscenza di primitive algoritmiche di largo utilizzo nel dominio dell’ingegneria dell’informazione (Dublino: Applying knowledge and understanding).

1. Introduzione agli argomenti del corso. Richiami: definizione di problema e algoritmo; modello computazionale; modello di costo; uso dello pseudolinguaggio

2. Il paradigma divide-and-conquer. Caratteristiche generali e strumenti per l'analisi. Relazioni di ricorrenza e metodi di soluzione.

Algoritmi ibridi.

Casi di studio:

• Moltiplicazione veloce di matrici
• La Fast Fourier Transform e operazioni tra polinomi.

3. Il paradigma dynamic programming. Formulazione di proprietà di sottostruttura ottima. Sottoistanze ripetute. Tecniche di risoluzione bottom-up e memoizzate.

Casi di studio:

• Numeri di Fibonacci
• Problemi su sequenze: Longest Common Subsequence
• Prodotto di catene di matrici.

4. Il paradigma greedy. Caratteristiche generali e strumenti per l'analisi. Proprietà di scelta greedy e di sottostruttura ottima.

Casi di studio:

• Selezione ottima di attività
• I codici di Huffman per la compressione dei dati.

Introduzione alla programmazione; Strutture di dati.

Le due pricipali attività di apprendimento previste sono:

• Trattazione esaustiva di tre paradigmi algoritmici (divide-and-conquer, dynamic programming, greedy): tecniche di progetto e strumenti per l'analisi.
• Casi di studio notevoli nell'ambito dell'ingegneria dell'informazione (Algoritmi efficienti per primitive di algebra lineare, Trasformata Veloce di Fourier, Elaborazione di dati testuali, Ottimizzazione nell'uso di risorse condivise, Compressione dei dati)
• Metodi: Lezioni frontali, sessioni di problem solving
• Strumenti: Moodle, slides, lavagna, videoregistrazioni di materiale extra

CLAUSOLA DI ACCESSIBILITA': Oltre a rivolgersi al docente del corso, studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

La prova scritta valuta sia la dimestichezza con il materiale esposto a lezione, sia la capacità acquisita di applicare le tecniche apprese a nuovi contesti.

Introduction to Algorithms, Fourth Edition, Autori: Cormen, Thomas H; Leiserson, Charles E; Rivest, Ronald L; Stein, Clifford, Luogo: Cambridge, Anno: 2022, Editore: MIT Press, Note: Thrid Edition.

• Competenze di problem-solving computazionale (Dublino: Making judgements).
• Capacità di affrontare il processo di risoluzione di un problema computazionale con strumenti rigorosi basati su alcuni paradigmi algoritmici generali (Dublino: Making judgements).
• Capacità di analizzare con rigore le scelte algoritmiche intraprese, con particolare riferimento alla correttezza e alla complessità spazio-temporale (Dublino: Applying knowledge and understanding).
• Conoscenza di primitive algoritmiche di largo utilizzo nel dominio dell’ingegneria dell’informazione (Dublino: Applying knowledge and understanding).

1. Introduzione agli argomenti del corso. Richiami: definizione di problema e algoritmo; modello computazionale; modello di costo; uso dello pseudolinguaggio

2. Il paradigma divide-and-conquer. Caratteristiche generali e strumenti per l'analisi. Relazioni di ricorrenza e metodi di soluzione.

Algoritmi ibridi.

Casi di studio:

• Moltiplicazione veloce di matrici
• La Fast Fourier Transform e operazioni tra polinomi.

3. Il paradigma dynamic programming. Formulazione di proprietà di sottostruttura ottima. Sottoistanze ripetute. Tecniche di risoluzione bottom-up e memoizzate.

Casi di studio:

• Numeri di Fibonacci
• Problemi su sequenze: Longest Common Subsequence
• Prodotto di catene di matrici.

4. Il paradigma greedy. Caratteristiche generali e strumenti per l'analisi. Proprietà di scelta greedy e di sottostruttura ottima.

Casi di studio:

• Selezione ottima di attività
• I codici di Huffman per la compressione dei dati.

Introduzione alla programmazione; Strutture di dati.

Le due pricipali attività di apprendimento previste sono:

• Trattazione esaustiva di tre paradigmi algoritmici (divide-and-conquer, dynamic programming, greedy): tecniche di progetto e strumenti per l'analisi.
• Casi di studio notevoli nell'ambito dell'ingegneria dell'informazione (Algoritmi efficienti per primitive di algebra lineare, Trasformata Veloce di Fourier, Elaborazione di dati testuali, Ottimizzazione nell'uso di risorse condivise, Compressione dei dati)
• Metodi: Lezioni frontali, sessioni di problem solving
• Strumenti: Moodle, slides, lavagna, videoregistrazioni di materiale extra

CLAUSOLA DI ACCESSIBILITA': Oltre a rivolgersi al docente del corso, studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

La prova scritta valuta sia la dimestichezza con il materiale esposto a lezione, sia la capacità acquisita di applicare le tecniche apprese a nuovi contesti.

Introduction to Algorithms, Fourth Edition, Autori: Cormen, Thomas H; Leiserson, Charles E; Rivest, Ronald L; Stein, Clifford, Luogo: Cambridge, Anno: 2022, Editore: MIT Press, Note: Thrid Edition.

L'obiettivo del corso è apprendere le metodologie di progettazione e sviluppo di applicazioni Web, mettendole in pratica attraverso la progettazione e l'implementazione di una vera e propria applicazione Web full-stack. Questo obiettivo richiede l'acquisizione di:

• una solida competenza informatica nell'ingegneria Web, nelle metodologie di progettazione e nelle alternative architetturali
• conoscenza delle caratteristiche delle applicazioni Web 1.0 e delle applicazioni Web 2.0
• capacità di sviluppare un'applicazione Web full-stack utilizzando servlet Java, Javascript, CSS3 e HTML5

• Architetture per applicazioni Web
• Architettura di server Web e browser Web
• Strumenti di sviluppo: git per la gestione del codice e maven per il processo di build
• Docker
• Sviluppo di applicazioni Web 1.0
• Java servlet e Java Server Pages, Apache Tomcat
• Paradigma Model-View-Controller (MVC)
• Linguaggi di Markup (SGML, HTML, XML, JSON)
• Programmazione Web (HTML5, CSS3, Javascript)
• Sviluppo di applicazioni Web 2.0
• Servizi Web REST
• AJAX e paradigma MVC rivisto
• Nozioni sulle applicazioni Web 3.0: rappresentazione semantica dei dati e RDF, open linked data

Competenze richieste:

• buone capacità di programmazione e, in particolare, del paradigma orientato agli oggetti e dei suoi principi di progettazione;
• buona conoscenza del linguaggio di programmazione Java;
• fondamenti dei sistemi di gestione di database e, in particolare, del modello entità-relazione, del modello relazionale, di SQL e di JDBC;
• reti di calcolatori e, in particolare, del protocollo HTTP

• Lezioni frontali
• Laboratori (utilizzo di git, maven e docker, utilizzo di Apache Tomcat e servlet Java, utilizzo di pagine JSP, utilizzo di servizi Web REST, utilizzo di HTML e CSS, utilizzo di Javascript e AJAX)
• Eventuali seminari di colleghi in visita su argomenti di ricerca e/o seminari aziendali sull'utilizzo e le prospettive di prodotti innovativi basati su applicazioni Web, ruolo dell'ingegnere in azienda, opportunità di stage,
• Homework: sono previsti 2 homework (progettazione e sviluppo lato server; progettazione e sviluppo lato client), da svolgere in gruppo, per progettare, sviluppare, implementare, codificare e documentare una "reale" applicazione Web full-stack. Le scadenze per gli homework sono allineate al programma e ai contenuti delle lezioni in modo che gli studenti possano applicare immediatamente, durante il corso, i concetti appresi a un caso di studio di proprio interesse.
• Presentazione orale con slide e demo del progetto svolto negli homework

Oltre a rivolgersi al/la docente del corso, studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

La valutazione si baserà:

• sulla comprensione e conoscenza delle nozioni e delle metodologie relative alle applicazioni Web,
• sulla capacità di affrontare le diverse fasi di progettazione, sviluppo e implementazione di un'applicazione Web,
• sulla comprensione e conoscenza dei modelli e dei linguaggi per lo sviluppo di un'applicazione Web,
• sulla realizzazione di un progetto per lo sviluppo di un'applicazione Web.

L'uso dell'intelligenza artificiale generativa non è consentito in nessuna fase dello sviluppo del progetto, della stesura di report, della preparazione di presentazioni o dei contenuti degli esami.

• Web Application Architecture: Principles, Protocols and Practices, Autori: Shklar, L. and Rosen, R., Luogo: New York, USA, Anno: 2009, Editore: John Wiley & Sons,
• Web Engineering. The Discipline of Systematic Development of Web Applications, Autori: Kappel, G., Pröll, B., Reich, S., and Retschitzegger, W., Luogo: New York, USA, Anno: 2006, Editore: John Wiley & Sons

• Tecniche di sviluppo di sistemi distribuiti; - Strategie di scheduling per sistemi real-time; - Strategie per assicurare la correttezza in programmazione concorrente, evitando deadlocks e race conditions.

• Presentazione di materiale didattico durante le lezioni teoriche . Le dispense presentate sono rese disponibili agli studenti. - Attività' di laboratorio per la messa in pratica dei concetti presentati nelle lezioni teoriche.

Studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

• Qualità della tesina presentata; - Conoscenza dei concetti introdotti nel corso; - Capacità di risolvere problemi che coinvolgono le problematiche presentate nel corso.

• Titolo: Real-Time Embedded Systems, Autori: Bertolotti, Manduchi, Luogo: --, Anno: 2017, Editore: Taylor & Francis Ltd, Note: --.

L’insegnamento è finalizzato al conseguimento dei seguenti risultati di apprendimento:

Conoscenza e comprensione

• Comprendere i principi fondamentali dell’economia applicati all’impresa;
• Conoscere le diverse forme giuridiche d’impresa;
• Riconoscere finalità e funzionamento dell’azienda;
• Comprendere il ruolo e le logiche delle diverse funzioni aziendali;
• Comprendere le differenze tra le principali strutture organizzative;
• Comprendere la logica economica di costi, ricavi e break-even point;
• Comprendere la struttura del bilancio d’esercizio, le principali operazioni e il significato degli indicatori di bilancio.

Capacità di applicare conoscenza e comprensione

• Applicare i concetti teorici all’analisi di casi aziendali;
• Classificare imprese e funzioni aziendali collegandole a casi aziendali concreti;
• Impostare semplici decisioni di economiche e organizzative;
• Registrare e interpretare operazioni di bilancio e calcolare i principali indicatori economico-finanziari.

Autonomia di giudizio

• Valutare criticamente alternative economiche e organizzative;
• Interpretare casi aziendali e dati economico-finanziari per formulare giudizi motivati sulla sostenibilità economica e competitiva di un’impresa.
• Riconoscere limiti, assunzioni e ambiti di applicazione degli strumenti analitici presentati nel corso.

Abilità comunicative

• Utilizzare in modo appropriato la terminologia economico-aziendale;
• Presentare in forma chiara e sintetica analisi di casi aziendali, risultati di esercizi e interpretazioni di bilancio.

Capacità di apprendimento

• Integrare il Materiale su Moodle con appunti delle lezioni, esercitazioni e casi aziendali per consolidare in autonomia le conoscenze acquisite.

Il corso è organizzato nei seguenti moduli:

1. Elementi di economia
2. Impresa e azienda
3. Innovazione e tecnologia
4. Proprietà intellettuale
5. Sistemi produttivi
6. Logistica
7. Marketing
8. Modelli di business
9. Struttura organizzativa
10. Bilancio: struttura
11. Bilancio: operazioni
12. Bilancio: indici
13. Costi, ricavi e break-even point

Per seguire con profitto l’insegnamento sono richieste conoscenze matematiche di base, familiarità con il ragionamento logico-quantitativo, familiarità con il lessico economico di base e, ove necessario, capacità di utilizzare semplici fogli di calcolo.

• L’attività didattica è svolta attraverso lezioni frontali in presenza, integrate da discussione guidata di esempi e casi aziendali, momenti di problem solving e attività di feedback.
• La frequenza è altamente consigliata. Nel contesto dell’erogazione dei contenuti del corso, la modalità didattica vuole infatti promuovere la partecipazione attiva di studentesse e studenti finalizzata allo sviluppo di un clima di dialogo costruttivo e collaborazione.
• La partecipazione attiva viene promossa attraverso domande, attività di brainstorming, brevi discussioni, l’utilizzo di strumenti digitali per la didattica.
• L’utilizzo critico di sistemi di intelligenza artificiale generativa è incoraggiato come supporto allo studio, in particolare per sintesi, riformulazione, confronto di esempi, autovalutazione e consolidamento dei contenuti.
• L’utilizzo di strumenti di AI non è invece previsto né autorizzato nelle attività didattiche e valutative.
• Oltre a rivolgersi al/la docente del corso, studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

I criteri di valutazione attraverso i quali verrà effettuata la verifica delle conoscenze e delle competenze acquisite sono:

• Livello di conoscenza dei principi alla base del funzionamento di un’impresa e degli aspetti caratterizzanti il bilancio;
• Capacità di applicare i concetti teorici allo svolgimento di esercizi numerici, casi aziendali e situazioni decisionali;
• Capacità di analizzare in modo critico un contesto aziendale;
• Capacità di collegare tra loro i diversi temi del corso;
• Accuratezza dei calcoli, coerenza dei passaggi logici e corretta interpretazione economico-finanziaria dei risultati;
• Accuratezza nell’utilizzo della terminologia economico-aziendale, chiarezza espositiva, sintesi e rigore argomentativo.

Testo per consultazione: Costantino, N., Pellegrino, R., & Scozzi, B. (2019). Economia e organizzazione aziendale: Teoria, metodo ed esercitazioni. Hoepli Editore. ISBN: 9788820390280.

1. Conoscenza e comprensione

Al termine dell'insegnamento, le studentesse e gli studenti avranno acquisito conoscenze di base nell'ambito della Bioinformatica e della Biologia Computazionale, con particolare riferimento agli acidi nucleici e alle proteine, sia come entità biologiche individuali sia nel contesto dei principali processi biologici in cui sono coinvolti. Conosceranno inoltre le principali metodologie di analisi tramite strumenti informatici, gli approcci algoritmici per l'analisi di dati omici e i modelli utilizzati per la rappresentazione e lo studio dell'informazione evolutiva.

2. Capacità di applicare conoscenza e comprensione

Le studentesse e gli studenti saranno in grado di applicare metodi computazionali all'analisi di dati biologici, utilizzare alcuni strumenti e risorse bioinformatiche per l'estrazione e l'interpretazione di informazioni biologiche, e impiegare algoritmi e modelli appropriati per affrontare problemi legati all'analisi di sequenze, dati omici e processi evolutivi.

3. Autonomia di giudizio

Le studentesse e gli studenti svilupperanno la capacità di valutare criticamente diversi approcci computazionali utilizzati nelle analisi omiche, selezionando metodi, modelli e strumenti adeguati in funzione del problema biologico da affrontare.

4. Abilità comunicative

Le studentesse e gli studenti saranno in grado di descrivere e discutere metodologie, dati e risultati nell'ambito della Bioinformatica e della Biologia Computazionale utilizzando una terminologia scientifica appropriata. Sapranno inoltre presentare in modo chiaro procedure di analisi, interpretazioni dei risultati e soluzioni proposte da un articolo scientifico su uno specifico problema bioinformatico.

5. Capacità di apprendimento

Le studentesse e gli studenti acquisiranno gli strumenti concettuali e metodologici necessari per approfondire in modo autonomo tematiche avanzate della Bioinformatica e della Biologia Computazionale, mantenendo aggiornate le proprie competenze rispetto all'evoluzione delle metodologie, degli algoritmi e delle risorse disponibili nel settore.

Introduzione alla biologia molecolare:

• DNA: proprieta` delle molecole; replicazione; informazione nel DNA; il gene
• RNA: proprieta` delle molecole; il processo di trascrizione
• proteine: proprieta` della molecole; il processo di traduzione

Introduzione alla tecnologie di sequenziamento:

• next generation sequencing
• paired-end sequencing
• single-cell sequencing
• DNA sequencing
• RNA sequencing

Algoritmi e strutture dati per l’analisi e la caratterizzazione di sequenze

• Ricerca efficiente di un pattern in una sequenza con l’algoritmo di Knuth-Morris-Pratt
• Ricerca di pattern con variabilità: spaced seeds e approcci al profile matching.
• Ricerca di pattern offline: costruzione e utilizzo di strutture dati di indicizzazione di k-mer
• Ricerca di pattern su indici incompleti tramite tecniche di filtraggio.
• Esempio di applicazione di pattern matching: conteggio di tandem repeat per l’identificazione del DNA.
• Confronto di sequenze: calcolo dell’ “edit distance”; allineamento locale e globale tra sequenze

Ricostruzione filogenetica:

• Definizione di filogenesi basata su caratteri e parsimonia
• Small phylogeny problem vs large phylogeny problem
• Small phylogeny problem con costi unitari: algoritmo di Fitch
• Small phylogeny problem con costi arbitrari: algoritmo di Sankoff
• Algoritmo efficiente per il perfect phylogeny problem con caratteri binari
• Ricostruzione filogenetica e analisi delle mutazioni nei tumori

Analisi di reti biologiche:

• Moduli e modularita` nelle reti
• Clustering di reti e modularita` di un clustering
• Algoritmo greedy per clustering basato sulla modularita`
• Analisi di reti e mutazioni nei tumori

Trascrittomica:

• Introduzione alla trascrittomica
• Pipeline bioinformatica per dati di trascrittomica (RNA-seq) e tipologie di dati RNA-seq(bulk RNA-seq, single cell RNA-seq e spatial transcriptomics)
• Read RNA-seq ed allineamento di read RNA-seq
• Algoritmi di exact matching con uso di indici (suffix/prefix array, suffix/prefix tree, Burrows Wheeler Transform e FM-index) Algoritmi di in-exact matching (Needleman & Wunsch, Smith & Waterman)
• Euristiche per allineamento di RNA-seq
• Software per l’allineamento di read RNA-seq
• Count preprocessing
• Bias tecnici che affliggono i count RNA-seq
• Metodologie per la rimozione dei bias tecnici (esempio della missing data imputation)
• Esempi di metodologie avanzate per l’analisi bioinformatica di dati di trascrittomica (inferenza della comunicazione cellulare e simulazione del microambiente tumorale)

Bioinformatica Strutturale:

• Introduzione alla Bioinformatica strutturale, struttura e funzione delle proteine, relazione sequenza-struttura nelle proteine e classificazione strutturale
• Predizione della struttura a partire dalla sequenza, modellazione per omologia e AlphaFold
• Allineamenti e sovrapposizioni strutturali, il ripiegamento di proteine

Conoscenze di base di programmazione, strutture dati e progetto di algoritmi.

Lezioni frontali e alcune esperienze di sviluppo/utilizzo di semplici tool informatici per l'analisi di sequenze biologiche.

Studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

Criteri di valutazione per la parte scritta (obbligatoria):

• correttezza delle soluzioni
• capacita' di applicazione dei metodi
• chiarezza dei procedimenti

Questa parte concorre al voto finale con un punteggio fino a 27/30

Criteri di valutazione per la parte di lettura e comprensione di un articolo scientifico e realizzazione di un video (facoltativa)

• Chiarezza nell’esposizione del problema
• Chiarezza espositiva e comprensione della soluzione/approccio proposto
• Chiarezza espositiva relativamente alle direzioni future (se discusse nell’articolo) e/o all'utilità e impatto del risultato presentato

Questa parte concorre al voto finale con un punteggio fino a 4/30

Il voto finale e' dato dalla somma dei punteggi delle due parti.

Slide e dispense/articoli messi a disposizione sulla piattaforma moodle.

Al termine dell’insegnamento lo studente acquisirà le conoscenze fondamentali sui principi di funzionamento dei dispositivi e dei circuiti microelettronici utilizzati negli attuali sistemi di elaborazione e trasmissione dell'informazione

Al termine del corso, gli studenti saranno in grado di: comprendere il funzionamento dei principali dispositivi a semiconduttore, diodi a giunzione pn e transistori a effetto di campo; di analizzare e progettare semplici circuiti elettronici nonché applicare le relative modalità di analisi del punto di lavoro e del modello al piccolo segnale; capire come le variabili tecnologiche e le diverse configurazioni circuitali influenzino la scelta dell'architettura dei sistemi di elaborazione, telecomunicazione e controllo.

La struttura del corso prevede: (i) l'analisi e la progettazione di semplici circuiti analogici basati su amplificatori operazionali ideali come blocchi costruttivi; (ii) lo studio degli amplificatori elementari in tecnologia CMOS a singolo stadio; (iii) lo studio dei circuiti interni dei blocchi analogici elementari (amplificatori operazionali) e delle porte logiche realizzati in tecnologia CMOS

Verranno affrontate le seguenti tematiche: Richiami di teoria delle reti Elettronica dello stato solido - proprietà dei semiconduttori - funzionamento e caratteristiche dei diodi a giunzione pn, esempi di circuiti non lineari a diodi - funzionamento e caratteristiche dei transistori a effetto di campo, polarizzazione dei transistors ed esercizi sulla polarizzazione, modelli equivalenti a piccolo segnale - tecnologia e processi di fabbricazione dei circuiti integrati Elettronica analogica - amplificatori a singolo transistore MOSFET - amplificatori multistadio - Specchi di corrente - Amplificatore differenziale - Amplificatore operazionale ideale: definizione e amplificatore in configurazione non invertente, amplificatore invertente, circuiti sommatori e sottrattori, convertitori tensione/corrente, integratore, derivatore, filtri, risposta in frequenza - Applicazioni degli amplificatori operazionali e caratteristiche degli amplificatori operazionali reali Elettronica digitale - comportamento statico e dinamico di porte logiche - architettura e caratteristiche di memorie volatili e non volatili

Il corso richiede che gli studenti possiedano le competenze acquisite nei seguenti corsi: - Teoria dei circuiti (e.g. capacità di analizzare semplici reti elettriche lineari contenenti elementi passivi, generatori indipendenti e controllati) - Elementi di Fisica 2

Il corso prevede lezioni frontali ed esercitazioni. Lezioni frontali: si forniscono competenze teoriche e metodologie per la risoluzione di problemi di analisi e progetto, oggetto delle prove di esame Esercitazioni: forniscono esempi di problemi. permettendo allo studente di verificare il suo grado di confidenza con gli argomenti presentati. Oltre a rivolgersi al/la docente del corso, studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti

La valutazione si basa su:

(i) verifica del livello di conoscenza degli argomenti teorici trattati durante il corso. Nella valutazione si considera il livello di comprensione del funzionamento di dispositivi o circuiti e la capacità di descrivere correttamente la funzione svolta da un circuito digitale o analogico.

(ii) la capacità di applicare le tecniche di analisi discusse a lezione a problemi specifici e alla risoluzione di esercizi numerici in modo autonomo. La valutazione considera la capacità di definire il problema, correttezza logica e matematica del procedimento, l'uso appropriato di teoremi e metodi di teoria dei circuiti

La valutazione non considera solo la correttezza tecnica ma anche la chiarezza, l’efficacia e l’ordine nello svolgimento dei calcoli.

• Titolo: Circuiti per la microelettronica, Autori: A.S. Sedra, K.C. Smith, Luogo: Napoli, Anno: 2019, Editore: EDISES, Note: V edizione italiana.
• Titolo: Electronics, exercises and solutions, Autori: A. Cavaliere, E. Zanoni, Luogo: Bologna, Anno: 2024, Editore: Esculapio, Note: --.
• Titolo: Microelettronica, Autori: R.C. Jaeger, T.N. Blalock, Luogo: --, Anno: 2013, Editore: McGraw-Hill, Note: Quarta edizione - ISBN 978-88-386-6504-2.

L'obiettivo formativo del corso prevede l'acquisizione delle seguenti conoscenze e abilità: 

• Acquisizione dei principi fondamentali della robotica: percezione, movimento, localizzazione e pianificazione;
• Acquisizione dei concetti legati alle principali architetture di controllo e comportamento dei robot mobili
• Acquisizione degli strumenti principali per la programmazione di un robot mobile
• Essere in grado di tradurre principi teorici in comportamenti di robot reali e/o simulati
• Essere in grado di utilizzare tool software per l'implementazione di un sistema robotico
• Essere in grado di applicare conoscenze di programmazione e algoritmica a problemi legati alla robotica mobile
• Essere in grado di progettare in autonomia un sistema robotico completo
• Essere in grado di sviluppare in autonomia un sistema robotico completo

1. Introduzione alla robotica

2. Percezione robotica

3. Movimento di un robot

4. Robot mobili

4. Elementi di mapping

5. Elementi di navigazione

6. Interazione uomo-robot

7. Sviluppo e simulazione in ROS2

Lezioni settimanali in laboratorio con esercizi in ROS2

Il corso si basa su conoscenze di programmazione in C++ (classi, ereditarietà, template) e di algoritmica.

L'insegnamento prevede lezioni frontali (sia alla lavagna che con slide a proiezione), e lezioni in laboratorio, in cui gli studenti sono guidati nei primi passi verso l'applicazione dei concetti visti a lezione. Si fa frequentemente uso di strumenti interattivi, quali il think-pair-share e le discussioni interattive di alcuni minuti su domande aperte, al fine di stimolare l'apprendimento attivo e il senso critico sui concetti esposti a lezione.

Oltre a rivolgersi al/la docente del corso, studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

I criteri di valutazione sono i seguenti:

• Per la valutazione degli assegnamenti e dei progetti: la capacità di traduzione di elementi teorici in software per la gestione del robot, funzionamento del software, efficienza delle soluzioni adottate
• Per la valutazione della prova scritta: conoscenza dei principi fondamentali della robotica e della loro applicazione su robot reali, capacità di comprensione e analisi di software, profondità della conoscenza teorica e capacità di sfruttare al meglio gli strumenti forniti per la risoluzione di problemi specifici.

Elements of Robotics, Mordechai Ben-Ari, Francesco Mondada, Springer Open, 2018

• ILO1: Descrivere i concetti chiave di MIP e CP. (Conoscenza e comprensione) - ILO2: Formalizzare problemi reali in modelli con linguaggi algebrici. (Applicazione della conoscenza) - ILO3: Usare solutori MIP/CP per risolvere problemi modellati. (Applicazione della conoscenza) - ILO4: Analizzare criticamente modelli e scelte risolutive. (Capacità di giudizio) - ILO5: Comunicare con chiarezza formulazioni e risultati. (Abilità comunicative)

1. Introduzione all’Ottimizzazione Discreta (0.5 CFU) Concetti di base dell’ottimizzazione matematica. 2. Programmazione Lineare (0.75 CFU) Concetti di base e dualità. 3. Programmazione Lineare Intera (2 CFU) Concetti di base, algoritmi, modellazione. 4. Linguaggi di Modellazione Algebrica (1.25 CFU) Concetti, laboratorio in Python con PySCIPopt. 5. Programmazione con Vincoli (0.5 CFU) Propagazione, vincoli globali, CP, SAT. 6. Tecniche di modellazione avanzate (0.5 CFU) Decomposizione di Benders e Dantzig-Wolfe. 7. Esercizi (0.5 CFU) Modellazione, scrittura duale, domande a risposta multipla.

Prerequisiti Formali Nessun prerequisito formale da regolamento, ma una conoscenza di base di algebra lineare è necessaria. Corsi Consigliati - Algebra Lineare - Fondamenti di Algoritmi e Strutture Dati Prerequisite Learning Outcomes (PLOs) - PLO1: Spiegare concetti di base dell’algebra lineare (matrici, vettori). - PLO2: Analizzare e implementare strategie algoritmiche elementari. - PLO3: Utilizzare un linguaggio di programmazione per gestire strutture dati.

Lezioni frontali: teoria MIP/CP Laboratori: modellazione e uso solutori Esercitazioni guidate: consolidamento pratico Accessibilità: Studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l’Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti. Modalità di Erogazione: Modalità tradizionale (in presenza) Nessuna lezione online Politica sull’IA: Vietato in ogni attività (lezioni, laboratori, homework)

La preparazione dello studente sarà valutata secondo i seguenti criteri: - Conoscenza Teorica: Capacità di spiegare i concetti fondamentali dei principali paradigmi di ottimizzazione, inclusa la programmazione lineare intera (MIP) e la programmazione con vincoli (CP). - Competenze di Modellazione: Capacità di formalizzare problemi reali in modelli di ottimizzazione tramite linguaggi di modellazione algebrica. - Pensiero Analitico: Capacità di analizzare criticamente modelli e scelte risolutive. Strumenti di Valutazione: Esame scritto (obbligatorio): domande teoriche e esercizi di modellazione. Politica Generale: Nessuna distinzione tra studenti frequentanti e non frequentanti. Politica sull’Intelligenza Artificiale Generativa: L’uso di strumenti di IA generativa (es. ChatGPT, Copilot, Gemini) è sempre vietato. Qualsiasi violazione sarà trattata come illecito accademico.

Testi di Riferimento:

1. M. Fischetti, Lezioni di Ricerca Operativa, 2018 - Consigliato

2. J. Hooker, Integrated Methods for Optimization, 2007 - Facoltativo

3. L. Wolsey, Integer Programming, 1998 - Facoltativo

4. T. Achterberg, Constraint Integer Programming, 2007 - Facoltativo

L’insegnamento fornisce conoscenze, metodi e strumenti per la gestione dei progetti, secondo approcci predittivi, adattivi e ibridi.   

1. Conoscenza e comprensione

• Comprendere i concetti fondamentali di progetto, programma, portfolio, operations e Project Management
• Conoscere ruoli, stakeholder, ciclo di vita e principali fattori di successo di un progetto
• Comprendere gli approcci predittivi, agili e ibridi e i criteri per la loro selezione

2. Capacità di applicare conoscenza e comprensione

• Definire obiettivi, requisiti, deliverable, vincoli, assunzioni e criteri di successo
• Predisporre i principali documenti di avvio e pianificazione del progetto
• Scomporre l’ambito mediante WBS e stimare tempi, effort, risorse e costi

3. Autonomia di giudizio

• Analizzare il contesto e individuare l’approccio progettuale più appropriato
• Valutare lo stato del progetto e l’incertezza associata alle stime
• Proporre motivate azioni preventive, correttive o di adattamento

4. Abilità comunicative

• Comunicare in modo chiaro obiettivi, decisioni, risultati e stato di avanzamento
• Utilizzare correttamente il linguaggio e gli strumenti del Project Management
• Documentare cambiamenti, decisioni e lesson learned

5. Capacità di apprendimento

• Sviluppare autonomia nell’applicazione di metodi e strumenti di Project Management
• Trasferire le conoscenze acquisite a differenti contesti progettuali
• Utilizzare criticamente strumenti digitali e risorse di approfondimento a supporto della gestione dei progetti

L’insegnamento introduce i fondamenti del Project Management e i principali approcci utilizzabili per avviare, pianificare, eseguire, monitorare e chiudere progetti, con particolare riferimento ai seguenti contenuti applicativi:

• Fondamenti di Project Management: progetto, programma, portfolio e operations; ciclo di vita, governance, ruolo del Project Manager, valore e criteri di successo.
• Approcci progettuali: modelli predittivi, agili e ibridi; scelta e adattamento dell’approccio al contesto; principi Agile e framework Scrum.
• Avvio del progetto: analisi del bisogno, obiettivi, vincoli, assunzioni, Project Charter, stakeholder e criteri di successo.
• Pianificazione: requisiti, ambito e deliverable; WBS e backlog; attività, dipendenze, percorso critico, GANTT, stime, risorse, costi e budget.
• Rischi e cambiamenti: identificazione e valutazione dei rischi, strategie di risposta, risk register, gestione delle issue e controllo delle modifiche.
• Team e comunicazione: ruoli e responsabilità, leadership, collaborazione, gestione dei conflitti, stakeholder engagement e piano delle comunicazioni.
• Esecuzione e controllo: qualità, approvvigionamenti, coordinamento delle attività, KPI, stato di avanzamento, Earned Value Management e metriche agili.
• Chiusura del progetto: accettazione dei deliverable, valutazione dei risultati e dei benefici, consolidamente delle lesson learned e trasferimento della conoscenza.
• AI per il Project Management: applicazioni dell’intelligenza artificiale lungo il ciclo di vita del progetto, con attenzione all’affidabilità degli output e alla supervisione umana.

Non sono richieste conoscenze pregresse specifiche di Project Management, sono tuttavia utili:

• conoscenze di base relative ai processi di sviluppo di prodotti e servizi informatici;
• capacità di analizzare e rappresentare problemi complessi;
• conoscenze matematiche e statistiche di base;
• capacità di utilizzare comuni strumenti di produttività individuale;
• capacità di lavorare in gruppo e di produrre documentazione tecnica.

La conoscenza dei fondamenti di ingegneria del software e dei principali modelli del ciclo di vita del software costituisce un elemento utile, ma non indispensabile.

L’insegnamento combina lezioni frontali, analisi di casi, esercitazioni individuali e di gruppo e sviluppo progressivo di un project work.

Studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

Criteri di valutazione

• correttezza metodologica;
• capacità di applicazione dei metodi e degli strumenti;
• coerenza delle scelte progettuali;
• chiarezza dei procedimenti;
• applicabilità delle soluzioni al progetto e al relativo contesto.

La valutazione:

• richiede il conseguimento di almeno 18/30 in entrambe le parti;
• è calcolata come media ponderata tra l’elaborato progettuale di gruppo e la prova pratica scritta individuale (1/3 elaborato progettuale, 2/3 prova scritta).

Riferimenti principali:

1. Project Management Institute, A Guide to the Project Management Body of Knowledge (PMBOK® Guide) – Eighth Edition and The Standard for Project Management, PMI, 2025. CONSIGLIATO
2. Project Management Institute, Process Groups: A Practice Guide, PMI, 2022. CONSIGLIATO
3. Project Management Institute e Agile Alliance, Agile Practice Guide, PMI, 2017. CONSIGLIATO
4. Beck, K. et al., Manifesto for Agile Software Development, 2001. CONSIGLIATO
5. Project Management Institute, Project Management Offices: A Practice Guide, PMI, 2025. CONSIGLIATO

Con il diffondersi delle applicazioni che utilizzano tecniche di Intelligenza Artificiale, sempre maggiore attenzione stanno avendo le possibili conseguenze che tali applicazioni hanno a livello etico. E’ stata pubblicata da parte della Commissione EU una proposta di regolamentazione per i sistemi di Intelligenza Artificiale, che prevede un quadro legislativo generale per queste tecnologie avanzate, con particolare attenzione ai sistemi considerati ad alto rischio. Al fine di sviluppare un’Intelligenza Artificiale inclusiva ed etica, è opportuno affrontare alcune tematiche che emergono da un’analisi degli algoritmi di Intelligenza Artificiale dal punto di vista di genere, di etnia e di sviluppo personale e sociale. A tal fine è necessario introdurre alcuni concetti di base riguardanti i saperi di genere, con particolare attenzione agli stereotipi e ai pregiudizi che condizionano le interazioni sociali e che potrebbero influenzare lo sviluppo di tali algoritmi. Inoltre, grazie ad un approccio multidisciplinare e interdisciplinare, il corso fornisce conoscenze e principi di base per trattare aspetti etici, giuridici ed economici dell’Intelligenza Artificiale Intended Learning Outcomes (ILOs): 1. Descrivere i fondamenti dell’IA e differenziare tra approcci simbolici e ML. (Knowledge) 2. Spiegare principi etici chiave legati all’IA. (Knowledge) 3. Riconoscere bias di genere ed etnia negli algoritmi. (Judgement) 4. Valutare impatti etici dell’IA in casi reali. (Applying) 5. Proporre strategie di mitigazione. (Applying) 6. Collaborare in team interdisciplinari e comunicare analisi in modo chiaro (Communication + Learning)

La struttura e le tematiche dell'insegnamento saranno le seguenti:

1. Richiami di Intelligenza Artificiale. Ragionamento simbolico e Machine Learning (1 ECTS)

2. Cultura della parità e Saperi di Genere (1 ECTS)

3. Innovazioni di genere e inclusione (1 ECTS)

4. Bias negli Algoritmi di Intelligenza Artificiale e metodi di mitigazione (1 ECTS)

5. Aspetti etici, giuridici ed economici dell’IA (1 ECTS)

6. Analisi di casi di studio, ad es. Giustizia predittiva, Robotica e rappresentazione di genere, Creatività computazionale (1 ECTS)

Esame scritto: numero di risposte corrette Progetto di gruppo: il contributo di ogni membro del gruppo verrà valutato singolarmente in termini di capacità di analisi, chiarezza, originalità, uso consapevole dell’IA. Calcolo finale: media ponderata (50% + 50%) Uso dell’IA generativa: ammesso con limiti. Vietato nel test a risposta multipla. Nella tesina è consentito per brainstorming, revisione linguistica e ricerca, ma deve essere dichiarato esplicitamente. Un uso scorretto o non dichiarato comporta penalità.

• Titolo: Artificial intelligence: a modern approach, Autori: Russell, Stuart; Norvig, Peter, Luogo: --, Anno: 2020, Editore: Pearson Education, Note: --.
• Titolo: Automi e persone introduzione all'etica dell'intelligenza artificiale e della robotica, Autori: Fabio Fossa, Viola Schiaffonati, Guglielmo Tamburrini, Luogo: Roma, Anno: 2021, Editore: Carocci, Note: --.
• Titolo: Il confine del futuro. Possiamo fidarci dell’intelligenza artificiale?, Autori: Francesca Rossi, Luogo: --, Anno: 2019, Editore: Feltrinelli, Note: --.

Il corso ha l’obiettivo di fare apprendere le seguenti conoscenze:

1) le principali proprietà delle reti elettriche di n-poli

2) i principali metodi di analisi delle reti lineari in regime stazionario contenenti resistori ideali passivi, generatori ideali indipendenti di tensione e di corrente e, con riferimento al solo teorema di Thevenin, anche generatori pilotati (o controllati) lineari;

3) i principali metodi di analisi delle reti in regime sinusoidale contenenti bipoli ideali passivi (resistori, condensatori ed induttori) e generatori ideali indipendenti di tensione e di corrente, mediante uso dei fasori e della rete simbolica;

4) alcuni casi di reti in regime variabile con interruttore che commuta ad un istante: generatore di tensione costante con carico ohmico-capacitivo, ohmico-induttivo, ohmico-induttivo-capacitivo.

Le abilità attese sono le seguenti:

i) capacità di risolvere ed analizzare reti elettriche lineari in regime stazionario contenenti resistori ideali passivi e generatori ideali indipendenti di tensione e di corrente;

ii) capacità di risolvere ed analizzare reti elettriche in regime sinusoidale contenenti bipoli ideali passivi (resistori, condensatori ed induttori) e generatori ideali indipendenti di tensione e di corrente.

Al termine dell’insegnamento lo/la studente/ssa sarà in grado di:

Comprendere i concetti fondamentali alla base della teoria dei circuiti

Illustrare le principali proprietà delle reti elettriche di n-poli

Descrivere e applicare i principali metodi di analisi alle reti lineari in regime stazionario … e reti in regime sinusoidale …

Analizzare e risolvere reti elettriche lineari in regime stazionario … e reti in regime sinusoidale

Tipologie fondamentali: generatore di tensione e corrente, resistore, diodo, condensatore, induttore, trasformatore, generatori pilotati (o controllati). Topologia delle reti elettriche: leggi e sistemi di equazioni topologiche. Principi e teoremi generali delle reti elettriche. Reti elettriche in regime stazionario: proprietà, teoremi e metodi di analisi. Reti elettriche in regime sinusoidale: grandezze elettriche sinusoidali, fasori, impedenze ed ammettenze, risonanza serie e parallelo, reti simboliche, teoremi e metodi di analisi. Reti elettriche in regime variabile: reti elementari del primo e secondo ordine (generatore di tensione costante con carico ohmico-capacitivo, ohmico-induttivo, ohmico-induttivo-capacitivo).

Conoscenze di base di analisi matematica, algebra lineare e fisica.

Si applicano le propedeuticità e i vincoli previsti per poter sostenere esami del secondo anno del Corso di laurea triennale in Ingegneria Informatica.

L'insegnamento consiste in lezioni in cui vengono presentati gli argomenti del programma dell'insegnamento e alcuni esercizi di riferimento per la preparazione dell'esame.

Studentesse e studenti con disabilità, DSA, BES e altre condizioni di salute, possono contattare l'Ufficio Servizi agli studenti - Settore Inclusione per ricevere maggiori informazioni sulle opportunità di fruizione della didattica con specifici supporti e strumenti.

La parte di esercizi permette la verifica del livello raggiunto di capacità di risolvere reti elettriche, la parte di domande di teoria permette la verifica della comprensione generale della teoria dei circuiti e dei fenomeni che è in grado di considerare.

I testi per la parte di teoria e per la parte di esercizi, in formato pdf, saranno resi disponibil su Moodle durante il corso.

Le caratteristiche del tirocinio sono definite nel regolamento didattico del corso di studio.