Corso di laurea

Ingegneria dell'Automazione

Università degli Studi di Roma Tor Vergata · 41 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

Azionamenti Elettrici E Reti Di Distribuzione 1° anno · 9 CFU · IIND-08/A · 0 file

OBIETTIVI FORMATIVI: Il corso di Azionamenti Elettrici e Reti di Distribuzione si propone di fornire una conoscenza di base delle macchine elettriche in corrente continua e in corrente alternata, degli azionamenti…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI:
Il corso di Azionamenti Elettrici e Reti di Distribuzione si propone di fornire una conoscenza di base delle macchine elettriche in corrente continua e in corrente alternata, degli azionamenti elettrici e degli impianti di trasmissione e distribuzione dell'energia elettrica. Al fine di fornire allo studente una preparazione più solida e duratura, nel corso si farà riferimento anche alle reti elettriche di prossima generazione (Microgrids e Smart Grids).

CONOSCENZA E CAPACITÀ DI COMPRENSIONE:
Lo studente verrà gradualmente guidato alla conoscenza delle caratteristiche funzionali, dei modelli matematici e del comportamento delle principali macchine ed azionamenti elettrici in corrente continua e in corrente alternata, nonché il loro impiego nelle applicazioni industriali e nella mobilità elettrica. Si mostrerà altresì la caratterizzazione e la gestione dei sistemi elettrici di trasmissione e distribuzione tradizionali e la loro evoluzione nelle Smart Grids. Al fine di migliorare la comprensione degli argomenti viene illustrato, in ambiente Matlab-Simulink, l'utilizzo dei pacchetti specifici per la simulazione di azionamenti elettrici e delle reti di distribuzione.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:
Le conoscenze acquisite durante il corso consentiranno allo studente di eseguire un dimensionamento o un progetto di massima che includa azionamenti elettrici a velocità variabile collegati a un carico meccanico, e la selezione del sistema di controllo più opportuno per l’'applicazione finale anche ai fini dell’efficienza energetica.
Vari esempi applicativi, rivolti specialmente all'analisi delle reti elettriche e al controllo di velocità e di posizione degli azionamenti elettrici impiegati in ambito industriale e nella mobilità elettrica, permetteranno allo studente di migliorare la sua capacità di applicare le conoscenze acquisite.

AUTONOMIA DI GIUDIZIO:
Lo studente sarà in grado di comprendere ed elaborare in maniera critica le informazioni tecniche specialistiche di progetto sugli azionamenti elettrici a velocità variabile e sui componenti impiegati nelle reti di distribuzione.

ABILITÀ COMUNICATIVE:
Lo studente sarà in grado di interloquire con esperti del settore al fine di comprendere le specifiche tecniche ed elaborare in autonomia le informazioni necessarie allo sviluppo di un'attività progettuale che coinvolga l’applicazione degli azionamenti elettrici a velocità variabile o le linee di distribuzione elettriche anche in vista della loro evoluzione nelle Smart Grid.

CAPACITÀ DI APPRENDIMENTO:
Le competenze acquisite durante il corso consentiranno allo studente di intraprendere studi successivi o candidarsi a ruoli tecnici in aziende operanti in diversi settori applicativi, con particolare riferimento all’automazione industriale, alla distribuzione dell’energia elettrica e all' automotive.

Programma

Parte di programma svolta dalla Dr. Cristina Terlizzi (3 CFU)

RICHIAMI DI BASE
Il campo elettromagnetico e le leggi dell'elettromagnetismo. Ipotesi di costanti concentrate. I circuiti elettrici: equazioni costitutive e limiti di validità. I circuiti magnetici: induzione magnetica e intensità di campo magnetico; non idealità dei materiali ferromagnetici; formule fondamentali quali Biot-Savart, legge di Faraday-Neumann-Lentz e legge di Ampere. Analogie e differenze tra circuiti elettrici e circuiti magnetici. Richiami dei sistemi trifase: fasori; potenze; tensioni di fase e concatenate.

TRASFORMATORI
Modello ideale. Schema equivalente. Flussi dispersi, perdite nel ferro e nel rame e traferri. Non linearità e saturazione. Schema equivalente completo del trasformatore. Accorgimenti costruttivi ed efficienza. Diagramma vettoriale. Prove a vuoto e in corto circuito. Trasformatore trifase. Connessione in parallelo. Trasformatori ad alta frequenza.

TRASMISSIONE E DISTRIBUZIONE DELL'’ENERGIA ELETTRICA
Introduzione Linee di trasmissione in corrente continua e in corrente alternata. Modelli delle linee. Struttura della rete di distribuzione: protezioni, cabine di trasformazione primarie e secondarie. Metodo dei valori relativi, cortocircuiti e stato del neutro. Elementi di affidabilità e resilienza della rete. Regolazione di tensione. Regolazione di frequenza. Rifasamento. Gestione della rete elettrica locale e nazionale. Reti elettriche di prossima generazione (Microgrids, Smart Grids).

ESEMPI APPLICATIVI Sviluppo di modelli per la simulazione delle reti elettriche di distribuzione in ambiente Matlab/Simulink.

Parte di programma svolta dal Prof. Stefano Bifaretti (6 CFU)

MACCHINE E AZIONAMENTI ELETTRICI

Macchine in corrente continua:
Struttura della macchina. Avvolgimenti di statore e avvolgimenti di armatura. Spazzole e collettore. Generazione della coppia motrice. Forza contro elettromotrice. Coppie polari. Reazione di armatura. Limiti strutturali. Modello dinamico. Caratteristiche statiche. Motore a magneti permanenti.

Azionamenti con motore in corrente continua:
Generalità sugli Azionamenti Elettrici. Azionamenti con motore ad eccitazione indipendente. Variazione della tensione di armatura. Comando in coppia. Variazione della tensione di eccitazione. Controllo della velocità. Azionamenti con motore a magneti permanenti. Azionamenti di velocità e di posizione.

Macchine in corrente alternata trifase:
Macchina Asincrona. Struttura. Principio di funzionamento. Modello dinamico. Caratteristiche statiche. Circuito equivalente. Modalità di controllo.
Macchina Sincrono. Struttura. Principio di funzionamento. Modello dinamico. Caratteristiche statiche. Circuito equivalente. Funzionamento da generatore.
Azionamenti di velocità con motore asincrono. Modalità di controllo della velocità: Controllo di tipo scalare e di tipo vettoriale.

ESEMPI APPLICATIVI

Sviluppo in ambiente Matlab/Simulink dei modelli di simulazione per azionamenti elettrici con motore in corrente continua e in corrente alternata.

Modalità d'esame

L'esame prevede due prove di progetto, una per la parte di Azionamenti Elettrici ed una per quella di Reti, seguite da una prova orale.
I temi dei progetti proposti dai docenti vengono sviluppati individualmente o tramite un lavoro di gruppo a seconda del grado di difficoltà del progetto.

Si dovranno sviluppare i temi proposti utilizzando l'ambiente di simulazione Matlab/Simulink e presentare, infine, un elaborato scritto ai docenti comprendente l'analisi dei requisiti, la descrizione dei modelli sviluppati, la valutazione dei risultati e le conclusioni. A ciascuna delle due prove, di progetto e orale, verrà assegnato un voto in trentesimi. Il voto finale sarà ottenuto dalla media.

L'esame orale consiste in una presentazione dei progetti svolti e in domande relative agli argomenti oggetto del programma del corso. Le domande sono tese a verificare la conoscenza e la capacità di ragionamento dello studente su temi specifici e sul collegamento tra i diversi temi trattati all’'interno del corso. Oltre alla conoscenza e alla correttezza tecnica dei contenuti, verrà valutata anche la proprietà tecnica di linguaggio e la chiarezza espositiva.

Il voto finale dell’'esame è determinato attraverso il seguente sistema di graduazione:
Non idoneo: importanti carenze nella conoscenza e comprensione degli argomenti; limitate capacità di analisi e sintesi; scarso senso critico e di giudizio; esposizione degli argomenti poco chiara, non coerente e con linguaggio inappropriato.
18-21: sufficiente conoscenza dei concetti di base della disciplina e capacità di analisi che emerge solo con l’'aiuto del docente. Il modo di esprimersi e linguaggio usato sono complessivamente corretti, ma spesso inappropriati.
22-26: discreta conoscenza e comprensione dei concetti principali; buone capacità di analisi e sintesi; buon orientamento tra i vari argomenti trattati; buon grado di autonoma e utilizzo di linguaggio tecnico, anche se non sempre appropriato.
27-29: ampia conoscenza e comprensione degli argomenti del corso; notevoli capacità di analisi e sintesi; buona autonomia di giudizio; argomenti esposti in modo rigoroso, autonomo e con linguaggio tecnico sempre appropriato.
30 e 30 e lode: ottimo livello di conoscenza e comprensione approfondita e chiara esposizione degli argomenti; ottime capacità di analisi, di sintesi, di autonomia di giudizio e senso critico; ottima proprietà di linguaggio, orientamento senza esitazioni tra i vari argomenti, anche includendo riferimenti applicativi pertinenti.

Testi di riferimento

N. Mohan, Electric Machines and Drives, Wiley.

A.R. Bergen, V. Vittal, Power System Analysis, Prentice Hall

Codice insegnamento 80300849

Controlli Automatici 1° anno · 6 CFU · IINF-04/A · 0 file

OBIETTIVI FORMATIVI: Dotare lo studente delle tecniche base di sintesi ed analisi in frequenza di controllori per la realizzazione di schemi di controllo in retroazione su impianti lineari/linearizzati. CONOSCENZA E…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI:
Dotare lo studente delle tecniche base di sintesi ed analisi in frequenza di controllori per la realizzazione di schemi di controllo in retroazione su impianti lineari/linearizzati.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE:
Lo studente verrà istruito sulla metodologia di progettazione degli schema di controllo in grado di soddisfare le specifiche richieste, simulandone il funzionamento e implementandolo su Matlab e microcontrollore. Lo studente quindi dovrà avere la capacità di definire il modello dell'impianto da controllare e comprenderne i collegamenti necessari con lo schema di controllo. In base alle conoscenze acquisite, si prevede che lo studente sia in grado di comprendere le metodologie di analisi della stabilità del sistema controreazionato e capire gli strumenti a disposizione per di design del controllore.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:
Lo studente dovrà essere in grado di utilizzare gli strumenti teorici di analisi e sintesi di schemi di controllo in frequenza provvedendo alla verifica simulativa e pratica, attraverso gli strumenti forniti appropriati (Matlab, Codice micro etc...), valutando il soddisfacimento delle specifiche e delle caratteristiche attese.

AUTONOMIA DI GIUDIZIO:
Lo studente dovrà dimostrare di comprendere e interpretare in maniera autonoma e critica le conoscenze acquisite, in modo da essere in grado di collegare e integrare i vari aspetti, avere una capacità di indagine, selezione e scelta delle metodologie di analisi e sintesi in frequenza.

ABILITÀ COMUNICATIVE:
Lo studente dovrà aver acquisito il linguaggio tecnico e la capacità di descrivere adeguatamente il design di un sistema di controllo e le sue caratteristiche.
A motivo di quanto sopra esposto, sarà chiamato infatti a descrivere ed argomentare un progetto di sistema di controllo attraverso una presentazione in classe.

CAPACITÀ DI APPRENDIMENTO:
Lo studente deve avere la capacità di inquadrare il problema del design di un sistema di controllo e quindi avere la capacità di acquisire i metodi teorico/applicativi necessari allo sviluppo delle sue conoscenze, con un approccio rigoroso e critico.

Programma

Il programma orientativo del corso è articolato secondo i seguenti argomenti: riepilogo su funzioni di trasferimento e algebra a blocchi; analisi armonica di sistemi lineari stazionari a tempo continuo; diagramma di Bode e regole per il suo tracciamento; prestazioni a regime e nel transitorio; margine di fase e guadagno, criterio di Nyquist e luogo delle radici per la sintesi del controllore ed in particolare mediante l'uso delle reti correttrici; funzione di sensitività; cenni su metodi per l'implementazione digitale di sistemi di controllo.

Modalità d'esame

Le modalità di verifica dell'apprendimento si applicano indistintamente per gli/le studenti/studentesse frequentanti e non frequentanti.

La valutazione del corso si articola su due prove, ovvero un compito scritto d'esame con esercizi su implementazione delle tecniche di analisi e controllo viste a lezione e una prova progettuale in Matlab/Simulink. Una prova orale aggiuntiva è a scelta facoltativa dello/della studente/studentessa.

L'obiettivo della prova di esame consiste nel valutare non solo la preparazione complessiva dello studente ma anche la capacità di declinare le conoscenze acquisite in formulazioni e contesti non necessariamente identici a quelli presentati e discussi a lezione, ovvero di essere in grado di organizzare un discorso coerente sugli argomenti studiati mettendo in luce potenziali connessioni tra le diverse parti del programma. Inoltre, la logica del ragionamento espositivo, la capacità analitica e di sintesi nonché la capacità di giudizio e valutazione sono aspetti fondamentali della prova finale. Infine vengono valutate la proprietà di linguaggio e la chiarezza espositiva nelle domande teoriche del compito scritto.
La prova scritta deve essere sostenuta preliminarmente alla (eventuale) prova orale, mentre l'eventuale progetto può essere discusso in maniera temporalmente non correlata alla prova scritta, durante lo stesso anno accademico.

I risultati della prova scritta vengono comunicati, in forma anonima tramite l'utilizzo della matricola personale, nel gruppo Teams dedicato al corso.

La prova di esame sarà valutata secondo i seguenti criteri:

Non idoneo: importanti carenze nella conoscenza e comprensione dei risultati di base dei controlli automatici; limitate capacità di analisi e sintesi, frequenti generalizzazioni e limitate capacità critiche e di giudizio, assenza di consequenzialità nell'esposizione degli argomenti.

18-20: conoscenza e comprensione degli argomenti appena sufficiente con possibili generalizzazioni e imperfezioni; capacità di analisi, sintesi e autonomia di giudizio sufficienti; gli argomenti sono esposti in modo frequentemente poco coerente e con un linguaggio poco appropriato/tecnico; capacità di tracciare i diagrammi di Bode e di applicare le tecniche di base per l'analisi della stabilità.

21-23: conoscenza e comprensione dei risultati di base dell'analisi armonica e della sintesi del controllore; capacità di analisi e sintesi corrette con argomentazione logica sufficientemente coerente e linguaggio appropriato/tecnico; capacità di applicare il criterio di Nyquist, il luogo delle radici e le reti correttrici per la progettazione del controllore.

24-26: discreta conoscenza e comprensione degli argomenti; buone capacità di analisi e sintesi con argomentazioni espresse in modo rigoroso ma con un linguaggio non sempre appropriato/tecnico; capacità di enunciare i risultati principali del corso e di illustrarne formalmente la validità, potenzialmente con alcune incertezze; capacità di svolgere senza esitazioni la maggioranza degli esercizi proposti nel compito.

27-29: conoscenza e comprensione degli argomenti dettagliata e approfondita; notevoli capacità di analisi e sintesi; buona autonomia di giudizio; argomenti esposti in modo rigoroso e con linguaggio appropriato/tecnico; capacità di analizzare e progettare sistemi di controllo in retroazione, discutere le prestazioni a regime e nel transitorio e motivare le scelte progettuali; capacità di svolgere correttamente tutti gli esercizi proposti.

30-30L: ottimo livello di conoscenza e comprensione approfondita degli argomenti; ottime capacità di analisi, di sintesi e di autonomia di giudizio; argomentazioni espresse in modo originale e con linguaggio tecnico appropriato; piena padronanza degli strumenti di analisi e sintesi dei sistemi di controllo, incluse la funzione di sensitività e le tecniche di implementazione digitale; capacità di elaborare le nozioni apprese in contesti e formulazioni differenti da quelle discusse a lezione.

Testi di riferimento

[1] Controlli Automatici, Giovanni Marro, Zanichelli

[2] Sistemi di Controllo, Alberto Isidori, Siderea

[3] Fondamenti di controlli automatici, McGraw-Hill, P. Bolzern, R. Scattolini, N. Schiavoni.

Codice insegnamento 8037382

Controllo Robusto E Adattativo 1° anno · 9 CFU · IINF-04/A · 0 file

OBIETTIVI FORMATIVI: Strumenti per l'analisi e la sintesi di sistemi di controllo a più ingressi e più uscite. Principio del modello interno. Disaccoppiamento ingresso-uscita. Controllo H_infinito. Elementi di…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI: Strumenti per l'analisi e la sintesi di sistemi di controllo a più ingressi e più uscite. Principio del modello interno. Disaccoppiamento ingresso-uscita. Controllo H_infinito. Elementi di controllo adattativo.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE: gli studenti apprendono a rappresentare i diversi obiettivi caratterizzanti il progetto di un compensatore per un sistema lineare a più ingressi e più uscite, e a capire quali di essi siano ottenibili anche in presenza di variazioni parametriche dell'impianto da controllare.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: lo studente apprende come progettare leggi di controllo per l'ottenimento di uno o più obiettivi di interesse nelle applicazioni.

AUTONOMIA DI GIUDIZIO: lo studente apprende a scegliere autonomamente la procedura di analisi o di sintesi più adeguata in base alla descrizione disponibile del sistema dinamico, e quali obiettivi sono realizzabili in fase di sintesi sulla base delle analisi effettuate.

ABILITÀ COMUNICATIVE: lo studente apprende ad esporre con linguaggio formale appropriato i risultati teorici e a descriverne chiaramente l'applicazione pratica.

CAPACITÀ DI APPRENDIMENTO: lo studente migliora la sua capacità di apprendere i risultati teorici mettendo a frutto le conoscenze di teoria dei sistemi e di controlli automatici.

Programma

Strumenti per la descrizione di sistemi dinamici lineari e stazionari e loro interconnessione. Il principio del modello interno per la regolazione e l'inseguimento asintotici. Disaccoppiamento ingresso-uscita. Parametrizzazione di Youla-Kucera di tutti i compensatori stabilizzanti. Criterio di Nyquist per sistemi a più ingressi e più uscite. Controllo H_infinito. Elementi di controllo adattativo.

Modalità d'esame

L'esame è costituito da una prova orale.
Il voto finale sarà rapportato per circa il 40% al grado di conoscenza e comprensione degli enunciati, per circa il 40% alla conoscenza delle dimostrazioni e per circa il 20% alla capacità di comunicare chiaramente durante la prova orale.
La prova di esame sarà valutata secondo i seguenti criteri.
Non idoneo: importanti carenze nella conoscenza e comprensione degli argomenti; scarse capacità di descrizione dei risultati, problemi nell'impostazione di un problema di analisi o di sintesi;
18-19: non del tutto complete conoscenza e comprensione degli enunciati, scarsa capacità di impostare dimostrazioni non banali, esposizione appena sufficiente;
20-23: conoscenza e comprensione dei risultati routinaria, conoscenza dei principi alla base delle dimostrazioni, esposizione sufficiente;
24-26: discreta conoscenza e comprensione degli argomenti, con sufficiente capacità di dimostrazione degli enunciati, che devono essere esposti in modo corretto, buone capacità di analisi e sintesi, esposizione più che sufficiente;
27-29: buona conoscenza e comprensione degli argomenti inclusa la capacità di dimostrare gli enunciati, buone capacità di analisi e sintesi, esposizione buona o ottima;
30-30L: conoscenza e comprensione degli argomenti ottime e complete, con approfondimenti anche autonomi. Ottime capacità di analisi e di sintesi e di approfondimento dei risultati. Esposizione ottima. Per la lode, la commissione valuta se i requisiti per l'ottenimento della valutazione piena sono soddisfatti da ogni punto di vista.

Testi di riferimento

O. M. Grasselli, S. Galeani, "Sistemi di controllo a più ingressi e più uscite", Universitalia
K. S. Narendra, A. M. Annaswamy "Stable Adaptive Systems" Prentice Hall

Codice insegnamento 8039756

Elettronica Di Potenza 1° anno · 9 CFU · IINF-01/A · 0 file

OBIETTIVI FORMATIVI: Il corso di Elettronica di Potenza si propone di fornire una conoscenza di base dei semiconduttori di potenza e dei principali circuiti elettronici impiegati per la conversione statica…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI:
Il corso di Elettronica di Potenza si propone di fornire una conoscenza di base dei semiconduttori di potenza e dei principali circuiti elettronici impiegati per la conversione statica dell’'energia elettrica in corrente continua e in corrente alternata. Lo studente acquisirà capacità di analisi, scelta e dimensionamento di massima delle configurazioni maggiormente impiegate in diversi ambiti applicativi.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE:
Lo studente verrà gradualmente guidato alla conoscenza delle caratteristiche funzionali e del comportamento dei principali convertitori statici di potenza impiegati, in particolare, nelle
applicazioni industriali e nei sistemi di generazione distribuita basati su fonti rinnovabili. Al fine di migliorare la comprensione degli argomenti, si illustreranno le metodologie per la simulazione di convertitori elettronici di potenza, con particolare riferimento all’'ambiente Matlab-Simulink.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:
Le conoscenze acquisite durante il corso consentiranno allo studente di selezionare la struttura del convertitore di potenza più adeguata all'applicazione finale ed effettuare il relativo dimensionamento di massima.
Vari esempi applicativi, rivolti specialmente agli impianti di produzione da fonti rinnovabili, ai gruppi statici di continuità e alla mobilità elettrica permetteranno allo studente di migliorare la sua capacità di applicare le conoscenze acquisite.

AUTONOMIA DI GIUDIZIO:
Lo studente dovrà essere in grado di comprendere ed elaborare in maniera critica le conoscenze acquisite e le informazioni tecniche specialistiche necessarie a guidare efficacemente un progetto di un sistema di conversione statica dell'energia elettrica.

ABILITÀ COMUNICATIVE:
Lo studente sarà in grado di interloquire con specialisti del settore al fine di elaborare in autonomia le informazioni tecniche necessarie allo sviluppo di un'attività progettuale.

CAPACITÀ DI APPRENDIMENTO:
Le competenze acquisite durante il corso consentiranno allo studente di intraprendere studi successivi o candidarsi a ruoli tecnici in aziende di diversi settori applicativi.

Programma

SEMICONDUTTORI DI POTENZA
Semiconduttori impiegati nei Convertitori statici (Diodi, BJT, MOSFET, IGBT, Tiristori, dispositivi basati su tecnologia Wide Bandgap).
Caratteristiche statiche, Comportamento transitorio, Componenti particolari.
Perdite in conduzione e in commutazione.
Specifiche fornite dal Costruttore.
Comportamento termico. Protezioni. Circuiti di pilotaggio.
Caratterizzazione dei Convertitori statici (monodirezionali e bidirezionali).
Metodi di analisi dei Convertitori statici.

CONVERTITORI STATICI DI POTENZA
Convertitori c.c.-c.c. (Chopper): Convertitori riduttori ed elevatori. Perdite dovute alle commutazioni. Riduzione delle perdite di commutazione. Modello average. Tecniche di modulazione. Controllo a catena aperta della tensione di uscita. Controllo in tensione e in corrente a catena chiusa. Convertitori bidirezionali a due quadranti ed a quattro quadranti. Struttura a ponte e a semiponte.

Convertitori c.c.-c.a. (Inverter): Inverter a ponte ed a semiponte realizzati con interruttori statici. Inverter con uscita trifase. Riduzione del contenuto armonico della tensione di uscita. Variazione dell'ampiezza della tensione di uscita. Tecniche di modulazione.

Convertitori c.a.-c.c. (Rettificatori): Rettificatori a diodi alimentati da rete monofase e da rete trifase. Power Factor Correctors (PFC) alimentati da rete monofase e da rete trifase. Convertitori bidirezionali. Tecniche di controllo a catena chiusa per i PFC.
Effetti sulla rete di alimentazione. Fattore di potenza Generalizzato. Conformità agli standard internazionali per la connessione dei convertitori alla rete elettrica di distribuzione.
Convertitori pluristadio: Convertitori c.a.-c.a. Convertitori c.c.-c.c. isolati. Alimentatori switching.

ESEMPI APPLICATIVI
Simulazione dei convertitori elettronici in ambiente Matlab-Simulink. Metodi di simulazione real-time Hardware-in-the-loop.
Gruppi statici di continuità (UPS): Struttura. Modalità di funzionamento. Gruppi a commutazione rapida e gruppi sempre in presa. Alimentazione di un carico trifase. Ridondanza.

Produzione di energia elettrica con celle solari. Caratterizzazione delle celle solari. Scelta del punto di lavoro a massima potenza. Algoritmi per l’inseguimento del punto a massima potenza (MPPT). Tipologie di sistemi fotovoltaici: sistemi autonomi, connessi alla rete e ibridi. Sistemi di produzione fotovoltaici. Controllo degli inverter fotovoltaici connessi alla rete.

Generalità sugli autoveicoli ibridi ed elettrici. Schemi a blocchi. Tipologie di carica batterie: conduttivi (non isolati e isolati) e wireless. Tipologie di conversione tipiche. Vehicle-to-Grid (V2G).

Modalità d'esame

L'esame di Elettronica di Potenza prevede una valutazione di progetto (opzionale) ed una prova orale. Oltre alla conoscenza e alla correttezza tecnica dei contenuti, verrà valutata anche la proprietà tecnica di linguaggio e la chiarezza espositiva.

I temi dei progetti proposti dal docente vengono sviluppati individualmente o tramite un lavoro di gruppo a seconda del grado di difficoltà del progetto. Si dovranno sviluppare i temi proposti utilizzando l'ambiente di simulazione Matlab/Simulink e presentare, infine, un elaborato scritto ai docenti comprendente l'analisi dei requisiti, la descrizione dei modelli sviluppati, la valutazione dei risultati e le conclusioni.

L'esame orale consiste in domande relative agli argomenti oggetto del programma del corso. Le domande sono tese a verificare la conoscenza e la capacità di ragionamento dello studente su temi specifici e sul collegamento tra i diversi temi trattati all’'interno del corso.

A ciascuna delle due prove, di progetto e orale, verrà assegnato un voto in trentesimi. Il voto finale sarà ottenuto dalla media.

Il voto finale dell’'esame si esprime in trentesimi e si ottiene attraverso il seguente sistema di graduazione:
Non idoneo: importanti carenze nella conoscenza e comprensione degli argomenti; limitate capacità di analisi e sintesi; scarso senso critico e di giudizio; esposizione degli argomenti poco chiara, non coerente e con linguaggio inappropriato.
18-21: sufficiente conoscenza dei concetti di base della disciplina e capacità di analisi che emerge solo con l’'aiuto del docente. Il modo di esprimersi e linguaggio usato sono complessivamente corretti, ma spesso inappropriati.
22-26: discreta conoscenza e comprensione dei concetti principali; buone capacità di analisi e sintesi; buon orientamento tra i vari argomenti trattati; buon grado di autonoma e utilizzo di linguaggio tecnico, anche se non sempre appropriato.
27-29: ampia conoscenza e comprensione degli argomenti del corso; notevoli capacità di analisi e sintesi; buona autonomia di giudizio; argomenti esposti in modo rigoroso, autonomo e con linguaggio tecnico sempre appropriato.
30 e 30 e lode: ottimo livello di conoscenza e comprensione approfondita e chiara esposizione degli argomenti; ottime capacità di analisi, di sintesi, di autonomia di giudizio e senso critico; ottima proprietà di linguaggio, orientamento senza esitazioni tra i vari argomenti, anche includendo riferimenti applicativi pertinenti.

Testi di riferimento

N. Mohan, T.M. Underland, W. P. Robbins Power Electronics, 3rd edition, John Wiley & Sons.

N. Mohan, Power Electronics: A First Course, Wiley.

Codice insegnamento 80300848

Ingegneria Di Internet E Web 1° anno · 9 CFU · IINF-05/A · 0 file

OBIETTIVI FORMATIVI: L'’insegnamento di propone di fornire le nozioni fondamentali, i principi architetturali e le metodologie e per la progettazione di Reti di Calcolatori, con particolare enfasi ai protocolli del…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI:

L'’insegnamento di propone di fornire le nozioni fondamentali, i principi architetturali e le metodologie e per la progettazione di Reti di Calcolatori, con particolare enfasi ai protocolli del livello applicativo, di trasporto e di rete. Inoltre, si propone di fornire le nozioni fondamentali su l’ architettura dei sistemi Web e i principi per la realizzazione di applicazioni di rete

Con riferimento alle linee guida riportate nel documento: "ACM/IEEE-CS- Computer Science Curricula 2013" (www.acm.org/education/CS2013-final-report.pdf), il corso contribuisce a coprire le seguenti aree e relativi obiettivi:

Networking and Communications (NC): Introduzione, Applicazioni di Rete, Comunicazione Affidabile, Instradamento, Reti Locali, Allocazione di Risorse

CONOSCENZA E CAPACITÀ DI COMPRENSIONE:

Al termine del corso lo studente avrà acquisito i concetti fondamentali sulle architetture di rete, sul funzionamento delle delle reti di calcolatori e sulle applicazioni di rete. In particolare: comprensione delle architetture logiche, fisiche e protocollari delle reti di comunicazione; conoscenza dei principali protocolli di Internet, applicativi, di trasporto, di rete e di linea; comprensione delle principali metriche di valutazione delle prestazioni in una rete: ritardo di trasferimento, throughput, perdita; conoscenza della programmazione tramite socket e delle diverse soluzioni architetturali nello sviluppo di applicazioni di rete.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:

Al termine del corso lo studente avrà acquisito le metodologie proprie dell'analisi e progettazione delle reti e di applicazioni di rete. In particolare: valutare le diverse alternative nella scelta di un servizio di rete (protocollo TCP o UDP); Valutare le prestazioni della rete nel trasferimento di informazioni; Progettare il piano di indirizzamento di una rete; Progettare e Programmare applicazioni di rete che utilizzano le interfacce socket.

AUTONOMIA DI GIUDIZIO:

Al termine del corso lo studente sarà in grado di applicare i metodi di analisi delle reti di calcolatori al fine di risolvere in autonomia i problemi relativi alla progettazione, configurazione e valutazione di una rete dal punto di vista architetturale, protocollare e dimensionamento della capacità.

ABILITÀ COMUNICATIVE:

Al termine del corso lo studente avrà acquisito padronanza della terminologia relativa alle reti di calcolatori sarà in grado di descrivere i concetti fondamentali delle reti di calcolatori con termini e linguaggio tecnico appropriato e, in in fase progettuale, di argomentare circa e varie alternative architetturali e protocollari a livello sia infrastrutturale che applicativo.

CAPACITÀ DI APPRENDIMENTO:

Al termine del corso lo studente avrà acquisito la capacità di intraprendere in autonomia ulteriori approfondimenti su argomenti attinenti le reti di calcolatori e Internet, e di utilizzare le conoscenze e metodologie imparate per affrontare problemi nuovi.

Programma

Prima parte
Introduzione alle Reti di Calcolatori. La sezione di accesso della rete. La sezione interna della rete. Reti di accesso e mezzi trasmissivi. Ritardi e perdite nelle reti a commutazione di pacchetto. Strati protocollari e loro modelli di servizio. La rete dorsale di Internet. Breve storia.
Principi dei protocolli dello strato di applicazione. Il World Wide Web: HTTP. Trasferimento di file: FTP. Posta Elettronica in Internet. DNS: il servizio di directory di Internet.
Principi dei protocolli dello strato di trasporto. Multiplexing e demultiplexing delle applicazioni. Protocollo UDP. Trasferimento affidabile dei dati: principi. Controllo della congestione: principi. Protocollo TCP.
Modelli di servizio della rete. Principi di instradamento. Instradamento gerarchico. Protocollo IP. Instradamento in Internet. Organizzazione interna dei router.
Lo Strato di collegamento: introduzione e servizi. Tecniche di ricerca e correzione di errori. Protocolli di accesso multiplo e LAN. Indirizzi LAN ed ARP. Rete Ethernet. Hub, Bridge e Switch. LAN 802.11.

Seconda parte
Programmazione di applicazioni di rete. Paradigmi e concetto di socket. Progettazione di applicazioni connection-oriented e connectionless. Multiplexing dell'I/O. Esempi di Applicazioni.
Componenti software del Web. Client Web. Server Web. Proxy Web.
Protocollo HTTP/1.1. Caratteristiche generali ed evoluzione del protocollo. Metodi, header e codici di risposta. Meccanismi per l'ottimizzazione della banda di rete. Gestione della connessione: connessioni persistenti e pipelining.
Architettura dei server Web. Componenti dei server Web. Tipologie di architetture software. Gestione di risorse statiche. Il server Web Apache.
Tecnologie per la generazione di risorse dinamiche. Livelli logici di un servizio Web-based. Architetture multi-tier.

Modalità d'esame

La prova di esame valuta: la preparazione complessiva dello studente, la capacità di integrazione delle conoscenze, il ragionamento, la capacità analitica e la autonomia di giudizio. Inoltre vengono valutate la proprietà di linguaggio e la chiarezza espositiva, in aderenza con i descrittori di Dublino (1.Conoscenza e capacità di comprensione (knowledge and understanding); 2. Capacità di applicare la conoscenza e comprensione (applying knowledge and understanding); 3. Autonomia di giudizio (making judgements); 4. Capacità di apprendimento (learning skills); 5: Abilità di comunicazione (communication skills).

Il voto finale sarà rapportato per il 70% al grado di conoscenza e per il 30% alla capacità espressiva e di giudizio autonomo dimostrate dallo studente.

La prova scritta consiste di domande a risposta libera volte ad appurare il livello di il grado di conoscenza degli argomenti trattati

La Valutazione del progetto – da svolgere in gruppi di 2-3 persone - è mirata verificare la capacità degli studenti di realizzare una applicazione di rete.

Il voto finale del corso risulta dalla media ponderata dei voti ottenuti nella prova scritta e nel progetto (con pesi 2/3 e 1/3).

La prova di esame sarà valutata secondo i seguenti criteri:

Non idoneo: importanti carenze nella conoscenza e comprensione degli argomenti; limitate capacità di analisi e sintesi, limitate capacità critiche e di giudizio , gli argomenti sono esposti con linguaggio inappropriato,

18-20: conoscenza e comprensione degli argomenti appena sufficiente con possibili imperfezioni; capacità di analisi sintesi e autonomia di giudizio sufficienti, gli argomenti sono esposti in modo poco coerente e con un linguaggio poco appropriato/tecnico,

21-23: Conoscenza e comprensione degli argomenti sufficiente; Capacità di analisi e sintesi corrette con argomentazione logica sufficientemente coerente e linguaggio appropriato/tecnico

24-26: Discreta conoscenza e comprensione degli argomenti; buone capacità di analisi e sintesi con argomentazioni espresse in modo rigoroso ma con un linguaggio non sempre appropriato/tecnico.

27-29: Conoscenza e comprensione degli argomenti completa; notevoli capacità di analisi e sintesi. Buona autonomia di giudizio. Argomenti esposti in modo rigoroso e con linguaggio appropriato/tecnico

30-30L: Ottimo livello di conoscenza e comprensione approfondita degli argomenti. Ottime capacità di analisi, di sintesi e di autonomia di giudizio. Argomentazioni espresse in modo originale e con linguaggio tecnico appropriato.

Testi di riferimento

J. Kurose & K. Ross, "Reti di Calcolatori e Internet: un Approccio Top-Down", 7° edizione, Pearson Addison-Wesley

Codice insegnamento 8039124

Metodi Di Ottimizzazione Per Machine Learning 1° anno · 9 CFU · MATH-06/A · 0 file

OBIETTIVI FORMATIVI: L'obiettivo del corso è illustrare i concetti fondamentali e alcuni algoritmi per l'ottimizzazione non lineare, con particolare attenzione all'applicazione nel campo del machine learning.…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI:
L'obiettivo del corso è illustrare i concetti fondamentali e alcuni algoritmi per l'ottimizzazione non lineare, con particolare attenzione all'applicazione nel campo del machine learning.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE:
Lo studente è introdotto alle conoscenze di ottimizzazione non lineare e alla comprensione delle problematiche relative ai modelli di machine learning, con particolare attenzione a problemi di classificazione e regressione. Oltre ai classici algoritmi di ottimizzazione, vengono descritte tecniche specifiche per l'addestramento di modelli di apprendimento supervisionato (incluse le reti neurali) e per il problema di cluster analysis.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:
Una parte significativa del corso è dedicata all'utilizzo pratico delle tecniche descritte teoricamente. Lo studente è incoraggiato, attraverso l'utilizzo di software dedicati, ad applicare gli strumenti proposti a problemi di ottimizzazione e a problemi di machine learning.

AUTONOMIA DI GIUDIZIO:
Lo sviluppo di metodi di ottimizzazione per l'addestramento di modelli di machine learning
consente la verifica delle conoscenze acquisite dallo studente. Parte dell'esame consiste nello sviluppo di progetti specifici in gruppi di massimo tre persone.

ABILITÀ COMUNICATIVE:
L'interpretazione dei risultati ottenuti, a seguito della fase implementazione e computazione, costituisce una delle attività fondamentali del processo di soluzione di un problema reale. Questo tipo di attività incentiva lo studente a un confronto con i colleghi e con il docente, stimolando le capacità critiche e dialettiche.

CAPACITÀ DI APPRENDIMENTO:
Attraverso il materiale didattico proposto, lo studente è incentivato alla lettura di testi di riferimento (libri e articoli scientifici) e alla scoperta di software dedicati, al fine di acquisire nuove competenze e potersi aggiornare in maniera autonoma, avendo gli strumenti per poter anche approfondire ulteriormente la disciplina.

Programma

Introduzione all'ottimizzazione e richiami di analisi matematica (circa 10 ore)
Algoritmi di ottimizzazione non vincolata (circa 55 ore)
Modelli e metodi di machine learning (circa 25 ore)

Modalità d'esame

L'esame si compone di una prova scritta e di un progetto che possono essere svolti indipendentemente (quindi nell'ordine che preferisce il candidato) purché entro un anno l'uno dall'altro. La prova scritta si compone di domande teoriche da svolgere in un tempo di approssimativamente 3 ore. Il progetto riguarda l’implementazione di un algoritmo per risolvere un problema di ottimizzazione assegnato, oppure l'implementazione di un metodo di ottimizzazione per l'addestramento di un modello di machine learning usando dataset della letteratura. Il progetto è valutato sulla base dell'algoritmo di ottimizzazione scelto, la correttezza, il rigore e i risultati ottenuti. Il voto finale è la media delle valutazioni delle due prove.

In particolare, il voto finale dell'esame si esprime in trentesimi e si otterrà attraverso il seguente sistema di graduazione.
Non idoneo: lo studente mostra importanti carenze nella conoscenza degli argomenti e limitate capacità di analisi.
18-21: lo studente ha acquisito i concetti di base e ha una capacità di analisi che emerge solo con l'aiuto del docente.
22-25: lo studente ha acquisito in maniera discreta i concetti e sa orientarsi tra i vari argomenti trattati.
26-29: lo studente possiede un bagaglio di conoscenze ben strutturato ed è in grado di rielaborare in maniera autonoma le conoscenze acquisite.
30 e 30 e lode: lo studente possiede un bagaglio di conoscenze completo e approfondito, con riferimenti culturali ricchi e aggiornati.

Testi di riferimento

Bertsekas D.P. (1999). Nonlinear Programming. Athena Scientific.
Bottou, L., Curtis, F.E., Nocedal, J. (2018). Optimization Methods for Large-Scale Machine Learning. SIAM Review, 60(2), 223-311.
Grippo L., Sciandrone M. (2011). Metodi di ottimizzazione non vincolata. Springer.
James, G., Witten, D., Hastie, T., Tibshirani, R. (2021). An Introduction to Statistical Learning. Springer.

Codice insegnamento 80300634

Ottimizzazione Nei Sistemi Di Controllo 1° anno · 12 CFU · IINF-04/A · 0 file

Parte 1 OBIETTIVI FORMATIVI: Il corso si propone di fornire agli/alle studenti/studentesse le nozioni di base relative alla sintesi ottima di sistemi di controllo. Scopo dell'insegnamento è la definizione, la…

Scheda dell'insegnamento

Obiettivi formativi

Parte 1
OBIETTIVI FORMATIVI:

Il corso si propone di fornire agli/alle studenti/studentesse le nozioni di base relative alla sintesi ottima di sistemi di controllo. Scopo dell'insegnamento è la definizione, la comprensione e lo studio di problemi di ottimizzazione dinamica, ovvero problemi in cui le variabili decisionali variano dinamicamente nel tempo a causa di decisioni precedenti e variazioni di contesto. Gli obiettivi formativi sono raggiunti approfondendo tecniche differenti
che permettono la costruzione di politiche decisionali ottime. Tali tecniche si basano principalmente su strategie di Programmazione Dinamica, apprendimento per rinforzo (Reinforcement Learning) e controllo predittivo (MPC). Gli obiettivi formativi includono anche lo studio del problema del regolatore lineare-quadratico (LQR), sia per sistemi a tempo continuo che discreto, e metodi analitici per il controllo ottimo di sistemi nonlineari.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE:

Al termine del corso gli/le studenti/studentesse avranno acquisito le metodologie e gli strumenti per: formulare e analizzare un problema di ottimizzazione dinamica tramite le tecniche di Programmazione Dinamica; risolvere in maniera sistematica ed esaustiva problemi di controllo ottimo per sistemi di controllo lineari e indici di costo quadratici; descrivere e risolvere un compito di intelligenza artificiale attraverso gli strumenti del Reinforcement Learning. Si richiede che gli/le studenti/studentesse siano in grado di comprendere tali nozioni e saperle applicare in esercizi e potenzialmente nello svolgimento di progetti di gruppo.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:

Al termine del corso gli/le studenti/studentesse sapranno selezionare in autonomia, tra le metodologie studiate, quella più adatta a ciascun contesto di interesse. In particolare, tramite le tecniche di Reinforcement Learning, gli/le studenti/studentesse saranno in grado di formulare specifici obiettivi, anche forniti in forma astratta o di alto livello, richiesti al sistema controllato in termini di opportuni problemi di ottimizzazione dinamica che sapranno poi risolvere tramite l'approccio più efficiente.

AUTONOMIA DI GIUDIZIO:

Dal momento che durante il corso sono presentate e discusse numerose tecniche che permettono, in modi diversi, di risolvere problemi di ottimizzazione dinamica, uno degli obiettivi primari del corso è proprio quello di fornire agli/alle studenti/studentesse, in aggiunta alle nozioni tecniche, anche la capacità di saper selezionare in autonomia la strategia più appropriata ed efficace per affrontare ciascun contesto. Questa capacità deve essere estesa in particolar modo anche a tipologie di problemi che non sono stati esplicitamente affrontati durante il corso. L'ottenimento di questo importante obiettivo è raggiunto tramite la discussione, durante il corso, di numerosi esempi applicativi da numerosi contesti, da utilizzare come possibili riferimenti per problemi reali. Gli/le studenti/studentesse saranno dunque in grado di acquisire non solo la capacità di creare in autonomia collegamenti tra le diverse anime del corso ma anche di astrarre e generalizzare tali contenuti a contesti più ampi e variegati. Questo fondamentale obiettivo è ottenuto proponendo agli/alle studenti/studentesse lo svolgimento di una attività progettuale, sia in autonomia che in gruppo o guidata dal docente.

ABILITÀ COMUNICATIVE:

Il corso combina tematiche classiche di controllo ottimo con tecniche moderne di intelligenza artificiale basate su Reinforcement Learning. Tale combinazione fornisce allo studente la capacità di apprendimento della terminologia tecnica specifica dell'ottimizzazione dinamica dalle basi fino ad argomenti più avanzati. L'esame, con domande a risposta libera e la possibilità di svolgere un lavoro progettuale di gruppo, spinge lo studente a esercitare l'aspetto comunicativo (scritto e orale) che rientra tra i parametri valutati in sede di esame. Si richiede dunque che gli/le studenti/studentesse siano in grado di saper raccontare, in modo sintetico e organico, gli argomenti trattati, con la richiesta esplicita e necessaria di utilizzare il linguaggio tecnico e specifico introdotto e utilizzato diffusamente durante le lezioni.

CAPACITÀ DI APPRENDIMENTO:

Al termine del corso gli/le studenti/studentesse avranno acquisito la capacità di approfondire autonomamente argomenti attinenti la ottimizzazione dinamica e il controllo ottimo. Nel corso vengono forniti numerosi riferimenti bibliografici e diversi esempi applicativi che stimolano lo studente a sviluppare questa capacità. Gli/le studenti/studentesse saranno altresì in grado di leggere e comprendere, in larga misura, anche testi e articoli scientifici che trattano del controllo ottimo, del Reinforcement Learning e dell'ottimizzazione dinamica in generale.

Parte 2
OBIETTIVI FORMATIVI:

Il corso si propone di fornire agli/alle studenti/studentesse le nozioni di base relative alla sintesi ottima di sistemi di controllo. Scopo dell'insegnamento è la definizione, la comprensione e lo studio di problemi di calcolo delle variazioni e di controllo ottimo. Gli obiettivi formativi sono raggiunti approfondendo tecniche differenti che permettono la costruzione di leggi di controllo ottime, sia ad anello aperto che in retro-azione dallo stato del processo dinamico. Tali tecniche si basano principalmente su strategie di Calcolo delle Variazioni e sul Principio del Minimo di Pontryagin. Gli obiettivi formativi includono anche lo studio di problemi di controllo ottimo sia per sistemi lineari che per sistemi nonlineari e in presenza di numerosi indici di costo differenti (ad esempio minima energia o tempo minimo)

CONOSCENZA E CAPACITÀ DI COMPRENSIONE:

Al termine del corso gli/le studenti/studentesse avranno acquisito le metodologie e gli strumenti per: formulare e analizzare un problema di calcolo delle variazioni e di controllo ottimo; risolvere in maniera sistematica ed esaustiva problemi di controllo ottimo per sistemi di controllo lineari e indici di costo differenti; realizzare una sintesi in retro-azione dallo stato del sistema di leggi di controllo; conoscere i rudimenti di utilizzo di software (ad esempio Falcon) dedicati al calcolo numerico di leggi di controllo ottime. Si richiede che gli/le studenti/studentesse siano in grado di comprendere tali nozioni e saperle applicare in esercizi e potenzialmente nello svolgimento di progetti di gruppo.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:

Al termine del corso gli/le studenti/studentesse sapranno selezionare in autonomia, tra le metodologie studiate, quella più adatta a ciascun contesto di interesse. In particolare, tramite le tecniche di controllo ottimo, gli/le studenti/studentesse saranno in grado di formulare specifici obiettivi, anche forniti in forma astratta o di alto livello, richiesti al sistema controllato in termini di opportuni problemi di ottimizzazione dinamica che sapranno poi risolvere tramite l'approccio più efficiente, sia analitico che numerico.

AUTONOMIA DI GIUDIZIO:

Dal momento che durante il corso sono presentate e discusse numerose tecniche che permettono, in modi diversi, di risolvere problemi di ottimizzazione dinamica, uno degli obiettivi primari del corso è proprio quello di fornire agli/alle studenti/studentesse, in aggiunta alle nozioni tecniche, anche la capacità di saper selezionare in autonomia la strategia più appropriata ed efficace per affrontare ciascun contesto. Questa capacità deve essere estesa in particolar modo anche a tipologie di problemi che non sono stati esplicitamente affrontati durante il corso. L'ottenimento di questo importante obiettivo è raggiunto tramite la discussione, durante il corso, di numerosi esempi applicativi da numerosi contesti, da utilizzare come possibili riferimenti per problemi reali. Gli/le studenti/studentesse saranno dunque in grado di acquisire non solo la capacità di creare in autonomia collegamenti tra le diverse anime del corso ma anche di astrarre e generalizzare tali contenuti a contesti più ampi e variegati.

ABILITÀ COMUNICATIVE:

Il corso combina tematiche classiche di controllo ottimo con tecniche moderne di calcolo numerico di leggi di controllo ottime. Tale combinazione fornisce allo studente la capacità di apprendimento della terminologia tecnica specifica dell'ottimizzazione dinamica dalle basi fino ad argomenti più avanzati. L'esame orale spinge lo studente ad esercitare l'aspetto comunicativo che rientra tra i parametri valutati in sede di esame. Si richiede dunque che gli/le studenti/studentesse siano in grado di saper raccontare, in modo sintetico e organico, gli argomenti trattati, con la richiesta esplicita e necessaria di utilizzare il linguaggio tecnico e specifico introdotto e utilizzato diffusamente durante le lezioni.

CAPACITÀ DI APPRENDIMENTO:

Al termine del corso gli/le studenti/studentesse avranno acquisito la capacità di approfondire autonomamente argomenti attinenti il calcolo delle variazioni e il controllo ottimo. Nel corso vengono forniti numerosi riferimenti bibliografici e diversi esempi applicativi che stimolano lo studente a sviluppare questa capacità. Gli/le studenti/studentesse saranno altresì in grado di leggere e comprendere, in larga misura, anche testi e articoli scientifici che trattano del controllo ottimo e dell'ottimizzazione dinamica in generale.

Parte 1 OBIETTIVI FORMATIVI: Il corso si propone di fornire agli/alle studenti/studentesse le nozioni di base relative alla sintesi ottima di sistemi di controllo. Scopo dell'insegnamento è la definizione, la comprensione e lo studio di problemi di ottimizzazione dinamica, ovvero problemi in cui le variabili decisionali variano dinamicamente nel tempo a causa di decisioni precedenti e variazioni di contesto. Gli obiettivi formativi sono raggiunti approfondendo tecniche differenti che permettono la costruzione di politiche decisionali ottime. Tali tecniche si basano principalmente su strategie di Programmazione Dinamica, apprendimento per rinforzo (Reinforcement Learning) e controllo predittivo (MPC). Gli obiettivi formativi includono anche lo studio del problema del regolatore lineare-quadratico (LQR), sia per sistemi a tempo continuo che discreto, e metodi analitici per il controllo ottimo di sistemi nonlineari. CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Al termine del corso gli/le studenti/studentesse avranno acquisito le metodologie e gli strumenti per: formulare e analizzare un problema di ottimizzazione dinamica tramite le tecniche di Programmazione Dinamica; risolvere in maniera sistematica ed esaustiva problemi di controllo ottimo per sistemi di controllo lineari e indici di costo quadratici; descrivere e risolvere un compito di intelligenza artificiale attraverso gli strumenti del Reinforcement Learning. Si richiede che gli/le studenti/studentesse siano in grado di comprendere tali nozioni e saperle applicare in esercizi e potenzialmente nello svolgimento di progetti di gruppo. CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Al termine del corso gli/le studenti/studentesse sapranno selezionare in autonomia, tra le metodologie studiate, quella più adatta a ciascun contesto di interesse. In particolare, tramite le tecniche di Reinforcement Learning, gli/le studenti/studentesse saranno in grado di formulare specifici obiettivi, anche forniti in forma astratta o di alto livello, richiesti al sistema controllato in termini di opportuni problemi di ottimizzazione dinamica che sapranno poi risolvere tramite l'approccio più efficiente. AUTONOMIA DI GIUDIZIO: Dal momento che durante il corso sono presentate e discusse numerose tecniche che permettono, in modi diversi, di risolvere problemi di ottimizzazione dinamica, uno degli obiettivi primari del corso è proprio quello di fornire agli/alle studenti/studentesse, in aggiunta alle nozioni tecniche, anche la capacità di saper selezionare in autonomia la strategia più appropriata ed efficace per affrontare ciascun contesto. Questa capacità deve essere estesa in particolar modo anche a tipologie di problemi che non sono stati esplicitamente affrontati durante il corso. L'ottenimento di questo importante obiettivo è raggiunto tramite la discussione, durante il corso, di numerosi esempi applicativi da numerosi contesti, da utilizzare come possibili riferimenti per problemi reali. Gli/le studenti/studentesse saranno dunque in grado di acquisire non solo la capacità di creare in autonomia collegamenti tra le diverse anime del corso ma anche di astrarre e generalizzare tali contenuti a contesti più ampi e variegati. Questo fondamentale obiettivo è ottenuto proponendo agli/alle studenti/studentesse lo svolgimento di una attività progettuale, sia in autonomia che in gruppo o guidata dal docente. ABILITÀ COMUNICATIVE: Il corso combina tematiche classiche di controllo ottimo con tecniche moderne di intelligenza artificiale basate su Reinforcement Learning. Tale combinazione fornisce allo studente la capacità di apprendimento della terminologia tecnica specifica dell'ottimizzazione dinamica dalle basi fino ad argomenti più avanzati. L'esame, con domande a risposta libera e la possibilità di svolgere un lavoro progettuale di gruppo, spinge lo studente a esercitare l'aspetto comunicativo (scritto e orale) che rientra tra i parametri valutati in sede di esame. Si richiede dunque che gli/le studenti/studentesse siano in grado di saper raccontare, in modo sintetico e organico, gli argomenti trattati, con la richiesta esplicita e necessaria di utilizzare il linguaggio tecnico e specifico introdotto e utilizzato diffusamente durante le lezioni. CAPACITÀ DI APPRENDIMENTO: Al termine del corso gli/le studenti/studentesse avranno acquisito la capacità di approfondire autonomamente argomenti attinenti la ottimizzazione dinamica e il controllo ottimo. Nel corso vengono forniti numerosi riferimenti bibliografici e diversi esempi applicativi che stimolano lo studente a sviluppare questa capacità. Gli/le studenti/studentesse saranno altresì in grado di leggere e comprendere, in larga misura, anche testi e articoli scientifici che trattano del controllo ottimo, del Reinforcement Learning e dell'ottimizzazione dinamica in generale. Parte 2 OBIETTIVI FORMATIVI: Il corso si propone di fornire agli/alle studenti/studentesse le nozioni di base relative alla sintesi ottima di sistemi di controllo. Scopo dell'insegnamento è la definizione, la comprensione e lo studio di problemi di calcolo delle variazioni e di controllo ottimo. Gli obiettivi formativi sono raggiunti approfondendo tecniche differenti che permettono la costruzione di leggi di controllo ottime, sia ad anello aperto che in retro-azione dallo stato del processo dinamico. Tali tecniche si basano principalmente su strategie di Calcolo delle Variazioni e sul Principio del Minimo di Pontryagin. Gli obiettivi formativi includono anche lo studio di problemi di controllo ottimo sia per sistemi lineari che per sistemi nonlineari e in presenza di numerosi indici di costo differenti (ad esempio minima energia o tempo minimo) CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Al termine del corso gli/le studenti/studentesse avranno acquisito le metodologie e gli strumenti per: formulare e analizzare un problema di calcolo delle variazioni e di controllo ottimo; risolvere in maniera sistematica ed esaustiva problemi di controllo ottimo per sistemi di controllo lineari e indici di costo differenti; realizzare una sintesi in retro-azione dallo stato del sistema di leggi di controllo; conoscere i rudimenti di utilizzo di software (ad esempio Falcon) dedicati al calcolo numerico di leggi di controllo ottime. Si richiede che gli/le studenti/studentesse siano in grado di comprendere tali nozioni e saperle applicare in esercizi e potenzialmente nello svolgimento di progetti di gruppo. CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Al termine del corso gli/le studenti/studentesse sapranno selezionare in autonomia, tra le metodologie studiate, quella più adatta a ciascun contesto di interesse. In particolare, tramite le tecniche di controllo ottimo, gli/le studenti/studentesse saranno in grado di formulare specifici obiettivi, anche forniti in forma astratta o di alto livello, richiesti al sistema controllato in termini di opportuni problemi di ottimizzazione dinamica che sapranno poi risolvere tramite l'approccio più efficiente, sia analitico che numerico. AUTONOMIA DI GIUDIZIO: Dal momento che durante il corso sono presentate e discusse numerose tecniche che permettono, in modi diversi, di risolvere problemi di ottimizzazione dinamica, uno degli obiettivi primari del corso è proprio quello di fornire agli/alle studenti/studentesse, in aggiunta alle nozioni tecniche, anche la capacità di saper selezionare in autonomia la strategia più appropriata ed efficace per affrontare ciascun contesto. Questa capacità deve essere estesa in particolar modo anche a tipologie di problemi che non sono stati esplicitamente affrontati durante il corso. L'ottenimento di questo importante obiettivo è raggiunto tramite la discussione, durante il corso, di numerosi esempi applicativi da numerosi contesti, da utilizzare come possibili riferimenti per problemi reali. Gli/le studenti/studentesse saranno dunque in grado di acquisire non solo la capacità di creare in autonomia collegamenti tra le diverse anime del corso ma anche di astrarre e generalizzare tali contenuti a contesti più ampi e variegati. ABILITÀ COMUNICATIVE: Il corso combina tematiche classiche di controllo ottimo con tecniche moderne di calcolo numerico di leggi di controllo ottime. Tale combinazione fornisce allo studente la capacità di apprendimento della terminologia tecnica specifica dell'ottimizzazione dinamica dalle basi fino ad argomenti più avanzati. L'esame orale spinge lo studente ad esercitare l'aspetto comunicativo che rientra tra i parametri valutati in sede di esame. Si richiede dunque che gli/le studenti/studentesse siano in grado di saper raccontare, in modo sintetico e organico, gli argomenti trattati, con la richiesta esplicita e necessaria di utilizzare il linguaggio tecnico e specifico introdotto e utilizzato diffusamente durante le lezioni. CAPACITÀ DI APPRENDIMENTO: Al termine del corso gli/le studenti/studentesse avranno acquisito la capacità di approfondire autonomamente argomenti attinenti il calcolo delle variazioni e il controllo ottimo. Nel corso vengono forniti numerosi riferimenti bibliografici e diversi esempi applicativi che stimolano lo studente a sviluppare questa capacità. Gli/le studenti/studentesse saranno altresì in grado di leggere e comprendere, in larga misura, anche testi e articoli scientifici che trattano del controllo ottimo e dell'ottimizzazione dinamica in generale.

Programma

OTTIMIZZAZIONE NEI SISTEMI DI CONTROLLO 1
Il programma del corso è diviso in tre parti principali.

Una parte iniziale (circa 15 ore) è dedicata alla introduzione ai problemi di ottimizzazione dinamica, alle tecnica di Programmazione Dinamica e alla loro applicazione per il controllo ottimo di sistemi a tempo discreto. Il programma dettagliato di questa parte include:
Introduzione alla Programmazione Dinamica (DP); Introduzione al Principio di Ottimalità; Interpretazione del Problema del Cammino Minimo e Knapsack con DP; Concetto di stato nell'ottimizzazione dinamica; Equazione funzionale di Bellman.

La seconda parte del corso (circa 15 ore) è dedicata all'approfondimento dell'utilizzo di tecniche di intelligenza artificiale in maniera strumentale per la risoluzione di problemi di ottimizzazione dinamica. Il programma dettagliato di questa parte include: Introduzione al Reinforcement Learning (RL); Value Iteration e Policy Iteration; Q-learning.

La terza e ultima parte del corso (circa 30 ore) è dedicata allo studio di problemi di controllo ottimo per sistemi a tempo continuo, sia lineari che nonlineari. Il programma dettagliato di questa parte include: Richiami su Sistemi Lineari a tempo continuo; Stabilità e Funzioni di Lyapunov; Controllabilità; Osservabilità; Principio di Ottimalità e Equazione di Hamilton-Jacobi-Bellman; Regolatore Lineare-Quadratico e Equazione Differenziale di Riccati; Calcolo della Soluzione dell'Equazione di Riccati tramite matrice Hamiltoniana; Iterazioni di Kleinman; Regolatore ad Orizzonte Infinito e Equazione Algebrica di Riccati; Tracking e Reiezione dei Disturbi.

Il programma del corso è identico sia per gli/le studenti/studentesse frequentanti che per gli/le studenti/studentesse non frequentanti. Numerose esercitazioni svolte con il docente sugli argomenti teorici trattati nelle lezioni precedenti sono distribuite periodicamente durante le lezioni (ogni circa 10/12 ore).

OTTIMIZZAZIONE NEI SISTEMI DI CONTROLLO 2
Il programma del corso è diviso in due parti principali.

Una parte iniziale (circa 30 ore) viene svolta dal docente di riferimento, Mario Sassano, ed è dedicata alla introduzione ai problemi di calcolo delle variazioni, a tecniche che permettono di fornire condizioni necessarie di minimo, vincolato e non vincolato, di funzionali su spazi lineari, anche infinito-dimensionali. Il programma dettagliato di questa parte include: breve riepilogo di condizioni necessarie di minimo per problemi finito-dimensionali; introduzione al concetto di spazio lineare; Esempi e proprietà di spazi lineari; Definizione del concetto di norma per spazi infinito-dimensionali e spazio lineare normato; Concetto di cono tangente; Definizione di variazione totale e di ordine k di funzionale; Definizione del funzionale di Lagrange e sue proprietà; Esistenza delle variazioni del funzionale di Lagrange; Condizioni necessarie basate su variazione prima di minimo locale per funzionali su spazi lineari; Condizioni necessarie per il funzionale di Lagrange; Equazione di Eulero; Condizioni di Weierstrass-Erdmann; Condizioni di trasversalità; Minimi di funzionali in presenza di vincoli differenziali di eguaglianza e disuguaglianza.

La seconda parte del corso (circa 30 ore), svolta dal prof. Sergio Galeani, è dedicata alla transizione dai problemi di calcolo delle variazioni ai problemi di controllo ottimo, con un approfondimento su specifiche classi di problemi di controllo ottimo di rilevante interesse per le applicazioni. Il programma dettagliato di questa parte include: trasformazione fra indici di costo di tipo Lagrange/Mayer/Bolza e relative assunzioni di regolarità dei dati; condizioni di minimo debole per il problema del controllo ottimo, basate sul calcolo delle variazioni; condizioni di minimo forte basate sul principio di Pontryagin; condizioni sufficienti basate sulla convessità del problema; specializzazione a diversi tipi di condizioni al contorno; cenni ai problemi singolari; studio di casi di interesse (controllo a minima energia, a minimo carburante, a tempo minimo, loro combinazione); sintesi del controllo ottimo.

Il programma del corso è identico sia per gli/le studenti/studentesse frequentanti che per gli/le studenti/studentesse non frequentanti. Numerose esercitazioni svolte con il docente sugli argomenti teorici trattati nelle lezioni precedenti sono distribuite periodicamente durante le lezioni (ogni circa 10/12 ore).

Modalità d'esame

Le modalità di verifica dell'apprendimento si applicano indistintamente per gli/le studenti/studentesse frequentanti e non frequentanti.

La verifica delle conoscenze acquisite si articola in una prova scritta (obbligatoria per tutti gli/le studenti/studentesse), in una prova orale (facoltativa) ed in una prova progettuale (facoltativa, svolta singolarmente o in gruppo a scelta degli/delle studenti/studentesse). L'obiettivo della prova di esame consiste nel valutare non solo la preparazione complessiva dello studente ma anche la capacità di declinare le conoscenze acquisite in formulazioni e contesti non necessariamente identici a quelli presentati e discussi a lezione, ovvero di essere in grado di organizzare un discorso coerente sugli argomenti studiati mettendo in luce potenziali connessioni tra le diverse parti del programma. Inoltre, la logica del ragionamento espositivo, la capacità analitica e di sintesi nonché la capacità di giudizio e valutazione sono aspetti fondamentali della prova finale. Infine vengono valutate la proprietà di linguaggio e la chiarezza espositiva nelle domande teoriche del compito scritto.

La prova scritta deve essere sostenuta preliminarmente alla (eventuale) prova orale, mentre l'eventuale progetto può essere discusso in maniera temporalmente non correlata alla prova scritta, durante lo stesso anno accademico.

La valutazione finale viene così costituita: il voto dello scritto viene assegnato in trentunesimi (comprensivi di eventuale lode) a cui potenzialmente si sommano i voti del progetto facoltativo (massimo 5 punti) e che può essere modificato (in positivo o in negativo) dall'esito della prova orale facoltativa per circa 3/4 punti. L'assegnazione del voto avviene principalmente tramite la valutazione della prova scritta, in cui vengono proposti sia esercizi da svolgere che domande teoriche a risposta aperta. Non sono previste prove in itinere.

I risultati della prova scritta vengono comunicati, in forma anonima tramite l'utilizzo della matricola personale, nel gruppo Teams dedicato al corso.

La prova di esame sarà valutata secondo i seguenti criteri:

Non idoneo: importanti carenze nella conoscenza e comprensione dei risultati di base dell’ottimizzazione dinamica; limitate capacità di analisi e sintesi, frequenti generalizzazioni e limitate capacità critiche e di giudizio, assenza di consequenzialità nell’esposizione degli argomenti.

18-20: conoscenza e comprensione degli argomenti appena sufficiente con possibili generalizzazioni e imperfezioni; capacità di analisi sintesi e autonomia di giudizio sufficienti, gli argomenti sono esposti in modo frequentemente poco coerente e con un linguaggio poco appropriato/tecnico; capacità di scrivere le condizioni fondamentali del controllo ottimo.

21-23: conoscenza e comprensione dei risultati di base di controllo ottimo e controllo predittivo; Capacità di analisi e sintesi corrette con argomentazione logica sufficientemente coerente e linguaggio appropriato/tecnico; capacità di scrivere, enunciare e discutere i principali teoremi di controllo ottimo.

24-26: discreta conoscenza e comprensione degli argomenti; buone capacità di analisi e sintesi con argomentazioni espresse in modo rigoroso ma con un linguaggio non sempre appropriato/tecnico; capacità di enunciare i risultati principali del corso e di dimostrarne formalmente la validità, potenzialmente con alcune incertezze; capacità di svolgere senza esitazioni la maggioranza degli esercizi proposti nel compito.

27-29: conoscenza e comprensione degli argomenti dettagliata e approfondita; notevoli capacità di analisi e sintesi. Buona autonomia di giudizio. Argomenti esposti in modo rigoroso e con linguaggio appropriato/tecnico; capacità di enunciare e dimostrare senza incertezze tutti i teoremi di controllo ottimo; capacità di svolgere correttamente tutti gli esercizi proposti.

30-30L: ottimo livello di conoscenza e comprensione approfondita degli argomenti; ottime capacità di analisi, di sintesi e di autonomia di giudizio; argomentazioni espresse in modo originale e con linguaggio tecnico appropriato; capacità di enunciare e dimostrare tutti i teoremi di controllo ottimo; capacità di elaborare le nozioni apprese in contesti e formulazioni differenti da quelle discusse a lezione.

Le modalità di verifica dell'apprendimento si applicano indistintamente per gli/le studenti/studentesse frequentanti e non frequentanti.

La verifica delle conoscenze acquisite si svolge tramite una prova orale condotta contemporaneamente da entrambi i co-docenti del corso. L'obiettivo della prova di esame consiste nel valutare non solo la preparazione complessiva dello studente ma anche la capacità di declinare le conoscenze acquisite in formulazioni e contesti non necessariamente identici a quelli presentati e discussi a lezione, ovvero di essere in grado di organizzare un discorso coerente sugli argomenti studiati mettendo in luce potenziali connessioni tra le diverse parti del programma. Inoltre, la logica del ragionamento espositivo, la capacità analitica e di sintesi nonchè la capacità di giudizio e valutazione sono aspetti fondamentali della prova finale. Infine vengono valutate la proprietà di linguaggio e la chiarezza espositiva nelle domande teoriche del compito scritto.

La valutazione finale viene così costituita: il voto dell'esame orale viene assegnato in trentunesimi (comprensivi di eventuale lode). Durante la prova orale, tipicamente alla lavagna, agli/alle studenti/studentesse vengono proposti sia esercizi da svolgere che domande teoriche a risposta aperta. Non sono previste prove in itinere.

I risultati della prova orale vengono comunicati immediatamente dopo alla prova stessa e previa consultazione dei due co-docenti.

La prova di esame sarà valutata secondo i seguenti criteri:

Non idoneo: importanti carenze nella conoscenza e comprensione dei risultati di base dell’ottimizzazione dinamica; limitate capacità di analisi e sintesi, frequenti generalizzazioni e limitate capacità critiche e di giudizio, assenza di consequenzialità nell’esposizione degli argomenti.

18-20: conoscenza e comprensione degli argomenti appena sufficiente con possibili generalizzazioni e imperfezioni; capacità di analisi sintesi e autonomia di giudizio sufficienti, gli argomenti sono esposti in modo frequentemente poco coerente e con un linguaggio poco appropriato/tecnico; capacità di scrivere le relazioni fondamentali di condizioni necessarie di minimo per un problema di calcolo delle variazioni o di controllo ottimo.

21-23: conoscenza e comprensione dei risultati di base di calcolo delle variazioni e del principio del minimo di Pontryagin; Capacità di analisi e sintesi corrette con argomentazione logica sufficientemente coerente e linguaggio appropriato/tecnico; capacità di scrivere, enunciare e discutere i principali teoremi di controllo ottimo.

24-26: discreta conoscenza e comprensione degli argomenti; buone capacità di analisi e sintesi con argomentazioni espresse in modo rigoroso ma con un linguaggio non sempre appropriato/tecnico; capacità di enunciare i risultati principali del corso e di dimostrarne formalmente la validità, potenzialmente con alcune incertezze; capacità di svolgere senza esitazioni la maggioranza degli esercizi proposti durante la prova orale.

27-29: conoscenza e comprensione degli argomenti dettagliata e approfondita; notevoli capacità di analisi e sintesi. Buona autonomia di giudizio. Argomenti esposti in modo rigoroso e con linguaggio appropriato/tecnico; capacità di enunciare e dimostrare senza incertezze tutti i teoremi di controllo ottimo; capacità di svolgere correttamente tutti gli esercizi proposti.

30-30L: ottimo livello di conoscenza e comprensione approfondita degli argomenti; ottime capacità di analisi, di sintesi e di autonomia di giudizio; argomentazioni espresse in modo originale e con linguaggio tecnico appropriato; capacità di enunciare e dimostrare tutti i teoremi di controllo ottimo; capacità di elaborare le nozioni apprese in contesti e formulazioni differenti da quelle discusse a lezione.

Testi di riferimento

Gli argomenti del corso sono contenuti in slides appositamente realizzate e periodicamente aggiornate dal docente.

In aggiunta alle slides e alle lezioni, gli/le studenti/studentesse sono invitati/invitate a consultare i libri riportati in "Bibliografia di riferimento". Nel corso delle lezioni gli/le studenti/studentesse sono opportunamente indirizzati ai capitoli e sezioni di interesse in ciascun volume.

[1] C. Bruni and G. Di Pillo, Metodi Variazionali per il controllo ottimo, Masson ed. ESA, 1993.

[2] D. Liberzon, Calculus of Variations and Optimal Control Theory - A concise introduction, Princeton University press, 2012

Codice insegnamento 8037467

Reinforcement Learning 1° anno · 6 CFU · IINF-04/A · 0 file

OBIETTIVI FORMATIVI: L’obiettivo formativo del corso è fornire allo studente gli strumenti necessari per l’analisi e il controllo di un ambiente stocastico non noto. Tale obiettivo è raggiunto introducendo diverse…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI: L’obiettivo formativo del corso è fornire allo studente gli strumenti necessari per l’analisi e il controllo di un ambiente stocastico non noto. Tale obiettivo è raggiunto introducendo diverse tecniche che permettono l’analisi e la sintesi di leggi di controllo basate sulle misure dell’interazione del controllore (agente) con l’ambiente circostante.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Al termine del corso, lo studente sarà in grado di determinare l’efficacia di una legge di controllo rispetto ad un ambiente non noto e di progettare, solo sulla base dei dati acquisiti, leggi di controllo ottime rispetto a specifici funzioni di costo, anche tramite l’utilizzo di approssimatori funzionali.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Lo studente sarà in grado di implementare diverse tecniche di apprendimento per rinforzo (sia tabellari che basate su approssimazione funzionale) tramite la scrittura di programmi software in Matlab.

AUTONOMIA DI GIUDIZIO: Lo studente avrà la capacità di integrare le conoscenze acquisite tramite il corso con quelle reperibili dalla letteratura scientifica e selezionare le tecniche idonee alla soluzione di problemi complessi.

ABILITÀ COMUNICATIVE: Lo studente sarà in grado di descrivere in modo sintetico e analitico le tematiche del corso. Sarà inoltre in grado di esporre in maniera efficiente i risultati di un progetto realizzato durante il corso.

CAPACITÀ DI APPRENDIMENTO: lo studente sarà in grado di analizzare indipendentemente la letteratura scientifica riguardo alle tematiche trattate nel corso

Programma

Introduzione all’apprendimento per rinforzo (2 ore)

  • contestualizzazione rispetto a tecniche di machine learning.

Metodi non associativi di apprendimento (4 ore)

  • n-bandit problem;
  • tecniche di upper confidence bound e preference updates.

Introduzione a processi decisionali Markoviani (6 ore)

  • definizione di funzione valore e funzione qualità;
  • equazioni di Bellman.

Programmazione dinamica (6 ore)

  • value iteration;
  • policy iteration;
  • generalized policy iteration.

Tecniche di apprendimento tabellari (18 ore)

  • metodi Monte Carlo;
  • metodi alle differenze temporali (SARSA, Q-learning)
  • tracce di eleggibilità

Utilizzo congiunto di tecniche di pianificazione e di apprendimento (6 ore)

  • algoritmo Dyna;
  • pianificazione al tempo di decisione.

Tecniche di apprendimento basate su approssimazione funzionale (10 ore)

  • approssimatori funzionali lineari;
  • approssimatori funzionali non lineari;
  • algoritmi di stochastic gradient descent e ai minimi quadrati.

Algoritmo di tipo policy gradient (4 ore)

  • algoritmi di tipo actor/critic.

Modalità d'esame

La prova di esame del corso di Reinforcement Learning valuta la preparazione complessiva dello studente riguardo alle diverse parti del programma, la capacità analitica e di applicazione delle tecniche insegnate e l’autonomia di giudizio. Inoltre, viene presa in considerazione la competenza linguistica e la chiarezza della presentazione, in conformità con i criteri stabiliti dai Descrittori di Dublino, riportati di seguito.

Conoscenza e capacità di comprensione
Gli studenti vengono valutati sulle conoscenze acquisite durante il corso riguardo alle principali tecniche di machine e reinforcement learning. Gli studenti sono valutati attraverso domande che richiedono loro di spiegare i concetti chiave, identificare gli algoritmi di machine e reinforcement learning più adeguati al raggiungimento di un particolare scopo e comprendere come vengono applicati in contesti specifici.

Capacità di applicare la conoscenza e comprensione
Gli studenti vengono valutati relativamente alla loro capacità di applicare ed implementare gli algoritmi di machine e reinforcement learning illustrati durante il corso. Durante il corso vengono assegnati esercizi e progetti in cui gli studenti devono progettare e implementare algoritmi di apprendimento per rinforzo per risolvere problemi specifici. La valutazione è basata sulle prestazioni dei modelli sviluppati dagli studenti e sulla loro capacità di spiegare le scelte fatte durante il processo di sviluppo.

Autonomia di giudizio
La valutazione dell'abilità degli studenti di analizzare criticamente gli algoritmi e i modelli di reinforcement learning è un altro aspetto importante dell'esame. Durante l’esame viene richiesto di valutare i vantaggi e gli svantaggi di diverse tecniche di apprendimento per rinforzo, identificandone i potenziali problemi o limitazioni, e proporre soluzioni o miglioramenti.

Capacità di apprendimento
Gli studenti vengono valutati sulla base delle capacità di apprendimento autonomo sviluppate durante il corso. Per lo sviluppo del progetto finale dell’esame viene richiesto di sviluppare un’applicazione innovativa di algoritmi di reinforcement e machine learning in cui gli studenti devono dimostrare di essere in grado di apprendere autonomamente concetti avanzati.

Abilità di comunicazione
Oltre alle competenze tecniche, gli studenti sono valutati sulla base delle loro capacità di comunicare in modo chiaro e coerente i concetti di reinforcement learning. Questo include la presentazione orale di un progetto e degli esercizi assegnati durante il corso.

Il voto finale è rapportato per il 25% al grado di conoscenza, per il 25% al grado di capacità di applicare i concetti sviluppati, per il 15% all’autonomia di giudizio, per il 15% alla capacità di apprendimento e per il 20% alla capacità espressiva dimostrate dallo studente.

La prova di esame sarà valutata secondo i seguenti criteri:
Non idoneo: gravi carenze formative e scarsa comprensione degli argomenti trattati; limitata capacità di applicazione delle tecniche illustrate durante il corso; scarsa capacità di giudicare la tecnica più idonea per una determinata applicazione; limitata capacità di apprendere nuovi concetti autonomamente; gli argomenti sono esposti in modo non consistente e con linguaggio non idoneo.

18-20: conoscenza e comprensione degli argomenti appena sufficiente; sufficiente capacità di applicazione delle tecniche illustrate durante il corso; capacità di giudicare la tecnica più idonea per una determinata applicazione appena sufficiente; limitata capacità di apprendere nuovi concetti autonomamente; gli argomenti sono esposti in modo spesso non consistente e con linguaggio poco appropriato.

21-23: conoscenza e comprensione degli argomenti modesta; adeguata capacità di applicazione delle tecniche illustrate durante il corso; capacità di giudicare la tecnica più idonea per una determinata applicazione sufficiente; limitata capacità di apprendere nuovi concetti autonomamente; gli argomenti sono esposti in modo sufficientemente coerente, ma con linguaggio non sempre appropriato.

24-26: conoscenza e comprensione degli argomenti buona; buona capacità di applicazione delle tecniche illustrate durante il corso; capacità di giudicare la tecnica più idonea per una determinata sufficiente; capacità di apprendere nuovi concetti autonomamente; gli argomenti sono esposti in modo coerente, ma con linguaggio non sempre appropriato.

27-29: ottima conoscenza e comprensione degli argomenti; notevole capacità di applicazione delle tecniche illustrate durante il corso; ottima capacità di giudicare la tecnica più idonea per una determinata; buona capacità di apprendere nuovi concetti autonomamente; gli argomenti sono esposti in modo rigoroso e con linguaggio appropriato.

30-30L: eccellente conoscenza e comprensione degli argomenti; notevole capacità di applicazione delle tecniche illustrate durante il corso; ottima capacità di giudicare la tecnica più idonea per una determinata; ottime capacità di apprendere nuovi concetti autonomamente; gli argomenti sono esposti in modo rigoroso e con linguaggio sempre appropriato.

Testi di riferimento

R. S. Sutton, A. G. Barto “An introduction to Reinforcement Learning”

C. Szepesvari “Algorithms for Reinforcement Learning”

F. Lewis, D. Vrabie, K.G. Vamvoudakis “Reinfrocement Learning and Feedback Control”

Codice insegnamento 80300850

Robotica 1° anno · 12 CFU · IINF-04/A · 0 file

La robotica: introduzione, caratteristiche meccaniche di un robot, lo spazio operativo, il carico operativo, i giunti, gradi di liberta, standardizzazione dei simboli. Rotazioni, traslazioni e roto-traslazioni: le…

Scheda dell'insegnamento

Obiettivi formativi

La robotica: introduzione, caratteristiche meccaniche di un robot, lo spazio operativo, il carico operativo, i giunti, gradi di liberta, standardizzazione dei simboli. Rotazioni, traslazioni e roto-traslazioni: le coordinate indipendenti di un corpo rigido, rotazioni in R3, l'uso dei quaternioni per rappresentare le rotazioni, rotazioni infinitesime in R3, traslazioni in R3, roto-traslazioni in R3, matrici anti-simmetriche. Cinematica diretta: notazione di Denavit-Hartenberg, robot planare a 2 membri con giunti rotoidali a cerniera, robot planare a 3 membri con giunti rotoidali a cerniera, robot cartesiano, robot cilindrico, robot SCARA, robot sferico, robot sferico (tipo quello di Stanford), polso sferico, robot antropomorfo, il manipolatore di Stanford, il robot PUMA, il robot didattico SCORTECER I. Cinematica inversa: calcolo della posizione inversa in forma chiusa, calcolo dell'orientamento inverso in forma chiusa, il problema cinematico inverso in forma chiusa, inversione dinamica della cinematica. Energia cinetica e potenziale: calcolo dell'energia cinetica/potenziale di corpi materiali, teorema di Steiner. Equazioni di Eulero-Lagrange: calcolo delle variazioni, il principio di Hamilton, statica, conservazione dell'energia totale, modelli dinamici di semplici sistemi meccanici. Fondamenti di manipolazione robotica: la matrice di presa, manipolazione di un oggetto, pianificazione del compito. Pianificazione della traiettoria e del percorso: pianificazione della traiettoria, minima energia, tempo minimo, pianificazione dell'assetto, curve di Bezier. Pianificazione del percorso: il grafo di visibilita, la decomposizione in celle, il metodo delle direttrici. Controllo: specifiche di controllo, assegnazione ottima degli autovalori, parametrizzazione, controllo di posizione ed inseguimento di traiettoria, controllo a coppia calcolata, controllo PD. Visione artificiale: corrispondenza diretta, estrazione di informazioni, metodo delle proiezioni. Dispositivi: gli encoder, modulazione PWM, sistemi di trasmissione del moto.

Programma

La robotica: introduzione, caratteristiche meccaniche di un robot, lo spazio operativo, il carico operativo, i giunti, gradi di liberta, standardizzazione dei simboli. Rotazioni, traslazioni e roto-traslazioni: le coordinate indipendenti di un corpo rigido, rotazioni in R3, l'uso dei quaternioni per rappresentare le rotazioni, rotazioni infinitesime in R3, traslazioni in R3, roto-traslazioni in R3, matrici anti-simmetriche. Cinematica diretta: notazione di Denavit-Hartenberg, robot planare a 2 membri con giunti rotoidali a cerniera, robot planare a 3 membri con giunti rotoidali a cerniera, robot cartesiano, robot cilindrico, robot SCARA, robot sferico, robot sferico (tipo quello di Stanford), polso sferico, robot antropomorfo, il manipolatore di Stanford, il robot PUMA, il robot didattico SCORTECER I. Cinematica inversa: calcolo della posizione inversa in forma chiusa, calcolo dell'orientamento inverso in forma chiusa, il problema cinematico inverso in forma chiusa, inversione dinamica della cinematica. Energia cinetica e potenziale: calcolo dell'energia cinetica/potenziale di corpi materiali, teorema di Steiner. Equazioni di Eulero-Lagrange: calcolo delle variazioni, il principio di Hamilton, statica, conservazione dell'energia totale, modelli dinamici di semplici sistemi meccanici. Fondamenti di manipolazione robotica: la matrice di presa, manipolazione di un oggetto, pianificazione del compito. Pianificazione della traiettoria e del percorso: pianificazione della traiettoria, minima energia, tempo minimo, pianificazione dell'assetto, curve di Bezier. Pianificazione del percorso: il grafo di visibilita, la decomposizione in celle, il metodo delle direttrici. Controllo: specifiche di controllo, assegnazione ottima degli autovalori, parametrizzazione, controllo di posizione ed inseguimento di traiettoria, controllo a coppia calcolata, controllo PD. Visione artificiale: corrispondenza diretta, estrazione di informazioni, metodo delle proiezioni. Dispositivi: gli encoder, modulazione PWM, sistemi di trasmissione del moto.

Modalità d'esame

Due prove in itinere (prova scritta cumulativa).

Orale sugli argomenti presentati nel corso.

Discussione dei programmi realizzati in MATHEMATICA.

Testi di riferimento

Sciavicco, Lorenzo, and Bruno Siciliano. Modelling and control of robot manipulators. Springer Science & Business Media, 2012.

Codice insegnamento 80300646

Sistemi Embedded E Real Time 1° anno · 6 CFU · IINF-05/A · 0 file

LEARNING OUTCOMES: This course is focused on real-time embedded systems. The embedded systems are the computers hidden in almost all modern electronic devices, which run specific and peculiar programs set up by the…

Scheda dell'insegnamento

Obiettivi formativi

LEARNING OUTCOMES:
This course is focused on real-time embedded systems. The embedded systems are the computers hidden in almost all modern electronic devices, which run specific and peculiar programs set up by the designers of the devices. Real-time systems are computers systems (hardware and software) designed to ensure that computation results are produced at the proper time. This course if focused on both kinds of systems because almost all embedded systems are also real-time systems, and vice versa.
Referring to the guidelines reported in the report: "ACM/IEEE-CS - Computer Science Curricula 2013" (www.acm.org/education/CS2013-final-report.pdf), the course contributes to cover the following knowledge areas and corresponding learning outcomes:
Operating Systems (OS): Scheduling and Dispatch; Resource Allocation and Scheduling; Real-Time and Embedded Systems

KNOWLEDGE AND UNDERSTANDING:
Eventually, after course completion, any student will have a significant understanding of the challenges and the technologies involved to the development of the embedded and real-time systems. Specifically, the student will understand the fundamental concepts and results of the real-time scheduling theory, which allows the designer to get a formal proof of the proper design of a real-time "safety-critical" system. Moreover, the student will understand the main challenges and technological solutions of the real-time operating systems, whose goal is the timely executions of the real-time applications. The student will also understand the challenges posed by the development process of a "bare-metal" software directly interfaced to the hardware of an embedded system, with particular reference to a "bare-metal" run-time environment.

APPLYING KNOWLEDGE AND UNDERSTANDING:
Eventually, after course completion, the student will be able to develop a real-time "bare-metal" execution environment for an embedded system based on the ARM architecture, starting from scratch and using only the documentation released by the hardware manufacturers. The student will be able to model a collection of real jobs with given functionalities and deadlines by using the periodic task model; the student will be able to properly choose the task scheduling algorithms and the shared resource allocation algorithms; finally, the student will be able to formally prove that the design is sound, in that all deadlines of the jobs are respected even in the worst possible case.

MAKING JUDGEMENTS:
Eventually, after course completion, any student will be able to make proper and logical choices about the development of embedded and real-time systems, in particular on modelling the case of study, choosing the hardware platform, selecting the operating system or the execution environment, chooising the real-time scheduling algorithms and resource allocation algorithms, and finally implementing a "bare-metal" environment or a real-time application.

COMMUNICATION SKILLS:
Eventually, after course completion, any student will understand the basic terminology of the embedded and real-time systems and will be able to properly expose the fundamental concepts and results, in particular those concerned with real-time scheduling theory, real-time operating systems, and embedded systems.

LEARNING SKILLS:
Eventually, after course completion, any student will be able to study and learn more advanced topics in real-time and embedded systems; moreover, the student will be able to make use of the skills and knowledge learned during the course to cope with new problems, questions, and scenarios.

Programma

SISTEMI EMBEDDED

Introduzione ai sistemi embedded. Tecnologie per sistemi embedded. L'architettura ARM. Sistema bare-metal basato su ARM (introduzione, cross-compiler; makefile; linker script; programmazione dei led; inizializzazione dei segmenti di memoria e stack; astrazione dei registri hardware; inizializzazione vettore eccezioni output su porta seriale; interruzioni hardware; tick periodico; scheduler RT con job non interrompibili; il gestore a basso livello delle interruzioni; scheduler RT con job interrompibili; politica EDF; server CBS; misurazione sperimentale di WCET e latenze)

SISTEMI REAL-TIME

Introduzione ai sistemi real-time. Modello di riferimento per i sistemi real-time. Schedulazione clock-driven. Algoritmi priority-driven. Ottimalita' di algoritmi priority-driven. Test di schedulabilita' per politiche a priorita' fissa. Condizioni di schedulabilita' per Rate Monotonic (RM), Deadline Monotonic (DM) , Earliest Deadline First (EDF). Schedulazione di job bloccanti. Algoritmi a conservazione di banda per schedulare job aperiodici. Controllo d'accesso alle risorse condivise. Real-time su multiprocessore. Sistemi operativi real-time. Uso del kernel Linux per l'ambito real-time

Modalità d'esame

La prova di esame valuta, la preparazione complessiva dello studente, la capacità di integrazione delle conoscenze delle diverse parti del programma, la consequenzialità del ragionamento, la capacità analitica e la autonomia di giudizio. Inoltre vengono valutate la proprietà di linguaggio e la chiarezza espositiva, in aderenza con i descrittori di Dublino
Il voto finale sarà rapportato per il 70% al grado di conoscenza e per il 30% alla capacità espressiva e di giudizio autonomo dimostrate dallo studente.
La prova orale consiste in esercizi e domande a risposta libera. Il voto finale viene assegnato in base ai seguenti criteri:

Non idoneo: importanti carenze e/o inaccuratezze 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

-

Codice insegnamento 8037401

Teoria Dei Giochi 1° anno · 9 CFU · MATH-06/A · 0 file

OBIETTIVI FORMATIVI: Lo scopo di questo corso è quello di introdurre la teoria dei giochi. Diversi esempi di giochi, cooperativi e non cooperativi, saranno presentati e risolti per mezzo di strumetni standard della…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI: Lo scopo di questo corso è quello di introdurre la teoria dei giochi. Diversi esempi di giochi, cooperativi e non cooperativi, saranno presentati e risolti per mezzo di strumetni standard della Teoria dei Giochi, che perlopiù poggiano su tecniche di ottimizzazione, programmazione lineare e programmazione lineare intera.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Al termine del corso lo studente sarà in grado di riconoscere un problema di Teoria dei Giochi e risolverlo con strumenti standard.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Vedi punto precedente.
AUTONOMIA DI GIUDIZIO: Al termine del corso lo studente sarà in grado di valutare in modo più analitico quale strategia di soluzione è più conveniente per la soluzione di un modello di Teoria dei Giochi.
ABILITÀ COMUNICATIVE: Al termine del corso lo studente sarà in grado di esporre in modo più formale gli aspietti salienti di un modello di Teoria dei Giochi.
CAPACITÀ DI APPRENDIMENTO: Al termine del corso lo studente sarà in grado di affrontare autonamente la soluzione di modelli di Teoria dei Giochi non trattati durante il corso.

Programma

1. Giochi in forma normale. Equilibri di Nash. Pareto ottimalità. Strategie dominanti. Strategie conservative. Payoff 2. Meccanismi di asta. Aste di primo prezzo e aste secondo prezzo. 3. Giochi antagonistici e a somma zero. Punti di sella ed equilibri di Nash per giochi a somma zero. 4. Estensione in strategia mista di un gioco antagonistico ed esistenza equilibrio di Nash, valore del gioco. Il teorema di von Neumann. 5. i giochi cooperativi. Nucleo di un gioco. Il teorema di Bondareva-Shapley. I mercati con utilità trasferibile. Giochi semplici e valore di Shapley. 6. Giochi cooperativi con l'utilità non trasferibile. Il problema dell'house allocation. Il problema dello stable marriage. 7. Relazione tra problemi di cost sharing e algoritmi primali duali: applicazioni per facility location games e Steiner tree problems. 8. Algoritmi Randomizzati: definizioni fondamentali, analisi ed esempi.

Modalità d'esame

La prova scritta si articola su diversi esercizi mirati ad appurare la padronanza delle varie parti del programma. La prova orale è facoltativa. Entrambe le prove valutiamo: la preparazione complessiva dello studente, la capacità di integrazione delle conoscenze, il ragionamento, la capacità analitica e la autonomia di giudizio. Inoltre vengono valutate la proprietà di linguaggio e la chiarezza espositiva, in aderenza con i descrittori di Dublino:
1.Conoscenza e capacità di comprensione; 2. Capacità di applicare la conoscenza e comprensione; 3. Autonomia di giudizio; 4. Capacità di apprendimento; 5: Abilità di comunicazione.
Il voto finale sarà rapportato per il 70% al grado di conoscenza e per il 30% alla capacità espressiva e di giudizio autonomo dimostrate dallo studente.

Testi di riferimento

1. An introduction to Game Theory. Martin J. Osborne; Oxford University press.
2. Algorithmic Game Theory. Edited by Noam Nisan, Tim Roughgarden, Eva Tardos, Vijay V. Vazirani; Cambridge University Press.
3. Approximation Algorithms. V.V. Vazirani; Springer.

Codice insegnamento 8039837

Teoria Dei Sistemi 1° anno · 6 CFU · IINF-04/A · 0 file

OBIETTIVI FORMATIVI: Proprietà strutturali di sistemi lineari e stazionari (a tempo continuo e a tempo discreto). Progetto di leggi di controllo in retroazione statica dallo stato, di osservatori dello stato e di leggi…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI: Proprietà strutturali di sistemi lineari e stazionari (a tempo continuo e a tempo discreto). Progetto di leggi di controllo in retroazione statica dallo stato, di osservatori dello stato e di leggi di controllo in retroazione dinamica dall'uscita. Elementi di teoria della realizzazione.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE: lo studente comprende in quale contesto si colloca lo studio delle proprietà strutturali e della teoria della realizzazione per sistemi lineari e stazionari, a tempo continuo e a tempo discreto, conosce i risultati formali proposti, capisce da quali principi nascono le procedure apprese per il progetto di leggi di controllo, nonché come si dimostra l’efficacia di tali procedure, quali sono i relativi limiti di validità e le prestazioni che è possibile o non è possibile garantire con i metodi proposti.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: lo studente apprende a progettare leggi di controllo in retroazione statica dallo stato, osservatori dello stato e leggi di controllo in retroazione dinamica dall’uscita; lo studente impara a ricavare realizzazioni nello spazio di stato, e in particolare realizzazioni minime, di matrici di trasferimento di sistemi lineari e stazionari anche MIMO (a più ingressi e più uscite); tali capacità sono mostrate sia durante la prova scritta che mediante lo svolgimento di prove pratiche al calcolatore (facoltative).

AUTONOMIA DI GIUDIZIO: lo studente apprende a scegliere autonomamente la procedura di analisi o di sintesi più adeguata in base alla descrizione disponibile del sistema dinamico, e quali obiettivi sono realizzabili in fase di sintesi sulla base delle analisi effettuate.

ABILITÀ COMUNICATIVE: lo studente apprende ad esporre con linguaggio formale appropriato i risultati teorici, a descriverne chiaramente l’applicazione a casi concreti e, qualora svolga le prove pratiche facoltative, ad illustrare, anche mediante la scelta di grafici adeguati, i risultati di procedure di sintesi e simulazioni.

CAPACITÀ DI APPRENDIMENTO: lo studente migliora la sua capacità di apprendere i risultati teorici mettendo a frutto le conoscenze di algebra lineare e di fondamenti di controlli, e impara ad utilizzare software di calcolo numerico o simbolico per applicare le procedure proposte, se svolge le prove pratiche opzionali

Programma

1) Proprietà strutturali per sistemi lineari e stazionari (a tempo continuo e a tempo discreto): raggiungibilità, controllabilità, osservabilità, determinabilità. Decomposizioni strutturali e forma di Kalman. PBH test. (34 ore)
2) Assegnazione degli autovalori mediante retroazione statica dallo stato (formula di Mitter, formula di Ackermann, lemma di Heyman). (14 ore)
3) Progetto di osservatori dello stato e retroazione dinamica dall'uscita per sistemi lineari e stazionari. (4 ore)
4) Elementi di teoria della realizzazione: forme canoniche, risultati sulle realizzazioni minime. (8 ore)

Modalità d'esame

L'esame prevede una prova scritta e una prova orale, entrambe obbligatorie, e delle prove pratiche facoltative.
Il voto finale sarà rapportato per circa il 40% al grado di conoscenza e approfondimento dei concetti, per circa il 40% alla capacità di applicare quanto appreso a casi concreti e per circa il 20% alla capacità di comunicare chiaramente sia durante la prova scritta che, soprattutto, durante la prova orale e la discussione delle prove pratiche (se svolte).
La prova di esame sarà valutata secondo i seguenti criteri.
Non idoneo: importanti carenze nella conoscenza e comprensione degli argomenti; scarse capacità di applicazione dei risultati, problemi nell’impostazione di un problema di analisi o di sintesi;
18-19: non del tutto complete conoscenza e comprensione degli argomenti teorici, sufficiente capacità di applicazione, esposizione appena sufficiente;
20-23: conoscenza e comprensione degli argomenti routinaria, capacità di analisi e sintesi corrette, esposizione sufficiente;
24-26: discreta conoscenza e comprensione degli argomenti, con sufficiente capacità di dimostrazione degli enunciati, che devono essere esposti in modo corretto, buone capacità di analisi e sintesi, esposizione più che sufficiente;
27-29: buona conoscenza e comprensione degli argomenti inclusa la capacità di dimostrare gli enunciati, buone capacità di analisi e sintesi, esposizione buona o ottima;
30-30L: conoscenza e comprensione degli argomenti ottime e complete, con approfondimenti anche autonomi. Ottime capacità di analisi, di sintesi e di estensione dei risultati. Esposizione ottima. Per la lode, la commissione valuta se i requisiti per l’ottenimento della valutazione piena sono soddisfatti da ogni punto di vista.

Testi di riferimento

"Sistemi Dinamici", O. M. Grasselli, L. Menini, S. Galeani

Codice insegnamento 8037383

Analisi Del Malware 2° anno · 6 CFU · IINF-05/A · 0 file

L'insegnamento si propone di fornire agli studenti gli strumenti teorici, metodologici e pratici che consentono l'analisi di programmi "malevoli" in formato eseguibile il cui codice è potenzialmente nascosto, offuscato o…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento si propone di fornire agli studenti gli strumenti teorici, metodologici e pratici che consentono l'analisi di programmi "malevoli" in formato eseguibile il cui codice è potenzialmente nascosto, offuscato o protetto. Con riferimento alle linee guida riportate nel documento: "ACM/IEEE-CS- Computer Science Curricula 2013", il corso contribuisce a coprire le seguenti aree e relativi obiettivi: Operating Systems (OS), Architecture and Organization (AR), Systems Fundamentals (SF).

Al termine dell'insegnamento lo studente sarà in grado di classificare i diversi tipi di malware e di saper valutare l'utilizzo di diverse tecniche di analisi per ricostruire il funzionamento e le operazioni di un qualsiasi programma, anche non preventivamente noto. Sarà inoltre in grado di applicare tecniche basate su sandbox, monitor, disassemblatori e debugger, superando eventuali meccanismi di protezione ed offuscamento ed inibendo i meccanismi di comunicazione e replicazione. Saprà integrare le varie e diverse conoscenze richieste dal lavoro di analisi dei programmi e formulare giudizi di merito sull'impatto e la pericolosità di programmi malevoli nei sistemi informatici interessati. Sarà in grado di comunicare efficacemente con i responsabili dei sistemi informativi, anche se non specializzati nel campo della sicurezza informatica. Sarà infine in grado di aggiornare autonomamente le proprie conoscenze per tenere conto della rapidissima evoluzione della tecnologia del malware.

Per eventuali disturbi dell’apprendimento o disabilità, si prega di prendere visione delle modalità di supporto del CARIS (https://www-2024.caris.uniroma2.it/)

Programma

Tecniche di base di Reverse Code Engineering "black box" e "white box". Analisi statica del codice. Uso di macchine virtuali. Linguaggio Assembly Intel x86. Utilizzo di IDA Pro e Ghidra. Ricostruzione di un programma ad alto livello dalle istruzioni Assembly. Esercizi di analisi statica di malware per Windows.

Metodologia di RCE "gray box". Uso di un debugger per l'analisi del codice. Utilizzo di IDA Pro, OllyDbg, WinDbg per l'analisi di eseguibili per Windows.

Funzionalita' del malware. Comportamento generale. Operazioni di base: lancio, codifica dei dati, comunicazioni. Meccanismi di protezione anti-RCE: anti-disassembler, anti-debugger, anti-sandboxing. Programmi pacchettatori e contromisure.
Casi speciali: analisi di shellcode e analisi di codice ad oggetti.

Modalità d'esame

La prova di esame valuta, la preparazione complessiva dello studente, la capacità di integrazione delle conoscenze delle diverse parti del programma, la consequenzialità del ragionamento, la capacità analitica e la autonomia di giudizio. Inoltre vengono valutate la proprietà di linguaggio e la chiarezza espositiva, in aderenza con i descrittori di Dublino
Il voto finale sarà rapportato per il 50% al grado di conoscenza e per il 50% alla capacità espressiva e di giudizio autonomo dimostrate dallo studente.

Lo studente dovrà svolgere e consegnare un progetto e sostenere una prova orale conclusiva.
Il voto finale è determinato per il 60% dalla valutazione del progetto ed il 40% dalla prova orale finale. I voti sono assegnati utilizzando i seguenti criteri:

Non idoneo: importanti carenze e/o inaccuratezze 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

Practical Malware Analysis:
The Hands-On Guide to Dissecting Malicious Software (English Edition),
No Starch Press; 1° edizione, 2012.
ISBN-10: 1593272901
ISBN-13: 978-1593272906

Codice insegnamento 8039964

Automazione E Robotica Con Laboratorio 2° anno · 12 CFU · IINF-04/A · 0 file

OBIETTIVI FORMATIVI: Il corso comprende due moduli da 6 cfu ciascuno: Automazione Manifatturiera e Robotica con Laboratorio. Il modulo di Automazione Manifatturiera introduce lo studente alla programmazione dei…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI:
Il corso comprende due moduli da 6 cfu ciascuno: Automazione Manifatturiera e Robotica con Laboratorio. Il modulo di Automazione Manifatturiera introduce lo studente alla programmazione dei Controllori Logici Programmabili (PLC) e ad alcune problematiche di controllo di un sistema di produzione particolarmente significative. Lo studente deve essere in grado alla fine del corso di implementare su un PLC le metodologie di controllo presentate nel modulo. Nel modulo di Robotica con Laboratorio si studia sia la robotica dei manipolatori sia la robotica mobile. Per quanto riguarda i manipolatori, vengono date nozioni di cinematica diretta e inversa: lo studente sarà in grado di calcolare posizione e orientamento dell'organo terminale di un qualsiasi manipolatore costituito da giunti prismatici e rotoidali (cinematica diretta) e di individuare le coordinate di giunto che permettono il posizionamento dell'organo terminale per i manipolatori robotici più comuni (cinematica inversa). Per quanto riguarda la robotica mobile, il corso fornisce nozioni di cinematica, controllo e localizzazione di robot di tipo uniciclo: lo studente sarà in grado di calcolare i movimenti delle ruote attuate del robot che consentono di raggiungere un punto desiderato.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE:
Per quanto riguarda Automazione: conoscenza di base della programmazione dei PLC e di alcune metodologie di controllo di sistemi di produzione. Per quanto riguarda Robotica: conoscenza della teoria della cinematica diretta e inversa dei manipolatori e di alcune tecniche per la movimentazione e la localizzazione di robot mobili.

APPLICARE CONOSCENZA E COMPRENSIONE:
Per quanto riguarda Automazione: capacità di saper risolvere problemi di base dell'automazione industriale e di saper implementare la soluzione su un PLC. Per quanto riguarda Robotica: capacità di affrontare problemi di cinematica dei manipolatori e di movimentazione e localizzazione di robot mobili e di saperli risolvere anche da un punto di vista implementativo.

AUTONOMIA DI GIUDIZIO:
La teoria spiegata può essere applicata anche per risolvere problemi non trattati specificamente nel corso. Nelle esercitazioni in laboratorio e nei due lavori a progetto si chiede in particolare di risolvere problemi che pongono lo studente nella necessità innanzitutto di individuare le basi teoriche necessarie alla risoluzione del problema e quindi di saperle applicare in modo originale al problema in esame.

ABILITÀ COMUNICATIVE:
I due lavori a progetto da affrontare in gruppo hanno lo scopo di favorire lo sviluppo delle capacità comunicative e di interazione.

CAPACITÀ DI APPRENDIMENTO:
La richiesta di risolvere problemi non direttamente trattati nel corso mette lo studente di fronte alla necessità di imparare ad apprendere e ad approfondire in autonomia.

OBIETTIVI FORMATIVI:
Il modulo di Automazione Manifatturiera introduce lo studente alla programmazione dei Controllori Logici Programmabili (PLC) e ad alcune problematiche di controllo di un sistema di produzione particolarmente significative. Lo studente deve essere in grado alla fine del corso di implementare su un PLC le metodologie di controllo presentate nel modulo.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE:
Conoscenza di base della programmazione dei PLC e di alcune metodologie di controllo di sistemi di produzione.

APPLICARE CONOSCENZA E COMPRENSIONE:
Capacità di saper risolvere problemi di base dell'automazione industriale e di saper implementare la soluzione su un PLC.

AUTONOMIA DI GIUDIZIO:
La teoria spiegata può essere applicata anche per risolvere problemi non trattati specificamente nel corso. Nelle esercitazioni in laboratorio e nel lavoro a progetto si chiede in particolare di risolvere problemi che pongono lo studente nella necessità innanzitutto di individuare le basi teoriche necessarie alla risoluzione del problema e quindi di saperle applicare in modo originale al problema in esame.

ABILITÀ COMUNICATIVE:
Il lavoro a progetto da affrontare in gruppo ha lo scopo di favorire lo sviluppo delle capacità comunicative e di interazione.

CAPACITÀ DI APPRENDIMENTO:
La richiesta di risolvere problemi non direttamente trattati nel corso mette lo studente di fronte alla necessità di imparare ad apprendere e ad approfondire in autonomia.

OBIETTIVI FORMATIVI:
Nel corso si studia sia la robotica dei manipolatori sia la robotica mobile. Per quanto riguarda i manipolatori, vengono date nozioni di cinematica diretta e inversa: lo studente sarà in grado di calcolare posizione e orientamento dell’ organo terminale di un qualsiasi manipolatore costituito da giunti prismatici e rotoidali (cinematica diretta) e di individuare le coordinate di giunto che permettono il posizionamento dell’organo terminale per i manipolatori robotici più comuni (cinematica inversa). Per quanto riguarda la robotica mobile, il corso fornisce nozioni di cinematica, controllo e un cenno alle problematiche di localizzazione di robot di tipo uniciclo: lo studente sarà in grado di calcolare i movimenti delle ruote attuate del robot che consentono di raggiungere un punto desiderato.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE:
Conoscenza della teoria della cinematica diretta e inversa dei manipolatori e di alcune tecniche per la movimentazione e la localizzazione di robot mobili.

APPLICARE CONOSCENZA E COMPRENSIONE:
Capacità di affrontare problemi di cinematica dei manipolatori e di movimentazione e localizzazione di robot mobili e di saperli risolvere anche da un punto di vista implementativo.

AUTONOMIA DI GIUDIZIO:
La teoria spiegata può essere applicata anche per risolvere problemi non trattati specificamente nel corso. Nelle esercitazioni in laboratorio e nel lavoro a progetto si chiede in particolare di risolvere problemi che pongono lo studente nella necessità innanzitutto di individuare le basi teoriche necessarie alla risoluzione del problema e quindi di saperle applicare in modo originale al problema in esame.

ABILITÀ COMUNICATIVE:
Il lavoro a progetto da affrontare in gruppo ha lo scopo di favorire lo sviluppo delle capacità comunicative e di interazione.

CAPACITÀ DI APPRENDIMENTO:
La richiesta di risolvere problemi non direttamente trattati nel corso mette lo studente di fronte alla necessità di imparare ad apprendere e ad approfondire in autonomia.

Programma

AUTOMAZIONE MANIFATTURIERA
Introduzione ai Controllori Logici Programmabili (PLC): il linguaggio a contatti e il Sequential Functional Chart. Esempi di programmazione e loro implementazione nell'ambiente TIA Portal. Programmazione del PLC Siemens Simatic S7-1200.
Problemi di controllo per sistemi di produzione: stabilità di politiche di scheduling dinamico per sistemi di produzione aciclici caratterizzati da tempi di setup non trascurabili; ottimizzazione dinamica di indici di costo basati sui livelli dei magazzini per sistemi flessibili di produzione con tempi di setup trascurabili: la regola cmu e le politiche miopi; livelli ottimi di scorta per sistemi soggetti a guasti: la politica hedging point.

ROBOTICA CON LABORATORIO
Il corso comprende due moduli da 6 cfu ciascuno: Automazione Manifatturiera e Robotica con Laboratorio.
AUTOMAZIONE. Introduzione ai Controllori Logici Programmabili (PLC): il linguaggio a contatti e il Sequential Functional Chart. Esempi di programmazione e loro implementazione nell'ambiente TIA Portal. Programmazione del PLC Siemens Simatic S7-1200. Problemi di controllo per sistemi di produzione: stabilità di politiche di scheduling dinamico per sistemi di produzione aciclici caratterizzati da tempi di setup non trascurabili; ottimizzazione dinamica di indici di costo basati sui livelli dei magazzini per sistemi flessibili di produzione con tempi di setup trascurabili: la regola cmu e le politiche miopi; livelli ottimi di scorta per sistemi soggetti a guasti: la politica hedging point.
ROBOTICA. Manipolatore planare a 2 e a 3 link: cinematica diretta e inversa. Introduzione ai concetti di grado di libertà, ridondanza, spazio di lavoro. Rotazioni e rototraslazioni nello spazio. Angoli di Eulero. Cinematica diretta ed inversa per robot manipolatori con catena cinematica aperta. Notazione di Denavit-Hartenberg. Strutture principali di manipolatori: SCARA, SCORBOT, polso sferico, robot antropomorfo. Esercitazioni pratiche in Laboratorio di Robotica sulla cinematica diretta e inversa. Robotica mobile. Cinematica di un robot di tipo uniciclo. Controllo del moto di un robot mobile: il problema della regolazione parziale. Tecniche di localizzazione in ambiente noto: ricostruzione odometrica e cenno a tecniche di fusione sensoriale.

Modalità d'esame

Una prova scritta e un lavoro a progetto (in gruppo) di programmazione di un PLC Siemens. Il voto complessivo (in trentesimi con eventuale lode) risulta da una media pesata delle varie prove. È possibile modificare tale voto con una prova orale facoltativa.

Per quanto riguarda Automazione: una prova scritta e un lavoro a progetto (in gruppo) di programmazione di un PLC Siemens.
Per quanto riguarda Robotica: una prova scritta e una prova progettuale (in gruppo) in ambiente virtuale da svolgere a casa utilizzando il software di sviluppo Processing.
Possibilità anche di effettuare una prova scritta mista su Robotica e Automazione.
Il voto complessivo risulta da una media pesata delle varie prove. È possibile modificare tale voto con una prova orale facoltativa.

Testi di riferimento

1) P. Chiacchio, F. Basile, Tecnologie informatiche per l'automazione, McGraw-Hill
2) Documentazione sui PLC

1) P. Chiacchio, F. Basile, Tecnologie informatiche per l'automazione, McGraw-Hill
2) Siciliano, Sciavicco, Villani, Oriolo. Robotica: modellistica, pianificazione e controllo. McGraw-Hill
3) Thrun, Burgard, Fox. Probabilistic Robotics. The MIT Press
4) Documentazione su Processing
5) Documentazione sui PLC

Codice insegnamento 8037381

Computer And Network Security 2° anno · 9 CFU · IINF-05/A · 0 file

OBIETTIVI FORMATIVI. Obiettivo generale dell'insegnamento è mostrare allo studente la complessità e le problematiche relative all'integrazione della crittografia in protocolli e sistemi reali - in altre parole,…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI.
Obiettivo generale dell'insegnamento è mostrare allo studente la complessità e le problematiche relative all'integrazione della crittografia in protocolli e sistemi reali - in altre parole, convincere lo studente che l'utilizzo di "buoni" algoritmi crittografici è condizione necessaria, ma assolutamente non sufficiente, per la sicurezza nelle comunicazioni e nei sistemi Internet. In aggiunta, il corso ha i seguenti ulteriori obiettivi specifici: fornire allo studente basi di crittografia ed elementi di protocolli per la sicurezza in Internet; fornire le metodologie per identificare minacce e vulnerabilita alla sicurezza dei sistemi; analizzare le
famiglie di attacchi piu comuni ai protocolli ed ai sistemi Internet.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE:
L'obiettivo sopra descritto verrà perseguito illustrando contestualmente sia le principali soluzioni e strumenti crittografici per la sicurezza informatica, sia mostrando esempi concreti di errori di utilizzo e di attacchi. Particolare attenzione verrà dedicata alla comprensione dei principi protocollari alla base dell'instaurazione di sessioni sicure, con particolare riferimento ai protocolli TLS ed IPsec, ed ai protocolli di autenticazione. Infine, lo studente acquisirà competenze di base relative a soluzioni e tecniche crittografiche moderne (condivisione di segreti, elaborazione collaborativa sicura, crittografia ellittica, etc), ed alla loro applicazione in servizi e sistemi di rete.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:
Le competenze tecniche e metodologiche acquisite permetteranno allo studente di affrontare numerosi problemi reali relativi alla protezione delle comunicazioni e dei sistemi di rete. In particolare, lo studente sarà in grado di identificare (e correggere) vulnerabilità protocollari, problemi implementativi, ed applicazioni errate della crittografia.

AUTONOMIA DI GIUDIZIO:
Il corso permetterà allo studente di identificare e valutare vulnerabilità crittografiche e protocollari supplementari rispetto alle più tradizionali vulnerabilità a livello di sistemi affrontate nei corsi precedenti, ampliando significativamente il bagaglio culturale e tecnico dello studente in termini di strumenti, algoritmi, e capacità di comprensione ed analisi.

ABILITÀ COMUNICATIVE:
Al termine del corso lo studente avrà acquisito padronanza della terminologia relativa alla crittografia applicata ed ai protocolli per la sicurezza in Internet, e sarà in grado di usare un linguaggio tecnico appropriato ed attuale nelle proprie presentazioni ed argomentazioni.

CAPACITÀ DI APPRENDIMENTO:
Il corso stimolerà lo studente all'auto-apprendimento - necessario vista la rapida obsolescenza delle tecnologie in questione - fornendo numerosi esempi e puntatori a fonti informative esterne sia per aspetti tecnologici che metodologici.

Programma

Il corso è organizzato nelle seguenti aree principali:

1) crittografia di base e sicurezza di rete: attacchi, contromisure, servizi di sicurezza, costruzioni crittografiche di base (cifrari a flusso, cifrari a blocchi e relative modalità, funzioni hash e costruzione Merkle-Damgard, NMAC e HMAC, funzioni pseudo casuali, gestione delle chiavi, algoritmi a chiave pubblica, firme digitali, ecc.);

2) supporto per autenticazione e relativi protocolli di rete: nozioni di base, PPP: PAP e CHAP e relative estensioni, one-time password, EAP, autenticazione in 3G, RADIUS e relative vulnerabilità; DIAMETER. Certificati ed infrastruttura a chiave pubblica (PKI);

3) analisi approfondita di TLS e IPsec: basi, handshake, gestione delle chiavi con RSA, Diffie-Hellman anonimo / fisso / effimero e integrazione in TLS; Perfect forward secrecy; Record TLS; errori e vulnerabilità nella composizione di MAC ed encryption; attacchi a TLS con CBC (BEAST); attacchi alla fase di trasferimento dati TLS (padding oracle, attacchi side channel); attacchi alla compressione TLS (CRIME), attacchi all'integrità della sessione TLS (attacco di troncamento), attacchi all'handshake TLS (attacco di rinegoziazione), attacchi ad RSA key transport in TLS (Bleickenbacker's Oracle e recenti attacchi di implementazione come ROBOT); gerarchia di derivazione chiavi e PRF, KDF; Breve introduzione a TLSv1.3 e differenze rispetto alla v1.2. Analisi comparativa di TLS vs IPsec, VPN con IPsec, IKE.

4) approcci crittografici avanzati: trivial secret sharing, Shamir secret sharing, commitments e verificable secret sharing (Feldman, Pedersen); Secure Multiparty Computation basata su secret sharing; Pedersen distributed key generation; linear secret sharing e matrici di controllo di accesso; crittografia a soglia; firme di soglia e problemi con la firma a soglia RSA (soluzione: costruzione di Shoup); basi di crittografia su curve ellittiche; ECDH; ECDSA; mappe bilineari (pairing based cryptography) ed esempio di costruzioni crittografiche costruttive (Approccio di Joux al 3-way Diffie-Hellman, Tecnica di Boneh/Franklin per Identity Based Encryption, cenni a crittografia basata sugli attributi).

5) argomenti vari: TESLA, Merkel Trees e loro applicazioni, Blockchains. Ulteriori argomenti possono essere affrontati facoltativamente in seminari dedicati e/o mediante interventi di esperti esterni - il programma specifico cambia di anno in anno (e puo' toccare argomenti vari relativi alla sicurezza dei sistemi, al rilevamento delle intrusioni ed alla protezione della rete, alle certificazione di sicurezza, ecc.).

Modalità d'esame

L'esame consiste in una prova mista scritta/orale comprensiva di esercizi numerici e domande orali (a risposta aperta e/o a risposta multipla). Durante l'anno potranno essere svolte prove in itinere non obbligatorie, al fine di permettere agli studenti frequentanti di distribuire il carico dell'esame su più prove.

Testi di riferimento

c) Stephen Thomas, “SSL and TLS Essentials”, Wiley, 2000
d) Alfred J. Menezes, Paul C. van Oorschot and Scott A. Vanstone,
''Handbook of applied cryptography'', disponibile online a
http://www.cacr.math.uwaterloo.ca/hac/

Codice insegnamento 8039933

Control Of Electrical Motors And Vehicles 2° anno · 6 CFU · 0 file
Controllo Di Sistemi Non Lineari 2° anno · 12 CFU · 0 file
Deep Learning 2° anno · 6 CFU · INFO-01/A · 0 file

Obiettivo del corso è presentare i principali tecniche di Machine Learning per la soluzione di problemi di classificazione, predizione numerica e clustering e le metodologie di gestione e sviluppo di un processo di…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivo del corso è presentare i principali tecniche di Machine Learning per la soluzione di problemi di classificazione, predizione numerica e clustering e le metodologie di gestione e sviluppo di un processo di Machine Learning, dalla preparazione dei dati alla valutazione dei risultati.
Il corso consentirà anche di sviluppare competenze pratiche nella soluzione di problemi reali tramite tecniche di Machine Learning, grazie ad esercitazioni svolte con tool commerciali e/o open source.

RISULTATI DI APPRENDIMENTO ATTESI
Conoscenza e capacità di comprensione
Lo studente deve conoscere i principali algoritmi di Machine Learning e Deep Learning. Lo studente deve inoltre dimostrare di essere in grado di scegliere l’algoritmo di Machine Learning più adatto a risolvere uno specifico problemi di classificazione e/o predizione numerica e/o clustering, sulla base dei requisiti del problema medesimo. Lo studente deve infine dimostrare di essere in grado di scegliere le opportune tecniche di preparazione dei dati e deve conoscere le tecniche necessarie per la valutazione delle prestazioni di algoritmi di Machine Learning e Deep Learning.

Capacità di applicare conoscenza e comprensione
Lo studente deve dimostrare di essere in grado di risolvere problemi reali di classificazione, predizione numerica o clustering utilizzando tecniche di Machine Learning. Deve anche dimostrare di saper valutare in modo corretto le prestazioni dei sistemi che realizza.

Per eventuali disturbi dell’apprendimento o disabilità, si prega di prendere visione delle modalità di supporto del CARIS (https://www-2024.caris.uniroma2.it/).

Programma

Sezione I: Apprendimento automatico avanzato e apprendimento profondo.
Apprendimento profondo e intelligenza artificiale. Metodi supervisionati.
Teoria dell'apprendimento statistico: apprendibilità tramite PAC. Apprendimento basato su kernel. Kernel dipendenti da task.
Apprendimento profondo con reti neurali: percettroni, percettroni multistrato, reti neurali profonde. Elaborazione delle immagini con architetture di apprendimento profondo.
Sezione II: Elaborazione neurale del linguaggio.
Modelli neurali per l'elaborazione del linguaggio. Modelli linguistici e reti ricorrenti. Reti neurali basate sull'attenzione. Trasformatori: BERT. Introduzione alle principali piattaforme software per lo sviluppo di software di apprendimento profondo: PyTorch.
Modelli linguistici di grandi dimensioni. Prompting e ottimizzazione delle istruzioni. Modelli neurali per l'inferenza testuale: dall'apprendimento per pochi scatti al prompting.

Sezione III: Applicazioni di apprendimento profondo.
Riconoscimento di oggetti visivi e didascalia automatica delle immagini.
Estrazione di informazioni. Rilevamento di fake news.
Estrazione di opinioni e analisi del sentiment. Analisi della reputazione del marchio e marketing.
Feedback

Modalità d'esame

L'esame valuterà la preparazione complessiva dello studente, inclusa la sua capacità di integrare le conoscenze provenienti da diverse parti del programma, le sue conseguenti capacità di ragionamento e di analisi, nonché la sua autonomia di giudizio. È importante
che gli studenti dimostrino queste abilità durante il corso e nel loro lavoro di progetto.
L'esame mira a valutare la preparazione complessiva dello studente, la sua capacità di integrare la conoscenza di diverse parti del programma, il suo ragionamento consequenziale, la sua capacità di analisi e autonomia di giudizio, nonché la sua proprietà di linguaggio e chiarezza di esposizione, in aderenza con i descrittori di Dublino.

L'esame sarà valutato secondo i seguenti criteri:

Non superato: carenze significative nella conoscenza e comprensione degli argomenti, limitata capacità di analisi e sintesi, frequenti generalizzazioni e limitata capacità critica e di giudizio. Gli argomenti sono esposti in modo incoerente e con un linguaggio inappropriato.
18-21: lo studente ha acquisito i concetti base della disciplina, ma ha una capacità analitica limitata. Il modo di parlare e la lingua usata sono generalmente corretti.
22-25: lo studente ha acquisito in modo discreto i concetti base della disciplina, e sa districarsi tra i vari argomenti trattati. Hanno una capacità di analisi autonoma che possono esprimere con un linguaggio corretto.
26-29: lo studente ha una base di conoscenze ben strutturata. Sono in grado di rielaborare autonomamente le conoscenze acquisite nell'ambito della scelta di materiali convenzionali e non convenzionali a seconda dell'applicazione. Il modo di parlare e il linguaggio tecnico sono corretti.
30 e 30 e lode: lo studente possiede una base di conoscenze completa e approfondita. Possiedono riferimenti culturali ricchi e aggiornati, che esprimono con brillantezza e proprietà di linguaggio tecnico.

Testi di riferimento

ML/DL - Introduction to Deep Neural Learning, Deep Learning, Ian Goodfellow, Yoshua Bengio, Aaron Courville, MIT Press, 2016.
Neural Language Processing. Foundation Models for Natural Language Processing, Gerhard Paaß and Sven Giesselbach, Springer Nature, URL of the book.
Probability and Computing. Introduction to Probability for Computing, Mor Harchol-Balter, Cambridge University Press, URL of the book, 2024.
ML. Pattern Recognition and Machine learning, C. Bishop. Springer. 2006.
Web IR - Bing Liu, Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data. 2nd Edition, July 2011, Springer.
Dispense fornite dal docente

Codice insegnamento 80300166

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

Obiettivo del corso è presentare i principali tecniche di Machine Learning per la soluzione di problemi di classificazione, predizione numerica e clustering e le metodologie di gestione e sviluppo di un processo di…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivo del corso è presentare i principali tecniche di Machine Learning per la soluzione di problemi di classificazione, predizione numerica e clustering e le metodologie di gestione e sviluppo di un processo di Machine Learning, dalla preparazione dei dati alla valutazione dei risultati.
Il corso consentirà anche di sviluppare competenze pratiche nella soluzione di problemi reali tramite tecniche di Machine Learning, grazie ad esercitazioni svolte con tool commerciali e/o open source.

RISULTATI DI APPRENDIMENTO ATTESI
Conoscenza e capacità di comprensione
Lo studente deve conoscere i principali algoritmi di Machine Learning e Deep Learning. Lo studente deve inoltre dimostrare di essere in grado di scegliere l’algoritmo di Machine Learning più adatto a risolvere uno specifico problemi di classificazione e/o predizione numerica e/o clustering, sulla base dei requisiti del problema medesimo. Lo studente deve infine dimostrare di essere in grado di scegliere le opportune tecniche di preparazione dei dati e deve conoscere le tecniche necessarie per la valutazione delle prestazioni di algoritmi di Machine Learning e Deep Learning.

Capacità di applicare conoscenza e comprensione
Lo studente deve dimostrare di essere in grado di risolvere problemi reali di classificazione, predizione numerica o clustering utilizzando tecniche di Machine Learning. Deve anche dimostrare di saper valutare in modo corretto le prestazioni dei sistemi che realizza.

Per eventuali disturbi dell’apprendimento o disabilità, si prega di prendere visione delle modalità di supporto del CARIS (https://www-2024.caris.uniroma2.it/).

Programma

Sezione I: Apprendimento automatico avanzato e apprendimento profondo.
Apprendimento profondo e intelligenza artificiale. Metodi supervisionati.
Teoria dell'apprendimento statistico: apprendibilità tramite PAC. Apprendimento basato su kernel. Kernel dipendenti da task.
Apprendimento profondo con reti neurali: percettroni, percettroni multistrato, reti neurali profonde. Elaborazione delle immagini con architetture di apprendimento profondo.
Sezione II: Elaborazione neurale del linguaggio.
Modelli neurali per l'elaborazione del linguaggio. Modelli linguistici e reti ricorrenti. Reti neurali basate sull'attenzione. Trasformatori: BERT. Introduzione alle principali piattaforme software per lo sviluppo di software di apprendimento profondo: PyTorch.
Modelli linguistici di grandi dimensioni. Prompting e ottimizzazione delle istruzioni. Modelli neurali per l'inferenza testuale: dall'apprendimento per pochi scatti al prompting.

Sezione III: Applicazioni di apprendimento profondo.
Riconoscimento di oggetti visivi e didascalia automatica delle immagini.
Estrazione di informazioni. Rilevamento di fake news.
Estrazione di opinioni e analisi del sentiment. Analisi della reputazione del marchio e marketing.
Feedback

Modalità d'esame

L'esame valuterà la preparazione complessiva dello studente, inclusa la sua capacità di integrare le conoscenze provenienti da diverse parti del programma, le sue conseguenti capacità di ragionamento e di analisi, nonché la sua autonomia di giudizio. È importante
che gli studenti dimostrino queste abilità durante il corso e nel loro lavoro di progetto.
L'esame mira a valutare la preparazione complessiva dello studente, la sua capacità di integrare la conoscenza di diverse parti del programma, il suo ragionamento consequenziale, la sua capacità di analisi e autonomia di giudizio, nonché la sua proprietà di linguaggio e chiarezza di esposizione, in aderenza con i descrittori di Dublino.

L'esame sarà valutato secondo i seguenti criteri:

Non superato: carenze significative nella conoscenza e comprensione degli argomenti, limitata capacità di analisi e sintesi, frequenti generalizzazioni e limitata capacità critica e di giudizio. Gli argomenti sono esposti in modo incoerente e con un linguaggio inappropriato.
18-21: lo studente ha acquisito i concetti base della disciplina, ma ha una capacità analitica limitata. Il modo di parlare e la lingua usata sono generalmente corretti.
22-25: lo studente ha acquisito in modo discreto i concetti base della disciplina, e sa districarsi tra i vari argomenti trattati. Hanno una capacità di analisi autonoma che possono esprimere con un linguaggio corretto.
26-29: lo studente ha una base di conoscenze ben strutturata. Sono in grado di rielaborare autonomamente le conoscenze acquisite nell'ambito della scelta di materiali convenzionali e non convenzionali a seconda dell'applicazione. Il modo di parlare e il linguaggio tecnico sono corretti.
30 e 30 e lode: lo studente possiede una base di conoscenze completa e approfondita. Possiedono riferimenti culturali ricchi e aggiornati, che esprimono con brillantezza e proprietà di linguaggio tecnico.

Testi di riferimento

ML/DL - Introduction to Deep Neural Learning, Deep Learning, Ian Goodfellow, Yoshua Bengio, Aaron Courville, MIT Press, 2016.
Neural Language Processing. Foundation Models for Natural Language Processing, Gerhard Paaß and Sven Giesselbach, Springer Nature, URL of the book.
Probability and Computing. Introduction to Probability for Computing, Mor Harchol-Balter, Cambridge University Press, URL of the book, 2024.
ML. Pattern Recognition and Machine learning, C. Bishop. Springer. 2006.
Web IR - Bing Liu, Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data. 2nd Edition, July 2011, Springer.
Dispense fornite dal docente

Codice insegnamento 80300158

Diagnostiche Per Reattori Nucleari 2° anno · 6 CFU · 0 file

OBIETTIVI FORMATIVI: Il corso si propone di fornire una panoramica delle principali tecniche diagnostiche per lo studio ed il controllo del plasma termonucleare. In pratica, tutte le più importanti tecniche di…

Scheda dell'insegnamento

Scheda dell'a.a. 2025/2026: quella dell'anno in corso non è ancora pubblicata.

Obiettivi formativi

OBIETTIVI FORMATIVI: Il corso si propone di fornire una panoramica delle principali tecniche diagnostiche per lo studio ed il controllo del plasma termonucleare. In pratica, tutte le più importanti tecniche di misurazione della fisica sono rappresentate in un reattore a fusione. L'ambiente ostile, di questo tipo di reattori, richiede una particolare attenzione ai vari dettagli di implementazione, che vanno dalla compatibilità elettromagnetica alla riduzione del rumore e alla resistenza alle radiazioni nucleari. Inoltre, l'integrazione in una visione olistica del plasma è un obiettivo didattico molto importante. CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Gli studenti vengono introdotti a tutte le principali tecniche di misurazione in fisica. Ogni diagnostica può essere considerata un esperimento indipendente e quindi tutti gli aspetti, dai principi fisici di base ai dettagli dell'implementazione, vengono affrontati. CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Nel corso vengono presentati gli output di molti sistemi diagnostici, dando agli studenti la capacità di comprendere le proprietà di base dei plasmi termonucleari. AUTONOMIA DI GIUDIZIO: Poiché il corso copre tutti gli aspetti delle principali diagnostiche, dall'hardware all'acquisizione dei dati e ai principali problemi di analisi dei dati, gli studenti sono pronti ad iniziare a lavorare sulla diagnostiche principali per i reattori a fusione. Il corso fornisce delle basi indispensabili per effettuare misure in qualunque tipo di esperimento di fisica. ABILITÀ COMUNICATIVE: Il progetto che viene richiesto di sviluppare, in piccolo gruppi, ha esplicitamente lo scopo di consentire agli studenti di sviluppare le proprie capacità comunicative, soprattutto in inglese. CAPACITÀ DI APPRENDIMENTO: Il corso fornisce agli studenti le competenze per l��interpretazione delle misurazioni fisiche ed il background culturale per contribuite, con le misure stesse, all��interpretazione degli esperimenti nel loro complesso.

Programma

OBIETTIVI FORMATIVI: Il corso si propone di fornire una panoramica delle principali tecniche diagnostiche per lo studio ed il controllo del plasma termonucleare. In pratica, tutte le più importanti tecniche di misurazione della fisica sono rappresentate in un reattore a fusione. L'ambiente ostile, di questo tipo di reattori, richiede una particolare attenzione ai vari dettagli di implementazione, che vanno dalla compatibilità elettromagnetica alla riduzione del rumore e alla resistenza alle radiazioni nucleari. Inoltre, l'integrazione in una visione olistica del plasma è un obiettivo didattico molto importante. CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Gli studenti vengono introdotti a tutte le principali tecniche di misurazione in fisica. Ogni diagnostica può essere considerata un esperimento indipendente e quindi tutti gli aspetti, dai principi fisici di base ai dettagli dell'implementazione, vengono affrontati. CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Nel corso vengono presentati gli output di molti sistemi diagnostici, dando agli studenti la capacità di comprendere le proprietà di base dei plasmi termonucleari. AUTONOMIA DI GIUDIZIO: Poiché il corso copre tutti gli aspetti delle principali diagnostiche, dall'hardware all'acquisizione dei dati e ai principali problemi di analisi dei dati, gli studenti sono pronti ad iniziare a lavorare sulla diagnostiche principali per i reattori a fusione. Il corso fornisce delle basi indispensabili per effettuare misure in qualunque tipo di esperimento di fisica. ABILITÀ COMUNICATIVE: Il progetto che viene richiesto di sviluppare, in piccolo gruppi, ha esplicitamente lo scopo di consentire agli studenti di sviluppare le proprie capacità comunicative, soprattutto in inglese. CAPACITÀ DI APPRENDIMENTO: Il corso fornisce agli studenti le competenze per l��interpretazione delle misurazioni fisiche ed il background culturale per contribuite, con le misure stesse, all��interpretazione degli esperimenti nel loro complesso.

Codice insegnamento 80300116

Ingegneria Del Software E Progettazione Web 2° anno · 12 CFU · 0 file

OBIETTIVI FORMATIVI: L'insegnamento si propone di fornire le nozioni fondamentali di ingegneria del web e porgettazione web. Nello specifico, gli obiettivi formativi riguardano: �� Studio delle techniche per ognuna delle…

Scheda dell'insegnamento

Scheda dell'a.a. 2025/2026: quella dell'anno in corso non è ancora pubblicata.

Obiettivi formativi

OBIETTIVI FORMATIVI: L'insegnamento si propone di fornire le nozioni fondamentali di ingegneria del web e porgettazione web. Nello specifico, gli obiettivi formativi riguardano: �� Studio delle techniche per ognuna delle seguenti fasi dello sviluppo del software: o Requisiti: funzionali, casi d��uso, storie utente, gestione dei cambiamenti. o Progettazione: Specifca e progettazione UML: class diagram, state diagram, sequence diagram, activity diagram. Prototipi di interfaccia. Design patterns. o Implementazione: Orientamento agli ogetti e analisi statica (e.g., SonarCloud). o Integrazione continua: Travis. o Issue tracking: JIRA e GitHub. o Version Control: SVN o Testing: test di unità (Junit) e di interfacce web (Selenium). CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Al termine del corso lo studente avrà acquisito i concetti fondamentali sullo sviluppo di sistemi software con particolare riguardo alle fasi di gestione dei requisiti, progettazione, implementazione e testing. CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Al termine del corso lo studente avrà acquisito le metodologie per lo sviluppo di sistemi software. AUTONOMIA DI GIUDIZIO: Al termine del corso lo studente sarà in grado di giudicare autonomamente sistemi software e web. ABILITÀ COMUNICATIVE: Al termine del corso lo studente avrà acquisito padronanza della terminologia relativa allo sviluppo, progettazione e testing di sistemi software e web. CAPACITÀ DI APPRENDIMENTO: Al termine del corso lo studente avrà acquisito la capacità di intraprendere in autonomia ulteriori approfondimenti su argomenti attinenti l��ingengeria del software, e di utilizzare le conoscenze e metodologie imparate per affrontare problemi nuovi.

Programma

OBIETTIVI FORMATIVI: L'insegnamento si propone di fornire le nozioni fondamentali di ingegneria del web e porgettazione web. Nello specifico, gli obiettivi formativi riguardano: �� Studio delle techniche per ognuna delle seguenti fasi dello sviluppo del software: o Requisiti: funzionali, casi d��uso, storie utente, gestione dei cambiamenti. o Progettazione: Specifca e progettazione UML: class diagram, state diagram, sequence diagram, activity diagram. Prototipi di interfaccia. Design patterns. o Implementazione: Orientamento agli ogetti e analisi statica (e.g., SonarCloud). o Integrazione continua: Travis. o Issue tracking: JIRA e GitHub. o Version Control: SVN o Testing: test di unità (Junit) e di interfacce web (Selenium). CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Al termine del corso lo studente avrà acquisito i concetti fondamentali sullo sviluppo di sistemi software con particolare riguardo alle fasi di gestione dei requisiti, progettazione, implementazione e testing. CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Al termine del corso lo studente avrà acquisito le metodologie per lo sviluppo di sistemi software. AUTONOMIA DI GIUDIZIO: Al termine del corso lo studente sarà in grado di giudicare autonomamente sistemi software e web. ABILITÀ COMUNICATIVE: Al termine del corso lo studente avrà acquisito padronanza della terminologia relativa allo sviluppo, progettazione e testing di sistemi software e web. CAPACITÀ DI APPRENDIMENTO: Al termine del corso lo studente avrà acquisito la capacità di intraprendere in autonomia ulteriori approfondimenti su argomenti attinenti l��ingengeria del software, e di utilizzare le conoscenze e metodologie imparate per affrontare problemi nuovi.

Codice insegnamento 8039123

Meccanica Applicata Alle Macchine 2° anno · 9 CFU · IIND-02/A · 0 file
Archivio Globale

OBIETTIVI FORMATIVI: Il corso di Meccanica Applicata alle Macchine ha i seguenti obiettivi formativi: fornire conoscenze sui metodi di analisi cinematica e di sintesi dei meccanismi piani; illustrare i metodi di…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI: Il corso di Meccanica Applicata alle Macchine ha i seguenti obiettivi formativi: fornire conoscenze sui metodi di analisi cinematica e di sintesi dei meccanismi piani; illustrare i metodi di analisi statica, dinamica e di valutazione dell’efficienza dei sistemi meccanici; fornire competenze relative alle trasmissioni meccaniche; illustrare i metodi di risoluzione per sistemi caratterizzati da vibrazioni meccaniche. Tutto ciò verrà trattato attraverso un’impostazione rigorosa di modelli analitici.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Gli studenti acquisiranno una solida conoscenza dei metodi di analisi cinematica e sintesi dei meccanismi piani, comprendendo e applicando i principi della cinematica per descrivere e identificare i diversi tipi di movimenti nei sistemi meccanici piani e sintetizzare meccanismi per ottenere moti specifici. Inoltre, comprenderanno le leggi della statica e della dinamica applicate ai sistemi meccanici, sviluppando la capacità di analizzare forze e momenti e valutare l'efficienza dei sistemi considerando perdite energetiche e attriti. Le competenze nelle trasmissioni meccaniche includeranno la conoscenza dei vari tipi di trasmissioni, come sistemi a cinghia e a ruote dentate, e la capacità di progettare e dimensionare queste trasmissioni per diverse applicazioni, comprendendone le caratteristiche operative e le limitazioni. Infine, gli studenti apprenderanno i metodi di risoluzione per sistemi caratterizzati da vibrazioni meccaniche, comprendendo i fenomeni di vibrazione e sviluppando la capacità di analizzare e risolvere problemi correlati utilizzando metodi analitici, nonché progettare sistemi meccanici per minimizzare le vibrazioni e garantire stabilità e prestazioni ottimali.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Grazie all’ausilio di esercitazioni grafiche e numeriche, gli studenti svilupperanno la capacità di applicare le conoscenze acquisite per risolvere problemi reali di progettazione meccanica attraverso metodi di analisi cinematica e sintesi dei meccanismi piani, progettando e ottimizzando questi meccanismi per specifiche applicazioni ingegneristiche. Saranno in grado di eseguire analisi statica e dinamica su componenti e sistemi meccanici, utilizzando strumenti matematici e linguaggi di programmazione per valutare l'efficienza e le prestazioni dei sistemi. Inoltre, acquisiranno competenze nella progettazione e analisi delle trasmissioni meccaniche, implementando e testando tali sistemi in prototipi e applicazioni industriali, e sviluppando soluzioni innovative per migliorarne le prestazioni. Infine, gli studenti saranno capaci di diagnosticare e risolvere problemi di vibrazione nei sistemi meccanici, applicando tecniche di controllo delle vibrazioni per migliorare la durata e l'affidabilità delle macchine.

AUTONOMIA DI GIUDIZIO: Lo studente svilupperà la capacità di valutare criticamente e selezionare i metodi di analisi più appropriati per la progettazione e ottimizzazione dei meccanismi piani, nonché per l'analisi statica e dinamica dei sistemi meccanici. Sarà in grado di interpretare le specifiche tecniche dei componenti meccanici e di scegliere i dispositivi più idonei alle esigenze applicative, dimostrando autonomia nella decisione di implementare e testare soluzioni innovative. Inoltre, saprà diagnosticare e risolvere problemi complessi di vibrazione nei sistemi meccanici, applicando tecniche avanzate per il controllo delle vibrazioni e migliorando così la durata e l'affidabilità delle macchine. Queste competenze consentiranno allo studente di prendere decisioni informate e autonome in contesti ingegneristici complessi.

ABILITÀ COMUNICATIVE: Lo studente svilupperà la capacità di comunicare in modo chiaro e preciso concetti complessi relativi alla cinematica, alla dinamica e alle vibrazioni dei sistemi meccanici. Sarà in grado di redigere documentazioni tecniche dettagliate e relazioni di progetto, utilizzando un linguaggio appropriato e strumenti grafici per illustrare i risultati delle analisi. Inoltre, lo studente sarà in grado di presentare verbalmente le proprie soluzioni ingegneristiche in maniera efficace, sia in contesti accademici che professionali, e di collaborare con team multidisciplinari, condividendo informazioni e idee in modo coerente e strutturato. Queste abilità comunicative consentiranno di interagire con colleghi, clienti e fornitori, facilitando il trasferimento di conoscenze e contribuendo al successo dei progetti ingegneristici.

CAPACITÀ DI APPRENDIMENTO: Lo studente svilupperà la capacità di apprendere in modo autonomo e continuo, mantenendosi aggiornato sui progressi tecnologici e metodologici nel campo della meccanica applicata. Sarà in grado di utilizzare efficacemente risorse bibliografiche, banche dati e strumenti digitali per approfondire le proprie conoscenze e acquisire nuove competenze. Inoltre, lo studente sarà capace di integrare le conoscenze teoriche con esperienze pratiche, analizzando criticamente le proprie prestazioni e identificando aree di miglioramento. Queste capacità di apprendimento garantiranno la flessibilità e l'adattabilità necessarie per affrontare le sfide professionali e continuare a crescere nel proprio percorso di sviluppo personale e professionale.

Programma

ANALISI CINEMATICA E SINTESI DI MECCANISMI PIANI (4.5 CFU): Struttura cinematica dei meccanismi. Definizioni elementari. Coppie cinematiche e criteri di classificazione. Calcolo dei gradi di libertà in un meccanismo con formule di Gruebler e Kutzbach. Corrispondenza grafi-meccanismi. Il metodo delle equazioni di chiusura. Analisi delle configurazioni. Iterazione di Newton-Raphson. Metodo matriciale calcolo dei gradi di libertà. Richiami delle principali relazioni tra velocità ed accelerazione nei moti rigidi. Il metodo dei diagrammi polari. L'accelerazione di Coriolis nei meccanismi. Teorema di Aronhold-Kennedy. La regola di Grashof.Moti finiti. Centro della rotazione finita. Sintesi grafica del quadrilatero articolato per due e tre spostamenti: Matrici di spostamento dei moti assoluti e relativi. Metodo di Suh-Radcliffe e sue estensioni. Equazione di Freudenstein. Polari del moto. Analisi della curvatura. Equazione di Euler-Savary. Centro delle accelerazioni. Circonferenza dei flessi e di stazionarietà. Generazione profili coniugati (metodo dell'epiciclo). Teorema di Freudenstein.
STATICA, DINAMICA E RENDIMENTO DEI SISTEMI MECCANICI (2 CFU): Classificazione delle forze agenti nelle macchine. Sistemi di forze equivalenti. Risultante delle forze: Poligoni funicolari. Equazione di bilancio energetico nelle macchine. Rendimento di meccanismi in serie ed in parallelo. Rendimento meccanico di macchine semplici. Riduzione delle masse e delle rigidezze. Richiami dinamica del corpo rigido. Principio dei lavori virtuali e sue applicazioni all'analisi statica e dinamica. Analisi dinamica inversa dei meccanismi articolati piani: quadrilatero e manovellismo di spinta.Riduzione delle azioni d'inerzia. Modello semplificato della dinamica di un manovellismo di spinta.Metodo di Tredgold per il dimensionamento del volano.

TRASMISSIONI MECCANICHE (1.5 CFU: Classificazione delle trasmissioni per ingranaggi. Caratteristiche dei profili ad evolvente. Il proporzionamento modulare. Linea d’ingranamento ed arco d’azione. L’interferenza e metodi per la sua eliminazione. Minimo numero di denti. Ruote a denti elicoidali. Analisi cinematica di rotismi epicicloidali. Formula di Willis. Tipologie di giunti meccanici: giunto cardanico, Tracta, Tripode, Rzeppa. Condizioni geometriche per trasmissione omocinetica del moto.
VIBRAZIONI (1 CFU): Vibrazioni libere e forzate dei sistemi lineari ad 1 g.d.l. Determinazione sperimentale del fattore di smorzamento: Metodo del decremento logaritmico e della potenza media dissipata. Coefficiente di amplificazione dinamica. Vibrazioni dei sistemi a base mobile. Coefficienti di trasmissibilità. Cenni sulle velocità critiche flessionali. Esempi di isolamento delle vibrazioni. Sistemi lineari a 2 g.d.l. Cenni sullo smorzatore dinamico delle vibrazioni. Metodi numerici di integrazione: Eulero, Heun e Runge. Vibrazioni dei sistemi ad n g.d.l. Ortogonalità dei modi di vibrare. Disaccoppiamento delle equazioni del moto.

Modalità d'esame

L'apprendimento verrà verificato attraverso la valutazione di progetti, una prova scritta e una prova orale. I progetti, generalmente due, sono obbligatori e vengono assegnati in itinere durante il l’anno accademico di frequenza. Devono essere consegnati prima della data del primo appello disponibile. La prova scritta è valutata in trentesimi ed è accessibile solamente a coloro i quali hanno consegnato i progetti. Si svolge in 90 minuti, ed è composta da quattro quesiti che possono essere di natura teorica o applicativa (esercizi grafico-numerici). La prova orale, anche questa valutata in trentesimi, è accessibile solo agli studenti che hanno superato la prova scritta. Questa prevede un numero di quesiti sufficientemente ampio per verificare la solidità della preparazione dell’allievo durante ad un colloquio.
Il giudizio complessivo viene quindi formulato attraverso la media della prova scritta e della prova orale, con un possibile bonus correlato alla valutazione dei progetti.
L’assegnazione del voto finale verrà quindi fatta rispettando i seguenti criteri:
Non idoneo: importanti carenze e/o inaccuratezze 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.
    I risultati di apprendimento attesi circa le conoscenze acquisite nel corso e la capacità di applicarle sono valutate sia nella prova scritta che nella prova orale; le abilità comunicative sono verificate nella prova orale; le capacità di trarre conclusioni e la capacità di autoapprendimento sono valutate in itinere attraverso la valutazione dei progetti.
    Sia i risultati della prova scritta, sia la convocazione per la prova orale, avverranno attraverso la piattaforma Teams nel canale di riferimento del corso.

Testi di riferimento

1) N.P. Belfiore, A. Di Benedetto, E. Pennestrì; Fondamenti di Meccanica Applicata alle Macchine, terza edizione, Casa Editrice Ambrosiana, Milano
2) A. Di Benedetto, E. Pennestrì; Introduzione alla Cinematica dei Meccanismi, Casa Editrice Ambrosiana, Milano, voll.I, II, III.
3) E. Pennestrì; Dinamica Tecnica e Computazionale, Casa Editrice Ambrosiana, Milano, vol. I.
4) E. Pennestrì, M.Cera; Engineering Kinematics – Curvature Theory of Plane Motion
5) E. Pennestrì; Engineering Kinematics - Mechanisms design for finitely separated positions
6) E. Pennestrì; Notes on Elementary Curvature Analysis
7) R. Norton; Design of Machinery: An Introduction To The Synthesis and Analysis of Mechanisms and Machines,.
8) J. Denavit, R.S. Hartenberg; Kinematic Synthesis of Linkages (pdf available online)
9) Rao, S.S, Mechanical Vibrations, Wiley & Sons

Codice insegnamento 8037385

Modellazione E Simulazione Di Sistemi Fisiologici 2° anno · 6 CFU · 0 file
Modellazione E Simulazione Di Sistemi Fisiologici 2° anno · 9 CFU · 0 file
Performance Modeling Of Computer Systems And Networks 2° anno · 9 CFU · IINF-05/A · 0 file

OBIETTIVI FORMATIVI: Obiettivo del corso è quello di dotare lo studente di strumenti e metodi per affrontare con rigore scientifico problemi di pianificazione, progettazione e gestione di sistemi, reti e servizi. In…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI:
Obiettivo del corso è quello di dotare lo studente di strumenti e metodi per affrontare con rigore scientifico problemi di pianificazione, progettazione e gestione di sistemi, reti e servizi.
In particolare, il corso si rivolge alla modellistica simulativa ed analitica per la valutazione delle prestazioni. Il corso estende la tradizionale trattazione con elementi derivati dai più attuali contesti applicativi.
Con riferimento alle linee guida riportate nel documento: “ACM/IEEE-CS- Computer Science Curricula 2013)” (www.acm.org/education/CS2013-final-report.pdf), il corso contribuisce a coprire le seguenti aree e relativi obiettivi:

  • CN. Computational Science: Introduzione alla Modellistica e Simulazione; Modellistica e Simulazione;
  • OS. Operating Systems: Valutazione delle prestazioni del sistema
  • PD. Parallel and Distributed Computing: Performance dei sistemi distribuiti e paralleli
  • SF. Systems Fundamentals: Valutazione; Allocazione delle risorse e scheduling; Valutazione Quantitativa

CONOSCENZA E CAPACITÀ DI COMPRENSIONE:
Al termine del corso lo studente avrà acquisito la conoscenza dei seguenti argomenti: indici di prestazione di sistemi informatici e reti; modelli per la valutazione delle prestazioni; sviluppo di un modello di simulazione; progetto degli esperimenti di un simulatore; analisi statistica dell'output di simulazione.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:
Al termine del corso lo studente avrà la capacità di utilizzare le conoscenze acquisite per modellare un sistema a partire da un obiettivo, progettare esperimenti e validare i risultati per mezzo di modelli analitici e simulativi.

AUTONOMIA DI GIUDIZIO:
Al termine del corso lo studente avrà acquisito gli elementi di base e gli strumenti per valutare il progetto o il miglioramento di un sistema vincolato da requisiti di qualità e prestazioni.

ABILITÀ COMUNICATIVE:
Al termine del corso lo studente avrà acquisito la capacità di acquisire, comprendere e comunicare il comportamento prestazionale di sistemi come anche orientamenti e decisioni per la loro gestione.

CAPACITÀ DI APPRENDIMENTO:
Al termine del corso lo studente avrà acquisito la capacità di comprendere con facilità il comportamento prestazionale di nuovi sistemi, e di individuarne le principali specificità e/o criticità in merito alla loro efficienza.

Programma

  • Introduzione alla modellazione:
  • Valutazione delle prestazioni e tecniche modellistiche
  • Sistemi a coda
  • Sistemi a singola- e multi-risorsa
  • Modelli di simulazione
  • Trace driven, event driven, next event
  • Metodi statistici per l’analisi dell’output
  • Modelli analitici
  • Risultati di base
  • Analisi operazionale
  • Forme Prodotto, processi di Markov
  • Applicazioni
  • Sever farms
  • Reti wireless e applicazioni Internet
  • Allocazione delle risorse

Modalità d'esame

La prova di valutazione si articola in:

  • una prova scritta costituita da problemi a risposta libera mirati ad appurare il livello di competenza raggiunto nelle varie parti del programma, in particolare con riferimento ai modelli analitici;
  • un progetto di simulazione da presentare durante l’ esame orale.

La prova di esame valuta la preparazione complessiva dello studente, la capacità di integrazione delle conoscenze delle diverse parti del programma, la capacità analitica e quella di interpretare il comportamento prestazionale del sistema.
Inoltre vengono valutate la proprietà di linguaggio e la chiarezza espositiva, in aderenza con i descrittori di Dublino: 1. conoscenza e capacità di comprensione; 2. capacità di applicare la conoscenza e comprensione; 3. autonomia di giudizio; 4. capacità di apprendimento; 5. abilità di comunicazione.
In particolare, la prova di esame sarà valutata secondo i seguenti criteri:

Insufficiente: importanti carenze e/o inaccuratezze nella conoscenza e comprensione degli argomenti, limitate capacità di analisi e sintesi, incoerenza nell'esposizione degli argomenti;

18 - 23 nelle diverse graduazioni questo range di voti esprime un livello sufficiente ma limitato delle seguenti competenze: conoscenza e comprensione degli argomenti, capacità di analisi e sintesi dei risultati, efficacia di esposizione del problema, obiettivi e risultati

24 - 27 nelle diverse graduazioni questo range di voti esprime un livello discreto delle seguenti competenze: conoscenza e comprensione degli argomenti, completezza delle diverse metodologie di analisi, capacità di analisi e sintesi dei risultati, efficacia di esposizione del problema, obiettivi e risultati

28 - 30 nelle diverse graduazioni questo range di voti esprime un livello alto delle seguenti competenze: conoscenza e comprensione degli argomenti e delle metodologie, capacità di analisi e sintesi, autonomia di giudizio e capacità di interpretazione dei comportamenti dei sistemi, efficacia di esposizione del problema, obiettivi e risultati

30 L ottimo livello di conoscenza e comprensione approfondita e completa degli argomenti, ottime capacità di analisi, sintesi e di autonomia di giudizio, ottime capacità di inferire il comportamento dei sistemi, scelta originale di un caso di studio di interesse, notevoli capacità espressive e di presentazione dei risultati.

Testi di riferimento

Peter J. Denning, J.P. Buzen
The Operational Analysis of Queueing Network Models
ACM Computing Surveys, Volume 10, Issue 3, Sept. 1978

Edward D. Lazowska, John Zahorjan, G. Scott Graham, Kenneth C. Sevcik
Quantitative System Performance: Computer System Analysis using Queueing Network Models
Prentice-Hall, 1984

G. Serazzi, Performance Engineering, Springer Open Access

Walter Willinger, Murad S. Taqqu, Will E. Leland, Daniel V. Wilson Self-Similarity in High-Speed Packet Traffic: Analysis and Modeling of Ethernet Traffic Measurements
Statist. Sci. 10(1): 67-85, February, 1995

W. Willinger, M. S. Taqqu, R. Sherman, D. V. Wilson
Self-similarity through high-variability: statistical analysis of ethernet LAN traffic at the source level
SIGCOMM '95: Proceedings of the conference on Applications, technologies, architectures, and protocols for computer communication, October 1995

Mark E. Crovella and Azer Bestavros
Self-Similarity in World Wide Web Traffic: Evidence and Possible Causes
IEEE/ACM Transactions on Networking
Vol 5, Number 6, pages 835-846, December 1997

M.E. Crovella, M.S. Taqqu
Estimating the Heavy Tail Index from Scaling Properties
Methodology and Computing in Applied Probability 1, 55–79, 1999

Peter J. Denning
Operational Analysis
http://hdl.handle.net/10945/35469

S. Kurkowski, T. Camp, M. Colagrosso
MANET Simulation Studies: The Incredibles
ACM SIGMOBILE Mobile Computing and Communications Review, Volume 9, Number 4, October 2005

Q. Liu, X. Zhao, W. Willinger, X. Wang, B. Y. Zhao, H. Zheng
Self-Similarity in Social Network Dynamics
ACM Transactions on Modeling and Performance Evaluation of Computing Systems, Vol. 2, Issue 1, No. 5, 2017

John Ousterhout
Always measure one level deeper
Communications of the ACM, July 2018, Vol. 61 No. 7, Pages 74-83

Codice insegnamento 8039229

Prototipazione Virtuale 2° anno · 6 CFU · IIND-02/A · 0 file

OBIETTIVI FORMATIVI: L' insegnamento si propone di fornire agli studenti le nozioni avanzate per la costruzione di modelli simulativi a supporto della progettazione di sistemi industriali. Lo scopo è anche quello di…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI:
L' insegnamento si propone di fornire agli studenti le nozioni avanzate per la costruzione di modelli simulativi a supporto della progettazione di sistemi industriali. Lo scopo è anche quello di fornire agli studenti competenze avanzate per l'impiego di applicativi software commerciali per l'ausilio nella costruzione dei prototipi virtuali.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE:
Come corso specializzante, si richiede che gli studenti siano in grado di comprendere i contenuti del corso per saperli applicare ai casi pratici. CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:
Come comprensione e applicazione delle conoscenze si chiede di lavorare ad un progetto di gruppo come specchio di verifica. Il progetto mima ciò che accade nelle realtà applicative industriali.
AUTONOMIA DI GIUDIZIO:
Nello sviluppo del progetto si chiede agli studenti di maturare uno spirito critico, prendere decisioni e giustificarle, stimolando l'autonomia di giudizio e la maturità tecnica.
ABILITÀ COMUNICATIVE:
La costruzione dei prototipi virtuali richiede lo sviluppo delle capacità espressive del linguaggio tecnico, inclusa la nomenclatura di componenti e sistemi.
CAPACITÀ DI APPRENDIMENTO:
La capacità di apprendimento viene stimolata nella comprensione del funzionamento e della morfologia di sistemi meccanici complessi (e/o sistemi biomeccanici) che dovrà poi essere studiato, simulato e ottimizzato mediante le tecniche simulative avanzate nei progetti di gruppo. Lo studio di tali sistemi, sotto la guida del docente, stimola la capacità di apprendimento.

Programma

Introduzione al corso. Introduzione alle problematiche e gli strumenti
dell’ingegneria virtuale. La schematizzazione delle geometrie: modellatori
wireframe, B-Rep, CSG, Octree, poligonali. Modellazione parametrica basata
su lavorazioni. Schematizzazione matematica delle entità di modellazione:
curve e superfici interpolanti ed approssimanti. Interpolazione lineare e
quadratica. I polinomi di Lagrange. Curve di Bézier. Curve di Hérmite. Curve
e superfici Bspline e NURBS. Patch di Coons. Esempi e implementazioni
numeriche. Cenni di geometria differenziale di curve e superfici impiegate in
ambiente CAD. Classi di precisione delle superfici. I sistemi CAE
commerciali: caratteristiche, limiti e campi di applicazione. Strategie ed
approcci alla modellazione parametrica: parti, assiemi, documentazione
tecnica. Modellazione top down e bottom up. Lo schizzo 2D e 3D: entità,
vincoli geometrici e dimensionali. Gli schizzi di layout e gli schizzi cinematici.
Le operazioni di modellazione solida di base e le operazioni di modellazione
solida avanzate. Operatori booleani e deformatori a forma libera.
Modellazione di superfici. Modellazione di parti in lamiera. Configurazioni ed
equazioni di modellazione. Vincoli di assieme statici, dinamici e superiori.
Assiemi flessibili. Utilizzo ed implementazione di librerie di parti e lavorazioni.
Analisi di funzionalità di parti e assiemi. Preparazione automatica e
semiautomatica della documentazione tecnica. Personalizzazioni e messa in
tavola. Cenni alle metodologie di ingegneria inversa in ambiente CAD.
Algoritmi ed implementazioni di resa foto realistica. Formati di interscambio
dati di modellazione. Analisi dei costi di costruzione e montaggio assistita dal
calcolatore. Esempi di applicazione.

Modalità d'esame

L'apprendimento viene verificato con un esame finale che consiste in due
prove. La prima è una prova applicativa al calcolatore elettronico volta alla
costruzione di un prototipo virtuale e all'analisi dei relativi costi a partire da
disegni tecnici e la seconda è la discussione di un progetto di gruppo
assegnato a inizio corso.
Al voto in trentesimi della prova applicativa si aggiunge un bonus tra 0 e 4.5
punti del progetto di gruppo.

Testi di riferimento

Kuang-Hua Chang “E-Design”, Academic Press, Elsevier
Farin G. ''Curves and Surfaces for CAGD'‘, Morgan Kaufmann Pub., USA
Piegel L., Tiller W. “The Nurbs Book”, Springer

Codice insegnamento 8039518

Prova Finale 2° anno · 12 CFU · 0 file

Prova finale.

Scheda dell'insegnamento

Obiettivi formativi

Prova finale.

Programma

Prova finale.

Codice insegnamento 8038824

Satellite Earth Observation 2° anno · 6 CFU · IINF-02/A · 0 file

OBIETTIVI FORMATIVI: Conoscenza e individuazione delle orbite satellitari per il monitoraggio terrestre. Conoscenza dei requisiti e dei parametri operativi degli strumenti dedicati all'Osservazione della Terra a distanza…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI:
Conoscenza e individuazione delle orbite satellitari per il monitoraggio terrestre. Conoscenza dei requisiti e dei parametri operativi degli strumenti dedicati all'Osservazione della Terra a distanza nelle diverse bande dello spettro elettromagnetico. Conoscenza dei principi fisici alla base del telerilevamento. Conoscenza delle procedure di elaborazione dei dati telerilevati multitemporali e multispettrali. Conoscenza dei metodi che consentono di raggiungere i due principali obiettivi del telerilevamento: classificazione e inversione

CONOSCENZA E CAPACITÀ DI COMPRENSIONE:
Il corso mira a fornire gli strumenti per conoscere e comprendere le tecnologie e le metodologie di Osservazione della Terra nei più importanti e consolidati campi applicativi.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:
Lo studente acquisirà le conoscenze e le metodologie per analizzare e risolvere problemi tipici dell'Osservazione della Terra, dallo studio di missione all'utilizzo e applicazione di metodi matematici

AUTONOMIA DI GIUDIZIO:
Lo studente sarà in grado di scegliere criticamente le tecniche di telerilevamento più idonee per il monitoraggio delle variabili geo-fisiche di interesse

ABILITÀ COMUNICATIVE:
Lo studente acquisirà capacità di comunicazione delle tematiche di Osservazione della Terra dimostrando una conoscenza delle teorie fisiche e delle applicazioni sperimentali, e adoperando la terminologia più specifica

CAPACITÀ DI APPRENDIMENTO:
Lo studente avrà appreso le procedure di utilizzo e elaborazione di dati ottici e a microonde; questo gli consentirà di affrontare in autonomia le problematiche relative all'Osservazione della Terra mediante le tecniche più avanzate.

Per eventuali disturbi dell’apprendimento o disabilità, si prega di prendere visione delle modalità di supporto del CARIS (https://www-2024.caris.uniroma2.it/).

Programma

Prima parte:
Leggi di Keplero e parametri orbitali. Orbite geostazionarie ed eliosincrone. Tracce al nadir. Intervallo fondamentale. Copertura. Periodo di ciclo e tempo di rivisita. Parametri orbitali e tracce al nadir dei principali satelliti per il telerilevamento. Messa in orbita e manovre satellitari. Missioni spaziali per l'osservazione della Terra: segmento terreno e segmento spaziale.
Seconda parte:
Principali basi fisiche del telerilevamento. Quantità radiative misurate dai sensori. Definizione di riflettanza e coefficiente di scattering. Strumenti attivi e passivi: principi di funzionamento e loro caratteristiche. Risoluzione spaziale, radiometrica, spettrale, temporale. Caratteristiche e proprietà radiometriche e geometriche delle immagini ottiche e radar. Calibrazione radiometrica di immagini ottiche. Correzione atmosferica assoluta, relativa, empirica. Errori geometrici sistematici e non. Rettificazione, registrazione e ricampionamento.
Terza parte:
Generazione di prodotti per applicazioni Internet. Immagini TCC e FCC. Caratteristiche spettrali del terreno e della vegetazione nelle bande ottiche e a microonde. Analisi multispettrale. Change detection e applicazione al monitoraggio delle alluvioni. Mappe NDVI. Mappe di velocità del vento sul mare. Mappe di temperatura del mare. Identificazione delle superfici calde: incendi e lava. Istogrammi e parametri statistici dei dati telerilevati. Trasformate spaziali e spettrali. Componenti principali. Trasformazione "Tasseled Cap” e indici di vegetazione. Classificazione e generazione di mappe tematiche. Feature space. Metodi Supervised. Metodi unsupervised. Valutazione accuratezza. Riflettometria GNSS: sue potenzialità e applicazioni.

Modalità d'esame

La prova di esame valuta, la preparazione complessiva dello studente, la capacità di integrazione delle conoscenze delle diverse parti del programma, la consequenzialità del ragionamento, la capacità analitica e la autonomia di giudizio. Inoltre vengono valutate la proprietà di linguaggio e la chiarezza espositiva, in aderenza con i descrittori di Dublino (1.Conoscenza e capacità di comprensione (knowledge and understanding); 2. Capacità di applicare la conoscenza e comprensione (applying knowledge and understanding); 3. Autonomia di giudizio (making judgements); 4. Capacità di apprendimento (learning skills); 5: Abilità di comunicazione (communication skills).
Il voto finale sarà rapportato per il 70% al grado di conoscenza e per il 30% alla capacità espressiva e di giudizio autonomo dimostrate dallo studente.
La prova di esame sarà valutata secondo i seguenti criteri:
Non idoneo: importanti carenze e/o inaccuratezze nella conoscenza e comprensione degli argomenti; limitate capacità di analisi e sintesi, frequenti generalizzazioni e limitate capacità critiche e di giudizio , gli argomenti sono esposti in modo non coerente e con linguaggio
inappropriato,
18-20: conoscenza e comprensione degli argomenti appena sufficiente con possibili generalizzazioni e imperfezioni; capacità di analisi sintesi e autonomia di giudizio sufficienti, gli argomenti sono esposti in modo frequentemente poco coerente e con un linguaggio poco appropriato/tecnico,
21-23: Conoscenza e comprensione degli argomenti routinaria; Capacità di analisi e sintesi corrette con argomentazione logica sufficientemente coerente e linguaggio appropriato/tecnico
24-26: Discreta conoscenza e comprensione degli argomenti; buone capacità di analisi e sintesi con argomentazioni espresse in modo rigoroso ma con un linguaggio non sempre appropriato/tecnico.
27-29: Conoscenza e comprensione degli argomenti completa; notevoli capacità di analisi e sintesi. Buona autonomia di giudizio. Argomenti esposti in modo rigoroso e con linguaggio appropriato/tecnico
30-30L: Ottimo livello di conoscenza e comprensione approfondita degli argomenti. Ottime capacità di analisi, di sintesi e di autonomia di giudizio. Argomentazioni espresse in modo esaustivo.

Testi di riferimento

P.A. Brivio, G. Lechi, E. Zilioli, “Principi e metodi di Telerilevamento”, Città Studi Edizioni, 2006
W.G. Rees, “Physical Principles of Remote Sensing”, Cambridge University Press, 2001
J-A. Richards, “Remote Sensing Digital Image Analysis. An Introduction”, Springer-Verlag, 1986

Codice insegnamento 80300720

Satellite Earth Observation 2° anno · 9 CFU · IINF-02/A · 0 file

OBIETTIVI FORMATIVI: Conoscenza e individuazione delle orbite satellitari per il monitoraggio terrestre. Conoscenza dei requisiti e dei parametri operativi degli strumenti dedicati all'Osservazione della Terra a distanza…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI:
Conoscenza e individuazione delle orbite satellitari per il monitoraggio terrestre. Conoscenza dei requisiti e dei parametri operativi degli strumenti dedicati all'Osservazione della Terra a distanza nelle diverse bande dello spettro elettromagnetico. Conoscenza dei principi fisici alla base del telerilevamento. Conoscenza delle procedure di elaborazione dei dati telerilevati multitemporali e multispettrali. Conoscenza dei metodi che consentono di raggiungere i due principali obiettivi del telerilevamento: classificazione e inversione

CONOSCENZA E CAPACITÀ DI COMPRENSIONE:
Il corso mira a fornire gli strumenti per conoscere e comprendere le tecnologie e le metodologie di Osservazione della Terra nei più importanti e consolidati campi applicativi.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:
Lo studente acquisirà le conoscenze e le metodologie per analizzare e risolvere problemi tipici dell'Osservazione della Terra, dallo studio di missione all'utilizzo e applicazione di metodi matematici

AUTONOMIA DI GIUDIZIO:
Lo studente sarà in grado di scegliere criticamente le tecniche di telerilevamento più idonee per il monitoraggio delle variabili geo-fisiche di interesse

ABILITÀ COMUNICATIVE:
Lo studente acquisirà capacità di comunicazione delle tematiche di Osservazione della Terra dimostrando una conoscenza delle teorie fisiche e delle applicazioni sperimentali, e adoperando la terminologia più specifica

CAPACITÀ DI APPRENDIMENTO:
Lo studente avrà appreso le procedure di utilizzo e elaborazione di dati ottici e a microonde; questo gli consentirà di affrontare in autonomia le problematiche relative all'Osservazione della Terra mediante le tecniche più avanzate.

Per eventuali disturbi dell’apprendimento o disabilità, si prega di prendere visione delle modalità di supporto del CARIS (https://www-2024.caris.uniroma2.it/).

Programma

Prima parte:
Leggi di Keplero e parametri orbitali. Orbite geostazionarie ed eliosincrone. Tracce al nadir. Intervallo fondamentale. Copertura. Periodo di ciclo e tempo di rivisita. Parametri orbitali e tracce al nadir dei principali satelliti per il telerilevamento. Messa in orbita e manovre satellitari. Missioni spaziali per l'osservazione della Terra: segmento terreno e segmento spaziale.
Seconda parte:
Principali basi fisiche del telerilevamento. Quantità radiative misurate dai sensori. Definizione di riflettanza e coefficiente di scattering. Strumenti attivi e passivi: principi di funzionamento e loro caratteristiche. Risoluzione spaziale, radiometrica, spettrale, temporale. Caratteristiche e proprietà radiometriche e geometriche delle immagini ottiche e radar. Calibrazione radiometrica di immagini ottiche. Correzione atmosferica assoluta, relativa, empirica. Errori geometrici sistematici e non. Rettificazione, registrazione e ricampionamento.
Terza parte:
Generazione di prodotti per applicazioni Internet. Immagini TCC e FCC. Caratteristiche spettrali del terreno e della vegetazione nelle bande ottiche e a microonde. Analisi multispettrale. Change detection e applicazione al monitoraggio delle alluvioni. Mappe NDVI. Mappe di velocità del vento sul mare. Mappe di temperatura del mare. Identificazione delle superfici calde: incendi e lava. Istogrammi e parametri statistici dei dati telerilevati. Trasformate spaziali e spettrali. Componenti principali. Trasformazione "Tasseled Cap” e indici di vegetazione. Classificazione e generazione di mappe tematiche. Feature space. Metodi Supervised. Metodi unsupervised. Valutazione accuratezza. Riflettometria GNSS: sue potenzialità e applicazioni.

Modalità d'esame

La prova di esame valuta, la preparazione complessiva dello studente, la capacità di integrazione delle conoscenze delle diverse parti del programma, la consequenzialità del ragionamento, la capacità analitica e la autonomia di giudizio. Inoltre vengono valutate la proprietà di linguaggio e la chiarezza espositiva, in aderenza con i descrittori di Dublino (1.Conoscenza e capacità di comprensione (knowledge and understanding); 2. Capacità di applicare la conoscenza e comprensione (applying knowledge and understanding); 3. Autonomia di giudizio (making judgements); 4. Capacità di apprendimento (learning skills); 5: Abilità di comunicazione (communication skills).
Il voto finale sarà rapportato per il 70% al grado di conoscenza e per il 30% alla capacità espressiva e di giudizio autonomo dimostrate dallo studente.
La prova di esame sarà valutata secondo i seguenti criteri:
Non idoneo: importanti carenze e/o inaccuratezze nella conoscenza e comprensione degli argomenti; limitate capacità di analisi e sintesi, frequenti generalizzazioni e limitate capacità critiche e di giudizio , gli argomenti sono esposti in modo non coerente e con linguaggio
inappropriato,
18-20: conoscenza e comprensione degli argomenti appena sufficiente con possibili generalizzazioni e imperfezioni; capacità di analisi sintesi e autonomia di giudizio sufficienti, gli argomenti sono esposti in modo frequentemente poco coerente e con un linguaggio poco appropriato/tecnico,
21-23: Conoscenza e comprensione degli argomenti routinaria; Capacità di analisi e sintesi corrette con argomentazione logica sufficientemente coerente e linguaggio appropriato/tecnico
24-26: Discreta conoscenza e comprensione degli argomenti; buone capacità di analisi e sintesi con argomentazioni espresse in modo rigoroso ma con un linguaggio non sempre appropriato/tecnico.
27-29: Conoscenza e comprensione degli argomenti completa; notevoli capacità di analisi e sintesi. Buona autonomia di giudizio. Argomenti esposti in modo rigoroso e con linguaggio appropriato/tecnico
30-30L: Ottimo livello di conoscenza e comprensione approfondita degli argomenti. Ottime capacità di analisi, di sintesi e di autonomia di giudizio. Argomentazioni espresse in modo esaustivo.

Testi di riferimento

P.A. Brivio, G. Lechi, E. Zilioli, “Principi e metodi di Telerilevamento”, Città Studi Edizioni, 2006
W.G. Rees, “Physical Principles of Remote Sensing”, Cambridge University Press, 2001
J-A. Richards, “Remote Sensing Digital Image Analysis. An Introduction”, Springer-Verlag, 1986

Codice insegnamento 80300615

Sistemi Autonomi 2° anno · 6 CFU · 0 file
Sistemi Distribuiti E Cloud Computing 2° anno · 9 CFU · IINF-05/A · 0 file

OBIETTIVI FORMATIVI: L'insegnamento si propone di fornire i principi, le metodologie e le tecnologie per la progettazione e realizzazione di sistemi ed applicazioni distribuite moderne, inclusi i sistemi distribuiti a…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI:
L'insegnamento si propone di fornire i principi, le metodologie e le tecnologie per la progettazione e realizzazione di sistemi ed applicazioni distribuite moderne, inclusi i sistemi distribuiti a larga scala e Cloud e le architetture a microservizi. Durante il corso vengono coniugati aspetti metodologici e tecnologici, affrontando le principali problematiche e tecniche per lo sviluppo di sistemi distribuiti efficienti. In particolare, sono approfonditi gli aspetti architetturali, i modelli di comunicazione tra i componenti di un sistema distribuito ed i corrispondenti middleware, le soluzioni per fornire sistemi scalabili e tolleranti ai guasti, le problematiche di coordinazione distribuita, replicazione e consistenza e le relativi soluzioni algoritmiche e tecniche, e la virtualizzazione dell'ambiente di esecuzione tramite la virtualizzazione di sistema e a livello di sistema operativo e l'orchestrazione di container. Il progetto proposto ha lo scopo di consolidare ed approfondire la preparazione teorica, metodologica e tecnologica sui temi affrontanti nel corso. Nel corso viene anche introdotto il linguaggio Go per la programmazione dei sistemi distribuiti.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE:
Al termine del corso lo studente avrà acquisito concetti di base ed avanzati sui sistemi distribuiti e sui sistemi Cloud e sullo sviluppo di applicazioni software in tali ambiti. In particolare: realizzazione di applicazioni distribuite e scalabili, con diversi gradi di consistenza e modelli di comunicazione, utilizzando anche servizi Cloud (in particolare, i servizi Cloud di AWS, per i quali viene messo a disposizione degli studenti un grant gratuito tramite il programma AWS Academy).

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:
Al termine del corso lo studente avrà acquisito i principi e le metodologie proprie dell'analisi, progettazione e realizzazione dei moderni sistemi distribuiti. In particolare: progettare e sviluppare sistemi ed applicazioni distribuite, usando strumenti avanzati per il deployment e la gestione.

AUTONOMIA DI GIUDIZIO:
Al termine del corso lo studente sarà in grado di identificare le soluzioni più idonee per realizzare sistemi ed applicazioni distribuite e Cloud e di valutarne le scelte architetturali ed implementative.

ABILITÀ COMUNICATIVE:
Al termine del corso lo studente avrà acquisito padronanza della terminologia avanzata relativa ai sistemi distribuiti e Cloud, sarà in grado di presentare l'architettura di un sistema distribuito anche complesso con termini e linguaggio tecnico appropriato e di argomentare circa le varie alternative sia a livello sistemistico che applicativo.

CAPACITÀ DI APPRENDIMENTO:
Al termine del corso lo studente avrà acquisito la capacità di intraprendere in autonomia ulteriori approfondimenti su argomenti attinenti i sistemi distribuiti e Cloud, e di utilizzare le conoscenze e metodologie apprese per affrontare problemi nuovi.

Programma

Introduzione ai sistemi distribuiti.
Introduzione al Cloud computing.
Architetture per sistemi distribuiti.
Comunicazione nei sistemi distribuiti.
Introduzione alla programmazione in Go.
Virtualizzazione: a livello di sistema e di sistema operativo, orchestrazione di container.
Architetture a microservizi e serverless computing.
Coordinazione e sincronizzazione nei sistemi distribuiti.
Consistenza e replicazione nei sistemi distribuiti e Cloud.
Tolleranza ai guasti nei sistemi distribuiti.
Esempi di sistemi e servizi distribuiti e Cloud.
Amazon Web Services.

Modalità d'esame

La prova scritta verte sugli argomenti dell'intero corso e prevede domande a risposta aperta ed esercizi. Si raccomanda di sostenere la prova scritta prima del progetto.
In alternativa alla prova scritta, si terranno due prove scritte intermedie. Se entrambe le prove intermedie saranno superate positivamente, verrà proposto un voto finale per la prova scritta. Non è possibile recuperare le prove intermedie in modo parziale.
La prova orale è facoltativa (a scelta dello studente).
Al termine del corso viene assegnato un progetto, da svolgere singolarmente oppure in un gruppo composto da 2 o 3 studenti. Il progetto è disponibile in due modalità:

  • modalità A: progetto con un livello di difficoltà maggiore, da svolgere in gruppo (2-3 studenti per gruppo);
  • modalità B: progetto con un livello di difficoltà minore, da svolgere singolarmente.
    Per entrambe le modalità, successivamente alla consegna del codice del progetto e della relazione, lo studente discute il progetto svolto, presentando anche una demo del funzionamento del sistema o servizio realizzato.
    La ripartizione del peso delle prove d'esame è:
  • modalità A: 50% prova scritta (più prova orale facoltativa), 50% progetto;
  • modalità B: 75% prova scritta (più prova orale facoltativa), 25% progetto individuale.

Ai fini della valutazione, si utilizzerà lo schema che segue:

  • Non idoneo: importanti carenze e/o inaccuratezze nella conoscenza e comprensione degli argomenti; limitate capacità di analisi e sintesi, frequenti generalizzazioni e limitate capacità critiche e di giudizio, gli argomenti sono esposti in modo non coerente e con linguaggio inappropriato;
  • 18-20: conoscenza e comprensione degli argomenti appena sufficiente con possibili generalizzazioni e imperfezioni; capacità di analisi sintesi e autonomia di giudizio sufficienti, gli argomenti sono esposti in modo frequentemente poco coerente e con un linguaggio poco appropriato/tecnico;
  • 21-23: Conoscenza e comprensione degli argomenti routinaria; Capacità di analisi e sintesi corrette con argomentazione logica sufficientemente coerente e linguaggio appropriato/tecnico;
  • 24-26: Discreta conoscenza e comprensione degli argomenti; buone capacità di analisi e sintesi con argomentazioni espresse in modo rigoroso ma con un linguaggio non sempre appropriato/tecnico;
  • 27-29: Conoscenza e comprensione degli argomenti completa; notevoli capacità di analisi e sintesi. Buona autonomia di giudizio. Argomenti esposti in modo rigoroso e con linguaggio appropriato/tecnico;
  • 30-30L: Ottimo livello di conoscenza e comprensione approfondita degli argomenti. Ottime capacità di analisi, di sintesi e di autonomia di giudizio. Argomentazioni espresse in modo originale e con linguaggio tecnico appropriato.

Testi di riferimento

Articoli scientifici, video di presentazioni e codice sono disponibili sul sito del corso (i link seguenti fanno riferimento al sito del corso A.A. 2025/26)
http://www.ce.uniroma2.it/courses/sdcc2526/#articoli
http://www.ce.uniroma2.it/courses/sdcc2526/#video

Di seguito l'elenco degli articoli scientifici.

  • Introduzione ai sistemi distribuiti
    M. van Steen, A. S. Tanenbaum, A brief introduction to distributed systems, Computing, vol. 98, no. 10, pp. 967–1009, 2016
    J. Hodges, Notes on distributed systems for young bloods, 2013
    A. Rotem-Gal-Oz, Fallacies of distributed computing explained
  • Introduzione al cloud computing
    M. Armbrust et al., A view of cloud computing, Communications of the ACM, vol. 53, no. 4, 2010
    P. Mell, T. Grance, The NIST definition of cloud computing, 2011
    N. Herbst, S. Kounev, R. Reussner, Elasticity in cloud computing: What it is, and what it is not, ICAC ’13, 2013
    S. A. Baset, Cloud SLAs: Present and future, SIGOPS Operating Systems Review, vol. 46, no. 2, 2012
    R. Buyya et al., A manifesto for future generation cloud computing: Research directions for the next decade, ACM Computing Surveys, vol. 51, no. 5, 2019
    W. Shi et al., Edge Computing: Vision and Challenges, IEEE Internet of Things Journal, vol. 3, no. 5, 2016
  • Architetture dei sistemi distribuiti
    P. T. Eugster et al., The many faces of publish/subscribe, ACM Computing Surveys, vol. 35, no. 2, 2003
    H. Balakrishnan et al., Looking up data in P2P systems, Communications of the ACM, vol. 46, no. 2, 2003
    I. Stoica et al., Chord: A scalable peer-to-peer lookup service for internet applications, SIGCOMM CCR, vol. 31, no. 4, 2001
    D. Karger et al., Consistent hashing and random trees: distributed caching protocols for relieving hot spots on the World Wide Web, STOC ’97, 1997
    P. Maymounkov, D. Mazieres, Kademlia: A peer-to-peer information system based on the XOR metric, IPTPS ’02, 2002
    T. V. Doan et al., Toward decentralized cloud storage with IPFS: Opportunities, challenges, and future considerations, IEEE Internet Computing, vol. 26, no. 6, 2022
    D. Yaga et al., Blockchain technology overview, NIST IR 8202, 2018
  • Sistemi distribuiti auto-adattativi
    J. O. Kephart, D. M. Chess, The vision of autonomic computing, IEEE Computer, vol. 36, no. 1, 2003
    D. Weyns, An Introduction to Self-Adaptive Systems, 2020
    D. Weyns et al., On patterns for decentralized control in self-adaptive systems, 2013
  • Comunicazione nei sistemi distribuiti
    E. Petron, Remote Procedure Calls, Linux Journal, 1997
    RMI – Java Tutorials
    RPyC tutorial
    A. A. Donovan, B. W. Kernighan, The Go Programming Language, Addison-Wesley, 2015
    N. Jackson, RPC in the Go standard library, 2017
    M. Sax, Apache Kafka, Encyclopedia of Big Data Technologies, Springer, 2018
    A.-M. Kermarrec, M. van Steen, Gossiping in distributed systems, ACM Operating Systems Review, 2007
    A. Montresor, Gossip and epidemic protocols, Wiley Encyclopedia of Electrical and Electronics Engineering, 2017
  • Virtualizzazione
    J. E. Smith, R. Nair, The architecture of virtual machines, IEEE Computer, 2005
    E. Bugnion et al., Hardware and software support for virtualization, 2017
    A. Agache et al., Firecracker: Lightweight Virtualization for Serverless Applications, NSDI 2020
    S. Kuenzer et al., Unikraft: fast, specialized unikernels the easy way, EuroSys 2021
  • Architetture a microservizi e serverless computing
    J. Lewis, M. Fowler, Microservices, 2014
    M. Fowler, Microservices Guide, 2019
    C. Richardson, Microservice Architecture, 2024
    P. Jamshidi et al., Microservices: The Journey So Far and Challenges Ahead, IEEE Software, 2018
    M. Roberts, Serverless Architectures, 2018
    S. Kounev et al., Serverless Computing: What It Is, and What It Is Not?, Communications of the ACM, 2023
  • Sincronizzazione nei sistemi distribuiti
    L. Lamport, Time, clocks, and the ordering of events in a distributed system, 1978
    M. Raynal, M. Singhal, Logical time: Capturing causality in distributed systems, IEEE Computer, 1996
    C. Baquero, N. Preguiça, Why logical clocks are easy, ACM Queue, 2016
  • Consenso nei sistemi distribuiti
    L. Lamport, Paxos made simple, SIGACT News, 2001
    The Paper Trail, Consensus Protocols: Paxos, 2009
    D. Ongaro, J. Ousterhout, In search of an understandable consensus algorithm, USENIX ATC 2014
  • Consistenza e replicazione nei sistemi distribuiti
    D. K. Gifford, Weighted voting for replicated data, SOSP ’79
    W. Vogels, Eventually consistent, Communications of the ACM, 2009

Articoli scientifici, video di presentazioni e codice sono disponibili sul sito del corso (i link seguenti fanno riferimento al sito del corso A.A. 2023/24)
http://www.ce.uniroma2.it/courses/sabd2324/#articoli
http://www.ce.uniroma2.it/courses/sabd2324/#video

Di seguito l'elenco degli articoli scientifici.

  • Introduzione ai sistemi distribuiti
  • A. Rotem-Gal-Oz, "Fallacies of distributed computing explained". https://arnon.me/wp-content/uploads/Files/fallacies.pdf
  • M. van Steen and A.S. Tanenbaum, "A brief introduction to distributed systems", Computing, vol. 98, no. 10, pp. 967-1009, 2016. https://doi.org/10.1007/s00607-016-0508-7
  • J. Hodges, "Notes on distributed systems for young bloods", 2013. https://www.somethingsimilar.com/2013/01/14/notes-on-distributed-systems-for-young-bloods/
  • Introduzione al Cloud Computing
  • M. Armbrust et al., "A view of cloud computing", ACM Comm., Vol. 53, No. 4, 2010. https://doi.org/10.1145/1721654.1721672
  • P. Mell, T. Grance, "The NIST definition of cloud computing", Sept. 2011. http://csrc.nist.gov/publications/nistpubs/800-145/SP800-145.pdf
  • S.A. Baset, "Cloud SLAs: Present and future", SIGOPS Oper. Syst. Rev., Vol. 46, No. 2, pp. 57-66, July 2012. https://doi.org/10.1145/2331576.2331586
  • N. Herbst, S. Kounev, Ralf Reussner, "Elasticity in Cloud Computing: What It Is, and What It Is Not", ICAC '13, 2013. https://www.usenix.org/system/files/conference/icac13/icac13_herbst.pdf
  • R. Buyya et al., "A manifesto for future generation Cloud Computing: Research directions for the next decade", ACM Comput. Surv., Vol 51, No. 5, 2019. https://doi.org/10.1145/3241737

*Architetture dei sistemi distribuiti

  • P.T. Eugster, P.A. Felber, R. Guerraoui, A.-M. Kermarrec, "The many faces of publish/subscribe", ACM Comput. Surv., Vol. 35, No. 2, pp. 114-131, June 2003. https://doi.org/10.1145/857076.857078
  • H. Balakrishnan, M.F. Kaashoek, D. Karger, R. Morris, I. Stoica, "Looking up data in P2P systems", Comm. ACM, Vol. 46, No. 2, pp. 43-48, Feb. 2003. https://dl.acm.org/doi/pdf/10.1145/606272.606299
  • I. Stoica, R. Morris, D. Liben-Nowell, D.R. Karger, M.F. Kaashoek, F, Dabek, H. Balakrishnan, "Chord: a scalable peer-to-peer lookup protocol for Internet applications", IEEE/ACM Trans. Netw., Vol. 11, No. 1, pp. 17-32, Feb. 2003. https://doi.org/10.1109/TNET.2002.808407
  • D. Karger, E. Lehman, T. Leighton, R. Panigrahy, M. Levine, D. Lewin, "Consistent hashing and random trees: distributed caching protocols for relieving hot spots on the World Wide Web", Proc. of 29th ACM Symposium on Theory of Computing (STOC '97), 1997. https://doi.org/10.1145/258533.258660
  • D. Yaga, P. Mell, N. Roby, K. Scarfone, "Blockchain Technology Overview", NIST.IR 8202, 2018. https://nvlpubs.nist.gov/nistpubs/ir/2018/nist.ir.8202.pdf
  • J.O. Kephart, D.M. Chess, "The vision of autonomic computing", IEEE Computer, Vol. 36, No. 1, Jan. 2003. https://doi.org/10.1109/MC.2003.1160055
  • D. Weyns, B. Schmerl, V. Grassi, S. Malek, R. Mirandola, C. Prehofer, J. Wuttke, J. Andersson, H. Giese, K. Göschka, "On patterns for decentralized control in self-adaptive systems", In Software Engineering for Self-Adaptive Systems II, 2013. https://doi.org/10.1007/978-3-642-35813-5_4
  • Comunicazione nei sistemi distribuiti
  • E. Petron, "Remote Procedure Calls", Linux Journal, 1997. https://www.linuxjournal.com/article/2204
  • Trail: RMI (The Java tutorials), 2022. https://docs.oracle.com/javase/tutorial/rmi/
  • RPyC tutorial, rpyc.readthedocs.io/en/latest/tutorial.html
  • RPyC documentation, rpyc.readthedocs.io
  • A. A. Donovan, B. W. Kernighan, "Tutorial", in "The Go Programming Language", Addison-Wesley, 2015. https://www.gopl.io
  • N. Jackson, "RPC in the Go standard library", in Building Microservices with Go, 2017. https://subscription.packtpub.com/book/web-development/9781786468666/1/ch01lvl1sec12/rpc-in-the-go-standard-library
  • Go’s package rpc, pkg.go.dev/net/rpc
  • K. Indrasiri and D. Kuruppu, gRPC - Up and Running, O'Reilly, 2020. https://www.oreilly.com/library/view/grpc-up-and/9781492058328/
  • RabbitMQ tutorials, https://www.rabbitmq.com/tutorials
  • Apache Kafka documentation, https:// kafka.apache.org/documentation
  • Kreps et al., Kafka: A Distributed Messaging System for Log Processing, NetDB’11, 2011. http://pages.cs.wisc.edu/~akella/CS744/F17/838-CloudPapers/Kafka.pdf
  • M. Sax, "Apache Kafka", in Encyclopedia of Big Data Technologies, Springer, 2018. https://doi.org/10.1007/978-3-319-63962-8_196-1
  • K.P. Birman, M. Hayden, O. Ozkasap, Z. Xiao, M. Budiu, Y. Minsky, "Bimodal multicast", ACM Trans. Comput. Syst., Vol. 17, No. 2, pp. 41-88, May 1999. https://doi.org/10.1145/312203.312207
  • M. Castro, P. Druschel, A-M. Kermarrec, A. Rowstron, "Scribe: A large-scale and decentralised application-level multicast infrastructure", IEEE Journal on Selected Areas in Communications, Oct. 2002. https://doi.org/10.1109/JSAC.2002.803069
  • P. Th. Eugster, R. Guerraoui, A.-M. Kermarrec, L. Massoulie, "Epidemic information dissemination in distributed systems", IEEE Computer, Vol. 37, No. 5, pp. 60-67, May 2004. https://doi.org/10.1109/MC.2004.1297243
  • M. Portmann, A. Seneviratne, "The cost of application-level broadcast in a fully decentralized peer-to-peer network", Proc. of ISCC 2002, 2002. https://doi.org/10.1109/ISCC.2002.1021785
  • Virtualizzazione
  • J.E. Smith, R. Nair, "The architecture of virtual machines", IEEE Computer, pp. 32-38, May 2005. https://doi.org/10.1109/MC.2005.173
  • E. Bugnion, J. Nieh, D. Tsafrir, Hardware and software support for virtualization, Synthesis Lectures on Computer Architecture, 2017. https://doi.org/book/10.1007/978-3-031-01753-7
  • K. Hwang, J. Dongarra, G.C. Fox, "Virtual machines and virtualization of clusters and data centers", in Distributed and Cloud Computing, Morgan Kaufmann, 2011.
  • A. Agache et al., "Firecracker: Lightweight Virtualization for Serverless Applications", Proc. NSDI 2020, 2020. https://www.usenix.org/conference/nsdi20/presentation/agache
  • S. Kuenzer et al., Unikraft: fast, specialized unikernels the easy way, Proc. EuroSys 2021, 2021. https://doi.org/10.1145/3447786.3456248
  • R. Morabito, V. Cozzolino, A.Y. Ding, N. Beijar, J. Ott, Consolidate IoT edge computing with lightweight virtualization, IEEE Network, 2018. https://doi.org/10.1109/MNET.2018.1700175
  • Architetture a microservizi e serverless computing
  • M. Fowler, "Microservices Guide", 2019. https://martinfowler.com/microservices/
  • J. Lewis, M. Fowler, "Microservices", 2014. https://martinfowler.com/articles/microservices.html
  • P. Jamshidi, C. Pahl, N. C. Mendonça, J. Lewis and S. Tilkov, "Microservices: The Journey So Far and Challenges Ahead", IEEE Software, Vol. 35, No. 3, 2018. https://doi.org/10.1109/MS.2018.2141039
  • C. Richardson, "Microservice Architecture", 2021. https://microservices.io
  • P. Castro, V. Ishakian, V. Muthusamy, A. Slominski, "The Rise of Serverless Computing", Communications of the ACM, Vol. 62, No. 12, pp. 44-54, Dec. 2019.
  • E. Jonas et al., "Cloud Programming Simplified: A Berkeley View on Serverless Computing", Technical Report No. UCB/EECS-2019-3, Feb. 2019.
  • M. Roberts, "Serverless Architectures", 2018. https://martinfowler.com/articles/serverless.html
  • J. Schleier-Smith et al., "What serverless computing is and should become: the next phase of cloud computing", Comm. ACM, 2021. https://doi.org/10.1145/3406011
  • S. Kounev et al., Serverless Computing: What It Is, and What It Is Not?, Comm. ACM, 2023. https://doi.org/10.1145/3587249
  • Sincronizzazione e coordinamento nei sistemi distribuiti
  • L. Lamport, "Time, clocks and the ordering of events in a distributed system", ACM Communications, Vol. 21, No. 7, pp. 558-565, July 1978. https://amturing.acm.org/p558-lamport.pdf
  • M. Raynal, M. Singhal, "Logical time: Capturing causality in distributed systems", IEEE Computer, Feb. 1996. https://doi.org/10.1109/2.485846
  • C. Baquero, N. Preguiça, "Why logical clocks are easy", ACM Queue, Jan. 2016. https://queue.acm.org/detail.cfm?id=2917756
  • Consistenza e replicazione nei sistemi distribuiti
  • E. Brewer, "CAP twelve years later: how the "rules" have changed", IEEE Computer, Feb. 2012.
  • D.K. Gifford, "Weighted voting for replicated data", Proc. of the 7th ACM Symposium on Operating Systems Principles, Dec. 1979.
  • W. Vogels, "Eventually consistent", Communications of the ACM, Vol. 52, No. 1, pp. 40-44, Jan. 2009.
  • Tolleranza ai guasti e consenso nei sistemi distribuiti
  • L. Lamport, "Paxos made simple", ACM SIGACT News, Vol. 32, No. 4, Dec. 2001.
  • The Paper Trail, "Consensus Protocols: Paxos", 2009.
  • D. Ongaro and J. Ousterhout, "In search of an understandable consensus algorithm", Proc. of USENIX Annual Technical Conference 2014, 2014.

Codice insegnamento 8037389

Sistemi Operativi Avanzati 2° anno · 9 CFU · 0 file

The 'Advanced Operating Systems' course aims at presenting advanced design/implementation methods and techniques for modern operating systems. It will also provide insights on actual hardware operations in modern…

Scheda dell'insegnamento

Scheda dell'a.a. 2025/2026: quella dell'anno in corso non è ancora pubblicata.

Obiettivi formativi

The 'Advanced Operating Systems' course aims at presenting advanced design/implementation methods and techniques for modern operating systems. It will also provide insights on actual hardware operations in modern processors (including implicit and explicit parallelism) and how these impact software design approaches. The topics dealt with by the course are bound to case studies oriented to Linux systems and x86 compliant processors. A strong focus on system-level security aspects will be made, which will include the analysis of the correlation between hardware and software as well as advanced methods and techniques for system security.

Programma

The 'Advanced Operating Systems' course aims at presenting advanced design/implementation methods and techniques for modern operating systems. It will also provide insights on actual hardware operations in modern processors (including implicit and explicit parallelism) and how these impact software design approaches. The topics dealt with by the course are bound to case studies oriented to Linux systems and x86 compliant processors. A strong focus on system-level security aspects will be made, which will include the analysis of the correlation between hardware and software as well as advanced methods and techniques for system security.

Codice insegnamento 8039824

Statistica 2° anno · 9 CFU · 0 file
Archivio Globale

OBIETTIVI FORMATIVI: Obiettivo del corso di Statistica è fornire strumenti avanzati di statistica descrittiva e inferenziale per l'analisi di dati statistici. Si cercherà anche di introdurre gli strumenti di base per…

Scheda dell'insegnamento

Scheda dell'a.a. 2025/2026: quella dell'anno in corso non è ancora pubblicata.

Obiettivi formativi

OBIETTIVI FORMATIVI: Obiettivo del corso di Statistica è fornire strumenti avanzati di statistica descrittiva e inferenziale per l'analisi di dati statistici. Si cercherà anche di introdurre gli strumenti di base per l'analisi di serie storiche. Verranno presentate applicazioni significative con riferimento a dati reali, in particolare estrapolati da data-set ingegneristici, economici, finanziari e medici. Un'attenzione particolare sarà rivolta ad agevolare lo sviluppo della capacità di risoluzione dei problemi da parte degli studenti.

Programma

OBIETTIVI FORMATIVI: Obiettivo del corso di Statistica è fornire strumenti avanzati di statistica descrittiva e inferenziale per l'analisi di dati statistici. Si cercherà anche di introdurre gli strumenti di base per l'analisi di serie storiche. Verranno presentate applicazioni significative con riferimento a dati reali, in particolare estrapolati da data-set ingegneristici, economici, finanziari e medici. Un'attenzione particolare sarà rivolta ad agevolare lo sviluppo della capacità di risoluzione dei problemi da parte degli studenti.

Codice insegnamento 80300107

Tirocini Formativi E Di Orientamento 2° anno · 3 CFU · 0 file
Analisi E Sintesi Dei Sistemi Non Lineari 12 CFU · ING-INF/04 · 0 file
Architetture E Tecniche Di Controllo Per Impianti A Fusione Nucleare 6 CFU · 0 file
Machine And Reinforcement Learning In Control Applications 6 CFU · ING-INF/04 · 0 file
Metodi Di Ottimizzazione Per Big Data 9 CFU · MAT/09 · 0 file
Ottimizzazione Nei Sistemi Di Controllo 1 6 CFU · 0 file
Ottimizzazione Nei Sistemi Di Controllo 2 6 CFU · 0 file
Robotica Industriale 12 CFU · ING-INF/04 · 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.