Corso di laurea

Intelligenza Artificiale E Innovazione Digitale

Università del Piemonte Orientale · 26 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

Apprendimento Automatico E Apprendimento Profondo 1° anno · 9 CFU · INFO-01/A · 0 file

Conoscenza e capacità di comprensione Il corso ha lo scopo di introdurre le nozioni fondamentali dei metodi di appendimento automatico e di apprendimento profondo come valutarli e come sviluppare i relativi sistemi.…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenza e capacità di comprensione Il corso ha lo scopo di introdurre le nozioni fondamentali dei metodi di appendimento automatico e di apprendimento profondo come valutarli e come sviluppare i relativi sistemi.
Capacità di applicare conoscenza e comprensione La conoscenza acquisita permetterà allo studente di:
comprendere i concetti di bias e varianza dei modelli e come affrontare i relativi problemi
(ad esempio le tecniche di regolarizzazione)
comprendere i principali modelli di classificazione, regressione e di apprendimento non supervisionato, tra quelli maggiormente applicati correntemente;
ottenere una comprensione dell'apprendimento profondo tale da poterlo applicare a una vasta gamma di argomenti con particolare riguardo alle applicazioni di computer vision, elaborazione di testi ed elaborazione di segnali
Autonomia di giudizio: il corso consentirà allo studente di sviluppare un’autonomia di giudizio e porrà lo studente nelle condizioni di valutare le scelte maggiormente adeguate relativamente ai possibili modelli di apprendimento automatico.
Abilità communicative: sulla base delle conoscenze acquisite, lo studente potrà sviluppare abilità comunicative e relazionali per poter lavorare in team alla progettazione di sistemi di apprendimento automatico e profondo e per poter evidenziare limiti e vantaggi dei vari approcci possibili.
Capacita' di apprendimento: lo studio della disciplina consentirà allo studente di capire quali alternative esistono nella progettazione e programmazione di un sistema di apprendimento automatico e di poter scegliere l’approccio più adeguato al compito prefissato.

Programma

Il corso si suddivide logicamente in due moduli: Machine Learning (6 CFU) e Deep Learning (3 CFU). MACHINE LEARNING I diversi modelli di apprendimento automatico (supervisionato e non supervisionato); Regressione e classificazione; Bias e varianza dei modelli, regolarizzazione; Metodi di clustering; Valutazione dei modelli di appendimento automatico; Strumenti di sviluppo. DEEP LEARNING Teoria e pratica dell’ Apprendimento Profondo

MACHINE LEARNING
Introduzione al machine learning: apprendimento supervisionato e non supervisionato;
Regressione lineare univariata e multivariata, ridge regression;
Regressione logistica;
Regolarizzazione;
Reti Neurali;
Valutazione di un sistema ML;
Decision Trees;
Bayesian Learning;
Lazy Learning;
Metodi di ensemble learning;
Clustering;
Riduzione della dimensionalita: PCA;
Il tool Weka;
Le API scikit-learn.
DEEP LEARNING
Principi teorici dell'Apprendimento Profondo
Deep feedforward neural nets
Reti convolutive
Reti ricorrenti
Autoencoder
Attention e Transformers
Pre-Training
Applicazioni
Package implementativi

Probabilita’ e Statistica, Analisi Matematica, Matematica Discreta (calcolo matriciale), Linguaggio Python (base)

Lezioni frontali e sviluppo di esempi prototipali con esercitazioni

Modalità d'esame

Esame orale con discussione di un semplice progetto.

Testi di riferimento

A. Geron: Hands-on Machine Learning with scikit-learn and Pytorch, O'Reilly, 2025; A. Geron: Hands-on Machine Learning with scikit-learn and Tensorflow. (3rd edition), O’Reilly, 2022; P. Flach, Machine Learning, Cambridge Univ. Press, 2012; I.H. Witten, E. Frank, M.A. Hall, C.J. Pal. Data Mining: Practical Machine Learning Tools (4 ed.), Morgan Kaufmann, 2016. I. Goodfellow, Y. Bengio, A. Courville. Deep Learning, MIT Press, 2016

Codice insegnamento MF0616

Architetture Computazionali, Reti E Sicurezza 1° anno · 9 CFU · INFO-01/A · 0 file

Il corso ha l’obiettivo di fornire alle studentesse e agli studenti una preparazione di base, ma strutturata, sui principali aspetti dell’informatica, dei sistemi di calcolo, delle reti, della sicurezza informatica e…

Scheda dell'insegnamento

Obiettivi formativi

Il corso ha l’obiettivo di fornire alle studentesse e agli studenti una preparazione di base, ma strutturata, sui principali aspetti dell’informatica, dei sistemi di calcolo, delle reti, della sicurezza informatica e della progettazione software. L’insegnamento mira a sviluppare la capacità di comprendere il funzionamento dei sistemi informatici, di valutarne requisiti, potenzialità e limiti, e di interagire in modo consapevole con figure tecniche specialistiche quali analisti, sviluppatori, sistemisti ed esperti di sicurezza.
Il corso è organizzato in due parti principali.
Prima parte – Fondamenti di informatica, sistemi di calcolo, reti e sicurezza
La prima parte del corso fornisce le conoscenze fondamentali relative alla rappresentazione digitale delle informazioni, alla struttura e al funzionamento dei sistemi di calcolo, alle componenti hardware e software, alle reti di comunicazione e agli aspetti principali della sicurezza informatica. Studentesse e studenti acquisiranno conoscenze sui componenti fondamentali di un sistema di calcolo, quali processori, memorie, supporti di memorizzazione, dispositivi di input/output e interfacce di comunicazione. Una parte rilevante sarà dedicata ai protocolli di comunicazione, alle reti di calcolatori e alla connessione di dispositivi eterogenei, inclusi PC, dispositivi mobili e sensori IoT. Il corso permetterà di comprendere le principali problematiche di dimensionamento dei sistemi, con riferimento alla capacità di memorizzazione, alle prestazioni, alla potenza di trasmissione e all’adeguatezza delle architetture rispetto a specifici contesti applicativi. Saranno inoltre affrontati i principali temi della sicurezza informatica, tra cui requisiti di sicurezza, tipologie di attacco, gestione degli incidenti, protocolli crittografici, firewall e soluzioni di protezione. Le studentesse e gli studenti saranno guidati a comprendere il rapporto tra sicurezza, efficienza, affidabilità e requisiti applicativi.
Al termine di questa parte, la studentessa o lo studente sarà in grado di riconoscere le principali componenti di un sistema informatico, comprendere il ruolo dei protocolli di comunicazione, valutare problemi di dimensionamento e sicurezza, riconoscere le principali minacce informatiche e contribuire in modo informato alla definizione dei requisiti di un sistema nel proprio ambito applicativo.
Seconda parte – Progettazione software e modellazione con UML
La seconda parte del corso introduce i principi dell’Ingegneria del Software e le tecniche fondamentali per la progettazione, la modellazione e la documentazione di sistemi software, con particolare attenzione all’uso di UML, Unified Modeling Language. Studentesse e studenti apprenderanno le principali fasi del processo di sviluppo software, dalla richiesta del committente alla raccolta e analisi dei requisiti, dalla progettazione all’implementazione, fino al collaudo, alla consegna e alla manutenzione del sistema. Saranno introdotti alla distinzione tra requisiti funzionali e non funzionali, con attenzione ad aspetti quali qualità del software, sicurezza, manutenibilità, efficienza, integrazione e affidabilità.
Il corso fornirà competenze pratiche nell’utilizzo dei principali diagrammi UML per modellare il dominio applicativo, i requisiti, l’architettura, le interazioni tra componenti e il comportamento dinamico del sistema. Particolare attenzione sarà dedicata alla coerenza tra requisiti, modelli progettuali e successiva implementazione. Attraverso attività pratiche e di laboratorio, studentesse e studenti saranno guidati nell’utilizzo di strumenti software per la realizzazione di diagrammi UML, nella progettazione di semplici sistemi software, nella documentazione delle scelte progettuali e nella traduzione progressiva dei modelli in strutture di codice. Al termine di questa parte, la studentessa o lo studente sarà in grado di organizzare un processo di sviluppo software secondo le fasi dell’Ingegneria del Software, individuare e formalizzare requisiti, rappresentare architettura e comportamento del sistema mediante diagrammi UML, utilizzare correttamente la terminologia tecnica del settore e comprendere documentazione tecnica o scientifica relativa a sistemi, pipeline e architetture software.
Competenze complessive attese
Al termine del corso, studentesse e studenti avranno acquisito la capacità di comprendere e utilizzare la terminologia tecnica dell’informatica e dell’Ingegneria del Software, valutare criticamente diverse soluzioni architetturali, comunicative e di sicurezza, e contribuire alla definizione di requisiti tecnici in collaborazione con figure specialistiche. Saranno inoltre in grado di confrontare possibili soluzioni alternative, motivare le scelte progettuali, documentare in modo chiaro le caratteristiche principali di un sistema e aggiornare autonomamente le proprie conoscenze rispetto a nuove tecnologie, strumenti, protocolli e metodologie basate sui principi fondamentali trattati nel corso.

Programma

Prima parte – Fondamenti di informatica, sistemi di calcolo, reti, applicazioni web e sicurezza (6 CFU)
La prima parte del corso offre una panoramica strutturata delle fondamenta dell’informatica, introducendo studentesse e studenti ai principali aspetti dei sistemi di calcolo: architettura dell’elaboratore, componenti hardware e software, rappresentazione dei dati e visione a strati delle architetture informatiche. Sono analizzate le principali tipologie di applicazioni, sia locali sia distribuite in rete, e i concetti fondamentali relativi alle licenze software. Una parte significativa è dedicata alle reti di calcolatori, ai protocolli di comunicazione e alle applicazioni web: studentesse e studenti sono guidati nella comprensione dei dispositivi e dei componenti necessari alla connessione in rete di PC, dispositivi mobili e sensori IoT, con attenzione al dimensionamento dei dispositivi e delle strutture di rete. La prima parte si conclude con un’introduzione alla sicurezza informatica: requisiti di sicurezza, principali tipologie di attacco, organizzazione e gestione degli incidenti, protocolli crittografici e principi di funzionamento dei firewall. Particolare attenzione è dedicata al riconoscimento delle diverse soluzioni crittografiche e alla loro relazione con requisiti di sicurezza, efficienza e affidabilità.
Seconda parte – Ingegneria del Software, requisiti e modellazione UML (3 CFU)
La seconda parte introduce i principi e le tecniche fondamentali per la progettazione di sistemi software, con particolare attenzione all’uso di UML (Unified Modeling Language) come linguaggio standard per la modellazione e la documentazione. Dopo una panoramica sul processo di sviluppo del software — dalla raccolta e analisi dei requisiti alla progettazione, implementazione, collaudo e manutenzione — il corso approfondisce il ruolo della modellazione nelle diverse fasi del ciclo di vita. Sono trattati la specifica dei requisiti funzionali e non funzionali, con attenzione a qualità del software, sicurezza, manutenibilità, efficienza, accessibilità e integrazione con sistemi locali o distribuiti, e i principali diagrammi UML per rappresentare requisiti, casi d’uso, struttura del sistema, interazioni tra componenti e comportamento dinamico. L’attività di laboratorio prevede l’utilizzo di strumenti software per la realizzazione di diagrammi UML e la loro progressiva traduzione in strutture di codice.
Integrazione della dimensione di genere
Il corso dedica uno spazio specifico e attività trasversali alla dimensione di genere nei sistemi digitali: bias di genere nei dati e nei sistemi informativi, accessibilità e progettazione inclusiva come requisiti non funzionali, sicurezza delle persone e violenza digitale di genere, divario di genere nelle professioni ICT e nella cybersecurity.

Il corso è organizzato in due parti principali, per un totale di 9 CFU. La prima parte, pari a 6 CFU, è dedicata ai fondamenti dell’informatica, ai sistemi di calcolo, alle reti, alle applicazioni web e alla sicurezza informatica. La seconda parte, pari a 3 CFU, è dedicata all’Ingegneria del Software, alla definizione dei requisiti e alla modellazione UML.
1) Prima parte – Fondamenti di informatica, reti e sicurezza informatica (6 CFU)
La prima parte del corso introduce i concetti fondamentali dell’informatica e fornisce le basi necessarie per comprendere il funzionamento dei sistemi di calcolo, delle reti di comunicazione, delle applicazioni web e dei principali meccanismi di sicurezza informatica.
1.1) Informatica di base
Saranno presentati i concetti di base dell’informatica, con particolare attenzione all’architettura di un elaboratore, ai principali componenti hardware e software, alla rappresentazione dei dati e ai fondamenti della logica booleana. Verranno inoltre introdotte le differenze tra hardware, firmware, sistema operativo, applicazioni e servizi, secondo una visione a strati delle architetture informatiche.
1.2) Reti e applicazioni web
Una parte significativa del corso sarà dedicata alle reti di calcolatori e ai protocolli di comunicazione. Saranno introdotti il modello ISO/OSI, il protocollo Ethernet, il protocollo IP, i protocolli TCP e UDP e il protocollo HTTP. Verranno inoltre analizzate le applicazioni web, l’uso dei metodi HTTP e le principali tipologie di sistemi informativi basati su applicazioni web. Saranno presentati esempi pratici, anche in Python, per comprendere il funzionamento delle comunicazioni di rete e delle applicazioni distribuite.
1.3) Sicurezza informatica, web, cloud e privacy
La prima parte comprende anche un’introduzione alla sicurezza informatica. Saranno affrontati i concetti di base della sicurezza, i principali requisiti di protezione, le tipologie di attacchi, la crittografia, la sicurezza nel web, la sicurezza nelle comunicazioni di rete e la sicurezza nel cloud. Verranno inoltre introdotti elementi di privacy, protezione dei dati, autenticazione, controllo degli accessi, protocolli sicuri e principali strumenti di difesa, con attenzione al rapporto tra sicurezza, efficienza e contesto applicativo.
2) Seconda parte – Ingegneria del Software, requisiti e modellazione UML (3 CFU)
La seconda parte del corso introduce i principali concetti dell’Ingegneria del Software, con particolare attenzione al processo software e al ciclo di vita del software, dalla raccolta e analisi dei requisiti alla progettazione, implementazione, collaudo, manutenzione e gestione del progetto. Saranno approfondite la specifica e la progettazione di sistemi software mediante UML, Unified Modeling Language, come linguaggio standard per la modellazione e la documentazione. Verranno trattati la modellazione dei requisiti, la modellazione del dominio applicativo, la definizione dei casi d’uso, la scrittura delle narrative dei casi d’uso, la rappresentazione dell’architettura, delle interazioni tra componenti e del comportamento dinamico del sistema. Il corso affronterà inoltre il passaggio dai modelli UML al codice, con esempi e semplici applicazioni in Python. Saranno introdotti i principali modelli di processo software, alcuni design patterns di base e strumenti software per la realizzazione di diagrammi UML.
Una parte dell’attività sarà dedicata alla lettura, comprensione e analisi di articoli scientifici in lingua inglese relativi a sistemi, pipeline o architetture software nell’ambito dell’Intelligenza Artificiale e della Computer Science. A partire dall’articolo assegnato, studentesse e studenti dovranno ricavare un documento di progettazione e documentazione, formalizzando requisiti, componenti, interazioni, scelte architetturali e principali aspetti implementativi, e preparare una presentazione accademica sulla progettazione UML del sistema analizzato.

Non sono previste propedeuticità obbligatorie: l’accesso all’esame non è subordinato al superamento di altri insegnamenti. Si raccomanda tuttavia di aver acquisito le conoscenze di programmazione in Python e di basi di dati fornite dagli insegnamenti di base del Corso di Studio, che sono considerate propedeutiche in senso sostanziale alle attività di progettazione, modellazione UML e traduzione dei modelli in strutture software.
Conoscenze e abilità richieste in ingresso
Prima di affrontare l’insegnamento ci si attende che la studentessa o lo studente sappia:

  • leggere e scrivere semplici programmi in Python, utilizzando i principali costrutti del linguaggio (assegnamento, selezione, iterazione), definendo funzioni e impiegando strutture dati elementari (liste, dizionari);
  • descrivere i concetti fondamentali del modello relazionale (tabelle, attributi, tuple, chiavi primarie ed esterne);
  • formulare interrogazioni SQL di base (SELECT, WHERE, ORDER BY, funzioni di aggregazione e semplici join).
    Non è richiesta alcuna conoscenza pregressa di reti di calcolatori, sicurezza informatica, Ingegneria del Software o UML: questi argomenti sono introdotti dal corso a partire dai fondamenti.
    Verifica e recupero dei prerequisiti
    All’inizio del corso è resa disponibile su DIR una breve prova di autovalutazione non selettiva sui prerequisiti, corredata di materiali di riallineamento su Python e SQL. La prova non concorre alla valutazione finale ed è finalizzata a consentire a ciascuna studentessa e a ciascuno studente di verificare autonomamente il proprio livello di partenza.

Prima parte (6 CFU – 48 ore: 28 ore di lezione frontale, 20 ore di esercitazione)
Le lezioni frontali sono dedicate alla presentazione dei fondamenti dell’informatica, delle reti di calcolatori, dei principali protocolli di comunicazione alla base di Internet e delle applicazioni web, nonché alla connessione di dispositivi eterogenei (PC, dispositivi mobili, sistemi embedded, sensori IoT) e alla sicurezza informatica (requisiti di sicurezza, tipologie di attacco, vulnerabilità, rischio e incidente, protocolli crittografici, firewall, sistemi di autenticazione e misure organizzative).
Le esercitazioni guidate consolidano i concetti presentati attraverso esempi, casi applicativi ed esercizi svolti in aula su reti, protocolli, dimensionamento dei sistemi e scenari di sicurezza. Studentesse e studenti lavorano su casi assegnati — individualmente e in piccoli gruppi — e discutono in aula le soluzioni proposte, confrontando alternative e motivando le scelte: prestazioni computazionali, capacità di memorizzazione, potenza di trasmissione, scalabilità e adeguatezza delle architetture rispetto a specifici contesti applicativi.
Seconda parte (3 CFU – 24 ore: 12 ore di lezione frontale, 12 ore di laboratorio)
Le lezioni frontali presentano le principali fasi dell’Ingegneria del Software e la loro applicazione allo sviluppo di un sistema software, dalla raccolta e analisi dei requisiti alla progettazione, implementazione, collaudo e manutenzione, e introducono il linguaggio UML sia dal punto di vista formale sia applicativo.
Le attività di laboratorio prevedono la realizzazione di un progetto individuale nel quale studentesse e studenti definiscono un insieme coerente di diagrammi UML e, ove opportuno, ne sperimentano la traduzione in semplici strutture o script Python. Il progetto può essere sviluppato a partire da un caso di studio proposto durante il corso oppure dall’analisi di un articolo scientifico che descrive sistemi, pipeline o architetture software, anche nell’ambito dell’Intelligenza Artificiale e della Computer Science. L’esito è un documento di progettazione che formalizza requisiti, componenti, interazioni, scelte architetturali e principali aspetti implementativi. Sono utilizzati strumenti online per la realizzazione di diagrammi UML quali diagrams.net/draw.io, Visual Paradigm Online, PlantUML, Mermaid, Lucidchart o strumenti equivalenti.
Partecipazione attiva e integrazione della dimensione di genere
Il ruolo attivo di studentesse e studenti nel processo di apprendimento è promosso attraverso la discussione in aula delle soluzioni proposte per i casi assegnati, il confronto tra alternative progettuali, la revisione tra pari dei diagrammi UML prodotti in laboratorio e la presentazione pubblica del lavoro individuale, che stimola spirito critico e autonomia. La dimensione di genere è integrata sia in una specifica sessione tematica (punto 1.4 del programma esteso) sia in modo trasversale, mediante l’uso di un linguaggio rispettoso del genere in tutti i materiali didattici e la scelta di casi di studio, esempi e personas che evitino stereotipi e rappresentino utenti differenti per genere, età e abilità.
Il corso dispone di una pagina dedicata sulla piattaforma DIR – Didattica in Rete, nella quale sono disponibili slide, istruzioni, materiali di supporto, esempi, prove degli anni precedenti e ulteriori risorse utili allo svolgimento delle attività didattiche.

Modalità d'esame

La verifica dell’apprendimento consiste in un esame orale, sostenuto in un unico appello e articolato in due prove, coerentemente con la struttura del corso. Non sono previste prove intermedie né prove scritte a risposta multipla; non sono pertanto previste penalità per risposte errate od omesse. Le due prove non sono selettive l’una rispetto all’altra: si svolgono nella stessa seduta e concorrono entrambe al voto finale. La durata complessiva dell’esame è di circa 45 minuti.

  • Prova A – Fondamenti (6 CFU, circa 30 min): 3–4 domande, di cui almeno una applicativa, su sistemi di calcolo, reti, applicazioni web, IoT e sicurezza informatica.
  • Prova B – Software Engineering e UML (3 CFU, circa 15 min): presentazione individuale e discussione di un articolo scientifico in inglese, con relativa modellazione UML del sistema descritto. Slide e diagrammi devono essere caricati su DIR almeno 3 giorni prima dell’esame.
    Ciascuna prova è valutata in trentesimi. Il voto finale è la media pesata delle due prove in proporzione ai CFU:
  • Prova A (prima parte, 6 CFU): peso 2/3, pari al 67% del voto finale;
  • Prova B (seconda parte, 3 CFU): peso 1/3, pari al 33% del voto finale.
    Per il superamento dell’esame è necessario conseguire almeno 18/30 in ciascuna delle due prove: una valutazione inferiore a 18/30 in una delle due prove comporta il mancato superamento dell’esame, indipendentemente dalla media. Il voto finale è arrotondato all’intero più vicino (0,5 arrotondato per eccesso). La lode è attribuita a chi consegue una valutazione pari a 30/30 in entrambe le prove e dimostra, in modo documentato, autonomia critica nell’analisi dell’articolo scientifico e piena padronanza della terminologia tecnica.
    È necessario ottenere almeno 18/30 in entrambe le prove
  • Il voto finale è la discussione collegiale da parte dei docenti delle due prove, arrotondata all’intero più vicino.
  • 30 e lode: 30/30 in entrambe le prove, con particolare autonomia critica e padronanza della terminologia tecnica.
    Livelli di valutazione: <18 insufficiente; 18–20 sufficiente; 21–23 discreto; 24–26 buono; 27–29 molto buono; 30/30 e lode eccellente.

Testi di riferimento

Prima parte

  • D. Curtin, K. Foley, K. Sen, C. Morin, A. Marengo, A. Pagano, «Informatica di base», 7ª edizione, McGraw-Hill (punto 1.1 del programma esteso).
  • J. F. Kurose, K. W. Ross, «Reti di calcolatori e Internet. Un approccio top-down», Pearson (punto 1.2 del programma esteso).
  • C. P. Pfleeger, S. L. Pfleeger, L. Coles-Kemp, «Security in Computing», 6th Edition, Addison-Wesley Professional (punto 1.3 del programma esteso).
    Seconda parte
  • I. Sommerville, «Ingegneria del software», Pearson Italia, 10ª edizione, 2017 – https://he.pearson.it/bundle/709?isbn=9788891902245 (punti 2.1, 2.2, 2.4 del programma esteso).
  • M. Fowler, «UML distilled», Pearson Italia, 4ª edizione, 2018 – https://he.pearson.it/bundle/701?isbn=9788891907820 (punti 2.3 e 2.4 del programma esteso).
    Materiale didattico integrativo
    Slide delle lezioni, tracce delle esercitazioni, istruzioni di laboratorio, esempi svolti, articoli scientifici assegnati per il progetto e prove degli anni precedenti sono resi disponibili sulla pagina dedicata dell’insegnamento sulla piattaforma DIR – Didattica in Rete. Le indicazioni su quale materiale sia più adatto alla preparazione di ciascuna prova sono riportate nel campo «Modalità di verifica dell’apprendimento».

Codice insegnamento MF0614

Basi Di Dati Per Business Intelligence 1° anno · 9 CFU · INFO-01/A · 0 file

Conoscenza e capacità di comprensione: metodologie di analisi e organizzazione di strutture relazionali, implementazione di queste strutture in data base relazionali, complete delle interrogazioni necessarie…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenza e capacità di comprensione:

  • metodologie di analisi e organizzazione di strutture relazionali, implementazione di queste strutture in data base relazionali, complete delle interrogazioni necessarie
  • metodologie per reperire, analizzare, sintetizzare e ri-organizzare i dati operazionali; metodologie di progettazione a livello concettuale e di realizzazione livello logico in ambito relazionale di datawarehousing
  • metodologie di progettazione a livello concettuale e di realizzazione livello logico in ambito noSQL
    Capacita' di applicare conoscenza e comprensione:
  • capacità di progettazione a livello concettuale, di realizzazione livello logico, e di interrogazione in ambito di database relazionali
  • capacità di progettazione a livello concettuale e di realizzazione livello logico in ambito relazionale di datawarehousing, a partire dalle sorgenti di dati operazionali
  • capacità di progettazione a livello concettuale e di realizzazione livello logico in ambito differenti database noSQL
    Autonomia di giudizio:
  • abilità nella progettazione concettuale e logica di una base di dati relazionale e nella sua interrogazione
  • abilità nel determinare i fatti di interesse, la granularità, le dimensioni e le gerarchie dimensionali per un data warehouse
  • abilità nel valutare le specifiche caratteristiche di un database noSQL in relazione al contesto applicativo
    Abilità comunicative:
    L'obiettivo del corso è quello di acquisire e di saper utilizzare la terminologia dell'area e saper discutere di aspetti di progettazione, modellazione e interrogazioni nei differenti ambiti delle basi di dati
    Capacita' di apprendimento
  • analizzare, modellare e interrogare dati in ambito dei database relazionali
  • analizzare e modellare in modo uniforme dati provenienti da sorgenti eterogenee
  • analizzare dati per modellarli in ambito noSQL effettuando le scelte progettuali più adattate

Programma

Basi di dati: Principali modelli dei dati adottati dai sistemi di gestione delle basi di dati (DBMS). Modello relazionale: principali aspetti teorici di tale modello ed esempi di progettazione pratica. Introduzione al linguaggio SQL e sue applicazioni alla gestione di una base di dati.
Data warehouse: metodologie e tecniche per reperire, analizzare, sintetizzare e ri-organizzare dati operazionali, al supporto di decisioni strategiche.
No-SQL: le caratteristiche e i metodi di interrogazione dei principali tipi di database no-SQL, i criteri di scelta tra i differenti tipi di database no-SQL

Basi di dati: introduzione ai principali sistemi di gestione delle basi di dati (DBMS). Viene approfondito il modello relazionale, in particolare sono presentati i principali aspetti teorici ed aspetti più pratici con esempi di progettazione, ponendo attenzione alla qualità dei modelli implementati (es. forme normali). Il corso si articola nelle seguenti parti: Modello Relazionale; Modello Entità-Relazione; Traduzione del Modello ER nel modello Relazionale. Viene inoltre descritta brevemente l'architettura di un DBMS, che viene presentata succintamente seguendo lo schema di descrizione generale a tre livelli di astrazione: esterno, logico e fisico. Vengono introdotte le nozioni di base sugli indici e sulle transazioni. Introduzione al linguaggio SQL per la gestione delle tabelle e per la manipolazione dei dati.
Data warehouse: obiettivi e architetture - tecniche per reperire e riconciliare i dati operazionali - linguaggi di query OLAP - modelli e tecniche per l'implementazione del conceptual multidimensional data model in ambito relazionale
No-SQL: principali approcci NoSQL (chiave-valore, colonna, documento e grafo): caratteristiche, metodi interrogazione, e criteri di valutazione delle performance.

Nessuno.

Lezioni frontali in aula e esercitazioni in aula e in laboratorio informatico. Il materiale didattico verrà fornito anche sulla piattaforma DIR.

Modalità d'esame

L'esame è scritto (2 ore). Il testo è suddiviso in 3 sezioni, una per ogni parte del corso (basi di dati, data warehouse e no-SQL). Ogni sezione può essere a sua volta suddivisa in questioni relative alla teoria ed esercizi da risolvere.
La sufficienza richiede di completare correttamente i quesiti inclusi in un minimo di 2 sezioni.
La votazione è espressa in trentesimi secondo il seguente schema:

  • Non idoneo
    Conoscenza e comprensione argomento: significative carenze e imprecisioni Capacità di analisi e sintesi: irrilevanti, frequenti generalizzazioni Utilizzo di riferimenti: completamente inappropriato
  • 18–20
    Conoscenza e comprensione argomento: molto modesto, imperfezioni evidenti Capacità di analisi e sintesi: appena sufficienti Utilizzo di riferimenti: appena appropriato
  • 21–23
    Conoscenza e comprensione argomento: conoscenza poco più che sufficiente Capacità di analisi e sintesi: discreta capacità di analisi e sintesi, argomenta in modo logico e coerente Utilizzo di riferimenti: utilizza le referenze standard
  • 24–26
    Conoscenza e comprensione argomento: conoscenza buona Capacità di analisi e sintesi: ha buone capacità di analisi e di sintesi, gli argomenti sono esposti coerentemente Utilizzo di riferimenti: utilizza le referenze standard
  • 27–29
    Conoscenza e comprensione argomento: conoscenza più che buona Capacità di analisi e sintesi: ha notevoli capacità di analisi e di sintesi Utilizzo di riferimenti: ha approfondito gli argomenti
  • 30–30 e lode
    Conoscenza e comprensione argomento: conoscenza ottima Capacità di analisi e sintesi: ha notevoli capacità di analisi e di sintesi Utilizzo di riferimenti: significativi approfondimenti

Testi di riferimento

Atzeni, Ceri, Fraternali, Paraboschi, Torlone Basi di Dati: Modelli e Linguaggi di Interrogazione Mc Graw-Hill, quinta edizione, 2018
M. Golfarelli, S. Rizzi: “Data Warehose”, McGraw-Hill, Milano
A. Ploetz, D. Kandhare, S. Kadambi, X. Wu, Seven NoSQL Databases in a Week, Packt Publishing Limited, 2018

Codice insegnamento MF0609

Data Mining Per Dati Sperimentali 1° anno · 12 CFU · INFO-01/A · 0 file

L'insegnamento (12 CFU: 4 CFU dedicati al machine learning e 8 CFU al deep learning; complessivamente circa 96 ore di didattica, di cui circa 2/3 di didattica erogativa in aula — anche con l'uso di notebook interattivi —…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento (12 CFU: 4 CFU dedicati al machine learning e 8 CFU al deep learning; complessivamente circa 96 ore di didattica, di cui circa 2/3 di didattica erogativa in aula — anche con l'uso di notebook interattivi — e circa 1/3 di didattica interattiva in laboratorio, a cui si aggiunge un carico di studio autonomo proporzionato ai crediti secondo il Regolamento Didattico di Ateneo) si propone i seguenti obiettivi.
Conoscenza e comprensione: le studentesse e gli studenti acquisiranno solide conoscenze dei più comuni metodi e strumenti del data mining per l'analisi di dataset complessi o caratteristici dei problemi che si incontrano in ambiti generali di raccolta dati, nonché delle più recenti architetture di deep learning, inclusi i modelli linguistici di grandi dimensioni (LLM) e le architetture multimodali.
Capacità di applicare conoscenza e comprensione: dato un dataset più o meno complesso, e una conoscenza del dominio sufficiente, le studentesse e gli studenti saranno in grado di condurre autonomamente un'analisi dei dati basata su tecniche di data mining e di deep learning — incluso l'utilizzo di modelli linguistici di grandi dimensioni preaddestrati — comprensiva delle fasi di pretrattamento dei dati e di valutazione dei risultati ottenuti. Questo obiettivo sarà raggiunto anche grazie alla realizzazione in autonomia di un progetto di laboratorio.
Autonomia di giudizio: le studentesse e gli studenti acquisiranno l'abilità di scegliere la strategia modellistica e di analisi più adatta alla gestione di problemi complessi in ambito di analisi dei dati o apprendimento automatico, e di valutare criticamente la bontà dei modelli ottenuti tramite tecniche di data mining o deep learning.
Abilità comunicative: le studentesse e gli studenti acquisiranno un lessico appropriato in relazione agli argomenti affrontati nel corso, al fine di poter collaborare con altri esperti del settore.
Capacità di apprendere: scopo fondamentale del corso è anche quello di sviluppare la capacità di apprendere autonomamente nuove tecniche di data mining e deep learning, particolarmente adatte a settori specifici, comprese quelle in rapida evoluzione come i modelli linguistici di grandi dimensioni.

Programma

Il corso presenta le tecniche di machine learning e di deep learning, incluse le più recenti architetture per i modelli linguistici di grandi dimensioni (LLM) e per l'intelligenza artificiale multimodale, per l'analisi di dati sperimentali. Oltre a una componente teorica, introduce in laboratorio alle librerie Python più avanzate per la loro implementazione pratica.

**Introduzione al data mining**

  • fasi principali di una pipeline di data science (processo KDD);
  • preprocessing dei dati: normalizzazione, standardizzazione, discretizzazione, encoding (1-hot encoding, label encoding).
    **Machine learning supervisionato**
  • regressione: regressione lineare univariata e multivariata; trade-off bias/varianza; regolarizzazione Ridge e Lasso; tecniche di validazione dei modelli; metriche di valutazione (MSE, MAE, R2);
  • classificazione: alberi di decisione, ensemble learning, random forest, boosted trees, KNN, regressione logistica; metriche di valutazione (accuracy, precision, recall, Fb score).
    **Machine learning non supervisionato**
  • clustering: K-means, DBSCAN, clustering gerarchico; metriche di valutazione intrinseche (SSE, silhouette) ed estrinseche (Rand index, mutual information);
  • riduzione della dimensionalità: PCA.
    **Reti neurali e deep learning**
  • perceptron, funzioni di attivazione (sigmoid, tanh, ReLU), multilayer perceptron; forward propagation e backpropagation con discesa del gradiente;
  • ottimizzazioni e regolarizzazioni per reti neurali profonde (problema del gradiente instabile);
  • reti neurali convoluzionali (CNN) e loro utilizzo nella computer vision; transfer learning; reti neurali residuali;
  • reti neurali ricorrenti (RNN);
  • autoencoder e cenni di adversarial learning.
    **Modelli linguistici di grandi dimensioni (LLM) e architetture multimodali**
  • il meccanismo di attenzione (dot-product attention) e l'architettura Transformer: encoder, decoder, codifica posizionale;
  • modelli Transformer preaddestrati: pretraining e fine-tuning (es. per compiti di classificazione);
  • generazione di testo: da un modello mini-GPT a un LLM preaddestrato; strategie di campionamento; instruction fine-tuning e tecniche di adattamento efficiente (LoRA);
  • allineamento e utilizzo avanzato degli LLM: reinforcement learning from human feedback (RLHF), retrieval augmented generation (RAG), cenni ai modelli "reasoning" e ai foundation model;
  • generazione di immagini: variational autoencoder (VAE), modelli di diffusione, modelli text-to-image;
  • architetture multimodali: integrazione di modalità testuali e visive negli LLM multimodali e nei modelli generativi text-to-image.
    **Strumenti Python**
  • introduzione a NumPy;
  • API scikit-learn: preprocessing (transformers), classificazione/regressione/clustering (estimators), pipeline, validazione dei modelli (train_test_split, KFold, cross_val_score, cross_val_predict), metriche di valutazione (sklearn.metrics), selezione dei modelli (ParameterGrid, GridSearchCV, RandomizedSearchCV);
  • utilizzo di TensorFlow e Keras per l'addestramento di modelli di deep learning, inclusi Transformer, LLM e modelli di generazione di immagini.

Prerequisiti formali: nessuno.
Prerequisiti sostanziali: nozioni base di statistica; nozioni base di programmazione Python (tipi di dati, flusso di controllo, funzioni, liste, classi, gestione degli errori).

Il corso è insegnato in aula e in laboratorio. Le lezioni in aula (circa 2/3 delle ore di didattica) espongono le nozioni fondamentali, corredate di esempi, anche tramite l'uso dal vivo di notebook interattivi che ne mostrano l'applicazione pratica. Viene discussa l'utilità ai fini pratici dei diversi modelli per trattare task e dati differenti.
In laboratorio (circa 1/3 delle ore di didattica) la studentessa o lo studente viene guidato/a nell'uso dei modelli visti a lezione. Vengono suggeriti diversi dataset da analizzare e viene spiegato come procurarsene di nuovi, sia per esercitarsi ulteriormente e discuterne con il docente, sia ai fini del progetto d'esame.

Modalità d'esame

L'esame consiste in una prova orale, incentrata sulla presentazione e discussione del progetto di laboratorio svolto in autonomia dalla studentessa o dallo studente, riguardante l'analisi di uno o più dataset con tecniche sia di machine learning sia di deep learning (incluso, se pertinente, l'utilizzo di modelli linguistici di grandi dimensioni). L'obiettivo di questa parte è verificare che la studentessa o lo studente sia autonomo/a nella realizzazione di un task di analisi dati su un dataset reale, comprensivo delle fasi di preprocessing, scelta e applicazione dei modelli, e valutazione dei risultati.
La presentazione è seguita da una discussione di 1-3 domande sulle tecniche di data mining e deep learning viste a lezione, il cui obiettivo è verificare che la studentessa o lo studente abbia acquisito le nozioni teoriche di base del corso. L'esame nel suo complesso dura circa 45 minuti per studentessa/studente.
Il voto finale tiene conto sia della qualità dell'analisi del dataset e della sua presentazione (compreso il report tecnico-scientifico), sia delle risposte fornite nella discussione teorica, secondo la seguente griglia di valutazione, che esplicita la correlazione tra il livello di preparazione dimostrato e il voto corrispondente:

  • < 18: lacune importanti nell'analisi del dataset o nella sua presentazione; risposte alle domande di teoria mancanti o non adeguate.
  • 18–22: analisi del dataset accettabile ma con lacune significative nella metodologia o argomenti non approfonditi adeguatamente; sufficiente capacità di applicare le tecniche viste a lezione; utilizzo basilare del linguaggio tecnico nella presentazione e nel report.
  • 23–25: analisi appropriata con alcune lacune metodologiche; discreta capacità di scelta e applicazione delle tecniche; presentazione articolata e utilizzo appropriato del linguaggio tecnico.
  • 26–28: analisi solida e ben motivata, con buona capacità di confrontare criticamente diversi modelli e di collegare le diverse parti del programma (data mining e deep learning); utilizzo solido del linguaggio tecnico.
  • 29–30 e lode: analisi completa, approfondita e originale, con scelte metodologiche pienamente giustificate e visione chiara e coerente delle tecniche di data mining e deep learning applicate; utilizzo preciso del linguaggio tecnico, sia nel report che nella discussione orale.
    Il materiale più adatto alla preparazione dell'esame è costituito dai testi di riferimento del corso, dal materiale ed esempi mostrati a lezione e in laboratorio, e dalla documentazione ufficiale delle librerie Python utilizzate.

Testi di riferimento

  • Bishop, C., *Pattern Recognition and Machine Learning*, Springer (per la parte di Machine Learning).
  • Chollet, F., Watson, M., *Deep Learning with Python*, terza edizione, Manning Publications, 2025, ISBN 9781633436589 — disponibile online su deeplearningwithpython.io (per la parte di Deep Learning).

Codice insegnamento MF0613

Diritto E Società Digitale 1° anno · 6 CFU · GIUR-05/A · 0 file

Gli studenti acquisiranno: le basi dell’informatica giuridica; la comprensione del rapporto tra A.I. e diritto rispetto alle principali tecniche utilizzate dal diritto e rispetto alle più rilevanti previsioni normative…

Scheda dell'insegnamento

Obiettivi formativi

Gli studenti acquisiranno: le basi dell’informatica giuridica; la comprensione del rapporto tra A.I. e diritto rispetto alle principali tecniche utilizzate dal diritto e rispetto alle più rilevanti previsioni normative in tema di intelligenza artificiale; la capacità di mettere in relazione la vicenda retorica e topica del processo con le ipotesi di giustizia predittiva; la capacità di svolgere un’analisi critica del rapporto tra informatica e società odierna; la capacità di riflettere sulla democrazia in rapporto alla società digitale e al tema delle fake news.

Programma

Il corso intende proporre uno studio critico dell'informatica giuridica in rapporto sia al concetto di diritto in senso stretto, sia alla società contemporanea nel suo complesso. Nella prima parte del corso sarà dedicata particolare attenzione all’intelligenza artificiale. Si comincerà con un’analisi del concetto di intelligenza così come elaborato attraverso i vari saperi per poi giungere alla specificità di quella che definiamo AI. Si analizzeranno dunque i vari punti di incrocio fra AI e giuridicità, approfondendo la cosiddetta “informatica del diritto”, con particolare enfasi sulla questione della giustizia predittiva. Quest’ultima, nello specifico, sarà posta in relazione alla critica “retorica” del metodo sillogistico nel diritto. In seguito, si analizzerà il “diritto dell’informatica”, con particolare attenzione all’AI ACT e al GDPR. Nella seconda parte del corso, si approfondiranno le connessioni tra diritto e società digitale in un senso più ampio. Ci si concentrerà sulle trasformazioni sociali che la società dell’informazione sta attraversando. Verranno in particolare affrontate questioni filosofiche e giuridiche poste dalla pervasività dei social network, dal cambiamento del ruolo dell’opinione pubblica, dalla crisi della democrazia digitale, dal tema della verità delle informazioni nel dibattito pubblico. Le studentesse e gli studenti con disabilità o con Disturbi Specifici dell’Apprendimento (DSA) o con Bisogni Educativi Speciali (BES) possono richiedere servizi e strumenti specifici a loro dedicati rivolgendosi allo Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti e consultando la pagina dedicata del sito di Ateneo: https://uniupo.it/it/servizi/servizi-studentidisabili-e-dsa Le studentesse e gli studenti con disabilità, DSA, BES, una volta preso contatto con lo Staff di Ateneo, possono contattare la/il docente titolare dell'insegnamento in relazione alla declinazione delle modalità di esame, in merito agli aspetti didattici. Nessuno In aggiunta alle lezioni frontali, saranno proposte possibilità di approfondimento individuali. Verranno inoltre organizzati momenti di discussione critica su testi precedentemente indicati ed esercitazioni.

Modalità d'esame

L'esame prevede una parte scritta avente ad oggetto due domande aperte sul testo di Sartor e una parte orale in cui ciascuno porterà un approfondimento elaborato tramite altri materiali forniti a lezione

Testi di riferimento

L'intelligenza artificiale e il diritto (Giovanni Sartor, Giappichelli, 2022); capitoli scelti tratti da Il caso degli Speleologi (Lon Fuller); Argomentazione giuridica e retorica forense (Maurizio Manzin); Essere una macchina (Mark O'Connell) e altri forniti a lezione.

Codice insegnamento MF0612

Filosofia Della Scienza 1° anno · 6 CFU · PHIL-02/A · 0 file

Conoscenza e comprensione: introduzione alle principali tematiche sulle quali si confrontano da tempo filosofi e scienziati impegnati nelia ricerca sull'intelligenza artificiale; tra queste, le definizioni di…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenza e comprensione: introduzione alle principali tematiche sulle quali si confrontano da tempo filosofi e scienziati impegnati nelia ricerca sull'intelligenza artificiale; tra queste, le definizioni di intelligenza e razionalità, la relazione dati-teorie, le diverse forme del ragionamento scientifico (inferenze induttive, deduttive, abduttive e basate sull’analogia) e i relativi contesti di applicazione, i fondamenti filosofici delle diverse nozioni di probabilità e di incertezza, i concetti di causa e di spiegazione, e il ruolo dei valori nella scienza. Tali tematiche saranno trattate in riferimento ai ‘nuovi’ problemi epistemologici sollevati dall’intelligenza artificiale, aprendo la via a loro una loro più ampia comprensione di aspetti centrali quali la spiegabilità, la causalità e i rispettivi ruoli di dati, modelli e teorie nella produzione di conoscenza. Sotto il profilo etico, sarà esplorata la componente epistemologica dei problemi etici posti dall’intelligenza artificiale, con particolare focus su problemi di etica dlla ricerca. Capacità di applicare conoscenza e comprensione: capacità di riconoscere i nuovi problemi concettuali ed etici generati in ambito scientifico dalla trasformazione digitale; capacità di riconoscere bias cognitivi, pregiudizi ed elementi discriminatori in artefatti digitali; capacità di partecipare a gruppi di studio /lavoro interdisciplinari.

Programma

Definire con precisione il metodo scientifico, distinguere la scienza dalla pseudoscienza, individuare quali metodi di ragionamento (deduttivo, induttivo, causale) siano applicabili nei diversi contesti scientifici sono alcuni dei problemi che da più di un secolo vedono impegnata la filosofia della scienza. La trasformazione digitale che stiamo vivendo ha indotto profondi cambiamenti nella ricerca scientifica, che riguardano da un lato la sfera concettuale e metodologica, dall’altro la relazione tra scienza, società e istituzioni. Il corso si articola quindi in tre momenti: una introduzione ai problemi classici della filosofia della scienza, una riflessione sui nuovi problemi legati alla rivoluzione digitale, e una riflessione sul rapporto tra ricerca scientifica e società in una fase di profondo mutamento di entrambe.

1. IL RAGIONAMENTO SCIENTIFICO: Inferenze deduttive, induttive e abduttive. La probabilità e le sue interpretazioni. 2. TEORIE E MODELLI: Le teorie scientifiche. I modelli. La scoperta scientifica. Come cresce la conoscenza scientifica. Dagli esperimenti alla simulazione. I DATI: Come definire i dati. La funzione dei dati. La costruzione dei dati. Big data: una nuova rivoluzione scientifica? Quando i big data danneggiano la qualità della ricerca. 4. SPIEGAZIONE E PREVISIONE: Una scienza senza teorie? Correlare e prevedere. E’ necessaria la spiegazione? Spiegazione ed explainability 5. CAUSALITA:’ Definizioni della causalità per usi scientifici e tecnologici. aprocci formali (cenni) 6. I VALORI NELLA SCIENZA: Scienza e società. Problemi etici. Responsabilità.

Nessuno.

Lezioni frontali, anche con uso di audiovisivi e lavoro di gruppo. La presentazione e discussione da parte delle studentesse e degli studenti di saggi su temi concordati con la docente sono considerate forme di controllo in itinere dell'apprendimento.

Modalità d'esame

Esame orale, consistente in sei domande circa. Le risposte verranno valutate secondo i seguenti criteri: correttezza, proprietà di linguaggio, capacità di elaborazione autonoma. Per coloro che frequentano e presentano una relazione in classe su argomenti concordati con la docente è previsto un numero minore di domande, che verteranno su argomenti diversi da quelli trattati nella relazione.
La sufficienza richiede di rispondere correttamente a quattro domande (se non si presenta una relazione) o a tre domande (se si presenta una relazione).
La votazione è espressa in trentesimi secondo il seguente schema:

  • Non idoneo
    Conoscenza e comprensione argomento: significative carenze e imprecisioni Capacità di analisi e sintesi: irrilevanti, frequenti generalizzazioni Utilizzo di riferimenti: completamente inappropriato
  • 18–20
    Conoscenza e comprensione argomento: molto modesto, imperfezioni evidenti Capacità di analisi e sintesi: appena sufficienti Utilizzo di riferimenti: appena appropriato
  • 21–23
    Conoscenza e comprensione argomento: conoscenza poco più che sufficiente Capacità di analisi e sintesi: discreta capacità di analisi e sintesi, argomenta in modo logico e coerente Utilizzo di riferimenti: utilizza le referenze standard
  • 24–26
    Conoscenza e comprensione argomento: conoscenza buona Capacità di analisi e sintesi: ha buone capacità di analisi e di sintesi, gli argomenti sono esposti coerentemente Utilizzo di riferimenti: utilizza le referenze standard
  • 27–29
    Conoscenza e comprensione argomento: conoscenza più che buona Capacità di analisi e sintesi: ha notevoli capacità di analisi e di sintesi Utilizzo di riferimenti: ha approfondito gli argomenti
  • 30–30 e lode
    Conoscenza e comprensione argomento: conoscenza ottima Capacità di analisi e sintesi: ha notevoli capacità di analisi e di sintesi Utilizzo di riferimenti: significativi approfondimenti.

Testi di riferimento

Okasha, S.,Philosophy of science. A very short Introduction. Oxford University Press 2002, trad. it: Il mio primo libro di filosofia della scienza, Einaudi 2006 (o altre edizioni), capp.1, 2, 3, 5, 7. Leonelli, S., La ricerca scientifica nell'era dei big data. Meltemi 2018. - Slides delle lezioni ed altro materiale pubblicato dalla docente sulla piattaforma DIR.

Codice insegnamento MF0650

Fondamenti Di Sistemi Intelligenti 1° anno · 9 CFU · INFO-01/A · 0 file

Conoscenza e capacità di comprensione: conoscere e comprendere i fondamenti dei sistemi intelligenti basati sulla conoscenza Capacità di applicare conoscenza e comprensione: capacità di applicare i suddetti sistemi a…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenza e capacità di comprensione: conoscere e comprendere i fondamenti dei sistemi intelligenti basati sulla conoscenza
Capacità di applicare conoscenza e comprensione: capacità di applicare i suddetti sistemi a problemi reali anche tratti dai domini degli ambiti applicativi specifici considerati nel corso di studio.
Autonomia di giudizio: giudicare l’appropriatezza dei diversi sistemi, metodologie e formalismi per gestire problemi reali
Abilità comunicative: capacità di illustrare, sia a livello tecnico che non tecnico, le soluzioni proposte per problemi assegnati durante il corso.
Capacità di apprendimento: esercitare la capacità di approfondimento autonomo attraverso la lettura di materiale di approfondimento sugli argomenti del corso.

Programma

Principi e metodologie fondamentali dei sistemi intelligenti basati sulla rappresentazione della conoscenza e ragionamento, ed in particolare di sistemi basati su regole logiche, ontologie e knowledge graphs, sistemi per la pianificazione, ragionamento su vincoli, integrazione di diversi tipi di ragionatori automatici

Concetti di base di logica matematica. Rappresentazione della conoscenza e ragionamento mediante regole logiche, ontologie e knowledge graphs.
Ragionamento su vincoli. Risoluzione dichiarativa di problemi. Asnwer Set Programming.
Supporto alla decisione: principi generali, acquisizione e rappresentazione della conoscenza, metodi inferenziali.
La dimensione temporale: problematiche e metodologie di temporal reasoning.
Planning classico e ricerca nello spazio degli stati. Planning gerarchico, planning in contesti non-deterministici.

Le conoscenze di matematica richieste in ingresso al corso di studio.

Lezioni frontali in aula, esercitazioni.

Modalità d'esame

Esame orale con domande sui vari argomenti del corso, e includente una presentazione di un argomento approfondito tra quelli proposti dai docenti. La valutazione misura la proporzione di raggiungimento dei diversi risultati di apprendimento attesi.

Testi di riferimento

Intelligenza Artificiale. Un approccio moderno. Quarta Edizione. Peter Norvig, Stuart Russel, PEARSON.

Codice insegnamento MF0652

Intelligenza Artificiale E Supporto Alle Decisioni 1° anno · 9 CFU · INFO-01/A · 0 file

Conoscenza e capacità di comprensione Il corso mira ad introdurre le nozioni fondamentali e gli scopi di un agente intelligente secondo la visione corrente dell’IA Capacità di applicare conoscenza e comprensione La…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenza e capacità di comprensione
Il corso mira ad introdurre le nozioni fondamentali e gli scopi di un agente intelligente secondo la visione corrente dell’IA
Capacità di applicare conoscenza e comprensione La conoscenza acquisita permetterà allo studente di:
comprendere le metodiche algoritmiche necessarie per permettere ad un agente di ricercare soluzioni in uno spazio degli stati.
Comprendere l’architettura e i meccanismi di risoluzione di problemi in sistemi basati su precedenti (case-based reasoning).
comprendere il ruolo del ragionamento incerto in un sistema knowledge-based.
comprendere ed applicare le tecniche di modellizzazione ed analisi tramite formalismi a reti probabilistiche;
comprendere ed applicare le nozioni fondamentali di teoria delle decisioni in presenza di incertezza e di utilità multi-attributo
estendere le conoscenze sulle reti probabilistiche alle reti decisionali per modellare ed analizzare decisioni sia di tipo one-shot che di tipo sequenziale
usare ed applicare appositi tools per l’analisi di problemi decisionali.
Autonomia di giudizio: il corso consentirà allo studente di sviluppare un’autonomia di giudizio e porrà lo studente nelle condizioni di valutare le scelte di rappresentazione ed inferenza adeguate per il corretto sviluppo di un sistema di IA in generale e di supporto alle decisioni in particolare.
Abilità communicative: sulla base delle conoscenze acquisite, lo studente potrà sviluppare abilità comunicative e relazionali per poter lavorare in team alla progettazione di sistemi di IA e per poter evidenziare limiti e vantaggi dei vari approcci possibili.
Capacita' di apprendimento: lo studio della disciplina consentirà allo studente di capire quali alternative esistono nella progettazione e programmazione di un sistema intelligente a supporto delle decisioni e di poter scegliere l’approccio più adeguato al compito prefissato.

Programma

Il corso di INTELLIGENZA ARTIFICIALE E SUPPORTO ALLE DECISIONI si compone logicamente di due moduli: Intelligenza Artificiale (6 CFU) e Sistemi Intelligenti di Supporto alle Decisioni (3 CFU).
INTELLIGENZA ARTIFICIALE:
Algoritmi di ricerca nello spazio degli stati; Sistemi di ragionamento
basato su casi; Rapresentazione di conoscenza incerta: probabilita' e Reti
Bayesiane,
SISTEMI INTELLIGENTI DI SUPPORTO ALLE DECISIONI:
Teoria delle decisioni; Utilita’ multi-attributo; Diagrammi di
influenza; Decisioni one-shot e sequenziali.

INTELLIGENZA ARTIFICIALE:
Introduzione e cenni storici sull'AI. Ricerca nello spazio degli stati: ricerca
path-based cieca ed euristica. L'algoritmo A*. Algoritmi di miglioramento
iterativo: hill-climbing e simulated annealing; Cenni su problemi CSP.
Algoritmi per giochi a 2 concorrenti: minimax e alfa/beta pruning.
Rappresentazione della conoscenza: cenni su formalismi logici e a regole.
Sistemi di Case-Based Reasoning; Conoscenza
Incerta: richiami di calcolo delle probabilità. Bayesian Belief Networks
(proprietà ed algoritmi) e uso di tool per il loro sviluppo (Genie, Hugin,
ecc...).
SISTEMI INTELLIGENTI DI SUPPORTO ALLE DECISIONI:
Teoria delle decisioni. Utilita’ multi-attributo. Diagrammi di
influenza Decisioni one-shot e sequenziali.

Algoritmi e strutture dati; Calcolo delle Probabilita’
(consigliati)

Lezioni frontali in aula, esercitazioni tramite piattaforma Moodle, uso di strumenti software.

Modalità d'esame

Esame scritto integrato da eventuale esame orale. Possibilità di presentazione di un progetto pratico.

Testi di riferimento

S. Russell, P. Norvig. Artificial Intelligence: A Modern Approach (4a
edizione), Prentice-Hall. Traduzione italiana pubblicata da Pearson
Education.

Codice insegnamento MF0610

Rappresentazione Della Conoscenza E Logica Computazionale 1° anno · 9 CFU · INFO-01/A · 0 file

Conoscenza e capacità di comprensione: conoscere e comprendere la semantica di diversi formalismi di rappresentazione della conoscenza dichiarativa basati sulla logica, i fondamenti dei metodi di ragionamento…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenza e capacità di comprensione: conoscere e comprendere la semantica di diversi formalismi di rappresentazione della conoscenza dichiarativa basati sulla logica, i fondamenti dei metodi di ragionamento automatico su tale conoscenza, l’espressività e le limitazioni anche computazionali.
Capacità di applicare conoscenza e comprensione: capacità di applicare i suddetti formalismi e metodi a problemi reali, ai fini della risoluzione di problemi con metodi dichiarativi e del riutilizzo di conoscenza per risoluzioni di problemi diversi relativi ad uno stesso dominio.
Autonomia di giudizio: giudicare l’appropriatezza dei diversi formalismi e metodi a problemi reali
Abilità comunicative: capacità di illustrare, sia a livello tecnico che non tecnico, le soluzioni proposte per problemi assegnati durante il corso
Capacità di apprendimento: esercitare la capacità di approfondimento autonomo attraverso la lettura di materiale di approfondimento sugli argomenti del corso.

Programma

Rappresentazione della conoscenza e ragionamento mediante formule e regole logiche, programmazione logica. Programmazione logica a vincoli; Answer Set Programming. Problem solving dichiarativo mediante strumenti di programmazione logica e ASP. Logiche descrittive, logiche temporali.

Rappresentazione della conoscenza e ragionamento automatico in logica. Risoluzione.
Programmazione logica.
La programmazione logica a vincoli; l'Answer Set Programming. Problem solving dichiarativo mediante strumenti di programmazione logica e ASP.
Logiche descrittive, logiche temporali.

Logica Matematica.

Lezioni frontali e sperimentazione in laboratorio.
Le lezioni, oltre a descrivere i formalismi ne discutono le potenzialità e le limitazioni. Le esercitazioni permettono di conoscere strumenti software per utilizzare i diversi formalismi.

Modalità d'esame

Verifica della soluzione di esercizi pratici. Esame scritto. La prova prevede diverse domande, riguardanti argomenti svolti in una parte diversa del programma, ed atte a verificare il raggiungimento degli obiettivi formativi. La valutazione complessiva terrà conto dei risultati conseguiti nelle singole domande.

Testi di riferimento

S. Russell, P. Norvig. Artificial Intelligence: A Modern Approach (3rd edition), Prentice-Hall 2010. P. Hitzler, M. Krötzsch, S. Rudolph, Foundations of Semantic Web, CRC Press, 2010. K. Marriott, P. Stuckey, Programming with Constraints: an Introduction, MIT Press, 1998. M. Gebser, R. Kaminski, B. Kaufmann, and T. Schaub, Answer Set Solving in Practice, Morgan and Claypool, 2012.

Codice insegnamento MF0653

Sistema Impresa 1° anno · 6 CFU · ECON-06/A · 0 file

L’insegnamento è finalizzato a fornire alle studentesse e agli studenti gli strumenti concettuali e metodologici per comprendere il funzionamento delle aziende attraverso una visione sistemica, considerando l’impresa…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento è finalizzato a fornire alle studentesse e agli studenti gli strumenti concettuali e metodologici per comprendere il funzionamento delle aziende attraverso una visione sistemica, considerando l’impresa come parte di un più ampio sistema economico, sociale e ambientale, caratterizzato da interdipendenze con gli stakeholder, il territorio e le altre organizzazioni. L’obiettivo è sviluppare capacità di analisi critica dei principali fenomeni di gestione, organizzazione e rilevazione aziendale e delle relative strategie di sviluppo. Particolare attenzione viene dedicata alle sfide della transizione digitale, dell'intelligenza artificiale, della sostenibilità (ESG), della simbiosi industriale e delle dinamiche finanziarie.

Programma

L’attività didattica è finalizzata a fornire agli studenti e alle studentesse gli strumenti concettuali e metodologici per comprendere il funzionamento delle aziende attraverso una visione sistemica, considerando l’impresa come parte di un più ampio sistema economico, sociale e ambientale, caratterizzato da interdipendenze con gli stakeholder, il territorio e le altre organizzazioni. Analisi del sistema impresa e delle sue condizioni di equilibrio economico, finanziario e patrimoniale. Studio dell'impatto delle sfide ambientali ed energetiche (fattori ESG, simbiosi industriale ed economia circolare), della transizione tecnologica e dell'intelligenza artificiale nei modelli di business, e delle strategie di valorizzazione del capitale umano, della diversità e dell'inclusione culturale e la parità di genere.

Non sono previste prerequisiti e propedeuticità formali vincolanti. È auspicabile una conoscenza di base dei fenomeni economico-sociali-ambientali per interpretare i processi gestionali ed organizzativi dell'impresa.

Lezioni frontali: trattazione dei fondamenti della gestione d’impresa e delle sfide tecnologiche, ambientali e sociali.
Analisi di casi studio e fatti d'attualità: discussione guidata di report aziendali e contributi di ricerca per stimolare lo spirito critico.
Attività individuale di approfondimento: scelta e stesura dell'elaborato tematico da parte delle studentesse e degli studenti.

Testi di riferimento

La preparazione dell’esame si basa sui volumi monografici Open Access dell'editore FrancoAngeli costituiscono i testi di riferimento dello studio:
1. Todaro, N. M., Testa, F., & Frey, M. (2024). Integrare la sostenibilità in azienda. Un percorso strategico, organizzativo e culturale. Milano: FrancoAngeli Series – Open Access (ISBN 9788835168096, Licenza CC-BY-NC-ND 4.0).
https://series.francoangeli.it/index.php/oa/catalog/book/1248
2. Mola, L., & Bazzoni, D. (2026). Intelligenza Artificiale e Management. Strategia, processi e governance nelle organizzazioni. Milano: FrancoAngeli Series – Open Access (ISBN 9788835193371, DOI: 10.3280/oa-1628, Licenza CC-BY-NC-ND 4.0).
https://doi.org/10.3280/oa-1628
Oltre ai testi di riferimento saranno utilizzati materiali didattici selezionati e forniti dal docente, con l’obiettivo di integrare i fondamenti dell’economia aziendale e di impresa con l’analisi delle principali trasformazioni del contesto economico, ambientale, energetico, finanziario e tecnologico. La selezione dei materiali sarà orientata a favorire un approccio applicativo e critico, attraverso l’analisi di situazioni aziendali concrete e di fenomeni emergenti.

Codice insegnamento MF0611

Sistemi Distribuiti E Big Data 1° anno · 12 CFU · INFO-01/A · 0 file

Il corso ha l’obiettivo di illustrare i principi e le attuali soluzioni tecniche e metodologiche per la progettazione e la gestione di sistemi, architetture, e applicazioni distribuite per l’analisi dei Big Data. In…

Scheda dell'insegnamento

Obiettivi formativi

Il corso ha l’obiettivo di illustrare i principi e le attuali soluzioni tecniche e metodologiche per la progettazione e la gestione di sistemi, architetture, e applicazioni distribuite per l’analisi dei Big Data. In particolare, il corso affronta le diverse problematiche inerenti all’acquisizione, memorizzazione e processamento dei Big Data, presentando le principali soluzioni (hardware e software) che sono state proposte per la loro gestione. Il corso inoltre introduce il linguaggio di programmazione Rust e le peculiarità che lo rendono adatto al processamento di Big Data. Il corso prevede esercitazioni di laboratorio al fine di poter combinare gli aspetti metodologici e tecnologici visti in classe.

  • Conoscenze:
    Al termine del corso, lo studente/la studentessa avrà appreso i principi e le principali soluzioni tecniche e metodologiche per la progettazione e la gestione di sistemi, architetture, e applicazioni distribuite per l’analisi dei Big Data nonché concetti avanzati di programmazione in particolare relazione con l’analisi statica (attraverso i tipi) della memoria.
  • Competenze ed abilità:
    Al termine del corso, lo studente/la studentessa avrà appreso le conoscenze per il raggiungimento degli obiettivi formativi, nel modo misurato dal voto d'esame. In particolare, lo studente/la studentessa sarà in grado di approfondire autonomamente argomenti inerenti ai sistemi e alle architetture per Big Data, e di utilizzare tali conoscenze per valutare in maniera critica sistemi e applicazioni esistenti, e affrontare nuovi problemi, e valutare l’appropriatezza della loro implementabilità in Rust.

Programma

Principi e soluzioni tecniche e metodologiche per la progettazione e la gestione di sistemi, architetture, e applicazioni distribuite per l’analisi dei Big Data.

Il corso si compone di tre parti:
1. Parte "Big Data Systems" (6 CFU):

  • Introduzione ai Big Data: motivazioni, principi e problematiche.
  • Sistemi per l'acquisizione dei dati.
  • File system e data store distribuiti.
  • Sistemi per la gestione di risorse di cluster computazionali.
  • Sistemi e framework per il processamento di batch di dati.
  • Sistemi e framework per il processamento di flussi di dati.
    2. Parte "Rust Programming" (3 CFU):
  • Introduzione al Cloud Computing.
  • Teoria e pratica su Google Cloud Platform.
  • Teoria e pratica su Amazon Web Services.
  • Teoria e pratica su OpenStack.
    3. Parte "Cloud Computing" (3 CFU):
    Introduzione alla programmazione in Rust:
  • Gestione della memoria automatica: ownership, borrowing e lifetime di riferimenti.
  • Tipi di dato elementari e strutturati.
  • Gestione degli errori e pattern di programmazione funzionale.
  • Tipi generici e traits
  • Multithreading

Fondamenti di programmazione, basi di dati e sistemi operativi.

Lezioni frontali ed esercitazioni di laboratorio.

Modalità d'esame

La valutazione finale viene stabilita collegialmente dai docenti del corso tenendo conto delle conoscenze e competenze acquisite dalla studentessa/dallo studente verificate attraverso le risposte a una serie di domande teoriche ed esercizi sugli argomenti della parte di "Big Data Systems", lo sviluppo di 7 o 8 esercizi pratici con relativa discussione sugli argomenti trattati nella parte "Rust Programming”, e una discussione orale e la consegna di un esercizio per la parte "Cloud Computing”: su ciascuna delle tre componenti occorre superare una soglia minima.
In particolare, per la parte di "Big Data Systems", ad ogni domanda è associato un punteggio espresso in trentesimi; per raggiungere la sufficienza è necessario ottenere almeno 18 punti, mentre il superamento di 30 punti consente di raggiungere il punteggio di 30 e lode.
Per la parte di "Rust Programming", la sufficienza è raggiunta se lo studente/la studentessa dimostra di aver eseguito in autonomia gli esercizi. Questo viene controllato con una discussione in cui si chiede allo studente/alla studentessa di sviluppare una variazione di alcuni degli esercizi svolti commentandone i punti salienti. I voti poi sono graduati considerando lo stile di programmazione.
Per la parte "Cloud Computing” lo studente deve rispondere ad una serie di domande per raggiungere il voto di 25/30 mentre la consegna e discussione dell'esercizio proposto, può portarlo al voto di 30/30 con lode.
Per ogni parte, si adotta un criterio di valutazione basato sui seguenti livelli di punteggio espresso in trentesimi per un totale di 30 e lode:

  • 0-18/30: determina l'insufficienza della prova e attesta il mancato raggiungimento della comprensione minima degli argomenti del corso (preparazione limitata a nozioni frammentarie, l’incapacità di applicare i procedimenti fondamentali o errori concettuali).
  • 18-20/30: garantisce la sufficienza e attesta la comprensione minima degli argomenti del corso (conoscenze di base complessivamente corrette, applicazione dei procedimenti standard con errori non gravi, motivazioni ed esposizione sufficienti).
  • 21-23/30: dimostra una conoscenza discreta degli argomenti del corso (conoscenze abbastanza complete, applicazione generalmente corretta, capacità di collegamento e terminologia adeguate).
  • 24-26/30: attesta una conoscenza buona degli argomenti del corso (conoscenze solide, procedimenti corretti, motivazioni chiare e capacità di confrontare le principali alternative).
  • 27-29/30: dimostra una conoscenza molto buona degli argomenti del corso (conoscenze approfondite e integrate, autonomia nell'analisi, elevata correttezza metodologica ed espositiva).
  • 30-30 e lode: attesta una conoscenza eccellente degli argomenti del corso (padronanza completa e critica dei contenuti, capacità di affrontare autonomamente quesiti complessi o non ripetitivi, argomentazione rigorosa, precisa e particolarmente chiara). La lode è attribuita quando la prova evidenzia, oltre alla piena correttezza, un livello di approfondimento, autonomia e pensiero critico particolarmente elevato.
    Nella valutazione finale, la parte di "Big Data Systems" pesa per il 50%, quella di "Rust Programming" per il 25%, e infine quella di "Cloud Computing" per il 25%, in coerenza con il numero di CFU erogati per le tre parti.

Testi di riferimento

Per la parte "Big Data Systems", non c'è un libro di testo di riferimento specifico. Il materiale di studio si basa su articoli scientifici, documentazione tecnica e altro materiale fornito dal docente.
Tuttavia, i libri di testo elencati di seguito coprono una buona parte degli argomenti trattati nella prima parte del corso:

  • M. van Steen e A.S. Tanenbaum, "Distributed Systems, 4th ed.," 2023 (scaricabile gratuitamente dal sito web: https://www.distributed-systems.net).
  • M. Kleppman, "Designing Data-Intensive Applications: The Big Ideas Behind Reliable, Scalable, and Maintainable Systems," O'Reilly, 2017.
  • J. S. Damji, B. Wenig, T. Das, e D. Lee, "Learning Spark: Lightning-Fast Data Analytics, 2/E," O'Reilly, 2020.
    Per la parte "Rust Programming" non c'e' un libro di riferimento: il docente fornirà tutto il materiale attraverso le slide, i suoi appunti e link a materiale in rete.
    Per la parte "Cloud Computing", il libro di riferimento è quello scaricabile al seguente link: https://iris.uniupo.it/handle/11579/140999.

Codice insegnamento MF0651

Statistica Computazionale 1° anno · 6 CFU · STAT-01/A · 0 file

Gli obiettivi formativi del corso sono (declinati secondo i descrittori di Dublino): Conoscenza e capacità di comprensione: conoscere e comprendere i metodi statistici introdotti, Capacità di applicare conoscenza e…

Scheda dell'insegnamento

Obiettivi formativi

Gli obiettivi formativi del corso sono (declinati secondo i descrittori di Dublino):

  • Conoscenza e capacità di comprensione: conoscere e comprendere i metodi statistici introdotti,
  • Capacità di applicare conoscenza e comprensione: saperli implementare e interpretare in scenari simulati e reali,
  • Autonomia di giudizio: saper valutare autonomamente quando le metodologie sono applicabili
  • Abilità comunicative: saper comunicare anche a non esperti i risultati, i vantaggi e i limiti delle metodologie implementate
  • Capacità di apprendimento: saper estendere i concetti e le idee viste nel corso a nuovi contesti.

Programma

Introduzione alla statistica computazionale con particolare attenzione a modelli e algoritmi di generazione di variabili casuali, visualizzazione di dati multivariati, inferenza statistica, metodi Monte Carlo, metodi di ricampionamento. Le metodologie studiate a lezione verranno implementate usando il software statistico R.

1. Introduzione e manipolazione dei dati in R.
2. Metodi di generazione dei dati casuali.
3. Statistica Inferenziale (stima puntuale, test di Ipotesi, metodi (non-)parametrici)
4. Tecniche di ricampionamento (bootstrap e jackknife).
5. Introduzione ai processi stocastici (Catene di Markov discrete e continue)
6. Introduzione alla statistica Bayesiana e tecniche MCMC (Monte Carlo Markov Chain)
Gli argomenti del corso potranno subire modifiche a seconda delle esigenze didattiche che emergono durante lo svolgimento dello stesso.

Fondamenti di matematica, probabilità e statistica.

Lezioni teoriche frontali ed esercitazioni in laboratorio. La frequenza alla lezioni è fortemente raccomandata.

Modalità d'esame

L'esame è costituito da una prova orale consistente in domande teoriche e nella discussione di un eventuale elaborato.

Testi di riferimento

  • M. L. Rizzo (2019): Statistical Computing with R, Second Edition. Chapman & Hall, Boca Raton.
  • Materiale a cura del docente.

Codice insegnamento MF0649

Biologia Degli Ambienti, Effetti Uomo Ambiente 2° anno · 9 CFU · BIO/05 · 0 file

Modulo BIOLOGIA DEGLI AMBIENTI, EFFETTI UOMO AMBIENTE: APPLICAZIONI PER LA BIODIVERSITÀ: Conoscere le teorie che governano l'andamento della biodiversità e le tecniche per studiarla, le banche dati genetiche e degli…

Scheda dell'insegnamento

Obiettivi formativi

Modulo BIOLOGIA DEGLI AMBIENTI, EFFETTI UOMO AMBIENTE: APPLICAZIONI PER LA BIODIVERSITÀ:
Conoscere le teorie che governano l'andamento della biodiversità e le tecniche per studiarla, le banche dati genetiche e degli organismi viventi e i principali sistemi per la gestione e la conservazione di habitat e di specie. Acquisire la capacità di elaborare ed interpretare dati raccolti in natura e saperli porre in relazione con le caratteristiche dell'ambiente esterno Saper individuare il ruolo e le conseguenze dei diversi interventi antropici nella gestione e conservazione della natura. Saper utilizzare software e applicative per l’analisi del DNA di specie animali.

Modulo BIOLOGIA DEGLI AMBIENTI, EFFETTI UOMO AMBIENTE: RETI METABOLICHE:
Il modulo di insegnamento ha l'obiettivo di fornire allo studente conoscenze relative all’evoluzione delle reti metaboliche in relazione alle variazioni ambientali.
Conoscenza e capacità di comprensione: acquisizione di conoscenze relative allo sviluppo delle reti metaboliche all’interno degli organismi, conoscenza delle relazioni con le variazioni dell’ambiente sia in contesti fisiologici sia in contesti patologici.
Capacità di applicare conoscenza e comprensione: lo studente con la conoscenza acquisita sarà in grado di comprendere i tratti distintivi e peculiari dei processi metabolici nelle relazioni tra uomo e ambiente e di individuarne i tratti applicativi.
Autonomia di giudizio: abilità a comprendere e discutere criticamente le conoscenze acquisite. Abilità a comprendere e discutere criticamente i risultati ottenuti nel campo della biochimica metabolica.
Abilità comunicative: Dimostrare capacità di estrarre e sintetizzare l'informazione rilevante, perfezionamento del lessico disciplinare in ambito biochimico nonché della capacità di descrivere, con chiarezza e senso critico, fenomeni e problematiche relative alle reti metaboliche anche ai non addetti ai lavori.
Capacità di apprendimento: capacità di leggere, comprendere e commentare un testo scientifico di biochimica metabolica in lingua inglese Acquisizione della capacità di approfondire e aggiornare criticamente obiettivi e/o i risultati di un piano di ricerca secondo un approccio sia quantitativo che qualitativo.

Modulo BIOLOGIA DEGLI AMBIENTI, EFFETTI UOMO AMBIENTE: MODELLI MICROBIOLOGICI E GENETICI:
Conoscenza e capacità di comprensione: acquisizione di conoscenze relative alle tecnologie impiegate per lo studio del microbiota, dell’evoluzione dei genomi, dell’epigenetica e dell’editing genomico. Capacità di applicare conoscenza e comprensione: lo studente/la studentessa applicherà le conoscenze acquisite per integrare i dati provenienti da analisi del microbiota, e/o derivanti dallo studio dei processi genetici con l’impiego dell’intelligenza artificiale. Autonomia di giudizio: capacità di analizzare con senso critico gli elementi legati alla scelta del migliore metodo da applicare in base alle problematiche da affrontare, autonomia di giudizio nella valutazione critica dei dati ricavati dall’analisi del microbiota e dall’analisi del genoma. Abilità comunicative: perfezionamento del lessico disciplinare nell’ambito della genetica e della microbiologia secondo gli standard internazionali. Abilità di relazionare sulle tematiche presentate durante il corso con un linguaggio scientifico appropriato. Capacità di apprendimento: acquisizione della capacità di approfondire criticamente ed aggiornare in maniera autonoma le competenze acquisite, tramite lettura di testi ed articoli scientifici. Capacità di utilizzare il materiale didattico per uno studio critico.

Programma

Modulo BIOLOGIA DEGLI AMBIENTI, EFFETTI UOMO AMBIENTE: APPLICAZIONI PER LA BIODIVERSITÀ:
Teoria e parti pratiche volte allo studio della biodiversità. Verrano fornite nozioni di base di ecologia applicata alla caratterizzazione della biodiversità, identificazione delle relative minacce, metodi di campionamento, studio e gli indici per il monitoraggio ambientale. Verrano affrontati concetti di ecologia del paesaggio, genetica di popolazione ed in particolare i metodi per la biodiversità basati sullo studio del DNA. Infine, verranno presentati i principali database sui dati di biodiversità disponibili online ed utilizzati dalla comunità scientifica. Verrano impiegati softwares e pacchetti applicativi dedicati all’analisi di dati genomici delle specie animali.

Biodiversità concetto e minacce. Tecniche di censimento e indici per il monitoraggio ambientale. Generalità su teoria e tecniche di censimento e sul campionamento, affidabilità e precisione delle stime, bilancio precisione/costi. Uso di tecniche di censimento e indici applicati a vari taxa di viventi: invertebrati, pesci, anfibi, rettili, uccelli e mammiferi. Ecologia del paesaggio: il paesaggio come mosaico, il modello patch-corridoio-matrice. Effetto della scala spaziale nelle indagini ecologiche. Le patches: dimensione, confronti LOS e SLOSS. Frammentazione dell’habitat. Effetti su numero di specie, biodiversità, produttività e biomassa, erosione, idrologia. Dimensione ottimale e area minima, genetica in una patch (MVP, popolazione vitale minima). Zone di margine. Corridoi: funzione come habitat, condotti, filtri, source e sink. Matrice: Cartografia: proiezioni cartografiche, sistemi di coordinate geografiche, latitudine-longitudine e sistema UTM. Costruzione di mappe di interesse ecologico. I sistemi GIS, il telerilevamento e sistemi informativi per l’ambiente. GIS: utilizzo di software dedicati. Files vettoriali, gli oggetti: punti, linee, poligoni, aree. I layers, costruzione di mappe tematiche. Files raster: utilizzo e gestione delle immagini raster. Dati genetici ottenuti in laboratorio o ricerca in banche dati (Genbank, BoldSystem, Malavi). Software dedicati alla gestione dei dati genomici, alla costruzione di alberi filogenetici, alla visualizzazione delle relazioni tra specie e alla biodiversità animale. Banche dati di biodiversità (es. Gbif).

conoscenze di base in zoologia ed ecologia.

Lezioni frontali in aula con presentazioni powerpoint e lezioni pratiche sull'analisi dei dati. Utilizzo di pc in aula informatica per esercitazioni su software GIS (es. QGIS), pacchetti R e software per elaborazioni-visualizzazioni di dati genetici.

Modulo BIOLOGIA DEGLI AMBIENTI, EFFETTI UOMO AMBIENTE: RETI METABOLICHE:
Il funzionamento dei sistemi cellulari dipende dal metabolismo; nel corso dell'evoluzione le reti metaboliche dell'organismo umano si sono adattate all'ambiente

Il metabolismo cellulare e di organismo come funzione energetica. Interrelazioni tre le vie metaboliche: reti metaboliche.
Evoluzione delle reti metaboliche nell'organismo umano in relazione alle variazioni dell'ambiente. Differenze fra condizioni fisiologiche e patologiche. Reti di segnalazione, reti nutrizionali e reti neuronali.

Nozioni di base relative alla biologia (cellule, organismi) e alle macromolecole biologiche

lezioni frontali con presentazioni powerpoint, esercizi guidati; commenti di letteratura scientifica

Modulo BIOLOGIA DEGLI AMBIENTI, EFFETTI UOMO AMBIENTE: MODELLI MICROBIOLOGICI E GENETICI:
Le interazioni uomo/microrganismo e ambiente/microrganismo. Modelli microbiologici di comunità complesse: - il concetto di microbioma umano - i diversi microbioti dell’organismo umano - i biofilm. Le tecnologie impiegate per lo studio delle comuità microbiche, dell’evoluzione dei genomi e dell’epigenetica.

Il concetto di biodiversità microbica nei vari ambienti. Le interazioni uomo/microrganismo e microrganismo/ambiente. Definizioni e caratteristiche di microbioma/microbiota. I diversi microbioti dell’organismo umano e le loro connessioni. Metodi utilizzati per analizzare la biodiversità microbica, tra cui tecniche di sequenziamento del DNA, tecniche per la profilazione di comunità microbiche complesse, metagenomica e bioinformatica. Altri esempi di comunità microbiche complesse: i biofilm monospecie e multispecie, metodiche di analisi e meccanismi di ricombinazone genica tra i membri della comunità. Concetti di base e tecnologie per lo studio dell’evoluzione dei genomi e dell’epigenetica. Durante le lezioni ci saranno dei momenti di approfondimento dedicati alle scienziate che hanno dato un contributo importante alla microbiologia.

Conoscenze di base della cellula acquisibili nei precedenti percorsi scolastici.

Il corso prevede lezioni frontali svolte in aula. Argomenti di particolare interesse e attualità saranno discussi in aula con la lettura di pubblicazioni scientifiche in lingua inglese. Al termine di ogni argomento trattato nel corso, verranno effettuate esercitazioni in aula per verificare l'apprendimento dei concetti fondamentali.

Modalità d'esame

Modulo BIOLOGIA DEGLI AMBIENTI, EFFETTI UOMO AMBIENTE: APPLICAZIONI PER LA BIODIVERSITÀ:
Esame orale. La prova prevede la presentazione di un elaborato precedentemente preparato partendo da dati disponibili dei database pubblici online, sulla base del quale verrano effettuate domande per verificare l'apprendimento delle nozioni fornite durante il corso.

Modulo BIOLOGIA DEGLI AMBIENTI, EFFETTI UOMO AMBIENTE: RETI METABOLICHE:
L’esame consiste in un colloquio orale con domande volte a valutare le conoscenze teoriche sugli argomenti trattati a lezione

Modulo BIOLOGIA DEGLI AMBIENTI, EFFETTI UOMO AMBIENTE: MODELLI MICROBIOLOGICI E GENETICI:
Esame scritto con due domande a risposta aperta volte a valutare conoscenze, nozioni e capacità critica acquisite dallo studente e 6 domande a risposta multipla. Le domande a risposta multipla potranno essere delle seguenti tipologie: - Domanda a risposta multipla con una sola risposta vera - Domande vero/falso - Domande a completamento di parole - Il voto finale sarà dato dalla somma dei punteggi relativi a ciascuna domanda. Verrà inoltre valutata la capacità di rispondere alle domande a risposta aperta utilizzando un linguaggio tecnico-scientifico appropriato.

Testi di riferimento

Modulo BIOLOGIA DEGLI AMBIENTI, EFFETTI UOMO AMBIENTE: APPLICAZIONI PER LA BIODIVERSITÀ:
Sutherland, W.J. (2006). Ecological Census Techniques: A Handbook. Cambridge University Press. Frankham, R. et al. (2017). Genetic Management of Fragmented Animal and Plant Populations. Oxford University Press.
Verranno fornite le slide ed i materiali di approfondimento su DIR.

Modulo BIOLOGIA DEGLI AMBIENTI, EFFETTI UOMO AMBIENTE: RETI METABOLICHE:
Appling, Anthony-Cahill, Mathews. BIOCHIMICA Molecole e metabolismo –
Pearson
Biochimica della Nutrizione - Pignatti - Ed. Esculapio 2022
Research article: Robinson, et al., An atlas of human metabolism. Sci. Signal. 13, eaaz1482 (2020)

Modulo BIOLOGIA DEGLI AMBIENTI, EFFETTI UOMO AMBIENTE: MODELLI MICROBIOLOGICI E GENETICI:
-BROCK Biology of microorganisms Madigan • Bender • Buckley • Sattley • Stahl -The Human Microbiota and Microbiome Edited by Julian R. Marchesi -Human Microbiome in Health and Disease. Part A and Part B Editors: Bhabatosh Das, Vijai Singh - Articoli scientifici - Materiale a cura del docente

Codice insegnamento MF0628

Calcolabilità E Complessità 2° anno · 6 CFU · INF/01 · 0 file

Conoscenza e capacità di comprensione: Il corso introduce concetti fondamentali di calcolabilità e di complessità strutturale. La presentazione è basata sul modello di Macchina di Turing. Vengono spiegate tecniche per…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenza e capacità di comprensione:
Il corso introduce concetti fondamentali di calcolabilità e di complessità strutturale. La presentazione è basata sul modello di Macchina di Turing. Vengono spiegate tecniche per analizzare e confrontare la potenza di modelli di calcolo da una parte e la difficoltà di problemi dall'altra (simulazione, diagonalizzazione, dove-tailing e riduzione). Tali tecniche vengono applicate sia nell'ambito della calcolabilità che della complessità, per ottenere risultati classici quali la tesi di Church, l'esistenza e alcune proprietà di problemi non decidibili, proprietà di linguaggi e formalismi Turing-completi, la giustificazione dell'uso dell'O-grande in complessità, proprietà delle gerarchie di problemi rispetto alla loro difficoltà, l'esistenza di problemi NP-completi e la potenza della risorsa spazio rispetto al tempo.
Capacita' di applicare conoscenza e comprensione:
-capacità di confrontare modelli di calcolo
-capacità di applicare metodologie di analisi della inerente difficoltà dei problemi
-in particolare capacità di riconoscere il contesto in cui applicare le tecniche dimostrative di simulazione, riduzione e diagonalizzazione
-capacità di applicare le tecniche descritte in casi semplici.
Come effetto collaterale, verranno consolidate le competenze di programmazione.
Autonomia di giudizio:
verranno acquisiti strumenti , tecnici e cognitivi, che sono potenti e di ampia applicabilità, e si imparerà a riconoscere i limiti degli strumenti che dell'informatica, competenza fondamentale per essere in grado di porsi obiettivi raggiungibili, ridimensionando le richieste, e accettando soluzioni approssimate.
Abilità comunicative:
Per ottenere tali obbiettivi, verrà acquisito un linguaggio formale specifico. Inoltre verrà migliorata la padronanza della lingua inglese a livello tecnico informatico.
Capacita' di apprendimento:
si affinerà il rigore delle capacità di ragionamento logico. Mettendo in discussione l'onnipotenza degli strumenti di calcolo, si acquisirà un nuovo punto di vista dal quale rivedere quanto appreso nei corsi precedenti. Infine, gli strumenti tecnici e cognitivi che vengono sviluppati in questo corso sono applicabili a tutte le aree dell'informatica e dunque sono un arricchimento a prescindere dalle specifiche nozioni affrontate nel corso.

Programma

Il corso di calcolabilità e complessità è una sorta di pausa di riflessione sull'informatica in sé, che dà una distintiva profondità e ampiezza di visione e fornisce potenti strumenti tecnico-cognitivi di ampia applicabilità. Il corso si concentra sul significato di computazione, attraverso l'analisi dei modelli di calcolo e della loro potenza, e sulla inerente difficoltà dei problemi (non dei singoli algoritmi), mettendoli in relazione dal punto di vista delle risorse che richiedono. Invece di proporre tecniche e strumenti per realizzare sistemi e risolvere problemi, in questo corso ci si domanda se con un computer si può fare tutto: la risposta è no, in alcuni casi è proprio impossibile, in altri ci vuole troppo tempo o troppa memoria. Conoscere i limiti degli strumenti che si adoperano è fondamentale per essere in grado di porsi obiettivi raggiungibili, ridimensionando le richieste, accettando soluzioni approssimate. Le risposte che si ottengono in questo corso sono del tutto generali, valide e significative in qualunque ambito dell'informatica. In particolare, motivano e validano da un punto di vista teorico l’adozione delle tecniche tipiche dell’Intelligenza Artificiale.

Introduzione alla calcolabilità:
La prima parte di programma è volta all'acquisizione di tecniche formali e di strumenti per l'analisi e la formalizzazione del concetto di calcolabilità (Macchine di Turing, definizioni formali e funzionamento. Confronto di modelli diversi di macchina. Tecnica di simulazione. Funzioni calcolabili secondo Turing.)
Segue una formalizzazione basilare di classi di difficoltà di problemi in base ad aspetti puramente di calcolabilità, senza tenere conto di limiti di risorse (Insiemi ricorsivi e ricorsivamente enumerabili. Enumeratori.).
Il discorso prosegue con risultati generali e fondamentali che, nel seguire l'evoluzione storica, forniscono un primo raccordo con il mondo dell'informatica attuale (Tesi di Church, Codifica di macchine di Turing e macchina universale).
Seguono risultati negativi che sottolineano i limiti degli strumenti informatici e vengono contestualmente forniti strumenti per l'estensione di tali risultati negativi (Diagonalizzazione, Esistenza di funzioni non calcolabili, Dimostrazioni del fatto che un insieme non è ricorsivo o non è ricorsivamente enumerabile, Indecidibilità, problema dell'HALT, riduzioni e teorema di Rice).
Infine, la parte di calcolabilità si conclude rapportando gli strumenti e i risultati appresi, ad aspetti dell'informatica che si usano tutti i giorni o noti agli studenti da altri corsi (Importanza del costrutto "while" nei linguaggi di programmazione, Confronto di macchine di Turing con modelli di calcolo piú deboli (automi a stati finiti e a pila), grammatiche illimitate e dipendenti da contesto e ricorsività).
Introduzione alla complessità strutturale: la parte di complessità relativizza l'analisi e la formalizzazione fatte precedentemente, nonché gli strumenti introdotti, ad una situazione piú realistica in cui le risorse sono limitate; si focalizza in particolare sul rapporto tra la difficoltà di problemi, e il significato delle classi di complessità nondeterministiche. (Misure di complessità, modelli e rappresentazione di problemi. Teorema di accelerazione lineare. Macchine di Turing non deterministiche, significato di non determinismo. Le classi P ed NP, problemi in NP, riduzioni polinomiali, NP-completezza, SAT e il teorema di Cook. Complessità in termini di spazio, relazioni tra complessità in termini di spazio e tempo, e spazio non deterministico e tempo; teorema di Savitch. Esistenza di problemi di complessità arbitraria, teoremi della gerarchia e funzioni time e space constructible.)

Conoscenza dei concetti fondamentali di programmazione, logica, analisi, e preferibilmente di architetture degli elaboratori e linguaggi formali. Per le attività di didattica interattiva, capacità di programmare in Java o Python.

Il corso consta di lezioni teoriche in aula e di attività in laboratorio. L' attività in laboratorio è parte integrante del corso.
A lezione vengono presentati in modo formale definizioni e teoremi (con le rispettive dimostrazioni) per comunicare le nozioni, lavorare sul rigore del ragionamento logico e insegnare la terminologia formale. In particolare viene posta enfasi sulle tecniche alla base delle dimostrazioni e dei ragionamenti, confrontandone l'applicazione in vari ambiti, a supporto della concettualizzazione delle stesse e come stimolo per acquisirle a guisa di strumento di lavoro di utilizzo piú vasto.
Inoltre si incoraggia la partecipazione suggerendo l'applicazione di tecniche, sviluppando il ragionamento con il richiamo di concetti fondamentali e risultati già presentati nel corso.
In laboratorio si richiede la realizzazione di progetti software per approfondire la comprensione dei modelli studiati e per cogliere fino in fondo il carattere costruttivo delle dimostrazioni di quasi tutti i teoremi presentati durante il corso. La partecipazione in laboratorio trasforma per ciascuna persona l'eventuale frequenza passiva in esigenza di confrontarsi attivamente con le nozioni e i risultati che si studiano, e specialmente con i ragionamenti seguiti.
Sulla piattaforma DIR sono a disposizione: tutte le informazioni pratiche sul corso, indicazioni sui libri di testo e il programma, materiale didattico aggiuntivo, argomenti trattati e indicazioni bibliografiche per ogni singola lezione compilati subito dopo la lezione, specifiche ed eventuale materiale aggiuntivo per l'attività che si svolge in laboratorio. In tal modo, chi frequenta può rivedere e approfondire l'attività di ciascuna lezione; coloro che non frequentano hanno a disposizione tutto il materiale per mantenersi al passo con il corso oppure per prepararsi in autonomia.
Poiché il libro di testo consigliato è in inglese, lo studio sarà uno strumento per migliorare la propria padronanza del linguaggio tecnico informatico in inglese.

Modalità d'esame

Esame orale
L'esame orale consta in media di tre domande: una generale introduttiva sui metodi formali, una su argomenti di calcolabilità e una riguardante argomenti di complessità. Lo scopo è verificare la comprensione dei concetti fondamentali e che l'esposizione sia fatta con proprietà di linguaggio, che siano stati acquisiti gli strumenti metodologici e li si sappiano applicare. Pertanto viene richiesto da una parte di esporre definizioni e dimostrazioni, e dall'altra di ragionare su contesti leggermente modificati o di fare collegamenti tra argomenti diversi trattati nel corso, o di applicare le tecniche apprese a problemi visti durante il corso o simili. Durante il colloquio si verifica anche il livello di formalità raggiunto nell'espressione e nel ragionamento.
Il numero di domande poste all'orale è puramente indicativo perché, a seconda del modo in cui vengono date le risposte (formalità, chiarezza, completezza, precisione,...), possono essere necessarie piú domande o ne possono bastare meno per verificare che gli obiettivi formativi siano stati raggiunti.
Si ottiene la sufficienza dimostrando di avere raggiunto il livello Comprensione della tassonomia di Bloom in almeno tre degli argomenti richiesti e la capacità di esprimersi correttamente nel linguaggio tecnico. Si ottiene l'eccellenza mostrando una conoscenza solida degli argomenti trattati nel corso, padronanza degli strumenti metodologici, capacita di analisi e confronto, con utilizzo preciso del linguaggio tecnico.
Precisamente, i voti vengono assegnati secondo la seguente griglia di valutazione:

Testi di riferimento

Testo principale: Thomas A. Sudkamp, Languages and Machines, Pearson International Edition, 2006. Per alcune (poche) parti: C. Papadimitriou, Computational Complexity, Addison-Wesley, 1994. Consultazione, per l’NP-completezza: Garey-Johnson, Computers and Intractability, Freeman, 1979. Del materiale aggiuntivo è fornito sul sito online del corso.

Codice insegnamento MF0655

Cybersecurity E Informatica Forense 2° anno · 9 CFU · INF/01 · 0 file

L’insegnamento concorre agli obiettivi formativi del Corso di Studio fornendo conoscenze e strumenti metodologici per analizzare la sicurezza dei sistemi informatici, valutare vulnerabilità e contromisure e affrontare…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento concorre agli obiettivi formativi del Corso di Studio fornendo conoscenze e strumenti metodologici per analizzare la sicurezza dei sistemi informatici, valutare vulnerabilità e contromisure e affrontare correttamente un incidente informatico.
Al termine dell’insegnamento, la studentessa o lo studente dovrà essere in grado di:
1. descrivere i requisiti fondamentali di sicurezza di sistemi e applicazioni software;
2. spiegare le principali vulnerabilità software e web, le tecniche di attacco che le sfruttano e le relative contromisure;
3. applicare in contesti controllati metodologie di analisi delle vulnerabilità e penetration testing;
4. descrivere le fasi di gestione di un incidente informatico;
5. acquisire e analizzare evidenze digitali senza alterarne il contenuto, documentandone integrità, provenienza e catena di custodia;
6. correlare evidenze eterogenee per ricostruire gli eventi rilevanti di un incidente;
7. motivare le scelte tecniche adottate e comunicarne risultati, limiti e implicazioni con terminologia appropriata.
L’insegnamento attribuisce 9 CFU e prevede 72 ore complessive di attività didattica, articolate in 24 ore di didattica erogativa e 48 ore di didattica interattiva. Il carico complessivo convenzionale è pari a 225 ore, delle quali 153 sono dedicate allo studio individuale e all’autoapprendimento.

Programma

L’insegnamento affronta la sicurezza informatica e l’informatica forense come ambiti complementari. La prima parte riguarda l’analisi delle vulnerabilità dei sistemi e delle applicazioni software, le principali tecniche di attacco, e le relative contromisure. La seconda parte riguarda la risposta agli incidenti e la digital forensics: individuazione, acquisizione, conservazione, analisi e correlazione delle evidenze digitali, nel rispetto dei requisiti di integrità, tracciabilità e ripetibilità. Le attività teoriche sono affiancate da esempi ed esercitazioni di laboratorio su casi semplificati.

1. Fondamenti di sicurezza informatica

  • Proprietà e requisiti di sicurezza: riservatezza, integrità, disponibilità, autenticità e accountability.
  • Minacce, vulnerabilità, rischio, attacco e contromisura.
  • Principi di difesa in profondità, minimo privilegio e riduzione della superficie di attacco.
    2. Sicurezza del software
  • Vulnerabilità di buffer overflow.
  • Tecniche di sfruttamento del buffer overflow.
  • Attacco return-to-libc.
  • Vulnerabilità e attacchi format string.
  • Contromisure a livello di compilatore, sistema operativo e applicazione.
  • Analisi controllata di codice vulnerabile.
    3. Evidenza digitale e principi di digital forensics
  • Proprietà dell’evidenza digitale.
  • Integrità, autenticità, ripetibilità e riproducibilità.
  • Identificazione, raccolta, acquisizione, conservazione, analisi e presentazione.
  • Hashing, imaging forense, write blocker e catena di custodia.
  • Distinzione tra dato osservato, interpretazione e conclusione.
    4. Acquisizione delle evidenze
  • Acquisizione da computer e supporti di memorizzazione.
  • Acquisizione da dispositivi mobili.
  • Acquisizione da dispositivi e infrastrutture di rete.
  • Dati persistenti e dati volatili.
  • Verifica dell’integrità e documentazione delle operazioni.
    5. Analisi e correlazione delle evidenze
  • File system, metadati e artefatti di sistema.
  • Log, timeline ed eventi.
  • Artefatti di applicazioni, browser e comunicazioni.
  • Evidenze di rete.
  • Correlazione tra fonti eterogenee.
  • Ricostruzione degli eventi e valutazione dei limiti dell’analisi.
    6. Attività applicative
  • Esercitazioni in ambiente controllato su vulnerabilità e contromisure.
  • Analisi di scenari di incidente.
  • Acquisizione e verifica di immagini forensi.
  • Analisi e correlazione di artefatti digitali.
  • Redazione sintetica di risultati tecnici e conclusioni motivate.
    Integrazione della dimensione di genere
    L’insegnamento richiama l’attenzione sull’uso di un linguaggio tecnico inclusivo e sulla necessità di considerare, nella progettazione delle misure di sicurezza e nell’analisi degli incidenti, l’impatto delle tecnologie su persone e gruppi diversi, evitando assunzioni o interpretazioni discriminatorie.

Per affrontare proficuamente l’insegnamento è necessario possedere conoscenze consolidate di:

  • architettura dei sistemi di elaborazione;
  • sistemi operativi, processi, memoria, file system e meccanismi di protezione;
  • reti di calcolatori e protocolli di comunicazione;
  • programmazione in linguaggio C;
  • rappresentazione binaria dei dati e gestione della memoria;
  • uso di base di ambienti Unix/Linux e della riga di comando.
    È inoltre utile saper leggere e comprendere frammenti di codice, tracce di esecuzione, log di sistema e traffico di rete. Eventuali propedeuticità formali sono quelle previste dal Regolamento didattico del Corso di Studio.

L’insegnamento combina didattica erogativa e didattica interattiva.
La didattica erogativa comprende lezioni in presenza dedicate ai principi della sicurezza informatica, alle vulnerabilità software e web, alle tecniche di attacco e difesa, e alla digital forensics. I contenuti sono illustrati mediante esempi, schemi e analisi di casi.
La didattica interattiva comprende esercitazioni, attività di laboratorio e challenge CTF (Capture the Flag) sia per la parte di Cybersecurity sia per la parte di Digital Forensics, svolte in ambienti controllati e su casi semplificati. Le attività sono finalizzate a:

  • riconoscere vulnerabilità e comprendere il funzionamento di attacchi selezionati;
  • individuare contromisure adeguate;
  • analizzare log, artefatti e altre fonti di evidenza digitale;
  • applicare procedure di acquisizione e verifica dell’integrità;
  • correlare evidenze e ricostruire una sequenza di eventi;
  • documentare in forma sintetica il procedimento seguito, gli strumenti utilizzati e le evidenze che hanno condotto all’individuazione delle flag;
  • discutere criticamente le scelte metodologiche e i limiti delle conclusioni raggiunte.
    Le attività offensive sono svolte esclusivamente in ambienti autorizzati e controllati, con finalità didattiche e difensive. La piattaforma DIR mette a disposizione materiali, istruzioni operative e un modello sintetico per la documentazione delle attività, utilizzabili anche da chi non frequenta.

Modalità d'esame

L’esame prevede una prova scritta obbligatoria e una prova orale facoltativa. La prenotazione deve essere effettuata tramite ESSE3 per ciascun appello.
La prova scritta, individuale e svolta sui computer del laboratorio didattico, dura 2 ore e consiste nella risoluzione di una o più challenge. Queste richiedono di analizzare scenari, dati o reperti digitali, individuare vulnerabilità o evidenze rilevanti e applicare i metodi e gli strumenti trattati nell’insegnamento. Per ciascuna challenge possono essere richiesti la soluzione o la flag, una sintesi del procedimento, l’interpretazione degli output e la motivazione delle scelte tecniche.
La prova scritta verifica:

  • la capacità di applicare metodi e strumenti di Cybersecurity e Digital Forensics;
  • la capacità di analizzare vulnerabilità, incidenti, dati ed evidenze digitali;
  • la correttezza del procedimento e dei risultati;
  • la capacità di interpretare output e risultati intermedi, motivare le scelte tecniche e riconoscere errori o alternative;
  • l’autonomia operativa e l’uso appropriato della terminologia specialistica.
    La valutazione considera correttezza e completezza delle soluzioni, appropriatezza di strumenti e metodi, interpretazione delle evidenze e chiarezza nella documentazione del procedimento. La prova è valutata in trentesimi ed è superata con almeno 18/30.
    La sufficienza richiede l’individuazione degli elementi essenziali delle challenge e soluzioni complessivamente corrette, ottenute mediante un procedimento tecnicamente adeguato, pur con incompletezze o imprecisioni non sostanziali. Valutazioni più elevate richiedono soluzioni complete e rigorose, uso consapevole degli strumenti, corretta interpretazione delle evidenze e autonomia nell’affrontare situazioni complesse. L’eccellenza richiede piena correttezza, autonomia, rigore metodologico e motivazione critica delle scelte.
    Dopo aver superato lo scritto, la candidata o il candidato può sostenere una prova orale facoltativa sugli aspetti metodologici del corso. L’orale verifica la comprensione dei metodi di Cybersecurity e Digital Forensics, la capacità di collegare principi e procedure, discutere criticamente limiti, errori e alternative ed esporre le argomentazioni con chiarezza e proprietà di linguaggio.
    Se l’orale non viene sostenuto, il voto finale coincide con quello dello scritto. Se viene sostenuto, può confermarlo o modificarlo, in aumento o in diminuzione, fino a 3 punti. L’orale non può compensare uno scritto insufficiente. La lode può essere attribuita con uno scritto valutato 30/30 e un orale eccellente, caratterizzato da piena padronanza metodologica, autonomia di giudizio e particolare chiarezza espositiva. Il/La docente può convocare lo/la studente per un esame orale integrativo volto a confermare l’esito della prova scritta.
    Livelli di valutazione:
  • insufficiente: preparazione frammentaria, incapacità di applicare i procedimenti fondamentali, mancata comprensione delle soluzioni pratiche o errori concettuali rilevanti;
  • 18-20/30: conoscenze essenziali e applicazione dei procedimenti fondamentali con errori non gravi;
  • 21-23/30: conoscenze abbastanza complete e applicazione generalmente corretta;
  • 24-26/30: conoscenze solide, analisi corrette e motivazioni chiare;
  • 27-29/30: conoscenze approfondite, autonomia di analisi ed elevata correttezza metodologica e tecnica;
  • 30/30 e 30 e lode: padronanza completa e critica, piena comprensione delle attività pratiche e argomentazione rigorosa e particolarmente chiara. La lode richiede un livello particolarmente elevato di approfondimento, autonomia e qualità espositiva.
    Per preparare lo scritto sono indispensabili lo svolgimento personale delle attività pratiche e la revisione delle relative soluzioni e della documentazione disponibile su DIR. Per l’eventuale orale è indicato lo studio dei testi e dei materiali sugli aspetti metodologici del corso pubblicati su DIR. Sono previsti sei appelli annuali, le cui date sono pubblicate su ESSE3.

Testi di riferimento

Testi principali:
1. W. Du, Computer & Internet Security: A Hands-on Approach, 3rd edition. Il testo costituisce il riferimento principale per i principi di sicurezza informatica, le vulnerabilità del software e delle applicazioni web, le tecniche di attacco e le relative contromisure. I capitoli indicati durante l’insegnamento sono coordinati con le esercitazioni e con le attività CTF di Cybersecurity.
2. J. Kävrestad, M. Birath, N. Clarke, Fundamentals of Digital Forensics: A Guide to Theory, Research and Applications, 3rd edition, Springer, 2024, ISBN 978-3-031-53648-9. Il testo costituisce il riferimento principale per i principi, le metodologie e gli strumenti di acquisizione, conservazione, analisi e correlazione delle evidenze digitali e per le attività CTF di Digital Forensics.
Testi consigliati per approfondimento:
G. Johansen, Digital Forensics and Incident Response, 3rd edition, Packt Publishing, 2022, ISBN 978-1-80323-867-8. Il testo approfondisce gli aspetti operativi e organizzativi dell’incident response e la loro integrazione con le indagini forensi.
D. Andriesse, Practical Binary Analysis, No Starch Press, 2018, ISBN 978-1-59327-912-7. Il testo è consigliato per approfondire l’analisi degli eseguibili e le tecniche di sicurezza del software.
I materiali pubblicati sulla piattaforma DIR, comprendenti presentazioni, istruzioni di laboratorio, challenge CTF, esempi e documentazione tecnica, costituiscono parte integrante del materiale di studio. Per ciascuna parte del programma sono indicati sulla piattaforma i capitoli e i materiali necessari alla preparazione della prova scritta e della discussione orale.

Codice insegnamento MF0654

Democrazia Digitale 2° anno · 9 CFU · SPS/02 · 0 file

CONOSCENZA E CAPACITA’ DI COMPRENSIONE: Il corso si concentra sulla crisi del modello democratico classico nel XXI secolo analizzandone le cause e le dinamiche, con particolare attenzione per lo sviluppo tecnologico,…

Scheda dell'insegnamento

Obiettivi formativi

CONOSCENZA E CAPACITA’ DI COMPRENSIONE: Il corso si concentra sulla crisi del modello democratico classico nel XXI secolo analizzandone le cause e le dinamiche, con particolare attenzione per lo sviluppo tecnologico, informatico, digitale e i suoi effetti sulle idee politiche e sui sistemi istituzionali. CAPACITA’ DI APPLICARE CONOSCENZA E COMPRENSIONE Sviluppo di capacità comunicativa e di esposizione sintetica del modello di democrazia, e dell’analisi dell’interazione tra di esso e lo sviluppo tecnologico, informatico, digitale, mediante opportuna terminologia e metodi espositivi . AUTONOMIA DI GIUDIZIO Gli studenti e le studentesse potranno così sviluppare uno spirito critico verso la realtà politica e sociale del nostro tempo e acquisire le basi culturali per ragionare sulle prospettive della teoria e della prassi democratica nell’età globale. ABILITA’ COMUNICATIVE Sviluppo di capacità comunicativa e di esposizione sintetica del modello di democrazia, e dell’analisi dell’interazione tra di esso e lo sviluppo tecnologico, informatico, digitale, mediante opportune terminologia e metodi espositivi. CAPACITA’ DI APPRENDIMENTO Gli studenti dovranno acquisire gli strumenti concettuali di base necessari per seguire il dibattito presente e gli aggiornamenti futuri su specifiche questioni connesse al modello democratico, alle idee politiche e ai sistemi istituzionali in relazione alle implicazioni date dagli sviluppi tecnologici legati al digitale e in particolare all’intelligenza artificiale e alla sua utilizzo in questi ambiti.

Programma

Il corso prende in considerazione il dibattito corrente sulla democrazia. Da un lato, esso è collocato nel quadro della storia del pensiero politico europeo e occidentale, mettendo in luce l’evoluzione dell’idea democratica e delle istituzioni che in cui tale idea si è concretizzata nel corso dell’età moderna e contemporanea. Dall’altro lato, il corso mette a fuoco lo sviluppo del modello democratico nell’età globale a cavallo tra XX e XXI secolo, evidenziando le opportunità e i rischi dell’incontro fra democrazia e strumenti digitali

Il corso prende in considerazione il dibattito corrente sulla democrazia. Da un lato, esso è collocato nel quadro della storia del pensiero politico europeo e occidentale, mettendo in luce l’evoluzione dell’idea democratica e delle istituzioni che in cui tale idea si è concretizzata nel corso dell’età moderna e contemporanea (con particolare attenzione per i concetti di Stato, sovranità, popolo, nazione, cittadinanza, rappresentanza, costituzione). Dall’altro lato, il corso mette a fuoco lo sviluppo del modello democratico nell’età globale a cavallo tra XX e XXI secolo, evidenziando le opportunità e i rischi dell’incontro fra democrazia e strumenti digitali. Il corso ricostruirà le origini della cosiddetta “rivoluzione digitale” e gli effetti politici dell’Intelligenza Artificiale.

Conoscenza generale della storia moderna e contemporanea.

Il corso è somministrato in massima parte con metodologia basata su lezioni tradizionali dalla cattedra da parte della docente titolare, ma prevede altresì esercitazioni e incontri seminariali. La frequenza è consigliata.

Modalità d'esame

Esame orale

Testi di riferimento

Prima parte: S. Petrucciani, Democrazia, Torino, Einaudi, 2014 Seconda parte: M. Calise e F. Musella, Il Principe digitale, Roma-Bari, Laterza, 2019; G. Balbi, L’ultima ideologia. Breve storia della rivoluzione digitale, Roma-Bari, Laterza, 2022; O. Pollicino, Costituzionalismo digitale. Pensare la democrazia al tempo dell'IA. (il Mulino 2025); L. Torchia, Governare l'Intelligenza artificiale fra pubblico e privato (il Mulino 2026). Ulteriori eventuali materiali saranno indicati durante il corso.

Codice insegnamento MF0643

Giustizia Digitale 2° anno · 9 CFU · IUS/20 · 0 file

Le studentesse e gli studenti acquisiranno • capacità di comprendere la prossimità tra sistema giuridico, cibernetica e società digitale sulla base dell’analisi storica dell’evoluzione del sistema giuridico e della sua…

Scheda dell'insegnamento

Obiettivi formativi

Le studentesse e gli studenti acquisiranno • capacità di comprendere la prossimità tra sistema giuridico, cibernetica e società digitale sulla base dell’analisi storica dell’evoluzione del sistema giuridico e della sua interazione con l’evoluzione tecnologica • capacità di riconoscer la matrice artificiale del diritto e della nozione di persona giuridica e delle sue applicazioni alla robotica contemporanea • Capacità di partecipare a gruppi di studio fortemente interdisciplinari composti di giuristi, informatici, analisti dei media • Capacità di comprendere la matrice comunicativa della norma giuridica e la sua necessità di essere veicolata tramite mezzi di comunicazione e social network per essere effettiva • Capacità di orientamento nel dibattito contemporaneo e sviluppo del senso critico rispetto ai pregiudizi diffusi su diritto e tecnologia, diritto e robotica, diritto e intelligenza artificiale • Capacità di auto-apprendimento rispetto ad un settore relativamente nuovo ed in rapida evoluzione a partire da una visione rinnovata del dialogo tra scienze e humanities.

Programma

Il corso intende analizzare le matrici testuali e giuridiche della nozione di rete nell’evoluzione del pensiero tecnologico per giungere a un’analisi dei contemporanei problemi della nozione di diritto. Contro alcune letture riduttive e superate, che pensano il diritto come il fenomeno di una norma posta dallo stato che si applica a un contesto tecnologico nuovo, occorre trasformare radicalmente la concezione del ruolo del giurista entro tematiche tecnologiche dell’informatica e dell’intelligenza artificiale, al fine di formare professioni giuristi in grado di adottare un accostamento propositivo ai problemi che la rapida evoluzione tecnologica pone al sapere giuridico ed informatici in grado di comprendere in profondità la natura della scienza giuridica e la sua prossimità al sapere informatico. Muovendo dagli studi sociali sulla scienza, il corso elaborerà una nozione di rete del diritto entro l’ambito della teoria generale del diritto in grado di riprendere la concezione reticolare del testo presente nei glossatori, fino a mostrarne la vicinanza con la nozione di testo ipertestuale alla base del linguaggio HTLM. Al tempo stesso si mostrerà come la recente evoluzione del sapere giuridico e il ruolo accresciuto della giurisprudenza configurino il sistema giuridico come un modello reticolare che presenta affinità profonde con la teoria dell’informazione epistemologicamente alla base dello sviluppo delle reti informatiche. L’analisi si concentrerà poi sul nesso tra l’evoluzione storica della nozione di persona giuridica e i temi più delicati della robotica sociale interna ed esterna e del ‘vivere con i robot’ come tratto specifico della società contemporanea, concentrandosi in particolare su tipologie diverse di robot, andando oltre la riduzione del problema a un confronto tra l’etica e il diritto, per approdare a una concezione diversa dell’interazione sociale. Da ultimo il corso analizzerà la concezione dello "schermo del diritto", l’impatto dei big data, del capitalismo della sorveglianza, sentiment analysis, dei social network e della componente estetica e mediatica del normativo sull’evoluzione degli ordinamenti giuridici contemporanei. Le studentesse e gli studenti con disabilità o con Disturbi Specifici dell’Apprendimento (DSA) o con Bisogni Educativi Speciali (BES) possono richiedere servizi e strumenti specifici a loro dedicati rivolgendosi allo Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti e consultando la pagina dedicata del sito di Ateneo: https://uniupo.it/it/servizi/servizi-studentidisabili-e-dsa Le studentesse e gli studenti con disabilità, DSA, BES, una volta preso contatto con lo Staff di Ateneo, possono contattare la/il docente titolare dell'insegnamento in relazione alla declinazione delle modalità di esame, in merito agli aspetti didattici.

Il corso verterà sul nesso tra l'impostazione teorico generale e le nuove impostazioni teoriche. In particolare saranno presi in esame il metodo retorico e le trasformazioni della consuetudine (soft law, governance, best practice, ecc.) in chiave estetico giuridico. Durante il corso saranno affrontati i seguenti argomenti: - teorie dell'umano, del postulano, del trasumano e dell'umanesimo giuridico di fronte alle sfida della robotica; - teorie della consuetudine e metodo retorico nelle fonti del diritto; - contraddittorio e processo; - teoria della consuetudine e del costume e analisi dei big data - tecniche orali e scritte di retorica giuridica e di legal visual argumentation; - robotica giuridica e neuroscienze affettive; - un esperimento di sentiment analysis o di rappresentazione di mappa in VR 360° verrà realizzato durante il corso e ne sarà illustrata la metodologia.

Nessuno

Accanto alle lezioni tradizionali per gli studenti frequentanti verranno proposte modalità di approfondimento individuale.

Modalità d'esame

Accanto alle lezioni tradizionali per gli studenti frequentanti verranno proposte modalità di approfondimento individuale.

Testi di riferimento

L'esame verterà sui contenuti delle lezioni a partire dai seguenti testi: P. Heritier, Lo schermo del diritto. Vol. 1 Lettera/spirito, prospettiva, occhio della macchina. Vol. 2 Male e libertà all’era delle acclamazioni digitali Vol. 3. Corologia affettiva e didattica immersiva. Esperienze e teorie., Mimesis, Milano 2025 L. Damiano, P. Dumouchel, Vivere con i robot. Saggio sull'empatia artificiale, Cortina, Milano 2019; S. Zuboff, Il capitalismo della sorveglianza. Il futuro dell'umanità nell'era dei nuovi poteri, Luiss University press, 2019; P. Heritier, Homo Homini Homo. Vol. 1 Lettera e spirito, prospettiva, occhio della macchina, Mimesis, Milano 2024; L. Fuller, A. Porciello, Il caso degli speleologi di Lon L. Fuller e alcuni nuovi punti di vista. Un approccio alla filosofia del diritto attraverso dieci pareri di fantasia, Rubbettino 2012; A. Garapon, J. Lasségue, La giustizia digitale. Determinismo tecnologico e libertà, il Mulino, 2021; G. Sartor, Intelligenza Artificiale e diritto, Giappichelli, 2022: S. Tagliagambe, Metaverso e gemelli digitali. La nuova alleanza fra reti artificiali e naturali; Mondadori, 2022. Programma per studentesse e studenti non frequentanti: G. Sartor, Intelligenza Artificiale per giuristi, Giappichelli, 2026: L. Fuller, A. Porciello, Il caso degli speleologi di Lon L. Fuller e alcuni nuovi punti di vista. Un approccio alla filosofia del diritto attraverso dieci pareri di fantasia, Rubbettino 2012.P. Heritier, Lo schermo del diritto. Vol. 1 Lettera/spirito, prospettiva, occhio della macchina. Vol. 2 Male e libertà all’era delle acclamazioni digitali; Vol. 3. Corologia affettiva e didattica immersiva. Esperienze e teorie., Mimesis, Milano 2025.

Codice insegnamento MF0645

Intelligenza Artificiale E Marketing 2° anno · 10 CFU · SECS-P/08 · 0 file

Modulo INTELLIGENZA ARTIFICIALE E MARKETING: INTELLIGENZA ARTIFICIALE E MARKETING: MODULO 1: ll corso introduce ai principali strumenti statistici per il marketing con l’ausilio di software dedicato. Lo scopo del corso è…

Scheda dell'insegnamento

Obiettivi formativi

Modulo INTELLIGENZA ARTIFICIALE E MARKETING: INTELLIGENZA ARTIFICIALE E MARKETING: MODULO 1:
ll corso introduce ai principali strumenti statistici per il marketing con l’ausilio di software dedicato. Lo scopo del corso è quello di accrescere la conoscenza delle principali tecniche statistiche multivariate esplorative e predittive utili in tali contesti, sviluppare abilità analitica attraverso l’impiego di tali tecniche e dei corrispondenti strumenti informatici e maturare una capacità critica nell’impiego degli stessi.

Programma

Modulo INTELLIGENZA ARTIFICIALE E MARKETING: INTELLIGENZA ARTIFICIALE E MARKETING: MODULO 1:
Il corso introduce alla metodologia statistica per il marketing quantitativo con l'ausilio di strumenti informatici ad hoc.

1. Introduzione allo Statistical Learning: problemi di previsione ed inferenza. Supervised e Unsupervised Statistical Learning.
2. Il modello di regressione lineare semplice. Significato e stima OLS dei parametri. Intervalli di confidenza e test di significatività.
3. Il modello di regressione lineare multivariata: stima dei parametri e test di significatività, scomposizione della varianza e test F. Selezione delle variabili: metodi di ricampionamento (CV) e statistiche predittive (AIC, BIC, Cp). Leverage e punti ad alto impatto. Uso di variabili dummy per predittori qualitativi. Modelli con interazioni. Multicollinearità: definizione, effetti ed individuazione (VIF). Normalità dei residui: lettura del QQ-plot. Modelli moltiplicativi e loro linearizzazione.
4. La conjoint analysis classica. Pianificazione dell'esperimento: definizione dei fattori, dei livelli e degli stimoli. Piani fattoriali completi e frazionari. Valutazione dell'utilità: scale Likert. Modello, stimoli parziali e valutazione dell'importanza relativa dei fattori.
5. Introduzione ai metodi di regressione semi e non-parametrici: metodi spline, regressione a nucleo, polinomi locali, regressione additiva.

Conoscenze dei contenuti di un insegnamento di Statistica di base.

Lezioni frontali ed esercitazioni. La componente di didattica erogativa e quella interattiva sono integrate nel percorso di studi, con un peso rispettivamente pari a circa 2/3 e 1/3.

Modalità d'esame

Modulo INTELLIGENZA ARTIFICIALE E MARKETING: INTELLIGENZA ARTIFICIALE E MARKETING: MODULO 1:
La valutazione è basata su una prova orale obbligatoria volta a verificare:
1. la conoscenza dei concetti e delle definizioni di base;
2. la proprietà del linguaggio;
3. la conoscenza dei principali algoritmi di calcolo;
4. la capacità di applicare in modo competente e critico gli strumenti appresi a problemi reali.

Testi di riferimento

Modulo INTELLIGENZA ARTIFICIALE E MARKETING: INTELLIGENZA ARTIFICIALE E MARKETING: MODULO 1:
Le lezioni si baseranno essenzialmente su alcuni capitoli del seguente volume:
G. James, D. Witten, T. Hastie, R. Tibshirani (2021). An Introduction to Statistical Learning with Applications in R, 2nd edtion, Springer.

Codice insegnamento MF0633

Intelligenza Artificiale E Strategia Di Impresa 2° anno · 10 CFU · SECS-S/06 · 0 file

Modulo INTELLIGENZA ARTIFICIALE E STRATEGIA DI IMPRESA: INTELLIGENZA ARTIFICIALE E STRATEGIA DI IMPRESA: MODULO 1: L’insegnamento si propone di fornire alle studentesse e agli studenti gli strumenti concettuali e…

Scheda dell'insegnamento

Obiettivi formativi

Modulo INTELLIGENZA ARTIFICIALE E STRATEGIA DI IMPRESA: INTELLIGENZA ARTIFICIALE E STRATEGIA DI IMPRESA: MODULO 1:
L’insegnamento si propone di fornire alle studentesse e agli studenti gli strumenti concettuali e quantitativi necessari per formulare, analizzare e supportare decisioni strategiche d’impresa in contesti dinamici e incerti.
Il corso mira in particolare a sviluppare la capacità di rappresentare problemi decisionali sequenziali, individuandone stati, decisioni, informazioni, transizioni e obiettivi, e di utilizzare metodi di Dynamic Programming e Markov Decision Processes per analizzare semplici problemi di allocazione e controllo delle risorse.
Un ulteriore obiettivo è sviluppare la capacità di comprendere quando i metodi esatti risultano difficili da applicare e di confrontare approcci alternativi basati su politiche decisionali approssimate e metodi di apprendimento sequenziale, inclusi Temporal-Difference Learning, SARSA e Q-Learning.
Le attività applicative in Python sono finalizzate a rafforzare la capacità di tradurre i modelli teorici in semplici implementazioni computazionali, confrontare politiche alternative e interpretarne criticamente i risultati.

Programma

Modulo INTELLIGENZA ARTIFICIALE E STRATEGIA DI IMPRESA: INTELLIGENZA ARTIFICIALE E STRATEGIA DI IMPRESA: MODULO 1:
L’insegnamento affronta l’utilizzo dell’Intelligenza Artificiale e dei metodi quantitativi per la formulazione, l’analisi e il supporto delle decisioni strategiche d’impresa in contesti dinamici e incerti.
Il corso introduce i principali elementi dei problemi decisionali sequenziali, con particolare attenzione alla rappresentazione di stati, decisioni, informazioni, transizioni e obiettivi. Sono quindi approfonditi i metodi di Dynamic Programming, i problemi di allocazione delle risorse, i Markov Decision Processes e gli algoritmi di value e policy iteration.
Una seconda parte è dedicata ai limiti dei metodi esatti e all’introduzione di politiche decisionali approssimate. Sono inoltre affrontati i principali problemi di apprendimento sequenziale, con particolare riferimento al trade-off tra exploration ed exploitation e ai metodi di Temporal-Difference Learning, SARSA e Q-Learning.
Il corso si conclude con la progettazione, il confronto e la valutazione di semplici politiche decisionali applicate a problemi aziendali, considerando congiuntamente performance, incertezza, vincoli e conseguenze dinamiche delle decisioni.
Le applicazioni quantitative e le esercitazioni computazionali sono sviluppate in Python.

L’insegnamento è articolato in dieci blocchi tematici.
1. Intelligenza Artificiale, strategia e decision framing
Ruolo dell’IA nei processi decisionali d’impresa. Identificazione di decisioni, obiettivi, metriche e fonti di incertezza. Distinzione tra decisioni statiche e sequenziali. Introduzione al concetto di policy.
2. Modellazione dei problemi decisionali sequenziali
Rappresentazione di stato, decisioni, informazioni, transizioni e funzione obiettivo. Sufficienza dello stato, timing delle decisioni e simulazione di semplici processi decisionali.
3. Dynamic Programming e principio di ottimalità
Problemi multistadio, open-loop e closed-loop. Funzione valore, equazione di Bellman, principio di ottimalità e backward recursion. Applicazioni a semplici problemi di pianificazione.
4. Allocazione strategica delle risorse
Problemi di allocazione di risorse scarse, knapsack e decisioni di budget. Formulazione dinamica, analisi di sensitività e confronto tra alternative di allocazione.
5. Decisioni aziendali stocastiche e Markov Decision Processes
Introduzione ai processi decisionali in condizioni di incertezza. Markov property, stati, azioni, transizioni, reward e criteri di valutazione. Applicazioni a problemi di inventory e resource management.
6. Value iteration e policy iteration
Operatori di Bellman, valutazione di una policy e ricerca della policy ottima. Algoritmi di value iteration e policy iteration. Confronto tra metodi esatti e semplici strategie di rollout.
7. Dall’ottimizzazione esatta alle policy approssimate
Limiti computazionali dei metodi esatti. Curse of dimensionality e principali famiglie di policy approssimate: Policy Function Approximations, Cost Function Approximations, Value Function Approximations e Direct Lookahead Approximations.
8. Learning while deciding: exploration ed exploitation
Problemi di apprendimento sequenziale. Multi-armed bandits, action values, strategie greedy ed epsilon-greedy, optimistic initialization, non-stazionarietà e Upper Confidence Bound.
9. Temporal-Difference Learning, SARSA e Q-Learning
Apprendimento model-free, Temporal-Difference Learning, SARSA e Q-Learning. Distinzione tra approcci on-policy e off-policy e confronto con metodi model-based.
10. Progettazione di business policies basate sull’IA
Progettazione, confronto e valutazione di policy decisionali in problemi aziendali. Applicazioni a supply chain e inventory management. Analisi di costo, servizio, stabilità, bullwhip effect e risposta agli shock.
Le applicazioni quantitative e le esercitazioni computazionali sono sviluppate in Python.

Sono richieste conoscenze di base di matematica, probabilità e statistica, sufficienti per comprendere funzioni, derivate, valore atteso, variabili aleatorie e distribuzioni di probabilità.
È inoltre richiesta una conoscenza introduttiva della programmazione in Python, con particolare riferimento all’uso di variabili, strutture dati, funzioni e semplici librerie per il calcolo numerico e la rappresentazione grafica.

L’insegnamento combina lezioni frontali, esempi quantitativi, esercitazioni e attività computazionali in Python.

Modalità d'esame

Modulo INTELLIGENZA ARTIFICIALE E STRATEGIA DI IMPRESA: INTELLIGENZA ARTIFICIALE E STRATEGIA DI IMPRESA: MODULO 1:
L’esame consiste in una prova orale volta a verificare la conoscenza e la comprensione dei contenuti del corso, nonché la capacità di applicare i concetti e i modelli studiati a semplici problemi decisionali in ambito aziendale.
Durante il colloquio potranno essere richieste sia domande teoriche sia applicazioni, esempi numerici, interpretazione di risultati o discussione di procedure computazionali affrontate durante il corso.
Per il superamento dell’esame è richiesta una conoscenza adeguata dei concetti fondamentali e la capacità di applicarli correttamente in contesti semplici. Valutazioni più elevate saranno attribuite in presenza di maggiore padronanza dei contenuti, capacità di collegare argomenti diversi, autonomia nell’analisi e chiarezza espositiva.

Testi di riferimento

Modulo INTELLIGENZA ARTIFICIALE E STRATEGIA DI IMPRESA: INTELLIGENZA ARTIFICIALE E STRATEGIA DI IMPRESA: MODULO 1:
Il materiale obbligatorio per la preparazione dell’esame è fornito dalla docente sulla pagina DIR del corso. Eventuali testi, articoli o altre fonti consigliati durante il corso avranno carattere facoltativo e saranno destinati esclusivamente all’approfondimento.

Codice insegnamento MF0640

Intelligenza Artificiale, Fintech E Finanza Imprenditoriale 2° anno · 10 CFU · SECS-S/06 · 0 file

L’insegnamento si propone di fornire gli strumenti concettuali, quantitativi e applicativi necessari per comprendere e analizzare le principali decisioni finanziarie in ambito Fintech e di finanza imprenditoriale. In…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento si propone di fornire gli strumenti concettuali, quantitativi e applicativi necessari per comprendere e analizzare le principali decisioni finanziarie in ambito Fintech e di finanza imprenditoriale. In particolare, il corso mira a sviluppare la capacità di valutare problemi di investimento e finanziamento in condizioni di rischio e incertezza, comprendere il funzionamento dei principali strumenti e mercati finanziari e analizzare le scelte di finanziamento di start-up e PMI, con particolare riferimento a Venture Capital, Business Angels e Crowdfunding.
L’insegnamento intende inoltre sviluppare capacità di applicazione, giudizio critico e uso del linguaggio tecnico, anche attraverso casi di studio, applicazioni quantitative e attività in Python.

Programma

L’insegnamento affronta l’applicazione di metodi quantitativi e strumenti di Intelligenza Artificiale in ambito finanziario e Fintech e analizza le principali modalità di finanziamento delle start-up innovative e delle PMI. Particolare attenzione è dedicata alle decisioni di investimento, alla gestione del rischio, ai mercati finanziari e al ruolo di Venture Capital, Business Angels e Crowdfunding, anche nel contesto di imprese Fintech, AI e platform-based.

L’insegnamento integrato affronta i principali temi del Fintech, della finanza quantitativa e della finanza imprenditoriale.
Il primo modulo è dedicato all’impiego di metodi quantitativi e strumenti di Intelligenza Artificiale nelle decisioni finanziarie. I principali argomenti comprendono: rappresentazione del rischio e dell’incertezza, simulazione Monte Carlo, portfolio optimization, teoria dell’utilità, asset allocation dinamica, pricing e hedging di strumenti derivati, market microstructure, trading algoritmico, optimal execution, market making e progettazione di sistemi finanziari basati sull’IA. Le applicazioni quantitative e computazionali sono sviluppate in Python.
Il secondo modulo approfondisce le principali modalità di finanziamento di start-up e PMI e il ruolo degli attori dell’ecosistema della finanza imprenditoriale. Sono affrontati il funding gap e il finanziamento lungo il ciclo di vita dell’impresa, il ricorso a capitale di debito ed equity, il Venture Capital nelle diverse fasi del processo di investimento, Business Angels e Crowdfunding. Sono inoltre analizzati gli impatti del Fintech sul settore finanziario, i nuovi modelli di business, i rischi e le sfide emergenti, attraverso casi di studio relativi, tra l’altro, alla valutazione delle imprese target e alla strutturazione di campagne di crowdfunding. È infine considerata la dimensione di genere, con particolare riferimento alla female entrepreneurship e al gender gap nell’accesso al capitale.

PER IL PRIMO MODULO
Sono richieste conoscenze di base di matematica, probabilità e statistica, sufficienti per comprendere variabili aleatorie, distribuzioni di probabilità, valore atteso, varianza, covarianza e correlazione.
È inoltre richiesta una conoscenza introduttiva della programmazione in Python, con particolare riferimento all’uso di variabili, strutture dati, funzioni e librerie per il calcolo numerico e la rappresentazione grafica.
È utile, ma non indispensabile, una conoscenza preliminare dei principali concetti di finanza, quali rendimento, rischio, portafoglio, strumenti finanziari e funzionamento generale dei mercati.
PER IL SECONDO MODULO
Nessuno

L’insegnamento combina lezioni frontali, esempi quantitativi, esercitazioni, attività computazionali in Python e analisi di casi di studio. Le attività didattiche sono finalizzate sia all’acquisizione dei principali concetti e strumenti, sia alla loro applicazione a problemi finanziari e di finanza imprenditoriale.
Durante il corso sono inoltre previsti momenti di discussione guidata e lavori di gruppo, in forma scritta e/o orale, volti a sviluppare autonomia di giudizio, capacità di applicazione e uso appropriato del linguaggio tecnico.

Modalità d'esame

La verifica dell’apprendimento prevede prove differenziate nei due moduli.
Per il primo modulo, l’esame consiste in una prova orale volta a verificare la conoscenza e la comprensione dei contenuti, nonché la capacità di applicare concetti e modelli a semplici problemi finanziari. Il colloquio può comprendere domande teoriche, applicazioni, esempi numerici, interpretazione di risultati e discussione di procedure computazionali.
Per il secondo modulo è prevista una prova scritta obbligatoria, composta da domande aperte e domande a risposta multipla. Per le studentesse e gli studenti frequentanti sono inoltre previsti lavori di gruppo relativi a testimonianze e casi di studio affrontati durante il corso, la cui valutazione concorre alla determinazione del voto finale.
Per il superamento dell’insegnamento è richiesta un’adeguata conoscenza dei contenuti dei due moduli e la capacità di applicare correttamente i concetti fondamentali. Valutazioni più elevate saranno attribuite in presenza di maggiore padronanza dei contenuti, capacità di collegamento, autonomia di giudizio e chiarezza espositiva.

Testi di riferimento

Per il primo modulo, il materiale obbligatorio per la preparazione dell’esame è fornito sulla pagina DIR del corso; eventuali testi, articoli o altre fonti indicati durante le lezioni hanno carattere facoltativo e sono destinati all’approfondimento.
Per il secondo modulo, i principali testi di riferimento sono:
Alberto Dell’Acqua, John Shehata, Startup Finance, II ed., Egea.
Ine Paeleman, Tom Vanacker, Silvio Vismara, Supradeep Dutta (eds.), Field Guide to Entrepreneurial Finance, Elgar Field Guides, 2026.
Saranno inoltre messi a disposizione articoli scientifici, working paper, slide e casi di studio.

Codice insegnamento MF0637

Metodi Biostatici Ed Epidemiologici Applicati Alla Clinica E Alla Sanità Pubblica Globale 2° anno · 9 CFU · MED/03 · 0 file

Modulo METODI BIOSTATICI ED EPIDEMOLOGICI APPLICATI ALLA CLINICA E ALLA SANITÀ PUBBLICA GLOBALE: SCIENZE OMICHE MOLECOLARI: Conoscenza e capacità di comprensione: l'insegnamento ha l'obiettivo di fornire conoscenze…

Scheda dell'insegnamento

Obiettivi formativi

Modulo METODI BIOSTATICI ED EPIDEMOLOGICI APPLICATI ALLA CLINICA E ALLA SANITÀ PUBBLICA GLOBALE: SCIENZE OMICHE MOLECOLARI:
Conoscenza e capacità di comprensione: l'insegnamento ha l'obiettivo di fornire conoscenze teoriche e applicative sulle principali scienze omiche, in particolare sulle analisi genomiche e trascrittomiche. Capacità di applicare conoscenza e comprensione: capacità d’interpretare i dati genomici e trascrittomici in ambito di diagnostica e di ricerca. Autonomia di giudizio: autonomia di giudizio nel valutare criticamente i risultati sperimentali, con particolare attenzione ai dati ricavati da analisi di DNA-sequencing, RNA-sequencing e di tipo GWAS. Capacità di interpretare criticamente articoli scientifici nell’ambito delle scienze omiche. Abilità comunicative: perfezionamento del lessico disciplinare nell’ambito della genetica, della genomica e della trascrittomica. Abilità di relazionare sulle tematiche presentate durante il corso con un linguaggio scientifico appropriato. Capacità di apprendimento: acquisizione della capacità di approfondire criticamente ed aggiornare in maniera autonoma le competenze acquisite, tramite lettura di testi ed articoli scientifici. Capacità di utilizzare il materiale didattico per uno studio critico e ragionato.

Modulo METODI BIOSTATICI ED EPIDEMOLOGICI APPLICATI ALLA CLINICA E ALLA SANITÀ PUBBLICA GLOBALE: EVIDENCE BASED MEDICINE E ANALISI DELLE DECISIONI CLINICHE:
Il corso si propone di fornire gli strumenti necessari per leggere e valutare criticamente la letteratura scientifica e utilizzare le evidenze disponibili a supporto della ricerca e delle decisioni in ambito biomedico e sanitario.
Particolare attenzione sarà dedicata alla capacità di valutare la validità degli studi, interpretarne correttamente i risultati, distinguere tra significatività statistica e rilevanza clinica e considerare benefici, rischi e applicabilità delle evidenze.
Il corso intende inoltre introdurre i principi di base dell’analisi dell’analisi decisionale e della valutazione critica dei sistemi di supporto decisionale basati su Intelligenza Artificiale.

Modulo METODI BIOSTATICI ED EPIDEMIOLOGICI APPLICATI ALLA CLINICA E ALLA SANITÀ PUBBLICA GLOBALE: BIOSTATISTICA ED EPIDEMIOLOGIA:
Il corso si propone di fornire agli studenti i fondamenti metodologici della biostatistica e dell’epidemiologia
necessari per comprendere, analizzare e interpretare dati biomedici, clinici ed epidemiologici, con
particolare attenzione alla corretta applicazione dei metodi quantitativi nella ricerca e nell’analisi dei dati.
L’obiettivo principale è sviluppare la capacità di riconoscere la natura del problema statistico,
scegliere il metodo o il modello più adeguato in relazione alla domanda scientifica, al disegno dello
studio e alla natura dell’outcome, applicarlo mediante il software R e interpretarne criticamente i
risultati.
Il corso fornirà inoltre gli strumenti epidemiologici necessari per comprendere i principali disegni di studio
osservazionali e sperimentali, incluse le loro caratteristiche, indicazioni, punti di forza e limiti. Saranno
affrontati i concetti di popolazione e campione, incidenza e prevalenza, misure di associazione e di effetto,
temporalità dell’esposizione e dell’outcome, selezione dei gruppi di confronto e principali fonti di errore
sistematico.
Il corso mira inoltre a sviluppare la capacità di riconoscere le principali fonti di bias e
confondimento, comprendere il significato dell’aggiustamento multivariato, identificare le variabili
rilevanti per la costruzione del modello e distinguere tra associazione statistica, predizione e
interpretazione causale.
Una specifica parte del corso è dedicata alle principali problematiche statistiche proprie dei dati
omici e ad alta dimensionalità, con l’obiettivo di fornire gli strumenti concettuali di base per la loro
analisi e interpretazione.

Programma

Modulo METODI BIOSTATICI ED EPIDEMOLOGICI APPLICATI ALLA CLINICA E ALLA SANITÀ PUBBLICA GLOBALE: SCIENZE OMICHE MOLECOLARI:
Ripasso sulle basi della genetica e della genomica. Struttura del genoma, replicazione del DNA, flusso dell'informazione genetica. Polimorfismi e mutazioni del DNA, Tecniche di PCR e sequenziamento: Sanger e Next Generation Sequencing. Applicazioni del Next Generation sequencing: whole exome sequencing, whole genome sequencing e analisi di pannelli (target resequencing). Pipeline di analisi di una corsa di sequenziamento genomico: allineamento, chiamata delle varianti, annotazione. Tecniche di genotipizzazione di polimorfismi noti del DNA. Piattaforme di genotipizzazione. Studi GWAS: tecniche, metodi di analisi. Tecniche di trascrittomica. Epigenetica e analisi di metilazione

Conoscenze di base di genetica e biologia molecolare

Lezioni frontali

Modulo METODI BIOSTATICI ED EPIDEMOLOGICI APPLICATI ALLA CLINICA E ALLA SANITÀ PUBBLICA GLOBALE: EVIDENCE BASED MEDICINE E ANALISI DELLE DECISIONI CLINICHE:
Il corso affronta i principi dell’Evidence Based Medicine e della valutazione critica della letteratura scientifica, con particolare attenzione alla loro nella ricerca biomedica e nell’analisi dei dati.
Saranno trattati la formulazione del quesito di ricerca, la gerarchia delle evidenze, la valutazione critica dei principali disegni di studio, l’interpretazione dei risultati di trial clinici, studi diagnostici, revisioni sistematiche e meta-analisi.
Una parte del corso sarà dedicata alla valutazione di benefici e rischi, all’incertezza nell’interpretazione delle evidenze, e ai principali aspetti metodologici relativi all’uso di modelli predittivi e sistemi di Intelligenza Artificiale in ambito sanitario.

1. Evidence Based Medicine e formulazione del quesito di ricerca
Principi dell’EBM e dell’Evidence Based Healthcare. Formulazione del quesito di ricerca. PICO. Tipologie di quesito. Fonti e gerarchia delle evidenze.
2. Valutazione critica degli studi scientifici
Domanda di ricerca, popolazione, esposizione o intervento, comparatore e outcome. Appropriatezza del disegno di studio. Validità interna ed esterna. Bias. Precisione delle stime e applicabilità dei risultati.
3. Studi di intervento
Trial clinici randomizzati. Randomizzazione, gruppo di controllo, blinding e follow-up. Rischio relativo, riduzione assoluta e relativa del rischio, Number Needed to Treat e Number Needed to Harm. Benefici, rischi e rilevanza clinica.
4. Diagnosi, screening e predizione clinica
Sensibilità, specificità, valori predittivi, likelihood ratio, probabilità pre-test e post-test. Principi di valutazione degli studi diagnostici e dei modelli di predizione clinica.
5. Revisioni sistematiche e meta-analisi
Revisione narrativa e revisione sistematica. Selezione degli studi. Valutazione della qualità. Principi della meta-analisi. Forest plot, eterogeneità e publication bias.
6. Linee guida e raccomandazioni
Principi di valutazione delle linee guida. Qualità delle evidenze, bilancio tra benefici e rischi e applicabilità delle raccomandazioni.
7. Analisi delle decisioni in ambito biomedico
Decisioni in condizioni di incertezza. Alternative, probabilità e conseguenze. Bilancio benefici/rischi. Introduzione agli alberi decisionali, al concetto di utilità e all’analisi di sensibilità. Valutazione critica di studi che utilizzano modelli predittivi e sistemi di AI in sanità. Validazione, generalizzabilità, bias, sicurezza e integrazione nel contesto biomedico.

Sono utili conoscenze di base di statistica ed epidemiologia, in particolare dei principali disegni di studio, delle misure di associazione e degli intervalli di confidenza.
I concetti necessari saranno comunque richiamati durante il corso.

Il corso prevede lezioni frontali integrate con attività di lettura e discussione di articoli scientifici, abstract, tabelle, grafici e scenari clinici.
Una parte rilevante delle lezioni sarà dedicata all’applicazione pratica dei criteri di critical appraisal.

Modulo METODI BIOSTATICI ED EPIDEMIOLOGICI APPLICATI ALLA CLINICA E ALLA SANITÀ PUBBLICA GLOBALE: BIOSTATISTICA ED EPIDEMIOLOGIA:
Il corso introduce e approfondisce i principali metodi biostatistici ed epidemiologici utilizzati nell’analisi di dati biomedici, clinici e di popolazione, integrando gli aspetti teorici con applicazioni pratiche mediante il software R.
Dopo un iniziale riallineamento sui concetti fondamentali di statistica descrittiva e inferenziale, saranno affrontati i principali disegni di studio epidemiologico, le misure di frequenza e di associazione e i modelli statistici maggiormente utilizzati in ambito biomedico, con particolare riferimento alla regressione lineare, regressione logistica, modelli di Poisson e analisi di sopravvivenza mediante curve di Kaplan-Meier e modello di Cox.
Particolare attenzione sarà dedicata all’interpretazione dei modelli multivariati, al confondimento, alla modificazione d’effetto e ai criteri per la scelta delle variabili di aggiustamento.
Una parte del corso sarà inoltre dedicata alle principali problematiche statistiche associate ai dati omici e ad alta dimensionalità, con particolare riferimento alla variabilità biologica e tecnica, al preprocessing, ai confronti multipli e al controllo del False Discovery Rate.
I concetti teorici saranno progressivamente applicati in R attraverso l’analisi e l’interpretazione di dataset biomedici ed epidemiologici.

1. Fondamenti di biostatistica e introduzione all’analisi dei dati con R
Popolazione e campione. Unità statistica. Parametri e stime. Tipologie di variabili. Outcome, esposizioni, predittori e covariate. Distribuzione dei dati. Frequenze e proporzioni. Media, mediana, quantili, deviazione standard e intervallo interquartile. Rappresentazione grafica dei dati. Variabilità biologica e campionaria.
Introduzione alla struttura dei dataset biomedici e all’ambiente R. Importazione, esplorazione, descrizione e rappresentazione dei dati in R.
2. Inferenza statistica e regressione lineare
Variabilità campionaria ed errore standard. Stima puntuale e intervallo di confidenza. Logica del test di ipotesi. P-value. Errori di I e II tipo. Significatività statistica e rilevanza biologica o clinica.
Introduzione al modello di regressione lineare. Outcome continuo. Interpretazione dei coefficienti. Predittori continui e categoriali. Categoria di riferimento. Modelli univariati e multivariati.
Applicazione e interpretazione dei modelli lineari in R.
3. Epidemiologia e regressione logistica
Principali disegni di studio epidemiologico: studi trasversali, studi caso-controllo, studi di coorte e studi sperimentali.
Popolazione a rischio. Prevalenza, incidenza, rischio e tasso.
Misure di associazione ed effetto: differenza di rischio, rischio relativo e odds ratio.
Regressione logistica per outcome binari. Odds e odds ratio. Interpretazione dei coefficienti e degli intervalli di confidenza. Modelli logistici univariati e multivariati.
Applicazioni in R a dati clinici ed epidemiologici.
4. Confondimento, modificazione d’effetto e aggiustamento dei modelli
Concetto di confondimento. Distinzione tra esposizione, predittore, confondente, mediatore e modificatore d’effetto.
Stime grezze e stime aggiustate. Introduzione all’interazione e alla modificazione d’effetto.
Principi per la scelta delle variabili di aggiustamento sulla base della conoscenza biologica e clinica, della letteratura scientifica e del disegno dello studio.
Limiti degli approcci di selezione delle variabili basati esclusivamente sulla significatività statistica.
Introduzione concettuale ai diagrammi causali.
Confronto in R tra modelli grezzi e aggiustati e interpretazione delle variazioni delle stime.
5. Modelli per dati di conteggio e tassi
Dati di conteggio, numero di eventi e tempo-persona. Tassi di incidenza.
Introduzione alla distribuzione di Poisson e alla regressione di Poisson. Rate ratio. Utilizzo dell’offset per l’analisi dei tassi. Cenni al problema dell’overdispersion.
Applicazione in R di modelli di Poisson a dati epidemiologici e interpretazione delle stime.
6. Analisi di sopravvivenza
Dati tempo-evento e censura. Funzione di sopravvivenza. Curve di Kaplan-Meier. Confronto tra curve di sopravvivenza.
Concetto di hazard.
Modello di regressione di Cox. Hazard ratio. Modelli univariati e multivariati. Interpretazione dell’hazard ratio e degli intervalli di confidenza. Concetto di proporzionalità degli hazard.
Costruzione e interpretazione in R di curve di Kaplan-Meier e modelli di Cox.
7. Principi statistici per l’analisi di dati omici
Caratteristiche dei dati omici e ad alta dimensionalità. Variabilità biologica e tecnica. Principi di preprocessing e normalizzazione dei dati.
Problematiche legate all’elevato numero di variabili rispetto alla numerosità campionaria.
Analisi esplorativa dei dati omici.
Confronti multipli e controllo del False Discovery Rate.
Principi generali dell’identificazione di biomarcatori e dell’interpretazione dei risultati di analisi ad alta dimensionalità.
Applicazione mediante R dei principali concetti statistici affrontati nel corso a dataset omici.

Sono utili conoscenze di base di biologia, probabilità e statistica descrittiva.
Considerata l’eterogeneità dei percorsi formativi degli studenti, i concetti statistici e biologici fondamentali necessari per seguire il corso saranno richiamati e consolidati nelle prime lezioni.
Non sono richieste conoscenze pregresse di epidemiologia o di analisi statistica avanzata.
Una conoscenza di base del linguaggio R è utile ma non indispensabile. I comandi e le procedure necessarie allo svolgimento delle esercitazioni saranno introdotti e utilizzati durante il corso.

Il corso prevede lezioni integrate teorico-pratiche.
I concetti statistici ed epidemiologici saranno introdotti attraverso problemi ed esempi provenienti dalla ricerca biomedica, clinica ed epidemiologica e saranno immediatamente accompagnati dalla loro applicazione mediante il software R.
Le attività comprenderanno:
lezioni frontali;
esercitazioni guidate in R;
analisi di dataset biomedici ed epidemiologici;
interpretazione di output statistici, tabelle e grafici;
discussione di esempi tratti dalla letteratura scientifica.
L’approccio didattico privilegerà la comprensione, la scelta appropriata e l’interpretazione dei metodi statistici rispetto alla derivazione matematica delle formule.

Modalità d'esame

Modulo METODI BIOSTATICI ED EPIDEMOLOGICI APPLICATI ALLA CLINICA E ALLA SANITÀ PUBBLICA GLOBALE: SCIENZE OMICHE MOLECOLARI:
Esame orale

Modulo METODI BIOSTATICI ED EPIDEMOLOGICI APPLICATI ALLA CLINICA E ALLA SANITÀ PUBBLICA GLOBALE: EVIDENCE BASED MEDICINE E ANALISI DELLE DECISIONI CLINICHE:
La verifica dell’apprendimento sarà finalizzata a valutare la capacità dello studente di leggere e interpretare criticamente le evidenze scientifiche.
La prova potrà comprendere domande a risposta chiusa e aperta, esercizi applicativi e quesiti basati su abstract, tabelle, grafici o brevi scenari clinici.
Sarà valutata in particolare la capacità di leggere criticamente la letteratura scientifica, riconoscere la qualità e la solidità delle evidenze disponibili, individuarne i principali limiti e valutarne la rilevanza, la coerenza e l’applicabilità in ambito biomedico e sanitario. Sarà inoltre richiesta la capacità di valutare criticamente le evidenze a supporto dell’utilizzo di modelli e sistemi di AI, distinguendo tra risultati promettenti e prove sufficientemente solide, riproducibili e applicabili a supporto della ricerca e delle decisioni in ambito sanitario.

Modulo METODI BIOSTATICI ED EPIDEMIOLOGICI APPLICATI ALLA CLINICA E ALLA SANITÀ PUBBLICA GLOBALE: BIOSTATISTICA ED EPIDEMIOLOGIA:
La verifica dell’apprendimento è finalizzata a valutare la comprensione dei principi biostatistici ed epidemiologici e la capacità di applicarli e interpretarli in problemi relativi a dati biomedici, clinici ed epidemiologici.
La prova potrà comprendere domande a risposta chiusa e aperta, semplici esercizi applicativi e quesiti basati sull’interpretazione di dataset, tabelle, grafici e output statistici, anche prodotti mediante R.

  • riconoscere la domanda scientifica, il disegno dello studio e la natura dei dati;
  • distinguere i principali disegni di studio epidemiologico, inclusi studi trasversali, caso-controllo, di coorte e sperimentali, comprendendone caratteristiche, punti di forza e limiti;
  • interpretare correttamente le principali misure di frequenza e di associazione epidemiologica;
  • riconoscere le principali fonti di bias e i potenziali fattori di confondimento;
  • scegliere il metodo o il modello statistico appropriato in funzione dell’outcome, del disegno dello studio e della struttura dei dati;
  • distinguere tra analisi univariate e multivariate e motivare la scelta delle variabili da includere nei modelli di aggiustamento;
  • distinguere tra stime grezze e aggiustate e interpretare coefficienti, misure di associazione, intervalli di confidenza e p-value;
  • interpretare i risultati dei principali modelli di regressione, inclusi regressione lineare, logistica, di Poisson e di Cox, e delle analisi di sopravvivenza mediante curve di Kaplan-Meier;
  • valutare criticamente i risultati nel contesto biomedico ed epidemiologico, distinguendo tra associazione statistica, predizione e interpretazione causale;
  • comprendere le principali problematiche statistiche associate ai dati omici e ad alta dimensionalità, inclusi i confronti multipli e il controllo del False Discovery Rate
    Non sarà richiesta la memorizzazione della sintassi dei comandi R. Sarà invece valutata la capacità di comprendere la finalità delle analisi effettuate, leggere correttamente gli output, scegliere il modello appropriato, comprendere come aggiustarlo e interpretarne i risultati.
    La valutazione del modulo concorre alla determinazione del voto finale dell’insegnamento integrato.

Testi di riferimento

Modulo METODI BIOSTATICI ED EPIDEMOLOGICI APPLICATI ALLA CLINICA E ALLA SANITÀ PUBBLICA GLOBALE: SCIENZE OMICHE MOLECOLARI:
Tom Strackan & Anneke Lucassen. Genetica & Genomica nelle scienze mediche. II edizione. Zanichelli

Modulo METODI BIOSTATICI ED EPIDEMOLOGICI APPLICATI ALLA CLINICA E ALLA SANITÀ PUBBLICA GLOBALE: EVIDENCE BASED MEDICINE E ANALISI DELLE DECISIONI CLINICHE:
Greenhalgh T., Dijkstra P. How to Read a Paper: The Basics of Evidence-Based Healthcare. 7th Edition. Wiley-Blackwell, 2025.

Modulo METODI BIOSTATICI ED EPIDEMIOLOGICI APPLICATI ALLA CLINICA E ALLA SANITÀ PUBBLICA GLOBALE: BIOSTATISTICA ED EPIDEMIOLOGIA:
Il materiale principale per la preparazione dell’esame sarà costituito dalle dispense, dalle presentazioni, dai dataset, dagli script R e dagli articoli scientifici messi a disposizione dal docente. Documentazione ufficiale di R e dei pacchetti utilizzati durante il corso. Ulteriori riferimenti bibliografici e articoli scientifici potranno essere indicati durante le lezioni.
Testi di consultazione:
W.W. Daniel, C.L. Cross — Biostatistics: A Foundation for Analysis in the Health Sciences, 10th ed., Wiley
Lash TL, VanderWeele TJ, Haneuse S, Rothman KJ. Modern Epidemiology. 4th ed. Philadelphia: Wolters
Kluwer; 2021.

Codice insegnamento MF0617

Multi-Omica Applicata E Strumentazione Biomedicale 2° anno · 12 CFU · MED/04 · 0 file

Modulo MULTI-OMICA APPLICATA E STRUMENTAZIONE BIOMEDICALE: CITOMICA: Gli studenti e le studentesse apprenderanno le basi della citometria a flusso, del cell sorting, dell’analisi a singola cellula, e della citometria…

Scheda dell'insegnamento

Obiettivi formativi

Modulo MULTI-OMICA APPLICATA E STRUMENTAZIONE BIOMEDICALE: CITOMICA:
Gli studenti e le studentesse apprenderanno le basi della citometria a flusso, del cell sorting, dell’analisi a singola cellula, e della citometria di massa applicata ai tessuti, abbinate alle scienze omiche applicate a queste tecnologie.

Modulo MULTI-OMICA APPLICATA E STRUMENTAZIONE BIOMEDICALE: BIOINFORMATICA DELLE RETI NEURALI:
Il corso affronta gli aspetti biologici delle reti neuronali quali l’organizzazione anatomica e funzionale del sistema nervoso, la modalità di codifica dell’informazione nel singolo neurone, la sua trasmissione nei circuiti nervosi, la plasticità delle reti e l’elaborazione dell’informazione nei circuiti centrali. Le studentesse e gli studenti approfondiranno sia aspetti teorici di base e modelli matematici che alcuni aspetti delle tecniche di indagine proprie delle Neuroscienze, quali tecniche elettrofisiologiche, di imaging e l’optogenetica.
Conoscenza e capacità di comprensione: le studentesse e gli studenti acquisiranno le conoscenze e la capacità di comprensione dei meccanismi molecolari associati ai fenomeni bioelettrici di membrana, la trasmissione dei potenziali d’azione nei circuiti nervosi, gli effetti dell’attività elettrica sulla connettività delle reti e come questa attività costituisca la base delle funzioni del sistema nervoso. Capacità di applicare conoscenza e comprensione: la conoscenza acquisita permetterà di comprendere come la rete neuronale codifica e processa l’informazione e di applicare tale conoscenza alla realizzazione di semplici modelli basati su codici numerici. Autonomia di giudizio: le studentesse e gli studenti saranno in grado di analizzare con senso critico articoli scientifici e nuove informazioni Abilità comunicative: le studentesse e gli studenti saranno in grado di esporre, con appropriato linguaggio scientifico, i contenuti del corso in modo logico e completo, effettuando collegamenti tra i vari argomenti Capacità di apprendimento: le studentesse e gli studenti matureranno la capacità di reperire adeguate fonti scientifiche per aggiornare ed approfondire le conoscenze e le competenze acquisite. Capacità di utilizzo di software di analisi.

Programma

Modulo MULTI-OMICA APPLICATA E STRUMENTAZIONE BIOMEDICALE: CITOMICA:
Il Corso descrive diverse tecnologie e metodologie che analizzano, a livello di singola cellula, la complessità cellulare al fine di comprendere l’architettura e le funzioni del sistema cellulare.

1- citometria a flusso e le sue applicazioni
2- citometria multiparametrica
3- Cell Sorting e le sue applicazioni
4- Citomica a singola cellula
5- Vescicolomica
6- Citometria di massa applicato ai tessuti

Sono necessarie conoscenze di base di immunologia e biochimica

Lezioni frontali con l’ausilio di diapositive e ove possibile attività di laboratorio con gli strumenti

Modulo MULTI-OMICA APPLICATA E STRUMENTAZIONE BIOMEDICALE: BIOINFORMATICA DELLE RETI NEURALI:
L' insegnamento di Bioinformatica delle reti neurali offre un approfondimento dei meccanismi biofisici alla base della genesi, trasmissione, codifica e elaborazione dei segnali elettrici in neuroni e reti nervose. Per la parte di esercitazioni verranno proposti alcuni esercizi con il codice R.

Organizzazione del sistema nervoso. Il neurone. Il potenziale d’azione. Le sinapsi. Il sistema nervoso periferico. Il sistema nervoso centrale. La corteccia cerebrale: organizzazione anatomica, funzionale e plasticità sinaptica. Biofisica del neurone e modelli terorici. Il potenziale di membrana: equazione di Nernst-Planck, equazione di Nernst, equazione di Goldman-Hodgkin-Katz. Il circuito elettrico equivalente di membrana. Proprietà passive di membrana e equazioni di cavo. Il modello di Hodgkin-Huxley. Modelli markoviani per i canali ionici. Modelli Integrate-and-Fire. Tecniche di indagine. Tecniche elettrofisiologiche: la tecnica del patch-clamp. Matrici di multielettrodi (MEA). Microscopia live-imaging. Optogenetica.

Le studentesse e gli studenti devono possedere le conoscenze di base di matematica e statistica, fisica, biologia e fisiologia

Lezioni teoriche e esercitazioni

Modalità d'esame

Modulo MULTI-OMICA APPLICATA E STRUMENTAZIONE BIOMEDICALE: CITOMICA:
L’esame consiste in un test composto da 3 affermazioni cui va risposto vero/falso fornendo poi una breve spiegazione che giustifichi la scelta. Ogni risposta può valere un massimo di 11 punti, garantendo il raggiungimento del 30 lode (33 punti)

Modulo MULTI-OMICA APPLICATA E STRUMENTAZIONE BIOMEDICALE: BIOINFORMATICA DELLE RETI NEURALI:
Esame scritto Per la parte di esercitazioni verra’ richiesta la redazione di una breve relazione

Testi di riferimento

Modulo MULTI-OMICA APPLICATA E STRUMENTAZIONE BIOMEDICALE: CITOMICA:
nessuno

Modulo MULTI-OMICA APPLICATA E STRUMENTAZIONE BIOMEDICALE: BIOINFORMATICA DELLE RETI NEURALI:
Neuroscienze di Dale Purves, George J Augustine, David Fitzpatrick, William C. Hall, Anthony-Samuel Lamantia, Leonard E. White. Zanichelli, Ultima edizione Materiale fornito dai docenti

Codice insegnamento MF0623

Scienza Delle Reti E Information Retrieval 2° anno · 6 CFU · INF/01 · 0 file

Lo scopo del corso è duplice. In primo luogo, la classe imparerà i principi fondamentali della scienza delle reti (NS), incluse le tecniche di analisi delle reti complesse, i modelli di base per studiare le dinamiche…

Scheda dell'insegnamento

Obiettivi formativi

Lo scopo del corso è duplice. In primo luogo, la classe imparerà i principi fondamentali della scienza delle reti (NS), incluse le tecniche di analisi delle reti complesse, i modelli di base per studiare le dinamiche di rete (es., contagio sociale, fenomeni virali, diffusione di epidemie, etc.). In secondo luogo, la classe imparerà cos’è un sistema di information retrieval (IR), quali sono le tecniche di base per progettare un sistema di IR efficiente e scalabile su grandi collezioni di documenti, le applicazioni principali (ad esempio, come costruire un motore di ricerca sul Web) e le direzioni future.

Programma

Questo insegnamento introduce i concetti, i principi e i metodi fondamentali nel campo interdisciplinare della scienza delle reti, con un'attenzione particolare alle tecniche di analisi, alla modellizzazione e alle applicazioni per il World Wide Web e i social media online. Gli argomenti trattati includono la struttura delle reti, i modelli matematici delle reti, le topologie di rete comuni, la struttura dei grafi su larga scala, le strutture comunitarie, la diffusione epidemica, il PageRank e altre misure di centralità, oltre che la loro applicazione nella costruzione dei moderni sistemi di information retrieval, i processi dinamici nelle reti, e la visualizzazione dei grafi. Inoltre, saranno introdotti gli strumenti pratici che permettono l'applicazione dei principi base della scienza delle reti per svolgere attività di analisi di reti complesse) su dati reali, utilizzando Python e diversi pacchetti/librerie come networkx, igraph, e altri, nonché strumenti avanzati di visualizzazione dei grafi come GePhi.

Introduzione alle reti;
Ripasso della teoria dei grafi;
Omofilia;
La forza dei legami deboli;
Centralità, robustezza;
Modelli di rete, reti casuali e reti piccolo mondo;
Leggi di potenza e fenomeni del “più ricco diventa più ricco”;
Comunità;
Fenomeni di diffusione;
Comportamento a cascata nelle reti;
Diffusione di epidemie;
Sperimentazioni di analisi di rete (strutturale e dinamica) con Gephi e Python/networkx;
Introduzione all'information retrieval;
Inverted index;
Termini e posting;
Ingestione dei documenti e pipeline NLP;
Sperimentazioni di NLP ed information retrieval con SpaCy;
Ranked retrieval;
Valutazione dei motori di ricerca;
Reti dirette e pesate;
La struttura del Web;
Analisi dei collegamenti;
Calcolo del Pagerank;
Modelli linguistici e word embedding (basi);
Word embedding con SpaCy

Si raccomanda una buona conoscenza di programmazione ed algoritmi, oltre ad una conoscenza di base di algebra lineare, di calcolo delle probabilità e di statistica.

Lezioni che introducono i concetti teorici ed esercitazioni in laboratorio che li applicano. Nelle lezioni si affrontano gli argomenti di teoria tramite presentazioni diapositive, con esempi e alcune domande per verificare l’apprendimento degli studenti. Nelle esercitazioni in laboratorio gli studenti sono guidati nella realizzazione di semplici progetti volti a mettere in pratica le conoscenze teoriche acquisite.

Modalità d'esame

L'esame valuta le competenze acquisite attraverso una prova orale obbligatoria e la consegna di un progetto facoltativo.
La prova orale si svolge il giorno dell'appello e si articola in una serie di domande di difficoltà variabile corrispondenti a diversi livelli di punteggio per un totale di 28 punti. Il massimo dei voti lo si può raggiungere se è stato comunicato in precedenza ai docenti l'intenzione di svolgere anche un progetto pratico di analisi e visualizzazione di rete in Python. Il progetto e la discussione orale valgono un incremento di -4/+4 punti.
18–20 punti garantisce la sufficienza e attesta la comprensione minima della teoria della scienza delle reti, delle topologie dei grafi e dell'information retrieval.
21–23 punti attesta una competenza intermedia dei principi di modellizzazione delle reti, delle strutture comunitarie, delle misure di centralità e dell'architettura dei sistemi di retrieval.
24–26 punti dimostra la capacità di applicare i principi della scienza delle reti, dell'analisi dei processi dinamici e dell'information retrieval a contesti reali.
27–28 punti dimostra la capacità di applicare in modo ottimizzato e rigoroso le tecniche di analisi di grafi su larga scala, estrazione di metriche avanzate e modellizzazione della diffusione nelle reti.
29–30 punti è riservato a coloro che, superata la prova orale con un voto minimo di 26, hanno anche sviluppato un progetto completo in Python (utilizzando librerie come NetworkX o igraph) e/o in GePhi, da concordare con il docente. Il progetto prevede l'analisi empirica e la visualizzazione di un dataset di rete reale.
L'eccellenza (30 e Lode) è riservata a chi, oltre al massimo dei voti all'orale e nel progetto, presenti un'analisi impeccabile che dimostri totale autonomia nella modellizzazione della rete, nella scelta delle metriche di analisi e nell'interpretazione/visualizzazione dei dati forniti.
Il docente si riserva di integrare obbligatoriamente l'esame scritto con un esame orale se lo ritiene utile e/o necessario.

Testi di riferimento

[1] Filippo Menczer, Santo Fortunato, and Clayton A. Davis, A First Course in Network Science, Cambridge University Press (in biblioteca)
[2] David Easley and Jon Kleinberg, Networks, Crowds, and Markets: Reasoning About a Highly Connected World, Cambridge University Press
[3] Albert-László Barabási, Network Science, Cambridge University Press
[4] C. D. Manning, P. Raghavan and H. Schütze, Introduction to Information Retrieval, Cambridge University Press. 2008
Materiale addizionale fornito dal docente

Codice insegnamento MF0744

Sociologia Digitale 2° anno · 9 CFU · SPS/07 · 0 file

Conoscenza e comprensione. Il corso ha lo scopo di presentare e discutere con gli studenti i principali temi connessi con la digitalizzazione della società che sono stati oggetto di studio da parte della sociologia. Tali…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenza e comprensione. Il corso ha lo scopo di presentare e discutere con gli studenti i principali temi connessi con la digitalizzazione della società che sono stati oggetto di studio da parte della sociologia. Tali temi riguardano: le caratteristiche e le controversie della società digitale, la comprensione dei processi sociali e tecnologici degli spazi digitali, la ricerca empirica condotta sulle piattaforme e negli spazi digitali. Il corso offre, dunque, gli strumenti teorici e metodologici necessari per l'analisi delle forme di socialità, del cambiamento sociale, dei processi di opinione pubblica, delle diseguaglianze economiche e sociali che caratterizzano il presente in un contesto di quotidianità dell’interazione digitale. Capacità di applicare conoscenza e comprensione. Gli studenti e le studentesse acquisiranno: 1) capacità di comprensione del cambiamento sociale connesso allo sviluppo delle tecnologie digitali; 2) capacità di riflessione critica sui processi generativi dei modelli decisionali tramite algoritmi e le possibili conseguenze sociali; 3) capacità di orientarsi nel dibattito sull’impatto sociale della digitalizzazione e dei meccanismi di interazione sociale alla base del suo sviluppo; 4) capacità di utilizzare e valutare criticamente i principali strumenti della ricerca sociale empirica negli ambienti digitali. Autonomia di giudizio. Il corso mira a promuovere l'autonomia di giudizio nel riconoscere, analizzare e comunicare possibili criticità relative ai processi sociali all’interno dello spazio socio-digitale, analizzandone le conseguenze a livello micro e macro sociale anche con l’uso di specifiche strategie di ricerca empirica. Abilità comunicative. Gli studenti saranno in grado di presentare in modo chiaro e rigoroso le conoscenze e le competenze acquisite sui temi della società digitale, utilizzando un linguaggio appropriato e confrontandosi con studiosi e professionisti appartenenti ad altre discipline. Capacità di apprendimento. Gli studenti acquisiranno gli strumenti teorici e metodologici necessari per comprendere e partecipare al dibattito contemporaneo sull'impatto sociale delle tecnologie digitali e dei loro più recenti sviluppi, sviluppando la capacità di aggiornare autonomamente le proprie conoscenze.

Programma

La sociologia digitale indaga, analizza e cerca di comprendere l'impatto, lo sviluppo e l'uso delle tecnologie digitali, nonché la loro integrazione nei contesti sociali, nelle istituzioni, nella vita quotidiana e nelle relazioni tra individui e gruppi. Allo stesso tempo, a livello individuale, le tecnologie digitali sono diventate sempre più incorporate nell'immaginazione, nella cognizione, nei mondi simbolici e persino nell'esperienza fisica delle persone.
Introducendo le dimensioni sociali, culturali e politiche della società digitale, questo corso mira a fornire agli studenti gli strumenti teorici, metodologici e pratici necessari per affrontare i principali temi e le sfide in questo campo di ricerca. Tra questi vi sono il ruolo degli utenti nei processi di innovazione; la raccolta e l'uso dei dati comportamentali nel contesto del capitalismo della sorveglianza; le questioni di proprietà e dei beni comuni (commons) nell'economia delle piattaforme; la riconcettualizzazione della scienza, della conoscenza e dell'informazione nella società del rischio digitale; il contributo delle tecnologie digitali all'incorporazione (embodiment) e alla percezione del sé; e l'evoluzione della politica digitale e delle nuove forme di partecipazione democratica.

La prima parte introdurrà per brevi cenni alcune teorie e questioni generali proprie delle discipline sociologiche; essa inoltre si soffermerà su alcuni elementi di sfondo storico relativi all'innovazione digitale e all'intelligenza artificiale. La seconda parte esplorerà aree di interesse nella sociologia digitale e nella sociologia dell'innovazione. La terza parte si dedicherà a problemi e tematiche dell'innovazione e della società digitale e includerà seminari su tipologie e narrazioni dell'innovazione, beni comuni e dinamiche collettive dell'innovazione. La quarta parte affronterà alcuni problemi relativi alla dimensione sociale dell'innovazione, oltre a curare l'identificazione, la formulazione e la discussione delle proposte progettuali.

Non sono previste propedeuticità formalizzate. Il corso è strutturato per integrare i concetti sociologici di base necessari alla comprensione della sociologia digitale, risultando accessibile anche agli studenti privi di un background in scienze sociali.

Il docente prediligerà lezioni imperniate sull’interazione con i discenti e le discenti, affinché l’apprendimento possa essere costruito muovendo dai prerequisiti da questi e queste posseduti e sia favorita l’acquisizione di una consapevolezza critica sulle categorie di volta in volta prese in considerazione. Questo approccio sarà favorito anche attraverso il ricorso a format di tipo seminariale, a esercitazioni pratiche, ad attività di simulazione.

Modalità d'esame

Esame finale orale. La discussione prenderà le mosse dal progetto al quale gli studenti lavoreranno durante il corso. Durante la discussione gli studenti saranno chiamati a dimostrare padronanza con le teorie e gli strumenti appresi durante il corso e applicati per l'elaborazione del progetto, nonché di avere acquisito le competenze metodologiche e tecniche proprie di base della ricerca sociale applicata all'ambito dell'innovazione digitale.

Testi di riferimento

Per il presente insegnamento non è previsto l'acquisto di libri di testo.
Il materiale d'esame è costituito esclusivamente dalle dispense e dalle slide delle lezioni, messe a disposizione dal docente e scaricabili gratuitamente dalla piattaforma d'Ateneo DIR - Didattica In Rete.

Codice insegnamento MF0644

Supporto Alla Decisione Clinica E Bioinformatica 2° anno · 9 CFU · INF/01 · 0 file

Gli studenti devono aver acquisito le seguenti conoscenze, competenze, ed abilita': principali tipologie di sistemi basati sulla conoscenza per il supporto alle decisioni cliniche, con particolare riferimento alla…

Scheda dell'insegnamento

Obiettivi formativi

Gli studenti devono aver acquisito le seguenti conoscenze, competenze, ed abilita': principali tipologie di sistemi basati sulla conoscenza per il supporto alle decisioni cliniche, con particolare riferimento alla diagnosi ed al trattamento dei pazienti; principali metodologie e tecniche adottate in tali ambiti; analisi dei fattori abilitanti e delle criticità per l’adozione di tali sistemi nella pratica medica; metodologie e tecniche per rappresentazione e gestione della conoscenza, predizione, ottimizzazione, adattamento; capacità di identificare, interpretare, codificare e processare varie tipologie di dati biologici per applicazioni di apprendimento automatico.
Occorre inoltre essere in grado di dimostrare la capacita' di applicarle tali conoscenze nel rispondere a quesiti di teoria, o nello svolgere alcuni esercizi, o nell’illustrare (oralmente) un approfondimento svolto in autonomia.

Programma

Il corso presenterà le principali metodologie e tecniche per sviluppare un sistema di supporto alle decisioni in campo bio-medico. In particolare, il primo modulo si concentrerà su sistemi basati sulla rappresentazione della conoscenza esplicita, mentre il secondo modulo sarà dedicato principalmente ai sistemi basati sulla conoscenza operativa (i dati). Per la parte di Bioinformatica verranno invece esaminate le principali metodologie e tecniche basate su AI e ML per l’analisi di dati relativi a sequenze biologiche, espressione genica, genomica e proteomica.

Il modulo dedicato ai sistemi basati su rappresentazione esplicita della conoscenza affronterà le seguenti problematiche: architetture e caratteristiche generali dei CDSS, sorgenti ed acquisizione di conoscenza, regole decisionali, sistemi per la diagnostica, sistemi per la gestione informatizzata di linee guida cliniche, vocabolari ed ontologie, sistemi per la gestione di clinical trial, analisi di fattori critici e fattori abilitanti per l’adozione pratica di CDSS.
Nel modulo sulla conoscenza operativa l’esposizione sarà organizzata in quattro parti: 1. gestione della conoscenza operativa: Case-based Reasoning; soluzioni di Case-based Reasoning avanzate (dati in forma di serie temporali, fuzzy CBR, process-oriented CBR); 2. predizione: classificazione, regressione, serie temporali; metodi matematici, basati su distanze, logici, basati su euristiche; metodi ibridi;3. ottimizzazione: metodi matematici, algoritmi evoluzionistici, ant systems, metodi ibridi; 4. adattamento: tecniche per migliorare le prestazioni del modulo di previsione. Per il modulo di bioinformatica verranno trattati i seguenti argomenti: Introduzione alla biologia cellulare e computazionale. Competenze bioinformatiche essenziali (database, API, framework). Feature Engineering. Data imputation, Dimensionality Reduction, Applicazioni alle metodologie di regressione lineare e logistica a dati biologici. Alberi decisionali, Random Forest ed eXtreme Gradient Boosting per dati biologici. Utilizzo di Hidden Markov Models per l’identificazione di geni codificanti per proteine. Esempi di approcci basati su Deep Learning all’analisi di dati biologici.

Nozioni di basi di dati

Lezione frontale in aula o in laboratorio. Le lezioni frontali contempleranno anche la risposta a quesiti o la risoluzione di esercizi esemplificativi per lo svolgimento dell'esame. Esempi di test d'esame potranno essere forniti agli studenti. Le slide delle lezioni, i testi consigliati, ed altro materiale saranno forniti anche sulla piattaforma DIR, per consentire anche a chi non frequenta di tenersi al passo con lo svolgimento del corso.

Modalità d'esame

La votazione finale si basa sulle conoscenze, competenze e capacità dimostrate in sede d'esame, pesando i risultati coerentemente con il numero di CFU di ciascun modulo.
Precisamente, i voti vengono assegnati secondo la seguente griglia di valutazione:
18: Lacune importanti nei contenuti, mancate risposte o risposte non adeguate
18–22: Preparazione accettabile, ma con lacune significative o argomenti non studiati adeguatamente. Sufficiente capacità di applicazione. Utilizzo basilare del lessico tecnico
23-25: Conoscenze appropriate con alcune lacune, discreta capacità di applicazione; presentazione articolata e utilizzo appropriato del linguaggio tecnico
26–28: Buona conoscenza dei contenuti e capacità di stabilire collegamenti fra le diverse parti del programma. Utilizzo solido del linguaggio tecnico.
29–30 e lode: Preparazione completa e approfondita, con visione chiara e coerente degli argomenti trattati. Utilizzo preciso del linguaggio tecnico.
L’esame relativo alla prima parte del corso (approcci basati su rappresentazione esplicita della conoscenza) sarà in forma orale, e prevederà domande teoriche ed eventuali piccoli esercizi applicativi.
L'esame relativo al modulo sulla conoscenza operativa è scritto e prevede un minimo di 3 domande, che verteranno su argomenti scelti tra: gestione della conoscenza operativa, predizione, ottimizzazione, adattamento. Il voto terra' conto dei risultati parziali ottenuti nelle singole domande (ad esempio eseguendone una media). Eventualmente (ad esempio, per richiesta dello studente), la stessa tipologia di esame potra' essere svolta oralmente.
Per la parte di bioinformatica lo studente dovrà presentare un approfondimento sotto forma di seminario su una tematica inerente agli argomenti trattati.
I docenti si riservano la possibilità di convocare lo/la studente per un esame orale integrativo a scopo confermativo a valle dell'esito dell'esame scritto

Testi di riferimento

Z. Michalewicz et al., Adaptive Business Intelligence, Springer.
Robert Greenes. Clinical Decision Support. The Road to Broad Adoption 2nd Edition – 2014. ISBN: 9780128100240
Hiroshi Mamitsuka: Textbook of Machine Learning and Data Mining: with Bioinformatics Applications. ISBN-13: 978-4991044502
Pierre Baldi & Soren Brunak: Bioinformatics: The Machine Learning Approach, Second Edition.: Mit Press, 2001
Philip Compeau & Pavel Pevzner: Bioinformatics Algorithms. An active Learning Approach. Volumi I e II. Active Learning Publishers. 2018

Codice insegnamento MF0646

Valutazione Delle Prestazioni E Simulazione 2° anno · 9 CFU · INF/01 · 0 file

Conoscenza e capacità di comprensione: Conoscere alcuni formalismi per la rappresentazione di modelli matematici (esprimibili anche in forma grafica) utili all’analisi dell’affidabilità e delle prestazioni di sistemi.…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenza e capacità di comprensione: Conoscere alcuni formalismi per la rappresentazione di modelli matematici (esprimibili anche in forma grafica) utili all’analisi dell’affidabilità e delle prestazioni di sistemi. Conoscere i principali metodi computazionali per l’analisi dei modelli (soluzione in forma chiusa, oppure soluzione con metodi di calcolo numerico, o tramite simulazione). Conoscere alcuni modelli di base e saper fare esempi di ambiti applicativi in cui tali modelli si possono efficacemente utilizzare.
Capacità di applicare conoscenza e comprensione: Capacità di interpretare un modello ed i risultati ricavabili dalla sua analisi. Capacità di costruire il modello di un sistema tramite un determinato formalismo, definire gli indici di prestazione interessanti, calcolare questi ultimi utilizzando uno strumento software esistente o implementandone uno ad-hoc. Capacità di validare un modello confrontando i risultati della sua analisi con quelli calcolati tramite modelli alternativi o con misure effettuate su sistemi reali.
Gli studenti e le studentesse dovranno raggiungere l'autonomia di giudizio rispetto al formalismo e ai metodi di analisi più adatti per affrontare un determinato problema. Dovranno saper scegliere il livello di dettaglio corretto per la descrizione del modello e degli indici di prestazione e scegliere gli strumenti software più adatti in base al formalismo e al metodo di analisi individuati. Gli studenti e le studentesse dovranno essere in grado di comunicare e spiegare le basi matematiche su cui si fondano i modelli e i relativi algoritmi di analisi. Dovranno inoltre essere in grado di descrivere i modelli sviluppati, giustificare le scelte fatte e illustrare l’interpretazione dei risultati ottenuti dall’analisi dei modelli. Gli studenti e le studentesse dovranno acquisire le conoscenze metodologiche necessarie per apprendere nuovi formalismi o metodi di analisi proposti nella letteratura scientifica e per implementare i relativi algoritmi.

Programma

Il corso definisce una serie di requisiti non funzionali che caratterizzano vari tipi di sistemi con particolare attenzione ai sistemi di calcolo e alle reti di calcolatori. Vengono presentati alcuni modelli matematici e metodi di analisi per la valutazione di prestazioni e affidabilità a partire dai modelli, utilizzabili in fase di progettazione o in momenti successivi quando il sistema oggetto di studio è operativo. Il corso prevede la sperimentazione di alcuni pacchetti software per la creazione di modelli di sistemi e la loro analisi con metodi analitici, numerici o simulativi. Vengono inoltre evidenziati possibili collegamenti con modelli usati nell’ambito dell’Intelligenza Artificiale, in particolare i modelli grafico probabilistici.

Ripasso delle basi di calcolo delle probabilità e statistica necessarie per comprendere i modelli matematici proposti nel corso. Definizione di requisiti non funzionali di sistemi: indici di prestazione e affidabilità.
La simulazione ad eventi discreti: principi di base, generazione di numeri casuali realizzazione di variabili casuali, studio in transitorio e a regime di indici di prestazione o affidabilità, prove ripetute e metodo batch, analisi dell’output della simulazione tramite metodi statistici. Validazione di un modello di simulazione.
Formalismi:

  • Formalismi per la descrizione del comportamento di modelli dinamici e stocastici (reti di code, reti di Petri con e senza rappresentazione del tempo, catene di Markov)
  • Formalismi per lo studio dell’affidabilità dei sistemi, in particolare i Fault tree e loro estensioni.
  • Definizione di indici di prestazione e affidabilità tramite funzioni di reward.
    Metodi di analisi:
  • Catene di Markov: metodi analitici e numerici, simulazione.
  • Reti di code: analisi operazionale e simulazione.
  • Reti di Petri (stocastiche): analisi basata sullo spazio degli stati per lo studio qualitativo e quantitativo del comportamento del modello; analisi quantitativa e catene di Markov; simulazione.
  • Fault tree: analisi basata su metodi combinatori o sullo spazio degli stati (anche per estensioni del formalismo base)
    Cenni sulla relazione tra Fault Tree e modelli grafico-probabilistici (Reti Bayesiane).
  • Dimostrazione e sperimentazione in laboratorio di vari strumenti software e sviluppo di un programma simulatore.

Corso di base in probabilità e statistica

Lezioni frontali, esercitazioni in aula e in laboratorio anche tramite diversi pacchetti software per la progettazione, simulazione e soluzione di modelli. Vengono assegnati esercizi o approfondimenti su letteratura scientifica da svolgere in autonomia.

Modalità d'esame

La verifica dell'apprendimento viene effettuata mediante compiti scritti o colloqui orali svolti dopo la fine del corso che comprenderanno circa cinque domande (che possono essere articolate in più punti ed includere lo svolgimento di esercizi) sugli argomenti trattati nel corso.
L’esame comprende anche una seconda parte (obbligatoria) che consiste o nello svolgimento in autonomia di un esercizio pratico di modellazione di un caso di studio e relativa analisi tramite strumenti software disponibili o codice sviluppato dallo studente, o in alternativa l’approfondimento in autonomia di un argomento teorico. In entrambi i casi è previsto un colloquio finale di verifica.
Nella valutazione finale viene dato maggior peso alla parte teorica: il voto della parte teorica può essere incrementato sulla base della qualità del lavoro svolto nella parte pratica.
Per raggiungere la sufficienza (18-21) ) è necessario saper enunciare le definizioni di base dei formalismi trattati, definire gli elementi che caratterizzano un modello di simulazione e l’algoritmo generico di simulazione ad eventi discreti. Inoltre occorre conoscere le regole operazionali che sottendono alla semantica dei formalismi presentati nel corso e saperle applicare almeno ad un livello di complessità basilare. È inoltre necessario svolgere l’esercizio pratico nella sua versione minima, spiegare come è stato realizzato e ricavare alcuni risultati. Per raggiungere una buona valutazione (22-25) occorre saper applicare le regole operazionali ad un livello di complessità intermedio, interpretare un modello dato e ricavarne alcune proprietà qualitative e/o quantitative a partire dai dati forniti. Inoltre è necessario fare un’analisi più approfondita dei risultati ricavabili dall’esercizio pratico. Per raggiungere una valutazione ottima (26-29), occorre anche dimostrare di saper sviluppare in autonomia un modello (o una parte di esso) e/o alcune funzioni di gestione degli eventi di un simulatore ad eventi discreti. Inoltre, si bisogna saper svolgere in modo completo e dettagliato gli esercizi di calcolo delle proprietà dei modelli proposti. Per quanto riguarda l’esercizio pratico è necessario curare nel dettaglio quanto richiesto nella consegna, svolgere un’analisi completa dei risultati (giustificando anche la scelta dei parametri), saper commentare nei dettagli quanto sviluppato ed essere in grado di rispondere a domande su possibili ampliamenti o relative a collegamenti con altri argomenti trattati nel corso. La valutazione eccellente (30-30 e lode) si raggiunge dimostrando una completa assimilazione dei concetti di base, linguaggio tecnico appropriato, precisione nell’esecuzione degli esercizi con dettaglio dei passaggi, completa padronanza della materia dimostrata da un livello di approfondimento adeguato in tutte le risposte sulla parte teorica e nello svolgimento dell’esercizio pratico oltre alla capacità di valutare criticità e proporre metodi per superarle.

Testi di riferimento

J. Banks, J. S. Carson II, B. L. Nelson, David M. Nicol, Discrete-Event System Simulation , Fifth edition, Pearson Education 2010
K. Trivedi, A. Bobbio, "Reliability and Availability: Modeling, Analysis and Applications" - Cambridge University Press, 2017
Dispense o articoli scientifici scaricabili da DIR

Codice insegnamento MF0647

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.