Corso di laurea

Informatica e Innovazione Digitale

Università degli Studi di Urbino Carlo Bo · 15 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

ANALISI DELLE RETI SOCIALI DIGITALI 1° anno · 6 CFU · GSPS-06/A · 0 file

Il corso si propone di offrire una panoramica dei metodi di studio della Rete e dei media digitali, di insegnare le basi del linguaggio di programmazione per l'elaborazione statistica “R”, di introdurre all’analisi delle…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di offrire una panoramica dei metodi di studio della Rete e dei media digitali, di insegnare le basi del linguaggio di programmazione per l'elaborazione statistica “R”, di introdurre all’analisi delle reti sociali, anche tramite il software Gephi, e della comunicazione online così come si manifestano sui social media. Il corso sarà articolato in due parti principali, una teorica e una pratica, che saranno seguite, per gli studenti frequentanti, da un project work. Nella prima parte del corso verrà fornita una introduzione alle caratteristiche dei media digitali, all’etica della ricerca e ai metodi di ricerca digitale, prendendo in considerazione le principali metodologie di analisi della Rete e alcuni tra i principali tool utilizzati nell’ambito della ricerca sociale e degli studi di digital marketing. Nella seconda parte verranno introdotti R (e l’ambiente di sviluppo RStudio), un linguaggio di programmazione per l’elaborazione statistica e grafica molto utilizzato in ambito accademico e aziendale, e Gephi, un software per la social network analysis. Riguardo R, sarà data particolare attenzione alle sue caratteristiche fondamentali nonché ad alcune funzioni base per la raccolta dei dati da web social media e per l’analisi statistica. Gli studenti frequentanti saranno infine coinvolti in un breve project work mirato a mettere in pratica le conoscenze acquisite, da applicare a un caso di analisi centrato sui dati di social media. Obiettivo del corso è fornire agli studenti una buona conoscenza dei saperi di base legati 1) alle metodologie di analisi degli ambienti sociali digitali, 2) alla raccolta dei dati dal web e dai social media, 3) all'esplorazione dei relativi dataset tramite analisi statistiche di base, delle reti e del contenuto tramite il linguaggio R e il software Gephi, nonché 4) all'interpretazione critica e alla presentazione dei risultati della ricerca.

1 . Conoscenze e capacità di comprensione : al termine del corso ci si attende che gli studenti dimostrino una buona conoscenza dei saperi di base legati alle caratteristiche dei media digitali e nello specifico dei social media, delle metodologie di analisi digitale, dell’etica della ricerca digitale, nonché conoscenze tecniche relative al linguaggio R e al software Gephi. 1.1. Gli studenti conseguono tali conoscenze di base attraverso la frequenza delle lezioni, lo studio dei testi discussi in aula ed esercitazioni individuali. 2 . Capacità di applicare conoscenza e comprensione : attraverso la capacità di analizzare i prodotti dei new media applicando le principali metodologie di analisi, R e Gephi. 2.1. Competenze acquisite attraverso il materiale di studio e i momenti di esercitazione laboratoriale in classe. 3 . Capacità di giudizio : al termine del corso lo studente dovrà aver acquisito una buona capacità di saper analizzare criticamente i dati raccolti in Rete, riconoscendone potenzialità e limiti. 3.1 Gli studenti conseguono tali conoscenze di base attraverso discussioni in aula, confronto con il docente, esercitazioni con l’utilizzo dei software previsti. 4 . Abilità comunicative : al termine del corso lo studente dovrà aver acquisito una buona capacità di comunicare in modo chiaro le conoscenze acquisite e il lavoro di ricerca realizzato durante le esercitazioni in classe. 4.1 Gli studenti conseguono tali capacità attraverso la frequentazione delle lezioni, lo studio dei testi e la realizzazione del report di ricerca derivato dal project work. 5 . Capacità di apprendimento : al termine del corso lo studente dovrà aver acquisito una buona capacità di autonomia nello studio dei metodi di ricerca digitale, del linguaggio R e Gephi, nella lettura analitica e interpretazione critica dei risultati di ricerca. 5.1 Gli studenti conseguono tali capacità attraverso discussioni in aula, esercitazioni, confronto con il docente, studio dei testi.

Programma

1. Digital Media e Digital Methods 1.1 Networked Publics, Social Media Logic, Prosumerism 1.2 Etica della ricerca digitale 1.3 Metodi della ricerca digitale (API, web scraping, data mining, text mining, social network analysis, web listening, sentiment analysis, etnografia digitale…) 1.4 Panoramica su tool gratuiti e commerciali 2. R software environment for statistical computing and graphics 2.1 Installazione di R ed RStudio (Integrated Development Environment per R) 2.2 User Interface e Package 2.3 Tipi e strutture di dati 2.4 Funzioni 2.5 Grafici 2.6 Analisi statistiche di base 2.7 Raccolta di dati tramite APIs (Meta Content Library & API) 3. Social Network Analysis e Gephi 3.1 Concetti fondamentali della social network analysis 3.2 Il software Gephi 4. Project work 4.1 Raccolta dei dati 4.2 Analisi dei dati 4.3 Scrittura di un breve report di ricerca

Nessuna propedeuticità

Il materiale didattico predisposto dalla/dal docente in aggiunta ai testi consigliati (come ad esempio diapositive, dispense, esercizi, bibliografia) e le comunicazioni della/del docente specifiche per l'insegnamento sono reperibili all'interno della piattaforma Moodle › blended.uniurb.it

· Lezioni introduttive sui media digitali, digital methods ed etica della ricerca · Lezioni introduttive su R e Gephi · Esercitazioni pratiche con R e Gephi È raccomandato un personal computer in grado di connettersi a Internet (gli studenti potranno usufruire di una connessione wi-fi dalle aule di lezione del corso) su cui installare ed esercitarsi con i programmi oggetto di studio.

Modalità d'esame

La verifica dell’apprendimento per gli studenti frequentanti sarà volta a valutare l'apprendimento dei contenuti da parte dello studente e avverrà tramite colloquio orale individuale basato, in parte (50%), sui concetti presentati a lezione e sui testi di riferimento per l’esame, e in parte (50%), sulla discussione critica del report di ricerca derivato dal project work sviluppato durante il corso. · Daranno luogo a valutazioni di eccellenza: il possesso da parte dello studente di buone capacità critiche e di approfondimento dei contenuti del corso, l’uso di un linguaggio appropriato rispetto alla specificità degli argomenti trattati e un report di ricerca metodologicamente corretto, preciso e ordinato. · Daranno luogo a valutazioni discrete: il possesso da parte dello studente di una conoscenza mnemonica dei contenuti; una relativa capacità critica, l’uso di un linguaggio appropriato e un discreto report di ricerca. · Daranno luogo a valutazioni sufficienti: il raggiungimento di un bagaglio di conoscenze minimale sui temi trattati da parte dello studente, pur in presenza di alcune lacune formative; l’uso di un linguaggio non del tutto appropriato e un report con alcune carenze. · Daranno luogo a valutazioni negative: difficoltà di orientamento dello studente rispetto ai temi affrontati nei testi d'esame, lacune formative, l’uso di un linguaggio non appropriato e un report di ricerca carente.

Testi di riferimento

Coscia, M. (2021). The Atlas for the aspiring network scientist. In arXiv [cs.CY] . arXiv. http://arxiv.org/abs/2101.00863 (parti II, III, IV, VIII e X)

Codice insegnamento 267796

LINGUA INGLESE B2 1° anno · 4 CFU · ANGL-01/C · 0 file

Il corso mira a sviluppare una conoscenza esaustiva della grammatica inglese (livello B2) applicata al campo tecnico-scientifico, trattandone gli argomenti più importanti come i prestiti, i calchi o i tempi verbali. Si…

Scheda dell'insegnamento

Obiettivi formativi

Il corso mira a sviluppare una conoscenza esaustiva della grammatica inglese (livello B2) applicata al campo tecnico-scientifico, trattandone gli argomenti più importanti come i prestiti, i calchi o i tempi verbali. Si spiegheranno, infatti, i termini scientifici più noti, i prefissi e i suffissi derivanti dalla lingua latina e greca, la forma passiva, come sono strutturate le pubblicazioni scientifiche (per esempio, gli abstract o i paper scientifici), quali sono i phrasal verbs più utilizzati in campo scientifico e informatico, le varie collocazioni tecniche in lingua inglese e come avviene la scrittura di un abstract all'interno di un articolo scientifico. Infine, il corso affronterà in lingua inglese alcune tematiche attinenti al corso di studi di Informatica e Innovazione Digitale, Filosofia dell'Informazione e Geologia Ambientale e Gestione del Territorio come gli algoritmi e l'intelligenza artificiale (IA), la filosofia, il tempo e il clima, le tecniche di programmazione e le reti, l'etica della tecnologia e l'ecologia o lo sviluppo sostenibile al fine di accrescerne le conoscenze e sviluppare un proprio pensiero critico in lingua inglese su tali argomenti.

Conoscenza e capacità di comprensione ( knowledge and understanding ): al termine del corso, lo studente/la studentessa acquisirà un'ottima conoscenza delle caratteristiche principali del linguaggio tecnico-scientifico inglese; saprà distinguere e utilizzare correttamente i prestiti, i calchi, i prefissi, i suffissi, i comparativi, i superlativi, i vari tempi verbali, la forma passiva o le collocazioni tecniche in lingua inglese. Inoltre, saprà scrivere e strutturare un abstract o paper scientifico, comprendendo il significato dei vari testi di natura scientifica e, infine, acquisirà una buona conoscenza in merito alle tematiche attinenti al corso di studi di Informatica e Innovazione Digitale, Filosofia dell'Informazione e Geologia Ambientale e Gestione del Territorio in lingua inglese. Conoscenza e capacità di comprensione applicate ( applying knowledge and understanding ): lo studente/la studentessa saprà applicare le conoscenze acquisite, argomentando in lingua inglese i caratteri principali del linguaggio tecnico-scientifico, applicandone la grammatica e sviluppando un proprio pensiero critico sugli argomenti chiave del corso di Informatica e Innovazione Digitale, Filosofia dell'Informazione e Geologia Ambientale e Gestione del Territorio mediante gli strumenti teorici e metodologici forniti a lezione. Autonomia di giudizio ( making judgements ): al termine del corso, lo studente/la studentessa riuscirà a formulare un proprio giudizio e pensiero critico rispetto ai vari argomenti di grammatica inglese applicati al campo tecnico-scientifico e alle tematiche tecnologiche, filosofiche e ambientali affrontate ed espresse nel programma in lingua inglese. Abilità comunicative ( communication skills ): lo studente/la studentessa sarà in grado di comunicare in modo chiaro le conoscenze acquisite, adottando un linguaggio specialistico appropriato, e di formulare un discorso in lingua inglese riguardo alle tematiche scientifiche del corso. Capacità di apprendere ( learning skills ): al termine del corso, lo studente/la studentessa acquisirà le competenze teoriche e metodologiche necessarie a formulare un proprio pensiero critico, a scrivere e strutturare un abstract o un paper scientifico. Inoltre, saprà argomentare in lingua inglese le tematiche proposte a lezione in modo chiaro e conciso.

Programma

Introduction Modulo A - Technical English Prefixes and suffixes from Latin and Greek Loanwords and calques from English Modal verbs (examples from technical texts) Comparatives and superlatives with adjectives, adverbs and nouns Present tenses Past tenses Future forms Passive voice If clauses Phrasal verbs (examples from technical texts) Scientific publications: abstracts and papers Technical collocations Modulo B - ICT, Philosophy and Environmental Geology Algorithms and Artificial Intelligence (AI) An overview of Philosophy Weather and climate Programming techniques and networks Ethics of Technology and Ecology Sustainable development A future in Informatics, Philosophy and Geology: CV, cover letter and interview

Lingua inglese - livello B1 secondo i criteri del QCER (Quadro comune europeo di riferimento per la conoscenza delle lingue).

Il materiale didattico predisposto dalla/dal docente in aggiunta ai testi consigliati (come ad esempio diapositive, dispense, esercizi, bibliografia) e le comunicazioni della/del docente specifiche per l'insegnamento sono reperibili all'interno della piattaforma Moodle › blended.uniurb.it

Lezioni frontali Esercitazioni (prove di autovalutazione ed esercizi) Mappe concettuali e presentazioni

Modalità d'esame

I risultati di apprendimento attesi verranno valutati attraverso una prova scritta e una prova orale. La prova scritta consisterà in quattro domande aperte e una serie di esercizi di grammatica inglese basati sugli argomenti svolti durante le lezioni (vedi Modulo A - Technical English ). Tempo a disposizione: 120 minuti. I criteri di valutazione sono: il livello di padronanza delle conoscenze (50%) il grado di articolazione della risposta (30%) la capacità critica e l'utilizzo della terminologia specifica (20%) Invece, la prova orale consisterà in una presentazione (PowerPoint, Canva, Prezi o altro) di una tematica (circa 10 - 15 minuti) a scelta dello studente o della studentessa dal Modulo B - ICT, Philosophy and Environmental Geology da concordare con la docente almeno 10/5 giorni prima dell'appello a cui ci si è iscritti. Inoltre, la presentazione dovrà rispettare delle linee guida che saranno caricate nella pagina Moodle Blended Learning del corso. I criteri di valutazione sono: conoscenza ed esposizione dei concetti (50%) padronanza del linguaggio specifico (30%) capacità critiche (20%) L'esito delle prove è espresso in termini di Idoneità / Non Idoneità : entrambe dovranno, quindi, essere superate dallo studente o dalla studentessa, raggiungendo circa il 60% delle risposte corrette per la prova scritta, mentre per quella orale dovranno dimostrare di aver appreso i concetti più importanti del Modulo A e B, di aver acquisito un buon linguaggio tecnico-scientifico e, infine, di aver sviluppato delle buone capacità critiche.

Testi di riferimento

Gli studenti e le studentesse sono invitati a consultare la pagina Moodle Blended Learning del corso per i testi e i materiali di studio ( slide e diapositive) utili alla piena comprensione degli argomenti trattati durante il corso.

Codice insegnamento 267800

MACHINE LEARNING 1° anno · 9 CFU · IINF-05/A · 0 file

L'obiettivo dell'insegnamento è fornire gli elementi necessari alla comprensione dei fondamenti del problema di apprendimento, con riferimento ai principali algoritmi per la regressione e la classificazione. In…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo dell'insegnamento è fornire gli elementi necessari alla comprensione dei fondamenti del problema di apprendimento, con riferimento ai principali algoritmi per la regressione e la classificazione. In particolare, questo insegnamento mira a: 1. Far conoscere le nozioni di base, i fondamenti e le metodologie dell'apprendimento automatico, sia supervisionato che non supervisionato. 2. Permettere l'acquisizione di adeguati strumenti teorici e applicativi nell'ambito della disciplina del machine learning. 3. Far acquisire la capacità di applicare strumenti e metodologie a diversi scenari e problemi. 4. Far acquisire le competenze che permettono di utilizzare e adattare sistemi software stato dell'arte per la soluzione di problemi di apprendimento automatico.

Conoscenza e capacità di comprensione: lo studente avrà acquisito le conoscenze fondamentali per la comprensione dei problemi di apprendimento automatico, la progettazione e l'analisi dei principali algoritmi di apprendimento supervisionato e non supervisionato. Conoscenza e capacità di comprensione applicate: lo studente sarà in grado di comprendere le principali caratteristiche dei più comuni problemi di apprendimento automatico e delle relative tecniche per la loro risoluzione, nonché applicare queste conoscenze per la progettazione di algoritmi di machine learning e dei relativi sistemi software. Autonomia di giudizio: lo studente sarà in grado di determinare l'adeguatezza e l'efficacia di metodologie e algoritmi di machine learning, con specifico riferimento a problemi di regressione e di classificazione. Abilità comunicative: lo studente imparerà ad illustrare in maniera appropriata le principali tecniche di apprendimento automatico e descrivere i fattori che ne determinano l'efficacia, con riferimento ad applicazioni in ambiti specifici; in particolare, dovrà argomentate in modo critico mediante l'uso di uno specifico linguaggio matematico descrittivo introdotto nell'ambito dell'insegnamento. Capacità di apprendere: ad avvenuto completamento dell'insegnamento, lo studente avrà acquisito un buon livello di autonomia nella comprensione critica di materiali di studio relativi alle principali tematiche di machine learning, che gli permetterà anche di affrontare nuovi scenari di tipo progettuale, ai quali applicare le conoscenze acquisite.

Programma

01 Introduzione 01.01 Machine learning: motivazioni, problemi e definizioni introduttive 01.02 Tipologie di apprendimento 02 Ottimizzazione matematica 02.01 Tecniche di ordine zero 02.02 Tecniche del primo ordine 02.03 Tecniche del secondo ordine 03 Regressione lineare 03.01 Funzione di costo minimi quadrati 03.02 Funzione di costo deviazione assoluta 03.03 Metriche di qualità per la regressione 03.04 Regressione pesata 04 Classificazione lineare binaria 04.01 Regressione logistica 04.02 Perceptron 04.03 Support Vector Machines 04.04 Metriche di qualità per la classificazione binaria 05 Classificazione lineare multi-classe 05.01 Classificazione One-versus-All e multi-classe 05.02 Metriche di qualità per la classificazione multi-classe 05.03 Apprendimento stocastico e mini-batch 06 Apprendimento non supervisionato 06.01 Autoencoder lineari 06.02 Riduzione della dimensionalità e analisi delle componenti principali 06.03 Analisi di cluster e algoritmo K-means 07 Feature engineering, feature selection, apprendimento non lineare 07.01 Feature engineering: istogrammi delle feature, normalizzazione standard 07.02 Feature selection tramite regolarizzazione 07.03 Regressione nonlineare 07.04 Classificazione nonlineare 08 Feature learning 08.01 Approssimatori universali 08.02 Generalizzazione e overfitting 08.03 Cross validation, regolarizzazione 09 Elementi di reti neurali 09.01 Reti totalmente connesse 09.02 Funzioni di attivazione 09.03 Algoritmo di backpropagation 10 Attività di laboratorio 10.01 Introduzione a Python, Numpy, Scikit-learn 10.02 Esercitazione su regressione lineare 10.03 Esercitazione su algoritmi di classificazione lineare: regressione logistica, SVM 10.04 Esercitazione su apprendimento non supervisionato: PCA, K-means 10.05 Esercitazione su reti neurali

Non vi sono propedeuticità obbligatorie. Tuttavia l'insegnamento assume conoscenze di base di analisi matematica (massimi e minimi di funzioni a una o più variabili), algebra lineare, algoritmi e strutture dati.

Il materiale didattico predisposto dalla/dal docente in aggiunta ai testi consigliati (come ad esempio diapositive, dispense, esercizi, bibliografia) e le comunicazioni della/del docente specifiche per l'insegnamento sono reperibili all'interno della piattaforma Moodle › blended.uniurb.it

Lezioni teoriche ed esercitazioni guidate in laboratorio. L'insegnamento viene erogato in modalità mista, ovvero le lezioni si svolgono simultaneamente in presenza in aula e a distanza all'interno della piattaforma Moodle.

Modalità d'esame

Progetto, prova scritta e prova orale. Tale modalità di accertamento delle conoscenze acquisite è mirata a verificare le capacità di conoscenza e comprensione, con particolare riferimento ai fondamenti dell'apprendimento automatico e alle loro applicazioni di base e, al contempo, a verificare sia la capacità di sintesi dello studente che le abilità comunicative ed espressive. Il progetto, da concordare preventivamente con il docente, deve essere sviluppato da gruppi composti da uno o, preferibilmente, due studenti e deve essere consegnato almeno 10 giorni prima dell'appello di esame. Il progetto è superato se il voto è di almeno 18/30; il voto rimane valido, anche se la prova scritta o orale viene sostenuta ma non superata, per tutto l'anno accademico. Qualora il progetto venga riconsegnato in un successivo appello d'esame, il voto del progetto precedentemente consegnato viene annullato. Ad ogni riconsegna del progetto viene applicata una penale di 4/30 al voto, potendo beneficiare della correzione del progetto precedentemente consegnato. La prova scritta (della durata di 2 ore) consiste in una serie di domande a risposta chiusa e a risposta aperta; tale prova viene valutata in trentesimi ed è ritenuta sufficiente se il relativo voto, che rimane valido per il solo appello in cui viene sostenuta, è di almeno 18/30. La prova orale, che può essere sostenuta (individualmente) solo dopo aver superato il progetto e la prova scritta, consiste in una discussione del progetto ed eventuali ulteriori domande sul programma dell’insegnamento. Se superata, essa determina un aggiustamento compreso tra -5/30 e 5/30 della media pesata delle valutazioni ottenute per il progetto e per la prova scritta (30% progetto, 70% esame scritto), producendo così il voto finale.

Testi di riferimento

Jeremy Watt, Reza Borhani, Aggelos Katsaggelos: "Machine Learning Refined. Foundations, Algorithms, and Applications", Cambridge University Press, (2020). Andreas Lindholm, Niklas Wahlström, Fredrik Lindsten, Thomas B. Schön: "Machine Learning - A First Course for Engineers and Scientists", Cambridge University Press, (2022).

Codice insegnamento 267787

METODI NUMERICI PER L'ALGEBRA LINEARE E L'ANALISI FUNZIONALE 1° anno · 9 CFU · MATH-05/A · 0 file

Questo insegnamento ha lo scopo di illustrare i principi di base, le tecniche e l’applicazione dei metodi numerici più comuni per l'algebra lineare e l'analisi funzionale. Particolare attenzione verrà posta sugli aspetti…

Scheda dell'insegnamento

Obiettivi formativi

Questo insegnamento ha lo scopo di illustrare i principi di base, le tecniche e l’applicazione dei metodi numerici più comuni per l'algebra lineare e l'analisi funzionale. Particolare attenzione verrà posta sugli aspetti implementativi con laboratori svolti utilizzando Matlab.

Conoscenza e capacità di comprensione. Acquisire le tecniche di programmazione di metodi numerici per l'algebra lineare e analisi funzionale. Dopo il corso lo studente avrà acquisito una buona conoscenza degli argomenti di matematica trattati nel corso. Conoscenza e capacità di comprensione applicate. Acquisire l'abilità di implementare metodi numerici per l'algebra lineare e l'analisi funzionale. Sviluppare l’abilità di programmare, testare e interpretare i risultati. Acquisire l'abilità di risolvere problemi matematici utilizzando Matlab. Autonomia di giudizio. Acquisire l'abilità di determinare il miglior metodo numerico per risolvere problemi di algebra lineare e differenziali, in base alle considerazioni ed esigenze di un problema particolare, bilanciando fattori compresi ma non limitati ad accuratezza, risorse computazionali disponibili, precisione dei dati e tempo di elaborazione. Acquisire l’abilità di riconoscere potenziali sorgenti di errore in modelli computazionali e soluzioni potenziali. Abilità comunicative. Acquisire l'abilità di illustrare in modo rigoroso i problemi matematici studiati nel corso ed esporre i relativi metodi numerici evidenziando le principali proprietà di ciascuno. Capacità di apprendimento. Abilità di studiare problemi e risolvere problemi simili ma non necessariamente uguali a quelli trattati durante le lezioni.

Programma

1. Fondamentali di Algebra Lineare e Analisi delle Matrici 1.1. Spazi vettoriali 1.2. Matrici e operazioni di base 1.2.1. Matrici ortogonali 1.2.2. Matrici a blocchi 1.3. Rango, nullità, ed inversa 1.4. Autovalori ed autovettori 1.5. Norme e prodotti scalari in spazi vettoriali 1.6. Norme matriciali 2. Fondamenti della matematica numerica 2.1. Buona posizione e condizionamento 2.2. Stabilità di metodi numerici 2.3. Analisi dell’errore a priori e a posteriori 2.4. Sorgenti di errore nei modelli computazionali 3. Algebra lineare numerica 3.1. Metodi diretti 3.1.1. Eliminazione gaussiana 3.1.2. Fattorizzazione di LU e Cholesky 3.2. Problemi ai minimi quadrati 3.2.1. Problemi di regressione 3.2.2. Equazioni normali 3.2.3. Fattorizzazione di QR 3.3. Decomposizione ai valori singolari 3.3.1. La pseudoinversa, problemi ai minimi quadrati sottodeterminati 3.3.2. Teorema fondamentale dell’algebra lineare 3.4. Metodi iterativi per la risoluzione di sistemi lineari 3.4.1. Metodi stazionari: Richardson, Jacobi, Gauss-Seidel 3.4.2. Convergenza di metodi stazionari 3.4.3. Precondizionamento 3.4.4. Metodo del gradiente e gradiente coniugato 3.5. Approssimazione di autovalori ed autovettori 3.5.1. Metodo delle potenze 3.5.2. Metodi basati su iterazioni QR 4. Radici di equazioni non lineari / risoluzione di sistemi non lineari 4.1. Equazioni non lineari monodimensionali 4.1.1. Metodi geometrici: bisezione, corde, secante 4.1.2. Iterazioni a punto fisso 4.1.3. Metodo di Newton 4.2. Sistemi di equazioni non lineari 4.2.1. Iterazioni a punto fisso 4.2.2. Metodo di Newton 4.2.3. Problemi ai minimi quadrati non lineari, metodo di Gauss-Newton 5. Interpolazione di funzioni 5.1. Interpolazione polinomiale 5.1.1. Interpolazione polinomiale su base di Lagrange 5.1.2. Stabilità dell’interpolazione polinomiale, fenomeno di Runge 5.2. Interpolazione a tratti e spline 5.3. Metodi basati su funzioni base ortogonali 6. Integrazione numerica 6.1. Metodi interpolatori: punto medio, trapezio, Cavalieri-Simpson 6.2. Metodi di Newton-Coates 6.3. Analisi dell’errore e grado di esattezza 6.4. Metodi basati su funzioni base ortogonali 7. Risoluzione di equazioni differenziali ordinarie 7.1. Formule di differenze in avanti, indietro e centrate 7.2. Il problema Cauchy 7.2.1. Metodo di Euler implicito ed esplicito 7.2.2. Stabilità 7.2.3. Metodi di Heun e Crank-Nicolson 7.3. Analisi dei Metodi ad un passo 7.4. Metodi multipasso: Adams e BDF 8. Metodi data-driven 8.1. Teoria di Koopman applicata e dynamic mode decomposizion 8.2. Riduzione all’ordine e proper orthogonal decomposition 8.3. Filtro di Kalman ed assimilazione dei dati

Il materiale didattico predisposto dalla/dal docente in aggiunta ai testi consigliati (come ad esempio diapositive, dispense, esercizi, bibliografia) e le comunicazioni della/del docente specifiche per l'insegnamento sono reperibili all'interno della piattaforma Moodle › blended.uniurb.it

Lezioni frontali, esercitazioni con Matlab nel laboratorio di Informatica. L'insegnamento viene erogato in modalità mista, ovvero le lezioni si svolgono simultaneamente in presenza in aula e a distanza all'interno della piattaforma Moodle.

Modalità d'esame

1. Progetto facoltativo: Gli studenti avranno la possibilità di svolgere un progetto, da soli o in gruppi di massimo tre persone. Il progetto consisterà nella risoluzione di un problema proveniente da un’applicazione. Dovranno essere consegnati sia il codice utilizzato per risolvere il problema sia un report (necessariamente dattiloscritto) che presenti i risultati in modo chiaro, con tutti i dettagli computazionali. Il problema sarà risolvibile utilizzando esclusivamente i metodi presentati nel corso; tuttavia, essi potranno essere applicati in contesti o con adattamenti specifici al problema, non necessariamente trattati esplicitamente durante le lezioni. Il progetto dovrà essere consegnato almeno 10 giorni prima dell’appello d’esame. I progetti realizzati in gruppo dovranno inoltre includere un’autocertificazione attestante i contributi specifici di ciascun membro del gruppo. Verrà superato con un voto di almeno 18/30. 2. Prova orale: Consiste di due domande sugli argomenti del programma. Verrà superato con un voto di almeno 18/30. Per coloro che non svolgono il progetto, la prova orale peserà per il 100% del voto finale. Per coloro che svolgono il progetto, il progetto peserà per il 50% del voto finale e la prova orale per l’altro 50%. Sebbene il progetto sia facoltativo, una volta superato costituirà il 50% del voto finale e non potrà in alcun caso essere ignorato o avere un peso ridotto, indipendentemente dalla prova orale.

Testi di riferimento

Quarteroni et al. (2014). Matematica Numerica. In UNITEXT. Springer Milan. https://doi.org/10.1007/978-88-470-5644-2

Codice insegnamento 267794

PRINCIPI DI INTELLIGENZA ARTIFICIALE 1° anno · 6 CFU · IINF-05/A · 0 file

Questo insegnamento ha lo scopo di fornire un inquadramento storico-culturale dell'intelligenza artificiale, illustrarne i principali ambiti di applicazione e le problematiche relative, e presentare alcune delle…

Scheda dell'insegnamento

Obiettivi formativi

Questo insegnamento ha lo scopo di fornire un inquadramento storico-culturale dell'intelligenza artificiale, illustrarne i principali ambiti di applicazione e le problematiche relative, e presentare alcune delle tematiche di base quali tecniche di risoluzione di problemi modellati in uno spazio di ricerca e probelmi per giochi a due giocatorii. Verranno inoltre appresi i principi del ragionamento logico per la risoluzione di problemi basati su conoscenza. Verranno infine fornite le basi per risolvere problemi in ambienti stocastici attraverso i processi decisionali di markov, base per apprendere i prinicipi dell'apprendimento per rinforzo. Le abilità che lo studente dovrà conseguire sono la modellazione di problemi e il progetto e sviluppo di sistemi software per la soluzione di problemi tramite tecniche di intelligenza artificiale.

Conoscenza e capacità di comprensione: lo studente avrà acquisito le conoscenze fondamentali per la comprensione dei fondamenti dell'intelligenza artificiale, a partire dal concetto di agente intelligente e sua progettazione attraverso algoritmi di ricerca e ottimizzazione, logiche per la rappresentazione della conoscenza e algoritmi di apprendimento per rinforzo. Conoscenza e capacità di comprensione applicate: lo studente sarà in grado di comprendere le principali caratteristiche dei più comuni problemi di intelligenza artificiale, e saprà scegliere tra le tecniche apprese la più adeguata allo specifico problema. Autonomia di giudizio: lo studente sarà in grado di determinare l'adeguatezza e l'efficacia di metodologie e algoritmi di intelligenza artificiale, con specifico riferimento a problemi di ricerca, ottimizzazione e apprendimento in condizione di incertezza e non. Abilità comunicative: lo studente imparerà ad illustrare in maniera appropriata le principali tecniche di risoluzione di problemi, ragionamento logico e ragionamento in condizioni di incertezza. Capacità di apprendere: ad avvenuto completamento dell'insegnamento, lo studente avrà acquisito un buon livello di autonomia nella comprensione critica di materiali di studio relativi alle principali tematiche dell'intelligenza artificiale, che gli permetterà anche di affrontare nuovi scenari di tipo progettuale, ai quali applicare le conoscenze acquisite.

Programma

01. Introduzione all'Intelligenza Artificiale 01.01 Cenni storici 01.02 Problemi tipici affrontati nell'ambito dell'Intelligenza Artificiale 01.03 Principali ambiti applicativi 02. Agenti Intelligenti 02.01 Architetture principali 03. Risoluzione di problemi 03.01 Rappresentazione nello spazio degli stati 03.02 Strategie di ricerca (informate e non) 03.03 Problemi di ottimizzazione, ricerca locale, e ricerca in ambienti non deterministici 03.04 Giochi e ricerca con avversari 04 Conoscenza e Ragionamento 04.01 Agenti Logici 04.02 Logica proposizionale e inferenza logica 04.03 Logica dei predicati del primo ordine 04.04 Sistemi basati sulla conoscenza 05 Conoscenza Incerta e Ragionamento in Condizioni di Incertezza 05.01 Quantificare l'incertezza 05.02 Ragionamento probabilistico 05.03 Processo decisionale di Markov 05.04 Apprendimento per rinforzo 06 Esercitazioni 06.01 Problemi di ricerca informata e non: esercizi e soluzioni 06.02 Problemi di ricerca con avversari: esercizi e soluzioni 06.03 Risoluzione tramite refutazione 06.04 MDP + RL: esercizi e soluzioni

Non vi sono propedeuticità obbligatorie ma è certamente consigliato aver seguito il corso di Machine Learning .

Il materiale didattico predisposto dalla/dal docente in aggiunta ai testi consigliati (come ad esempio diapositive, dispense, esercizi, bibliografia) e le comunicazioni della/del docente specifiche per l'insegnamento sono reperibili all'interno della piattaforma Moodle › blended.uniurb.it

Didattica Ibrida Simultanea: lezioni in presenza e contemporaneamente in streaming Le lezioni si svolgeranno in aula e prevedranno l'impiego di materiale didattico (lucidi/slides), programmi dimostrativi ed esercitazioni pratiche, incluse attività ed esempi strutturati in modo analogo a quelli proposti nelle prove d'esame.

Modalità d'esame

La prova d'esame consiste in una prova scritta, della durata di due ore, organizzata in 4 parti, due relative a problemi di ricerca, con avversari e non, una relativa agli agenti logici e una relativa al ragionamento in condizioni di incertezza. La valutazione della preparazione sui vari argomenti trattati nel corso viene fatta tramite domande teoriche e esercizi. I criteri di valutazione sono: il livello di padronanza delle conoscenze, il grado di articolazione della risposta, il grado di adeguatezza della spiegazione, il grado di utilizzo di strumenti matematici e il grado di accuratezza dell’analisi e della metodologia utilizzata. Ciascuno dei criteri è valutato sulla base di una scala di giudizi a quattro livelli con particolare peso assegnato all'utilizzo di strumenti matematici e al grado di accuratezza dell’analisi e della metodoligia. Il voto della prova scritta è espresso in trentesimi. Il punteggio totale per tale prova consiste di 32 punti (8 punti a parte), con una soglia di sufficienza posta a 18/32 e la lode assegnata con un punteggio superiore a 30.

Testi di riferimento

S. J. Russel, P. Norvig, a cura di Francesco Amigoni: "Intelligenza Artificiale: Un approccio moderno", Pearson Italia, Volume 1, Quarta Edizione o edizioni precedenti anche in Inglese.

Codice insegnamento 267797

PROGRAMMAZIONE DI DISPOSITIVI MOBILI E INTERFACCE UTENTE 1° anno · 6 CFU · IINF-05/A · 0 file

L’insegnamento mira a trasmettere i principi fondamentali della progettazione e dello sviluppo di applicazioni interattive, con particolare attenzione all'ambito mobile e cross-platform. Il corso si propone di analizzare…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento mira a trasmettere i principi fondamentali della progettazione e dello sviluppo di applicazioni interattive, con particolare attenzione all'ambito mobile e cross-platform. Il corso si propone di analizzare i modelli applicativi fondamentali, i paradigmi di programmazione per interfacce grafiche e le architetture software, integrando lo studio delle linee guida di Material Design, della comunicazione e della persistenza dei dati. Attraverso attività pratiche di laboratorio incentrate sul framework Flutter (con particolare attenzione alla piattaforma Android), l'insegnamento persegue l'obiettivo di coniugare le nozioni teoriche con la loro applicazione pratica.

Conoscenza e capacità di comprensione: Al termine del corso, la studentessa/lo studente dimostrerà di conoscere i principi teorici e metodologici della progettazione di applicazioni interattive multipiattaforma. Comprenderà i modelli architetturali del software, il ciclo di vita delle applicazioni e le linee guida del Material Design. Conoscerà inoltre le specifiche tecniche dello sviluppo in ambiente mobile, inclusi i meccanismi di persistenza dei dati e di comunicazione remota. Conoscenza e capacità di comprensione applicate: Al termine del corso, la studentessa/lo studente sarà in grado di applicare le conoscenze acquisite per progettare e implementare applicazioni mobili stabili e performanti. Saprà utilizzare in modo concreto il linguaggio Dart e il framework Flutter, traducendo i requisiti di interfaccia in layout ed elementi grafici conformi agli standard di design attuali. Saprà inoltre integrare sistemi di persistenza dei dati e chiamate a servizi remoti. Autonomia di giudizio: La studentessa/lo studente saprà valutare in autonomia le scelte architetturali più idonee per lo sviluppo di un'applicazione, identificando i pattern di programmazione e di gestione dello stato più efficienti in relazione alla complessità del problema. Sarà inoltre in grado di giudicare criticamente la qualità e l'usabilità di un'interfaccia utente basandosi sui principi del design orientato all'utente. Abilità comunicative: La studentessa/lo studente sarà capace di esporre in modo chiaro, fluido e con la corretta terminologia tecnica le scelte progettuali, i pattern software adottati e le logiche di funzionamento dell'applicazione realizzata. Inoltre, la presentazione in classe del progetto d'esame darà agli studenti la capacità di sintetizzare gli argomenti appresi durante il corso al fine di motivare con chiarezza le proprie decisioni di design. Capacità di apprendere: Attraverso lo sviluppo pratico in laboratorio e lo studio autonomo, la studentessa/lo studente svilupperà la capacità di esplorare e assimilare in modo indipendente l'evoluzione dei framework di sviluppo (come Flutter) e dei sistemi di design, imparando a consultare la documentazione tecnica ufficiale e le librerie di terze parti per risolvere problemi di programmazione inediti.

Programma

01. Introduzione alle Applicazioni Interattive 01.01. Modelli applicativi e architetture software 01.02. Evoluzione delle piattaforme per applicazioni 01.03. Ciclo di vita di un'applicazione 02. Interfacce Grafiche e fondamenti di Visual Design 02.01. Principi storici ed evoluzione delle GUI (Graphical User Interface) 02.02. Elementi di base delle applicazioni grafiche 02.03. Dal pixel raster, al punto tipografico, al DIP (Density-Independent Pixel) 02.04. Aliasing e scaling 02.05. Elementi grafici fondamentali 03. Design e Progettazione delle Interfacce con Material Design 03.01. Filosofia e principi del Material Design 03.02. Il sistema dei colori, la tipografia e la griglia di layout 03.03. Componenti standard e pattern di interazione moderni 03.04. Linee guida per l'usabilità e l'accessibilità nelle interfacce utente 04. La programmazione mobile 04.01. Piattaforme mobili e il modello ad "App" 04.02. Interfacce utente touch-based e gesture 04.03. Memorizzazione dei dati e persistenza locale 04.04. Comunicazione inter-app 04.05. Comunicazione remota, gestione delle API e servizi web 05. Laboratorio di Sviluppo con Flutter e Dart 05.01. Il linguaggio Dart 05.02. L'ecosistema dei pacchetti (Pub.dev) 05.03. L'architettura e il middleware di Flutter 05.04. I Widget (Stateless e Stateful) 05.05. Gestione dello stato dell'applicazione 05.06. Tecniche per la propagazione dello stato (InheritedWidget e approcci moderni) 05.07. Utilizzo di widget comuni e dei componenti di Material Design 05.08 Design di un’applicazione

Non vi sono propedeuticità obbligatorie.

Il materiale didattico predisposto dalla/dal docente in aggiunta ai testi consigliati (come ad esempio diapositive, dispense, esercizi, bibliografia) e le comunicazioni della/del docente specifiche per l'insegnamento sono reperibili all'interno della piattaforma Moodle › blended.uniurb.it

Lezioni frontali ed esercitazioni di laboratorio. L'insegnamento viene erogato in modalità mista, ovvero le lezioni si svolgono in presenza in aula e vengono simultaneamente trasmesse a distanza all'interno della piattaforma Moodle.

Modalità d'esame

Prova teorica scritta, progetto individuale e discussione orale. La prova teorica scritta consiste in una serie di quesiti a risposta multipla e/o domande aperte sui concetti teorici del programma da svolgere in 2 ore. La prova si intende superata con una votazione minima di 18/30. Il superamento dello scritto è propedeutico al progetto e il voto rimane valido per l'intero anno accademico. Il progetto individuale consiste nello sviluppo autonomo di un'applicazione software sulla base di requisiti preventivamente concordati con il docente. Il codice dovrà essere accompagnato da una relazione tecnica sintetica e consegnato almeno una settimana prima della prova orale. Il progetto è valutato in trentesimi (sufficienza 18/30) in base alla completezza delle funzionalità e alla qualità dell'architettura software. La prova orale consiste in una dimostrazione pratica del funzionamento del progetto e nella verifica di tutte le funzionalità. Alla presentazione segue un colloquio di discussione critica sul codice e sulle scelte di design e comporta un aggiustamento del voto per eccesso o per difetto di al più 5/30

Testi di riferimento

Dispense ed esercitazioni del docente disponibili tramite piattaforma Moodle.

Codice insegnamento 267795

SICUREZZA INFORMATICA 1° anno · 9 CFU · INFO-01/A · 0 file

L'obiettivo di questo insegnamento è di introdurre teoria e pratica della modellazione di sistemi e protocolli crittografici sicuri sulla base dello stato dell'arte. Inoltre, si pone come ulteriore obiettivo la…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo di questo insegnamento è di introdurre teoria e pratica della modellazione di sistemi e protocolli crittografici sicuri sulla base dello stato dell'arte. Inoltre, si pone come ulteriore obiettivo la formazione di competenze in cybersecurity finalizzate a identificare le potenziali minacce per un sistema informatico e difenderne il perimetro di sicurezza.

Conoscenze e comprensione: lo studente sarà in grado di capire i concetti teorici alla base delle primitive crittografiche e della costruzione di protocolli e sistemi crittografici sicuri, le soluzioni atte a garantire le principali classi di proprietà di sicurezza, le problematiche di gestione di un perimetro di sicurezza aziendale e le tecniche di difesa contro gli attacchi informatici. Capacità di applicare conoscenze e comprensione: lo studente sarà in grado di comprendere le principali caratteristiche che rendono un protocollo crittografico sicuro ed un sistema informatico aziendale vulnerabile ad attacchi informatici, potendo quindi applicare tali conoscenze per la progettazione di sistemi sicuri rispetto alle principali proprietà di sicurezza. Autonomia di giudizio: lo studente sarà in grado di determinare le principali vulnerabilità di un sistema informatico aziendale e di valutare l'adeguatezza dei perimetri di sicurezza, determinando quali strumenti di difesa è opportuno impiegare. Abilità comunicative: lo studente sarà in grado di illustrare in modo appropriato come e attraverso quali tecnologie garantire la sicurezza di un sistema informatico aziendale. Sarà inoltre in grado di descrivere punti di forza e debolezza delle principali tecniche di protezione dei dati. Capacità di apprendimento: lo studente apprenderà la capacità di valutare le proprietà di sicurezza di un sistema crittografico e le principali tecniche di analisi del perimetro di sicurezza di un sistema informatico aziendale.

Programma

01. Confidenzialità e crittografia a chiave simmetrica. 01.01 Cifrari di Shannon. 01.02 Sicurezza semantica. 01.03 Cifratura a flusso. 01.04 Cifratura a blocchi. 01.05 Funzioni pseudo-casuali. 01.06 Sicurezza contro attacchi a testo in chiaro scelto. 02. Integrità, MAC e algoritmi di hashing 02.01 Codice di autenticazione dei messaggi (MAC). 02.02 Funzioni hash con chiave. 02.03 Funzioni hash senza chiave. 02.04 Applicazioni delle funzioni hash. 03. Autenticazione e crittografia a chiave asimmetrica. 03.01 Cifratura autenticata. 03.02 Applicazioni della cifratura autenticata. 03.03 RSA e Diffie-Hellman. 03.04 Crittografia a chiave pubblica. 03.05 Sicurezza contro attacchi a testo cifrato scelto. 03.06 Firme digitali. 03.07 Signcryption. 04. Protocolli crittografici. 04.01 Protocolli di identificazione. 04.02 Prove a conoscenza zero (ZKP). 04.03 Scambio di chiavi con autenticazione. 04.04 Protocolli avanzati di autenticazione. 04.05 Verifica formale di protocolli crittografici. 05. Cybersecurity: attacco e difesa. 05.01 Perimetro di sicurezza. 05.02 Kill chain: ricerca di vulnerabilità. 05.03 Kill chain: violazione, scalata e danno. 05.04 Kill chain: gestione dei rischi e regole di sicurezza. 05.05 Kill chain: strategie di difesa. 05.06 Esercizi di penetration testing. 05.07 Sicurezza delle nuove tecnologie.

Non vi sono propedeuticità obbligatorie. Tuttavia l'insegnamento assume conoscenze di base in teoria della probabilità, linguaggi regolari, reti di calcolatori (architettura del protocollo OSI), algoritmi e strutture dati.

Il materiale didattico predisposto dalla/dal docente in aggiunta ai testi consigliati (come ad esempio diapositive, dispense, esercizi, bibliografia) e le comunicazioni della/del docente specifiche per l'insegnamento sono reperibili all'interno della piattaforma Moodle › blended.uniurb.it

Lezioni teoriche ed esercitazioni guidate in laboratorio. L'insegnamento viene erogato in modalità mista, ovvero le lezioni si svolgono simultaneamente in presenza in aula e a distanza all'interno della piattaforma Moodle.

Modalità d'esame

L'esame consiste in una prova orale ed un progetto, che contribuiscono in pari misura alla determinazione del voto finale. La prova orale prevede tre domande relative alle sezioni del programma del corso che non siano già coperte dagli argomenti del progetto. Scopo dell'orale è la valutazione di abilità comunicative e livello di comprensione della materia. Ciascuno dei criteri è valutato sulla base di una scala di giudizi a quattro livelli con uguale peso assegnato a ciascun criterio. Il progetto deve essere concordato con il docente, è individuale (oppure di coppia se adeguatamente motivato), e prevede tre diverse modalità alternative: (1) la realizzazione di una rete virtuale dove testare esempi di penetration testing e validare modelli di difesa; (2) una tesina compilativa sull'approfondimento di un tema specifico; (3) l'analisi formale di un protocollo crittografico tramite strumenti di verifica automatica. Indipendentemente dalla tipologia scelta, lo studente deve preparare una presentazione di 15 minuti (si consiglia di usare slides a supporto). Lo scopo del progetto è la valutazione della capacità di apprendimento e di applicazione di conoscenze e comprensione, dell'autonomia di giudizio e delle abilità comunicative. Ciascuno dei criteri è valutato sulla base di una scala di giudizi a quattro livelli con uguale peso assegnato a ciascun criterio. Discussione del progetto e svolgimento della prova orale possono essere affrontati in date diverse. Le prove superate hanno validità per l'intero anno accademico.

Testi di riferimento

Testi di riferimento per le sezioni da 01 a 04: Niels Ferguson, Bruce Schneier: Il manuale della crittografia. Applicazioni pratiche dei protocolli crittografici. Apogeo, 2011. Titolo della versione originale: Practical cryptography, edito da J. Wiley. Anna Bernasconi, Paolo Ferragina, Fabrizio Luccio: Elementi di crittografia. Pisa University Press, 2015. Testi di riferimento per la sezione 05: Cybersecurity: Attack and Defense Strategies. Yuri Diogenes and Erdal Ozkaya, Pack Pub., 2018. Hacking. Attacco e difesa. Bryson Payne, Hoepli, 2022.

Codice insegnamento 267788

SISTEMI DISTRIBUITI E DECENTRALIZZATI 1° anno · 9 CFU · INFO-01/A · 0 file

Scopo del corso è fornire allo studente i fondamenti e gli strumenti per la progettazione e implementazione dei sistemi distribuiti. Verranno introdotte le principali metriche per l'analisi di un sistema distribuito.…

Scheda dell'insegnamento

Obiettivi formativi

Scopo del corso è fornire allo studente i fondamenti e gli strumenti per la progettazione e implementazione dei sistemi distribuiti. Verranno introdotte le principali metriche per l'analisi di un sistema distribuito. Verranno introdotti gli aspetti sistemistico-architetturali dei sistemi distribuiti, analizzando vari modelli (client-server, multi-tier, peer-to-peer, etc). Inoltre, il corso tratterà i principali algoritmi distribuiti utilizzati in diversi contesti applicativi. Infine, verranno descritti e analizzate le principali soluzioni per la realizzazione delle moderne applicazioni distribuite.

Conoscenze e comprensione : lo studente acquisirà le principali conoscenze sui modelli architetturali, le principali problematiche, e gli aspetti peculiari dei sistemi distribuiti e decentralizzati. Capacità di applicare conoscenze e comprensione : lo studente sarà in grado di applicare le conoscenze acquisite con l'obiettivo di progettare applicazioni distribuite. Sarà anche in grado progettare ed implementare applicazioni e servizi in ambiente distribuito o decentralizzato. Autonomia di giudizio : lo studente sarà in grado di valutare l'efficienza di un sistema distribuito o decentralizzato. Abilità comunicative : Lo studente sarà in grado di usare in modo appropriato la terminologia dei sistemi distribuiti. Inoltre, lo studente sarà in grado di illustrare le caratteristiche descrittive e funzionalità di un sistema e di applicazioni distribuite. Capacità di apprendimento : lo studente apprenderà la capacità di progettare e implementare sistemi sulla base di requisiti e specifiche descrittive che specificano la tipologia di contenuti ed operazioni necessarie alla gestione di una applicazione distribuita o decentralizzata.

Programma

01. Introduzione ai sistemi distribuiti 01.01. Concetti principali 01.02. Metriche di riferimento 01.03. Modelli di sistemi distribuiti: asincrono, asincrono temporizzato, sincrono 02. Modelli di sistemi distribuiti 02.01. Modello Client/server 02.02. Modello Peer-to-Peer 02.03. Architetture ibride e edge computing 02.04. Sistemi complessi 03. Principali problematiche di sistemi distribuiti 03.01. Tempo e stati globali 03.02. Comunicazioni, coordinazione e consenso 03.03. Tolleranza ai guasti 03.04. Replicazione e modelli di consistenza dei dati 04. Transazioni Distribuite e sincronizzazione 04.01. Lock distribuiti 04.02. Ordinamento dei messaggi 04.03. Distributed Commit (2PC, 3PC) 04.04. Deadlock distribuito: definizione, rilevamento, prevenzione 04.05. Tecniche di sincronizzazione 05. Sistemi Peer-to-Peer 05.01. Topologie overlay e decentralizzazione 05.02. Hash Tables Distribuite 05.03. Meccanismi basati su disseminazione 06. Distributed Ledgers, Blockchain, Decentralized File Systems 06.01. Modelli di registri distribuiti 06.02. Applicazioni 06.03. Meccanismi di consenso 06.04. Smart Contracts 06.05. Inter-Planetary File System (IPFS) e altri file system decentralizzati 07. Attività di Laboratorio 07.01. Configurazione servizi con Docker 07.02. Programmare con gli smart contracts

Nessuna.

Il materiale didattico predisposto dalla/dal docente in aggiunta ai testi consigliati (come ad esempio diapositive, dispense, esercizi, bibliografia) e le comunicazioni della/del docente specifiche per l'insegnamento sono reperibili all'interno della piattaforma Moodle › blended.uniurb.it

Lezioni teoriche ed esercitazioni guidate in classe.

Modalità d'esame

L'esame consiste in: progetto (14pt) e prova orale con presentazione di un articolo scientifico (17pt). L'articolo scientifico viene concordato col docente, mentre il progetto deve seguire le specifiche date dal docente.

Testi di riferimento

"DISTRIBUTED SYSTEMS", Maarten van Steen, Andrew S. Tanenbaum, 4th edition

Codice insegnamento 267801

APPLICAZIONI DISTRIBUITE E CLOUD COMPUTING 2° anno · 9 CFU · INF/01 · 0 file

Lo scopo del corso è fornire allo studente i fondamenti e gli strumenti per la progettazione e implementazione di applicazioni distribuite e cloud-computing. Verranno introdotte le nozioni principali di comunicazione nei…

Scheda dell'insegnamento

Obiettivi formativi

Lo scopo del corso è fornire allo studente i fondamenti e gli strumenti per la progettazione e implementazione di applicazioni distribuite e cloud-computing. Verranno introdotte le nozioni principali di comunicazione nei sistemi distributi (code e canali). Dopo un'introduzione teorica sulle algebre di processo per sistemi distribuiti verranno presentati due linguaggi: goLang ed Erlang.

Conoscenze e comprensione : lo studente acquisirà le principali conoscenze sulla programmazione di applicazioni distribuite Capacità di applicare conoscenze e comprensione : lo studente sarà in grado di applicare le conoscenze acquisite con l'obiettivo di progettare applicazioni distribuite. Sarà anche in grado progettare ed implementare applicazioni reali. Autonomia di giudizio : lo studente sarà in grado programmare un'applicazione distribuita. Abilità comunicative : Lo studente sarà in grado di usare in modo appropriato la terminologia dei sistemi distribuiti. Inoltre, lo studente sarà in grado di illustrare le caratteristiche descrittive e funzionalità di un sistema e di applicazioni distribuite. Capacità di apprendimento : lo studente apprenderà la capacità di progettare e implementare sistemi sulla base di requisiti e specifiche descrittive che specificano la tipologia di contenuti ed operazioni necessarie alla gestione di una applicazione distribuita.

Programma

01. Introduzione alle applicazioni distribuite e al cloud computing 01.01 Concetti principali 01.02 Linguaggi di programmazione usati 02 Algebre di processo per sistemi distribuiti 02.01 Introduzione alle algebre di processo 02.02 Comunicazione a canale e comunicazione a coda 02.03 Concetti base di teoria comportamentale 03 Programmazione base in Erlang 03.01 Introduzione ad Erlang 03.02 Programmazione funzionale in Erlang 03.03 Programmazione procedurale in Erlang 04 Programmazione Concorrente in Erlang 04.01 Attori, spawn e pid 04.02 Modello ad Errori di Erlang 05 Memoria persistente in Erlang 05.01 Tabelle ets e dets 05.02 Il db Mnesia 06 Il modello ad errori di Erlang 06.01 Monitoring e Supervisor Tree 06.02 Genserver e i Behaviours in Erlang 06.03 Tracing and Debugging 07 goLang e la programmazione a canali 07.01 Introduzione a goLang 07.02 Programmazione a canali 07.03 goroutines e programmazione concorrente 08 Syncrhonization Patterns 08.01 Il modello publish and subscribe 08.02 Randez-vous distribuiti 09 Altri modelli ad attori 09.01 Elixir 09.02 Attori in Java, Scala

Sebbene non sia prevista nessuna propedeuticità è fortemente consigliato aver superato il corso di SISTEMI DISTRIBUITI

Il materiale didattico predisposto dalla/dal docente in aggiunta ai testi consigliati (come ad esempio diapositive, dispense, esercizi, bibliografia) e le comunicazioni della/del docente specifiche per l'insegnamento sono reperibili all'interno della piattaforma Moodle › blended.uniurb.it

Lezioni frontali ed esercitazioni di laboratorio.

Modalità d'esame

L'esame consiste nella presentazione di un articolo scientifico ed un progetto. La presentazione dell'articolo incide del 4pt sul voto finale, la discussione del progetto 27pt. L'articolo scientifico viene concordato col docente, mentre il progetto deve seguire le specifiche date dal docente. Il progetto è diviso in due parti: la parte essenziale, requisito minimo per passare l'esame, e la parte avanzata. Implementare la parte essenziale incide di 22 pt sul voto finale. Implementare la parte avanzata incide di 5 pt sul voto finale.

Testi di riferimento

Erlang Programming: A Concurrent Approach to Software Development. Francesco Cesarini & Simon Thompson Programming Erlang: Software for a Concurrent World. Joe Armstrong An Introduction to Programming in Go. Caleb Doxsey Designing for Scalability with Erlang/OTP Francesco Cesarini, Steve Vinoski

Codice insegnamento 267790

DEEP LEARNING - APPLICAZIONI A BIOLOGIA E MEDICINA 2° anno · 3 CFU · ING-INF/05 · 0 file

L'insegnamento si pone come obiettivo quello di fornire agli studenti la conoscenza di strumenti (linguaggi, librerie, metodologia) per l'analisi dei dati, attraverso l'adozione di dataset acquisiti in ambito biologico e…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento si pone come obiettivo quello di fornire agli studenti la conoscenza di strumenti (linguaggi, librerie, metodologia) per l'analisi dei dati, attraverso l'adozione di dataset acquisiti in ambito biologico e medico. Inoltre, l'insegnamento vuole fornire alcuni principi degli algoritmi di AI generativa e della loro applicazione nel biomedicale.

Programma

00. Introduzione al corso 01. Deep Learning 01.01 Introduzione al Deep Learning 01.02 Convolutional Neural Network 01.03 Recurrent Neural Network 01.04 Autoencoder 01.05 NLP, Transformer e LLM 02. Analisi di dataset medici e biomolecolari con tecniche di AI 02.01 Metodologie di analisi dei dati 02.02 La libreria PyTorch 02.03 Implementazione di un MLP 02.04 Applicazioni di CNN su immagini biomedicali 02.05 Applicazioni di RNN su segnali biomedicali 02.06 LLM & NLP per la comprensione e generazione di note cliniche

Non vi sono propedeuticità obbligatorie, tuttavia si suggerisce di seguire l'insegnamento dopo aver sostenuto gli esami di Machine Learning e Principi di Intelligenza Artificiale.

Il materiale didattico predisposto dalla/dal docente in aggiunta ai testi consigliati (come ad esempio diapositive, dispense, esercizi, bibliografia) e le comunicazioni della/del docente specifiche per l'insegnamento sono reperibili all'interno della piattaforma Moodle › blended.uniurb.it

Lezioni teoriche ed esercitazioni guidate in laboratorio.

Modalità d'esame

L'esame consiste in una prova scritta, un progetto da sviluppare e una prova orale. La prova scritta è superata se il voto è almeno di 18/32. Nella prova verrà richiesto di analizzare un dataset attraverso una delle architetture di reti neurali viste a lezione. E' previsto inoltre un insieme di domande di teoria sugli aspetti metodologici inerenti l'analisi dei dati. La prova scritta va svolta in 3 ore. Durante la prova scritta non è possibile consultare alcun materiale ad eccezione della documentazione di Pytorch e Scikit-learn. Qualora si sostenga di nuovo lo scritto in un appello d'esame successivo il voto precedente viene annullato anche in caso di mancata consegna. La prova scritta è erogata su blended.uniurb.it: per accedere alla prova sulla piattaforma moodle d'Ateneo è necessario essere in possesso di username e passward. Lo studente è ammesso per la discussione orale del progetto solo dopo aver superato la prova scritta. Durante la discussione orale lo studente presenta il proprio progetto, dagli obiettivi alle scelte implementative, motivandone ogni aspetto, a cui segue una dimostrazione pratica dell'applicazione sviluppata. Si prevede sia una presentazione in forma di relazione del progetto svolto, sia una presentazione a lucidi sul lavoro e su temi significativi. Il progetto va concordato con il docente e consegnato una settimana prima della discussione. Scopo del progetto è la valutazione della (i) capacità di comprensione e apprendimento, (ii) capacità di applicazione di conoscenze, (iii) dell'autonomia di giudizio e (iv) delle abilità comunicative. Ciascuno di questi quattro criteri è valutato sulla base di una scala di giudizi a quattro livelli con uguale peso assegnato a ciascun criterio. Per ciascun criterio sono previsti 8 punti, per un totale di 32 punti massimo. Attraverso la prova orale verrà valutato il progetto, che peserà per il 40% del voto finale, mentre lo scritto inciderà per il 60%. La combinazione dei punteggi ottenuti allo scritto e con la discussione del progetto determinerà il voto finale. Il numero di punti così acquisiti corrisponde al voto dell'esame che, essendo valutato in 30esimi, è ritenuto sufficiente se il voto è di almeno 18/30, mentre per valutazioni superiori a 30 è prevista l’attribuzione della lode. L'esame per i due moduli di questo insegnamento è unico.

Testi di riferimento

Come per frequentanti.

Codice insegnamento 267798

DEEP LEARNING - APPLICAZIONI A FINANZA E DIRITTO 2° anno · 3 CFU · ING-INF/05 · 0 file

L'insegnamento si propone di introdurre gli studenti ai recenti sviluppi nella rappresentazione e apprendimento dell'informazione tramite grafi, offrendo una panoramica delle tecniche sviluppate nei campi emergenti della…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento si propone di introdurre gli studenti ai recenti sviluppi nella rappresentazione e apprendimento dell'informazione tramite grafi, offrendo una panoramica delle tecniche sviluppate nei campi emergenti della scienza delle reti e dell’apprendimento automatico. Attraverso casi di studio tratti da economia, finanza e diritto, si dimostra l'applicazione pratica di questi metodi a dati relazionali reali.

Conoscenze e comprensione: Al termine del corso, si comprenderanno le idee fondamentali, i recenti sviluppi e il potenziale applicativo dei principali algoritmi e modelli per l’analisi delle reti. Si avrà familiarità sia con i principi teorici sia con le metodologie pratiche, e si sarà in grado di applicare tali tecnologie alla risoluzione di problemi in contesti reali. Capacità di applicare conoscenze e comprensione: Si sarà in grado di utilizzare le conoscenze acquisite per progettare sistemi analitici basati su algoritmi e modelli di apprendimento automatico su grafi. Autonomia di giudizio: Si sarà in grado di valutare in modo critico i risultati ottenuti dall’applicazione dei metodi trattati durante il corso e di trarne conclusioni motivate. Abilità comunicative: Si sarà in grado di illustrare in modo chiaro e appropriato i principi e i metodi relativi alla rappresentazione e all’apprendimento su grafi. Capacità di apprendimento: Si svilupperà la capacità di progettare e implementare sistemi per l’analisi e l’elaborazione di grafi.

Programma

01. Metodi classici per l’analisi delle reti 01.01 Fondamenti di teoria dei grafi 01.02 Proprietà strutturali di nodi e grafi 01.03 Rilevamento di comunità e motivi ricorrenti 01.04 Modelli probabilistici di grafi 01.05 Librerie Python per l’analisi delle reti 01.06 Applicazioni in ambito giuridico e amministrativo 02. Apprendimento automatico su reti 02.01 Rappresentazioni compresse di nodi e grafi 02.02 Reti neurali su grafi (graph neural networks) 02.03 Modelli generativi per grafi 02.04 Librerie Python per l’apprendimento su grafi 02.05 Applicazioni in finanza e marketing 03. Sistemi federati e distribuiti 03.01 Sistemi distribuiti e algoritmi 03.02 Apprendimento federato e relativi framework

Non vi sono propedeuticità obbligatorie, tuttavia si suggerisce di seguire l'insegnamento dopo aver sostenuto l'esame di Machine Learning

Il materiale didattico predisposto dalla/dal docente in aggiunta ai testi consigliati (come ad esempio diapositive, dispense, esercizi, bibliografia) e le comunicazioni della/del docente specifiche per l'insegnamento sono reperibili all'interno della piattaforma Moodle › blended.uniurb.it

L'insegnamento viene erogato a distanza all'interno della piattaforma Moodle.

Modalità d'esame

L'esame consiste in una prova scritta, un progetto da sviluppare e una prova orale. La prova scritta è superata se il voto è almeno di 18/32. Nella prova verrà richiesto di analizzare un dataset attraverso una delle architetture di reti neurali viste a lezione. E' previsto inoltre un insieme di domande di teoria sugli aspetti metodologici inerenti l'analisi dei dati. La prova scritta va svolta in 3 ore. Durante la prova scritta non è possibile consultare alcun materiale ad eccezione della documentazione di Pytorch e Scikit-learn. Qualora si sostenga di nuovo lo scritto in un appello d'esame successivo il voto precedente viene annullato anche in caso di mancata consegna. La prova scritta è erogata su blended.uniurb.it: per accedere alla prova sulla piattaforma moodle d'Ateneo è necessario essere in possesso di username e passward. Lo studente è ammesso per la discussione orale del progetto solo dopo aver superato la prova scritta. Durante la discussione orale lo studente presenta il proprio progetto, dagli obiettivi alle scelte implementative, motivandone ogni aspetto, a cui segue una dimostrazione pratica dell'applicazione sviluppata. Si prevede sia una presentazione in forma di relazione del progetto svolto, sia una presentazione a lucidi sul lavoro e su temi significativi. Il progetto va concordato con il docente e consegnato una settimana prima della discussione. Scopo del progetto è la valutazione della (i) capacità di comprensione e apprendimento, (ii) capacità di applicazione di conoscenze, (iii) dell'autonomia di giudizio e (iv) delle abilità comunicative. Ciascuno di questi quattro criteri è valutato sulla base di una scala di giudizi a quattro livelli con uguale peso assegnato a ciascun criterio. Per ciascun criterio sono previsti 8 punti, per un totale di 32 punti massimo. Attraverso la prova orale verrà valutato il progetto, che peserà per il 40% del voto finale, mentre lo scritto inciderà per il 60%. La combinazione dei punteggi ottenuti allo scritto e con la discussione del progetto determinerà il voto finale. Il numero di punti così acquisiti corrisponde al voto dell'esame che, essendo valutato in 30esimi, è ritenuto sufficiente se il voto è di almeno 18/30, mentre per valutazioni superiori a 30 è prevista l’attribuzione della lode. L'esame per i due moduli di questo insegnamento è unico.

Testi di riferimento

"Graph Representation Learning" di William L. Hamilton "Networks, Crowds, and Markets: Reasoning About a Highly Connected World" di David Easley e Jon Kleinberg "Network Science" di Albert-László Barabási

Codice insegnamento 267799

ELABORAZIONE DEI DATI SPERIMENTALI 2° anno · 9 CFU · FIS/01 · 0 file

L'insegnamento mira ad introdurre le metodologie logiche e concettuali di base per condurre i discenti ad un corretto approccio alle problematiche di analsisi dati. Gli obiettivi riguardano un corretto uso delle…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento mira ad introdurre le metodologie logiche e concettuali di base per condurre i discenti ad un corretto approccio alle problematiche di analsisi dati. Gli obiettivi riguardano un corretto uso delle procedure di formalizzazione ed analisi nell'applicazione della teoria della probabilità e statistica.

Conoscenza e capacità di comprensione: lo studente dovrà conoscere i concetti fondamentali della teoria della probabilità ed essere capace di individuare le metodologie statistiche appropiate nell'analisi dei dati sperimentali. Conoscenza e capacità di comprensione applicate: lo studente dovrà essere in grado di applicare i metodi studiati a problemi reali fornendo una corretta descrizione statistica dei dati sperimentali ed interpretandone i risultati in maniera corretta. Autonomia di giudizio: lo studente dovrà essere in grado di valutare autonomamente la plausibilità del risultato di un'analisi, sia attraverso il confronto tra diversi possibili approcci, sia mediante considerazioni analogiche e di buon senso scientifico. Abilità comunicative: lo studente dovrà acquisire un linguaggio scientifico corretto e la capacità di spiegare le caratteristiche statistiche dei dati analizzati.

Programma

1 Concetti fondamentali 1.1 Probabilità e variabili casuali 1.2 Interpretazione della probabilità 1.3 Funzioni di densità di probabilità 1.4 Funzioni delle variabili casuali 1.5 Valori di aspettativa 1.6 Propagazione dell'errore 2 Esempi di funzioni di probabilità 2.1 Distribuzioni binomiali e multinomiali 2.2 Distribuzione di Poisson 2.3 Distribuzione uniforme 2.4 Disfribuzione esponenziale 2.5 Distribuzione gaussiana 2.6 Distribuzione chi-quadrato 3 Il metodo Monte Carlo 3.1 Numeri casuali uniformemente distribuiti 3.2 Il metodo di trasformazione 3.3 Il metodo di accettazione-rifiuto 3.4 Applicazioni del metodo Monte Carlo 4 Test statistici 4.1 Ipotesi, statistiche del test, livello di significatività, potenza 4.2 Un esempio con la selezione delle particelle 4.3 Scelta della regione critica utilizzando il lemma di Neyman-Pearson 4.4 Costruire una statistica del test 4.5 Test di bontà di adattamento 4.6 Pearson ' s test chi2 5 Concetti generali di stima dei parametri 5.1 Campioni, stimatori, bias 5.2 Stimatori per media, varianza, covarianza 6 Il metodo della massima verosimiglianza 6.1 Stimatori ML 6.2 Esempio di uno stimatore ML: una distribuzione esponenziale 6.3 Esempio di stimatori ML 6.4 Varianza degli stimatori ML: metodo analitico 6.5 Varianza degli stimatori ML: metodo Monte Carlo 6.6 Varianza degli stimatori ML: il limite RCF 6.7 Esempio di ML con due parametri 6.8 Verifica della bontà di adattamento con la massima verosimiglianza 7 Il metodo dei minimi quadrati 7.1 Connessione con la massima verosimiglianza 7.2 Fit dei minimi quadrati lineari 7.3 Fit dei minimi quadrati di un polinomio 7.5 Verifica della bontà di adattamento con chi2 8. Analisi delle serie temporali 8.1 Processi casuali temporali 8.2 Relazione con la probabilità 8.3 Funzioni di correlazione di insieme 8.4 Medie temporali 8.5 Trasformata di Fourier, trasformata di Fourier discreta Frequenza di Nyquist e teorema di campionamento 8.6 Densità spettrale di potenza e sua stima 8.7 Risposta di filtri lineari, teorema di convoluzione, aliasing e finestra PSD, correlazione e autocorrelazione

Non ci sono propedeuticità.

Il materiale didattico predisposto dalla/dal docente in aggiunta ai testi consigliati (come ad esempio diapositive, dispense, esercizi, bibliografia) e le comunicazioni della/del docente specifiche per l'insegnamento sono reperibili all'interno della piattaforma Moodle › blended.uniurb.it

Lezioni frontali ed esercitazioni in aula.

Modalità d'esame

Elaborato scritto: prove strutturate, risoluzione di problemi di probabilità e statistica, domande aperte. Interrogazione orale: domande su tutto il programma svolto. CRITERI E PARAMETRI DI VALUTAZIONE Si riportano per ogni voce quattro livelli di valutazione corrispondenti a: insufficiente ( voto < 18); sufficiente (17 < voto < 24); buono (23 < voto < 28); eccellente (27 < voto < 31) Conoscenza e capacità di comprensione: Non conosce o descrive in modo approssimativo gli argomenti svolti Descrive con qualche imprecisione gli argomenti svolti Descrive in maniera precisa gli argomenti svolti Descrive in modo preciso e completa gli argomenti svolti Conoscenza e capacità di comprensione applicate Non sa applicare ad insiemi di dati le procedure di analisi Applica le procedure in casi semplici Applica le procedure in casi più complessi Applica le procedure e sa riferirle a casi diversi Autonomia di giudizio: Non riesce a valutare la correttezza della procedura usata e la plausibilità dei risultati di un'analisi. Riesce a valutare in maniera sufficiente la correttezza della procedura usata e la plausibilità dei risultati di un'analisi Riesce a valutare la correttezza della procedura usata e la plausibilità dei risultati di un'analisi. Riesce a valutare la correttezza della procedura usata e la plausibilità dei risultati di un'analisi e sa contestualizzare i risultati. Abilità comunicative: Si esprime con un linguaggio comune non specifico Dimostra capacità di espressione limitata; usa alcuni termini specifici Dimostra buona capacità di espressione e uso di alcuni termini specifici Dimostra piena padronanza del linguaggio specifico

Testi di riferimento

Statistical Data Analysis - Glen Cowan - Oxford University Press Detection of Signals in Noise - RN McDonough, AD Whalen - Academic Press

Codice insegnamento 267791

ETICA DELLA COMUNICAZIONE DIGITALE 2° anno · 6 CFU · SPS/08 · 0 file

Fornire competenze teoriche avanzate al fine di ottenere una conoscenza ampia e dettagliata di ciò che si intende per etica della comunicazione digitale. Fornire strumenti teorici per analizzare criticamente la…

Scheda dell'insegnamento

Obiettivi formativi

Fornire competenze teoriche avanzate al fine di ottenere una conoscenza ampia e dettagliata di ciò che si intende per etica della comunicazione digitale. Fornire strumenti teorici per analizzare criticamente la dimensione etica dei media digitali, delle piattaforme e delle pratiche comunicative online. Fornire strumenti teorici e metodologici per analizzare il ruolo dei media digitali nella costruzione delle relazioni sociali, delle forme di partecipazione e dei processi di visibilità, nonché per sviluppare una lettura critica dei fenomeni comunicativi contemporanei.

Gli studenti e le studentesse devono conseguire: 1. Conoscenze e capacità di comprensione: delle principali prospettive teoriche e delle dinamiche evolutive della comunicazione digitale, con particolare attenzione alle implicazioni etiche delle piattaforme, degli algoritmi, dei media digitali e delle trasformazioni delle pratiche comunicative e dei pubblici. 1.1. Gli studenti e le studentesse conseguono tali conoscenze di base attraverso la frequenza delle lezioni e lo studio dei testi discussi in aula. 2. Capacità di applicare conoscenza e comprensione: attraverso la capacità di analizzare casi di studio relativi alla comunicazione digitale (con particolare riferimento alle piattaforme digitali, alle pratiche comunicative emergenti, ai processi di visibilità, partecipazione e rappresentazione online). 2.1. Competenze acquisite attraverso momenti di esercitazione laboratoriale in classe. 3. Capacità di giudizio: riflessione critica sulle dinamiche evolutive della relazione tra tecnologie digitali, media, piattaforme, pratiche comunicative e questione etica. 3.1. Tale capacità di giudizio dovrà essere applicata nel confronto in aula con la docente e i colleghi e le colleghe, durante le esercitazioni e nella preparazione dell’esame finale. 4. Abilità comunicative: gli studenti e le studentesse sono chiamati/e ad interagire in aula attraverso domande, scambi con i compagni/e di studio, lavori di gruppo e stesura di brevi presentazioni in fase di esercitazione. 4.1. Abilità che si esercitano in aula con l’organizzazione di momenti di discussione e di esercitazione. 5. Capacità di apprendimento: agli studenti e alle studentesse viene richiesto di adottare un metodo di apprendimento critico capace di connettere competenze teoriche, strumenti di analisi e lettura critica dei fenomeni comunicativi digitali, orientandosi alla costruzione di un pensiero autonomo. 5.1. Abilità da potenziare grazie all’argomentazione con la docente e con i/le compagni/e di corso.

Programma

1.Fondamenti di etica della comunicazione digitale 1.1. Cosa si intende per etica della comunicazione 1.2. Modelli di etica della comunicazione 1.3. Introduzione all’etica digitale 2.Infrastrutture e potere nel digitale 2.1. Platform society 2.2. Algoritmi, dati e automazione 2.3. Intelligenza artificiale e ambienti comunicativi emergenti 3. Disuguaglianze e sorveglianza 3.1. Divario digitale 3.2. Privacy e capitalismo della sorveglianza 3.3. Genere, corpi e disuguaglianze digitali 4. Media, memoria e regimi di rappresentazione 4.1. Media e memoria 4.2. Diritto all’oblio 4.3. Memoria e digitale: selezione, conflitto e visibilità 5. Soggettività e mercati dell’attenzione 5.1. Influencer culture e creator economy 5.2. Fare attivismo e divulgazione online 5.3. Fama online e minori 6. Comunità online e comunicazione 6.1. Inciviltà, tossicità e intrattenimento online 6.2. Disinformazione e fiducia 6.3. Partecipazione, proteste e spazio pubblico digitale 7. Strumenti per un’analisi critica dei fenomeni digitali 7.1. Il digitale come campo di ricerca 7.2. Approcci qualitativi ai media digitali 7.3. Interpretare media, dati e piattaforme 8. Sviluppo del project work individuale 8.1 Individuazione del campo 8.2. Analisi critica del fenomeno 8.3 Restituzione

Nessuna propedeuticità.

Il materiale didattico predisposto dalla/dal docente in aggiunta ai testi consigliati (come ad esempio diapositive, dispense, esercizi, bibliografia) e le comunicazioni della/del docente specifiche per l'insegnamento sono reperibili all'interno della piattaforma Moodle › blended.uniurb.it

Lezioni frontali, seminari di approfondimento, didattica innovativa in aula.

Modalità d'esame

La verifica dell’apprendimento, avverrà tramite la realizzazione di un project work individuale sviluppato nell'ultima parte del corso e consegnato al termine del corso. Attraverso il project work, lo studente/la studentessa dovrà dimostrare di saper applicare i principali concetti e gli strumenti teorici affrontati durante il corso all'analisi critica di un fenomeno, di una piattaforma, di un caso di studio o di un prodotto della comunicazione digitale, sviluppando un'argomentazione coerente e supportata dalla letteratura di riferimento. Daranno luogo a valutazioni di eccellenza: il possesso da parte dello studente/della studentessa di solide conoscenze teoriche, di buone capacità critiche e di approfondimento; il saper collegare tra loro le principali tematiche affrontate nel corso, applicandole all'analisi del caso di studio; l'uso di un linguaggio appropriato rispetto alla specificità della disciplina. Daranno luogo a valutazioni discrete: il possesso da parte dello studente/della studentessa di una buona conoscenza dei contenuti; una discreta capacità critica e di collegamento tra i temi trattati; la capacità di applicare i concetti teorici all'analisi del caso proposto; l'uso di un linguaggio appropriato. Daranno luogo a valutazioni sufficienti: il raggiungimento da parte dello studente/della studentessa di un bagaglio di conoscenze essenziale sui temi trattati, pur in presenza di alcune lacune formative; una limitata capacità di applicazione dei concetti teorici; l'uso di un linguaggio generalmente adeguato. Daranno luogo a valutazioni negative: difficoltà di orientamento dello studente/della studentessa rispetto ai temi affrontati durante il corso; lacune formative rilevanti; incapacità di applicare i concetti teorici all'analisi del caso proposto; l'uso di un linguaggio non appropriato.

Testi di riferimento

Testo obbligatorio 1. Zurovac, E. (2023). Screenshot society: Come le fotografie dello schermo raccontano il nostro stare online. Milano: FrancoAngeli. Inoltre, un articolo a scelta tra: 1. Boccia Artieri, G., Zurovac, E., & Donato, V. (2022). Visibility and Networked Participation in TikTok. The Breonna Taylor Trend. Comunicazione Politica, 23(3), 403–422. 2. Boccia Artieri, G., Bruns, A., Dehghan, E., & Iannelli, L. (2025). Fringe democracy and the platformization of the public sphere. Comunicazione Politica, 26(1), 3–21. (Open Access) 3. Brilli, S., & Ricci, O. (2026). Despicable public personas: Dynamics of infamy in digital culture. First Monday, 31(5), 1–19. (Open Access) 4. Farci, M. (2024). Make Men Great Again. L’ascesa dei manfluencer. Quaderni di Teoria Sociale, 4(2), 69-99. 5. Folena, C. (2024). Aggregatori o nuovi editori? Google News e le diete mediali comparate nel conflitto russo-ucraino. H-ermes: Journal of Communication, (27). (Open Access) 6. Zurovac, E. (2023). Balla il rock'n'roll la Jugoslavia su TikTok: Analisi qualitativa di contenuti online tra ricordo e reframing. Mediascapes Journal, 21(1), 205–223. (Open Access) 7. Zurovac, E. (2025). Specchio riflesso! Un’esperienza etnografica con TikTok. Sociologia della Comunicazione, 68. 8. Zurovac, E., & Amadori, G. (forthcoming). Brotherhood and...discord: Performing Yugoslav Wars in Roblox user-generated games. (Open Access, forthcoming)

Codice insegnamento 267792

PROGRAMMAZIONE PER L'INTERNET OF THINGS 2° anno · 6 CFU · ING-INF/05 · 0 file

Il Corso ha lo scopo di illustrare l'architettura, le funzionalità ed i metodi di comunicaizone dei sistemi per l'Internet of Things con particolare riferimento alle tecniche di programmazione utilizzate. In particolare,…

Scheda dell'insegnamento

Obiettivi formativi

Il Corso ha lo scopo di illustrare l'architettura, le funzionalità ed i metodi di comunicaizone dei sistemi per l'Internet of Things con particolare riferimento alle tecniche di programmazione utilizzate. In particolare, il corso affronta i metodi e le tecnologie per la programmazione dei sistemi embedded dedicati all'Internet of Things e basati su microcontrollori e sistemi operativi realtime.

Conoscenza e capacità di comprensione: Lo studente al termine del corso acquisirà le conoscenze fondamentali sulla struttura e sulle funzionalità dei sistemi per l'Internet of Things. Conoscerà le più diffuse tecniche di programmazione, le piattaforme di sviluppo ed i protocolli di comunicazione dedicati a questi sistemi. Conoscenza e capacità di comprensione applicate: Lo studente acquisirà competenze sulla creazione di applicazioni lato dispositivo e lato cloud tipiche dei sistemi per l'Internet of Things. In particolare, acquisirà competenze di programmazione su sistemi operativi real-time in linguaggio C, su piattaforme Arduino compatibili in linguaggio Processing e su piattaforma Raspberry Pi in linguaggio Python Autonomia di giudizio: Lo studente, al termine del corso, saprà distinguere i principali vantaggi e svantaggi delle possibili soluzioni IoT e sarà in grado di scegliere autonomamente le tecnologie hardware/software, i protocolli di comunicazioni e le piattaforme cloud per la creazione di un sistema IoT sulla base dello scenario di riferimento. Abilità comunicative: Lo studente acquisirà la capacità di esprimere i concetti fondamentali che stanno alla base del funzionamento e della programmazione dei sistemi per l'Internet of Things con terminologia appropriata e rigorosa. Imparerà a descrivere i problemi inerenti la programmazione e le metodologie adottate per la loro soluzione. Inoltre, la presentazione in classe del progetto d'esame darà agli studenti la capacità di integrare in autonomia le conoscenze apprese durante il corso con ulteriori conoscenze e di sintetizzare tali argomenti al fine di impostare con chiarezza una presentazione. Capacità di apprendere : Lo studente acquisirà la capacità di studiare ed apprendere la struttura, il funzionamento e le tecniche di programmazione dei sistemi per l'Internet of Things.

Programma

01. Introduzione all’IoT 01.01 Panoramica e definizioni 01.02 Punto di vista funzionale 01.03 Punto di vista dell’infrastruttura 01.04 Applicazioni 02. Edge computing 02.01 Sensori e attuatori 02.02 Acquisizione ed elaborazione dei dati 02.03 Gestione dei dati 02.04 Database per serie temporali 03. Tecniche di programmazione per sistemi embedded 03.01 Super-loop 03.02 Macchine a stati finiti 03.03 Programmazione Event-driven 03.04 Sistemi operativi Real-time 04. Comunicazione 04.01 Network layers 04.02 Wireless Edge Network per IoT 04.03 Constrained Application Protocol (CoAP) 04.04 Message Queuing and Telemetry Transport (MQTT) 05. Machine Learning per IoT 05.01 Machine Learning centralizzato 05.02 Machine Learning distribuito 05.03 Machine Learning per edge computing 06. Attività di laboratorio 06.01 Gestione di sensori e attuatori con Raspberry Pi 06.02 Configurazione di un database per serie temporali (InfluxDB) 06.03 Programmazione di un MCU ESP con FreeRTOS 06.04 Raccolta dati da un MCU ESP con ThingSpeak 06.05 Utilizzo del protocollo MQTT con Mosquitto

Non vi sono propedeuticità obbligatorie.

Il materiale didattico predisposto dalla/dal docente in aggiunta ai testi consigliati (come ad esempio diapositive, dispense, esercizi, bibliografia) e le comunicazioni della/del docente specifiche per l'insegnamento sono reperibili all'interno della piattaforma Moodle › blended.uniurb.it

Lezioni frontali ed esercitazioni di laboratorio. L'insegnamento viene erogato in modalità mista, ovvero le lezioni si svolgono in presenza in aula e vengono simultaneamente trasmesse a distanza all'interno della piattaforma Moodle.

Modalità d'esame

La prova d'esame prevede la consegna di un progetto ed una sua presentazione orale. Il progetto, preventivamente concordato con il docente, dovrà essere corredato di una relazione sintetica (massimo 10 pagine) e dovrà essere consegnato almeno una settimana prima della prova orale. Il progetto è valutato in 30esimi ed è ritenuto sufficiente se il voto è di almeno 18/30; tale prova permetterà al docente di valutare la conoscenza dei principi di base della programmazione per l'Internet of Things e in particolare sarà utile per valutare la capacità di programmare in ambiente embedded e per valutare la capacità di utilizzare le tecniche di acquisizione e trasmissione dei dati. La prova orale consisterà in una presentazione (utilizzando delle opportune slide) e in una dimostrazione del funzionamento del progetto. Alla presentazione seguirà una discussione. La prova orale comporta un aggiustamento per eccesso o per difetto di al più 10/30 del voto del progetto, determinando così il voto finale. La prova orale permetterà al docente di valutare: le conoscenze acquisite, la comprensione dei principi fondamentali della materia e la capacità di presentare in modo rigoroso l'argomento trattato.

Testi di riferimento

Milan Milenkovic, Internet of Things: Concepts and System Design , Springer. Dominique Guinard, Building the Web of Things: With Examples in Node.js and Raspberry Pi, Manning. Gary Smart , Practical Python Programming for IoT: Build advanced IoT projects using a Raspberry Pi 4, MQTT, RESTful APIs, WebSockets, and Python 3, Packt Publishing

Codice insegnamento 267789

GESTIONE D'IMPRESA E MARKETING 6 CFU · SECS-P/08 · 0 file

Recensioni del corso

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

★

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