Corso di laurea

Ingegneria Informatica e Intelligenza artificiale

Università Telematica San Raffaele · 20 materie · 0 file condivisi

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

Sfoglia il materiale didattico

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

Materie del corso

Analisi Matematica II 1° anno · 9 CFU · MAT/05 · 0 file

'insegnamento di Analisi Matematica II si propone di fornire agli studenti gli strumenti analitici e geometrici necessari per la modellizzazione e la risoluzione di problemi definiti in spazi multidimensionali. Il…

Scheda dell'insegnamento

Obiettivi formativi

'insegnamento di Analisi Matematica II si propone di fornire agli studenti gli strumenti analitici e geometrici necessari per la modellizzazione e la risoluzione di problemi definiti in spazi multidimensionali. Il corso rappresenta l'evoluzione naturale del calcolo infinitesimale unidimensionale, estendendone i concetti cardine — limite, derivata e integrale — a funzioni di più variabili e a campi vettoriali, e aggiungendo anche altri topici avanzati. Al termine del percorso formativo, lo studente dovrà aver acquisito una solida padronanza del calcolo differenziale e integrale per funzioni di più variabili reali, insieme alla capacità di risolvere equazioni differenziali ordinarie e di comprendere i teoremi fondamentali del calcolo vettoriale.
Oltre alle competenze tecniche, i risultati attesi includono:
Lo sviluppo di un rigore logico-deduttivo essenziale per le discipline scientifiche e ingegneristiche.
La capacità di astrazione necessaria per tradurre fenomeni fisici e geometrici in formalismo matematico.
L'acquisizione di un metodo di indagine critico che permetta di validare la coerenza delle soluzioni ottenute.
Conoscenza e capacità di comprensione
Al termine del corso lo studente avrà acquisito:
La conoscenza della topologia dello spazio e delle proprietà fondamentali delle funzioni scalari e vettoriali, inclusi i concetti di limite e continuità. La comprensione del calcolo differenziale multivariabile, del gradiente e della differenziabilità, estesa fino alle derivate di ordine superiore e alla formula di Taylor. La teoria di integrazione di Riemann. La conoscenza delle serie di funzioni, incluse le serie di potenze, di Taylor e di Fourier. La comprensione della teoria di base delle equazioni differenziali ordinarie (ODE).
Capacità di applicare conoscenza e comprensione
Lo studente sarà in grado di:
Risolvere problemi di ottimizzazione libera e vincolata mediante lo studio dei punti critici, delle forme quadratiche e dell'uso dei moltiplicatori di Lagrange. Calcolare la lunghezza di curve e l'area di superfici. Calcolare integrali doppi e multipli utilizzando formule di riduzione e cambiamenti di variabili. Applicare i teoremi fondamentali del calcolo vettoriale (Gauss-Green, Divergenza, Stokes) per il calcolo di flussi e circuitazioni. Risolvere equazioni differenziali lineari e non lineari e analizzare modelli differenziali dinamici.
Abilità di giudizio
L’insegnamento si pone l'obiettivo di trasformare lo studente da esecutore di algoritmi di calcolo a soggetto critico capace di valutare e scegliere i percorsi risolutivi più appropriati. Al termine del corso, lo studente dovrà aver acquisito le seguenti capacità:
1. Analisi Critica e Selezione dei Modelli
Valutazione delle Ipotesi: Capacità di verificare rigorosamente l'applicabilità di teoremi fondamentali (es. Teorema della Funzione Implicita, Teoremi della Divergenza o di Stokes) analizzando le proprietà topologiche del dominio e la regolarità delle funzioni coinvolte. Strategia Risolutiva: Capacità di discriminare tra diversi approcci metodologici per la risoluzione di un problema (ad esempio, scegliere tra integrazione diretta, cambi di coordinate o applicazione di teoremi integrali del calcolo vettoriale) in base a criteri di efficienza e semplicità formale.
2. Validazione e Coerenza dei Risultati
Controllo di Plausibilità: Capacità di interpretare i risultati analitici sotto il profilo geometrico e fisico, identificando eventuali incongruenze (es. volumi negativi, flussi incoerenti con la divergenza del campo o errori di simmetria). Consapevolezza dei Limiti: Riconoscere i limiti dei modelli matematici trattati, individuando situazioni in cui le condizioni di regolarità non sono soddisfatte (presenza di singolarità, domini non semplicemente connessi, ecc.).
3. Sviluppo del Rigore Formale
Autocorrezione: Capacità di individuare errori logici o procedurali nel proprio ragionamento e in quello altrui, distinguendo tra una "soluzione euristica" e una "dimostrazione rigorosa". Astrazione: Capacità di giudicare l'estensione di concetti unidimensionali al contesto multidimensionale, comprendendo quando l'analogia con l'Analisi I è valida e quando la maggior complessità dello spazio richiede strumenti nuovi.
Abilità di comunicare
Sulla base del programma fornito, le abilità comunicative attese includono:
Padronanza del linguaggio formale: Saper esporre con precisione definizioni e teoremi relativi alla topologia di , al calcolo differenziale e integrale in , alle equazioni differenziali ordinarie e a successioni e serie di funzioni. Capacità di argomentazione logica: Saper strutturare dimostrazioni e, più in generale, argomentazioni coerenti di relazione tra causa e effetto. Descrizione di modelli dinamici: Saper descrivere e interpretare il comportamento di sistemi fisici e biologici attraverso il linguaggio delle equazioni differenziali e dei campi vettoriali. Comunicazione tecnica dei risultati: Saper illustrare correttamente i passaggi risolutivi di problemi matematici, motivando le scelte metodologiche adottate. Sintesi e interpretazione grafica: Saper tradurre concetti analitici astratti in rappresentazioni grafiche o geometriche.
Capacità di apprendimento
Al termine del corso, lo studente dovrà aver sviluppato le seguenti capacità:
1. Evoluzione del Metodo di Studio
Passaggio dall'Intuizione al Rigore: Capacità di evolvere il proprio metodo di apprendimento, superando la memorizzazione mnemonica di procedure e approcciando lo studio teorico come un sistema coerente di definizioni, teoremi e dimostrazioni. Sintesi Multidimensionale: Capacità di integrare concetti provenienti da diverse aree della matematica (algebra lineare, topologia elementare e analisi unidimensionale) per comprendere problemi complessi in spazi a più dimensioni.
2. Autonomia nella Ricerca e Consultazione
Utilizzo delle Fonti: Capacità di consultare autonomamente testi avanzati, articoli scientifici o risorse digitali per approfondire argomenti non trattati estensivamente a lezione o per chiarire dubbi teorici. Decodifica del Linguaggio Formale: Capacità di leggere e comprendere enunciati matematici nuovi, estraendone il significato operativo e i vincoli logici, anche se presentati con notazioni diverse da quelle utilizzate nel corso.
3. Trasferibilità delle Competenze
Applicazione Interdisciplinare: Capacità di riconoscere strutture matematiche ricorrenti (es. equazioni differenziali, flussi, potenziali) in contesti applicativi diversi (fisica, ingegneria, economia), facilitando l'apprendimento rapido di nuove discipline tecniche. Problem Solving Astratto: Capacità di modellizzare problemi reali attraverso il calcolo differenziale e integrale, sapendo come aggiornare le proprie conoscenze in base all'evoluzione dei problemi affrontati.

Programma

Introduzione agli spazi normati
Elementi di topologia
Topologia in Rn
Elementi di Algebra Lineare
Funzioni Reali in Rn
Calcolo dei limiti in Rn
Limiti in R^2 e coordinate polari
Calcolo differenziale in Rn
Differenziabilità in Rn
Derivate direzionali
Criteri di differenziabilità
Funzioni composte
Teoremi del calcolo differenziale
Derivate di ordine superiore
Estremi e punti critici
Estremi e condizioni sufficienti
Studio di massimi e minimi
Complementi alle funzioni differenziabili
Curve in Rn
Lunghezza di una curva
Integrale curvilineo
Successioni di funzioni
Teoremi di inversione dei limiti
Lo spazio C0[a,b]
Serie di Funzioni
Serie di Potenze
Serie di potenze ed esercizi svolti
Introduzione alle serie di Fourier
Sviluppo in Serie di Fourier
Convergenza della Serie di Fourier
Introduzione alle forme differenziali
Forme differenziali esatte
Teoremi sulle forme esatte
Forme differenziali chiuse
Forme chiuse nel piano
Campi vettoriali e forme differenziali
Operatori differenziali
Circuitazione e campi conservativi
Equazioni differenziali ordinarie
Risoluzione di alcune equazioni ordinarie
Risoluzione di equazioni a variabili
Risoluzione di ulteriori tipi di equazioni ordinarie
Regolarità
Equazioni lineari del primo ordine
Equazioni lineari di ordine superiore
Analisi qualitativa
Analisi qualitativa e confronto
Stabilità
Misura e integrazione
Integrali multipli
Cambiamento di variabili negli Integrali multipli
Formule di integrazione
Teoremi della divergenza e di stokes
Sommabilità

Testi di riferimento

M. Baronti et al, Calculus Problems.Springer, 2016. M. Baronti et al, Calculus Problems, II: Several Variables and Series. Springer, 2025. M. Bertsch - A. Dall’Aglio - L. Giacomelli, Epsilon 2. McGraw-Hill, 2024 M. Bramanti - C. Pagani - S. Salsa, Analisi Matematica 2. Zanichelli, 2009. N. Fusco - P. Marcellini - C. Sbordone - Lezioni di Analisi Matematica Due. Zanichelli, 2020. B. R. Gelbaum - J. M. H. Olmsted, Counterexamples in Analysis. Dover, 2003. E. Giusti, Analisi Matematica 2. Bollati Boringhieri, 2003. J. H. Hubbard - B. B. Hubbard, Vector Calculus, Linear Algebra, and Differential Forms, 2nd Edition. Prentice Hall, 2002. P. Marcellini - C. Sbordone, Esercitazioni di Analisi Matematica Due, prima parte. Zanichelli, 2018. P. Marcellini - C. Sbordone, Esercitazioni di Analisi Matematica Due, seconda parte. Zanichelli, 2018. J. R. Munkres, Analysis on Manifolds. CRC Press, 1991. A. E. Taylor - W. R. Mann, Advanced Calculus. John Wiley & Sons, 1983. R. Wrede - M. R. Spiegel, Schaum’s Outline of Theory and Problems of Advanced Calculus, 2nd Edition. McGraw-Hill, 2002.

Codice insegnamento 0082509MAT05

Analisi matematica I e Geometria 1° anno · 12 CFU · MAT/05 · 0 file

Test di autovalutazione: i test di autovalutazione permettono allo studente di monitorare la comprensione degli argomenti somministrati ed eventualmente di attivarsi per colmare le lacune. Test post-didattica sincrona: I…

Scheda dell'insegnamento

Obiettivi formativi

Test di autovalutazione: i test di autovalutazione permettono allo studente di monitorare la comprensione degli argomenti somministrati ed eventualmente di attivarsi per colmare le lacune. Test post-didattica sincrona: I test successivi alla didattica sincrona verificano l’applicazione delle conoscenze in situazione guidata e la capacità di apprendimento autonomo. Consentono di osservare l’uso operativo dei saperi e la capacità di trasferimento. La prova intermedia online e la prova finale in presenza: consente una verifica sistematica e standardizzata delle conoscenze disciplinari e della comprensione concettuale e permette di valutare l’autonomia di giudizio, ovvero la capacità di formulare valutazioni motivate e sostenere argomentazioni critiche.
Conoscenza e capacità di comprensione
Lo studente dovrà aver acquisito conoscenza e capacità di comprensione:
● dei fondamenti dell’Analisi Matematica, con particolare riferimento alle proprietà dei numeri reali, alle funzioni reali e ai principi del calcolo differenziale e integrale;
● degli aspetti essenziali dell’Algebra Lineare e della Geometria Analitica, incluse le strutture degli spazi vettoriali, le applicazioni lineari e i sistemi di equazioni lineari;
● della formulazione rigorosa dei concetti matematici e del ruolo delle dimostrazioni nella costruzione della teoria;
● delle relazioni fra i principali oggetti matematici dello studio di Analisi e Geometria e delle loro implicazioni teoriche nell’ambito dell’ingegneria.
Capacità di applicare conoscenza e comprensione
Lo studente dovrà sviluppare la capacità di applicare le conoscenze acquisite, con particolare riferimento:
● alla risoluzione di problemi matematici mediante gli strumenti del calcolo infinitesimale e dell’algebra lineare;
● alla modellizzazione rigorosa di situazioni elementari tramite funzioni, equazioni, strutture vettoriali e metodi analitici;
● all’utilizzo consapevole delle tecniche matematiche per l’interpretazione e l’analisi di modelli formali nelle discipline ingegneristiche e informatiche;
● alla traduzione di problemi teorici in formulazioni matematiche corrette, riconoscendo le strategie deduttive appropriate.
Abilità di giudizio
Lo studente dovrà aver sviluppato capacità di giudizio critico nell’analisi e nell’applicazione dei concetti affrontati. In particolare, dovrà essere in grado di:
● valutare la coerenza logica di ragionamenti, dimostrazioni e procedure matematiche;
● individuare gli strumenti teorici adeguati per affrontare problemi di natura analitica o geometrica;
● riconoscere quando un metodo è applicabile, quali ipotesi richiede e quali limiti comporta.
Abilità di comunicare
Lo studente svilupperà, anche attraverso l’interazione con i docenti, la capacità di:
● esporre concetti, definizioni, enunciati e dimostrazioni con linguaggio matematico appropriato e rigoroso;
● collegare in modo coerente i vari temi trattati, evidenziando relazioni e strutture comuni;
● comunicare efficacemente con altri studenti o specialisti nell’ambito matematico e ingegneristico.
Capacità di apprendimento
Lo studente dovrà aver acquisito le basi necessarie per:
● proseguire autonomamente negli studi matematici successivi del proprio percorso formativo;
● aggiornare e approfondire le proprie conoscenze teoriche attraverso lo studio individuale di testi, articoli e materiali specialistici;
● sviluppare un metodo di apprendimento fondato sulla comprensione concettuale e sull’analisi rigorosa, indispensabile per affrontare discipline matematiche avanzate e modelli teorici complessi.

Programma

Modulo di Analisi Matematica I
Nozioni Preliminari: insiemi, numeri reali, naturali, interi e razionali 2. Nozioni Preliminari: massimo, minimo, estremo superiore ed estremo inferiore 3. Nozioni Preliminari: topologia della retta reale e principio di induzione 4. Funzioni reali: definizioni e proprietà 5. Funzioni reali elementari: rette, potenze, radici e polinomi 6. Funzioni reali elementari: esponenziali, logaritmi, valore assoluto e funzione caratteristica 7. Funzioni reali elementari: trigonometria 8. Grafico della composizione di funzioni elementari 9. Limiti di successioni: definizione e prime proprietà 10. Limiti di successioni: esempi notevoli e ordine di infinito 11. Limiti di successioni: numero di Nepero e successioni di Cauchy 12. Limiti di funzioni: definizione, teorema ponte e funzioni continue 13. Limiti notevoli di potenze, esponenziali, logaritmi 14. Limiti notevoli di funzioni trigonometriche 15. Introduzione alle serie numeriche 16. Serie numeriche a termini positivi 17. Serie numeriche a termini di segno variabile 18. Funzioni continue: classificazione dei punti di discontinuità 19. Funzioni continue: teorema dell’esistenza degli zeri 20. Funzioni continue: teorema dei valori intermedi e di Weierstrass 21. Continuità delle funzioni monotone e della funzione inversa 22. La derivata: definizione e prime proprietà 23. Derivate delle funzioni composte e inverse 24. Derivate delle funzioni elementari 25. Teoremi di Fermat, Rolle e Lagrange 26. Criteri di monotonia e convessità 27. Calcolo dei limiti attraverso le derivate 28. La formula di Taylor 29. Applicazioni della formula di Taylor 30. Studio del grafico di funzioni 31. L’integrale di Riemann 32. Proprietà dell’integrale 33. Derivate e integrali: il Teorema fondamentale del calcolo integrale 34. L’integrale indefinito 35. Integrazione delle funzioni razionali 36. Integrazione per parti e per sostituzione 37. Integrazione per sostituzione: alcune sostituzioni speciali 38. Integrali impropri
Modulo di Geometria
1. I vettori geometrici 2. La nozione di spazio vettoriale 3. Sottospazi di uno spazio vettoriale 4. Dipendenza lineare di un vettore da un sistema 5. Dipendenza e indipendenza lineare di sistemi di vettori 6. Dimensione e base di uno spazio vettoriale 7. Sistemi lineari: introduzione 8. Rango di una matrice: applicazione alla risoluzione di sistemi lineari 9. Sistemi lineari equivalenti e la Formula di Grassmann 10. L’algoritmo di Gauss 11. Risoluzione di sistemi lineari con il metodo di eliminazione di Gauss 12. Applicazioni lineari e prodotto tra matrici 13. Matrice di una applicazione lineare e matrice inversa 14. Calcolo del determinante di una matrice 15. Proprietà del determinante 16. Calcolo del rango e risoluzione di sistemi lineari con il determinante.

Testi di riferimento

Il docente stabilisce la necessità di integrare il materiale fornito (videolezioni, slides, esercitazioni) con i seguenti testi, cui il docente può fare riferimento durante le lezioni: Modulo di Analisi Matematica I M. Bramanti - F. Confortola - S. Salsa, Matematica per le scienze. Con fondamenti di probabilità e statistica. Zanichelli, 2024. G. De Marco, Analisi Uno. Teoria ed Esercizi. Zanichelli, Bologna, 2022. G. Devillanova - G. Molica Bisci, Elements of Set Theory and Recursive Arguments, Atti della Accademia Peloritana dei Pericolanti Classe di Scienze Fisiche, Matematiche e Naturali, ISSN 1825-1242 - Vol. 99, No. S1, A1 (2021). G. Devillanova - G. Molica Bisci, The Faboulous Destiny of Richard Dedekind, Atti della Accademia Peloritana dei Pericolanti Classe di Scienze Fisiche, Matematiche e Naturali, ISSN 1825-1242 - Vol. 98, No. S1, A1 (2021). M. Lanza De Cristoforis, Lezioni di Analisi Matematica 1, Esculapio 2021. C. Marcelli, Analisi matematica 1. Esercizi con richiami di teoria. Ediz. MyLab. Con aggiornamento online, Pearson, 2019. C. Pagani - S. Salsa, Analisi Matematica, Vol. 1 Zanichelli, Bologna, 2015. G. Prodi, Analisi Matematica, Bollati Boringhieri, Torino, 1970. W. Rudin, Principles of Mathematical Analysis. Third edition. International Series in Pure and Applied Mathematics. McGraw-Hill, New York-Auckland-Dusseldorf, 1976.
Modulo di Geometria:
Serge Lang, "Linear algebra", Springer.
Serge Lang, "Algebra lineare", Bollati Boringhieri (traduzione del precedente).
Enrico Schlesinger, "Algebra lineare e geometria", Zanichelli.
Luca Mauri, Enrico Schlesinger, "Esercizi di algebra lineare e geometria", Zanichelli.

Codice insegnamento 0082512MAT05XMAT03

Basi di dati 1° anno · 9 CFU · ING-INF/05 · 0 file

Al termine del corso lo studente dovrà aver acquisito: Conoscenza e capacità di comprensione Aver acquisito la conoscenza della teoria relativa alla definizione di una base di dati -Aver acquisito la conoscenza e…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente dovrà aver acquisito:
Conoscenza e capacità di comprensione
Aver acquisito la conoscenza della teoria relativa alla definizione di una base di dati -Aver acquisito la conoscenza e comprensione delle strutture fondamentali per la rappresentazione dei dati e per i modelli relazionali
Aver acquisito la conoscenza dei principali strumenti e linguaggi per la gestione di una base di dati.
Aver acquisito la capacità di comprensione dei concetti presentati allo scopo di progettare una base di dati.
Capacità di affrontare problemi di progettazione, utilizzo e gestione di basi di dati.
Capacità di applicare conoscenza e comprensione
Lo studente dovrà dimostrare la capacità di applicare le conoscenze acquisite agli ambiti applicati relativi alla gestione dei dati aziendali dimostrando la comprensione dei fenomeni inerenti all’analisi dei dati e la sua applicazione in contesti pratici per la risoluzione di problemi nuovi o complessi.
Abilità di giudizio
Lo studente dovrà dimostrare la capacità di gestire la complessità della gestione dei dati in ambito aziendale e formulare giudizi fondati, anche con informazioni parziali.
Abilità di comunicare
Lo studente dovrà essere in grado di comunicare i concetti appresi sia ad utenti esperti che non in modo chiaro ed efficace.
Capacità di apprendimento
Lo studente dovrà dimostrare di saper gestire autonomamente il processo di apprendimento individuando gli strumenti più efficaci per la propria crescita professionale.

Programma

o Modulo 1
§ Sistemi informativi e basi di dati
§ Il modello relazionale: le relazioni
§ Il modello relazionale: chiavi e vincoli intrarelazionali
§ Il modello relazionale: vincoli interrarelazionali
§ Linguaggi per basi di dati e algebra relazionale
o Modulo 2
§ Algebra relazionale: operatore di join
§ Viste
§ SQL: concetti introduttivi
§ PostgreSQL e pgAdmin
§ SQL: vincoli intrarelazionali e interrelazionali
o Modulo 3
§ SQL: introduzione alle interrogazioni
§ SQL: interrogazioni in algebra relazionale
§ SQL: interrogazioni con join esplicito
§ Caso di studio: interrogazioni di base con SQL
§ SQL: unione, intersezione e differenza
o Modulo 4
§ SQL: interrogazioni nidificate
§ SQL: operatori aggregati
§ SQL: operazioni sui dati
§ Caso di studio: interrogazioni avanzate con SQL
§ SQL: transazioni
o Modulo 5
§ Metodologie di progettazione e modelli per il progetto
§ Il modello Entità-Relazione: concetti fondamentali
§ Il modello Entità-Relazione: cardinalità
§ Modello E-R: identificatori
§ Modello E-R: generalizzazioni
o Modulo 6
§ Modello E-R: documentazione
§ Progettazione concettuale: analisi dei requisiti
§ Progettazione concettuale: rappresentazione
§ Progettazione concettuale: introduzione ai design patterns
§ Progettazione concettuale: design pattern avanzati
o Modulo 7
§ Caso di studio: dai requisiti allo schema concettuale
§ Progettazione logica: ridondanze e generalizzazioni
§ Progettazione logica: entità, relazioni e identificatori primari
§ Caso di Studio: ristrutturazione e traduzione
§ Normalizzazione: forma normale di Boyce e Codd
o Modulo 8
§ Normalizzazione: qualità delle decomposizioni
§ Limiti della forma normale di Boyce e Codd e terza forma normale
§ Teoria delle dipendenze e normalizzazione
§ Organizzazione fisica e memorie
§ Organizzazione fisica: strutture per l\'organizzazione dei file
o Modulo 9
§ Gestione delle interrogazioni
§ Progettazione fisica di una base dati
§ Gestione delle Transazioni
§ Evoluzione di linguaggi, modelli e sistemi
§ Intervista all’esperto: Ing. Omar Campana

Modalità d'esame

La valutazione finale avverrà nelle date d’appello previste dall’Ateneo e pubblicate in piattaforma, in modalità scritta online, scritta strutturata in presenza e/o orale.

Testi di riferimento

Il docente consiglia l’integrazione del materiale fornito (videolezioni, slides,
esercitazioni) con riferimenti bibliografici e materiale disponibile gratuitamente in rete forniti di volta in volta all’interno delle lezioni.

Codice insegnamento 0082509INGINF05

Fisica 1° anno · 9 CFU · FIS/01 · 0 file

Il corso si propone di fornire agli studenti una solida preparazione teorica e metodologica nelle discipline fondamentali della fisica classica, con particolare enfasi sull’analisi rigorosa dei fenomeni meccanici e…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di fornire agli studenti una solida preparazione teorica e metodologica nelle discipline fondamentali della fisica classica, con particolare enfasi sull’analisi rigorosa dei fenomeni meccanici e termodinamici, nonché sui principi che governano le interazioni elettromagnetiche. L'obiettivo formativo primario consiste nel consolidamento della capacità di approcciarsi al metodo scientifico attraverso l'utilizzo consapevole delle unità di misura del Sistema Internazionale, permettendo allo studente di descrivere e modellare la realtà fisica mediante l'applicazione formale del calcolo vettoriale e delle leggi cinematiche e dinamiche. Il percorso formativo mira a sviluppare competenze analitiche nell'ambito della meccanica del punto materiale e del corpo rigido, approfondendo la comprensione dei principi di conservazione della quantità di moto, dell'energia meccanica e del momento angolare. Parallelamente, il corso intende trasferire le conoscenze necessarie per interpretare i processi termodinamici, analizzando i sistemi in equilibrio, i meccanismi di scambio energetico e le leggi che regolano i gas ideali, fino alla comprensione dei principi fondamentali della termodinamica. Infine, una parte integrante degli obiettivi riguarda l'acquisizione di una chiara comprensione delle leggi dell'elettrostatica e dell'elettrodinamica, ponendo in grado lo studente di analizzare circuiti elettrici e di descrivere l'interazione tra campi magnetici e cariche in movimento, fornendo un'introduzione essenziale alla sintesi formale rappresentata dalle equazioni di Maxwell. In tal senso, il corso non mira soltanto all'acquisizione di nozioni specifiche, ma intende promuovere una rigorosa forma mentis scientifica indispensabile per affrontare con competenza analitica le successive sfide accademiche e professionali di ambito scientifico e ingegneristico.

Programma

Introduzione alla Fisica Richiami di analisi vettoriale Richiami di calcolo infinitesimale Richiami di calcolo integrale Cinematica del punto materiale I principi della dinamica Moti armonici Lavoro ed energia meccanica Meccanica dei sistemi materiali Dinamica dei sistemi materiali Moto relativo Interazioni fra sistemi materiali: attrito Interazioni fra sistemi materiali: urto Moto dei pianeti e gravitazione universale Potenziale gravitazionale e gravità terrestre Proprietà meccaniche dei fluidi Elementi di fluidostatica Equilibrio nei fluidi. Applicazioni Proprietà dei liquidi Principi di fluidodinamica Termodinamica: concetti e definizioni di base Termologia Dilatazione termica. Calorimetria Conduzione del calore nei solidi Calore Energia Lavoro Costituzione interna dei gas Teoria cinetica dei gas Modello statistico dei gas Processi e sistemi termodinamici Il primo principio della termodinamica Trasformazioni termodinamiche reversibili Il secondo principio della termodinamica Proprietà dei cicli termodinamici Entropia Probabilità ed entropia I principi dell'ottica geometrica Elettrologia ed Elettrostatica Campo elettrico e potenziale Tipologie di campo elettrostatico Calcolo diretto del campo elettrostatico Il campo elettrostatico in presenza di conduttori La capacità dei conduttori carichi Campo elettrico e correnti Elettricità e circuiti Leggi dei circuiti elettrici

Modalità d'esame

La valutazione finale avverrà nelle date d’appello previste dall’Ateneo e pubblicate in piattaforma, in modalità scritta online (prova in itinere), scritta in presenza.

Testi di riferimento

Mazzoldi, Paolo, Nigro, Massimo e Voci, Cesare. Elementi di Fisica: Meccanica e Termodinamica. EdiSES University, 2021. Elementi di Fisica - Elettromagnetismo e Onde, Mazzoldi - Nigro - Voci EdiSES University, 2022

Codice insegnamento 0082509FIS01

Fondamenti di Informatica 1° anno · 9 CFU · ING-INF/05 · 0 file

· Conoscenza e comprensione dei paradigmi della programmazione iterativa e ricorsiva · Conoscenza e comprensione dei metodi per la programmazione procedurale e a oggetti · Conoscenza e comprensione delle strutture…

Scheda dell'insegnamento

Obiettivi formativi

· Conoscenza e comprensione dei paradigmi della programmazione iterativa e ricorsiva
· Conoscenza e comprensione dei metodi per la programmazione procedurale e a oggetti
· Conoscenza e comprensione delle strutture fondamentali per la rappresentazione dei dati e per i modelli relazionali.
Conoscenza e comprensione dei paradigmi della programmazione iterativa e ricorsiva Conoscenza e comprensione dei metodi per la programmazione procedurale e a oggetti Conoscenza e comprensione delle strutture fondamentali per la rappresentazione dei dati e per i modelli relazionali.

Programma

Fondamenti dell’informatica: architettura dei calcolatori, sistemi operativi, rappresentazione digitale dell’informazione e principi del trattamento automatico dei dati. Programmazione in Python: variabili, tipi di dato, strutture di controllo, funzioni, ricorsione, gestione della memoria e programmazione a oggetti. Strutture dati: liste, tuple, insiemi, dizionari, matrici, alberi, grafi e relativi algoritmi di visita e manipolazione. Attività di laboratorio finalizzata ad offrire agli studenti la possibilità di comprendere e mettere in pratica lo sviluppo di programmi funzionanti.

Testi di riferimento

Il docente consiglia l’integrazione del materiale fornito (videolezioni, slides, esercitazioni) con i seguenti testi, a cui il docente può fare riferimento durante le lezioni:
C. Horstmann, R. D. Necaise, Concetti di Informatica e fondamenti di Python. (Maggioli Editore) M.G. Schneider, J.L. Gersting, Informatica, Algoritmi, architetture, linguaggi, applicazioni (Maggioli Editore)

Codice insegnamento 0082509INGINF05V

Metodi numerici per l'Ingegneria 1° anno · 6 CFU · MAT/08 · 0 file

Al termine dell’insegnamento lo studente sarà in grado di comprendere e applicare metodi e strumenti di calcolo numerico e programmazione matematica per la modellizzazione e la risoluzione di problemi ingegneristici e…

Scheda dell'insegnamento

Obiettivi formativi

Al termine dell’insegnamento lo studente sarà in grado di comprendere e applicare metodi e strumenti di calcolo numerico e programmazione matematica per la modellizzazione e la risoluzione di problemi ingegneristici e informatici, con attenzione alla qualità/affidabilità dei risultati e alla loro interpretazione, in coerenza con i risultati attesi in ambito fisico-matematica, in particolare valutando soluzioni per problemi vincolati e non vincolati, selezionando approcci numerici adeguati in funzione delle ipotesi e della complessità del problema, e gestendo in modo consapevole variabili, vincoli e funzioni obiettivo.
Conoscenza e capacità di comprensione
Lo studente dovrà aver acquisito conoscenza e capacità di comprensione per:
descrivere la modellizzazione matematica di problemi ingegneristici e informatici; individuare variabili, vincoli, obiettivo e ipotesi del modello; spiegare l’impatto di struttura e geometria del problema sull’esistenza delle soluzioni; illustrare i principi dei principali algoritmi per la risoluzione di problemi di ottimizzazione; interpretare criteri di ottimalità e il ruolo dei vincoli attivi e i risultati prodotti dai metodi; distinguere tra modelli lineari e non lineari e tra problemi vincolati e non vincolati; valutare complessità, convergenza e affidabilità delle soluzioni ottenute; comprendere gli strumenti e il ruolo dell’algebra lineare numerica per approssimare problemi di analisi dati e studio dell’errore.
Capacità di applicare conoscenza e comprensione
Lo studente dovrà sviluppare la capacità di applicare le conoscenze acquisite, con particolare riferimento:
alla formulazione di problemi ingegneristici e informatici come modelli matematici, identificando variabili, vincoli e funzione obiettivo; alla risoluzione di problemi di ottimizzazione lineare e non lineare mediante metodi appropriati, verificando ammissibilità e correttezza dei risultati; all’uso di dualità e analisi di sensitività per interpretare le soluzioni e valutare l’effetto di variazioni dei dati; all’applicazione di strumenti di algebra lineare e tecniche di approssimazione (interpolazione, regressione) per l’analisi dei dati e la stima dell’errore; all’implementazione di procedure e algoritmi in ambienti di calcolo (ad es. R, MATLAB) e all’impiego consapevole di strumenti software di supporto (ad es. Excel Solver).
Abilità di giudizio
Lo studente dovrà aver sviluppato capacità di giudizio critico nell’analisi e nell’applicazione dei concetti affrontati. In particolare, dovrà essere in grado di:
valutare la coerenza logica delle procedure di modellizzazione e risoluzione adottate; individuare gli strumenti teorici e numerici più adeguati per affrontare problemi di ottimizzazione e analisi dei dati; riconoscere quando un metodo è applicabile, quali ipotesi richiede e quali limiti comporta, stimando l’affidabilità dei risultati ottenuti.
Abilità di comunicare
Lo studente svilupperà, anche attraverso l’interazione con i docenti, la capacità di:
esporre concetti, modelli e metodi con linguaggio matematico appropriato e rigoroso; collegare in modo coerente i vari temi trattati, evidenziando relazioni tra modellizzazione, metodi numerici e interpretazione dei risultati; comunicare efficacemente con altri studenti o specialisti in ambito ingegneristico e informatico, presentando in modo chiaro procedure e risultati
Capacità di apprendimento
Lo studente dovrà aver acquisito le basi necessarie per: proseguire autonomamente nello studio di metodi numerici, ottimizzazione e strumenti di calcolo del proprio percorso formativo; aggiornare e approfondire le conoscenze attraverso lo studio individuale di testi, documentazione tecnica e materiali specialistici, anche relativi a software e librerie di calcolo; sviiluppare un metodo di apprendimento basato su comprensione concettuale, esercizio applicativo e verifica critica dei risultati, utile per affrontare problemi più complessi e contesti nuovi.

Modalità d'esame

La valutazione finale avverrà nelle date d’appello previste dall’Ateneo e pubblicate in piattaforma, in modalità scritta online (prova in itinere), scritta in presenza.

Testi di riferimento

Il docente consiglia l’integrazione del materiale fornito (videolezioni, slides, esercitazioni) con i seguenti testi, a cui il docente può fare riferimento durante le lezioni:
[1] Bevilacqua R., Bini D., Capovani M., Menchi O. Metodi numerici ,Zanichelli (1992).
[2] Bini D., Capovani M., Menchi O. Metodi numerici per l’algebra lineare. Zanichelli (1988).
[3] Gautschi W., Numerical Analysis. An introduction. Birkhäuser Boston, Inc., Boston, MA, (1997).
[4] Luenberger D.G. Linear and nonlinear programming, second edition, Kluwer Acad. Publ., Boston, MA, (2003)
[5] Mannino C., Palagi L., Roma M. Complementi ed Esercizi di Ricerca Operativa di Ed. Ingegneria (2000).
[6] Nocedal J.M., Wright S.J., Numerical optimization, Springer Series in Operations Research, Springer, New York, (1999)
[7] Volpato M., Studi e modelli di ricerca operativa, Torino, UTET, 1971.

Codice insegnamento 0082506MAT08

Programmazione Object Oriented 1° anno · 6 CFU · ING-INF/05 · 0 file

L'insegnamento si propone di fornire agli studenti le nozioni fondamentali della programmazione, con particolare riferimento al paradigma della programmazione orientata agli oggetti (Object Oriented Programming). Il…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento si propone di fornire agli studenti le nozioni fondamentali della programmazione, con particolare riferimento al paradigma della programmazione orientata agli oggetti (Object Oriented Programming). Il linguaggio di riferimento adottato è Python.
Vengono trattati i concetti di base dell'informatica e della programmazione strutturata (variabili, tipi di dati, strutture decisionali e iterative, funzioni e moduli), per poi introdurre le strutture dati fondamentali (liste e stringhe) e i principi della programmazione a oggetti: classi, oggetti, incapsulamento, ereditarietà e polimorfismo. Particolare attenzione è dedicata alla progettazione del software e alla modellazione tramite diagrammi UML.
Al termine del corso lo studente avrà acquisito:
Comprensione dei principi fondamentali della programmazione: capacità di analizzare e risolvere problemi mediante algoritmi, strutture di controllo e funzioni in linguaggio Python. Padronanza del paradigma orientato agli oggetti: capacità di progettare e implementare classi, gestire l'incapsulamento, l'ereditarietà e il polimorfismo. Conoscenza delle strutture dati e degli strumenti di progettazione: comprensione dell'uso di liste e stringhe e della modellazione tramite diagrammi UML.

Programma

Modulo 1 – Introduzione all'informatica e alla programmazione
Computer e programmi: hardware e software, CPU, RAM, memoria di massa e dispositivi di I/O. Memorizzazione dei dati: sistema binario, bit e byte, codifiche ASCII e Unicode, rappresentazione di numeri, immagini e suoni. Funzionamento di un programma: ciclo fetch-decode-execute, dal linguaggio macchina ai linguaggi ad alto livello, compilatori e interpreti. Approfondimento sui linguaggi di programmazione: caratteristiche, paradigmi e traduzione dei programmi. Introduzione a Python: installazione, interprete interattivo e script, ambiente di sviluppo IDLE.
Modulo 2 – Progettazione e algoritmi
Il ciclo di sviluppo e le fasi di progettazione di un programma; pseudocodice e diagrammi di flusso. Ingegneria del software: ciclo di vita del software e programmazione strutturata. Problemi, algoritmi ed esecutori: definizione e tipologie di problemi. La descrizione degli algoritmi: tipologie di frasi del linguaggio e sequenze di esecuzione. Diagrammi di flusso: elementi fondamentali ed esempi. Diagrammi di flusso: blocchi di iterazione (ciclo while e do-while).
Modulo 3 – Output, variabili ed espressioni in Python
Output nei programmi Python: input, elaborazione e output; la funzione print e le stringhe. Variabili e tipi di dati: regole di utilizzo delle variabili. Input da tastiera, concatenazione di stringhe e commenti. Espressioni ed operatori: eseguire calcoli, precedenza, parentesi, conversioni e costanti. Formattazione dell'output: le f-string, specificatori di formato, allineamento e ampiezza.
Modulo 4 – Strutture decisionali
Strutture decisionali ad alternativa singola: l'istruzione if, espressioni booleane e operatori relazionali. Strutture ad alternativa doppia, confronto di stringhe e strutture decisionali nidificate. Operatori logici e variabili booleane. Applicazioni: massimo tra tre numeri, equazioni di secondo grado, fattoriale.
Modulo 5 – Strutture iterative
Strutture iterative: ciclo while, ciclo for, la funzione range e le sue varianti. Calcolo di totali parziali, sentinelle, cicli di convalida dell'input e cicli nidificati.
Modulo 6 – Funzioni e moduli
Introduzione alle funzioni: funzioni void e loro chiamata. Variabili locali e passaggio di argomenti alle funzioni. Variabili globali, funzioni produttive e restituzione di diversi tipi di dato. La libreria standard: i moduli random e math. Organizzazione del codice in moduli e programmazione modulare.
Modulo 7 – Liste
Sequenze e liste: iterazione e accesso agli elementi. Modifica e concatenazione di liste.
Modulo 8 – Stringhe
Modalità di accesso alle stringhe e operazioni di base. Porzioni di stringhe (slicing).
Modulo 9 – Programmazione a oggetti: classi e oggetti
Programmazione procedurale e a oggetti: classi, istanze, attributi privati e metodo __str__. Attributi di istanza, metodi accessori e mutatori, passaggio di oggetti a funzioni e serializzazione. Diagrammi UML, identificazione delle classi in un problema e responsabilità delle classi.
Modulo 10 – Ereditarietà e polimorfismo
Introduzione all'ereditarietà: creazione e utilizzo di superclassi e sottoclassi. Ereditarietà e polimorfismo: progettazione, formalizzazione e simulazione. Polimorfismo: overriding dei metodi nelle sottoclassi e uso del polimorfismo nei programmi.

Modalità d'esame

La valutazione finale avverrà nelle date d’appello previste dall’Ateneo e pubblicate in piattaforma, in modalità scritta online, scritta strutturata in presenza e/o orale.

Testi di riferimento

Object-Oriented Programming with Python: Best Practices and Patterns - ISBN-13: 979-8896650386 di Robert Johnson - Editore HiTeX Press

Codice insegnamento 0082506INGINF05III

Algoritmi e strutture dati 2° anno · 6 CFU · ING-INF/05 · 0 file

L'insegnamento si propone di fornire le competenze fondamentali per l'analisi, la progettazione e l'implementazione di algoritmi e strutture dati essenziali, con un focus specifico sulle esigenze metodologiche…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento si propone di fornire le competenze fondamentali per l'analisi, la progettazione e l'implementazione di algoritmi e strutture dati essenziali, con un focus specifico sulle esigenze metodologiche dell'ingegneria informatica. Gli studenti impareranno a formalizzare problemi computazionali e a risolverli in modo efficiente, comprendendo i trade-off tra diverse soluzioni algoritmiche in termini di tempo e spazio. Attraverso lo studio dei principali paradigmi di progettazione e l'analisi dei modelli di calcolo non ricorsivi e ricorsivi, il corso mira a sviluppare una mentalità analitica orientata alla progettazione di soluzioni efficienti, fornendo inoltre le basi metodologiche per l'approfondimento autonomo di tecniche algoritmiche più avanzate (programmazione dinamica, tecniche greedy, algoritmi su grafi) trattate in insegnamenti successivi del percorso di studi.

Programma

Introduzione agli algoritmi
Pseudocodice e flowchart
Un problema, due algoritmi
Divide et Impera
Notazione Asintotica
Complessità degli algoritmi non ricorsivi
Replit - online IDE
Complessità
Algoritmi per Array
Gestione della memoria in C++
Il problema della ricerca nell'array
Selection Sort
Insertion Sort
Bubble Sort
Merge Sort
Quick Sort
Heap Sort
Strutture Dati
Liste
Stack
Coda
Albero
Albero binario
Visita di un albero
Albero generico e BFS
Albero binario di ricerca
Albero binario di ricerca - Operazioni
Grafo

Modalità d'esame

La valutazione finale avverrà nelle date d’appello previste dall’Ateneo e pubblicate in piattaforma, in modalità scritta online, scritta strutturata in presenza e/o orale.

Testi di riferimento

Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest e Clifford Stein: Introduzione agli algoritmi e strutture dati, McGraw-Hill (2023). Camil Demetrescu, Irene Finocchi, Giuseppe F. Italiano: Algoritmi e Strutture Dati, McGraw-Hill (2008).

Codice insegnamento 0082506INGINF05

Data Science 2° anno · 6 CFU · ING-INF/05 · 0 file

Il corso si propone di mettere in grado gli studenti di utilizzare i dati per supportare il decision-making, fornendo competenze per l’analisi dei dati e lo sviluppo di modelli predittivi, e sviluppare soluzioni software…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di mettere in grado gli studenti di utilizzare i dati per supportare il decision-making, fornendo competenze per l’analisi dei dati e lo sviluppo di modelli predittivi, e sviluppare soluzioni software che permettono di creare valore dai dati, sfruttando tecniche statistiche, di machine learning e di visualizzazione dei dati per trasformare i dati in informazioni utili e significative. Attraverso un approccio pratico, il corso integra strumenti avanzati come Python, R, e librerie specializzate, offrendo opportunità di lavorare su dataset reali e sviluppare progetti applicativi in diversi settori, tra cui finanza, sanità e industria.
L’insegnamento contribuisce anche al potenziamento delle capacità trasversali Autonomia di giudizio, Abilità comunicative e Capacità di apprendimento degli studenti.

Programma

La pianificazione strategica e il conseguimento degli obiettivi aziendali Pianificazione e gestione strategica La generazione del valore Valutazione delle prestazioni aziendali Il modello delle cinque forze competitive di Michael Porter: analisi dell'ambiente La collocazione dell'impresa e la composizione del mercato L'analisi del settore e della concorrenza Il modello della teoria dei giochi Il potenziale dell'impresa: risorse e competenze Le risorse, le competenze e il vantaggio competitivo Elaborazione ed implementazione strategica La struttura organizzativa Impiego della statistica per la gestione dell'azienda Informazioni statistiche: concetti generali e fonti interne Informazioni statistiche: le fonti esterne e big data La produzione di dati: l'indagine campionaria Il campionamento da popolazioni finite Interpretazione e comparazione dei dati aziendali I numeri indici sintetici: caratteristiche e interpretazione Data warehousing: metodologia e architettura Data warehousing: modelli concettuali e ciclo di vita dei sistemi Data mining: processi di mining e analisi associative Data mining: meccanismi di classificazione e clustering Big data: aree di applicazione e impatti aziendali Big data: caratteristiche e peculiarit

Modalità d'esame

La valutazione finale avverrà nelle date d’appello previste dall’Ateneo e pubblicate in piattaforma, in modalità scritta online, scritta strutturata in presenza e/o orale.

Testi di riferimento

Il docente consiglia l’integrazione del materiale fornito (videolezioni, slides, esercitazioni) con riferimenti bibliografici e materiale disponibile gratuitamente in rete forniti di volta in volta all’interno delle lezioni.

Codice insegnamento 0082506INGINF05I

Fondamenti di elettronica 2° anno · 6 CFU · ING-INF/01 · 0 file

L’insegnamento di Fondamenti di Elettronica si propone di fornire allo studente le basi teoriche e metodologiche dell'elettronica analogica e digitale, necessarie per comprendere i principi di funzionamento dei…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento di Fondamenti di Elettronica si propone di fornire allo studente le basi teoriche e metodologiche dell'elettronica analogica e digitale, necessarie per comprendere i principi di funzionamento dei principali dispositivi elettronici e delle loro applicazioni fondamentali.
Il corso guida lo studente attraverso un percorso formativo che parte dalla fisica dei dispositivi a semiconduttore fino allo studio e all'analisi di circuiti elettronici. Al termine dell’insegnamento, lo studente avrà acquisito:
Comprensione dei Dispositivi: Capacità di descrivere il funzionamento fisico e le curve caratteristiche dei principali componenti a semiconduttore come Diodi, BJT e MOSFET. Capacità Analitica: Abilità nel determinare il punto di lavoro (Q-point) di circuiti elettronici attraverso l'uso di modelli matematici appropriati. Analisi dei Piccoli Segnali: Capacità di estrarre modelli lineari e calcolare le prestazioni di stadi amplificatori. Competenze Digitali: Conoscenza della struttura hardware delle porte logiche elementari e dei principi di conversione analogico-digitale.

Programma

Il programma dell’insegnamento si articola attraverso lo studio dei fondamenti dell'elettronica, partendo dall'analisi dei circuiti di base fino alla comprensione dei sistemi digitali complessi:
Introduzione all'Elettronica e Teoria dei Segnali: Evoluzione storica (dalle valvole al transistor); distinzione tra segnali analogici e digitali; parametri fondamentali dei segnali elettrici (ampiezza, periodo, frequenza, fase). Leggi Fondamentali e Analisi dei Circuiti: Richiami sulla Legge di Ohm e sulle Leggi di Kirchhoff; analisi di reti resistive in serie e parallelo; teoremi di Thévenin e Norton applicati alla semplificazione dei circuiti; partitori di tensione e di corrente. Fisica dei Semiconduttori: Proprietà elettriche dei materiali semiconduttori; concetto di drogaggio (tipo n e tipo p); meccanismi di trasporto della carica (trascinamento e diffusione). Il Diodo a Giunzione: Struttura e principio di funzionamento della giunzione PN; caratteristica I-V; modelli del diodo (ideale, a caduta di tensione costante, per piccoli segnali); analisi di circuiti elementari con diodi; cenni al diodo Zener. Transistor a Effetto di Campo (MOSFET): Struttura fisica del MOSFET ad arricchimento; regioni di funzionamento (interdizione, triodo, saturazione); modelli matematici della corrente di drain; circuiti di polarizzazione e determinazione del punto di lavoro. Transistor a Giunzione Bipolare (BJT): Struttura fisica NPN e PNP; modi di funzionamento; equazioni caratteristiche; tecniche di polarizzazione e stabilità del punto di riposo. Amplificazione ed Elettronica Analogica: Concetto di amplificazione lineare; modelli a piccoli segnali per MOSFET e BJT; analisi di configurazioni amplificatrici fondamentali (Sorgente Comune, Emettitore Comune); parametri prestazionali (guadagno, resistenze d'ingresso e uscita). Elettronica Digitale e Conversione: Fondamenti delle porte logiche; tecnologia CMOS; sistemi di conversione dei segnali: convertitori Analogico-Digitali (ADC) e Digitali-Analogici (DAC).

Modalità d'esame

La valutazione finale avverrà nelle date d’appello previste dall’Ateneo e pubblicate in piattaforma, in modalità scritta online (prova in itinere), scritta in presenza.

Testi di riferimento

Per l'approfondimento degli argomenti trattati nel corso, si consigliano i seguenti testi:
A. S. Sedra, K. C. Smith, Circuiti per l’Elettronica, Ed. Edises. R. C. Jaeger, T. N. Blalock, Microelettronica, Ed. McGraw-Hill. G. Givone, Digital Principles and Design, Ed. McGraw-Hill. Materiale didattico: dispense.

Codice insegnamento 0082506INGINF01

IoT e sistemi connessi 2° anno · 6 CFU · ING-INF/04 · 0 file

L'acquisizione dei risultati di apprendimento previsti viene accertata attraverso: le attività di autovalutazione associate ad ogni video-lezione, i test associati alla didattica sincrona, la prova intermedia online e la…

Scheda dell'insegnamento

Obiettivi formativi

L'acquisizione dei risultati di apprendimento previsti viene accertata attraverso: le attività di autovalutazione associate ad ogni video-lezione, i test associati alla didattica sincrona, la prova intermedia online e la prova finale in presenza. Test di autovalutazione: i test di autovalutazione permettono allo studente di monitorare la comprensione degli argomenti somministrati ed eventualmente di attivarsi per colmare le lacune. Test post-didattica sincrona: I test successivi alla didattica sincrona verificano l’applicazione delle conoscenze in situazione guidata e la capacità di apprendimento autonomo. Consentono di osservare l’uso operativo dei saperi e la capacità di trasferimento. La prova intermedia online e la prova finale in presenza: consente una verifica sistematica e standardizzata delle conoscenze disciplinari e della comprensione concettuale e permette di valutare l’autonomia di giudizio, ovvero la capacità di formulare valutazioni motivate e sostenere argomentazioni critiche.

Programma

Modulo 1: Le reti e internet
· Il web e le reti
· Modelli e architetture di rete
· Segnale e canale di comunicazione
· Reti e mezzi trasmissivi
· Internet
Modulo 2: Sicurezza e protezione nei sistemi informatici
· Sicurezza dei sistemi informatici
· Minacce relative ai programmi, al sistema e alla rete
· Crittografia per la sicurezza
· Autenticazione dell'utente
· La steganografia
· Protezione dei sistemi informatici
Modulo 3: Basi di dati
· Introduzione alle Basi di Dati
· Il modello relazionale
· Vincoli di integrità
· Esercizi ed esempi sulle basi di dati
· Vincoli interrelazionali
· Algebra relazionale
· Selezione e proiezione
· Join
· Outer-join, anti-join e divisione
· Esercizi sugli operatori insiemistici
· Esercizi sugli operatori join e divisione
· Introduzione al linguaggio SQL
· Interrogazioni SQL base
· Esercizi: utilizzo dell'istruzione SELECT
· Esercitazione: MySQL
· Inserimento dei dati nelle tabelle e interrogazioni con MySQL
· Prodotto cartesiano e join: approfondimento
Modulo 4: Progettazione del software
· Introduzione alla progettazione del software
· Qualità del software
· Modularizzazione
· Fondamenti di programmazione orientata agli oggetti
Modulo 5: Machine learning
· Machine learning e deep learning
· Reti neurali e reti convoluzionali - intervista all'ing. Andrea Pennisi

Modalità d'esame

La valutazione finale avverrà nelle date d’appello previste dall’Ateneo e pubblicate in piattaforma, in modalità scritta online, scritta strutturata in presenza e/o orale.

Testi di riferimento

Si consiglia l’integrazione del materiale fornito (videolezioni, slides, esercitazioni) con i seguenti testi, a cui il docente può fare riferimento durante le lezioni:
Testi di riferimento
· D. Sciuto, G. Buonanno, L. Mari, Introduzione ai sistemi informatici, 6ª ed., McGraw Hill Education.
· P. Atzeni, S. Ceri, P. Fraternali, S. Paraboschi, R. Torlone, Basi di dati, 6ª ed., McGraw Hill Education.
· J. F. Kurose, K. W. Ross, A. Capone, S. Gaito, Reti di calcolatori e Internet. Un approccio top-down, 8ª ed., Pearson.
· G. Feroldi, Sistemi di Controllo Digitale, Soc. Ed. Esculapio
· A. McEwen, H. Cassimally, L’internet delle cose, Apogeo
Testi di approfondimento:
· P. Bolzern, R. Scattolini, N. Schiavoni, Fondamenti di controlli automatici, McGraw-Hill.
· G. De Tommasi. Appunti di Controllo Digitale, UniNA “Federico II”. (PDF open access).
· Bertazioli, Telecomunicazioni… Tecnologie per l’Internet delle cose, Zanichelli.
· A. Carraturo, A. Trentini, Sistemi embedded: teoria e pratica, Ledizioni (PDF open access).
· L. Libanore, F. Barzizza, Strumenti per la domotica. Esercizi guidati con Arduino, in riga edizioni.
· S. Mirandola, Progettare e programmare con Arduino, Zanichelli.
· P. Aliverti, ESP32. Guida completa, LSWR.

Codice insegnamento 0082506INGINF04

Machine Learning e Artificial Intelligence 2° anno · 9 CFU · ING-INF/05 · 0 file

Conoscenza e capacità di comprensione - dei fondamenti dell'Intelligenza Artificiale, degli agenti intelligenti e delle tipologie di ambiente; - degli algoritmi di ricerca non informata e informata per la risoluzione…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenza e capacità di comprensione - dei fondamenti dell'Intelligenza Artificiale, degli agenti intelligenti e delle tipologie di ambiente; - degli algoritmi di ricerca non informata e informata per la risoluzione di problemi; - della logica proposizionale e del primo ordine, dei metodi di inferenza e della rappresentazione della conoscenza; - dei principali paradigmi di apprendimento automatico (supervisionato, non supervisionato, per rinforzo) e dei relativi algoritmi; - dei fondamenti del Deep Learning: reti neurali, backpropagation, reti convoluzionali, reti ricorrenti e modelli generativi. Capacità di applicare conoscenza e comprensione - alla formulazione di problemi in termini di agenti, stati e spazi di ricerca e alla scelta dell'algoritmo di ricerca appropriato; - alla formalizzazione della conoscenza mediante logica e all'applicazione dei metodi di inferenza; - all'addestramento e alla valutazione di modelli di classificazione e regressione (alberi di decisione, metodi bayesiani, SVM, nearest neighbor, ensemble); - all'applicazione di tecniche di clustering e di riduzione della dimensionalità; - alla progettazione di una pipeline completa di Machine Learning, dal preprocessing dei dati al monitoraggio del modello in produzione. Abilità di giudizio - nella scelta del modello di apprendimento più adeguato al problema e ai dati disponibili; - nella valutazione delle prestazioni dei modelli mediante metriche appropriate, riconoscendo fenomeni di overfitting e underfitting; - nell'analisi delle implicazioni etiche legate a bias nei dati, fairness e affidabilità dei sistemi di apprendimento automatico. Abilità di comunicare - esporre concetti, algoritmi e modelli con linguaggio tecnico appropriato e rigoroso; - motivare le scelte metodologiche compiute nella costruzione di un sistema di apprendimento automatico; - presentare e discutere risultati sperimentali con chiarezza espositiva. Capacità di apprendimento - proseguire negli studi avanzati in intelligenza artificiale, deep learning e data science; - aggiornare e approfondire le proprie conoscenze attraverso lo studio di articoli scientifici e testi specialistici; - sviluppare un metodo di apprendimento fondato sulla comprensione concettuale e sull'analisi critica degli algoritmi di apprendimento. Conoscenza e capacità di comprensione - dei fondamenti dell'Intelligenza Artificiale, degli agenti intelligenti e delle tipologie di ambiente; - degli algoritmi di ricerca non informata e informata per la risoluzione di problemi; - della logica proposizionale e del primo ordine, dei metodi di inferenza e della rappresentazione della conoscenza; - dei principali paradigmi di apprendimento automatico (supervisionato, non supervisionato, per rinforzo) e dei relativi algoritmi; - dei fondamenti del Deep Learning: reti neurali, backpropagation, reti convoluzionali, reti ricorrenti e modelli generativi. Capacità di applicare conoscenza e comprensione - alla formulazione di problemi in termini di agenti, stati e spazi di ricerca e alla scelta dell'algoritmo di ricerca appropriato; - alla formalizzazione della conoscenza mediante logica e all'applicazione dei metodi di inferenza; - all'addestramento e alla valutazione di modelli di classificazione e regressione (alberi di decisione, metodi bayesiani, SVM, nearest neighbor, ensemble); - all'applicazione di tecniche di clustering e di riduzione della dimensionalità; - alla progettazione di una pipeline completa di Machine Learning, dal preprocessing dei dati al monitoraggio del modello in produzione. Abilità di giudizio - nella scelta del modello di apprendimento più adeguato al problema e ai dati disponibili; - nella valutazione delle prestazioni dei modelli mediante metriche appropriate, riconoscendo fenomeni di overfitting e underfitting; - nell'analisi delle implicazioni etiche legate a bias nei dati, fairness e affidabilità dei sistemi di apprendimento automatico. Abilità di comunicare - esporre concetti, algoritmi e modelli con linguaggio tecnico appropriato e rigoroso; - motivare le scelte metodologiche compiute nella costruzione di un sistema di apprendimento automatico; - presentare e discutere risultati sperimentali con chiarezza espositiva. Capacità di apprendimento - proseguire negli studi avanzati in intelligenza artificiale, deep learning e data science; - aggiornare e approfondire le proprie conoscenze attraverso lo studio di articoli scientifici e testi specialistici; - sviluppare un metodo di apprendimento fondato sulla comprensione concettuale e sull'analisi critica degli algoritmi di apprendimento.

Programma

================================================================
MODULO 1 — AGENTI INTELLIGENTI
================================================================
Lezione 1 — Introduzione all'Intelligenza Artificiale
Definizioni di IA (pensare/agire, umanamente/razionalmente); storia e
fondamenti disciplinari; stato dell'arte e ambiti applicativi.
Lezione 2 — Agenti intelligenti e ambienti
Concetto di agente razionale; misure di prestazione; proprietà degli
ambienti (osservabile, deterministico, episodico, statico, discreto,
singolo/multi-agente); nozione PEAS.
Lezione 3 — Struttura degli agenti
Programmi-agente; agenti reattivi semplici, basati su modello, basati
su obiettivi, basati su utilità; agenti che apprendono.
================================================================
MODULO 2 — RISOLUZIONE DI PROBLEMI MEDIANTE RICERCA
================================================================
Lezione 4 — Agenti risolutori di problemi
Formulazione del problema; spazio degli stati; grafo di ricerca;
misure di prestazione (completezza, ottimalità, complessità).
Lezione 5 — Algoritmi di ricerca
Struttura generale della ricerca ad albero e su grafo; frontiera,
espansione, insieme esplorato.
Lezione 6 — Ricerca non informata
BFS, ricerca a costo uniforme, DFS, depth-limited, iterative
deepening; confronto costi e completezza.
Lezione 7 — Ricerca informata
Euristiche; best-first greedy; algoritmo A*; ammissibilità e
consistenza; progettazione di euristiche.
================================================================
MODULO 3 — LOGICA E RAPPRESENTAZIONE DELLA CONOSCENZA
================================================================
Lezione 8 — Agenti basati su conoscenza
Base di conoscenza; ciclo TELL/ASK; il mondo del Wumpus; entailment.
Lezione 9 — Logica proposizionale
Sintassi e semantica; modelli; equivalenza, validità, soddisfacibilità;
inferenza per enumerazione e risoluzione.
Lezione 10 — Logica del primo ordine (FOL)
Oggetti, relazioni, funzioni; quantificatori; sintassi e semantica;
espressività rispetto alla logica proposizionale.
Lezione 11 — Usare la logica del primo ordine
Assiomatizzazione di domini; asserzioni e query; ingegneria della
conoscenza in FOL.
Lezione 12 — Introduzione all'inferenza
Regole di inferenza; forward e backward chaining; clausole di Horn.
Lezione 13 — Inferenza nella logica del primo ordine
Unificazione; forward/backward chaining in FOL; risoluzione e forma a
clausole; teorema di completezza.
Lezione 14 — Rappresentazione della conoscenza
Ontologie; categorie e oggetti; eventi; ragionamento con default;
reti semantiche e sistemi a frame.
================================================================
MODULO 4 — FONDAMENTI PROBABILISTICI E INTRODUZIONE AL ML
================================================================
Lezione 15 — Basi di probabilità
Incertezza; assiomi di probabilità; probabilità congiunta e
condizionata; indipendenza; teorema di Bayes.
Lezione 16 — Introduzione al Machine Learning
Forme di apprendimento (supervisionato, non supervisionato, per
rinforzo); ipotesi e generalizzazione; overfitting/underfitting.
================================================================
MODULO 5 — APPRENDIMENTO SUPERVISIONATO
================================================================
Lezione 17 — Apprendimento supervisionato
Classificazione e regressione; spazio delle ipotesi; funzione di
perdita; rischio empirico e atteso.
Lezione 18 — Selezione del modello e ottimizzazione
Trade-off bias-varianza; validazione incrociata; regolarizzazione;
ricerca degli iperparametri.
Lezione 19 — Metriche di valutazione
Accuratezza, precisione, recall, F1; matrice di confusione; curve
ROC e AUC; metriche per la regressione (MSE, MAE, R²).
Lezione 20 — Alberi di decisione
Apprendimento induttivo; entropia e guadagno informativo; algoritmo
ID3/C4.5; potatura (pruning).
Lezione 21 — Apprendimento bayesiano
Massima verosimiglianza e MAP; Naive Bayes; stima delle densità;
classificazione probabilistica.
Lezione 22 — Regressione lineare
Modello lineare; minimi quadrati; discesa del gradiente; regressione
logistica per la classificazione.
Lezione 23 — Nearest Neighbor
k-NN; metriche di distanza; effetto di k; costo computazionale e
strutture dati (k-d tree).
Lezione 24 — Support Vector Machines
Margine massimo; iperpiano separatore; kernel trick; soft margin;
SVM non lineari.
================================================================
MODULO 6 — METODI DI ENSEMBLE E ALTA DIMENSIONALITÀ
================================================================
Lezione 25 — Ensemble Learning
Combinazione di modelli; bagging; random forest; voto di maggioranza.
Lezione 26 — Ensemble Learning avanzato
Boosting; AdaBoost; gradient boosting; stacking.
Lezione 27 — Machine Learning in dimensioni elevate
Maledizione della dimensionalità; selezione delle feature;
regolarizzazione L1/L2; sparsità.
================================================================
MODULO 7 — APPRENDIMENTO NON SUPERVISIONATO
================================================================
Lezione 28 — Clustering
k-means; clustering gerarchico; modelli a miscela gaussiana (EM);
valutazione dei cluster.
Lezione 29 — Riduzione della dimensionalità
PCA; SVD; proiezioni; t-SNE; apprendimento di rappresentazioni.
================================================================
MODULO 8 — TEORIA E PARADIGMI AVANZATI DI APPRENDIMENTO
================================================================
Lezione 30 — Teoria dell'apprendimento
Apprendimento PAC; dimensione di Vapnik-Chervonenkis; limiti di
generalizzazione; complessità del campione.
Lezione 31 — Apprendimento incrementale e online
Apprendimento online; discesa del gradiente stocastica; concept
drift; algoritmi a passaggio singolo.
Lezione 32 — Apprendimento per rinforzo
Processi decisionali di Markov (MDP); funzione valore e policy;
Q-learning; esplorazione vs sfruttamento.
================================================================
MODULO 9 — IL PROCESSO DI MACHINE LEARNING NELLA PRATICA
================================================================
Lezione 33 — Pipeline e processo di Machine Learning
Raccolta e preparazione dati; feature engineering; addestramento,
validazione, test; ciclo di vita del modello.
Lezione 34 — Bias nei dati e fairness
Fonti di bias; equità algoritmica; metriche di fairness; mitigazione
e implicazioni etiche.
Lezione 35 — Conduzione, monitoraggio e manutenzione dei modelli
Deployment; monitoraggio delle prestazioni; degrado e drift;
ri-addestramento; MLOps di base.
================================================================
MODULO 10 — FONDAMENTI DI DEEP LEARNING
================================================================
Lezione 36 — Introduzione al Deep Learning
Dal percettrone alle reti multistrato; funzioni di attivazione;
motivazioni e differenze rispetto al ML classico.
Lezione 37 — Backpropagation
Grafo computazionale; regola della catena; propagazione in avanti e
all'indietro; calcolo dei gradienti.
Lezione 38 — Architetture di Deep Learning
Reti feedforward profonde; scelte progettuali; profondità e capacità
rappresentativa.
Lezione 39 — Convolutional Neural Networks
Operazione di convoluzione; filtri; campi recettivi; condivisione dei
pesi; architetture per immagini.
Lezione 40 — Pooling, tensori e connessioni residue
Strati di pooling; rappresentazione tensoriale; blocchi residui
(ResNet); reti profonde.
Lezione 41 — Ottimizzazione e backpropagation
SGD e varianti (Momentum, Adam); learning rate; batch; problemi di
gradiente evanescente/esplosivo.
Lezione 42 — Generalizzazione nelle reti neurali
Regolarizzazione; dropout; early stopping; data augmentation;
capacità e overfitting nelle reti profonde.
================================================================
MODULO 11 — SEQUENZE, APPRENDIMENTO NON SUPERVISIONATO
PROFONDO E MODELLI GENERATIVI
================================================================
Lezione 43 — Reti neurali ricorrenti
RNN; elaborazione di sequenze; backpropagation nel tempo; cenni a
LSTM/GRU.
Lezione 44 — Apprendimento non supervisionato nel Deep Learning
Autoencoder; rappresentazioni latenti; pre-addestramento;
apprendimento di feature.
Lezione 45 — Modelli generativi
Modelli generativi ================================================================
MODULO 1 — AGENTI INTELLIGENTI
================================================================
Lezione 1 — Introduzione all'Intelligenza Artificiale
Definizioni di IA (pensare/agire, umanamente/razionalmente); storia e
fondamenti disciplinari; stato dell'arte e ambiti applicativi.
Lezione 2 — Agenti intelligenti e ambienti
Concetto di agente razionale; misure di prestazione; proprietà degli
ambienti (osservabile, deterministico, episodico, statico, discreto,
singolo/multi-agente); nozione PEAS.
Lezione 3 — Struttura degli agenti
Programmi-agente; agenti reattivi semplici, basati su modello, basati
su obiettivi, basati su utilità; agenti che apprendono.
================================================================
MODULO 2 — RISOLUZIONE DI PROBLEMI MEDIANTE RICERCA
================================================================
Lezione 4 — Agenti risolutori di problemi
Formulazione del problema; spazio degli stati; grafo di ricerca;
misure di prestazione (completezza, ottimalità, complessità).
Lezione 5 — Algoritmi di ricerca
Struttura generale della ricerca ad albero e su grafo; frontiera,
espansione, insieme esplorato.
Lezione 6 — Ricerca non informata
BFS, ricerca a costo uniforme, DFS, depth-limited, iterative
deepening; confronto costi e completezza.
Lezione 7 — Ricerca informata
Euristiche; best-first greedy; algoritmo A*; ammissibilità e
consistenza; progettazione di euristiche.
================================================================
MODULO 3 — LOGICA E RAPPRESENTAZIONE DELLA CONOSCENZA
================================================================
Lezione 8 — Agenti basati su conoscenza
Base di conoscenza; ciclo TELL/ASK; il mondo del Wumpus; entailment.
Lezione 9 — Logica proposizionale
Sintassi e semantica; modelli; equivalenza, validità, soddisfacibilità;
inferenza per enumerazione e risoluzione.
Lezione 10 — Logica del primo ordine (FOL)
Oggetti, relazioni, funzioni; quantificatori; sintassi e semantica;
espressività rispetto alla logica proposizionale.
Lezione 11 — Usare la logica del primo ordine
Assiomatizzazione di domini; asserzioni e query; ingegneria della
conoscenza in FOL.
Lezione 12 — Introduzione all'inferenza
Regole di inferenza; forward e backward chaining; clausole di Horn.
Lezione 13 — Inferenza nella logica del primo ordine
Unificazione; forward/backward chaining in FOL; risoluzione e forma a
clausole; teorema di completezza.
Lezione 14 — Rappresentazione della conoscenza
Ontologie; categorie e oggetti; eventi; ragionamento con default;
reti semantiche e sistemi a frame.
================================================================
MODULO 4 — FONDAMENTI PROBABILISTICI E INTRODUZIONE AL ML
================================================================
Lezione 15 — Basi di probabilità
Incertezza; assiomi di probabilità; probabilità congiunta e
condizionata; indipendenza; teorema di Bayes.
Lezione 16 — Introduzione al Machine Learning
Forme di apprendimento (supervisionato, non supervisionato, per
rinforzo); ipotesi e generalizzazione; overfitting/underfitting.
================================================================
MODULO 5 — APPRENDIMENTO SUPERVISIONATO
================================================================
Lezione 17 — Apprendimento supervisionato
Classificazione e regressione; spazio delle ipotesi; funzione di
perdita; rischio empirico e atteso.
Lezione 18 — Selezione del modello e ottimizzazione
Trade-off bias-varianza; validazione incrociata; regolarizzazione;
ricerca degli iperparametri.
Lezione 19 — Metriche di valutazione
Accuratezza, precisione, recall, F1; matrice di confusione; curve
ROC e AUC; metriche per la regressione (MSE, MAE, R²).
Lezione 20 — Alberi di decisione
Apprendimento induttivo; entropia e guadagno informativo; algoritmo
ID3/C4.5; potatura (pruning).
Lezione 21 — Apprendimento bayesiano
Massima verosimiglianza e MAP; Naive Bayes; stima delle densità;
classificazione probabilistica.
Lezione 22 — Regressione lineare
Modello lineare; minimi quadrati; discesa del gradiente; regressione
logistica per la classificazione.
Lezione 23 — Nearest Neighbor
k-NN; metriche di distanza; effetto di k; costo computazionale e
strutture dati (k-d tree).
Lezione 24 — Support Vector Machines
Margine massimo; iperpiano separatore; kernel trick; soft margin;
SVM non lineari.
================================================================
MODULO 6 — METODI DI ENSEMBLE E ALTA DIMENSIONALITÀ
================================================================
Lezione 25 — Ensemble Learning
Combinazione di modelli; bagging; random forest; voto di maggioranza.
Lezione 26 — Ensemble Learning avanzato
Boosting; AdaBoost; gradient boosting; stacking.
Lezione 27 — Machine Learning in dimensioni elevate
Maledizione della dimensionalità; selezione delle feature;
regolarizzazione L1/L2; sparsità.
================================================================
MODULO 7 — APPRENDIMENTO NON SUPERVISIONATO
================================================================
Lezione 28 — Clustering
k-means; clustering gerarchico; modelli a miscela gaussiana (EM);
valutazione dei cluster.
Lezione 29 — Riduzione della dimensionalità
PCA; SVD; proiezioni; t-SNE; apprendimento di rappresentazioni.
================================================================
MODULO 8 — TEORIA E PARADIGMI AVANZATI DI APPRENDIMENTO
================================================================
Lezione 30 — Teoria dell'apprendimento
Apprendimento PAC; dimensione di Vapnik-Chervonenkis; limiti di
generalizzazione; complessità del campione.
Lezione 31 — Apprendimento incrementale e online
Apprendimento online; discesa del gradiente stocastica; concept
drift; algoritmi a passaggio singolo.
Lezione 32 — Apprendimento per rinforzo
Processi decisionali di Markov (MDP); funzione valore e policy;
Q-learning; esplorazione vs sfruttamento.
================================================================
MODULO 9 — IL PROCESSO DI MACHINE LEARNING NELLA PRATICA
================================================================
Lezione 33 — Pipeline e processo di Machine Learning
Raccolta e preparazione dati; feature engineering; addestramento,
validazione, test; ciclo di vita del modello.
Lezione 34 — Bias nei dati e fairness
Fonti di bias; equità algoritmica; metriche di fairness; mitigazione
e implicazioni etiche.
Lezione 35 — Conduzione, monitoraggio e manutenzione dei modelli
Deployment; monitoraggio delle prestazioni; degrado e drift;
ri-addestramento; MLOps di base.
================================================================
MODULO 10 — FONDAMENTI DI DEEP LEARNING
================================================================
Lezione 36 — Introduzione al Deep Learning
Dal percettrone alle reti multistrato; funzioni di attivazione;
motivazioni e differenze rispetto al ML classico.
Lezione 37 — Backpropagation
Grafo computazionale; regola della catena; propagazione in avanti e
all'indietro; calcolo dei gradienti.
Lezione 38 — Architetture di Deep Learning
Reti feedforward profonde; scelte progettuali; profondità e capacità
rappresentativa.
Lezione 39 — Convolutional Neural Networks
Operazione di convoluzione; filtri; campi recettivi; condivisione dei
pesi; architetture per immagini.
Lezione 40 — Pooling, tensori e connessioni residue
Strati di pooling; rappresentazione tensoriale; blocchi residui
(ResNet); reti profonde.
Lezione 41 — Ottimizzazione e backpropagation
SGD e varianti (Momentum, Adam); learning rate; batch; problemi di
gradiente evanescente/esplosivo.
Lezione 42 — Generalizzazione nelle reti neurali
Regolarizzazione; dropout; early stopping; data augmentation;
capacità e overfitting nelle reti profonde.
================================================================
MODULO 11 — SEQUENZE, APPRENDIMENTO NON SUPERVISIONATO
PROFONDO E MODELLI GENERATIVI
================================================================
Lezione 43 — Reti neurali ricorrenti
RNN; elaborazione di sequenze; backpropagation nel tempo; cenni a
LSTM/GRU.
Lezione 44 — Apprendimento non supervisionato nel Deep Learning
Autoencoder; rappresentazioni latenti; pre-addestramento;
apprendimento di feature.
Lezione 45 — Modelli generativi
Modelli generativi profondi; VAE; GAN; cenni ai modelli di
diffusione; generazione di dati.
; VAE; GAN; cenni ai modelli di
diffusione; generazione di dati.

Modalità d'esame

La valutazione finale avverrà nelle date d’appello previste dall’Ateneo e pubblicate in piattaforma, in modalità scritta online (prova in itinere), scritta in presenza.

Testi di riferimento

Bishop, C.M. (2006). Pattern Recognition and Machine Learning. Springer.

Codice insegnamento 0082509INGINF05II

Reti di calcolatori 2° anno · 9 CFU · ING-INF/03 · 0 file

L'insegnamento si propone di fornire agli studenti le nozioni fondamentali dell'architettura dei calcolatori e delle reti, partendo dalla rappresentazione dell'informazione e dalla programmazione in linguaggio Assembly…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento si propone di fornire agli studenti le nozioni fondamentali dell'architettura dei calcolatori e delle reti, partendo dalla rappresentazione dell'informazione e dalla programmazione in linguaggio Assembly MIPS, per arrivare alla progettazione delle reti logiche e dell'unità di elaborazione (CPU) e ai concetti di base delle reti di calcolatori.
Vengono trattati la rappresentazione dei dati e l'aritmetica del calcolatore, il linguaggio Assembly MIPS con i relativi formati e modalità di indirizzamento, la traduzione dei costrutti di alto livello, l'algebra di Boole e le reti combinatorie e sequenziali, la progettazione dell'ALU e della CPU MIPS a ciclo singolo con la relativa unità di controllo, i dispositivi di memorizzazione e la gerarchia di memorie. Nella parte conclusiva si affrontano i concetti fondamentali delle reti di calcolatori: ritardi e throughput, incapsulamento nella suite TCP/IP e sicurezza in Internet.
Al termine del corso lo studente avrà acquisito:
Comprensione della rappresentazione dell'informazione e dell'aritmetica del calcolatore: capacità di operare con le diverse notazioni numeriche e di codifica. Padronanza del linguaggio Assembly MIPS: capacità di scrivere e tradurre programmi utilizzando istruzioni, formati e modalità di indirizzamento. Conoscenza della progettazione hardware e dei fondamenti di rete: comprensione delle reti logiche, dell'architettura della CPU, della gerarchia di memorie e dei concetti di base delle reti di calcolatori.

Programma

Modulo 1 – Rappresentazione dell'informazione e aritmetica del calcolatore
Notazione posizionale pesata, sequenze binarie e metodi di conversione di base. Notazione in modulo e segno e notazione in complemento a 2: regole, addizione, intervallo dei valori e proprietà (opposto, sottrazione, overflow, estensione del segno). Codifica dei caratteri (ASCII e Unicode) e tipi di dato carattere e stringa. Notazioni in virgola fissa e virgola mobile; lo standard IEEE 754 in singola e doppia precisione. Notazioni ottale ed esadecimale.
Modulo 2 – Il linguaggio Assembly MIPS
Sintassi dell'Assembly MIPS e architettura dei registri. Istruzioni aritmetiche (add, addi, sub) e istruzioni logiche e di shift (and, or, sll, srl). Formato di Tipo R e indirizzamento tramite registro; Formato di Tipo I e indirizzamento immediato. Istruzioni di trasferimento dati (lw, sw) e indirizzamento tramite base e offset; gestione degli array. Istruzioni di salto condizionato (beq, bne) e incondizionato (j); indirizzamento relativo al PC e pseudodiretto. Istruzioni di confronto (slt, slti) e interi unsigned (addu, subu, sltu); operandi immediati e costanti a 32 bit.
Modulo 3 – Programmazione in Assembly MIPS
Traduzione dell'istruzione if-else e dei cicli for e while. Gestione della chiamata di procedura con le istruzioni jal e jr; annidamento e call-stack. Istruzioni Load e Store per byte e half word; tipi di dato primitivi per gli interi. Gestione dell'elemento di un array con indice variabile e delle stringhe come array di caratteri. Esercizi sulla gestione di array e stringhe in Assembly MIPS. Istruzioni MIPS in virgola mobile per i tipi float e double. Compilatori e Assembler, Linker e Loader, Bytecode e Java Virtual Machine.
Modulo 4 – Algebra di Boole e reti combinatorie
Algebra di Boole e porte logiche. Espressioni e funzioni booleane; forme canoniche ed espressione somma di prodotti. Reti combinatorie: analisi (dalla rete alla funzione) e sintesi (dalla funzione alla rete) con tecniche di minimizzazione. Multiplexer e decodificatore.
Modulo 5 – Progettazione dell'ALU
Sommatore completo a un bit e ALU a un bit per AND, OR, ADD. ALU a 32 bit per AND, OR, NOR, ADD, SUB e la pseudoistruzione NOT. ALU a 32 bit per BEQ e segnale di overflow; simbolo grafico dell'ALU.
Modulo 6 – Reti sequenziali e progettazione della CPU MIPS
Reti sequenziali, segnale di clock e cenni sulla realizzazione. Introduzione all'implementazione della CPU MIPS: la CPU come rete sequenziale e implementazione a ciclo singolo. Prelievo dell'istruzione, aggiornamento del Program Counter e lettura dei registri. Esecuzione e segnali di controllo per le istruzioni di Tipo R, di trasferimento dati (lw, sw) e di salto condizionato (BEQ). Unità di controllo MIPS a ciclo singolo: segnali e implementazione.
Modulo 7 – Dispositivi di memorizzazione e gerarchia di memorie
Dispositivi di memorizzazione: latch SR, flip-flop SR e flip-flop D. Implementazione dei registri del processore: circuiti di lettura e scrittura; rilevazione e correzione di errori. Miglioramento delle prestazioni: gerarchia di memorie, tempo di hit e penalità di miss, memoria virtuale.
Modulo 8 – Fondamenti di reti di calcolatori
Ritardi nelle reti a commutazione di pacchetto: ritardo di nodo, elaborazione, accodamento, trasmissione e propagazione; perdita di pacchetti.

Modalità d'esame

La valutazione finale avverrà nelle date d’appello previste dall’Ateneo e pubblicate in piattaforma, in modalità scritta online, scritta strutturata in presenza e/o orale.

Testi di riferimento

Struttura e progetto dei calcolatori Patterson Hennessy Reti di calcolatori e Internet Kurose & Ross

Codice insegnamento 0082509INGINF03

Sistemi Operativi e Cybersecurity 2° anno · 9 CFU · ING-INF/05 · 0 file

L'insegnamento si propone di fornire agli studenti le nozioni fondamentali della sicurezza informatica (cybersecurity), analizzando il panorama delle minacce cibernetiche, i modelli di attacco e difesa e le principali…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento si propone di fornire agli studenti le nozioni fondamentali della sicurezza informatica (cybersecurity), analizzando il panorama delle minacce cibernetiche, i modelli di attacco e difesa e le principali metodologie e tecnologie impiegate per la protezione dei sistemi e delle infrastrutture digitali.
Vengono trattati il panorama e l'impatto delle minacce cibernetiche sulla società e sulle infrastrutture critiche, il crimine informatico e i suoi modelli di servizio, l'information warfare e i casi reali di cyber war. Si affrontano quindi la Cyber Threat Intelligence, le tecnologie di rilevamento e risposta (IPS, SIEM, SOC, CSIRT), il processo di Incident Response secondo il NIST, i framework MITRE ATT&CK e D3FEND, oltre ai fondamenti di offensive security ed ethical hacking, con particolare attenzione all'aspetto metodologico e difensivo.
Al termine del corso lo studente avrà acquisito:
Comprensione del panorama delle minacce cibernetiche: capacità di analizzare le tipologie di attacco, gli attori e l'impatto sulla società e sulle infrastrutture critiche. Conoscenza dei processi e degli strumenti di difesa: padronanza dei concetti di Cyber Threat Intelligence, threat detection (IPS, SIEM), SOC, CSIRT e Incident Response. Comprensione delle metodologie di offensive security: conoscenza delle fasi di un attacco e dei framework di riferimento (MITRE ATT&CK, D3FEND) in un'ottica di difesa consapevole ed etica.

Programma

Conoscenza e capacità di comprensione
Lo studente dovrà aver acquisito conoscenza e capacità di comprensione:
del panorama delle minacce cibernetiche, del crimine informatico e dei relativi modelli di servizio (Malware-as-a-Service, Ransomware-as-a-Service), nonché dell'information warfare e dei principali casi reali di cyber war. dei processi e delle tecnologie di rilevamento e risposta agli incidenti, inclusi Cyber Threat Intelligence, IPS, SIEM, SOC, CSIRT e il processo di Incident Response del NIST. delle metodologie e delle fasi dell'offensive security e dell'ethical hacking, dei framework MITRE ATT&CK e D3FEND e delle principali tecniche di attacco e di difesa.
Capacità di applicare conoscenza e comprensione
Lo studente dovrà sviluppare la capacità di applicare le conoscenze acquisite, con particolare riferimento:
all'analisi di scenari di minaccia e alla classificazione degli attori e delle tecniche di attacco (TTP), utilizzando i modelli e i framework di riferimento (Cyber Kill Chain, MITRE ATT&CK). all'individuazione delle contromisure e delle strategie di difesa più appropriate mediante strumenti di threat detection, intelligence e risposta agli incidenti. all'interpretazione delle fasi di un attacco (reconnaissance, scanning, enumeration, exploitation, maintaining access) per la valutazione delle vulnerabilità e la protezione dei sistemi.
Abilità di giudizio
Lo studente dovrà aver sviluppato capacità di giudizio critico nell'analisi e nell'applicazione dei concetti affrontati. In particolare, dovrà essere in grado di:
valutare il livello di rischio associato a un dato scenario di minaccia e la correttezza delle contromisure adottate, proponendo alternative più appropriate. interpretare criticamente le informazioni di intelligence e i risultati delle attività di detection, verificandone la coerenza e l'affidabilità delle fonti. scegliere le metodologie e gli strumenti di difesa più idonei in funzione delle caratteristiche del contesto e degli obiettivi di sicurezza, nel rispetto dei principi etici e giuridici.
Abilità di comunicare
Lo studente svilupperà, anche attraverso l'interazione con i docenti, la capacità di:
esprimere in modo chiaro e rigoroso concetti e procedure relativi alla sicurezza informatica e alla gestione degli incidenti, utilizzando la terminologia tecnica appropriata. redigere documentazione tecnica e report su analisi di minacce, incidenti e attività di intelligence, presentando dati e risultati in forma comprensibile e strutturata. comunicare efficacemente con interlocutori tecnici e non tecnici, spiegando i principi fondamentali e le implicazioni pratiche della cybersecurity. utilizzare strumenti informatici e framework di riferimento per rappresentare scenari di attacco e difesa, facilitando la comprensione dei fenomeni studiati.
Capacità di apprendimento
Lo studente dovrà aver acquisito le basi necessarie per:
saper individuare autonomamente fonti di approfondimento (libri, articoli, feed di intelligence, risorse digitali) per consolidare e ampliare le conoscenze di cybersecurity. essere in grado di aggiornare le proprie competenze in relazione alla continua evoluzione delle minacce, delle tecnologie e delle normative in materia di sicurezza. applicare metodi di studio e di problem solving per affrontare nuovi problemi legati all'analisi delle minacce e alla difesa dei sistemi. collegare le conoscenze acquisite con altre discipline informatiche, favorendo un apprendimento interdisciplinare e continuo.

Modalità d'esame

La valutazione finale avverrà nelle date d’appello previste dall’Ateneo e pubblicate in piattaforma, in modalità scritta online, scritta strutturata in presenza e/o orale.

Codice insegnamento 0082509INGINF05IV

Statistica e data analysis 2° anno · 9 CFU · MAT/06 · 0 file

Conoscenza e capacità di comprensione Al termine del corso, lo/a studente/ssa sarà in grado di comprendere i concetti fondamentali della statistica descrittiva (tipi di dati, distribuzioni, indici di posizione e di…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenza e capacità di comprensione
Al termine del corso, lo/a studente/ssa sarà in grado di comprendere i concetti fondamentali della statistica descrittiva (tipi di dati, distribuzioni, indici di posizione e di variabilità, rappresentazioni grafiche), della probabilità (eventi, regole di calcolo, variabili aleatorie, principali distribuzioni) e della statistica inferenziale di base (campionamento, stime puntuali e intervallari, test d’ipotesi, errori di I e II tipo, p-value). Saprà inoltre interpretare il significato dei risultati statistici e riconoscere il ruolo delle assunzioni dei modelli più comuni.
Capacità di applicare conoscenza e comprensione
Al termine del corso, lo/a studente/ssa saprà applicare in modo autonomo strumenti e procedure per: organizzare e descrivere un dataset; calcolare e interpretare misure sintetiche; costruire grafici adeguati; impostare e risolvere semplici problemi di probabilità; scegliere e utilizzare un metodo inferenziale di base (stima, intervallo di confidenza, test su media/proporzione e confronto semplice, ove previsto) in funzione della domanda conoscitiva. Saprà inoltre tradurre un problema reale in termini statistici, selezionando la tecnica più appropriata e verificando, nei casi elementari, le condizioni di applicabilità.
Abilità di giudizio
Al termine del corso, lo/a studente/ssa svilupperà la capacità di valutare criticamente dati e risultati: riconoscere limiti di qualità del dato (errori, outlier, mancanze), distinguere correlazione e causalità, interpretare correttamente l’incertezza associata a stime e decisioni inferenziali e individuare possibili fonti di bias (campionamento non rappresentativo, confondimento, misurazioni distorte).
Abilità di comunicare
Al termine del corso, lo/a studente/ssa saprà comunicare in modo chiaro ed efficace risultati e ragionamenti statistici a interlocutori specialisti e non specialisti: descrivere un dataset con lessico appropriato, presentare grafici e tabelle in modo leggibile, motivare le scelte metodologiche di base e sintetizzare conclusioni e limiti dell’analisi.
Capacità di apprendimento
Al termine del corso, lo/a studente/ssa sarà in grado di proseguire lo studio in autonomia: consultare materiali di riferimento per chiarire definizioni e tecniche, riconoscere quali strumenti statistici siano necessari per approfondimenti successivi (modelli, regressione, inferenza più avanzata); aggiornare e approfondire le proprie conoscenze teoriche attraverso lo studio individuale di testi e sviluppare un metodo di apprendimento fondato sulla comprensione concettuale, indispensabile per affrontare discipline scientifiche avanzate e modelli teorici complessi.

Programma

Il corso fornisce un’introduzione ai principali strumenti della statistica descrittiva e inferenziale, con l’obiettivo di sviluppare la capacità di raccogliere, organizzare, rappresentare e interpretare dati di diversa natura.
Nella prima parte vengono presentati i concetti fondamentali della rilevazione statistica e della distribuzione di un carattere. Si affrontano quindi le principali modalità di rappresentazione grafica dei dati, inclusi grafici ad area, a torta, radar, cartogrammi e diagrammi. Vengono inoltre introdotte le principali misure di sintesi e di posizione, quali media aritmetica, mediana, moda, percentili e quartili.
Successivamente il corso approfondisce lo studio della variabilità e della forma delle distribuzioni attraverso misure di dispersione, scostamenti medi, standardizzazione dei dati, intervalli di variabilità e box plot. Si trattano inoltre i concetti di equidistribuzione, concentrazione, omogeneità, eterogeneità e asimmetria, insieme a un’introduzione alle serie storiche e ai numeri indici semplici.
Una parte del corso è dedicata all’analisi congiunta di due caratteri. Verranno esaminate le distribuzioni doppie di frequenza, l’associazione e l’interdipendenza tra caratteri, con particolare attenzione al caso di variabili quantitative. Saranno inoltre introdotti il modello di regressione lineare semplice e il coefficiente di determinazione.
Il corso prosegue con gli elementi fondamentali del calcolo delle probabilità, includendo probabilità condizionata, indipendenza e teorema di Bayes. Verranno poi studiate le variabili casuali discrete e continue, il valore atteso e la varianza, nonché alcune distribuzioni di probabilità di particolare rilievo, quali la distribuzione binomiale, la distribuzione di Poisson e la distribuzione normale.
Nella parte conclusiva si affronteranno il campionamento da popolazioni finite e i principali concetti della teoria della stima. Saranno esaminate le proprietà degli stimatori puntuali, il metodo della massima verosimiglianza e la stima intervallare. Infine, il corso introdurrà la verifica delle ipotesi statistiche, le regole di decisione e gli errori connessi alla procedura di test, con applicazioni a test per medie, proporzioni e varianze e all’analisi della varianza (ANOVA).
Il programma sarà accompagnato da esercitazioni dedicate alla distribuzione normale, al campionamento, alla stima e all’analisi della varianza.

Modalità d'esame

La valutazione finale avverrà nelle date d’appello previste dall’Ateneo e pubblicate in piattaforma, in modalità scritta online (prova in itinere), scritta in presenza.

Testi di riferimento

Il materiale didattico è costituito dalle videolezioni presenti in piattaforma e dalle relative slide. Per integrare il materiale sono suggeriti i seguenti testi:
Statistical Inference, George Casella and Roger L. Berger, 2nd Edition, Duxbury Press, Pacific Grove. Probabilità e statistica per l’ingegneria e le scienze, Sheldon M. Ross, quarta edizione, Apogeo, Maggioli Editore Probabilità - Un primo corso attraverso esempi, modelli e applicazioni, Quentin Berger, Francesco Caravenna, Paolo Dai Pra, Springer

Codice insegnamento 0082509MAT06

Deep Learning per Applicazioni Avanzate 3° anno · 9 CFU · ING-INF/05 · 0 file

L'insegnamento fornisce allo studente le basi teoriche e metodologiche del Deep Learning avanzato, con l'obiettivo di sviluppare la capacità di progettare, addestrare e valutare reti neurali profonde per applicazioni…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento fornisce allo studente le basi teoriche e metodologiche del Deep Learning avanzato, con l'obiettivo di sviluppare la capacità di progettare, addestrare e valutare reti neurali profonde per applicazioni complesse nei domini della visione artificiale, del linguaggio naturale e dei modelli generativi.
Il percorso muove dai fondamenti dell'addestramento delle reti profonde — backpropagation, ottimizzazione, regolarizzazione, normalizzazione e tuning degli iperparametri — per poi affrontare le principali famiglie architetturali: reti convoluzionali per la visione, reti ricorrenti per le sequenze, e l'architettura Transformer con i modelli fondazionali che ne derivano (BERT, GPT, Large Language Models, modelli multimodali).
Il corso dedica ampio spazio ai modelli generativi profondi (autoencoder, VAE, GAN, modelli di diffusione e generazione text-to-image) e ai paradigmi di apprendimento avanzati (transfer learning, apprendimento auto-supervisionato, few-shot learning, deep reinforcement learning). La parte finale affronta le Graph Neural Networks, l'interpretabilità (XAI), la robustezza contro attacchi adversarial e le tecniche di efficienza e deployment dei modelli in produzione.
Al termine del corso lo studente avrà acquisito:

  • padronanza delle tecniche di addestramento, regolarizzazione e ottimizzazione delle reti neurali profonde;
  • conoscenza delle principali architetture per visione, sequenze e linguaggio (CNN, RNN, Transformer);
  • comprensione dei modelli fondazionali e dei Large Language Models;
  • capacità di analizzare e confrontare i modelli generativi profondi (VAE, GAN, diffusione);
  • familiarità con le problematiche di interpretabilità, robustezza,
    L'insegnamento fornisce allo studente le basi teoriche e metodologiche del Deep Learning avanzato, con l'obiettivo di sviluppare la capacità di progettare, addestrare e valutare reti neurali profonde per applicazioni complesse nei domini della visione artificiale, del linguaggio naturale e dei modelli generativi.
    Il percorso muove dai fondamenti dell'addestramento delle reti profonde — backpropagation, ottimizzazione, regolarizzazione, normalizzazione e tuning degli iperparametri — per poi affrontare le principali famiglie architetturali: reti convoluzionali per la visione, reti ricorrenti per le sequenze, e l'architettura Transformer con i modelli fondazionali che ne derivano (BERT, GPT, Large Language Models, modelli multimodali).
    Il corso dedica ampio spazio ai modelli generativi profondi (autoencoder, VAE, GAN, modelli di diffusione e generazione text-to-image) e ai paradigmi di apprendimento avanzati (transfer learning, apprendimento auto-supervisionato, few-shot learning, deep reinforcement learning). La parte finale affronta le Graph Neural Networks, l'interpretabilità (XAI), la robustezza contro attacchi adversarial e le tecniche di efficienza e deployment dei modelli in produzione.
    Al termine del corso lo studente avrà acquisito:
  • padronanza delle tecniche di addestramento, regolarizzazione e ottimizzazione delle reti neurali profonde;
  • conoscenza delle principali architetture per visione, sequenze e linguaggio (CNN, RNN, Transformer);
  • comprensione dei modelli fondazionali e dei Large Language Models;
  • capacità di analizzare e confrontare i modelli generativi profondi (VAE, GAN, diffusione);
  • familiarità con le problematiche di interpretabilità, robustezza, efficienza e deployment dei modelli.

Programma

45 videolezioni articolate in 7 blocchi.
================================================================
BLOCCO I — FONDAMENTI E ADDESTRAMENTO
================================================================
Lezione 1 — Introduzione al Deep Learning avanzato
Panoramica del campo; apprendimento di rappresentazioni gerarchiche;
motivazioni, successi applicativi e sfide aperte.
Lezione 2 — Reti neurali feedforward
Percettrone multistrato; teorema di approssimazione universale;
architettura, strati e capacità rappresentativa.
Lezione 3 — Backpropagation e differenziazione automatica
Grafo computazionale; regola della catena; modalità forward/reverse;
autograd nei framework moderni.
Lezione 4 — Funzioni di attivazione e inizializzazione
Sigmoid, tanh, ReLU e varianti; problema del gradiente evanescente;
inizializzazione Xavier/He.
Lezione 5 — Ottimizzazione delle reti profonde
Discesa del gradiente stocastica; Momentum, RMSProp, Adam; learning
rate scheduling; superfici di perdita.
Lezione 6 — Regolarizzazione e generalizzazione
Penalità L1/L2; early stopping; data augmentation; controllo della
capacità e trade-off bias-varianza.
Lezione 7 — Tecniche di normalizzazione
Batch normalization; layer/instance/group normalization; effetti su
stabilità e velocità di addestramento.
Lezione 8 — Dropout e regolarizzazione stocastica
Dropout come ensemble implicito; DropConnect; rumore stocastico;
inferenza con dropout.
Lezione 9 — Tecniche di addestramento efficace
Curriculum e transfer; gradient clipping; mixed precision;
monitoraggio della convergenza.
Lezione 10 — Profondità e connessioni residue
Degrado con la profondità; blocchi residui (ResNet); skip connection;
reti molto profonde.
Lezione 11 — Iperparametri, tuning e riproducibilità
Ricerca a griglia/random/bayesiana; gestione dei seed; logging ed
esperimenti riproducibili.
================================================================
BLOCCO II — VISIONE E CNN
================================================================
Lezione 12 — Reti convoluzionali: fondamenti
Convoluzione, stride, padding; pooling; condivisione dei pesi; campi
recettivi.
Lezione 13 — Architetture CNN classiche
LeNet, AlexNet, VGG, GoogLeNet/Inception; evoluzione e scelte
progettuali.
Lezione 14 — Reti residue e architetture moderne
ResNet, DenseNet, EfficientNet; blocchi bottleneck; scaling di
profondità/larghezza/risoluzione.
Lezione 15 — Rilevamento di oggetti (object detection)
R-CNN e famiglia; YOLO; SSD; anchor box; metriche mAP e IoU.
Lezione 16 — Segmentazione di immagini
Segmentazione semantica e di istanza; FCN, U-Net, Mask R-CNN;
upsampling e convoluzioni trasposte.
Lezione 17 — Applicazioni avanzate di visione
Stima della posa; super-risoluzione; style transfer; casi d'uso
reali della visione profonda.
================================================================
BLOCCO III — SEQUENZE, LINGUAGGIO E PARLATO
================================================================
Lezione 18 — Reti ricorrenti (RNN)
Elaborazione di sequenze; backpropagation through time; problemi di
gradiente su sequenze lunghe.
Lezione 19 — LSTM e GRU
Celle con gate; memoria a lungo termine; confronto LSTM vs GRU;
applicazioni sequenziali.
Lezione 20 — Sequence-to-sequence e attenzione
Architettura encoder-decoder; meccanismo di attenzione; allineamento;
traduzione automatica.
Lezione 21 — Rappresentazioni del linguaggio
Word embedding (word2vec, GloVe); embedding contestuali; semantica
distribuzionale.
Lezione 22 — Elaborazione del linguaggio naturale
Classificazione del testo; NER; language modeling; pipeline NLP con
reti profonde.
Lezione 23 — Deep learning per il parlato (speech)
Feature acustiche; riconoscimento vocale end-to-end; CTC; sintesi
vocale.
================================================================
BLOCCO IV — TRANSFORMER E MODELLI FONDAZIONALI
================================================================
Lezione 24 — Il Transformer: self-attention
Self-attention e scaled dot-product; multi-head attention; encoding
posizionale; superamento delle RNN.
Lezione 25 — Architetture Transformer
Encoder, decoder, encoder-decoder; connessioni residue e
normalizzazione; varianti architetturali.
Lezione 26 — Modelli encoder pre-addestrati: BERT
Masked language modeling; pre-addestramento e fine-tuning; BERT e
derivati (RoBERTa, ALBERT).
Lezione 27 — Modelli generativi del linguaggio: GPT
Language modeling autoregressivo; architettura solo-decoder; famiglia
GPT; generazione di testo.
Lezione 28 — Large Language Models
Leggi di scala; emergenza; in-context learning; prompting;
instruction tuning e RLHF (cenni).
Lezione 29 — Transformer per la visione e multimodali
Vision Transformer (ViT); modelli multimodali (CLIP); fusione
testo-immagine.
Lezione 30 — Modelli fondazionali e transfer su larga scala
Paradigma pre-train/fine-tune; adattamento efficiente (adapter,
LoRA); riuso su larga scala.
================================================================
BLOCCO V — MODELLI GENERATIVI PROFONDI
================================================================
Lezione 31 — Autoencoder e rappresentazioni latenti
Autoencoder; undercomplete/sparse/denoising; spazio latente;
compressione e denoising.
Lezione 32 — Variational Autoencoder (VAE)
Inferenza variazionale; reparameterization trick; ELBO; generazione
campionando dallo spazio latente.
Lezione 33 — Generative Adversarial Networks (GAN)
Gioco min-max generatore/discriminatore; addestramento avversario;
instabilità e mode collapse.
Lezione 34 — GAN avanzate e applicazioni
DCGAN, WGAN, StyleGAN, conditional GAN; image-to-image (pix2pix,
CycleGAN).
Lezione 35 — Modelli di diffusione
Processi di diffusione forward/reverse; denoising diffusion (DDPM);
score matching; campionamento.
Lezione 36 — Generazione condizionata e text-to-image
Guida condizionata; latent diffusion; modelli text-to-image
(Stable Diffusion, DALL·E); classifier-free guidance.
================================================================
BLOCCO VI — PARADIGMI DI APPRENDIMENTO AVANZATI
================================================================
Lezione 37 — Transfer learning e fine-tuning
Pre-addestramento e trasferimento; feature extraction vs fine-tuning;
domain adaptation.
Lezione 38 — Apprendimento auto-supervisionato
Pretext task; contrastive learning (SimCLR, MoCo); metodi non
contrastivi (BYOL); rappresentazioni senza etichette.
Lezione 39 — Few-shot learning e meta-learning
Apprendimento da pochi esempi; reti prototipiche; MAML;
learning-to-learn.
Lezione 40 — Deep Reinforcement Learning: fondamenti
MDP; Deep Q-Network; experience replay; approssimazione della
funzione valore con reti profonde.
Lezione 41 — Policy gradient e RL avanzato
REINFORCE; metodi actor-critic (A2C/A3C); PPO; RL con reti profonde.
================================================================
BLOCCO VII — TEMI AVANZATI, AFFIDABILITÀ E PRODUZIONE
================================================================
Lezione 42 — Graph Neural Networks
Dati su grafo; message passing; GCN, GAT, GraphSAGE; applicazioni su
grafi.
Lezione 43 — Interpretabilità e spiegabilità (XAI)
Saliency map; Grad-CAM; SHAP e LIME; attribuzione delle feature;
trasparenza dei modelli.
Lezione 44 — Robustezza, adversarial e sicurezza
Esempi avversari (FGSM, PGD); addestramento robusto; attacchi e
difese; affidabilità dei modelli.
Lezione 45 — Efficienza e deployment (MLOps per il DL)
Pruning, quantizzazione,45 videolezioni articolate in 7 blocchi.
================================================================
BLOCCO I — FONDAMENTI E ADDESTRAMENTO
================================================================
Lezione 1 — Introduzione al Deep Learning avanzato
Panoramica del campo; apprendimento di rappresentazioni gerarchiche;
motivazioni, successi applicativi e sfide aperte.
Lezione 2 — Reti neurali feedforward
Percettrone multistrato; teorema di approssimazione universale;
architettura, strati e capacità rappresentativa.
Lezione 3 — Backpropagation e differenziazione automatica
Grafo computazionale; regola della catena; modalità forward/reverse;
autograd nei framework moderni.
Lezione 4 — Funzioni di attivazione e inizializzazione
Sigmoid, tanh, ReLU e varianti; problema del gradiente evanescente;
inizializzazione Xavier/He.
Lezione 5 — Ottimizzazione delle reti profonde
Discesa del gradiente stocastica; Momentum, RMSProp, Adam; learning
rate scheduling; superfici di perdita.
Lezione 6 — Regolarizzazione e generalizzazione
Penalità L1/L2; early stopping; data augmentation; controllo della
capacità e trade-off bias-varianza.
Lezione 7 — Tecniche di normalizzazione
Batch normalization; layer/instance/group normalization; effetti su
stabilità e velocità di addestramento.
Lezione 8 — Dropout e regolarizzazione stocastica
Dropout come ensemble implicito; DropConnect; rumore stocastico;
inferenza con dropout.
Lezione 9 — Tecniche di addestramento efficace
Curriculum e transfer; gradient clipping; mixed precision;
monitoraggio della convergenza.
Lezione 10 — Profondità e connessioni residue
Degrado con la profondità; blocchi residui (ResNet); skip connection;
reti molto profonde.
Lezione 11 — Iperparametri, tuning e riproducibilità
Ricerca a griglia/random/bayesiana; gestione dei seed; logging ed
esperimenti riproducibili.
================================================================
BLOCCO II — VISIONE E CNN
================================================================
Lezione 12 — Reti convoluzionali: fondamenti
Convoluzione, stride, padding; pooling; condivisione dei pesi; campi
recettivi.
Lezione 13 — Architetture CNN classiche
LeNet, AlexNet, VGG, GoogLeNet/Inception; evoluzione e scelte
progettuali.
Lezione 14 — Reti residue e architetture moderne
ResNet, DenseNet, EfficientNet; blocchi bottleneck; scaling di
profondità/larghezza/risoluzione.
Lezione 15 — Rilevamento di oggetti (object detection)
R-CNN e famiglia; YOLO; SSD; anchor box; metriche mAP e IoU.
Lezione 16 — Segmentazione di immagini
Segmentazione semantica e di istanza; FCN, U-Net, Mask R-CNN;
upsampling e convoluzioni trasposte.
Lezione 17 — Applicazioni avanzate di visione
Stima della posa; super-risoluzione; style transfer; casi d'uso
reali della visione profonda.
================================================================
BLOCCO III — SEQUENZE, LINGUAGGIO E PARLATO
================================================================
Lezione 18 — Reti ricorrenti (RNN)
Elaborazione di sequenze; backpropagation through time; problemi di
gradiente su sequenze lunghe.
Lezione 19 — LSTM e GRU
Celle con gate; memoria a lungo termine; confronto LSTM vs GRU;
applicazioni sequenziali.
Lezione 20 — Sequence-to-sequence e attenzione
Architettura encoder-decoder; meccanismo di attenzione; allineamento;
traduzione automatica.
Lezione 21 — Rappresentazioni del linguaggio
Word embedding (word2vec, GloVe); embedding contestuali; semantica
distribuzionale.
Lezione 22 — Elaborazione del linguaggio naturale
Classificazione del testo; NER; language modeling; pipeline NLP con
reti profonde.
Lezione 23 — Deep learning per il parlato (speech)
Feature acustiche; riconoscimento vocale end-to-end; CTC; sintesi
vocale.
================================================================
BLOCCO IV — TRANSFORMER E MODELLI FONDAZIONALI
================================================================
Lezione 24 — Il Transformer: self-attention
Self-attention e scaled dot-product; multi-head attention; encoding
posizionale; superamento delle RNN.
Lezione 25 — Architetture Transformer
Encoder, decoder, encoder-decoder; connessioni residue e
normalizzazione; varianti architetturali.
Lezione 26 — Modelli encoder pre-addestrati: BERT
Masked language modeling; pre-addestramento e fine-tuning; BERT e
derivati (RoBERTa, ALBERT).
Lezione 27 — Modelli generativi del linguaggio: GPT
Language modeling autoregressivo; architettura solo-decoder; famiglia
GPT; generazione di testo.
Lezione 28 — Large Language Models
Leggi di scala; emergenza; in-context learning; prompting;
instruction tuning e RLHF (cenni).
Lezione 29 — Transformer per la visione e multimodali
Vision Transformer (ViT); modelli multimodali (CLIP); fusione
testo-immagine.
Lezione 30 — Modelli fondazionali e transfer su larga scala
Paradigma pre-train/fine-tune; adattamento efficiente (adapter,
LoRA); riuso su larga scala.
================================================================
BLOCCO V — MODELLI GENERATIVI PROFONDI
================================================================
Lezione 31 — Autoencoder e rappresentazioni latenti
Autoencoder; undercomplete/sparse/denoising; spazio latente;
compressione e denoising.
Lezione 32 — Variational Autoencoder (VAE)
Inferenza variazionale; reparameterization trick; ELBO; generazione
campionando dallo spazio latente.
Lezione 33 — Generative Adversarial Networks (GAN)
Gioco min-max generatore/discriminatore; addestramento avversario;
instabilità e mode collapse.
Lezione 34 — GAN avanzate e applicazioni
DCGAN, WGAN, StyleGAN, conditional GAN; image-to-image (pix2pix,
CycleGAN).
Lezione 35 — Modelli di diffusione
Processi di diffusione forward/reverse; denoising diffusion (DDPM);
score matching; campionamento.
Lezione 36 — Generazione condizionata e text-to-image
Guida condizionata; latent diffusion; modelli text-to-image
(Stable Diffusion, DALL·E); classifier-free guidance.
================================================================
BLOCCO VI — PARADIGMI DI APPRENDIMENTO AVANZATI
================================================================
Lezione 37 — Transfer learning e fine-tuning
Pre-addestramento e trasferimento; feature extraction vs fine-tuning;
domain adaptation.
Lezione 38 — Apprendimento auto-supervisionato
Pretext task; contrastive learning (SimCLR, MoCo); metodi non
contrastivi (BYOL); rappresentazioni senza etichette.
Lezione 39 — Few-shot learning e meta-learning
Apprendimento da pochi esempi; reti prototipiche; MAML;
learning-to-learn.
Lezione 40 — Deep Reinforcement Learning: fondamenti
MDP; Deep Q-Network; experience replay; approssimazione della
funzione valore con reti profonde.
Lezione 41 — Policy gradient e RL avanzato
REINFORCE; metodi actor-critic (A2C/A3C); PPO; RL con reti profonde.
================================================================
BLOCCO VII — TEMI AVANZATI, AFFIDABILITÀ E PRODUZIONE
================================================================
Lezione 42 — Graph Neural Networks
Dati su grafo; message passing; GCN, GAT, GraphSAGE; applicazioni su
grafi.
Lezione 43 — Interpretabilità e spiegabilità (XAI)
Saliency map; Grad-CAM; SHAP e LIME; attribuzione delle feature;
trasparenza dei modelli.
Lezione 44 — Robustezza, adversarial e sicurezza
Esempi avversari (FGSM, PGD); addestramento robusto; attacchi e
difese; affidabilità dei modelli.
Lezione 45 — Efficienza e deployment (MLOps per il DL)
Pruning, quantizzazione, distillazione della conoscenza; serving;
MLOps e ottimizzazione per l'inferenza.
MLOps e ottimizzazione per l'inferenza.

Modalità d'esame

La valutazione finale avverrà nelle date d’appello previste dall’Ateneo e pubblicate in piattaforma, in modalità scritta online (prova in itinere), scritta in presenza.

Codice insegnamento 0082509INGINF05I

Economia e organizzazione aziendale 3° anno · 6 CFU · ING-IND/35 · 0 file

Conoscenza e capacità di comprensione Al termine del corso lo studente acquisisce conoscenze di base in ambito economico, finanziario e microeconomico, comprendendo i principali meccanismi di funzionamento dei mercati, i…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenza e capacità di comprensione
Al termine del corso lo studente acquisisce conoscenze di base in ambito economico, finanziario e microeconomico, comprendendo i principali meccanismi di funzionamento dei mercati, i criteri di valutazione economica degli investimenti e i fondamenti della gestione finanziaria e della redditività aziendale.
Capacità di applicare conoscenza e comprensione
Lo studente è in grado di applicare gli strumenti appresi per analizzare e confrontare alternative decisionali, valutare investimenti e progetti, interpretare i flussi economico-finanziari e supportare decisioni in ambito aziendale e pubblico.
Abilità di giudizio
Lo studente sviluppa la capacità di formulare giudizi autonomi nella valutazione delle scelte economiche, considerando aspetti quali il rischio, l’orizzonte temporale, la convenienza economica e il contesto decisionale, anche in presenza di informazioni incomplete o incerte.
Abilità di comunicare
Lo studente è in grado di comunicare in modo chiaro e strutturato i risultati delle analisi economiche e gestionali, utilizzando un linguaggio appropriato per interagire con interlocutori specialisti e non specialisti, e interpretando correttamente i principali documenti economico-finanziari.
Capacità di apprendimento
Il corso favorisce lo sviluppo di capacità di apprendimento autonomo, consentendo allo studente di aggiornare e integrare le proprie conoscenze in relazione all’evoluzione del contesto normativo, economico e tecnologico, e di comprendere l’impatto dei cambiamenti sull’organizzazione e sulle performance delle imprese.

Programma

Economia applicata all’ingegneria-Engineering economy
Capitalizzazione semplice e composta degli interessi: applicazioni
I mutui
Il saldo di un mutuo a tasso fisso e a tasso variabile: applicazioni
Le obbligazioni
Il rendimento di un’obbligazione: applicazioni
Inflazione
Effetti dell’inflazione sui flussi di cassa: applicazioni
Valore Attuale Netto (VAN), Tasso Interno di Rendimento (TIR), Pay-Back Period, Minimum Attractive Rate of Return (MARR): applicazioni
Valore Attuale Netto (VAN), Tasso Interno di Rendimento (TIR), Pay-Back Period, Minimum Attractive Rate of Return (MARR): applicazioni
Confronto tra alternative di investimento di durata diversa
Gli investimenti nel settore pubblico
Analisi costi-benefici e analisi costo-efficacia: applicazioni
Il bilancio di impresa
I sistemi di tassazione in Italia
Principi di Project Financing
La valutazione di un progetto finanziato con ricorso al Project Financing
Il modello economico-finanziario di un Project Financing
Il modello economico-finanziario di un Project Financing
Microeconomia - Elementi introduttivi
Il modello domanda-offerta
L’elasticità della domanda e dell’offerta
Il meccanismo di mercato e l’elasticità della domanda e dell’offerta nell’equilibrio del mercato: applicazioni
Le scelte del consumatore
Specificità del comportamento del consumatore
Il paniere ottimo del consumatore: applicazioni
La produzione
I costi di produzione
I fattori produttivi ottimi di un livello di produzione: applicazioni

Modalità d'esame

La valutazione finale avverrà nelle date d’appello previste dall’Ateneo e pubblicate in piattaforma, in modalità scritta online, scritta in presenza.

Testi di riferimento

Il docente consiglia l’integrazione del materiale fornito (videolezioni, slides, esercitazioni) con i seguenti testi, a cui il docente può fare riferimento durante le lezioni:
Campisi, D., & Costa, R. (2008). Economia applicata all’ingegneria: analisi degli investimenti e project financing. Carocci.
Morea, D., & Jacobone, F. (2017). Project financing: elementi di base, profili professionali e modelli innovativi. Maggioli.
Morea, D. (2017). Elementi di legislazione tecnica. Maggioli.

Codice insegnamento 0082506INGIND35

Ingegneria del Web 3° anno · 6 CFU · ING-INF/05 · 0 file

L'insegnamento si propone di fornire agli studenti le nozioni fondamentali dell'ingegneria del Web, con particolare riferimento all'architettura delle reti, ai protocolli di comunicazione e alle tecnologie di…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento si propone di fornire agli studenti le nozioni fondamentali dell'ingegneria del Web, con particolare riferimento all'architettura delle reti, ai protocolli di comunicazione e alle tecnologie di progettazione e sviluppo di applicazioni e siti Web.
Vengono trattati i concetti di base della comunicazione in rete e dei modelli di riferimento (OSI e TCP/IP), il protocollo HTTP/HTTPS e la gestione dello stato tramite cookie, il modello client-server e i servizi Web (API, SOAP, REST) con i relativi formati di scambio dati (XML e JSON). Particolare attenzione è dedicata alle tecnologie di front-end per la realizzazione delle pagine Web (HTML e CSS), con numerose attività laboratoriali svolte tramite strumenti come Cisco Packet Tracer e Replit.
Al termine del corso lo studente avrà acquisito:
Comprensione dei principi fondamentali delle reti e del Web: capacità di analizzare i modelli di comunicazione (OSI, TCP/IP), gli apparati di rete e i protocolli applicativi (HTTP, HTTPS). Padronanza delle tecnologie e dei formati del Web: conoscenza del modello client-server, dei servizi (API, SOAP, REST) e dei formati di scambio dati (XML, JSON). Capacità di progettazione e sviluppo front-end: comprensione e utilizzo di HTML e CSS per la realizzazione di pagine e applicazioni Web.

Programma

Modulo 1 – Introduzione al Web e alla comunicazione
Introduzione al Web: dal Web 1.0 al Web 4.0. Dato e informazione; informazione e comunicazione; la comunicazione in rete. Requisiti della comunicazione in rete: il concetto di protocollo e di servizio, con esempi di vita reale.
Modulo 2 – Modelli di rete e apparati
Reti di calcolatori e il modello OSI; la Protocol Data Unit. Il modello TCP/IP e il confronto tra OSI e TCP/IP. Apparati di rete e network troubleshooting. Attività laboratoriale con Cisco Packet Tracer: introduzione, dispositivi, LAN, configurazione di un Web server e analisi del traffico.
Modulo 3 – Il protocollo HTTP
L'evoluzione del Web e le tecnologie nelle sue diverse fasi. Il protocollo HTTP: request e response, versioni del protocollo. La connessione HTTP e la connessione TCP sottostante. Risorse nel Web e metodi HTTP; attività laboratoriale (HTTP Lab).
Modulo 4 – Sicurezza e gestione dello stato
HTTP ed HTTPS: crittografia, SSL e TLS. Comunicazione stateless e stateful; i cookie e la loro sicurezza. Struttura e implementazione di un cookie. Attività laboratoriale con Replit (Online IDE): creazione di un sito Web.
Modulo 5 – Modello client-server e servizi Web
Il sistema client-server e le API (Application Programming Interface). Servizi Web: SOAP e REST; la popolarità di REST. Il formato XML: struttura e dettaglio. Il formato JSON e il confronto XML vs JSON; attività laboratoriale (XML - JSON Lab).
Modulo 6 – HTML
Evoluzione di HTML e struttura di base; codifica e DOM. Struttura e intestazione di un documento HTML; il corpo (body) e le novità di HTML5. Autenticazione nelle applicazioni Web e in HTTP; altri metodi di autenticazione. Form HTML: interazioni con il Web, form input e invio dei dati; attività laboratoriale (HTML Forms Lab).
Modulo 7 – CSS
Introduzione ai CSS: storia e meccanismo del cascading. Regole CSS e associazione dei fogli di stile. Il box model e il posizionamento: display, float e position. Attività laboratoriali di livello base e avanzato (CSS Lab).

Modalità d'esame

La valutazione finale avverrà nelle date d’appello previste dall’Ateneo e pubblicate in piattaforma, in modalità scritta online, scritta strutturata in presenza e/o orale.

Codice insegnamento 0082506INGINF05II

Inglese 3° anno · 3 CFU · L-LIN/12 · 0 file

L'acquisizione dei risultati di apprendimento previsti viene accertata attraverso: le attività di autovalutazione associate ad ogni video-lezione, i test associati alla didattica sincrona, la prova intermedia online e la…

Scheda dell'insegnamento

Obiettivi formativi

L'acquisizione dei risultati di apprendimento previsti viene accertata attraverso: le attività di autovalutazione associate ad ogni video-lezione, i test associati alla didattica sincrona, la prova intermedia online e la prova finale in presenza. Test di autovalutazione: i test di autovalutazione permettono allo studente di monitorare la comprensione degli argomenti somministrati ed eventualmente di attivarsi per colmare le lacune. Test post-didattica sincrona: I test successivi alla didattica sincrona verificano l’applicazione delle conoscenze in situazione guidata e la capacità di apprendimento autonomo. Consentono di osservare l’uso operativo dei saperi e la capacità di trasferimento. La prova intermedia online e la prova finale in presenza: consente una verifica sistematica e standardizzata delle conoscenze disciplinari e della comprensione concettuale e permette di valutare l’autonomia di giudizio, ovvero la capacità di formulare valutazioni motivate e sostenere argomentazioni critiche.

Programma

Le video lezioni asincrone (DE) approfondiranno i seguenti argomenti: - Word order in questions and questions without auxiliaries; common verb phrases - Present simple and continuous, action and non-action verbs; Food and Cooking - Future forms: present continuous, going to, will/won't; Family: adjective of appearance and personality - Present perfect vs Past simple; Talking about experience - Present perfect + for/since, Present perfect continuous; Strong adjectives - Time sequencers and linkers; Adverbs of frequency - Comparatives and superlatives; Modifiers - Past tenses: simple, continuous, perfect; Prepositions of time and place: at, in, on - Passives (all tenses); verbs+prepositions - Conditionals (zero, first, second and third); - Reported speech; shopping - Gerunds and infinitives; work. - Modals of obligation, deduction and possibility; phrasal verbs - Revision of tenses - Modals of Obligation and Necessity; Modals of Deduction; Causative Verbs; Phrasal Verbs; Idioms; Collocations; English Phonetics and Phonology (An Introduction) – English Morphology and Word Formation. Le ultime lezioni tratteranno argomenti specifici del corso di studi.
Le lezioni sincrone (DS) si concentreranno sullo sviluppo diacronico della lingua inglese, permettendo agli studenti di avere una maggiore consapevolezza della sua evoluzione fonetica e morfologica, ma anche storica e sociale, con un approccio di ampio respiro. Per un fattivo svolgimento delle lezioni sincrone, gli studenti sono invitati, magari contattando il docente via e-mail, a richiedere e/o proporre approfondimenti e argomenti di discussione, legati possibilmente alla sfera del cosiddetto English for Specific Purpose, che mira principalmente al consolidamento del lessico specialistico della propria area di studio. La costante partecipazione degli studenti alle lezioni sincrone potrà garantire loro un primo approccio alla lettura e analisi di testi scientifici inerenti al loro settore di studi.

Modalità d'esame

La valutazione finale avverrà nelle date d’appello previste dall’Ateneo e pubblicate in piattaforma, in modalità scritta online, scritta in presenza.

Testi di riferimento

Il docente consiglia l’integrazione del materiale fornito (video lezioni, esercitazioni) con i seguenti testi, a cui il docente può fare riferimento durante le lezioni:
C. Latham-Koenig et.al, (2022), English file Digital Gold (4th ed.), A2/B1, With EC, Student's book, Workbook, Key, Ready for. Oxford University Press. C. Latham-Koenig et.al, (2022), English file Digital Gold (4th ed.), B2, With EC, Student's book, Workbook, Key, Ready for. Oxford University Press.

Codice insegnamento 0082503LLIN12

Robotica Intelligente e Sistemi Autonomi 3° anno · 9 CFU · ING-INF/05 · 0 file

Conoscenza e capacità di comprensione dei fondamenti teorici della robotica intelligente, con riferimento ai paradigmi Gerarchico, Reattivo e Ibrido; degli aspetti essenziali della pianificazione automatica (STRIPS),…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenza e capacità di comprensione

  • dei fondamenti teorici della robotica intelligente, con riferimento ai paradigmi Gerarchico, Reattivo e Ibrido;
  • degli aspetti essenziali della pianificazione automatica (STRIPS), della gestione della conoscenza e del ragionamento situato;
  • delle architetture reattive (Subsumption, Campo Potenziale) e delle tecniche di coordinamento tra comportamenti multipli;
  • dei principi di sensing, fusione sensoriale e computer vision applicata alla robotica mobile;
  • degli algoritmi di navigazione topologica e metrica, di localizzazione e di costruzione di mappe.
    Capacità di applicare conoscenza e comprensione
  • alla progettazione e valutazione di architetture di controllo per robot mobili autonomi;
  • all'implementazione di comportamenti reattivi e alla loro composizione in sistemi ibridi;
  • all'utilizzo di algoritmi di path planning (A*, Dijkstra, VFH, PRM) per la navigazione in ambienti strutturati e non;
  • all'applicazione di tecniche probabilistiche (filtro di Kalman, filtro a particelle) per la localizzazione;
  • alla progettazione di sistemi multi-robot con meccanismi di cooperazione e coordinazione.
    Abilità di giudizio
  • nell'analisi comparativa dei paradigmi robotici e nella scelta dell'architettura più adeguata al contesto applicativo;
  • nella valutazione delle limitazioni e dei punti di forza dei diversi approcci algoritmici per la navigazione e la localizzazione;
  • nel riconoscimento dei compromessi tra deliberazione e reattività nei sistemi ibridi.
    Abilità di comunicare
  • esporre concetti, architetture e algoritmi con linguaggio tecnico appropriato e rigoroso;
  • collegare in modo coerente i paradigmi studiati, evidenziando relazioni evolutive e strutturali;
  • presentare e discutere soluzioni progettuali in ambito robotico con chiarezza espositiva.
    Capacità di apprendimento
  • proseguire negli studi avanzati in robotica, intelligenza artificia
  • aggiornare e approfondire le proprie conoscenze attraverso lo studio di articoli scientifici e testi specialistici;
  • sviluppare un metodo di apprendimento fondato sulla comprensione coica delle architetture robotiche.Conoscenza e capacità di comprensione
  • dei fondamenti teorici della robotica intelligente, con riferimento ai paradigmi Gerarchico, Reattivo e Ibrido;
  • degli aspetti essenziali della pianificazione automatica (STRIPS), della gestione della conoscenza e del ragionamento situato;
  • delle architetture reattive (Subsumption, Campo Potenziale) e delle tecniche di coordinamento tra comportamenti multipli;
  • dei principi di sensing, fusione sensoriale e computer vision applicata alla robotica mobile;
  • degli algoritmi di navigazione topologica e metrica, di localizzazione e di costruzione di mappe.
    Capacità di applicare conoscenza e comprensione
  • alla progettazione e valutazione di architetture di controllo per robot mobili autonomi;
  • all'implementazione di comportamenti reattivi e alla loro composizione in sistemi ibridi;
  • all'utilizzo di algoritmi di path planning (A*, Dijkstra, VFH, PRM) per la navigazione in ambienti strutturati e non;
  • all'applicazione di tecniche probabilistiche (filtro di Kalman, filtro a particelle) per la localizzazione;
  • alla progettazione di sistemi multi-robot con meccanismi di cooperazione e coordinazione.
    Abilità di giudizio
  • nell'analisi comparativa dei paradigmi robotici e nella scelta dell'architettura più adeguata al contesto applicativo;
  • nella valutazione delle limitazioni e dei punti di forza dei diversi approcci algoritmici per la navigazione e la localizzazione;
  • nel riconoscimento dei compromessi tra deliberazione e reattività nei sistemi ibridi.
    Abilità di comunicare
  • esporre concetti, architetture e algoritmi con linguaggio tecnico appropriato e rigoroso;
  • collegare in modo coerente i paradigmi studiati, evidenziando relazioni evolutive e strutturali;
  • presentare e discutere soluzioni progettuali in ambito robotico con chiarezza espositiva.
    Capacità di apprendimento
  • proseguire negli studi avanzati in robotica, intelligenza artificia
  • aggiornare e approfondire le proprie conoscenze attraverso lo studio di articoli scientifici e testi specialistici;
  • sviluppare un metodo di apprendimento fondato sulla comprensione coica delle architetture robotiche.

Modalità d'esame

La valutazione finale avverrà nelle date d’appello previste dall’Ateneo e pubblicate in piattaforma, in modalità scritta online (prova in itinere), scritta in presenza.

Testi di riferimento

Murphy R.R. - Introduction to AI robotics - MIT Press - 2000
S. Russell, P. Norvig, “Artificial Intelligence. A Modern Approach", Prentice Hall, Second Edition - 2003
Arkin R.C. - Behavior-based robotics - MIT Press – 1998
Pefeifer R. & Scheier C. - Understanding Intelligence - MIT Press - 2000
Lentin J. and Cacace J., Mastering ROS for Robotics Programming: Design, build, and simulate complex robots using the Robot Operating System, BIRMINGHAM –MUMBAI - 2018

Codice insegnamento 0082509INGINF05III

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.