Corso di laurea

Informatica

Università degli Studi di Roma Tor Vergata · 27 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

Algoritmi Distribuiti E Reti Complesse 2° anno · 9 CFU · INFO-01/A · 0 file

Il corso presenta i principi fondamentali del calcolo distribuito sia da un punto di vista dei modelli di comunicazione/computazione piu' importanti che per quanto riguarda i metodi algoritmici fondamentali per tali…

Scheda dell'insegnamento

Programma

Il corso presenta i principi fondamentali del calcolo distribuito sia da un punto di vista dei modelli di comunicazione/computazione piu' importanti che per quanto riguarda i metodi algoritmici fondamentali per tali modelli. L'obiettivo formativo e' quello di fornire degli strumenti efficienti e rigorosi per il Problem Solving algoritmico in cui, rispetto ai corsi algoritmici della triennale, per la prima volta le entita' computazionali (agenti) sono molteplici ed interagenti. Questo nuovo paradigma offre ottime basi per progettare protocolli efficienti per problemi fondamentali ed estremamente attuali nel mondo dei moderni sistemi distribuiti. Questa parte sara' tenuta del Prof. Clementi e sara' di 6 cfu.
Nella seconda parte di 3 cfu, il Dr. Guala' trattera' un altro aspetto fondamentale dei sistemi distribuiti moderni: la presenza di comportamenti egoistici degli agenti di un sistema distribuito. Tale presenza ha portato negli ultimi decenni a sviluppare un'importante teoria: l'Algorithmic Game Theory. Profondamente ispirata dalla famosa Game Theory (Nash Equilbria), questa teoria viene trattata nel corso per affrontare importanti problematiche nel campo dell'ottimizzazione di reti di comunicazione e di altre applicazioni.

Modalità d'esame

La valutazione dello studente prevede lo svolgimento di un task progettuale seguito da una prova orale nella quale verrà discusso il task progettuale presentato
ed approfonditi gli argomenti illustrati durante il corso.

Testi di riferimento

N. Santoro: Design and analysis of Distributed Algorithms;

Codice insegnamento 8068761

Altre Attivita' Formative 2° anno · 6 CFU · 0 file
Analisi Di Reti 2° anno · 9 CFU · INFO-01/A · 0 file

Acquisizione competenze ai fini dell'individuazione, analisi e gestione di problematiche nell'ambito di reti complesse principalmente mediante modellazione

Scheda dell'insegnamento

Obiettivi formativi

Acquisizione competenze ai fini dell'individuazione, analisi e gestione di problematiche nell'ambito di reti complesse principalmente mediante modellazione

Programma

Modulo 1:

1) Modelli generativi di grafi aleatori e loro rilevanza nella rappresentazione di reti: modello di Erdos-Renyi, modello basato sul fenomeno rich-get-richer (popolarità come effetto rete), grafi geometrici aleatori, modelli per lo Small-world e ricerca decentralizzata (modelli e analisi). 2) Teoria dei grafi e delle reti sociali: chiusura triadica, collegamenti forti e deboli, comunità, partizionamenti in comunità, indici di centralità e metodo di Girvan-Newman. 3) Dinamiche nelle reti: modelli di diffusione, cascate e cluster, capacità di cascata, herding e cascate informative 4) Comportamento aggregato e sistemi di voto. 5) Reti di Informazione: il World Wide Web, Link analysis e ricerca nel Web, il problema del Ranking, Hubs e Authorities, il PageRank.

Modulo 2:

Concetti di gioco, giocatori e (diversi tipi di) equilibri. Prezzo dell’Anarchia e Prezzo della Stabilità. Network Design Game. Network Formation Game. Teoria del Mechanism Design: meccanismi VCG e meccanismi a singolo parametro. Aste combinatoriche. Meccanismi senza soldi: house allocation problem, kidney exchange. PLS-completezza.

Modalità d'esame

Scritto E Orale

Codice insegnamento 8068563

Artificial Intelligence And Cybersecurity 2° anno · 6 CFU · INFO-01/A · 0 file

OBIETTIVI FORMATIVI: Il corso di Artificial Intelligence And Cybersecurity si propone di insegnare agli studenti quali siano i rischi per la sicurezza di sistemi basati su modelli di machine learning, specialmente…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI: Il corso di Artificial Intelligence And Cybersecurity si propone di insegnare agli studenti quali siano i rischi per la sicurezza di sistemi basati su modelli di machine learning, specialmente modelli neurali, e quali siano le corrispettive difese. Vengono analizzati i rischi per la privacy conseguenti all'addestramento e l'uso di diversi modelli di machine learning. Inoltre, vengono introdotti possibili utilizzi avversariali di tali modelli.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Al termine del corso lo studente dovrà conoscere le principali tecniche di attacco avversariale e di difesa su modelli di machine learning.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Lo studente dovrà dimostrare di saper analizzare i rischi dovuti allo sviluppo e all'utilizzo di diversi modelli, riconoscendo quali siano i rischi applicabili in diversi scenari applicativi.

AUTONOMIA DI GIUDIZIO: Lo studente dovrà dimostrare di sapere comprendere e analizzare i rischi applicabili in diversi scenari applicativi, analizzando il rapporto tra il costo e l'utilita' di diverse tecniche di difesa.

ABILITÀ COMUNICATIVE: Lo studente dovrà essere in grado di comunicare in modo chiaro le vulnerabilità esistenti in diversi scenari applicativi, dimostrando capacità critica nell'analisi di diverse tecniche di attacco e di difesa. Ogni lezione inizierà con una revisione di possiibili criticità lasciate aperte dalle soluzioni precedentemente analizzate

CAPACITÀ DI APPRENDIMENTO: Lo studente dovrà aver acquisito capacità adeguate per l'approfondimento delle tematiche del corso attraverso consultazione della letteratura scientifica disponibile. La valutazione della capacità di apprendimento viene valutata in occasione degli esami.

Programma

OBIETTIVI FORMATIVI: Il corso di Artificial Intelligence And Cybersecurity si propone di insegnare agli studenti quali siano i rischi per la sicurezza di sistemi basati su modelli di machine learning, specialmente modelli neurali, e quali siano le corrispettive difese. Vengono analizzati i rischi per la privacy conseguenti all'addestramento e l'uso di diversi modelli di machine learning. Inoltre, vengono introdotti possibili utilizzi avversariali di tali modelli.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Al termine del corso lo studente dovrà conoscere le principali tecniche di attacco avversariale e di difesa su modelli di machine learning.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Lo studente dovrà dimostrare di saper analizzare i rischi dovuti allo sviluppo e all'utilizzo di diversi modelli, riconoscendo quali siano i rischi applicabili in diversi scenari applicativi.

AUTONOMIA DI GIUDIZIO: Lo studente dovrà dimostrare di sapere comprendere e analizzare i rischi applicabili in diversi scenari applicativi, analizzando il rapporto tra il costo e l'utilita' di diverse tecniche di difesa.

ABILITÀ COMUNICATIVE: Lo studente dovrà essere in grado di comunicare in modo chiaro le vulnerabilità esistenti in diversi scenari applicativi, dimostrando capacità critica nell'analisi di diverse tecniche di attacco e di difesa. Ogni lezione inizierà con una revisione di possiibili criticità lasciate aperte dalle soluzioni precedentemente analizzate

CAPACITÀ DI APPRENDIMENTO: Lo studente dovrà aver acquisito capacità adeguate per l'approfondimento delle tematiche del corso attraverso consultazione della letteratura scientifica disponibile. La valutazione della capacità di apprendimento viene valutata in occasione degli esami.

Codice insegnamento 8068750

Big Data Systems: Analysis, Management, And Applications 2° anno · 6 CFU · INFO-01/A · 0 file

OBIETTIVI FORMATIVI: Il corso si propone di fornire agli studenti le conoscenze teoriche e metodologiche necessarie per la progettazione e l'analisi di sistemi per la gestione e l'elaborazione di grandi moli di dati.…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI: Il corso si propone di fornire agli studenti le conoscenze teoriche e metodologiche necessarie per la progettazione e l'analisi di sistemi per la gestione e l'elaborazione di grandi moli di dati. Verranno approfondite le principali architetture e tecniche algoritmiche per il calcolo distribuito, il data mining, l'analisi di grafi, i sistemi di raccomandazione, l'apprendimento automatico su larga scala e l'elaborazione di flussi di dati.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Al termine del corso lo studente avrà acquisito la conoscenza delle problematiche relative alla memorizzazione, gestione e analisi di grandi quantità di dati e comprenderà le principali architetture e tecniche algoritmiche per il calcolo distribuito e l'analisi di dati massivi. Lo studente sarà inoltre in grado di comprendere i principi alla base dell'analisi di reti complesse, dei sistemi di raccomandazione e dei modelli di apprendimento automatico su larga scala.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Lo studente sarà in grado di utilizzare strumenti, ambienti di sviluppo e metodologie per affrontare problemi di progettazione e implementazione di sistemi distribuiti per l'elaborazione di grandi quantità di dati. Sarà inoltre in grado di applicare tecniche di data mining, analisi di grafi, ricerca di similarità, sistemi di raccomandazione e apprendimento supervisionato, valutando i compromessi tra accuratezza, scalabilità e costo computazionale.

### AUTONOMIA DI GIUDIZIO

Lo studente sarà in grado di analizzare criticamente un sistema per la gestione dei Big Data, di valutarne le prestazioni e di progettare soluzioni adeguate utilizzando le tecnologie più appropriate. Sarà inoltre in grado di formulare e risolvere problemi di ottimizzazione e di selezionare le tecniche più idonee in funzione dei requisiti applicativi.

ABILITÀ COMUNICATIVE: Lo studente sarà in grado di descrivere, discutere e motivare le scelte progettuali relative a sistemi per l'elaborazione di grandi moli di dati, utilizzando una terminologia tecnica appropriata e comunicando in modo chiaro ed efficace con specialisti del settore.

CAPACITÀ DI APPRENDIMENTO
Al termine del corso lo studente avrà acquisito le competenze necessarie per approfondire autonomamente tematiche avanzate relative ai sistemi Big Data, al calcolo distribuito e all'analisi di reti e grafi di grandi dimensioni. Tali competenze costituiranno una base adeguata per affrontare problemi e tecnologie differenti da quelle trattate durante il corso e per proseguire gli studi o l'attività di ricerca nel settore.

Programma

OBIETTIVI FORMATIVI: Il corso si propone di fornire agli studenti le conoscenze teoriche e metodologiche necessarie per la progettazione e l'analisi di sistemi per la gestione e l'elaborazione di grandi moli di dati. Verranno approfondite le principali architetture e tecniche algoritmiche per il calcolo distribuito, il data mining, l'analisi di grafi, i sistemi di raccomandazione, l'apprendimento automatico su larga scala e l'elaborazione di flussi di dati.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Al termine del corso lo studente avrà acquisito la conoscenza delle problematiche relative alla memorizzazione, gestione e analisi di grandi quantità di dati e comprenderà le principali architetture e tecniche algoritmiche per il calcolo distribuito e l'analisi di dati massivi. Lo studente sarà inoltre in grado di comprendere i principi alla base dell'analisi di reti complesse, dei sistemi di raccomandazione e dei modelli di apprendimento automatico su larga scala.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Lo studente sarà in grado di utilizzare strumenti, ambienti di sviluppo e metodologie per affrontare problemi di progettazione e implementazione di sistemi distribuiti per l'elaborazione di grandi quantità di dati. Sarà inoltre in grado di applicare tecniche di data mining, analisi di grafi, ricerca di similarità, sistemi di raccomandazione e apprendimento supervisionato, valutando i compromessi tra accuratezza, scalabilità e costo computazionale.

### AUTONOMIA DI GIUDIZIO

Lo studente sarà in grado di analizzare criticamente un sistema per la gestione dei Big Data, di valutarne le prestazioni e di progettare soluzioni adeguate utilizzando le tecnologie più appropriate. Sarà inoltre in grado di formulare e risolvere problemi di ottimizzazione e di selezionare le tecniche più idonee in funzione dei requisiti applicativi.

ABILITÀ COMUNICATIVE: Lo studente sarà in grado di descrivere, discutere e motivare le scelte progettuali relative a sistemi per l'elaborazione di grandi moli di dati, utilizzando una terminologia tecnica appropriata e comunicando in modo chiaro ed efficace con specialisti del settore.

CAPACITÀ DI APPRENDIMENTO
Al termine del corso lo studente avrà acquisito le competenze necessarie per approfondire autonomamente tematiche avanzate relative ai sistemi Big Data, al calcolo distribuito e all'analisi di reti e grafi di grandi dimensioni. Tali competenze costituiranno una base adeguata per affrontare problemi e tecnologie differenti da quelle trattate durante il corso e per proseguire gli studi o l'attività di ricerca nel settore.

Codice insegnamento 8068752

Calcolo Delle Probabilita' 2° anno · 6 CFU · MATH-03/B · 0 file

OBIETTIVI FORMATIVI: introdurre agli studenti tecniche e metodi avanzati della probabilità per applicazioni statistiche ed informatiche, con particolare riferimento alla teoria asintotica ed all'analisi dei processi…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI: introdurre agli studenti tecniche e metodi avanzati della probabilità per applicazioni statistiche ed informatiche, con particolare riferimento alla teoria asintotica ed all'analisi dei processi aleatori più importanti per le simulazioni e la stima (catene di Markov, processo di Poisson).

CONOSCENZA E CAPACITÀ DI COMPRENSIONE: lo studente apprenderà soprattutto i fondamenti della teoria dei processi aleatorî discreti; tali strumenti permettono di valutare le proprietà matematiche delle procedure di stima e di simulazione. Al termine del processo di apprendimento si richiede di comprendere i metodi presentati e saperli applicare nella soluzione di problemi pratici.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: il corso si sviluppa in un ambito metodologico, ma si cerca di illustrare le notevoli possibilità applicative del materiale trattato in tutti gli ambiti scientifici. Al termine del processo di apprendimento si richiede di riconoscere gli ambiti di applicabilità dei metodi e delle procedure descritte a lezione e applicare gli stessi al fine di risolvere e modellizzare semplici problemi

Programma

Seguiremo il testo "Probability and computing" di Mitzenmacher e Upfal.

PARTE 1 (6 settimane): La prima parte del corso sarà un richiamo degli strumenti di teoria delle probabilità (corrispondenti grossomodo ai primi tre capitoli del libro) ed uno studio delle disuguaglianze di concentrazione (capitolo 4).

PARTE 2 (7 settimane): Seguiranno poi argomenti più avanzati, motivati da applicazioni informatiche: urne e grafi aleatori (capitolo 5), catene di Markov e passeggiate aleatorie (capitolo 7), tempo di mixing (capitolo 12) e un approfondimento dal libro Markov chains and mixing time), martingale (capitolo 13).

Modalità d'esame

La prova di esame sarà valutata secondo i seguenti criteri:
Non idoneo: importanti carenze e/o inaccuratezza nella conoscenza e comprensione degli argomenti;
limitate capacità di analisi e sintesi, frequenti generalizzazioni.
18-20: conoscenza e comprensione degli argomenti appena sufficiente con possibili imperfezioni;
capacità di analisi sintesi e autonomia di giudizio sufficienti.
21-23: Conoscenza e comprensione degli argomenti routinaria;
capacità di analisi e sintesi corrette con argomentazione logica coerente.
24-26: Discreta conoscenza e comprensione degli argomenti;
buone capacità di analisi e sintesi con argomentazioni espresse in modo rigoroso.
27-29: Conoscenza e comprensione degli argomenti completa;
notevoli capacità di analisi, sintesi. Buona autonomia di giudizio.
30-30L: Ottimo livello di conoscenza e comprensione degli argomenti;
notevoli capacità di analisi e di sintesi e di autonomia di giudizio. Argomentazioni espresse in modo originale.

Testi di riferimento

Mitzenmacher, E. Upfal
"Probability and Computing"
Cambridge University Press, second edition.

David A. Levin, Yuval Peres, Elizabeth L. Wilmer
"Markov Chains and Mixing Times", second edition.

Codice insegnamento 8068748

Can 1: Modellizzazione Geometrica E Simulazione Numerica 2° anno · 8 CFU · MATH-05/A · 0 file

OBIETTIVI FORMATIVI: L'insegnamento si propone di fornire le conoscenza di base riguardo delle funzioni spline e di alcune loro applicazioni salienti. Al termine dell’'insegnamento, lo studente conoscerà le principali…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI:
L'insegnamento si propone di fornire le conoscenza di base riguardo delle funzioni spline e di alcune loro applicazioni salienti. Al termine dell’'insegnamento, lo studente conoscerà le principali proprietà delle funzioni splines, della base B-spline e i principali aspetti delle loro applicazioni nell'ambito del free-form design, dell'approssimazione di funzioni e della soluzione di equazioni alle derivate parziali.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE:
Al termine del processo di apprendimento si richiede di comprendere i metodi presentati e saperli applicare nella soluzione di semplici problemi.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:
Al termine del processo di apprendimento si richiede di riconoscere gli ambiti di applicabilità dei metodi e delle procedure descritte a lezione e applicare gli stessi al fine di risolvere e modellizzare semplici problemi.

AUTONOMIA DI GIUDIZIO:
Al termine del processo di apprendimento si richiede di saper analizzare semplici problemi di modellizzazione o approssimazione, saper individuare schemi spline appropriati per il loro trattamento e saper valutare la correttezza, e l’efficacia degli stessi.

ABILITÀ COMUNICATIVE:
Al termine del processo di apprendimento si chiede di saper illustrare con proprietà di linguaggio, sia in modo sintetico che analitico, i fondamenti matematici dei metodi numerici presentati a lezione.

CAPACITÀ DI APPRENDIMENTO:
Al termine del processo di apprendimento si chiede di saper leggere e comprendere sia manuali di analisi numerica avanzati sia articoli di ricerca riguardanti le tematiche affrontate.

Programma

l corso fornisce un ’introduzione alla costruzione ed alle proprietà delle funzioni spline
nonché al loro utilizzo nell’ambito della grafica computerizzata, della progettazione del trattamento numerico di equazioni differenziali alle derivate parziali.
Polinomi di Bernstein e curve di Bézier (8 ore).
B-spline: costruzione, proprietà analitiche e geometriche (24 ore).
Curve e superfici B-spline. Curve e superfici NURBS (12 ore).
Proprietà di approssimazione di spazi spline (8 ore).
Trattamento di problemi ellittici multidimensionali: fondamenti del metodo degli elementi finiti e dell'analisi isogeometrica (12 ore).

Modalità d'esame

Nella prova orale lo studente dovrà dimostrare di saper illustrare, sia in modo sintetico che analitico, e con proprietà di linguaggio i fondamenti matematici dei metodi numerici presentati a lezione.

Il punteggio della prova d’esame è attribuito mediante un voto espresso in trentesimi.

La prova di esame sarà valutata secondo i seguenti criteri:
Non idoneo: importanti carenze e/o inaccuratezza nella conoscenza e comprensione degli argomenti; limitate capacità di analisi e sintesi.
18-20: conoscenza e comprensione degli argomenti appena sufficiente con possibili imperfezioni; capacità di analisi sintesi e autonomia di giudizio sufficienti.
21-23: Conoscenza e comprensione degli argomenti routinaria; Capacità di analisi e sintesi corrette con argomentazione logica coerente.
24-26: Discreta conoscenza e comprensione degli argomenti; buone capacità di analisi e sintesi con argomentazioni espresse in modo rigoroso.
27-29: Conoscenza e comprensione degli argomenti completa; notevoli capacità di analisi, sintesi. Buona autonomia di giudizio.
30-30L: Ottimo livello di conoscenza e comprensione degli argomenti. Notevoli capacità di analisi e di sintesi e di autonomia di giudizio. Argomentazioni espresse in modo originale

Testi di riferimento

  • C. de Boor, A practical Guide to Splines, Springer 2001.
  • A. Quarteroni, Numerical Models for Differential Problems, Springer, 2009.

Codice insegnamento 8068560

Cybersecurity 2° anno · 9 CFU · INFO-01/A · 0 file

L'obiettivo del corso è quello di presentare i principali modelli di sicurezza informatica, definire un mapping con i contesti nei quali tali modelli si applicano e presentare gli strumenti implementativi dei modelli…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo del corso è quello di presentare i principali modelli di sicurezza informatica, definire un mapping con i contesti nei quali tali modelli si applicano e presentare gli strumenti implementativi dei modelli stessi quali la crittografia, i protocolli di sicurezza, le pki e altri strumenti analitici.

Programma

L'obiettivo del corso è quello di presentare i principali modelli di sicurezza informatica, definire un mapping con i contesti nei quali tali modelli si applicano e presentare gli strumenti implementativi dei modelli stessi quali la crittografia, i protocolli di sicurezza, le pki e altri strumenti analitici.

Codice insegnamento 8068758

Cybersecurity-by-design For Critical Infrastructures 2° anno · 9 CFU · INFO-01/A · 0 file

Il corso ha l'obiettivo di fornire agli studenti strumenti concettuali e metodologici per progettare, osservare e proteggere infrastrutture critiche distribuite. La cybersecurity viene affrontata come proprietà…

Scheda dell'insegnamento

Obiettivi formativi

Il corso ha l'obiettivo di fornire agli studenti strumenti concettuali e metodologici per progettare, osservare e proteggere infrastrutture critiche distribuite. La cybersecurity viene affrontata come proprietà progettuale del sistema: un'infrastruttura è difendibile quando il suo comportamento atteso è formalizzato, osservabile, misurabile e verificabile.

Gli studenti acquisiranno competenze su modellazione di infrastrutture critiche, analisi dei flussi, costruzione di baseline comportamentali, individuazione di deviazioni, scoring, detection, correlazione dei log, ricostruzione di grafi e workflow, propagazione degli eventi, middleware trasparente e log immutabili a supporto di SOC, audit e incident response.

Al termine del corso lo studente sarà in grado di:
-comprendere le infrastrutture critiche come sistemi distribuiti, compartimentati e interdipendenti;
-distinguere tra superficie osservabile, superficie di attacco, baseline, deviazione, fault, misconfiguration e attack;
-definire il comportamento atteso di un sistema e misurare scostamenti tramite deviazioni, score e soglie;
-comprendere la differenza tra "deviation score" e "severity score";
-confrontare detector rule-based, statistici, sequenziali, temporali e graph-based, valutandone vantaggi e limiti;
-costruire grafi e workflow a partire da log applicativi, di rete o di sistema;
-correlare input, output ed eventi per valutare la coerenza del comportamento osservato;
-analizzare connettività, propagazione ed entropia come indicatori di rischio sistemico;
-progettare un middleware trasparente per osservare i flussi e generare log strutturati;
-comprendere il ruolo della blockchain nella protezione dell'integrità dei log;
-valutare il valore e i limiti di log immutabili per audit, forensic analysis e incident response.

Il risultato atteso è che lo studente sappia progettare e analizzare una architettura cyber-resiliente in cui i flussi siano osservabili, i comportamenti confrontabili con una baseline, le anomalie classificabili e le evidenze tecniche verificabili.

Programma

Il corso ha l'obiettivo di fornire agli studenti strumenti concettuali e metodologici per progettare, osservare e proteggere infrastrutture critiche distribuite. La cybersecurity viene affrontata come proprietà progettuale del sistema: un'infrastruttura è difendibile quando il suo comportamento atteso è formalizzato, osservabile, misurabile e verificabile.

Gli studenti acquisiranno competenze su modellazione di infrastrutture critiche, analisi dei flussi, costruzione di baseline comportamentali, individuazione di deviazioni, scoring, detection, correlazione dei log, ricostruzione di grafi e workflow, propagazione degli eventi, middleware trasparente e log immutabili a supporto di SOC, audit e incident response.

Al termine del corso lo studente sarà in grado di:
-comprendere le infrastrutture critiche come sistemi distribuiti, compartimentati e interdipendenti;
-distinguere tra superficie osservabile, superficie di attacco, baseline, deviazione, fault, misconfiguration e attack;
-definire il comportamento atteso di un sistema e misurare scostamenti tramite deviazioni, score e soglie;
-comprendere la differenza tra "deviation score" e "severity score";
-confrontare detector rule-based, statistici, sequenziali, temporali e graph-based, valutandone vantaggi e limiti;
-costruire grafi e workflow a partire da log applicativi, di rete o di sistema;
-correlare input, output ed eventi per valutare la coerenza del comportamento osservato;
-analizzare connettività, propagazione ed entropia come indicatori di rischio sistemico;
-progettare un middleware trasparente per osservare i flussi e generare log strutturati;
-comprendere il ruolo della blockchain nella protezione dell'integrità dei log;
-valutare il valore e i limiti di log immutabili per audit, forensic analysis e incident response.

Il risultato atteso è che lo studente sappia progettare e analizzare una architettura cyber-resiliente in cui i flussi siano osservabili, i comportamenti confrontabili con una baseline, le anomalie classificabili e le evidenze tecniche verificabili.

Codice insegnamento 8068756

Deep Learning 2° anno · 9 CFU · INFO-01/A · 0 file
Economia Dell'ict 2° anno · 6 CFU · IINF-03/A · 0 file
Elementi Di Analisi Numerica 2° anno · 8 CFU · MATH-05/A · 0 file

OBIETTIVI FORMATIVI: approfondire alcuni argomenti specifici della Matematica Numerica CONOSCENZA E CAPACITÀ DI COMPRENSIONE: ci si aspetta che lo studente apprenda la teoria essenziale e riferimenti bibliografici che…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI: approfondire alcuni argomenti specifici della Matematica Numerica
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: ci si aspetta che lo studente apprenda la teoria essenziale e riferimenti bibliografici che gli permettano di approfondirla
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: ci si aspetta che lo studente sappia applicare la teoria nella risoluzione di esercizi standard e nella definizione di nuovi problemi la cui soluzione può anche condurre allo sviluppo di ricerche originali
AUTONOMIA DI GIUDIZIO: lo studente dovrebbe acquisire uno spirito critico, saper verificare, nei teoremi, la correttezza/semplicità delle dimostrazioni e la soddisfacibilità/ generalità delle ipotesi, e, negli esercizi, la correttezza/semplicità delle risoluzioni
ABILITÀ COMUNICATIVE: ci si aspetta che lo studente durante l'insegnamento acquisti padronanza nel comunicare in elaborati scritti o in prove orali (anche seminari) quanto appreso dal docente o studiato su testi consigliati dal docente
CAPACITÀ DI APPRENDIMENTO: vedi sopra

Programma

Polinomi di Bernoulli, formula di Eulero-Maclaurin (3 settimane), metodi numerici per il calcolo degli autovalori e degli autovettori di matrici (4 settimane), metodo delle potenze (2 settimane), teoria di Perron-Frobenius, l'importanza dei nodi nei grafi orientati (page-rank) (2 settimane), metodi di tipo differenze finite per la risoluzione di problemi differenziali e/o migliore approssimazione di una matrice in algebre di bassa complessità e/o SVD con applicazioni (3 settimane).

Modalità d'esame

scritto e orale

La prova di esame sarà valutata secondo i seguenti criteri:

Non idoneo: importanti carenze e/o inaccuratezza nella conoscenza e comprensione degli argomenti; limitate capacità di analisi e sintesi, frequenti generalizzazioni.

18-20: conoscenza e comprensione degli argomenti appena sufficiente con possibili imperfezioni; capacità di analisi sintesi e autonomia di giudizio sufficienti.

21-23: Conoscenza e comprensione degli argomenti routinaria;
capacità di analisi e sintesi corrette con argomentazione logica coerente.

24-26: Discreta conoscenza e comprensione degli argomenti;
buone capacità di analisi e sintesi con argomentazioni espresse in modo rigoroso.

27-29: Conoscenza e comprensione degli argomenti completa;
notevoli capacità di analisi, sintesi. Buona autonomia di giudizio.

30-30L: Ottimo livello di conoscenza e comprensione degli argomenti;
notevoli capacità di analisi e di sintesi e di autonomia di giudizio. Argomentazioni espresse in modo originale.

Testi di riferimento

Un riferimento generale: "Complessita' e iterazione numerica. Percorsi, matrici e algoritmi veloci nel calcolo numerico", D. Bertaccini, C. Di Fiore, P. Zellini (libro)
per teoria di Perron-Frobenius: "Matrix Iterative Analysis", Richard S. Varga (libro)
per page-rank: "A Survey on PageRank Computing", Pavel Berkhin (articolo)
per gli argomenti rimanenti: files sul sito del docente e un qualsiasi buon libro di Matematica Numerica

Codice insegnamento 8068749

Geometria Algebrica 2° anno · 8 CFU · MATH-02/B · 0 file

OBIETTIVI FORMATIVI: Sono gli stessi per studenti frequentanti e non frequentanti. Lo studente acquisirà conoscenze di base e intermedie che permetteranno di comprendere alcuni aspetti geometrici delle forme…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI: Sono gli stessi per studenti frequentanti e non frequentanti. Lo studente acquisirà conoscenze di base e intermedie che permetteranno di comprendere alcuni aspetti geometrici delle forme differenziali e della topologia e geometria di varietà differenziabili.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Lo studente acquisirà la conoscenza e comprenderà l'utilizzo degli strumenti di base di algebra omologica, topologia e geometria differenziale.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Lo studente sarà capace di studiare alcune proprietà topologiche e geometriche delle varietà differenziabili.
AUTONOMIA DI GIUDIZIO: Lo studente sarà in grado di valutare in modo autonomo le tecniche matematiche utili per impostare e risolvere problemi di geometria.
ABILITÀ COMUNICATIVE: Capacità di descrivere i teoremi fondamentali e il loro ambito applicativo.
CAPACITÀ DI APPRENDIMENTO: Capacità di organizzare in modo sistematico gli argomenti appresi nel corso.

Programma

Gli argomenti sono gli stessi per studenti frequentanti e non frequentanti. Il corso consiste in un'introduzione alla geometria algebrica moderna, in particolare a schemi, fasci algebrici coerenti. coomologia.

Argomenti:

  • Categorie e funtori (2 ore).
  • Categorie di varietà algebriche (10 ore).
  • Categorie di schemi. Funtore dei punti (13 ore).
  • Attributi degli schemi. Fasci coerenti. (15 ore).
  • Divisori. Morfismi proiettivi. Differenziali. (14 ore).
  • Coomologia e applicazioni (solo introduzione, tempo permettendo) (10 ore)

Modalità d'esame

La modalità d'esame (uguale per studenti frequentanti/non frequantanti)
consiste in una prova orale in cui lo gli studenti dovranno mostrare un'adeguata conoscenza e comprensione degli argomenti del corso.

La prova di esame sarà valutata secondo i seguenti criteri:

Non idoneo: importanti carenze e/o inaccuratezza nella conoscenza e comprensione degli argomenti;
limitate capacità di analisi e sintesi, frequenti generalizzazioni.

18-20: conoscenza e comprensione degli argomenti appena sufficiente con possibili imperfezioni;
capacità di analisi sintesi e autonomia di giudizio sufficienti.

21-23: Conoscenza e comprensione degli argomenti routinaria;
capacità di analisi e sintesi corrette con argomentazione logica coerente.

24-26: Discreta conoscenza e comprensione degli argomenti;
buone capacità di analisi e sintesi con argomentazioni espresse in modo rigoroso.

27-29: Conoscenza e comprensione degli argomenti completa;
notevoli capacità di analisi, sintesi. Buona autonomia di giudizio.

30-30L: Ottimo livello di conoscenza e comprensione degli argomenti;
notevoli capacità di analisi e di sintesi e di autonomia di giudizio. Argomentazioni espresse in modo originale.

Testi di riferimento

  • G. Kempf, Algebraic Varieties, Cambridge University Press
  • I. Shafarevich, Basic Algebraic Geometry, I e II, Springer

Codice insegnamento 8068573

Inferenza Statistica E Teoria Dell'informazione 2° anno · 6 CFU · MATH-03/B · 0 file

Fornire una insegnameno alla teoria dell'inferenza

Scheda dell'insegnamento

Obiettivi formativi

Fornire una insegnameno alla teoria dell'inferenza

Programma

Fornire una insegnameno alla teoria dell'inferenza

Modalità d'esame

Scritto E Orale

Codice insegnamento 8068747

Information Retrieval 2° anno · 6 CFU · INFO-01/A · 0 file

OBIETTIVI FORMATIVI: Il corso si propone di introdurre lo studente agli scopi, alle principali problematiche e ai principali modelli dell'Information Retrieval CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Lo studente conoscerà…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI: Il corso si propone di introdurre lo studente agli scopi, alle
principali problematiche e ai principali modelli dell'Information Retrieval

  • CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Lo studente conoscerà le
    principali tematiche per l'Information Retrieval
  • CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Alla fine del corso,
    lo studente sarà in grado di implementare un modello di indicizzazione e ricerca
    dell'Informazione
  • AUTONOMIA DI GIUDIZIO: Lo studente viene abituato a ragionare sui vari
    compromessi (trade-off) che si devono affrontare nella progettazione o
    implementazione di un sistema per la ricerca dell'Informazione.
  • ABILITÀ COMUNICATIVE: Allo studente viene richiesto di presentare alcuni
    argomenti presentati durante il corso al fine di migliorare le proprie capacità di
    esposizione orale. Il corso prevede facoltativamente la realizzazione di alcuni progetti
    che devono essere documentati. I risultati del progetto vengono infatti presentati al
    docente, migliorando così la capacità di esposizione orale.

Programma

OBIETTIVI FORMATIVI: Il corso si propone di introdurre lo studente agli scopi, alle
principali problematiche e ai principali modelli dell'Information Retrieval

  • CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Lo studente conoscerà le
    principali tematiche per l'Information Retrieval
  • CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Alla fine del corso,
    lo studente sarà in grado di implementare un modello di indicizzazione e ricerca
    dell'Informazione
  • AUTONOMIA DI GIUDIZIO: Lo studente viene abituato a ragionare sui vari
    compromessi (trade-off) che si devono affrontare nella progettazione o
    implementazione di un sistema per la ricerca dell'Informazione.
  • ABILITÀ COMUNICATIVE: Allo studente viene richiesto di presentare alcuni
    argomenti presentati durante il corso al fine di migliorare le proprie capacità di
    esposizione orale. Il corso prevede facoltativamente la realizzazione di alcuni progetti
    che devono essere documentati. I risultati del progetto vengono infatti presentati al
    docente, migliorando così la capacità di esposizione orale.

Codice insegnamento 8068604

Internet Technology And Protocols 2° anno · 6 CFU · IINF-03/A · 0 file

Obiettivi dell'insegnamento

Scheda dell'insegnamento

Obiettivi formativi

Obiettivi dell'insegnamento

Programma

Obiettivi dell'insegnamento

Modalità d'esame

Scritto

Codice insegnamento 8068764

Knowledge Engineering 2° anno · 9 CFU · INFO-01/A · 0 file

padronanza del paradigma di gestione e accesso ai dati distribuito nel web. Riesamina dei fondamenti di rappresentazione della conoscenza e inferenza logica appresi in altri corsi della laurea triennale e ulteriore…

Scheda dell'insegnamento

Obiettivi formativi

padronanza del paradigma di gestione e accesso ai dati distribuito nel web. Riesamina dei fondamenti di rappresentazione della conoscenza e inferenza logica appresi in altri corsi della laurea triennale e ulteriore affinamento dello conoscenze su questi temi. Progettazione di modelli della conoscenza come ontologie, tesauri e lessici per il Web dei Dati. Pubblicazione, accesso e esplorazione di dati nel web. Tecniche di coordinamento semantico basato su metadati.

Programma

padronanza del paradigma di gestione e accesso ai dati distribuito nel web. Riesamina dei fondamenti di rappresentazione della conoscenza e inferenza logica appresi in altri corsi della laurea triennale e ulteriore affinamento dello conoscenze su questi temi. Progettazione di modelli della conoscenza come ontologie, tesauri e lessici per il Web dei Dati. Pubblicazione, accesso e esplorazione di dati nel web. Tecniche di coordinamento semantico basato su metadati.

Modalità d'esame

Scritto E Orale

Codice insegnamento 8068753

Machine Learning 2° anno · 9 CFU · INFO-01/A · 0 file

OBIETTIVI FORMATIVI: Acquisizione dei concetti fondamentali dell’apprendimento automatico e dei più comuni e rilevanti modelli/algoritmi applicati in tale ambito. Conoscenza dei relativi fondamenti matematici. CONOSCENZA…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI: Acquisizione dei concetti fondamentali dell’apprendimento automatico e dei più comuni e rilevanti modelli/algoritmi applicati in tale ambito. Conoscenza dei relativi fondamenti matematici.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Conoscenza e capacità di utilizzo delle principali tecniche di apprendimento automatico, supervisionato e non supervisionato.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Applicazione di tecniche di ML a problemi di estrazione di conoscenza (mining) in insiemi di dati di grandi dimensioni.
AUTONOMIA DI GIUDIZIO: Valutazione delle più efficaci modalità di applicazione di metodi di apprendimento automatico, sulla base dell’applicazione di opportune misure di qualità.
ABILITÀ COMUNICATIVE: Lo studente dovrà essere in grado di descrivere con chiarezza e linguaggio tecnico appropriato i principali modelli e algoritmi di apprendimento automatico, discutendone caratteristiche, risultati e ambiti applicativi, anche attraverso la presentazione del progetto.
CAPACITÀ DI APPRENDIMENTO: Lo studente dovrà acquisire la capacità di approfondire autonomamente nuovi metodi di apprendimento automatico, consultando materiale didattico, documentazione tecnica e letteratura scientifica, e applicando le conoscenze acquisite a nuovi problemi.

Programma

OBIETTIVI FORMATIVI: Acquisizione dei concetti fondamentali dell’apprendimento automatico e dei più comuni e rilevanti modelli/algoritmi applicati in tale ambito. Conoscenza dei relativi fondamenti matematici.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Conoscenza e capacità di utilizzo delle principali tecniche di apprendimento automatico, supervisionato e non supervisionato.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Applicazione di tecniche di ML a problemi di estrazione di conoscenza (mining) in insiemi di dati di grandi dimensioni.
AUTONOMIA DI GIUDIZIO: Valutazione delle più efficaci modalità di applicazione di metodi di apprendimento automatico, sulla base dell’applicazione di opportune misure di qualità.
ABILITÀ COMUNICATIVE: Lo studente dovrà essere in grado di descrivere con chiarezza e linguaggio tecnico appropriato i principali modelli e algoritmi di apprendimento automatico, discutendone caratteristiche, risultati e ambiti applicativi, anche attraverso la presentazione del progetto.
CAPACITÀ DI APPRENDIMENTO: Lo studente dovrà acquisire la capacità di approfondire autonomamente nuovi metodi di apprendimento automatico, consultando materiale didattico, documentazione tecnica e letteratura scientifica, e applicando le conoscenze acquisite a nuovi problemi.

Codice insegnamento 8068556

Metodi Di Verifica Di Sistemi 2° anno · 6 CFU · INFO-01/A · 0 file

OBIETTIVI FORMATIVI: Il Corso di Metodi di Verifica di Sistemi ha come obiettivo formativo l'apprendimento della metodologia del Model checking, sia nella versione Approccio esplicito che in quella Approccio simbolico.…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI: Il Corso di Metodi di Verifica di Sistemi ha come obiettivo formativo l'apprendimento della metodologia del Model checking, sia nella versione Approccio esplicito che in quella Approccio simbolico.
Il model checking è una tecnica per la verifica di proprietà di sistemi che possono essere rappresentati come macchine a stati finiti. E' in grado di produrre (in determinate condizioni) dei certificati formali che garantiscono che il sistema ha la proprietà richiesta.
Nella parte avanzata del corso verra' considerato l'uso del model checking nel planning e/o per i sistemi ibridi (con variabili discrete e continue).

CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Al termine del corso lo studente dovrà conoscere i principi e gli algoritmi del Model Checking (nei due approcci).
Dovrà inoltre essere in grado di valutare se, date le caratteristiche di un dato sistema, questa tecnica è applicabile al sistema stesso (o eventualmente ad una astrazione del sistema).

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Lo studente dovrà dimostrare di sapere decidere se le metodologie sono applicabili e in caso positivo avvalersi di uno specifico tool (che verrà illustrato nel corso).

AUTONOMIA DI GIUDIZIO: Lo studente dovrà dimostrare di sapere comprendere e interpretare in maniera autonoma e critica le conoscenze acquisite, in modo da essere in grado di svolgere le valutazioni necessarie sulla complessità del sistema e sulla possibilità di ridurre la complessità operando su un'astrazione del sistema.

ABILITÀ COMUNICATIVE: Lo studente dovrà essere in grado di comunicare in modo chiaro, corretto e privo di ambiguità le proprie conoscenze acquisite durante il corso. Questo aspetto verrà promosso stimolando gli studenti alla partecipazione di una discussione di classe.

CAPACITÀ DI APPRENDIMENTO: Lo studente dovrà aver acquisito capacità adeguate per l’'ulteriore sviluppo e approfondimento di competenze nell'ambito del Model Checking, in particolare l'apprendimento di ulteriori tool. La valutazione della capacità di apprendimento viene valutata in occasione degli esami e, in itinere, nella parte interattiva della lezione.

Programma

OBIETTIVI FORMATIVI: Il Corso di Metodi di Verifica di Sistemi ha come obiettivo formativo l'apprendimento della metodologia del Model checking, sia nella versione Approccio esplicito che in quella Approccio simbolico.
Il model checking è una tecnica per la verifica di proprietà di sistemi che possono essere rappresentati come macchine a stati finiti. E' in grado di produrre (in determinate condizioni) dei certificati formali che garantiscono che il sistema ha la proprietà richiesta.
Nella parte avanzata del corso verra' considerato l'uso del model checking nel planning e/o per i sistemi ibridi (con variabili discrete e continue).

CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Al termine del corso lo studente dovrà conoscere i principi e gli algoritmi del Model Checking (nei due approcci).
Dovrà inoltre essere in grado di valutare se, date le caratteristiche di un dato sistema, questa tecnica è applicabile al sistema stesso (o eventualmente ad una astrazione del sistema).

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Lo studente dovrà dimostrare di sapere decidere se le metodologie sono applicabili e in caso positivo avvalersi di uno specifico tool (che verrà illustrato nel corso).

AUTONOMIA DI GIUDIZIO: Lo studente dovrà dimostrare di sapere comprendere e interpretare in maniera autonoma e critica le conoscenze acquisite, in modo da essere in grado di svolgere le valutazioni necessarie sulla complessità del sistema e sulla possibilità di ridurre la complessità operando su un'astrazione del sistema.

ABILITÀ COMUNICATIVE: Lo studente dovrà essere in grado di comunicare in modo chiaro, corretto e privo di ambiguità le proprie conoscenze acquisite durante il corso. Questo aspetto verrà promosso stimolando gli studenti alla partecipazione di una discussione di classe.

CAPACITÀ DI APPRENDIMENTO: Lo studente dovrà aver acquisito capacità adeguate per l’'ulteriore sviluppo e approfondimento di competenze nell'ambito del Model Checking, in particolare l'apprendimento di ulteriori tool. La valutazione della capacità di apprendimento viene valutata in occasione degli esami e, in itinere, nella parte interattiva della lezione.

Codice insegnamento 8068759

Model-based Systems Engineering 2° anno · 6 CFU · IINF-05/A · 0 file

LEARNING OUTCOMES: providing methodological and application-oriented aspects for the development of complex systems, with focus on software-intensive systems, and illustrate principles, standards and technologies of…

Scheda dell'insegnamento

Obiettivi formativi

LEARNING OUTCOMES: providing methodological and application-oriented aspects for the development of complex systems, with focus on software-intensive systems, and illustrate principles, standards and technologies of model-based and model-driven engineering, with application to the development of software-intensive systems. � KNOWLEDGE AND UNDERSTANDING: at the end of the course students acquire a solid knowledge about the systems lifecycle, as well as systems analysis, design, verification and validation methods. � APPLYING KNOWLEDGE AND UNDERSTANDING: students get the necessary skills to use methods and tools for the qualitative and quantitative analysis and design of software systems, and for project management, as well as relevant approaches for model-based and model-driven software development. � MAKING JUDGEMENTS: Students have to demonstrate to be able to understand and interpret in an autonomous and critical way the acquired knowledge, in order to connect and integrate the various aspects, ability to investigate, select and choose methods, techniques and tools for model-based and model-driven development of software-intensive systems. � COMMUNICATION SKILLS: students should be able to communicate their� knowledge acquired during the course in a clear, correct and with technical language. This aspect will be promoted by applying the topics covered in the course to different domains, by use of various case studies, so to stimulate students discussion. � LEARNING SKILLS: Ability to be critically deal with new problems and to find functional and correct solutions, also through consultation of available scientific literature.

Programma

LEARNING OUTCOMES: providing methodological and application-oriented aspects for the development of complex systems, with focus on software-intensive systems, and illustrate principles, standards and technologies of model-based and model-driven engineering, with application to the development of software-intensive systems. � KNOWLEDGE AND UNDERSTANDING: at the end of the course students acquire a solid knowledge about the systems lifecycle, as well as systems analysis, design, verification and validation methods. � APPLYING KNOWLEDGE AND UNDERSTANDING: students get the necessary skills to use methods and tools for the qualitative and quantitative analysis and design of software systems, and for project management, as well as relevant approaches for model-based and model-driven software development. � MAKING JUDGEMENTS: Students have to demonstrate to be able to understand and interpret in an autonomous and critical way the acquired knowledge, in order to connect and integrate the various aspects, ability to investigate, select and choose methods, techniques and tools for model-based and model-driven development of software-intensive systems. � COMMUNICATION SKILLS: students should be able to communicate their� knowledge acquired during the course in a clear, correct and with technical language. This aspect will be promoted by applying the topics covered in the course to different domains, by use of various case studies, so to stimulate students discussion. � LEARNING SKILLS: Ability to be critically deal with new problems and to find functional and correct solutions, also through consultation of available scientific literature.

Modalità d'esame

Orale

Codice insegnamento 8068762

Modelli E Qualita' Del Software 2° anno · 9 CFU · IINF-05/A · 0 file
Natural Language Processing 2° anno · 9 CFU · IINF-05/A · 0 file

OBIETTIVI FORMATIVI: Il corso si propone di introdurre lo studente agli scopi, alle principali problematiche e ai principali modelli simbolici dell'elaborarazione del linguaggio naturale. CONOSCENZA E CAPACITÀ DI…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI:

Il corso si propone di introdurre lo studente agli scopi, alle principali problematiche e ai principali modelli simbolici dell'elaborarazione del linguaggio naturale.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE:

Lo studente conoscerà le principali tematiche dell'elaborazione del linguaggio naturale.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:

Alla fine del corso, lo studente sarà in grado di implementare un modello di elaborazione del linguaggio.

AUTONOMIA DI GIUDIZIO:

Le lezioni sono organizzate di modo da permettere allo studente di valutare le informazioni presenti nella rete. Questo è necessario per permettere loro di scegliere nel mare magum della rete le informazioni che sono utili per trovare soluzioni ai problemi dati.

ABILITÀ COMUNICATIVE:

Allo studente viene richiesto di presentare alcuni argomenti durante le lezioni al fine di affinare la sua arte oratoria. Inoltre, l'esame prevede una presentazione orale davanti agli altri studenti.

CAPACITÀ DI APPRENDIMENTO:

Nel corso puntiamo molto sulla capacitàò di selezione delle informazioni come principale capacità di apprendimento.

Programma

OBIETTIVI FORMATIVI:

Il corso si propone di introdurre lo studente agli scopi, alle principali problematiche e ai principali modelli simbolici dell'elaborarazione del linguaggio naturale.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE:

Lo studente conoscerà le principali tematiche dell'elaborazione del linguaggio naturale.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:

Alla fine del corso, lo studente sarà in grado di implementare un modello di elaborazione del linguaggio.

AUTONOMIA DI GIUDIZIO:

Le lezioni sono organizzate di modo da permettere allo studente di valutare le informazioni presenti nella rete. Questo è necessario per permettere loro di scegliere nel mare magum della rete le informazioni che sono utili per trovare soluzioni ai problemi dati.

ABILITÀ COMUNICATIVE:

Allo studente viene richiesto di presentare alcuni argomenti durante le lezioni al fine di affinare la sua arte oratoria. Inoltre, l'esame prevede una presentazione orale davanti agli altri studenti.

CAPACITÀ DI APPRENDIMENTO:

Nel corso puntiamo molto sulla capacitàò di selezione delle informazioni come principale capacità di apprendimento.

Codice insegnamento 8068760

Neural Signal And Image Processing And Generation 2° anno · 6 CFU · INFO-01/A · 0 file
Principles Of Cryptocurrency Design 2° anno · 6 CFU · INFO-01/A · 0 file

OBIETTIVI FORMATIVI: Fornire agli studenti una panoramica completa e organica degli strumenti teorici e pratici alla base di moderni sistemi di moneta elettronica: dai problemi fondamentali della computazione distribuita…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI:
Fornire agli studenti una panoramica completa e organica degli strumenti
teorici e pratici alla base di moderni sistemi di moneta elettronica: dai
problemi fondamentali della computazione distribuita e dagli strumenti
crittografici utilizzati agli aspetti economici e di teoria dei giochi dei
meccanismi di incentivi.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE:

  • Padroneggiare i principi fondamentali dei meccanismi computazionali di consenso distribuito
  • Sviluppare una chiara comprensione del moderno ecosistema di monete digitali

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:

  • Esplorare con competenza ed efficacia il database delle transazioni della Blockchain
  • Progettare ed analizzare semplici smart contract

AUTONOMIA DI GIUDIZIO:

  • Scegliere strategie di progettazione e di dimostrazione adeguate al problema e
    al contesto
  • Confrontare l'efficienza e la scalabilità di diverse soluzioni

ABILITÀ COMUNICATIVE:

  • Descrivere e analizzare con un linguaggio tecnico appropriato problemi di
    ricerca allo stato dell'arte su monete elettroniche e tecnologie Blockchain

CAPACITÀ DI APPRENDIMENTO:

  • Leggere e comprendere semplici articoli scientifici su argomenti relativi a
    monete elettroniche e tecnologie Blockchain

Programma

OBIETTIVI FORMATIVI:
Fornire agli studenti una panoramica completa e organica degli strumenti
teorici e pratici alla base di moderni sistemi di moneta elettronica: dai
problemi fondamentali della computazione distribuita e dagli strumenti
crittografici utilizzati agli aspetti economici e di teoria dei giochi dei
meccanismi di incentivi.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE:

  • Padroneggiare i principi fondamentali dei meccanismi computazionali di consenso distribuito
  • Sviluppare una chiara comprensione del moderno ecosistema di monete digitali

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:

  • Esplorare con competenza ed efficacia il database delle transazioni della Blockchain
  • Progettare ed analizzare semplici smart contract

AUTONOMIA DI GIUDIZIO:

  • Scegliere strategie di progettazione e di dimostrazione adeguate al problema e
    al contesto
  • Confrontare l'efficienza e la scalabilità di diverse soluzioni

ABILITÀ COMUNICATIVE:

  • Descrivere e analizzare con un linguaggio tecnico appropriato problemi di
    ricerca allo stato dell'arte su monete elettroniche e tecnologie Blockchain

CAPACITÀ DI APPRENDIMENTO:

  • Leggere e comprendere semplici articoli scientifici su argomenti relativi a
    monete elettroniche e tecnologie Blockchain

Codice insegnamento 8068763

Prova Finale 2° anno · 21 CFU · 0 file
Sistemi Di Simulazione Distribuita 2° anno · 6 CFU · IINF-05/A · 0 file

OBIETTIVI FORMATIVI: il corso si propone di fornire conoscenze approfondite sugli aspetti metodologici e applicativi della simulazione distribuita. Verrà illustrato come tali approcci rappresentino strumenti…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI: il corso si propone di fornire conoscenze approfondite sugli aspetti metodologici e applicativi della simulazione distribuita. Verrà illustrato come tali approcci rappresentino strumenti flessibili, in grado di soddisfare le esigenze di interoperabilità, scalabilità e capacità computazionale tipiche dei moderni scenari di simulazione, evitando l’impiego di piattaforme dedicate, spesso complesse e costose. In particolare, il corso presenta i principali paradigmi di modellazione e simulazione, nonché gli standard e gli strumenti utili alla realizzazione di sistemi di simulazione distribuita.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE: al termine del corso, lo studente avrà acquisito una solida comprensione dei concetti fondamentali dello standard HLA e delle metodologie necessarie per sfruttare le potenzialità della simulazione distribuita.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: lo studente sarà in grado di applicare in modo autonomo le conoscenze acquisite a casi di studio reali. In particolare, saprà definire e analizzare i requisiti, specificare un modello concettuale, progettare e implementare un sistema di simulazione distribuita.

AUTONOMIA DI GIUDIZIO: lo studente dovrà acquisire una conoscenza approfondita dei metodi e degli standard della simulazione distribuita, tale da consentirgli di affrontare autonomamente un caso di studio reale e sviluppare una soluzione tecnica coerente.

ABILITA’ COMUNICATIVE: lo studente dovrà essere in grado di comunicare in modo chiaro ed efficace i contenuti del corso. Dovrà inoltre essere capace di motivare le scelte concettuali e tecniche effettuate nell’analisi di un caso di studio, illustrando con chiarezza i risultati della simulazione e mettendo in evidenza eventuali criticità.

CAPACITÀ DI APPRENDIMENTO: lo studente acquisirà competenze adeguate nell’ambito dell’ingegneria del software e dell’ingegneria della simulazione, che gli permetteranno di ampliare autonomamente le proprie conoscenze e di applicarle in contesti operativi reali

Programma

  • Il paradigma della simulazione centralizzata
  • Il paradigma della simulazione parallela
  • Il paradigma della simulazione distribuita
  • Distribuzione in rete locale e rete geografica
  • Middleware per la simulazione distribuita: High Level Architecture (HLA)
  • Progetto e Sviluppo di sistemi di simulazione distribuita in Java e HLA

Modalità d'esame

La valutazione dello studente prevede lo sviluppo di un task progettuale relativo all'analisi, progettazione e codifica di un sistema di simulazione distribuita, seguito da una prova orale in cui vengono verificati i risultati dell'attività progettuale e proposti quesiti a carattere teorico-pratico.
Lo studente dovrà dimostrare di avere acquisito le conoscenze di base della simulazione distribuita e di poterle applicare in maniera autonoma.

Testi di riferimento

G. Iazeolla, Principi e Metodi di Simulazione Discreta, Franco Angeli.
R.M. Fujimoto, Parallel and Distributed Simulation Systems, Wiley.
F. Kuhl, R. Weatherly, J. Dahmann, Creating Computer Simulation Systems - An Introduction to the High Level Architecture, Prentice-Hall.

Codice insegnamento 8068755

Teoria Spettrale (eam/1) 2° anno · 8 CFU · MATH-03/A · 0 file

OBIETTIVI FORMATIVI: Lo studente dovrà conoscere gli elementi di base della teoria delle algebre C^* e degli operatori lineari limitati su spazi di Hilbert complessi. Definizione e caratterizzazione delle algebre di…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI: Lo studente dovrà conoscere gli elementi di base della teoria delle algebre C^* e degli operatori lineari limitati su spazi di Hilbert complessi. Definizione e caratterizzazione delle algebre di von Neumann. CONOSCENZA E CAPACITÀ DI COMPRENSIONE: comprensione dei concetti di base del calcolo funzionale continuo e Boreliano per operatori autoaggiunti CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: saper utilizzare il teorema spettrale per determinare relazioni tra operatori autoaggiunti o normali su spazi di Hilbert. AUTONOMIA DI GIUDIZIO: Saper affrontare problemi riguardanti operatori autoaggiunti su spazi di Hilbert ABILITÀ COMUNICATIVE: Saper spiegare in modo coerente gli aspetti del teorema spetttrale per algebre C^*. CAPACITÀ DI APPRENDIMENTO: saper distinguere gli elementi essenziali di un problema concernente operatori ed il loro spettro e saper approfondire argomenti relativi tramite la lettura di un testo avanzato.

Programma

Algebre di Banach complesse e trasformata di Gelfand (circa 7 ore).
C*-algebre commutative e l'isomorfismo di Gelfand (circa 4 ore).
I casi della C*-algebra ridotta di Z e della compattificazione di Stone-Cech di Z (circa 4 ore).
Stati e rappresentazioni di C*-algebre: I teoremi GNS, di Krein-Millman e di Gelfand-Naimark(circa 7 ore).
Estensione dell'isomorfismo di Gelfand a funzioni Boreliane e misure spettrali (circa 8 ore).
Algebre di von Neumann: Il teorema del doppio comutante, il teorema di densità di Kaplansky (circa 10 ore).
Applicazione del teorema di Kaplansky: estensione dell'isomorfismo di Gelfand a L^\infty (m), m misura basica. Analisi del caso dell'algebra di gruppo di Z (circa 5 ore).
Molteplicità di rappresentazioni, rappresentazioni disgiunte, cover centrali, rapresentazioni di tipo I. Teorema di decomposizione di rappresentazioni di tipo I, il caso di C*-algebre abeliane e algebre di von Neumann abeliane (circa 16 ore).
Introduzione alla teoria analitica dei gruppi: gruppi amenabili e gruppi iperbolici (circa 3 ore).

Modalità d'esame

Esame orale con domande relative agli argomenti oggetto del programma di teoreia spettrale. Le domande sono tese ad accertare la conoscenza e la capacità di ragionamento dello studente nell’effettuare collegamenti tra i diversi temi trattati all’interno del corso.
Il voto finale dell’esame si esprime in trentesimi e si otterrà attraverso il seguente sistema di graduazione:
18-21, lo studente ha acquisito i concetti di base della disciplina e ha una capacità di analisi che emerge solo con l’aiuto del docente. Il modo di esprimersi e linguaggio usato sono complessivamente corretti.
22-25, lo studente ha acquisito in maniera discreta i concetti di base della disciplina, sa orientarsi tra i vari argomenti trattati e possiede una capacità di analisi autonoma che sa esprimere con un linguaggio corretto.
26-29, lo studente possiede un bagaglio di conoscenze ben strutturato. È in grado di rielaborare in maniera autonoma le conoscenze acquisite nell’ambito dell’immunologia e della patologia con ricchezza di riferimenti che sa esprimere con un linguaggio corretto.
30 e 30 e lode, lo studente possiede un bagaglio di conoscenze completo e approfondito. I riferimenti culturali sono ricchi e aggiornati. Si esprime con brillantezza e proprietà di linguaggio.

Testi di riferimento

Arveson, William: A short course on spectral theory.(English summary) Grad. Texts in Math., 209 Springer-Verlag, New York, 2002. x+135 pp.

Pedersen, Gert K.: Analysis now. Grad. Texts in Math., 118 Springer-Verlag, New York, 1989. xiv+277 pp.

Arveson, William An invitation to C*-algebras. Grad. Texts in Math., No. 39 Springer-Verlag, New York-Heidelberg, 1976. x+106 pp.

Dixmier, Jacques: Les algèbres d'opérateurs dans l'espace hilbertien (algèbres de von Neumann).(French) Ristampa della seconda (1969) edizione. Grands Class. Gauthier-Villars[Gauthier-Villars Great Classics] Éditions Jacques Gabay, Paris, 1996. x+367 pp.

Brown, Nathanial P.; Ozawa, Narutaka: C*-algebras and finite-dimensional approximations. Grad. Stud. Math., 88 American Mathematical Society, Providence, RI, 2008. xvi+509 pp.

Codice insegnamento 8068572

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.