Corso di laurea

Data Science

Università degli Studi di Roma Tre · 31 materie · 0 file condivisi

Ecco tutti i dettagli sul corso di laurea selezionato. Sul UniDocs troverai gli appunti condivisi dagli altri studenti del tuo corso di laurea, ordinati per materia. Ricordati che per poter visualizzare il materiale devi essere registrato al sito e possedere un numero di crediti sufficiente.

Sfoglia il materiale didattico

Con UniDocs hai l'opportunità di studiare insieme a tutto il tuo corso di laurea. Guadagna subito dei crediti, carica il materiale del tuo ultimo esame!
Più condividi, più tempo avrai per studiare con tutta la community!

Materie del corso

ALGORITMI PER LA CRITTOGRAFIA 1° anno · 6 CFU · INFO-01/A · 0 file

Acquisire la conoscenza dei principali algoritmi di cifratura. Approfondire le competenze matematiche necessarie alla descrizione degli algoritmi. Acquisire le tecniche di crittoanalisi utilizzate nella valutazione del…

Scheda dell'insegnamento

Obiettivi formativi

Acquisire la conoscenza dei principali algoritmi di cifratura. Approfondire le competenze matematiche necessarie alla descrizione degli algoritmi. Acquisire le tecniche di crittoanalisi utilizzate nella valutazione del livello di sicurezza fornito
dai sistemi di cifratura.

Programma

1. Crittografia Classica

  • Crittosistemi di base: cifratura per sostituzione, per traslazione, per permutazione, affine, di Vigenère, di Hill. Cifratura a flusso (sincrona e asincrona), Linear feedback shift registers (LFSR) su campi finiti, Cifrario autokey. Cifrari prodotto. Crittoanalisi di base: classificazione degli attacchi; crittoanalisi per i cifrari affini, per la cifratura a sostituzione (analisi delle frequenze), per la cifratura di Vigenere: Kasiski test, indice di coincidenza; crittoanalisi del cifrario di Hill e degli LFSR: attacchi algebrici, cube attack.
    2. Applicazione della Teoria di Shannon alla crittografia
  • Sicurezza dei cifrari: sicurezza computazionale, sicurezza dimostrabile, sicurezza incondizionata. Richiami di calcolo delle probabilità: variabili aleatorie discrete, probabilita congiunta, probabilita condizionata, variabili aleatorie indipendenti, Teorema di Bayes. Variabili aleatorie associate a crittosistemi. Sistemi di cifratura a sicurezza perfetta. Crittosistema di Vernam. Entropia. Codici di Huffman. Spurious Keys e Unicity distance.
    3. Cifrari a blocchi
  • Schemi di cifratura iterativi; Reti di Sostituzione-Permutazione (SPN); Crittoanalisi lineare per SPN: Piling-Up Lemma, approssimazione lineare di S- boxes, attacchi lineari a S-boxes; Crittoanalisi differenziale per SPN; Cifrari di tipo Feistel; DES: descrizione e analisi; AES: descrizione; Cenni sui campi finiti: operazioni su campi finiti, algoritmo di Euclide generalizzato per il calcolo del mcd e degli inversi; Modi operativi per i cifrari a blocchi.
    4. Funzioni Hash e Codici per l’autenticazione di messaggi
  • Funzioni di hash e integrità dei dati. Funzioni di hash sicure: resistenza alla controimmagine, resistenza alla seconda controimmagine, resistenza alla collisione. Il modello dell’oracolo random: funzioni di hash ideali, proprietà
    di indipendenza. Algoritmi randomizzati, collisione sul problema della seconda controimmagine, collisione sul problema della controimmagine. Funzioni di hash iterate; la costruzione di Merkle-Damgard. Algoritmo di Hash Sicuro (SHA-1). Codici di Autenticazione (MAC): codici di autenticazione nidificati (HMAC).

Modalità d'esame

Esame scritto e valutazione del progetto di programmazione.

Erogazione: Lezioni in aula e sessioni di programmazione al laboratorio informatico.

Frequenza: non obbligatoria

Testi di riferimento

[1] Antoine Joux, Algorithmic Cryptanalysis, (2010) CRC Press.
[2] Douglas Stinson, Cryptography: Theory and Practice, 3rd edition, (2006) Chapman and Hall/CRC.
[3] Delfs H., Knebl H., Introduction to Cryptography, (2007) Springer Verlag.

Codice insegnamento 20430031

Algoritmi e Modelli per l'Ottimizzazione 1° anno · 9 CFU · MATH-06/A · 0 file

Fornire conoscenze di base, sia metodologiche che quantitative, per la rappresentazione e la soluzione di problemi di ottimizzazione. Preparare gli studenti all'uso dei modelli di programmazione matematica con…

Scheda dell'insegnamento

Obiettivi formativi

Fornire conoscenze di base, sia metodologiche che quantitative, per la rappresentazione e la soluzione di problemi di ottimizzazione. Preparare gli studenti all'uso dei modelli di programmazione matematica con particolare attenzione rivolta ai modelli di ottimizzazione a variabili intere e ad alcune loro applicazioni.

Programma

Descrizione del processo decisionale.
Introduzione alla programmazione lineare a numeri interi (PLI): relazione fra PL e PLI, formulazioni equivalenti, rilassamenti, tecniche standard per la formulazione di problemi di PLI.
Formulazione di tipici problemi di ottimizzazione: localizzazione di impianti, scelta di investimenti, sequenziamento di attività, allocazione di risorse in sistemi informatici, ottimizzazione su reti, trasporti, set covering, set partitioning, set packing, turni del personale.
Soluzione esatta di problemi di programmazione lineare a numeri interi: branch and bound, piani di taglio, tecniche di programmazione dinamica (PD).
Matrici totalmente unimodulari.
Il problema di knapsack: branch and bound, algoritmo di PD, dis. cover.
Ottimizzazione su grafi: matching, vertex cover. Grafi euleriani e grafi bipartiti.
Utilizzo di software commerciali per la soluzione di problemi di programmazione matematica.

Modalità d'esame

La verifica dell’apprendimento avviene attraverso una prova scritta della durata di circa 2 ore e da una prova orale da svolgersi nello stello appello. Lo scritto è organizzato attraverso un certo numero di esercizi (tipicamente da 3 a 5), finalizzati a verificare il livello di comprensione effettiva dei concetti più teorici e la capacità degli studenti di applicare le tecniche spiegate a lezione.

Erogazione: Principalmente didattica frontale: lezioni in aula alla lavagna, qualche lezione in laboratorio per l'utilizzo di software commerciali.

Frequenza: Preferibilmente in presenza. In ogni caso, il materiale didattico fornito offre la possibilità agli studenti non frequentanti di prepararsi per l'esame.

Testi di riferimento

[1] M. FISCHETTI, "LEZIONI DI RICERCA OPERATIVA", EDIZIONI LIBRERIA PROGETTO PADOVA, ITALIA, 1995. (CAP. 2, 5,parte del 6 e del 7).
[2] R. AHUJA, T. MAGNANTI, J. ORLIN, "NETWORK FLOWS", PRENTICE HALL, 1993. (pagine 189-191, 473-475, 494-496)
[3] DISPENSE FORNITE DAL DOCENTE E/O DISPONIBILI SUL WEB.

Codice insegnamento 20430023

BIG DATA 1° anno · 6 CFU · IINF-05/A · 0 file
BUSINESS LEADERSHIP AND INTELLIGENCE 1° anno · 9 CFU · IEGE-01/A · 0 file
Decision Support Systems and Applications 1° anno · 9 CFU · MATH-06/A · 0 file
FONDAMENTI DI INTELLIGENZA ARTIFICIALE 1° anno · 9 CFU · IINF-05/A · 0 file

Gli obiettivi sono quelli di presentare i modelli, i metodi e le tecniche di base impiegate nelle aree dell’Intelligenza Artificiale, quali problem solving, ricerca in ambienti complessi, ricerca con avversari,…

Scheda dell'insegnamento

Obiettivi formativi

Gli obiettivi sono quelli di presentare i modelli, i metodi e le tecniche di base impiegate nelle aree dell’Intelligenza Artificiale, quali problem solving, ricerca in ambienti complessi, ricerca con avversari, rappresentazione della conoscenza e gestione di vincoli. Saranno studiati alcuni domini didattici utili per comprendere l’applicazione pratica dei concetti trattati nel corso. Le lezioni e le esercitazioni pratiche svolte durante il corso consentiranno allo studente di acquisire capacità base di analisi e di problem solving su vari domini d’interesse per la disciplina.

Programma

Elementi di Proiezione Prospettica
Calibrazione della fotocamera
Elementi di Geometria Epipolare
Elementi di Ricostruzione 3D
Filtraggio delle immagini
Elementi di Deep Learning applicato alle immagini

Modalità d'esame

Domande a risposta aperta.

Frequenza: frequenza libera

Testi di riferimento

Computer Vision, a modern approach, David Forsyth e Jean Ponce

Codice insegnamento 20830122

INGEGNERIA DEI DATI 1° anno · 6 CFU · IINF-05/A · 0 file
METODI MATEMATICI PER IL MACHINE LEARNING 1° anno · 9 CFU · MATH-04/A · 0 file

Illustrare alcuni dei metodi matematici che sono alla base del Machine Learning, e in particolare l’algebra lineare, la convoluzione, la minimizzazione e la struttura delle Reti Neurali.

Scheda dell'insegnamento

Obiettivi formativi

Illustrare alcuni dei metodi matematici che sono alla base del Machine Learning, e in particolare l’algebra lineare, la convoluzione, la minimizzazione e la struttura delle Reti Neurali.

Programma

Richiami ai fondamenti di algebra lineare, matrici speciali
Fattorizzazione e decomposizione di matrici; autospazi
Gestione di grandi matrici e ricostruzione dei dati
Ottimizzazione e moltiplicatori di Lagrange Minimizzazione e metodo del gradiente
Struttura delle Neural Network (NN)
Blocchi fondamentali delle NN: affine layer; activation layer; cost layer (quadratic loss and cross entropy)
Backpropagation
Utilizzo delle NN: Data-split; Minibatch; Training & Validation
Classificazione e regressione
Analisi delle immagini e Convoluzione
Matlab: assemblaggio delle NN; analisi delle prestazioni; selezione di problemi campione
NN professionali

Modalità d'esame

1) svolgere degli esercizi del libro di Strang; gli esercizi vanno consegnati via mail
2) preparare un rapporto su un tema a scelta concordato con i docenti
3) concordare con i docenti un appuntamento per presentare il rapporto
4) consegnare gli esercizi e il rapporto almeno una settimana prima della presentazione
5) discutere il rapporto in modo soddisfacente
Nella valutazione del progetto la determinazione del voto terrà conto di alcuni elementi, come ad esempio: livello e la qualità della conoscenza degli argomenti durante la presentazione; qualità del rapporto consegnato; la capacità di analizzare l'argomento in modo critico; la capacità di applicare teorie e concetti al progetto.

Frequenza: Lezioni e esercitazioni in aula

Testi di riferimento

Gilbert Strang, Linear algebra and learning from data, WELLESLEY- Cambridge Press.
Michael Nielsen, Neural Networks and Deep Learning (web book).
http://neuralnetworksanddeeplearning.com/index.html
Il materiale verrà indicato dal docente durante le lezioni

Codice insegnamento 20430032

METODI PROBABILISTICI E ALGORITMI ALEATORI 1° anno · 6 CFU · MATH-03/B · 0 file

Fornire un’introduzione ad argomenti all’intersezione tra probabilità, matematica discreta e informatica teorica. Il focus del corso sarà sia sui metodi matematici necessari all’analisi degli algoritmi, che su modelli ed…

Scheda dell'insegnamento

Obiettivi formativi

Fornire un’introduzione ad argomenti all’intersezione tra probabilità, matematica discreta e informatica teorica. Il focus del corso sarà sia sui metodi matematici necessari all’analisi degli algoritmi, che su modelli ed esempi ispirati da problemi di natura informatica e combinatoria.

Programma

Metodi:

  • Metodo probabilistico (metodo del momento primo e del momento secondo, lemma locale di Lovasz)
  • Stime di concentrazione (es. disuguaglianze di Chernoff, Hoeffding, Bernstein, Azuma, McDiarmid)
  • Pairwise independence
  • Martingale (introduzione, cf. CP410)
  • Catene di Markov (introduzione, cf. CP420)
    Modelli ed esempi:
  • Algoritmi aleatori e analisi del caso medio (es. quicksort, routing su reti sparse, Johnson-Linderstrauss, balls-into-bins, funzioni di Hashing, Prophet/Secretary inequalities, randomized rounding, stochastic bandits)
  • Grafi aleatori (es. Erdos-Reyni e preferential attachment)
  • Passeggiate aleatorie su grafi (es. PageRank, cover times, algoritmo di Wilson)
  • Sistemi stocastici multi-agente (es. contact process, voter model)

Modalità d'esame

L'esame orale verterà sugli argomenti presentati a lezione.

Frequenza: Le lezioni si terranno 3 volte a settimana, per due ore ciascuna (per un totale di 30 lezioni). La frequenza non è obbligatoria.

Testi di riferimento

Le lezioni saranno tratte principalmente da questi testi:

  • Michael Mitzenmacher e Eli Upfal, Probability and computing: randomized algorithm and probabilistic analysis
  • Noga Alon e Joel Spencer, The probabilistic method
  • Sebastién Roch, Modern discrete probability: an essential toolkit
    Alla fine di ogni lezione saranno condivisi con gli studenti gli appunti relativi

Altri libri di riferimento:

  • David Levin e Yuval Peres, Markov chains and mixing times
  • Rajev Motwani e Prabhakar Raghavan, Randomized algorithms
  • Devdatt Dubhashi e Alessandro Panconesi, Concetration of measure for the analysis of randomized algorithms

Codice insegnamento 20430033

Metodi statistici avanzati di Data Analysis 1° anno · 6 CFU · PHYS-01/A · 0 file

Formare gli studenti per renderli capaci di comprendere e applicare i concetti fondamentali di probabilità e statistica nell’ambito dell’analisi dati; Saranno spiegate varie funzioni di densità di probabilità (PDF) e…

Scheda dell'insegnamento

Obiettivi formativi

Formare gli studenti per renderli capaci di comprendere e applicare i concetti fondamentali di probabilità e statistica nell’ambito dell’analisi dati; Saranno spiegate varie funzioni di densità di probabilità (PDF) e funzioni di ripartizione (CDF) e il loro utilizzo; di calcolare e interpretare probabilità condizionate e congiunte. Verranno spiegati la Legge dei Grandi Numeri e il Teorema del Limite Centrale con applicazioni su problemi del mondo reale. Obiettivi fondamentali saranno la comprensione e applicazione della Statistica Bayesiana così come la comprensione e implementazione della stima di parametri attraverso il principio di massima verosimiglianza. La qualità del fit di modelli statistici verrà discussa. Inoltre, verrà introdotti metodi di MachineLearning per l’analisi dati. Saranno introdotti anche la comunicazione efficace dei risultati e delle interpretazioni statistiche.

Programma

Argomenti del Corso
1. Revisione dei Concetti Statistici Fondamentali:
Distribuzioni di probabilità, variabili casuali e distribuzioni campionarie.
Statistica descrittiva e visualizzazione dei dati.
Introduzione all'inferenza statistica.
2. Stima dei Parametri: Metodo dei Momenti:
Principi e applicazioni del metodo dei momenti.
Confronto con altri metodi di stima.
3. Stima dei Parametri: Massima Verosimiglianza (MLE):
Funzioni di verosimiglianza e loro proprietà.
Derivazione e proprietà degli stimatori di massima verosimiglianza.
Applicazioni della MLE in diversi modelli statistici.
4. Proprietà degli Stimatori:
Correttezza (unbiasedness), efficienza e consistenza degli stimatori.
Errore quadratico medio (MSE) e altre misure di performance dello stimatore.
5. Intervalli di Confidenza:
Costruzione e interpretazione degli intervalli di confidenza.
Intervalli di confidenza per diversi parametri e distribuzioni.
Relazione tra intervalli di confidenza e verifica delle ipotesi.
6. Verifica delle Ipotesi:
Formulazione dell'ipotesi nulla e dell'ipotesi alternativa.
Errori di I e II tipo e potenza di un test.
Test di ipotesi comuni (es. t-test, test chi-quadrato, ...).
P-value.
7. Statistica Bayesiana:
Teorema di Bayes e sue applicazioni.
Distribuzioni a priori (prior) e a posteriori (posterior).
Inferenza bayesiana e stima dei parametri.
Confronto tra approccio bayesiano e frequentista.
8. Argomenti Avanzati (su richiesta, concordata con gli studenti)

Modalità d'esame

Gli studenti sono tenuti a svolgere un progetto, anche in gruppo, che viene valutato in trentesimi.
La valutazione può essere integrata dal colloquio.

Frequenza: La frequenza all lezioni non è richiesta, è consigliata per migliorare la comprensione della materia.

Testi di riferimento

“A Modern Introduction to Probability and Statistics” – F.M. Dekking, C. Kraaikamp, H.P Lopuhaä, L. E. Meester (Springer_
“Bayesian Reasoning in Data Analysis” – G. D’Agostini (Springer)
"Introduction to Statistics and Data Analysis" - C. Heumann, M. Schomaker, Shalabh (Springer)
"Statistical Methods for Data Analysis" - L. Lista (Springer)
Trasparenze utilizzate nelle lezioni

Codice insegnamento 20430017

PROGRAMMAZIONE SCIENTIFICA 1° anno · 6 CFU · INFO-01/A · 0 file
QUANTUM COMPUTING 1° anno · 6 CFU · IINF-05/A · 0 file

Modulo A: Presentare il paradigma computazionale del Quantum Computing. Al termine del corso gli studenti dovrebbero essere in grado di comprendere algoritmi Quantum anche complessi e di analizzare e scrivere algoritmi…

Scheda dell'insegnamento

Obiettivi formativi

Modulo A: Presentare il paradigma computazionale del Quantum Computing. Al termine del corso gli studenti dovrebbero essere in grado di comprendere algoritmi Quantum anche complessi e di analizzare e scrivere algoritmi quantum più semplici. Modulo B: Studio del modello circuitale quantistico e della sua universalità, approfondimento delle principali tecniche quantistiche per la progettazione di algoritmi e la loro analisi, introduzione di alcuni linguaggi di programmazione quantistica e di alcune piattaforme software per la specifica di computazioni quantistiche.

Programma

Qubit, coppie di qubit, registri, porte logiche con uno o piu' qubit, no cloning theorem, l'operatore di Hadamard, teletrasporto, computazioni reversibili, l'algoritmo di Bernstein Vazirani, l'algoritmo di Shor, amplitude amplification e l'algoritmo di Groover, teoria della complessità e quantum computing

Modalità d'esame

Scritto di circa un'ora.
Fruizione: 20411002_2 IN510 – QUANTUM COMPUTING MODULO B in Matematica LM-40 R PEDICINI MARCO

Erogazione: Lezioni in aula.

Frequenza: Lezione in aula.

Testi di riferimento

Slides del docente.

Codice insegnamento 20430028

STATISTICA 1° anno · 6 CFU · MATH-03/B · 0 file

Acquisire una buona conoscenza delle metodologie statistico matematiche di base per problemi di inferenza e modellistica statistica. Sviluppare una conoscenza anche operativa di alcuni specifici pacchetti statistici…

Scheda dell'insegnamento

Obiettivi formativi

Acquisire una buona conoscenza delle metodologie statistico matematiche di base per problemi di inferenza e modellistica statistica. Sviluppare una conoscenza anche operativa di alcuni specifici pacchetti statistici per l'applicazione pratica degli strumenti teorici acquisiti.

Programma

Programma di massima:

  • Variabili casuali e la loro distribuzione, funzione generatrice dei momenti, media, varianza e
    covarianza. Modello di campionamento casuale e modello statistico.
  • Statistica: concetto, esempi, statistica sufficiente e minimale.
  • Stimatori puntuali: definizione e proprieta' desiderate, momenti, massima verosimiglianza e
    Bayes + Metodi computazionali. Metodi per miglioramento di uno stimatore (es. Cramer-Rao)
  • Intervalli di confidenza
  • Verifica d’ipotesi
  • Metodi non parametrici: goodness-of-fit, tabella di contingenza, Kolmogorov-Smirnov e test
    tramite graduatoria.
  • Analisi della varianza (ANOVA) e test F
  • Regressione

Modalità d'esame

La parte scritta scritto consiste di 4 esercizi, ciascuno articolato in 2 o 3 quesiti a carattere teorico e
pratico. La parte orale vertera' su una analisi dello scritto e ulteriori domande soprattutto di carattere teorico.

Frequenza: Facoltativa

Testi di riferimento

Introduzione alla Statistica, S.M. Ross, Apogeo - Maggioli Editore.
testo aggiuntivo: Luca Leuzzi, Enzo Marinari, Giorgio Parisi
CALCOLO DELLE PROBABILITÀ: un trattatello per principianti volenterosi
Statistical Inference, Casella e Berger, 2nd Edition, Duxbury Advanced Series.

Introduzione alla Statistica, S.M. Ross, Apogeo - Maggioli Editore.
testo aggiuntivo: Luca Leuzzi, Enzo Marinari, Giorgio Parisi
CALCOLO DELLE PROBABILITÀ: un trattatello per principianti volenterosi
Statistical Inference, Casella e Berger, 2nd Edition, Duxbury Advanced Series.

Codice insegnamento 20430030

Analisi e gestione dei dati scientifici terrestri e spaziali - Modulo 1 2° anno · 3 CFU · PHYS-05/B · 0 file
Analisi e gestione dei dati scientifici terrestri e spaziali - Modulo 2 2° anno · 3 CFU · PHYS-05/B · 0 file
CALCOLO PARALLELO E DISTRIBUITO 2° anno · 9 CFU · INFO-01/A · 0 file
DEEP LEARNING E MODELLI GENERATIVI 2° anno · 9 CFU · IINF-05/A · 0 file
Data Generation and Analysis in Turbulence 2° anno · 6 CFU · IIND-01/F · 0 file
Data Science per l’Ingegneria Civile e Ambientale 2° anno · 6 CFU · CEAR-01/B · 0 file
Diritto dei Dati 2° anno · 6 CFU · GIUR-11/A · 0 file
METODI NUMERICI E ANALISI DEL RISCHIO PER L'INGEGNERIA CIVILE 2° anno · 6 CFU · MATH-05/A · 0 file
MODEL IDENTIFICATION AND DATA ANALYSIS 2° anno · 6 CFU · IINF-04/A · 0 file
Machine Learning 2° anno · 9 CFU · INFO-01/A · 0 file
Modelli e Tecnologie Data-Driven per la Transizione Energetica 2° anno · 6 CFU · IIND-08/A · 0 file
NATURAL LANGUAGE PROCESSING 2° anno · 6 CFU · INFO-01/A · 0 file
Ottimizzazione combinatoria 2° anno · 6 CFU · MATH-06/A · 0 file
Prova finale 2° anno · 23 CFU · 0 file
Sistemi Informativi Aziendali 2° anno · 6 CFU · ECON-06/A · 0 file
Strumenti di Analisi dei Dati Numerici e Territoriali 2° anno · 6 CFU · CEAR-03/B · 0 file
TFO - TIROCINIO FORMATIVO E DI ORIENTAMENTO 2° anno · 7 CFU · 0 file

Tirocinio effettuato sotto la guida di un docente tutore, svolto sia all’interno, presso strutture dell’Università Roma Tre, che all’esterno, e certificato da una relazione di fine tirocinio, sottoscritta e validata da…

Scheda dell'insegnamento

Scheda ripresa da un altro corso di laurea dello stesso ateneo.

Obiettivi formativi

Tirocinio effettuato sotto la guida di un docente tutore, svolto sia all’interno, presso strutture dell’Università Roma Tre, che all’esterno, e certificato da una relazione di fine tirocinio, sottoscritta e validata da un docente tutore.

Codice insegnamento 20410497

UCL-ULTERIORI CONOSCENZE LINGUISTICHE 2° anno · 3 CFU · 0 file

Approfondire la conoscenza della lingua inglese

Scheda dell'insegnamento

Scheda ripresa da un altro corso di laurea dello stesso ateneo.

Obiettivi formativi

Approfondire la conoscenza della lingua inglese

Codice insegnamento 20410376

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.