Corso di laurea

INGEGNERIA INFORMATICA

Università del SALENTO · 15 materie · 0 file condivisi

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

Sfoglia il materiale didattico

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

Materie del corso

BIG DATA MANAGEMENT 1° anno · 6 CFU · IINF-05/A · 0 file

Obiettivi formativi In coerenza con i Descrittori di Dublino, lo studente acquisirà: Conoscenza e comprensione Gli studenti devono avere una solida preparazione relativa alle basi della gestione dei big data e dei…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivi formativi
In coerenza con i Descrittori di Dublino, lo studente acquisirà:
Conoscenza e comprensione
Gli studenti devono avere una solida preparazione relativa alle basi della gestione dei big data e dei sistemi informativi. Gli studenti devono inoltre avere:
le basi per pensare in modo analitico, creativo e critico ed essere in grado di sviluppare capacità di astrazione e di risoluzione dei problemi per affrontare sistemi complessi
una conoscenza di base della progettazione e dell'implementazione dei sistemi di gestione dei big data
gli strumenti teorici e conoscitivi per progettare database transazionali e analitici applicati a contesti diversi.
le competenze per argomentare i dati in scenari diversi, gli strumenti per gestirli e comprenderne l'impatto.
Applicazione di conoscenze e comprensione
Al termine del corso lo studente sarà in grado di:
Descrivere il modello e le strutture di un sistema informativo; illustrare i componenti principali di un sistema informativo dal punto di vista tecnico e applicativo.
Distinguere i modelli concettuali, logici e fisici nella gestione dei big data.
Modellare i sistemi di elaborazione delle transazioni online dal punto di vista dei big data, distinguendo tra modelli concettuali, modelli relazionali e modelli fisici.
Modellare i sistemi di elaborazione analitica online dal punto di vista dei dati, distinguendo tra modelli concettuali, logici e fisici, ed essere in grado di descrivere le relazioni tra loro e i processi.
Autonomia di giudizio
Gli studenti vengono guidati ad affrontare in modo critico gli argomenti trattati durante la lezione, a confrontare diverse soluzioni per un dato problema, a identificare e proporre la soluzione più efficace o efficiente in modo autonomo.
Abilità comunicative
Gli studenti devono imparare a comunicare con un pubblico eterogeneo, spiegando la loro posizione in modo logico, coerente ed efficace. Durante il corso agli studenti verranno forniti il vocabolario specifico del settore e le conoscenze scientifiche e i metodi adeguati per esporre e argomentare in modo preciso e formale i principali argomenti relativi alla gestione dei big data e ai sistemi informativi.
Capacità di apprendimento
Gli studenti devono acquisire la capacità critica di rapportarsi in modo autonomo ai problemi tipici della gestione dei dati e delle informazioni e, in generale, alle questioni culturali relative ai sistemi informativi e alla loro gestione. Dovrebbero essere in grado di sviluppare un approccio per strutturare in modo indipendente le conoscenze e i metodi appresi in vista di un possibile proseguimento degli studi a livello superiore (dottorato) o nella prospettiva più ampia dell'auto-miglioramento culturale e professionale dell'apprendimento permanente. Pertanto, gli studenti dovrebbero essere in grado di modificare il loro approccio all'apprendimento in base alle diverse fonti di apprendimento e agli obiettivi che devono raggiungere in termini di risultati e pubblico.

Programma

Il corso ha lo scopo di:
introdurre i concetti, le metodologie e gli strumenti del data warehouse per lo sviluppo di sistemi di analisi dei dati e OLAP;
definire il concetto di big data e il ciclo di vita dei big data;
introdurre metodi e tecnologie per progettare e sviluppare applicazioni basate sui big data.

Argomenti principali dei sistemi informativi: piramide di Anthony, applicazioni aziendali, OLTP e OLAP, paradigma ETL [4h]
Definizione e ciclo di vita del data warehouse [3h]
Modellizzazione dimensionale: DFM, snowflake / star schema [5h]
Data Lake e architetture Data Lakehouse (ad es., Apache Iceberg, Delta Lake) [4h]
Paradigma ELT e cloud data warehousing su piattaforme cloud (cenni) [2h]
Strumenti per la visualizzazione e il data storytelling in contesti di Big Data [4h]
Big data da Hadoop ad Apache Spark [5h]
Elaborazione dati in streaming e near real-time (Apache Kafka) [4h]
Database NoSQL e teorema CAP [4h]
Tipologie di database NoSQL: documentali, key-value, colonnari, a grafo [7h]
Data governance e (big) data quality [3h]
Laboratorio: progettazione end-to-end di una big data pipeline [5h]

Modalità d'esame

Prova orale in cui lo studente sviluppa un elaborato progettuale che prevede la progettazione e implementazione di una pipeline dati, applicando le metodologie e gli strumenti esaminati durante il corso a un caso di studio concreto. In sede di discussione, oltre alla presentazione del progetto, sono previste domande di teoria su tutti gli argomenti del corso, al fine di verificare la preparazione complessiva dello studente sull'intero programma.
Criteri di valutazione
La valutazione sarà basata sui seguenti criteri
Qualità e correttezza del project work: valutata attraverso la coerenza delle scelte progettuali e implementative rispetto al problema affrontato, la corretta applicazione delle metodologie di modellizzazione e delle tecnologie esaminate nel corso (data warehouse, data lake/lakehouse, strumenti di elaborazione big data, database NoSQL, ecc.), e la funzionalità complessiva della pipeline dati realizzata. Padronanza dei contenuti teorici: valutata attraverso le risposte alle domande di teoria poste in sede di discussione, distribuite su tutti gli argomenti del corso (per verificare che la preparazione dello studente non sia limitata al solo ambito del progetto svolto, ma copra in modo completo e adeguato l'intero programma). Capacità di argomentazione critica: valutata attraverso la capacità dello studente di motivare le scelte architetturali e tecnologiche adottate nel project work, di discuterne i limiti e le alternative possibili, e di collegare in modo coerente gli aspetti pratici del progetto ai concetti teorici affrontati a lezione.

Testi di riferimento

R. Elmasri, S. Navathe, Fundamental of Database Systems, 7th Ed., Pearson
M. Golfarelli, S. Rizzi, Data Warehouse Design, Mc Graw Hill, 2021
Thomas Erl and Wajid Khattak and and Paul Buhler. Big Data Fundamentals. Prentice Hall. 2016. ISBN 978-0-134-29107-9
Joe Reis, Matt Housley, Fundamentals of Data Engineering, 2022, O’Relly
Balamurugan Balusamy, Nandhini Abirami R, Amir H. Gandomi, Big Data: Concepts, Technology, and Architecture, John Wiley & Sons Inc.; 1st Ed.
Мartin Kleppmann. Designing Data-Intensive Applications. O’Reilly. 2017. ISBN 978-1-449-37332-0
Rajkumar Buyya and Rodrigo N. Calheiros and Amir Vahid Dastjerdi. Big Data: Principles and Paradigms. Morgan Kaufmann. 2016. 978-0-128-05394-2
Ihab F. Ilyas and Xu Chu. 2019. Data Cleaning. Association for Computing Machinery, New York, NY, USA.
Materiale aggiuntivo sarà fornito durante le lezioni e reso disponibile tramite la piattaforma elearning-unisalento.it
NOTA: gli studenti che non hanno frequentato il corso di Database, possono fare riferimento anche al seguente corso online: "Database Modeling and Design" by Prof. C. Batini on EDUOPEN: https://www.eduopen.org

Codice insegnamento 211434

DATA MINING & MACHINE LEARNING 1° anno · 9 CFU · IINF-05/A · 0 file
FONDAMENTI DI ROBOTICA 1° anno · 6 CFU · IINF-04/A · 0 file

Capacità di applicare conoscenza e comprensione) Descrivere e spiegare le principali peculiarità (sia vantaggi che svantaggi) di ogni aspetto della progettazione di un sistema robotico, robotico mobile e…

Scheda dell'insegnamento

Obiettivi formativi

Capacità di applicare conoscenza e comprensione) Descrivere e spiegare le principali peculiarità (sia vantaggi che svantaggi) di ogni aspetto della progettazione di un sistema robotico, robotico mobile e multi-robotico. (Capacità di applicare conoscenza e comprensione) + (Abilità comunicative) + (Autonomia di giudizio) Essere consapevoli, descrivere e spiegare i problemi pratici del controllo di sistemi complessi e come superare questi inconvenienti utilizzando approcci moderni. (Capacità di applicare conoscenza e comprensione) + (Capacità di apprendimento) + (Autonomia di giudizio) Partendo da un problema pratico, lo studente deve essere in grado di formalizzare un'adeguata formulazione teorica, nonché di costruire un quadro di simulazione per trovare una soluzione informatica del problema matematico con l'utilizzo di un software idoneo. (Capacità comunicative) + (Capacità di apprendimento) Gli studenti possono sviluppare un progetto su un'applicazione di interesse in cui applicare le metodologie sviluppate durante il corso.

Programma

Questo corso offre un'ampia panoramica degli argomenti fondamentali nel campo della robotica, della robotica mobile e dei sistemi multi-robotici. Si propone di fornire principi e strumenti per enunciare e risolvere problemi di progettazione di robot industriali e dispositivi mobili, e la soluzione viene ricercata numericamente con l'ausilio di un software idoneo (nel corso viene utilizzato Mathworks Matlab).

Introduzione alla robotica. Strutture meccaniche dei robot. Robot Manipolatori, Robot Mobili, Robotica Industriale. Robotica avanzata, robot da campo, robot di servizio. Modellazione, pianificazione e controllo di robot. Background matematico e collegamenti con altri corsi. Cinematica. Angoli di Eulero. Convenzione di Denavit-Hartenberg. Cinematica delle strutture tipiche del manipolatore. Il problema della cinematica inversa. Cinematica e statica differenziale. Jacobiano geometrico. Singolarità cinematiche. Analisi della Ridondanza.Statica. Dualità cineto-statica. Pianificazione della traiettoria. Traiettorie spaziali congiunte. Dinamica. Formulazione di Lagrange. Formulazione di Newton-Eulero. Ellissoide di manipolabilità dinamica. Controllo del movimento. Controllo della forza. Robot mobili. Vincoli anolonomi. Modello cinematico, modello dinamico. Pianificazione, controllo del movimento.

Modalità d'esame

L'esame consiste nello svolgimento di un progetto e relativa discussione orale. L'esame è finalizzato a determinare in che misura lo studente possiede: 1) la capacità di identificare e utilizzare i dati per formulare risposte a problemi ben definiti, 2) capacità di problem solving per cercare una soluzione attraverso un algoritmo.

Testi di riferimento

Title: Robotics: Modelling, Planning and Control Authors: Siciliano, B., Sciavicco, L., Villani, L., Oriolo, G. Publisher: Springer-Verlag London Copyright Year: 2009

Codice insegnamento 211433

INTERNET OF THINGS 1° anno · 9 CFU · IINF-05/A · 0 file
PIANIFICAZIONE AUTOMATICA E SISTEMI DI SUPPORTO ALLE DECISIONI 1° anno · 9 CFU · MATH-06/A · 0 file

Knowledge and understanding . Lo studente acquisirà le conoscenze di base per progettare e mettere in opera sistemi intelligenti che supportino o automatizzino decisioni complesse. Applying knowledge and understanding.…

Scheda dell'insegnamento

Obiettivi formativi

Knowledge and understanding . Lo studente acquisirà le conoscenze di base per progettare e mettere in opera sistemi intelligenti che supportino o automatizzino decisioni complesse.
Applying knowledge and understanding. Al termine del corso, lo studente sarà in grado di progettare e implementare in C++ o Python un mock-up dei più comuni sistemi di supporto alle decisioni.

Programma

Il corso fornisce i fondamenti metodologici e la conoscenza delle soluzioni tecnologiche per realizzare e mettere in opera sistemi intelligenti che supportino o automatizzino decisioni complesse. Le applicazioni trattate spaziano dalla promozione delle vendite nell'e-commerce alla pianificazione della produzione nel settore manifatturiero, dall'ottimizzazione di portafogli di asset nel settore finanziario alla gestione real-time di AGV (veicoli a guida automatica) in magazzini automatizzati, ... Le metodologie presentate spaziano dalla Ricerca Operativa alla Statistica fino all'Intelligenza Artificiale.

PART I – INTRODUZIONE (6 ore) 1.1 Introduzione: dati, informazioni, conoscenza; tassonomia delle decisioni, classificazione dei metodi di supporto alle decisioni 1.2 Agenti intelligenti
PART II – TUTORIAL SUL LINGUAGGIO PYTHON (6 ore) 2.1 La sintassi del linguaggio. Librerie. Ambienti di sviluppo.
PART III – OTTIMIZZAZIONE (27 ore) 3.1 Concetti fondamentali. Rassegna di modelli di ottimizzazione nei settori della logistica, della produzione, dei trasporti, dell'e-commerce, della finanza. Ottimizzazione Convessa. Programmazione Lineare. Programmazione Lineare a Variabili Intere.
PART IV – SIMULAZIONE (21 ore) 4.1 Valutazione delle prestazioni: sperimentazione, simulazione e metodi analitici. Simulazione Monte Carlo. Simulazione ad Eventi Discreti. 4.2 Cenni su alcuni metodi analitici 4.3 Richiami su stima e test di ipotesi 4.4 Generazione di numeri pseudocasuali 4.5 Simulazione ad eventi discreti: analisi dell'output, cenni sui metodi di riduzione della varianza
PART V - PLANNING (27 ore) 5.1 Search. Search uninformed e informed. A* algorithm. Action languages e linguaggio STRIPS. 5.2 Dynamic Programming (DP) 5.3 Algoritmi euristici. Local search. Tabu Search. Simulated Annealing. Algoritmi Genetici. GRASP 5.4 Elementi di Adversarial Search e Game Theory. 5.5 Elementi di logica proposizionale e del I ordine. Elementi di Constraint Programming.
PART VI - PLANNING IN CONDIZIONI DI INCERTEZZA (21 ore) 6.1 Matrice dei reward. Criterio del max-min, del min-max. di Bayes. Valore atteso della perfetta informazione 6.2 Attitudine del decisore al rischio. Downside risk. 6.3 Processi Decisionali Sequenziali 6.4 Cenni sulla DP in condizioni di incertezza e Reinforcement Learning

Modalità d'esame

L'esame consiste di due parti:
una prova scritta con 15 domande a risposta breve (15 punti);
una prova orale in cui lo studente illustri lo svolgimento dei problemi/esercizi/approfondimenti assegnati dal docente a lezione (reperibili su www.elearning.unisalento.it)

Testi di riferimento

Slides e snippets utilizzati a lezione (disponibili su http://elearning.unisalento.it/ )
Per consultazione:
Russell, Stuart J., and Peter Norvig. Artificial intelligence: a modern approach. Malaysia; Pearson Education Limited, 2016.

Codice insegnamento 211436

PROGETTAZIONE DI ARCHITETTURE DI SERVIZI 1° anno · 6 CFU · IINF-05/A · 0 file

Al termine del corso, lo studente sarà in grado di applicare i principali principi dell’ingegneria del software e di controllare la qualità dei programmi sviluppati. Sarà capace di progettare e realizzare applicazioni…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, lo studente sarà in grado di applicare i principali principi dell’ingegneria del software e di controllare la qualità dei programmi sviluppati. Sarà capace di progettare e realizzare applicazioni seguendo gli standard industriali e i processi strutturati di produzione del software. Imparerà inoltre a verificare il corretto funzionamento del software utilizzando strumenti standard e metriche riconosciute. Il corso fornirà le competenze necessarie per sviluppare applicazioni web complesse basati su architettura a microservizi, impiegando tecnologie come Spring, React, RabbitMQ, e altre simili. Verranno affrontati anche i fondamenti del Cloud Computing moderno, con l’uso di strumenti come Docker, Kubernetes e AWS. Infine, lo studente acquisirà familiarità con pattern di progettazione avanzati e tecniche per la realizzazione di sistemi complessi e distribuiti, e imparerà a integrare l’intelligenza artificiale nei processi e nelle architetture di produzione del software.

Programma

Il corso approfondisce i principi, le metodologie e gli strumenti dell’ingegneria del software moderna, con particolare attenzione alla progettazione, allo sviluppo e alla gestione di sistemi complessi e distribuiti. Gli studenti imparano ad applicare pratiche professionali di sviluppo seguendo standard industriali e processi strutturati, con un’attenzione costante alla qualità del software e al suo controllo mediante strumenti e metriche consolidate.
Attraverso attività pratiche e di progetto, il corso guida alla realizzazione di applicazioni web avanzate basate su architetture a microservizi, utilizzando tecnologie diffuse come Spring, React e RabbitMQ. Viene inoltre introdotto l’impiego di strumenti e piattaforme di Cloud Computing, quali Docker, Kubernetes e AWS, fondamentali per lo sviluppo, la distribuzione e la scalabilità di applicazioni moderne.
Completano il percorso l’approfondimento di design pattern avanzati, le tecniche per la costruzione di sistemi distribuiti e l’esplorazione delle opportunità offerte dall’intelligenza artificiale nei processi di produzione e nelle architetture software.

Modalità d'esame

La verifica delle conoscenze e delle competenze consiste nella realizzazione di un prototipo software, finalizzato a valutare l’applicazione pratica delle architetture a microservizi e delle tecniche di testing, che sarà oggetto di discussione durante un esame orale. Il sistema software dovrà essere progettato utilizzando UML e adottando design pattern standard. Lo sviluppo dovrà avvenire a partire da framework basati su MVC che sono illustrati in modo dettagliato durante le lezioni e le esercitazioni. Il prototipo software dovrà essere testato in modo sistematico, con la raccolta di metriche significative. Il prototipo software dovrà essere sviluppato seguendo un processo agile e corredato da adeguata documentazione. Un mese dopo l’inizio del corso, il docente pubblicherà i requisiti generali del prototipo software, che varieranno di anno in anno. I requisiti resteranno validi fino alla pubblicazione di una nuova specifica.

Testi di riferimento

Ian Sommerville - Engineering Software Products: An Introduction to Modern Software Engineering - Pearson, 2020.

Codice insegnamento 211430

PROGRAMMAZIONE DI SISTEMA 1° anno · 9 CFU · IINF-05/A · 0 file

Overview The course aims at starting the students off on programming system applications (e.g. a server) on a UNIX® System. Learning Outcomes; after the course the student should * Know the most important functionalities…

Scheda dell'insegnamento

Obiettivi formativi

Overview The course aims at starting the students off on programming system applications (e.g. a server) on a UNIX® System.
Learning Outcomes; after the course the student should * Know the most important functionalities and facilities offered by a UNIX® system, the System Calls (and, more generally, the APIs) offered to access them. * Be able to write efficient CLI (Command Line Interface) system and network applications in the C language. * Know how to write interoperable applications by complying with the UNIX® standards (SUSv3, SUSv4). * Know which are the main differences between the MacOS and the Linux varieties and how to cope with them.

Programma

UNIX System Overview UNIX Standardization and Implementations File I/O Files and Directories System Data Files and Information Process Environment Process Control Process Relationships Signals Threads Thread Control Daemon Processes Advanced I/O Interprocess Communication Network IPC: Sockets Terminal I/O

Modalità d'esame

Writing a C program aimed at solving a given problem within a given time. Students are free to consult (paper and digital) texts.

Testi di riferimento

F. Tommasi "Alla Scoperta di UNIX - Esplorare GNU/Linux e macOS con la linea di comando" 2a edizione, Aprile 2024, ISBN: 979-1221056372
Stevens, Rago, Advanced Programming in the UNIX Environment, 3rd Edition, Addison-Wesley, 2013 ISBN 978-0321637734
Stevens, Fenner, Rudoff, Unix Network Programming, Volume 1: The Sockets Networking API (3rd Edition), Addison-Wesley, 2003 ISBN 978-0131411555
Kerrisk, The Linux Programming Interface, NO STARCH PRESS, 2010 ISBN 978-1593272203
Handouts will be delivered by the teacher through https://elearning.unisalento.it

Codice insegnamento 211429

REALTA’ ESTESA 1° anno · 6 CFU · IINF-05/A · 0 file

Gli studenti acquisiranno conoscenze sullo sviluppo di applicazioni VR/AR nel settore dei beni culturali, della medicina e dell'istruzione.

Scheda dell'insegnamento

Obiettivi formativi

Gli studenti acquisiranno conoscenze sullo sviluppo di applicazioni VR/AR nel settore dei beni culturali, della medicina e dell'istruzione.

Programma

Il corso presenta una rassegna delle attuali tecnologie di Realtà Virtuale (VR) e Realtà Aumentata (AR) e fornisce un'analisi dettagliata degli aspetti scientifici e funzionali dei sistemi VR. Il corso introduce inoltre alla costruzione di applicazioni VR/AR.

Introduzione alla tecnologia della Realtà Virtuale Dispositivi di visualizzazione Interazione nell'ambiente virtuale Introduzione alla tecnologia della realtà aumentata Applicazioni di realtà aumentata basate su marker e senza marker Realtà virtuale e aumentata nei beni culturali Realtà virtuale e aumentata in medicina Realtà virtuale e aumentata nell'educazione Unity 3D Lezioni pratiche in laboratorio

Modalità d'esame

L'esame finale consiste nella discussione del progetto sviluppato dallo studente.

Testi di riferimento

Schmalstieg D., Hollerer T. - Augmented Reality, Addison Wesley, 2016
De Giorgis G. - Unity, Apogeo, 2021

Codice insegnamento 211427

SICUREZZA DEI SISTEMI 1° anno · 6 CFU · IINF-05/A · 0 file

The course aims at providing the students with the basics of Computer Security. The course is based on UNIX®, the system which runs 86% of all publicly accessible servers (src:…

Scheda dell'insegnamento

Obiettivi formativi

The course aims at providing the students with the basics of Computer Security. The course is based on UNIX®, the system which runs 86% of all publicly accessible servers (src: https://w3techs.com/technologies/overview/operating_system )

Programma

Introduction to Computer Security Vulnerabilities of Set-UID programs Attacks based on Environment Variables Buffer Overflow attacks Introduction to Cryptography One-Way Hash Functions Secret-Key Encryption Public Key Cryptography Public Key Infrastructure Web security Transport Layer Security Bitcoin and Blockchain

Modalità d'esame

Writing a program aimed at solving a given problem in a given time.

Testi di riferimento

Textbook:
Wenliang Du. Internet Security: A Hands-on Approach, May 2022, ISBN 978-1733003964
Wenliang Du. Computer Security: A Hands-on Approach, May 2022, ISBN 978-1733003957
Additional, useful references:
F. Tommasi "Alla Scoperta di UNIX - Esplorare GNU/Linux e macOS con la linea di comando" 2a edizione, Aprile 2024, ISBN: 979-1221056372

Codice insegnamento 211428

STATISTICAL LEARNING 1° anno · 6 CFU · IINF-03/A · 0 file

Knowledge and understanding. Students must have a solid background of statistical techniques, including probability and stochastic processes, that can be applied to solve problems in engineering with a data-driven…

Scheda dell'insegnamento

Obiettivi formativi

Knowledge and understanding. Students must have a solid background of statistical techniques, including probability and stochastic processes, that can be applied to solve problems in engineering with a data-driven approach. They should be able to:
Describe the characteristics of advanced statistical learning techniques and discuss the principles of data science and machine learning design;
Understand the different types of techniques that can be exploited to solve regression, classification, and other learning problems;
Describe how traditional machine learning algorithms and (deep) neural networks can be suited to different types of problems.
Applying knowledge and understanding. After the course the student should be able to:
Work with analytical models and solve optimization, classification, and estimation problems related to the course topics;
Describe the peculiar aspects and main challenges of machine learning, and how advanced statistical techniques can be adopted to efficiently cope with them;
Understand the differences among several techniques addressing the same problem and recognize the main trade-offs;
Discuss the evolution of the data-driven paradigm, the related ongoing trends and risks.
Making judgements. Students are guided to learn critically what is taught during classes, comparing different approaches, while having a clear view of the big picture.
Communication. It is essential that students are able to communicate with a varied and composite audience, not culturally homogeneous, in a clear, logical and effective way, using the methodological tools acquired, their scientific knowledge, and the specialty vocabulary. The course promotes the development of the following skills: ability to highlight and expose in precise terms the characteristics of a variety of statistical and machine learning concepts and techniques; ability to describe and analyze the different options available for a given application scenario or use case, and illustrate the main trade-offs; ability to communicate in a rigorous way backed by statistical reasoning and data science knowledge.
Learning skills. Students must acquire the critical ability to discuss, with originality and autonomy, the most important aspects of statistical (machine) learning and, in general, cultural issues linked to data science especially in the ICT domain. They should be able to develop and apply the knowledge learned in the continuation of their studies and in the broader perspective of cultural and professional self-improvement of lifelong learning. Therefore, students are asked to refer to and compare different sources and textbooks, possibly by also autonomously selecting authoritative materials from the vast amount of information available (libraries, online repositories, and the Web at large).

Programma

The course provides a broad coverage of the essential elements of statistical learning as well as concepts, methodologies and tools that find application in machine learning, data science, and related data-driven fields.

Introduction to Machine Learning, recapitulation of Probability and Statistics
Learning theory for parametric models
(linear regression,statistical decision theory and classification, bias, MSE, trade-off, model complexity, Maximum Likelihood, Bayesian inference, curse of dimensionality, cross-validation, MSE linear estimation and applications, stochastic gradient descent, least-squares approach)
Overview of Supervised Learning
(Least Squares and Nearest Neighbors, local methods in high dimensions, statistical models, supervised learning and function approximation, model selection and the bias-variance trade-off)
Classification methods
(Bayesian classification, the Nearest Neighbor rule, logistic regression, Fisher’s linear discriminant, classification trees and bagging, the boosting approach, random forests)
Sparse signal representation and learning
(LASSO, compressed sensing, embeddings, ensemble learning)
Learning in Reproducing Kernel Hilbert Spaces
(Kernel smoothers and regression, representer theorem, kernel ridge regression, support vector machines)
Unsupervised learning
(clustering, principal components and dimensionality reduction)
Neural Networks and Deep Learning
(perceptron, the backpropagation algorithm, universal approximation, neural network architectures, deep autoencoder)
Ongoing trends and risks in data-driven approaches

Modalità d'esame

Oral. The final exam consists of questions aimed at verifying to what extent the student 1) has gained knowledge and understanding of the selected topics of the course, 2) is able to discuss complex aspects in a synthetic way, and 3) has gained adequate degree of maturity in linking concepts within a system view. Mathematical derivations are included in the questions so that the student can demonstrate his/her ability to 1) correctly adopt formal techniques for solving well-defined problems, and 2) integrate different concepts and tools.

Testi di riferimento

Textbooks (other specific references are provided during the course)
S. Theodoridis, "Machine Learning: A Bayesian and Optimization Perspective", 3rd edition, Academic Press, 2024
T. Hastie, R. Tibshirani, J. Friedman, "The Elements of Statistical Learning: Data Mining, Inference, and Prediction", 2nd edition, Springer, 2009
S. J.D. Prince, "Understanding Deep Learning", The MIT Press, 2026
O. Simeone, "A Brief Introduction to Machine Learning for Engineers", Foundations and Trends in Signal processing, Now publishing, 2021

Codice insegnamento 211435

ALGORITMI PARALLELI E TECNICHE DI ANALISI ALGORITMICA 2° anno · 9 CFU · IINF-05/A · 0 file

Knowledge and understanding. Gli studenti devono avere un solido background con un ampio spettro di conoscenze di base sugli algoritmi sequenziali e paralleli: gli studenti devono possedere gli strumenti cognitivi di…

Scheda dell'insegnamento

Obiettivi formativi

Knowledge and understanding.
Gli studenti devono avere un solido background con un ampio spettro di conoscenze di base sugli algoritmi sequenziali e paralleli:
gli studenti devono possedere gli strumenti cognitivi di base per pensare in modo analitico, creativo, critico e curioso, e possedere le capacità di astrazione e di risoluzione dei problemi necessarie per affrontare sistemi complessi;
devono avere una solida conoscenza della progettazione e dell'implementazione di algoritmi efficienti sequenziali e paralleli;
devono possedere gli strumenti per analizzare le risorse utilizzate dagli algoritmi;
devono possedere un catalogo dei più noti ed efficienti algoritmi sequenziali e paralleli per problemi computazionali di base.
Applying knowledge and understanding.
Al termine del corso lo studente dovrebbe essere in grado di:
Descrivere e utilizzare le principali tecniche di progettazione di algoritmi sequenziali;
Progettare, dimostrare la correttezza e analizzare la complessità computazionale di algoritmi sequenziali;
Comprendere le differenze tra diversi algoritmi che risolvono lo stesso problema e riconoscere quale sia migliore in condizioni diverse;
Descrivere e utilizzare gli algoritmi sequenziali di base;
Descrivere e utilizzare le strutture dati di base; conoscere l'esistenza di strutture dati avanzate;
Comprendere la differenza tra algoritmi sequenziali e paralleli;
Progettare, implementare e analizzare algoritmi paralleli basati sul message-passing in C utilizzando la libreria MPI;
Descrivere e utilizzare algoritmi paralleli di base.
Making judgements. Gli studenti sono guidati ad apprendere criticamente tutto ciò che viene loro spiegato in classe, a confrontare diversi approcci alla soluzione di problemi algoritmici e a identificare e proporre, in modo autonomo, la soluzione più efficienti.
Communication. È fondamentale che lo studente sia in grado di comunicare con un pubblico vario e composito, non culturalmente omogeneo, in modo chiaro, logico ed efficace, utilizzando gli strumenti metodologici acquisiti e le proprie conoscenze scientifiche e, in particolare, il lessico specialistico. Il corso promuove lo sviluppo delle seguenti abilità dello studente: capacità di esporre in termini precisi e formali un modello astratto di problemi concreti, individuandone le caratteristiche salienti e scartando quelle non essenziali; capacità di descrivere e analizzare una soluzione efficace per un dato problema.
Learning skills. Gli studenti devono acquisire la capacità critica di rapportarsi, con originalità e autonomia, alle problematiche tipiche degli algoritmi sequenziali e paralleli e, in generale, alle questioni culturali legate ad altri ambiti simili. Dovranno essere in grado di sviluppare e applicare autonomamente le conoscenze e i metodi appresi in vista di un eventuale proseguimento degli studi a livello superiore (dottorato) o nella più ampia prospettiva di auto-miglioramento culturale e professionale dell'apprendimento permanente. Pertanto, gli studenti devono essere in grado di passare a forme espositive diverse dai testi di partenza per memorizzare, riassumere per sé e per gli altri e diffondere le conoscenze scientifiche.

Programma

Il corso fornisce un'introduzione moderna alla progettazione, analisi ed implementazione di algoritmi sequenziali e paralleli. In particolare, il corso si basa su un approccio pragmatico alla programmazione parallela di algoritmi message-passing attraverso il linguaggio C e la libreria MPI.

Algoritmi Sequenziali
Introduzione agli algoritmi sequenziali. Tecniche di progettazione di algoritmi. Design ed analisi. Modello RAM. Decrease and conquer. Russian Peasant multiplication. Il problema dell'ordinamento. Insertion Sort. Analisi di Insertion Sort. Correttezza. Assertions. Invariants. Correttezza di Insertion Sort. Ordini di grandezza e notazioni asintotiche. Uso delle notazioni asintotiche. Classi di funzioni. Analisi del running time di un algoritmo usando le notazioni asintotiche. Determinare la complessità computazionale di un algoritmo. Divide and conquer. Merge Sort. Equazioni di ricorrenza. Recursion tree.
Risoluzione di equazioni di ricorrenza. Metodo di sostituzione. Albero di ricorsione. Master theorem e sue estensioni. Teoremi di Akra-Bazzi. Metodo di Iterazione. Cambio di variabile. Ricorrenze lineari di ordine costante con coefficienti costanti.
Divide and conquer. Merge Sort. Binary search. Interpolation search. Powering a number. Calcolo dell'ennesimo numero di Fibonacci. Algoritmo di Strassen per la moltiplicazione matriciale. Algoritmo di Karatsuba per la moltiplicazione di due numeri. Minimo e massimo simultanei tramite divide and conquer oppure mediante algoritmo iterativo. Majority element: divide and conquer algorithm. Algoritmo di Boyer and Moore.
The hiring problem. Analisi nel caso peggiore. Analisi probabilistica di un algoritmo deterministico (average-case analysis). Variabili aleatorie indicatrici. Media di una variabile aleatoria indicatrice. Algoritmi randomizzati. Caratteristiche e differenze di un algoritmo randomizzato rispetto ad un algoritmo deterministico. Algoritmi randomizzati Monte Carlo e Las Vegas. Esempio di analisi di un algoritmo randomizzato: expected e worst-case running time. Algoritmo randomizzato di Freivald (Monte Carlo Matrix Multiplication Checker) per matrici con entries a valere su un campo GF(2). Correttezza dell'algoritmo di Freivald. Aumento della probabilità che l'output sia corretto da una probabilità costante ad una esponenzialmente elevata. Generalizzazione per matrici con entries a valere su un campo GF(d).
QuickSort. Partizionamento. Analisi nel caso peggiore. Analisi nel caso medio. Considerazioni introduttive sulla complessita' dell'algoritmo nel caso medio. Un esempio di analisi nel caso medio errata. Disuguaglianza di Jensen. Analisi dettagliata del caso medio tramite variabili aleatorie indicatrici. Paranoid Quicksort. Analisi nel caso medio di Paranoid Quicksort.
Transform and Conquer: instance simplification, representation change, problem reduction. Heaps. Max-Heap e Min-Heap. Max-Heapify. Build-Max-Heap. HeapSort. Priority Queues.
Lower bound per algoritmi di ordinamento per confronti. Ordinamento in tempo lineare. Counting sort. Radix sort. Bucket sort.
Statistiche d'ordine. Selezione in tempo atteso lineare. Selezione in tempo lineare nel caso peggiore.
Introduzione alla programmazione dinamica. Matrix Chain Multiply. Optimal substructure. Overlapping subproblems. Top-down divide and conquer approach with memoization. Bottom-up iterative approach. Longest Common Subsequence. Elementi fondamentali della programmazione dinamica. Knapsack problem. 0-1 and fractional knapsack. Algoritmo basato su programmazione dinamica per 0-1 knapsack. Algoritmi pseudo-polinomiali.
Strategia greedy. Greddy choice property. Activity selection problem. Algoritmo basato su programmazione dinamica per activity selection. Algoritmo greedy per activity selection. Confronto tra approccio greedy e programmazione dinamica. Algoritmo greedy applicato a Knapsack 0-1 e fractional knapsack. Minimum Spanning Tree. Algoritmo di Prim.
Paths in graphs. Shortest paths. Optimal substructure. Triangle inequality. Negative weight cycles. Single-source shortest paths. Dijkstra’s algorithm. Correctness and analysis. Unweighted graphs and breadth-first search. Correctness and analysis. Belmann-Ford algorithm. Correctness and analysis. Shortest paths in Directed Acyclic Graphs: topological sort and depth-first search. All-pairs shortest paths. Dynamic programming algorithm. Floyd-Warshall algorithm. Correctness and analysis. Transitive closure of a directed graph.
Flow networks. Capacity constraint. Flow conservation. Maximum flow problem. Cuts. Flow across a cut. Capacity of a cut. Minimum cut. Characterization of flow value. Upper bound on the maximum flow value. Residual network. Residual capacities. Augmentation of a flow. Augmenting paths. Max-flow min-cut theorem. Ford-Fulkerson algorithm. Analysis. Pseudo-polinomiality of Ford-Fulkerson. Edmonds-Karp algorithm. Monotonicity lemma. Counting flow augmentations. Analysis of Edmonds-Karp.
Maximum matching problem. Maximum and maximal matching. 2-approximation greedy algorithm for maximal matching. Approximation algorithms. Maximum matching on bipartite graphs.
Introduzione alla complessita' computazionale concreta. Presentazione informale delle classi di complessita' P, NP e NPC. Problemi astratti e concreti. Problemi decisionali. Codifica di un problema. Linguaggi formali. Caratterizzazione formale delle classi P, NP e NPC. Riduzioni in tempo polinomiale. Il problema P = NP e sue implicazioni. Problemi NP-Completi. Dimostrazioni di NP-Completeness. Circuit-SAT. SAT. 3-CNF-SAT. Clique. Vertex cover. Tipi di computazione: deterministica, randomizzata, nondeterministica. Computing models: RAM e Turing Machine. Nondeterminismo. Church-Turing thesis. Linguaggi decidibili, semidecidibili e indecidibili. Extended Church-Turing thesis. Sequential computing thesis. Upper bounds e lower bounds. Classi di complessita’ di base. Relazioni tra RAM e Turing Machine. Classi di complessita’ L, NL, P, NP, POLYLOGSPACE, PSPACE, EXP. Riduzioni e completezza. P-Completeness. Tesi del calcolo parallelo. Problemi altamente parallelizzabili. Classe Polylogspace. Classe NC. Problemi difficilmente parallelizzabili: i problemi P-Completi.
Algoritmi Paralleli
Introduction to parallel computing. Concurrency, parallelism and Bernstein's conditions. Data Parallelism, functional parallelism and pipeline. Data and functional parallelism example: a generic clustering algorithm. Architetture parallele. Message-Passing and shared memory. MPI and OpenMP.
Task-Channel model. Metodologia PCAM. Partitioning. Domain e functional decomposition. Comunicazione. Comunicazione locale e globale, strutturata e non strutturata. Agglomerazione. Granularity. Surface to volume effect. Communication/computation ratio. Mapping. Static and dynamic mapping decision tree. Case studies. Boundary value problem. Determinare il massimo. Reduction. The n-body problem. Gather. All-gather. Adding data input. Scatter. Message-Passing model. Libreria MPI.
Circuit-SAT: parallelizzazione tramite MPI. User-Defined Reductions. Derived datatypes. Benchmarking. How to install the MPI library on linux, macOS and Windows.
Crivello di Eratostene. Parallelizzazione. Allocazione a blocchi. Broadcast in MPI. Sieve performance enhancements. Eliminare i numeri pari, replicare il calcolo per eliminare le comunicazioni, riorganizzare i cicli per migliorare il cache hit rate. Analysis and benchmarking.
All-pairs shortest path problem. Dynamic 2-D arrays in C. Parallel algorithm design: Partitioning. Communication. Agglomeration e mapping. Rowwise e Columnwise block striped decompositions. Point-to-point communication in MPI. Block row matrix I/O. Analysis and benchmarking. Overlapping communication and computation.
Analisi delle prestazioni. Communication overhead. Total overhead. Work. Cost. Degree of concurrency. Maximum and average degree of concurrency. Critical Path Length, also known as span or depth. Parallelism. Work Law. Span Law. Brent's theorem. Execution time components. General speedup formula. Optimal number of processors. Super-linear speedup. Another definition of overhead, based on the speedup. Efficiency. Amdahl’s effect. Amdahl’s Law. Gustafson’ Law. Karp-Flatt metric. Isoefficiency Metric. Scalability. Strongly scalable and weakly scalable algorithms. Quasi-scalable algorithms and the scaling zone. Scalability function. Cost-Optimality (Work-Efficiency) and Isoefficiency. Scaling down dei processori. Impatto della mancanza di cost-optimality. Minimum Parallel execution Time. Minimum Cost-Optimal Parallel Execution Time.
Moltiplicazione matrice-vettore. Sequential algorithm and its complexity. Design, analysis, and implementation of parallel programs based on Rowwise block striped, and Columnwise block striped decompositions. Replication of vectors. All-gather. MPI_Allgatherv. All-to-all. MPI_Scatterv. MPI_Gatherv. MPI_Alltoallv. Moltiplicazione matrice-vettore: algoritmo basato su decomposizione checkerboard block. Design ed analisi. Creazione di communicators con topologia cartesiana in MPI. Creazione di communicators mediante MPI_Comm_split. Document classification. Parallel algorithm design. Manager-worker paradigm (master-slave). Creating communicators. Non-blocking communications. Additional MPI functions.
Moltiplicazione matriciale. Sequential algorithms: Iterative row-oriented and Recursive block-oriented. Parallel algorithms: Rowwise block striped decomposition and Cannon’s algorithm. DNS Algorithm. SUMMA algorithm. Fox's matrix multiplication algorithm.
Dense linear systems. Special matrices. Back substitution algorithm. Parallel row-oriented algorithm. Parallel column-oriented algorithm. Gaussian elimination algorithm. Avoiding numerical issues: partial pivoting. Parallel row-oriented algorithm MPI reduction operators MPI_MAXLOC and MPI_MINLOC. Parallel column-oriented algorithm. Pipelined row-oriented algorithm. Sparse linear systems. Jacobi and Gauss-Seidel methods. Conjugate Gradient Method. Parallel algorithm based on rowwise block striped decomposition.
Ordinary and partial differential equations. Examples of Phenomena Modeled by PDEs. Solving PDEs. Linear Second-order PDEs. Difference Quotients. Finite difference methods. Vibrating string problem. Discretization. Parallelization. Ghost cells. Analysis. Replication of computations done by neighbouring processes to reduce communications. Steady state heat distribution problem. Parallel algorithm based on rowwise block striped and checkerboard block decompositions. Analysis.
Sorting problem. Sequential Quicksort algorithm. Parallel Quicksort. Complexity and isoefficiency analysis. HyperQuicksort. Complexity and isoefficiency analysis. Parallel sorting by regular sampling. Complexity and isoefficiency analysis.
Parallel Programming
Message-Passing programming using the MPI library.

Modalità d'esame

L'esame consiste in una prova scritta.
Al fine di verificare la conoscenza e la comprensione della materia da parte dello studente, La prova scritta (2 ore) verte su:

  • argomenti teorici relativi alla progettazione ed all'analisi di algoritmi sequenziali e paralleli;
  • correttezza e performance di algoritmi sequenziali e paralleli.
    La prova scritta è valutata su una scala da 18 a 30 punti e lode, ed è superata se il voto conseguito è almeno pari a 18.

Testi di riferimento

Introduction to Algorithms. Fourth edition. Cormen, Leiserson, Rivest, Stein. The MIT Press
Parallel Programming in C with MPI and OpenMP (International Edition). Michael J. Quinn. McGraw-Hill

Codice insegnamento 212024

COMPUTER VISION 2° anno · 6 CFU · IINF-03/A · 0 file

Al termine del corso lo studente saprà: spiegare il processo di formazione e digitalizzazione di un’immagine, inclusi proiezione, lenti, sensori, colore, campionamento e aliasing; usare coordinate omogenee,…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente saprà:
spiegare il processo di formazione e digitalizzazione di un’immagine, inclusi proiezione, lenti, sensori, colore, campionamento e aliasing;
usare coordinate omogenee, trasformazioni 2D/3D, omografie, RANSAC, calibrazione ed elementi di geometria epipolare;
costruire semplici pipeline di filtraggio, descrizione locale, matching e ricostruzione da più viste;
implementare e addestrare in PyTorch un modello di classificazione, comprendendo loss, backpropagation, ottimizzazione, regolarizzazione e data augmentation;
confrontare CNN e Vision Transformer e adattare modelli pre-addestrati a classification, detection e dense prediction;
usare criticamente foundation model visuali, promptable segmentation e rappresentazioni image–text;
valutare un sistema con metriche appropriate, analisi degli errori, controlli di robustezza e pratiche di riproducibilità;
comunicare scelte, limiti e risultati attraverso codice leggibile, una breve relazione tecnica e una dimostrazione.

Programma

Dai pixel alle scene. Dalla geometria ai foundation model. Il corso insegna non soltanto a usare un modello, ma a capire che cosa vede, quali ipotesi fa e quando può fallire.
La Computer Vision è un insegnamento del secondo anno della Laurea Magistrale in Ingegneria Informatica . Il corso è quindi progettato per studenti che possiedono già le basi matematiche, algoritmiche e informatiche necessarie per affrontare modelli, articoli scientifici ed esperimenti con un buon livello di autonomia.
La Computer Vision moderna è guidata dal deep learning, ma immagini, videocamere e scene continuano a obbedire a vincoli fisici e geometrici. Il corso costruisce quindi un unico percorso in cui formazione dell’immagine, geometria proiettiva e apprendimento automatico si illuminano a vicenda.
Gli studenti partiranno dal modo in cui una scena tridimensionale diventa un’immagine digitale, studieranno trasformazioni, calibrazione e geometria multivista, quindi impareranno a progettare, addestrare e valutare modelli convoluzionali e transformer. Il percorso culminerà nei sistemi contemporanei per detection, segmentazione, rappresentazioni visuali auto-supervisionate, visione multimodale e ricostruzione 3D neurale.
Il filo conduttore sarà una domanda: quali proprietà devono essere imposte dalla geometria e quali possono essere apprese dai dati?

Settimana Lunedì — 2 ore Giovedì — 3 ore, salvo ultima settimana Evidenza di apprendimento 1 14/09 — Vedere, proiettare e misurare. Che cos’è la Computer Vision; immagine come misura; coordinate omogenee, punti e rette, punti ideali, proiezione pinhole e matrice di camera; quantità proiettive e metriche; gerarchia delle trasformazioni 2D. 17/09 — Image Formation Studio. Laboratorio Colab/NumPy da 25 minuti: H×W×C , dtype , crop, canali e broadcasting; camera pinhole, lenti e distorsione; sensori, esposizione, colore, campionamento e aliasing. Tre esperimenti su immagini reali: apertura, bilanciamento del bianco e moiré. Notebook e figure: descrivere l’array, variare una sola causa, confrontare sottocampionamento diretto e prefiltro; individuare rette, punti di fuga e ambiguità metriche in una fotografia. 2 21/09 — Filtri e convoluzione. Filtri lineari e non lineari, bordi, dominio della frequenza, piramidi e scale. 24/09 — Local Features Studio. OpenCV: filtraggio, gradienti, corner detector, descrittori, matching e repeatability sotto trasformazioni note; anticipazione della verifica geometrica. Mini-pipeline di matching con visualizzazione degli errori; l’omografia è usata come ground truth, non ancora stimata teoricamente. 3 28/09 — Trasformazioni geometriche e stima robusta. Richiamo delle coordinate omogenee; trasformazioni euclidee, di similarità, affini e proiettive; omografie, DLT, normalizzazione, degenerazioni, errore di riproiezione e teoria di RANSAC. 01/10 — Alignment & Calibration Studio. Warping, confronto DLT/RANSAC, sweep degli outlier e della soglia; calibrazione, distorsione e cenni a PnP. Panorama o rettifica di un piano, con errore di riproiezione, inlier ratio e diagnosi delle degenerazioni. 4 05/10 — Due o più viste. Geometria epipolare, matrici fondamentale ed essenziale, triangolazione, stereo e Structure from Motion. 08/10 — 3D Geometry Studio. Corrispondenze, rettifica, profondità e ricostruzione sparsa; confronto tra risultato geometrico e qualità dei dati. Ricostruzione e breve diagnosi delle principali cause di fallimento. 5 12/10 — Dalle feature all’apprendimento. Classification, dataset e split; k-NN e classificatori lineari come baseline; score, loss e metriche. 15/10 — PyTorch Studio. Dataset, dataloader, training loop, validazione e baseline riproducibile. Primo modello addestrato con curva di apprendimento e confusion matrix. 6 19/10 — Come impara una rete. Grafi computazionali, backpropagation, SGD/Adam, inizializzazione, regolarizzazione e data augmentation. 22/10 — CNN Training Studio. Convoluzioni apprese, receptive field, normalizzazione; overfitting, ablation e diagnostica del training. Esperimento controllato: una sola modifica, ipotesi dichiarata, risultato misurato. 7 26/10 — Dalle CNN ai transformer. Evoluzione da AlexNet e ResNet a ConvNeXt; patch, token, self-attention e Vision Transformer. 29/10 — Transfer Learning Studio. Fine-tuning di una CNN e di un ViT sullo stesso dataset; accuratezza, costo e comportamento fuori distribuzione. Model comparison card: prestazioni, costo, errori e scelta motivata. — 02/11 — Sospensione delle lezioni. 05/11 — Sospensione delle lezioni. — 8 09/11 — Object detection. Localizzazione, IoU, NMS, precision/recall e mAP; detector one-stage e two-stage. 12/11 — Detection Studio. Adattamento di un detector pre-addestrato e valutazione per classe e dimensione dell’oggetto. Detector con analisi di falsi positivi e falsi negativi. 9 16/11 — Dense prediction. Segmentazione semantica e di istanza; U-Net e decoder; depth e optical flow come problemi per-pixel. 19/11 — Foundation Vision Studio. Feature auto-supervisionate e promptable segmentation; esplorazione di DINOv3 e SAM 2, transfer e failure cases. Confronto fra modello specializzato e foundation model su pochi esempi. 10 23/11 — Visione multimodale e generativa. CLIP, zero-shot e open vocabulary; principi dei modelli a diffusione e uso responsabile delle immagini sintetiche. 26/11 — Modern 3D Vision Studio. Rappresentazioni esplicite e implicite; NeRF, 3D Gaussian Splatting e VGGT. La geometria classica come strumento per interpretare e verificare modelli appresi. Geometry audit: quali quantità 3D sono stimate, in quale riferimento e con quali ambiguità? 11 30/11 — Trustworthy Computer Vision. Domain shift, bias, incertezza, efficienza, riproducibilità; data card e model card; clinic finale dei progetti. 03/12 — Project Showcase, 2 ore curricolari. Demo, poster tecnico essenziale, peer review e difesa individuale delle scelte. L’ultima ora della fascia prenotata è riservata a feedback e ricevimento facoltativo. Progetto finale e riflessione individuale.

Modalità d'esame

Progetto 45% Qualità del lavoro svolto, metodo, valutazione e analisi degli errori.
Discussione individuale del progetto 15% Comprensione delle scelte, dei risultati e dei limiti del progetto.
Domande di teoria sugli argomenti del corso 40% Comprensione dei concetti, dei modelli e dei metodi trattati nel corso.

Testi di riferimento

Slide, dispense, notebook e comunicazioni del corso sono disponibili su Piazza — Computer Vision 2026 . Piazza è il canale per le domande sul materiale didattico e sull’organizzazione del corso. Per concordare il ricevimento o per questioni personali, scrivere a [email protected] .
Python, Jupyter/Colab, NumPy, Matplotlib e OpenCV;
PyTorch e torchvision; modelli pre-addestrati selezionati;
slide del corso, riorganizzate in unità più brevi;
capitoli selezionati del manoscritto Modern Computer Vision: From Foundations to Foundation Models ;
articoli originali e model card per gli argomenti più recenti.

Codice insegnamento 212027

PROVA FINALE (PROFIN_S) 2° anno · 18 CFU · 0 file
TECNOLOGIE E PROGETTAZIONE DI RETI 2° anno · 9 CFU · IINF-05/A · 0 file

Learning Outcomes . Knowledge and understanding After the course the student should understand the main issues regarding the operation of a modern computer network and how they could be addressed in order to ensure…

Scheda dell'insegnamento

Obiettivi formativi

Learning Outcomes .
Knowledge and understanding
After the course the student should

  • understand the main issues regarding the operation of a modern computer network and how they could be addressed in order to ensure appropriate delivery of the application services;
  • know the technologies to be considered in designing a modern computer network and, particularly, understand how they address the aforementioned issues;
  • know what techniques can be adopted to model and analytically evaluate performance, reliability and availability of network systems.
    Applying knowledge and understanding
    After the course the student should be able to
  • design a computer network with given requirements, selecting the most appropriate technologies depending on the operating context;
  • configure network devices in a campus network for high availability;
  • understand scientific literature on the modeling of performance, reliability and availability of network systems.
    Making judgements
    Students should acquire the ability to identify the pros and cons of each possible solution for both the logical network design and the physical network design. This also applies to the probabilistic techniques described during the lectures with regard to the modeling of performance, reliability, and availability. It is desiderable that students are interested in looking for other techniques by consulting specialized literature.
    Communication
    After the course the student should have a good command of topics covered in the course, so as to be able to communicate his/her knowledge and solutions in a clear and simple way, using the specific terminology. The course promotes the development of that skill.
    Learning skills
    With the aim of developing learning skills that allow students to continue to study in a way that can be largely autonomous, the instructor suggests some selected technical readings whose level of difficulty is significantly higher than that associated with the exercises covered during the course. They deal with the definition of performance models and/or availability models of large, real-world systems.

Programma

This course proposes the study of some fundamental aspects of the operation of modern computer networks, such as traffic control and quality of service, the support of wireless and mobile communications, security. The study includes the analysis of the network technologies which represent the state of the art on the above issues and a computer networks design methodology supported by a number of case studies which concern the selection of the most appropriate technologies depending on their operating contexts. Particularly, the criteria for designing network systems that meet given requirements in terms of performance, reliability and availability are discussed.

Course content: theory

  • Introduction to the course.
  • Congestion Control and Traffic Control: principles of congestion control, approaches towards congestion control, flow control and congestion control in TCP, TCP/IP ECN.
  • Multicast in the Internet: algorithms for multicasting, multicast in the Internet (multicast addresses in IPv4, IGMP, multicast routing protocols).
  • IPv6: IPv6 addressing, IPv6 packet format, ICMPv6, transition from IPv4 to IPv6.
  • Quality of Service (QoS) in IP networks: multimedia networking applications, protocols for real-time conversational applications(RTP, RTCP,SIP), Quality of Service, Queuing Disciplines, Shaping, Policing, Tocken Bucket, QoS in IP networks (RED, IntServ, DiffServ), MPLS.
  • Wireless and Mobile Networks: wireless channel characteristics, Wireless LANs and IEEE 802.11, CAPWAP, planning a wireless access network, Mobile IPv6, Vehicular Ad Hoc Networks and IEEE 802.11p.
  • Network Design: capacity planning, reliability, availability,switched LANs with redundant links (STP, RSTP), Virtual LANs, IEEE 802.1Q, Multiple Spanning Tree Protocol, Private Virtual LANs, Default Router redundancy (HSRP, VRRP, GLBP), Ipsec VPNs, top-down network design (design requirements, logical design, physical design, test plan and documentation).
    Course content: exercises
    On the design of modern computer networks - A number of case studies which concern the selection of the most appropriate technologies depending on their operating contexts are discussed. Moreover, configuration of network devices in a campus network for high availability is considered. - By using some probabilistic techniques that are commonly employed for modeling computer networks and protocols (Markov Chains, Reliability Block Diagrams, Queueing Theory), a number of examples dealing with modeling of performance, reliability and availability of network systems are proposed.

Modalità d'esame

The exam is oral. First, the student is asked to solve an exercise in order to verify his/her knowledge and understanding about the stochastic modeling of the performance, reliability and availability of network systems. The remaining part of the exam aims at assessing his/her knowledge and understanding about the issues related to the operation of modern computer networks, about the network technologies studied during the course and about the criteria for their selection in the network design process. Moreover, the student may also be asked to configure some protocols, such as HSRP and RSTP, on the network devices of a campus network for high availability simulated by means of a visual network simulation tool.

Testi di riferimento

[1] J. Kurose e K.W. Ross, “Computer Networking. A Top-Down Approach”, eighth edition, Pearson. [2] P. Oppenheimer, “Top-Down Network Design”, third edition, Cisco Press.
[3] M. Baldi, P. Nicoletti, “Switched LAN”, McGraw-Hill [4] S. Convery, “Network Security Architecture”, Cisco Press.
[5] M. Harchol-Balter, "Performance Modeling and Design of Computer Systems", Cambridge University Press
[6] K. Trivedi, A. Bobbio, "Reliability and Availability Engineering: Modeling, Analysis, and Applications", Cambridge University Press.
[7] E. Bauer, E. Adams, “Reliability and Availability of Cloud Computing”, Wiley-IEEE Press

Codice insegnamento 212026

Tirocinio (NN) 2° anno · 6 CFU · 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.