Advanced HCI
1° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file
Il corso si propone di fornire agli studenti / studentesse le conoscenze fondamentali sulla progettazione e lo sviluppo di sistemi che elaborano dati multimodali, cioè eterogenei, consentendo agli utenti di interagire…
Scheda dell'insegnamento
Obiettivi formativi
Il corso si propone di fornire agli studenti / studentesse le conoscenze fondamentali sulla progettazione e lo sviluppo di sistemi che elaborano dati multimodali, cioè eterogenei, consentendo agli utenti di interagire con computers, robots e agent virtuali attraverso comportamenti intuitivi e quotidiani. Questi sistemi sfruttano la ricchezza dell'intelligenza umana (motoria, emotiva, linguistica, sociale) di interagire con il mondo usando una o più modalità sensoriali, permettendo cosi di superare i limiti dei paradigmi di interazione tradizionalmente adottati nella Human Computer Interaction. Al termine del corso gli studenti / studentesse saranno in grado di: comprendere le motivazioni per l'utilizzo di tali sistemi;ricordare i principali componenti di cui tali sistemi sono composti;identificare le aree applicative in cui tali sistemi possono essere sfruttati con successo;conoscere e applicare le tecnologie e gli algoritmi per la cattura, la rappresentazione e l'analisi automatica dei dati realtivi alle diverse modalità di comunicazione umana (ad esempio, il movimento del corpo, lo sguardo, le espressioni facciali e il parlato) e come integrarle in modo multimodale;analizzare e valutare casi d'uso specifici in scenari selezionati;progettare e sviluppare esempi di tali sistemi. Il corso incoraggia gli studenti / studentesse a discutere tra loro e con la docente sugli approcci tecnologici e a sviluppare un atteggiamento critico nell'affrontare le tematiche HCI. Il corso è tenuto in inglese.
Programma
Il programma del corso prevede la presentazione e discussione dei seguenti argomenti: 1) Introduzione sulla multimodalità, dati multimodali e sistemi multimodali 2) Dispositivi e tecnologie per sistemi multimodali intelligenti 3) Approcci computazionali per l'analisi del comportamento umano: gesto, sguardo, espressioni facciali, voce 4) Apprendimento automatico da dati multimodali 5) Casi di studio e valutazione
Il corso prevede lezioni svolte in aula, per un totale di 48 ore. Per tutto il tempo, per quanto possibile, gli studenti / studentesse sono coinvolti e incoraggiati a partecipare attivamente. Gli studenti / studentesse possono provare in aula gli approcci illustrati sui loro portatili.
Modalità d'esame
L'esame consiste in una prova orale che comprende l'analisi critica, la presentazione e la discussione di una pubblicazione scientifica, complementata da domande sugli argomenti trattati a lezione. La pubblicazione scientifica verrà scelta dallo studente / studentessa tra quelle di una lista fornita dalla docente. Il lavoro svolto sulla pubblicazione scientifica ha un peso del 60% sul voto finale, mentre la parte dell'orale riguardante gli argomenti trattati a lezione ha un peso del 40%. Verranno valutati la qualità dell’esposizione, la capacità di ragionamento critico, l’utilizzo corretto del lessico specialistico, la conoscenza degli argomenti del corso e la capacità di illustrarne i contenuti. Una spiegazione dettagliata delle modalità d'esame sarà fornita durante le prime lezioni.
Testi di riferimento
Il materiale didattico comprende copie in pdf delle diapositive presentate durante le lezioni, esercizi per le lezioni pratiche e una raccolta di riferimenti ad articoli scientifici che la docente mette a disposizione degli studenti / studentesse
Codice insegnamento 50879_650770_95963
Advanced Programming of Cryptographic Methods
1° anno · 1° semestre · 6 CFU · INFO-01/A · 0 file
L'obbiettivo principale del corso è di fornire agli studenti una buona conoscenza dei problemi di sicurezza relativi allo sviluppo del software che implementa ed utilizza primitive e protocolli crittografici.
Scheda dell'insegnamento
Obiettivi formativi
L'obbiettivo principale del corso è di fornire agli studenti una buona conoscenza dei problemi di sicurezza relativi allo sviluppo del software che implementa ed utilizza primitive e protocolli crittografici.
Programma
Descrizione di una metodologia per derivare implementazioni sicure di primitive crittografiche a partire dalle loro specifiche matematiche che integra pratiche di codifica sicura (come ad esempio le tecniche di memory safety, esecuzione in tempo costante ed indipendente dai segreti) Sviluppo software e sicurezza: il ciclo di vita, la progettazione e i requisiti (funzionali vs non funzionali), i requisiti di sicurezza come raffinamenti della triade Riservatezza, Integrità e Disponibilità (RID), strumenti automatizzati per il testing e la verifica della sicurezza Crittografia Applicata in Java, Go e C: architetture critografiche di riferimento, utilizzo di librerie crittografiche (come ad esempio OpenSSL), similitudini e differenze Protocolli di comunicazione: Transport Layer Security (come TLS 1.2 e 1.3) and Virtual Private Network (come WireGuard) Audit di alcune librerie crittografiche, come OpenSSL e TweetNaCl, con un focus sulle nozioni di Trusted Computing Base ed superficie d'attacco Utilizzo sicuro delle primitive disponibili nelle librerie crittografiche (ad esempio, hashing, crittografia simmetrica e asimmetrica) per implementare protocolli, applicazioni e servizi Gestione dell'uso di primitive crittografiche: Cryptographic Bill Of Materials (CBOM), transizione Post Quantum e crypto-agility Best practice per la definizione, l'implementazione e la documentazione di un progetto crittografico
Lezioni frontali ed esercitazioni in aula.
Modalità d'esame
Esame scritto od orale e progetto in Java, Go o C.
Testi di riferimento
Le slide e i riferimenti a materiale integrativo saranno resi disponibili sulla pagina Moodle del corso. In particolare, verrà fornito un link a un manuale "vivo" (living handbook) di Crittografia Applicata, redatto dall'unità di ricerca ALEPH del Centro per la Cybersecurity della Fondazione Bruno Kessler (FBK).
Codice insegnamento 50879_650768_92173
Advanced Programming of Cryptographic Methods
1° anno · 1° semestre · 6 CFU · INFO-01/A · 0 file
L'obbiettivo principale del corso è di fornire agli studenti una buona conoscenza dei problemi di sicurezza relativi allo sviluppo del software che implementa ed utilizza primitive e protocolli crittografici.
Scheda dell'insegnamento
Obiettivi formativi
L'obbiettivo principale del corso è di fornire agli studenti una buona conoscenza dei problemi di sicurezza relativi allo sviluppo del software che implementa ed utilizza primitive e protocolli crittografici.
Programma
Descrizione di una metodologia per derivare implementazioni sicure di primitive crittografiche a partire dalle loro specifiche matematiche che integra pratiche di codifica sicura (come ad esempio le tecniche di memory safety, esecuzione in tempo costante ed indipendente dai segreti) Sviluppo software e sicurezza: il ciclo di vita, la progettazione e i requisiti (funzionali vs non funzionali), i requisiti di sicurezza come raffinamenti della triade Riservatezza, Integrità e Disponibilità (RID), strumenti automatizzati per il testing e la verifica della sicurezza Crittografia Applicata in Java, Go e C: architetture critografiche di riferimento, utilizzo di librerie crittografiche (come ad esempio OpenSSL), similitudini e differenze Protocolli di comunicazione: Transport Layer Security (come TLS 1.2 e 1.3) and Virtual Private Network (come WireGuard) Audit di alcune librerie crittografiche, come OpenSSL e TweetNaCl, con un focus sulle nozioni di Trusted Computing Base ed superficie d'attacco Utilizzo sicuro delle primitive disponibili nelle librerie crittografiche (ad esempio, hashing, crittografia simmetrica e asimmetrica) per implementare protocolli, applicazioni e servizi Gestione dell'uso di primitive crittografiche: Cryptographic Bill Of Materials (CBOM), transizione Post Quantum e crypto-agility Best practice per la definizione, l'implementazione e la documentazione di un progetto crittografico
Lezioni frontali ed esercitazioni in aula.
Modalità d'esame
Esame scritto od orale e progetto in Java, Go o C.
Testi di riferimento
Le slide e i riferimenti a materiale integrativo saranno resi disponibili sulla pagina Moodle del corso. In particolare, verrà fornito un link a un manuale "vivo" (living handbook) di Crittografia Applicata, redatto dall'unità di ricerca ALEPH del Centro per la Cybersecurity della Fondazione Bruno Kessler (FBK).
Codice insegnamento 50880_650768_92173
Advanced computing architectures
1° anno · 1° semestre · 6 CFU · IINF-01/A · 0 file
L'insegnamento si propone di fornire agli studenti le nozioni richieste per la comprensione, la progettazione e la valutazione di architetture di elaborazione avanzate che sfruttino il parallelismo nelle sue varie forme.…
Scheda dell'insegnamento
Obiettivi formativi
L'insegnamento si propone di fornire agli studenti le nozioni richieste per la comprensione, la progettazione e la valutazione di architetture di elaborazione avanzate che sfruttino il parallelismo nelle sue varie forme. Al termine dell'insegnamento, lo studente sarà in grado di comprendere l'organizzazione delle moderne unità di calcolo, e di progettarne di nuove analizzando e valutando l'effetto delle scelte architetturali, identificando le componenti critiche, e confrontando soluzioni differenti in termini di prestazioni e costo, al fine di selezionare quelle ottimali nei diversi campi di applicazione. Lo studente acquisirà in particolare le competenze richieste per sviluppare applicazioni su GPU utilizzando CUDA.
Programma
Il corso comprende una selezione dei seguenti argomenti (a seconda del tempo a disposizione): Fondamenti di progettazione di sistemi di elaborazioneCriteri di scelta del set d'istruzioniOrganizzazione della memoria: criteri di progetto e ottimizzazioniLa pipeline a 5 stadi.Parallelismo a livello d'istruzione: predizione dei salti, architetutture superscalari, algoritmo di Tomasulo, esecuzione speculativa.Data path ed unità funzionaliArchitetture Very Long Instruction Words (VLIW)Architetture vettoriali e GPUCUDA e programmazione di GPUArchitetture in-memoryCenni su architetture multiprocessoreImplementazione su ASIC
L'attività didattica comprende lezioni frontali, coadiuvate dall'uso di slide, che illustrano le soluzioni architetturali oggi in uso, ed i metodi per la loro valutazione, esplorandone gli effetti e confrontandone le prestazioni (circa 75% del corso). Esercitazioni in aula complementano le lezioni frontali con lo svolgimento di esercizi e casi di studio volti ad identificare l'impatto delle scelte architetturali sulle prestazioni del sistema (circa 25% del corso). Si svolgeranno in particolare esercitazioni sulla programmazione delle GPU usando CUDA. Il materiale didattico (slide, esercizi) è reso disponibile nel sito del corso sul sistema Moodle.
Modalità d'esame
L'esame consiste in una prova scritta, valutata tra 0 e 30/30, che comprende esercizi per la soluzione di problemi di calcolo delle prestazioni, e domande a carattere teorico a risposta aperta volte a valutare la capacità dello studente di esporre in modo critico i concetti alla base delle moderne architetture a microprocessore. La prova scritta può essere integrata con una prova orale facoltativa, che verte sull'intero programma del corso, e che può incidere fino a 3 punti in più o in meno sull'esito dello scritto. Gli studenti possono optare per un progetto, da svolgere individualmente o in coppia, che sostituisce la prova scritta e orale, e che consiste nello sviluppare parti sostanziali di un sistema di calcolo in forma di simulazione, per esempio in linguaggio C, o direttamente in hardware, per esempio in VHDL, o l'implementazione su GPU di algoritmi di calcolo.
Testi di riferimento
Le lezioni sono basate sul libro - J. H. Hennessy, D. A. Patterson, "Computer Architecture: a quantitative approach," Morgan Kaufmmann, 2002. - J. Cheng, M. Grossman, T. McKercher, "Professional CUDA C Programming", John Wiley & Sons. Le slide mostrate a lezione, e materiale didattico aggiuntivo, quale ad esempio articoli di ricerca, sono resi disponibili nel sito del corso sul sistema ESSE3.
Codice insegnamento 50880_650699_94302
Applied Cryptography
1° anno · 1° semestre · 6 CFU · INFO-01/A · 0 file
L'obiettivo principale del corso è acquisire familiarità con gli aspetti teorici e pratici relativi all'applicazione di tecniche crittografiche. In particolare, durante il corso si approfondirà come definire una…
Scheda dell'insegnamento
Obiettivi formativi
L'obiettivo principale del corso è acquisire familiarità con gli aspetti teorici e pratici relativi all'applicazione di tecniche crittografiche. In particolare, durante il corso si approfondirà come definire una primitiva crittografica partendo dalle funzionalità che ci si aspetta ottenga, cosa si intende per crittosistema "sicuro" e come selezionare i parametri di un particolare crittosistema per raggiungere determinati livelli di sicurezza. Inoltre, saranno discusse diverse primitive e presentati vari schemi/protocolli crittografici, come ad esempio AES, RSA, DSA e TLS.
Programma
Tipologie di sicurezza crittografica: perfect security e semantic security. Crittografia a chiave simmetrica: cifrari a flusso, PRG, cifrari a blocchi, PRF, metodi di operazione, attacchi chosen plaintext, sicurezza IND-CPA, message integrity, attacchi chosen ciphertext, sicurezza IND-CCA, funzioni hash e loro costruzione, authenticated encryption. Crittografia a chiave pubblica: nozioni di base di teoria dei numeri, scambio di chiavi con Diffie-Hellman, scambio di chiavi autenticato, problema del logaritmo discreto (DLOG) e sua sicurezza, schemi basati sul DLOG, RSA, problema della fattorizzazione di interi, firme digitali.
Presentazioni mediante slides ed esercizi svolti in aula.
Modalità d'esame
Esame scritto con esercizi e domande aperte
Testi di riferimento
-A Graduate Course in Applied Cryptography, Dan Boneh and Victor Shoup (https://toc.cryptobook.us/) -Introduction to Modern Cryptography, Jonathan Katz and Yehuda Lindell -Handbook of Applied Cryptography, Alfred J. Menezes, Paul C. van Oorschot and Scott A. Vanstone (tutti i capitoli sono liberamente disponibili online al seguente indirizzo: https://cacr.uwaterloo.ca/hac/)
Codice insegnamento 50879_650759_94110
Automated Reasoning and Formal Verification
1° anno · 12 CFU · IINF-05/A · 0 file
NOTA IMPORTANTE: Il corso "Automated reasoning and Formal Verification" è diviso in due moduli consecutivi: Modulo I: "Automated Reasoning" [6CFU, di cui 4.5CFU teoria + 1.5CFU laboratorio] Modulo II: "Formal…
Scheda dell'insegnamento
Obiettivi formativi
NOTA IMPORTANTE: Il corso "Automated reasoning and Formal Verification" è diviso in due moduli consecutivi: Modulo I: "Automated Reasoning" [6CFU, di cui 4.5CFU teoria + 1.5CFU laboratorio] Modulo II: "Formal Verification" [6CFU, di cui 4.5CFU teoria + 1.5CFU laboratorio] che sono rispettivamente mutuati come singoli corsi * Automated Reasoning [6CFU, di cui 4.5CFU teoria + 1.5CFU laboratorio] * Formal Verification [6CFU, di cui 4.5CFU teoria + 1.5CFU laboratorio] dal c.d.l. in Artificial Intelligence Systems. Il primo modulo/corso costituisce prerequisito per il secondo. All'interno di entrambi i moduli/corsi è prevista una parte di laboratorio, per complessivi 3 CFU (1.5 CFU Automated Reasoning + 1.5 CFU Formal Verification) Il primo modulo/corso "Automated Reasoning" comincierà quindi all'inizio del semestre e terminerà a metà semestre, mentre il secondo modulo/corso "Formal Verification" comincierà a metà semestre e terminerà a fine semestre. Modulo/corso "Automated Reasoning" [6CFU, di cui 4.5CFU teoria + 1.5CFU laboratorio] Le tecniche di ragionamento (logico) automatico sono ampiamente utilizzate in svariati campi, principalmente in Intelligenza Artificiale --come "motori" di svariati sistemi di ragionamento, inferenza e pianificazione automatica-- e nel campo della specifica e verifica formale si sistemi complessi --come "motori" sopra i quali sono costruiti i principali sistemi di verifica automatica. Il Modulo/corso "Automated Reasoning" presenta un'introduzione alle principali metodologie e agli strumenti per il ragionamento (logico) automatico. Gli studenti sperimenteranno in laboratorio l'uso di tool di automated reasoning, in particolare ad esempio, SAT o SMT solvers. Al termine del modulo/corso, lo studente: - conoscera` le principali tecniche di automated reasoning - sara` in grado di modellare semplici problemi e risolverli tramite automated reasonin tools, quali ad esempio SAT e SMT solvers. Modulo/corso "Formal Verification" [6CFU, di cui 4.5CFU teoria + 1.5CFU laboratorio] I metodi di specifica e verifica formali sono progressivamente usati nello sviluppo di sistemi SW e HW industriali come potenti strumenti per la specifica, la verifica e la ricerca di errori. Le metodologie principali e di maggior successo cadono nella famiglia del "Formal Verification", che utilizzano tecniche di automated reasoning come motori. Il Modulo/corso "Formal Verification" presenta un'introduzione alle principali metodologie e agli strumenti per la specifica e soprattutto la verifica formale di sistemi SW e HW. Il corso si concentrera' sulle tecniche di verifica formale, ed in particolare sulla tecnica "Formal Verification". Gli studenti sperimenteranno in laboratorio l'uso di tecniche di model checking basate sui model checker NuXmv. Al termine del modulo/corso, lo studente: - conoscera` le principali tecniche di specifica e verifica formale, in particolare del Formal Verification - sara` in grado di formalizzare semplici sistemi SW o HW e verificarne proprieta`, tramite il model checker NuXmv.
NOTA IMPORTANTE: Il corso "Automated reasoning and Formal Verification" è diviso in due moduli consecutivi: Modulo I: "Automated Reasoning" [6CFU, di cui 4.5CFU teoria + 1.5CFU laboratorio] Modulo II: "Formal Verification" [6CFU, di cui 4.5CFU teoria + 1.5CFU laboratorio] che sono rispettivamente mutuati come singoli corsi * Automated Reasoning [6CFU, di cui 4.5CFU teoria + 1.5CFU laboratorio] * Formal Verification [6CFU, di cui 4.5CFU teoria + 1.5CFU laboratorio] dal c.d.l. in Artificial Intelligence Systems. Il primo modulo/corso costituisce prerequisito per il secondo. All'interno di entrambi i moduli/corsi è prevista una parte di laboratorio, per complessivi 3 CFU (1.5 CFU Automated Reasoning + 1.5 CFU Formal Verification) Il primo modulo/corso "Automated Reasoning" comincierà quindi all'inizio del semestre e terminerà a metà semestre, mentre il secondo modulo/corso "Formal Verification" comincierà a metà semestre e terminerà a fine semestre. Modulo/corso "Automated Reasoning" [6CFU, di cui 4.5CFU teoria + 1.5CFU laboratorio] Le tecniche di ragionamento (logico) automatico sono ampiamente utilizzate in svariati campi, principalmente in Intelligenza Artificiale --come "motori" di svariati sistemi di ragionamento, inferenza e pianificazione automatica-- e nel campo della specifica e verifica formale si sistemi complessi --come "motori" sopra i quali sono costruiti i principali sistemi di verifica automatica. Il Modulo/corso "Automated Reasoning" presenta un'introduzione alle principali metodologie e agli strumenti per il ragionamento (logico) automatico. Gli studenti sperimenteranno in laboratorio l'uso di tool di automated reasoning, in particolare ad esempio, SAT o SMT solvers. Al termine del modulo/corso, lo studente: - conoscera` le principali tecniche di automated reasoning - sara` in grado di modellare semplici problemi e risolverli tramite automated reasonin tools, quali ad esempio SAT e SMT solvers. Modulo/corso "Formal Verification" [6CFU, di cui 4.5CFU teoria + 1.5CFU laboratorio] I metodi di specifica e verifica formali sono progressivamente usati nello sviluppo di sistemi SW e HW industriali come potenti strumenti per la specifica, la verifica e la ricerca di errori. Le metodologie principali e di maggior successo cadono nella famiglia del "Formal Verification", che utilizzano tecniche di automated reasoning come motori. Il Modulo/corso "Formal Verification" presenta un'introduzione alle principali metodologie e agli strumenti per la specifica e soprattutto la verifica formale di sistemi SW e HW. Il corso si concentrera' sulle tecniche di verifica formale, ed in particolare sulla tecnica "Formal Verification". Gli studenti sperimenteranno in laboratorio l'uso di tecniche di model checking basate sui model checker NuXmv. Al termine del modulo/corso, lo studente: - conoscera` le principali tecniche di specifica e verifica formale, in particolare del Formal Verification - sara` in grado di formalizzare semplici sistemi SW o HW e verificarne proprieta`, tramite il model checker NuXmv.
Programma
Per il Modulo/corso "Automated Reasoning" gli argomenti principali saranno (non necessariamente in ordine): Teoria: * Ragionamento Booleano E Soddisfacibilità Proposizionale (SAT) * Ordered Binary Decision Diagrams * Tecniche moderne di SAT Solving (CDCL) * Funzionalità Estese per SAT * Satisfacibilità Modulo Teorie (SMT) * Funzionalità Estese per SMT * Logiche temporali: LTL, CTL e CTL* * Modelli di Kripke e Model Checking (MC): Generalità * Ragionamento e Model Checking in logica temporale LTL Laboratorio: * Modellazione e risoluzione di problemi tramite SAT * Modellazione e risoluzione di problemi tramite SMT Per il Modulo/corso "Formal Verification" gli argomenti principali saranno (non necessariamente in ordine): Teoria: * Specifica formale e verifica formale * Rappresentazione Formale di Sistemi * CTL Model Checking * Symbolic MC vs. Explicit-State MC * Fair CTL MC e LTL MC * Astrazione in MC * MC per sistemi real-time e ibridi Laboratorio: * Modellazione e verifica di sistemi e proprietà con il model checker NuXmv NOTA: Dipendendo da varie circostanze, gli argomenti svolti possono subire variazioni.
Per entrambi i Moduli/corsi "Automated Reasoning" e "Formal Verification": Teoria: Le lezioni saranno supportate da slide proiettate via computer, ed integrate da spiegazioni alla lavagna. Agli studenti verrà richiesta padronanza dei concetti teorici, logici ed algoritmici presentati nel corso, e la capacità di rispovere a mano semplici problemi. Laboratorio: Le esercitazioni saranno supportate da slide proiettate via computer, ed integrate da spiegazioni alla lavagna, ed avverranno in aula computer. Agli studenti verrà richiesto di saper modellare sistemi e proprietà nei linguaggi dimacs (SAT), SMT-LIB (SMT), NuXMV (MC), e saperne verificare la correttezza tramite rispettivamente un SAT solver, l'SMT solver MathSAT e il model checker NuXmv.
Per il Modulo/corso "Automated Reasoning" gli argomenti principali saranno (non necessariamente in ordine): Teoria: * Ragionamento Booleano E Soddisfacibilità Proposizionale (SAT) * Ordered Binary Decision Diagrams * Tecniche moderne di SAT Solving (CDCL) * Funzionalità Estese per SAT * Satisfacibilità Modulo Teorie (SMT) * Funzionalità Estese per SMT * Logiche temporali: LTL, CTL e CTL* * Modelli di Kripke e Model Checking (MC): Generalità * Ragionamento e Model Checking in logica temporale LTL Laboratorio: * Modellazione e risoluzione di problemi tramite SAT * Modellazione e risoluzione di problemi tramite SMT Per il Modulo/corso "Formal Verification" gli argomenti principali saranno (non necessariamente in ordine): Teoria: * Specifica formale e verifica formale * Rappresentazione Formale di Sistemi * CTL Model Checking * Symbolic MC vs. Explicit-State MC * Fair CTL MC e LTL MC * Astrazione in MC * MC per sistemi real-time e ibridi Laboratorio: * Modellazione e verifica di sistemi e proprietà con il model checker NuXmv NOTA: Dipendendo da varie circostanze, gli argomenti svolti possono subire variazioni.
Per entrambi i Moduli/corsi "Automated Reasoning" e "Formal Verification": Teoria: Le lezioni saranno supportate da slide proiettate via computer, ed integrate da spiegazioni alla lavagna. Agli studenti verrà richiesta padronanza dei concetti teorici, logici ed algoritmici presentati nel corso, e la capacità di rispovere a mano semplici problemi. Laboratorio: Le esercitazioni saranno supportate da slide proiettate via computer, ed integrate da spiegazioni alla lavagna, ed avverranno in aula computer. Agli studenti verrà richiesto di saper modellare sistemi e proprietà nei linguaggi dimacs (SAT), SMT-LIB (SMT), NuXMV (MC), e saperne verificare la correttezza tramite rispettivamente un SAT solver, l'SMT solver MathSAT e il model checker NuXmv.
Modalità d'esame
Per chi sosterrà l'esame completo di "Automated Reasoning and Formal verification" (studenti c.d.s. "computer science" o studenti c.d.s "Artificial Intelligence Systems" che intendono sostenere entrambi i corsi in un unico esame) l'esame consistera' in tre prove: 1) un'esercitazione pratica al calcolatore in laboratorio, diretta ad indagare la capacita` dello studente di modellare e risolvere semplici problemi tramite un SAT/SMT solver e formalizzare semplici sistemi SW o HW e verificarne proprieta` tramite il model checkers NuXmv. 2) un test scritto, con un misto di domande a risposta multipla e brevi domande aperte, allo scopo di valutare la conoscenza delle principali tecniche del loro utilizzo. 3) una prova orale sulle tematiche del corso, allo scopo di valutare in dettaglio la conoscenza e padronanza delle tecniche di automated reasoning e specifica e verifica formale, nonche' delle loro motivazioni. Sara` valutata anche la capacita` di esprimere i concetti in modo logico-formale. Le tre parti sono indipendenti, e possono essere superate in appelli diversi, con il vincolo che la prova 3) non puo' essere svolta finche' le prove 1) e 2) non siano entrambe superate. E' necessario conseguire una votazione sufficiente (>= 18/30) in tutte e tre le prove. La votazione finale risultera' da una media pesata delle tre prove, con i seguenti pesi: 1) 20% 2) 30% 3) 50% Per chi vuol sostenere uno o entrambi i corsi singolarmente, per ciascun corso l'esame consistera' in due prove: 1) Un'esercitazione pratica al calcolatore in laboratorio, diretta ad indagare la capacita` dello studente di modellare e risolvere semplici problemi tramite un SAT/SMT solver [corso "Automated Reasoning"] e formalizzare semplici sistemi SW o HW e verificarne proprieta` tramite il model checkers NuXmv [corso "Formal Verification"]. 2) Un test scritto, con un misto di domande a risposta multipla e brevi domande aperte, allo scopo di valutare la conoscenza delle principali tecniche del loro utilizzo. Le due parti sono indipendenti, e possono essere superate in appelli diversi. E' necessario conseguire una votazione sufficiente (>= 18/30) in entrambe le prove. La votazione finale risultera' da una media pesata delle due prove, con i seguenti pesi: 1) 40% 2) 60% Non sono previste prove in itinere. Tutte le prove d'esame si terranno esclusivamente IN PRESENZA, non sono previsti prove d'esame in forma remota. NOTA: Dipendendo da varie circostanze, le modalità di esame possono subire variazioni, che eventualmente verranno comunicate agli studenti per tempo.
Per chi sosterrà l'esame completo di "Automated Reasoning and Formal verification" (studenti c.d.s. "computer science" o studenti c.d.s "Artificial Intelligence Systems" che intendono sostenere entrambi i corsi in un unico esame) l'esame consistera' in tre prove: 1) un'esercitazione pratica al calcolatore in laboratorio, diretta ad indagare la capacita` dello studente di modellare e risolvere semplici problemi tramite un SAT/SMT solver e formalizzare semplici sistemi SW o HW e verificarne proprieta` tramite il model checkers NuXmv. 2) un test scritto, con un misto di domande a risposta multipla e brevi domande aperte, allo scopo di valutare la conoscenza delle principali tecniche del loro utilizzo. 3) una prova orale sulle tematiche del corso, allo scopo di valutare in dettaglio la conoscenza e padronanza delle tecniche di automated reasoning e specifica e verifica formale, nonche' delle loro motivazioni. Sara` valutata anche la capacita` di esprimere i concetti in modo logico-formale. Le tre parti sono indipendenti, e possono essere superate in appelli diversi, con il vincolo che la prova 3) non puo' essere svolta finche' le prove 1) e 2) non siano entrambe superate. E' necessario conseguire una votazione sufficiente (>= 18/30) in tutte e tre le prove. La votazione finale risultera' da una media pesata delle tre prove, con i seguenti pesi: 1) 20% 2) 30% 3) 50% Per chi vuol sostenere uno o entrambi i corsi singolarmente, per ciascun corso l'esame consistera' in due prove: 1) Un'esercitazione pratica al calcolatore in laboratorio, diretta ad indagare la capacita` dello studente di modellare e risolvere semplici problemi tramite un SAT/SMT solver [corso "Automated Reasoning"] e formalizzare semplici sistemi SW o HW e verificarne proprieta` tramite il model checkers NuXmv [corso "Formal Verification"]. 2) Un test scritto, con un misto di domande a risposta multipla e brevi domande aperte, allo scopo di valutare la conoscenza delle principali tecniche del loro utilizzo. Le due parti sono indipendenti, e possono essere superate in appelli diversi. E' necessario conseguire una votazione sufficiente (>= 18/30) in entrambe le prove. La votazione finale risultera' da una media pesata delle due prove, con i seguenti pesi: 1) 40% 2) 60% Non sono previste prove in itinere. Tutte le prove d'esame si terranno esclusivamente IN PRESENZA, non sono previsti prove d'esame in forma remota.
Testi di riferimento
1) appunti personali dello studente dalle lezioni 2) slides 3) manuali NuXmv e SAT/SMT solvers 4) per il modulo/corso "Automated Reasoning", verranno forniti link ad articoli e tutorials online per il modulo/corso "Formal Verification", uno dei seguenti libri: * Clarke, Grunberg, Long, "Model checking", MIT Press * Baier and Katoen "Principles of Model Checking", MIT Press -------------------------------------------------------------------- LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Clarke, E. M. (2018). Model checking (2nd ed.). MIT Press. Baier, C., & Katoen, J.-P. (2008). Principles of model checking. MIT press.
1) appunti personali dello studente dalle lezioni 2) slides 3) manuali NuXmv e SAT/SMT solvers 4) per il modulo/corso "Automated Reasoning", verranno forniti link ad articoli e tutorials online per il modulo/corso "Formal Verification", uno dei seguenti libri: * Clarke, Grunberg, Long, "Model checking", MIT Press * Baier and Katoen "Principles of Model Checking", MIT Press LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Clarke, E. M. (2018). Model checking (2nd ed.). MIT Press. Baier, C., & Katoen, J.-P. (2008). Principles of model checking. MIT press.
Codice insegnamento 50879_650728_96671
Autonomous Software Agents
1° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file
Il concetto di agente è stato introdotto all’inizio degli anni ’90 nel campo dell’intelligenza artificiale come un nuovo paradigma per lo sviluppo di sistemi intelligenti in grado di prendere decisioni autonome e di…
Scheda dell'insegnamento
Obiettivi formativi
Il concetto di agente è stato introdotto all’inizio degli anni ’90 nel campo dell’intelligenza artificiale come un nuovo paradigma per lo sviluppo di sistemi intelligenti in grado di prendere decisioni autonome e di compiere azioni per il raggiungimento di obiettivi. Negli ultimi anni, tale concetto ha conosciuto una significativa evoluzione grazie all’avvento dei Large Language Models (LLM) e dell’Agentic AI, che hanno ampliato le capacità degli agenti consentendo forme di ragionamento più flessibili, l’interazione in linguaggio naturale e comportamenti adattivi e guidati da obiettivi in ambienti complessi. L’obiettivo del corso è analizzare ed esplorare le potenzialità offerte dall’approccio agent-oriented come paradigma per lo sviluppo di sistemi software intelligenti. Attraverso un approccio learning-by-doing, il corso affronterà temi relativi al concetto di agente e allo sviluppo di sistemi multi-agente, alle architetture e agli algoritmi per l’implementazione di un agente software (inclusi gli agenti basati su LLM), ai principi della pianificazione automatica e all’interazione tra agenti. Al termine del corso, lo studente sarà in grado di: 1. definire il processo di sviluppo di un sistema basato su agenti; 2. adottare l’architettura più appropriata per lo sviluppo di un agente software; 3. progettare un agente software autonomo orientato agli obiettivi; 4. utilizzare tecniche di pianificazione automatica per il processo deliberativo di un agente software autonomo; 5. implementare agenti software autonomi (inclusi agenti basati su LLM).
Programma
Gli argomenti del corso saranno affrontati sia dal punto di vista teorico, attraverso l’analisi della letteratura di base e più recente, sia dal punto di vista pratico, mediante strumenti di laboratorio ed esercitazioni. Essi includono: il paradigma degli agenti e dei sistemi multi-agente; le applicazioni dei sistemi multi-agente; le architetture per agenti software; il modello deliberativo Belief-Desire-Intention (BDI); i principi della pianificazione automatica; i principi degli agenti basati su LLM; l’interazione e la cooperazione tra agenti; la comunicazione tra agenti basata sugli atti linguistici (speech acts). Per quanto riguarda la parte di laboratorio, saranno svolti tutorial su JavaScript e Node.js al fine di fornire agli studenti una base comune per l’implementazione del progetto d’esame. Verranno inoltre introdotti il gioco deliveroo.js e le relative API, all’interno dei quali gli studenti svilupperanno i propri agenti software. Durante il corso saranno organizzati tornei (challenge) per testare gli agenti sviluppati dagli studenti.
L’insegnamento adotta due metodi didattici: - Lezioni frontali, durante le quali il docente presenterà gli argomenti del corso e gli studenti parteciperanno in maniera attiva formulando domande e proponendo momenti di discussione. Le lezioni prevedono l’approfondimento/ampliamento dei contenuti riportati nei testi e nel materiale che di volta in volta verrà fornito agli studenti, quale occasione di riflessione, anche critica, sulle tematiche trattate. Al fine di avere un buon livello di interattività e partecipazione degli studenti, si suggerisce la lettura del materiale didattico prima della lezione. - Esercitazioni di laboratorio, durante le quali gli studenti utilizzeranno strumenti software per lo sviluppo di sistemi ad agente. In particolare, verrà utilizzata la piattaforma Node.js per la programmazione in Javascript di agenti, API per l’utilizzo di PDDL-based planners e per l’utilizzo di algoritmi di reinforcement learning, e le API del gioco deliveroo.js per l’esecuzione degli agenti sviluppati dagli studenti e i sfide/tornei organizzati durante il corso. Possono essere richiesti, su indicazione del docente, lo studio e la preparazione di materiale prima delle esercitazioni.
Modalità d'esame
L’apprendimento e il raggiungimento dei risultati attesi sono verificati sia per gli studenti frequentanti sia per gli studenti non frequentanti con le medesime modalità di esame. Il voto finale è espresso in 30esimi, con voto massimo pari a 30/30esimi. Il docente potrà decidere di assegnare la lode in maniera discrezionale, come elemento distintivo di eccellenza del lavoro svolto. E' prevista un'unica modalità di esame e cioè lo sviluppo di un progetto. Lo sviluppo del progetto intende verificare la capacità dello studente nel risolvere problemi inerenti la progettazione e lo sviluppo di agenti software autonomi. In particolare, lo studente dovrà sviluppare un progetto suddiviso in assignment intermedi per i quali sono previste specifiche lezioni di supporto. I criteri di valutazione includono: la padronanza dei contenuti, la correttezza nell’uso dei linguaggi e metodi, la profondità di analisi, lo spirito critico e l’appropriatezza di linguaggio e terminologia.
Testi di riferimento
Non ci sono testi di riferimento adottati per il corso. Il materiale presentato durante il corso (slides, appunti e articoli) sarà reso disponibile agli studenti attraverso la piattaforma su “Moodle”. Tutte le lezioni saranno trasmesse in streaming via zoom e i video resi disponibile al termine di ciascuna lezione. Gli argomenti introduttivi del corso sono tratti dai seguenti testi. T1. Jacques Ferber. "Multi-Agent System: An Introduction to Distributed Artificial Intelligence," Addison Wesley Longman, 1999. T2. Michael Wooldridge. "An Introduction to Multiagent Systems," John Wiley & Sons, 2002 - see subsequent editions. T3. Brian Henderson-Sellers and Paolo Giorgini. "Agent-oriented Methodologies," Idea Group Inc, 2004. T4. Chip Huyen. AI Engineering: Building Applications with Foundation Models. O’Reilly, 2024. T5. Edward Chang. Multi-LLM Agent Collaborative Intelligence: The Path to Artificial General Intelligence, ACM Books, 2026. LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Ferber, J. (1999). Multi-agent systems : introduction to distributed artificial intelligence. Addison-Wesley. Wooldridge, M. (2009). An introduction to multiagent systems (2. ed.). Wiley. Henderson-Sellers, B., & Giorgini, P. (2005). Agent-oriented methodologies. Idea Group. Huyen, C. (2025). AI engineering : building applications with foundation models. O’Reilly. Chang, E. Y. (2026). Multi-LLM Agent Collaborative Intelligence : the path to artificial general intelligence. Association of Computing Machinery.
Codice insegnamento 50879_650764_94673
Autonomous Software Agents
1° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file
Il concetto di agente è stato introdotto all’inizio degli anni ’90 nel campo dell’intelligenza artificiale come un nuovo paradigma per lo sviluppo di sistemi intelligenti in grado di prendere decisioni autonome e di…
Scheda dell'insegnamento
Obiettivi formativi
Il concetto di agente è stato introdotto all’inizio degli anni ’90 nel campo dell’intelligenza artificiale come un nuovo paradigma per lo sviluppo di sistemi intelligenti in grado di prendere decisioni autonome e di compiere azioni per il raggiungimento di obiettivi. Negli ultimi anni, tale concetto ha conosciuto una significativa evoluzione grazie all’avvento dei Large Language Models (LLM) e dell’Agentic AI, che hanno ampliato le capacità degli agenti consentendo forme di ragionamento più flessibili, l’interazione in linguaggio naturale e comportamenti adattivi e guidati da obiettivi in ambienti complessi. L’obiettivo del corso è analizzare ed esplorare le potenzialità offerte dall’approccio agent-oriented come paradigma per lo sviluppo di sistemi software intelligenti. Attraverso un approccio learning-by-doing, il corso affronterà temi relativi al concetto di agente e allo sviluppo di sistemi multi-agente, alle architetture e agli algoritmi per l’implementazione di un agente software (inclusi gli agenti basati su LLM), ai principi della pianificazione automatica e all’interazione tra agenti. Al termine del corso, lo studente sarà in grado di: 1. definire il processo di sviluppo di un sistema basato su agenti; 2. adottare l’architettura più appropriata per lo sviluppo di un agente software; 3. progettare un agente software autonomo orientato agli obiettivi; 4. utilizzare tecniche di pianificazione automatica per il processo deliberativo di un agente software autonomo; 5. implementare agenti software autonomi (inclusi agenti basati su LLM).
Programma
Gli argomenti del corso saranno affrontati sia dal punto di vista teorico, attraverso l’analisi della letteratura di base e più recente, sia dal punto di vista pratico, mediante strumenti di laboratorio ed esercitazioni. Essi includono: il paradigma degli agenti e dei sistemi multi-agente; le applicazioni dei sistemi multi-agente; le architetture per agenti software; il modello deliberativo Belief-Desire-Intention (BDI); i principi della pianificazione automatica; i principi degli agenti basati su LLM; l’interazione e la cooperazione tra agenti; la comunicazione tra agenti basata sugli atti linguistici (speech acts). Per quanto riguarda la parte di laboratorio, saranno svolti tutorial su JavaScript e Node.js al fine di fornire agli studenti una base comune per l’implementazione del progetto d’esame. Verranno inoltre introdotti il gioco deliveroo.js e le relative API, all’interno dei quali gli studenti svilupperanno i propri agenti software. Durante il corso saranno organizzati tornei (challenge) per testare gli agenti sviluppati dagli studenti.
L’insegnamento adotta due metodi didattici: - Lezioni frontali, durante le quali il docente presenterà gli argomenti del corso e gli studenti parteciperanno in maniera attiva formulando domande e proponendo momenti di discussione. Le lezioni prevedono l’approfondimento/ampliamento dei contenuti riportati nei testi e nel materiale che di volta in volta verrà fornito agli studenti, quale occasione di riflessione, anche critica, sulle tematiche trattate. Al fine di avere un buon livello di interattività e partecipazione degli studenti, si suggerisce la lettura del materiale didattico prima della lezione. - Esercitazioni di laboratorio, durante le quali gli studenti utilizzeranno strumenti software per lo sviluppo di sistemi ad agente. In particolare, verrà utilizzata la piattaforma Node.js per la programmazione in Javascript di agenti, API per l’utilizzo di PDDL-based planners e per l’utilizzo di algoritmi di reinforcement learning, e le API del gioco deliveroo.js per l’esecuzione degli agenti sviluppati dagli studenti e i sfide/tornei organizzati durante il corso. Possono essere richiesti, su indicazione del docente, lo studio e la preparazione di materiale prima delle esercitazioni.
Modalità d'esame
L’apprendimento e il raggiungimento dei risultati attesi sono verificati sia per gli studenti frequentanti sia per gli studenti non frequentanti con le medesime modalità di esame. Il voto finale è espresso in 30esimi, con voto massimo pari a 30/30esimi. Il docente potrà decidere di assegnare la lode in maniera discrezionale, come elemento distintivo di eccellenza del lavoro svolto. E' prevista un'unica modalità di esame e cioè lo sviluppo di un progetto. Lo sviluppo del progetto intende verificare la capacità dello studente nel risolvere problemi inerenti la progettazione e lo sviluppo di agenti software autonomi. In particolare, lo studente dovrà sviluppare un progetto suddiviso in assignment intermedi per i quali sono previste specifiche lezioni di supporto. I criteri di valutazione includono: la padronanza dei contenuti, la correttezza nell’uso dei linguaggi e metodi, la profondità di analisi, lo spirito critico e l’appropriatezza di linguaggio e terminologia.
Testi di riferimento
Non ci sono testi di riferimento adottati per il corso. Il materiale presentato durante il corso (slides, appunti e articoli) sarà reso disponibile agli studenti attraverso la piattaforma su “Moodle”. Tutte le lezioni saranno trasmesse in streaming via zoom e i video resi disponibile al termine di ciascuna lezione. Gli argomenti introduttivi del corso sono tratti dai seguenti testi. T1. Jacques Ferber. "Multi-Agent System: An Introduction to Distributed Artificial Intelligence," Addison Wesley Longman, 1999. T2. Michael Wooldridge. "An Introduction to Multiagent Systems," John Wiley & Sons, 2002 - see subsequent editions. T3. Brian Henderson-Sellers and Paolo Giorgini. "Agent-oriented Methodologies," Idea Group Inc, 2004. T4. Chip Huyen. AI Engineering: Building Applications with Foundation Models. O’Reilly, 2024. T5. Edward Chang. Multi-LLM Agent Collaborative Intelligence: The Path to Artificial General Intelligence, ACM Books, 2026. LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Ferber, J. (1999). Multi-agent systems : introduction to distributed artificial intelligence. Addison-Wesley. Wooldridge, M. (2009). An introduction to multiagent systems (2. ed.). Wiley. Henderson-Sellers, B., & Giorgini, P. (2005). Agent-oriented methodologies. Idea Group. Huyen, C. (2025). AI engineering : building applications with foundation models. O’Reilly. Chang, E. Y. (2026). Multi-LLM Agent Collaborative Intelligence : the path to artificial general intelligence. Association of Computing Machinery.
Codice insegnamento 50880_650764_94673
Bio-Inspired Artificial Intelligence
1° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file
L'obiettivo di questo corso è lo studio di due dei principali paradigmi di intelligenza artificiale bio-ispirata, ovvero la computazione evolutiva, ispirata dalla biologia evolutiva, e l'intelligenza di sciame,…
Scheda dell'insegnamento
Obiettivi formativi
L'obiettivo di questo corso è lo studio di due dei principali paradigmi di intelligenza artificiale bio-ispirata, ovvero la computazione evolutiva, ispirata dalla biologia evolutiva, e l'intelligenza di sciame, ispirata dai comportamenti collettivi di alcuni animali sociali. Studieremo le principali teorie e i principali algoritmi in questo campo, e vedremo come queste tecniche possono essere applicate, ad esempio, per risolvere complessi problemi di ottimizzazione, addestrare modelli basati su dati, generare contenuti (ad es., videogiochi, siti web, forme d'arte), individuare bachi nel software, evolvere programmi, fare bugfixing, o trovare soluzioni innovative in applicazioni di robotica, logistica, ed ingegneria. Infine, discuteremo come queste tecniche possono essere combinate con reti neurali ed altre tecniche di apprendimento automatico, e vedremo brevemente come questi approcci possono aiutare la comprensione dei sistemi biologici, per chiudere idealmente il collegamento tra biologia ed intelligenza artificiale. Alla fine di questo corso, gli/le studenti/esse avranno familiarizzato con le più importanti tecniche di computazione evolutiva e intelligenza di sciame, e saranno in grado di applicarle in contesti diversi in ambito industriale, di ricerca, o persino nell'intrattenimento. Avranno inoltre acquisito i fondamenti tecnici e teorici per sviluppare nuovi algoritmi ed applicarli a nuovi problemi.
Programma
Introduzione all'intelligenza artificiale bio-ispirata (1 lezione)Algoritmi evolutivi (2 lezioni)Algoritmi evolutivi per ottimizzazione multi-obiettivo (1 lezione)Algoritmi evolutivi per ottimizzazione vincolata (1 lezione)Intelligenza di sciame (2 lezioni)Neuroevoluzione (1 lezione)Programmazione genetica (1 lezione)Apprendimento per rinforzo (1 lezione)Coevoluzione competitiva e cooperativa (1 lezione)Applicazioni e trend recenti (1 lezione)Laboratori e sviluppo progetto (12 lezioni)
Il corso è organizzato in modo tale che la prima metà del corso (12 lezioni) sarà incentrata sulla teoria. La seconda metà del corso consisterà in una serie di 12 laboratori, in cui i primi forniranno un'introduzione ad alcuni strumenti e librerie per il calcolo bio-ispirato. Nei restanti laboratori, gli/le studenti/esse avranno l'opportunità di lavorare (in gruppi di 2-3 studenti/esse) allo sviluppo di un progetto a scelta libera incentrato su studi algoritmici o applicazioni degli algoritmi trattati durante le lezioni. Durante i laboratori, gli/le studenti/esse avranno anche l'opportunità di fornire presentazioni intermedie del progetto per raccogliere feedback dai docenti e condividere idee con gli altri gruppi. Per ogni lezione teorica verranno fornite le relative slide. Le slide costituiscono il riferimento principale per lo studio della parte teorica di questo corso. In alternativa, sarà possibile consultare libri di testo, se necessario, per approfondire alcuni argomenti. Durante il primo gruppo di laboratori, forniremo notebook Python per eseguire esperimenti preliminari e familiarizzare con gli strumenti esistenti. Per lo sviluppo del progetto, gli/le studenti/esse sono comunque liberi di scegliere il linguaggio di programmazione e gli strumenti che preferiscono. Se necessario, saranno rese disponibili risorse aggiuntive per i progetti (ad esempio articoli, capitoli di libri, estratti di codice, ecc.).
Modalità d'esame
Progetto: I progetti sviluppati (almeno parzialmente) durante i laboratori e finalizzati come compiti a casa possono essere svolti in gruppi di 2-3 studenti/esse. Per ogni progetto, un breve elaborato (massimo 4 pagine, redatto secondo un modello LaTeX IEEE predefinito fornito dal docente) dovrà essere inviato al docente entro una settimana prima dell'esame. Per l'esame, gli/le studenti/esse dovranno inoltre preparare una breve presentazione sul progetto (15 minuti + 5 minuti di domande e risposte) per presentare il proprio lavoro al docente e alla classe. Esame orale: Durante l'esame orale (individuale), verranno discussi gli argomenti teorici (due domande su due argomenti diversi scelti dal docente). Voto finale: Sebbene la presentazione del progetto e l'esame orale possano svolgersi in giorni diversi, si consiglia agli/lle studenti/esse di completare l'esame nella stessa sessione. Il voto finale è ottenuto come media pesata tra il voto dell'esame orale (60%) e il voto dell'elaborato finale (40%), entrambi espressi in trentesimi. Saranno assegnati punti bonus per la partecipazione attiva alle lezioni e ai laboratori.
Testi di riferimento
A.E. Eiben, J.E. Smith, "Introduction to Evolutionary Computing", Springer (capitoli: 1-6, 12, 13)D. Floreano, C. Mattiussi, "Bio-Inspired Artificial Intelligence", MIT Press (capitoli: 1, 3, 6, 7)R. Battiti, M. Brunato, "The LION Way Machine Learning plus Intelligent Optimization", University of Trento (capitoli: 24-26, estratti da capitoli 28, 29, 33, 34) LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Eiben, A. E., & Smith, J. E. (2015). Introduction to evolutionary computing (2nd ed.). Springer. Floreano, D., & Mattiussi, C. (2008). Bio-inspired artificial intelligence : theories, methods and technologies. MIT press. Battiti, R., & Brunato, M. (2015). The LION way : machine learning plus intelligent optimization. LionsLab.
Codice insegnamento 50879_650719_93700
Business Development Laboratory
1° anno · 2° semestre · 9 CFU · ECON-07/A · 0 file
The course introduces the topic of business design, a methodology for designing truly innovative products and services: desired by customers, economically sustainable, through an iterative and incremental methodology…
Scheda dell'insegnamento
Obiettivi formativi
The course introduces the topic of business design, a methodology for designing truly innovative products and services: desired by customers, economically sustainable, through an iterative and incremental methodology that allows you to test the main assumptions underlying the business model before launching on the market your product or service. The course combines traditional elements of market analysis and business strategy with contents and methods taken from the disciplines of design thinking and human-centered design, in order to help the rapid prototyping of value propositions for the customer, revenue and capture of value and methods of delivering value (partnerships, sales channels) to the end customer. Whether you want to learn how to work on new projects within an existing business or organization, or you want to become an entrepreneur ready to start a startup, this course will help you reduce the risks of launching the product on the market, helping to develop entrepreneurial ideas representing an innovative solution to a problem felt for a specific market segment. By the end of this course, students will learn: how to work in a multidisciplinary team with teammates coming from different cultures.how to develop an entrepreneurial approach to problems, to look for innovative solutions creatively and to define projects that suit customers needs effectively.the necessary vocabulary, knowledge, and skills to develop a solution for solving a market need and to define a viable business model for it.how to use design thinking, lean validation methodologies, business modelling techniques and other startup tools to define an innovative business project.how to apply basic tools of market analysis, financial modelling, cash flow analysis, project management to your innovative business idea.how to communicate effectively your project to teammates, stakeholders, mentors, and how to present it in front of an international jury.
Programma
Course Content: The course is structured in 5 modules: 1. CPS (Customer, Problem, Solution): Identify a customer need(the Problem). Generate a range of ideas (Solutions) which tap the need. Students with a Problem or a CPS in mind can pitch their individual seminal ideas. Students will vote the best ideas and teams will be formed around the selected ideas. 2. Validation: check if the prospect feels the need and, subsequently, identify which is the most effective solution. In case of invalidation, learn where to steer your attention re-working your CPS. 3. Business Modeling: checking your preparation on all the Osterwalder's 9 building blocks to execute your business idea. Students are exposed to different business model canvasses to practice extensively the BM method. 4. Startup Finance: hands-on training on cash flow basics and startup cash flow management for non Economists. Students are also exposed to principles of startup financing and enterprise evaluation. 5. Pitching and Slidifications: principles of public speaking applied to project presentation. Pitch clinics on students' projects to improve presentation skills. How to prepare a slide deck to improve effectiveness of your presentation. The secrets of hidden slides. The course is designed with weekly in-person sessions, each lasting three hours. They will be held at the School of Innovation, UniTrento, located at Via Tommaso Gar 16/2, Trento. A caldendar will be provided at the beginning of the course. Given the course's emphasis on a hands-on approach to project development, attendance at laboratory activities is mandatory. Should you need to miss a session, please discuss your absence with your instructor in advance. A typical session will include: short team presentations (2-3 teams) of work-in-progress activities (based on submitted deliverables);short lectures and/or tutorials by instructors or guests with Q&A in plenary sessions; workgroup in teams on your entrepreneurial project;mentorship sessions with mentors and instructors.
Teaching Methods: The course is based on the following methodology: - Blended MOOC: students will be asked to view a 10-15min video, che Concept Clip, before each I&E tutorial. Each clip focuses on one concept (e.g.: CPS, Business Modeling, ...). There will be no frontal lesson in class, but discussions about the concepts learnt in the videos to assess the degree of internalization. Immediate application of the concepts on students'projects will follow. - Hands-on (the students will be asked to continuously put in practice the concepts they learn, applying them to their business ideas under development) - Group and team work (each student will be working as part of a group in order to trigger a productive interaction. The group will work together after the individual idea presentation and selection). - Mentoring and coaching: students will be coached and mentored by the head coaches, startuppers, professional mentors of incubators/accelerators, investors. Their role will be to guide teamwork pointing out weaknesses and stimulating business idea refinement, sometimes guiding team decision process, but never to substitute students in their decision making. - Interaction with practitioners: Real world experts, investors, startuppers, game changers and practitioners will join us in CLab Trento to provide their experience and feedback to the working groups and to all students. - Use where possible of multimedia and other interactive learning tools. Students will be allowed to use multimedia tools for their presentations. They will also make an extensive use of flipcharts, post-its and other learning tools to support their group work. - Co-operation/ Competition: Students will be invited to balance a competitive spirit with a need to cooperate within and across the different groups in order to allow the participation of all and the sharing of knowledge for the successful development of their business ideas.
Modalità d'esame
Verification of the learning outcomes and the deliverables: The exam will consist of: - Live presentation in front of an international jury of the business ideas. Jury is formed of startuppers, managers, investors or individuals heavily involved in the dynamics of innovation - Slide deck of the business idea including hidden slides. - degree of involvement and participation to teamwork Students enrolled in the Business Development Laboratory course (9 credits) must submit a written 1-credit report that explores the technical and technological aspects underpinning the business idea developed by their team during the course.
Testi di riferimento
Main textbooks: Business Model Generation, Alexander Osterwalder and Yves Pigneur, John Wiley and Sons, Inc. 2010 (selected chapters) The Startup Owner's Manual: a Step-by-Step Guide for Building a Great Company, Steve Blank and Bob Dorf, K and S Ranch Inc, 2012 (selected chapters) The Lean Startup, Eric Ries, 2011 Random House (selected chapters) The Innovator’s Dilemma, Clayton M Christiensen, Harper Business Essentials, 2002 Other articles and / or book chapters might be used. The logic is to provide a guideline of readings but also of adapting readings to the evolution of the class. All reading material that will be selected will be posted in the website. When necessary, books or papers will be available for consultation at the copy center.
Codice insegnamento 50879_650707_90305
Challenge-Based Activity
1° anno · Annuale · 6 CFU · IINF-05/A · 0 file
The expected learning outcome is the capacity to apply competences and knowledge on real-world problems. The capacity should be acquired in one or more problem-solving experiences that involve interaction with actors…
Scheda dell'insegnamento
Obiettivi formativi
The expected learning outcome is the capacity to apply competences and knowledge on real-world problems. The capacity should be acquired in one or more problem-solving experiences that involve interaction with actors (for example stakeholders, organisations, companies or people) interested in the solutions. The experiences should follow the principles of Challenge-Based Learning and the participation and outcomes are under the supervision, monitoring or evaluation by a faculty member.
Programma
The topics of the challenge-based activities are generally defined by the tutor/supervisor and by the annual offering of challenges both at UniTrento and in Erasmus partners' universities, research centers or companies
The development of the project does not necessarily follow a standard pipeline, as the requirements and the objectives might be different depending on the challange topic. More in general, the activity is expected to be conducted in teams involving not only UniTrento students, with the supervision of a tutor. This might require periodical update meetings, with presentation of the achieved results, reporting the activity progress
Modalità d'esame
Each professor/tutor will define the evaluation criteria for the specific challenge assessment. In general, the evaluation is based on the presentation of the achieved results, in the form of a presentation, written report, and delivery of the source code, if applicable. This will make it possible to judge the skills and competences acquired during the project, together with the abilities of the student in delivering and communicating the results.
Testi di riferimento
The tutor will provide the student with the material necessary to successfully conduct the challenge activity.
Codice insegnamento 50879_650714_96204
Cloud Computing Technologies
1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file
Il cloud computing ha rivoluzionato in modo significativo il mondo dell'ICT: le infrastrutture cloud, sia pubbliche che private, ospitano una parte rilevante dei servizi digitali e dei dati moderni. Tecnologie come la…
Scheda dell'insegnamento
Obiettivi formativi
Il cloud computing ha rivoluzionato in modo significativo il mondo dell'ICT: le infrastrutture cloud, sia pubbliche che private, ospitano una parte rilevante dei servizi digitali e dei dati moderni. Tecnologie come la virtualizzazione, la containerizzazione, le architetture basate su microservizi e i service mesh sono la spina dorsale di quello che è ormai il modo standard di sviluppare, distribuire e gestire applicazioni software, seguendo il cosiddetto paradigma cloud-native. All'interno di questa rivoluzione tecnologica, la scalabilità e l'affidabilità sono centrali nella progettazione e gestione delle applicazioni software. Le applicazioni devono essere resilienti ai guasti, scalare automaticamente in base alla domanda, il tutto in modo economicamente efficiente. Per raggiungere questi obiettivi, ricercatori e aziende stanno lavorando attivamente su soluzioni innovative per la gestione delle risorse, l'orchestrazione, la sicurezza e il monitoraggio delle infrastrutture e dei servizi cloud. Questo corso fornisce un'introduzione ai principi e alle tecnologie del cloud computing, con un duplice focus su concetti chiave e competenze pratiche. Più specificamente, alla fine del corso lo studente sarà in grado di: (1) apprendere i modelli, le tecnologie e le soluzioni esistenti nel cloud computing; (2) acquisire conoscenze rilevanti su argomenti avanzati relativi a networking, orchestrazione e sicurezza; (3) utilizzare e configurare piattaforme open-source avanzate per creare e gestire infrastrutture cloud e per orchestrare carichi di lavoro in modo efficace e dinamico.
Programma
I contenuti delle lezioni del corso includeranno i seguenti argomenti: Introduzione: introduzione al cloud computing. Modelli di distribuzione e modelli di erogazione del cloudTecnologie del cloud: Virtualizzazione (CPU, Memoria, I/O), architetture degli hypervisor, virtualizzazione a livello di sistema operativo (KVM, Linux Containers, Docker), networking (Data Center Networks, networking L2 e L3 in ambienti virtualizzati), storage (file system, block storage e object storage), orchestrazione (Kubernetes)Argomenti selezionati sulla sicurezza nel cloud, relativi alle tecnologie Docker e KubernetesIl corso includerà anche sessioni pratiche e di laboratorio sui seguenti argomenti: Gestione delle risorse cloud utilizzando una piattaforma IaaS (es. OpenNebula)Fondamenti di containerizzazione con Docker, inclusi networking e storageOrchestrazione di applicazioni containerizzate con Kubernetes e concetti e astrazioni chiave fornite da Kubernetes (pods, services, namespaces, volumes, ecc.)Applicazione di concetti di sicurezza in ambienti Docker e Kubernetes
Il corso sarà erogato principalmente attraverso una serie di lezioni frontali, durante le quali il docente presenterà concetti teorici utilizzando diapositive o la lavagna. Durante e dopo ogni presentazione, si terranno discussioni per coinvolgere gli studenti nel materiale, incoraggiare l'interazione e rispondere a eventuali domande. Parte del corso sarà dedicata a sessioni pratiche e di laboratorio. Il corso potrebbe includere seminari che si concentrano su argomenti specifici o casi di studio, fornendo agli studenti approfondimenti su applicazioni e sfide del mondo reale nel cloud computing. Nelle sessioni di laboratorio, gli studenti avranno l'opportunità di applicare i concetti appresi nelle lezioni a scenari del mondo reale. Il docente fornirà guida e supporto attivo durante queste sessioni, aiutando gli studenti a navigare attraverso gli aspetti pratici del cloud computing. Oltre alle lezioni, il principale mezzo di comunicazione sarà il forum del corso, ospitato sulla piattaforma Moodle dell'università ("Didattica Online"). Gli studenti sono tenuti a seguire attivamente il forum per aggiornamenti sul corso, esami, annunci e discussioni. Tutto il materiale rilevante, comprese diapositive, compiti e comunicazioni importanti, verrà pubblicato sulla piattaforma.
Modalità d'esame
Gli studenti saranno valutati in due momenti distinti: 1) Un test scritto, composto da domande che spaziano su argomenti teorici e pratici trattati nel corso, del valore di 18 punti. È richiesto un punteggio minimo di 10 punti per superare la prova. 2) A scelta dello studente: Un esame orale, in cui gli studenti discuteranno il materiale del corso con il docente e un articolo di ricerca rilevante nel campo, del valore fino a 14 punti. È richiesto un punteggio minimo di 8 punti per superare la prova.Un progetto, in cui gli studenti formeranno gruppi e presenteranno un progetto relativo agli argomenti del corso, del valore fino a 14 punti. È richiesto un punteggio minimo di 8 punti per superare la prova.
Testi di riferimento
Sebbene non sia disponibile un libro di testo ufficiale per questo corso, i seguenti libri coprono argomenti rilevanti relativi al corso: Dan C. Marinescu, Cloud Computing: Theory and Practice, 3rd Edition, 2022, ISBN: 978-0323852777.A. Silberschatz, P. B. Galvin, and G. Gagne, Operating system concepts, 10th edition. Hoboken, NJ: Wiley, 2018.L. Rice, Container Security: Fundamental Technology Concepts That Protect Containerized Applications, O'Reilly Media, Inc., 2020, ISBN: 978-1492056706.B. Creane, A. Gupta, Kubernetes Security and Observability: A Holistic Approach to Securing Containers and Cloud Native Applications, 1st Edition, Sebastopol, CA: O'Reilly Media, Inc., 2021, ISBN: 978-1098107109.B. Ibryam, Kubernetes Patterns: Reusable Elements for Designing Cloud Native Applications, 2nd Edition, Sebastopol, CA: O'Reilly Media, Inc., 2023, ISBN: 978-1492050230.Inoltre, ogni set di slide fornito dal docente contiene riferimenti aggiuntivi rilevanti per gli argomenti trattati nel corso. LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Marinescu, D. C. (2022). Cloud computing : theory and practice (3rd ed.). Morgan Kaufmann. Silberschatz, A., Galvin, P. B., & Gagne, G. (2019). Operating system concepts (10th ed., global ed.). Wiley. Rice, L. (2025). Container security : fundamental technology concepts that protect containerized applications (2. ed.). O’Reilly Media. Creane, B., & Gupta, A. (2022). Kubernetes security and observability : a holistic approach to securing containers and cloud native applications. O’Reilly. Ibryam, B., & Huss, R. (2023). Kubernetes patterns : reusable elements for designing cloud native applications (2. ed.). O’Reilly Media.
Codice insegnamento 51351_658361_97586
Cloud Computing Technologies
1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file
Il cloud computing ha rivoluzionato in modo significativo il mondo dell'ICT: le infrastrutture cloud, sia pubbliche che private, ospitano una parte rilevante dei servizi digitali e dei dati moderni. Tecnologie come la…
Scheda dell'insegnamento
Obiettivi formativi
Il cloud computing ha rivoluzionato in modo significativo il mondo dell'ICT: le infrastrutture cloud, sia pubbliche che private, ospitano una parte rilevante dei servizi digitali e dei dati moderni. Tecnologie come la virtualizzazione, la containerizzazione, le architetture basate su microservizi e i service mesh sono la spina dorsale di quello che è ormai il modo standard di sviluppare, distribuire e gestire applicazioni software, seguendo il cosiddetto paradigma cloud-native. All'interno di questa rivoluzione tecnologica, la scalabilità e l'affidabilità sono centrali nella progettazione e gestione delle applicazioni software. Le applicazioni devono essere resilienti ai guasti, scalare automaticamente in base alla domanda, il tutto in modo economicamente efficiente. Per raggiungere questi obiettivi, ricercatori e aziende stanno lavorando attivamente su soluzioni innovative per la gestione delle risorse, l'orchestrazione, la sicurezza e il monitoraggio delle infrastrutture e dei servizi cloud. Questo corso fornisce un'introduzione ai principi e alle tecnologie del cloud computing, con un duplice focus su concetti chiave e competenze pratiche. Più specificamente, alla fine del corso lo studente sarà in grado di: (1) apprendere i modelli, le tecnologie e le soluzioni esistenti nel cloud computing; (2) acquisire conoscenze rilevanti su argomenti avanzati relativi a networking, orchestrazione e sicurezza; (3) utilizzare e configurare piattaforme open-source avanzate per creare e gestire infrastrutture cloud e per orchestrare carichi di lavoro in modo efficace e dinamico.
Programma
I contenuti delle lezioni del corso includeranno i seguenti argomenti: Introduzione: introduzione al cloud computing. Modelli di distribuzione e modelli di erogazione del cloudTecnologie del cloud: Virtualizzazione (CPU, Memoria, I/O), architetture degli hypervisor, virtualizzazione a livello di sistema operativo (KVM, Linux Containers, Docker), networking (Data Center Networks, networking L2 e L3 in ambienti virtualizzati), storage (file system, block storage e object storage), orchestrazione (Kubernetes)Argomenti selezionati sulla sicurezza nel cloud, relativi alle tecnologie Docker e KubernetesIl corso includerà anche sessioni pratiche e di laboratorio sui seguenti argomenti: Gestione delle risorse cloud utilizzando una piattaforma IaaS (es. OpenNebula)Fondamenti di containerizzazione con Docker, inclusi networking e storageOrchestrazione di applicazioni containerizzate con Kubernetes e concetti e astrazioni chiave fornite da Kubernetes (pods, services, namespaces, volumes, ecc.)Applicazione di concetti di sicurezza in ambienti Docker e Kubernetes
Il corso sarà erogato principalmente attraverso una serie di lezioni frontali, durante le quali il docente presenterà concetti teorici utilizzando diapositive o la lavagna. Durante e dopo ogni presentazione, si terranno discussioni per coinvolgere gli studenti nel materiale, incoraggiare l'interazione e rispondere a eventuali domande. Parte del corso sarà dedicata a sessioni pratiche e di laboratorio. Il corso potrebbe includere seminari che si concentrano su argomenti specifici o casi di studio, fornendo agli studenti approfondimenti su applicazioni e sfide del mondo reale nel cloud computing. Nelle sessioni di laboratorio, gli studenti avranno l'opportunità di applicare i concetti appresi nelle lezioni a scenari del mondo reale. Il docente fornirà guida e supporto attivo durante queste sessioni, aiutando gli studenti a navigare attraverso gli aspetti pratici del cloud computing. Oltre alle lezioni, il principale mezzo di comunicazione sarà il forum del corso, ospitato sulla piattaforma Moodle dell'università ("Didattica Online"). Gli studenti sono tenuti a seguire attivamente il forum per aggiornamenti sul corso, esami, annunci e discussioni. Tutto il materiale rilevante, comprese diapositive, compiti e comunicazioni importanti, verrà pubblicato sulla piattaforma.
Modalità d'esame
Gli studenti saranno valutati in due momenti distinti: 1) Un test scritto, composto da domande che spaziano su argomenti teorici e pratici trattati nel corso, del valore di 18 punti. È richiesto un punteggio minimo di 10 punti per superare la prova. 2) A scelta dello studente: Un esame orale, in cui gli studenti discuteranno il materiale del corso con il docente e un articolo di ricerca rilevante nel campo, del valore fino a 14 punti. È richiesto un punteggio minimo di 8 punti per superare la prova.Un progetto, in cui gli studenti formeranno gruppi e presenteranno un progetto relativo agli argomenti del corso, del valore fino a 14 punti. È richiesto un punteggio minimo di 8 punti per superare la prova.
Testi di riferimento
Sebbene non sia disponibile un libro di testo ufficiale per questo corso, i seguenti libri coprono argomenti rilevanti relativi al corso: Dan C. Marinescu, Cloud Computing: Theory and Practice, 3rd Edition, 2022, ISBN: 978-0323852777.A. Silberschatz, P. B. Galvin, and G. Gagne, Operating system concepts, 10th edition. Hoboken, NJ: Wiley, 2018.L. Rice, Container Security: Fundamental Technology Concepts That Protect Containerized Applications, O'Reilly Media, Inc., 2020, ISBN: 978-1492056706.B. Creane, A. Gupta, Kubernetes Security and Observability: A Holistic Approach to Securing Containers and Cloud Native Applications, 1st Edition, Sebastopol, CA: O'Reilly Media, Inc., 2021, ISBN: 978-1098107109.B. Ibryam, Kubernetes Patterns: Reusable Elements for Designing Cloud Native Applications, 2nd Edition, Sebastopol, CA: O'Reilly Media, Inc., 2023, ISBN: 978-1492050230.Inoltre, ogni set di slide fornito dal docente contiene riferimenti aggiuntivi rilevanti per gli argomenti trattati nel corso. LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Marinescu, D. C. (2022). Cloud computing : theory and practice (3rd ed.). Morgan Kaufmann. Silberschatz, A., Galvin, P. B., & Gagne, G. (2019). Operating system concepts (10th ed., global ed.). Wiley. Rice, L. (2025). Container security : fundamental technology concepts that protect containerized applications (2. ed.). O’Reilly Media. Creane, B., & Gupta, A. (2022). Kubernetes security and observability : a holistic approach to securing containers and cloud native applications. O’Reilly. Ibryam, B., & Huss, R. (2023). Kubernetes patterns : reusable elements for designing cloud native applications (2. ed.). O’Reilly Media.
Codice insegnamento 51350_658361_97586
Computability and computational complexity
1° anno · 1° semestre · 6 CFU · INFO-01/A · 0 file
Il corso mira a fornire le basi teoriche necessarie per comprendere due proprietà fondamentali di ogni problema di natura computazionale. Dato un problema, ci occupiamo dapprima della sua calcolabilità: Esiste un…
Scheda dell'insegnamento
Obiettivi formativi
Il corso mira a fornire le basi teoriche necessarie per comprendere due proprietà fondamentali di ogni problema di natura computazionale. Dato un problema, ci occupiamo dapprima della sua calcolabilità: Esiste un metodo per risolvere il problema?È possibile descrivere questo metodo in modo inequivocabile?Esiste un “linguaggio universale” a questo scopo?Esistono problemi intrinsecamente non risolubili? Quando sappiamo che un problema può essere risolto, possiamo chiederci come farlo in modo efficiente: Quali sono i criteri significativi che ci permettono di esprimere la difficoltà di un problema?Esiste un modo per classificare i problemi in base alla loro difficoltà?Questa classificazione ci dice qualcosa sui limiti delle nostre capacità di risolvere problemi?Chi avrà seguito con successo il corso sarà in grado di: Descrivere problemi e istanze di problemi in modo formalmente preciso.Descrivere la soluzione di semplici problemi sulla base di un modello di calcolo universale (la Macchina di Turing).Dimostrare che uno specifico problema (il problema della fermata di Turing) non è calcolabile, e riconoscere l'importanza di questo risultato.Applicare la nozione formale di riduzione per estendere a nuovi problemi le proprietà di problemi noti.Identificare criteri quantitativi per descrivere la complessità di un algoritmo rispetto alle dimensioni dell'istanza da risolvere.Descrivere le principali classi di complessità e le loro relazioni di inclusione.Definire cosa significa che un problema è completo rispetto a una classe.Dimostrare che uno specifico problema (SATISFIABILITY) è completo per la classe NP (Teorema di Cook-Levin).Discutere il problema P =/= NP e le sue principali implicazioni sui diversi rami dell'informatica.Analizzare il modo in cui alcune estensioni del modello di calcolo di base (casualità, calcolo quantistico) possono portare beneficio ad alcune classi di problemi.
Programma
CalcolabilitàMacchine di Turing.Linguaggi decidibili e funzioni calcolabili.Il problema della fermata (“Halting problem”).Riduzioni di Turing. Altri linguaggi non decidibili e funzioni non calcolabili.Teorema di Rice.Complessità computazionaleDimensione dell'istanza di un problema, misure di complessità, classificazione dei problemi.Classi di complessità temporale: P, NP, EXP.Riduzioni polinomiali. NP-completezza. Teorema di Cook-Levin. Studio di problemi NP-completi.Classi di complessità stocastiche: RP, PP, BPP.Argomenti avanzati, a seconda del tempo disponibile (gerarchia polinomiale, classi di complessità spaziale, classi di conteggio, dimostrazioni interattive, approssimazione).
Il corso è composto principalmente da lezioni frontali e discussioni in aula. Al raggiungimento di specifici punti nel programma, saranno proposti esercizi e letture per l'autovalutazione e per ulteriori spunti di discussione. Fin dall’inizio delle lezioni, sulla pagina web del corso sarà messo a disposizione il materiale dell’anno precedente: appunti di lezione del docenteesercizi svoltiTesti d’esame degli anni precedentiArticoli e link a siti web rilevanti.Il materiale verrà aggiornato nel corso del semestre.
Modalità d'esame
L’esame è scritto, svolto con carta e penna in lingua inglese, ed è composto da tre esercizi nella forma di domande aperte che richiedono di esporre argomenti di teoria e analizzare problemi e algoritmi. Un esercizio riguarda il tema della calcolabilità, gli altri due sono principalmente rivolti al tema della complessità computazionale. I tre esercizi hanno uguale peso nella determinazione del voto finale. Le risposte sono valutate sulla base dei seguenti criteri: Correttezza: quanto scritto deve seguire un percorso logico consistente con gli argomenti del corso e con la domanda posta; tuttavia, dato lo stato embrionale della disciplina le opinioni personali sono benvenute, purché ben argomentate.Rilevanza: parlare di altro nella speranza di raggranellare qualche punto solitamente non paga;Motivazione: le risposte fornite devono permettere all’esaminatore di seguire il percorso logico che ha portato alla loro formulazione; risposte secche, non corredate da un procedimento, non sono prese in considerazione.Chiarezza: si preferiranno risposte brevi e precise, con il corretto uso della terminologia tecnica, prive di ambiguità.Gli studenti hanno libero accesso ai testi d'esame e alle relative soluzioni degli appelli precedenti sul sito web del corso. Nel corso delle sessioni invernale ed estiva dell’A.A. 2025-2026, 68 iscritti su 72 hanno superato l’esame (49 su 54 al primo appello di gennaio).
Testi di riferimento
I seguenti testi sono suggeriti, non obbligatori: Sanjeev Arora e Boaz Barak. Computational Complexity: A Modern Approach. Cambridge University Press, 2009. ISBN: 9780521424264. Bozze preliminari disponibili su https://theory.cs.princeton.edu/complexity/Christos H. Papadimitriou. Computational complexity. Addison Wesley (Pearson College Div.), 1994. ISBN: 9780020153085John E. Hopcroft, Rajeev Motwani and Jeffrey D. Ullman. Introduction to Automata Theory, Languages and Computation. Pearson new International Edition, 2013. ISBN: 9781292039053 LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Arora, S., & Barak, B. (2009). Computational complexity : a modern approach. Cambridge university press. Papadimitriou, C. H. (1994). Computational complexity. Addison-Wesley. Hopcroft, J. E., Ullman, J. D., & Motwani, R. (2014). Introduction to automata theory, languages, and computation (3rd. internat. ed.). Pearson education.
Codice insegnamento 50880_650749_91613
Computer vision
1° anno · 2° semestre · 6 CFU · IINF-03/A · 0 file
Concurrency
1° anno · 1° semestre · 6 CFU · INFO-01/A · 0 file
Il corso e' in inglese. Per i dettagli del syllabus si rimanda alla versione inglese di questa pagina.
Scheda dell'insegnamento
Obiettivi formativi
Il corso e' in inglese. Per i dettagli del syllabus si rimanda alla versione inglese di questa pagina.
Programma
Il corso e' in inglese. Per i dettagli del syllabus si rimanda alla versione inglese di questa pagina.
Il corso e' in inglese. Per i dettagli del syllabus si rimanda alla versione inglese di questa pagina.
Modalità d'esame
Il corso e' in inglese. Per i dettagli del syllabus si rimanda alla versione inglese di questa pagina.
Testi di riferimento
Il corso e' in inglese. Per i dettagli del syllabus si rimanda alla versione inglese di questa pagina.
Codice insegnamento 50879_650777_90317
Concurrency
1° anno · 1° semestre · 6 CFU · INFO-01/A · 0 file
Il corso e' in inglese. Per i dettagli del syllabus si rimanda alla versione inglese di questa pagina.
Scheda dell'insegnamento
Obiettivi formativi
Il corso e' in inglese. Per i dettagli del syllabus si rimanda alla versione inglese di questa pagina.
Programma
Il corso e' in inglese. Per i dettagli del syllabus si rimanda alla versione inglese di questa pagina.
Il corso e' in inglese. Per i dettagli del syllabus si rimanda alla versione inglese di questa pagina.
Modalità d'esame
Il corso e' in inglese. Per i dettagli del syllabus si rimanda alla versione inglese di questa pagina.
Testi di riferimento
Il corso e' in inglese. Per i dettagli del syllabus si rimanda alla versione inglese di questa pagina.
Codice insegnamento 50880_650777_90317
Cryptographic Protocols for Secure Networks and Applications
1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file
L'obbiettivo principale del corso è di fornire agli studenti una buona conoscenza dei protocolli di comunicazione sia a livello di rete che applicativo, dei relativi problemi di sicurezza e delle problematiche per la…
Scheda dell'insegnamento
Obiettivi formativi
L'obbiettivo principale del corso è di fornire agli studenti una buona conoscenza dei protocolli di comunicazione sia a livello di rete che applicativo, dei relativi problemi di sicurezza e delle problematiche per la gestione dei dati a riposo, in transito ed in elaborazione focalizzandosi soprattutto sull'utilizzo di tecniche crittografiche.
Programma
Computer architecture (von Newmann), operating systems, and virtualization Networking, communication protocols, Ethernet, Wireless, Routing, Internet Procotol, TCP/IP, Cloud & Edge Computing Summary of cryptographic primitives (hash functions, symmetric and public key cryptography) and the Quantum threat Public Key Infrastructure, certificates, and decentralized trust management based on cryptographic ledgers Secure Shells (SSH) and Firewalls End-to-End Cryptography: TOR and VPNs Quantum computing, its relevance to cryptography (in particular Shor and Grover algorithms), Post Quantum Cryptography (PQC), NIST Approach to PQC, PQC and TLS, PQC and NIS2 Techniques for the analysis, design, and formal verification of security properties of cryptographic protocols
Lezioni frontali ed esercitazioni in aula.
Modalità d'esame
Progetto ed esame scritto od orale.
Testi di riferimento
Le slide, gli appunti e i riferimenti a materiale integrativo saranno resi disponibili sulla pagina Moodle del corso.
Codice insegnamento 51350_658357_96516
Cyber Security Risk Assessment
1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file
Si veda il testo in Inglese
Scheda dell'insegnamento
Obiettivi formativi
Si veda il testo in Inglese
Programma
Si veda il testo in Inglese
Si veda il testo in Inglese
Modalità d'esame
Si veda il testo in Inglese.
Testi di riferimento
Si veda il testo in Inglese
Codice insegnamento 50879_650767_92758
Cyber Security Risk Assessment
1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file
Si veda il testo in Inglese
Scheda dell'insegnamento
Obiettivi formativi
Si veda il testo in Inglese
Programma
Si veda il testo in Inglese
Si veda il testo in Inglese
Modalità d'esame
Si veda il testo in Inglese.
Testi di riferimento
Si veda il testo in Inglese
Codice insegnamento 50880_650767_92758
Data Visualization Lab
1° anno · 2° semestre · 6 CFU · INFO-01/A · 0 file
Il modulo “Visualizzazione Dati” è concepito per fornire agli studenti i concetti teorici e gli strumenti pratici per esplorare e visualizzare in maniera efficiente ed efficace dati e Big Data. L’obiettivo primario è…
Scheda dell'insegnamento
Obiettivi formativi
Il modulo “Visualizzazione Dati” è concepito per fornire agli studenti i concetti teorici e gli strumenti pratici per esplorare e visualizzare in maniera efficiente ed efficace dati e Big Data. L’obiettivo primario è creare una conoscenza solida e comprensione delle basi e dei fondamenti della visualizzazione dei dati e delle tecniche di riduzione di dimensionalità applicabili nel contesto dei Big Data. Al termine di questo modulo, gli studenti saranno in grado di esplorare, descrivere e rappresentare dataset di piccole, medie e grandi dimensioni, ridurre la dimensionalità di un dataset preservandone le caratteristiche principali e massimizzando il contenuto informativo, realizzare rappresentazioni efficaci per evidenziare uno o più contenuti informativi presenti in un dataset.
Programma
- Fondamenti della Data Visualization - Cenni storici - Principi fondamentali - Il processo della Data Visualization - Galleria dei principali tipi di grafici - Buone pratiche nella Data Visualization - Tecniche di riduzione di dimensionalità - Principal Component Analysis (PCA) - Multidimensional scaling (mds) - t-distributed stochastic neighbors embedding (t-SNE) - Uniform Manifold Approximation and Projection (UMAP) - Tecniche supervisionate di riduzione di dimensionalità - Python: data loading e data cleaning, Matplotlib, Pandas, Seaborn, Plotnine, Bokeh, geospatial visualization - Inkscape tutorial
Lezioni frontali e laboratori con Python/Jupyter/Colab (e/o R/Rstudio). Il laboratorio, in cui lo studente impara ad utilizzare librerie Python per la grafica tramite Jupyter Notebook, costituisce parte fondamentale del corso in quanto approfondisce l’applicazione dei concetti e l’utilizzo delle tecnologie viste nelle lezioni teoriche.
Modalità d'esame
L’esame finale consiste nello sviluppo di un progetto e di una discussione orale del progetto svolto. Eventuali elaborati assegnati durante i laboratori possono contribuire al punteggio finale.
Testi di riferimento
Kirk, Data Visualization, SAGE Cairo, The functional art, New Riders Tufte, The Visual Display of Quantitative Information, Graphic Press Tufte, Beautiful Evidence, Graphic Press Research Papers on dimensionality reduction
Codice insegnamento 50879_650702_93491
Deep learning
1° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file
Il corso mira a fornire i fondamenti dell'apprendimento automatico, presentando le principali tecniche di apprendimento supervisionato e non supervisionato, e gli approcci di deep learning. Sono previsti esempi…
Scheda dell'insegnamento
Obiettivi formativi
Il corso mira a fornire i fondamenti dell'apprendimento automatico, presentando le principali tecniche di apprendimento supervisionato e non supervisionato, e gli approcci di deep learning. Sono previsti esempi applicativi e comprese esercitazioni di laboratorio. Al termine del corso, lo studente avrà acquisito le competenze utili nella progettazione di tecniche e strumenti per l’analisi di segnali e di dati.
Programma
Modulo 2 Capitolo 11 - Artificial Neural Networks and Backpropagation Capitolo 12 - Convolutional Neural Networks Capitolo 13 - Recurrent Neural Networks and Sequence Models Capitolo 14 - Deep Unsupervised Learning (GAN, VAE, Diffusion Models) Capitolo 15 - Deep Reinforcement Learning Capitolo 16 – Introduction to Foundation Models
I metodi didattici prevedono lezioni teoriche ed esercitazioni. Allo studente viene richiesta la partecipazione attiva alle lezioni e alle esercitazioni proposte dal docente, oltre all’approfondimento individuale dei temi trattati utilizzando il materiale fornito dal docente e la bibliografia consigliata. Nel complesso, il corso è organizzato nel modo seguente: - 70% di lezioni teoriche (vedi programma dettagliato nella sezione precedente) - 30% di esercitazioni/attività in laboratorio con vari strumenti quali HuginLite, scikit-learn, e PyTorch. Il corso si concluderà con una lezione da parte di un'ospite autorevole, proveniente o dall'industria o dal mondo accademico.
Modalità d'esame
Per entrambi i moduli, gli studenti saranno valutati con una prova orale alla quale verrà assegnata un massimo di 15 punti. Il voto complessivo del corso sarà dato dalla somma dei voti parziali dei Moduli 1 e 2 per un massimo di 30 punti.
Testi di riferimento
Materiale proiettato a lezione.R. O. Duda, P. E. Hart, and D. G. Stork. Pattern Classification. 2nd Edition, New York: John Wiley & Sons Inc, 2001.S. Theodoridis and K. Koutroumbas. Pattern Recognition. 1st edition, Academic Press, 1999.V. N. Vapnik. Statistical Learning Theory. Wiley-Interscience, 1998.I. Goodfellow, Y. Bengio and A. Courville. Deep Learning. The MIT Press: London, 2016.J.Shawe-Taylor and N. Cristianini, Kernel Methods for Pattern Analysis, Cambridge University Press, 2004.Simon J.D. Prince, Understanding Deep Learning, The MIT Press, 2023. LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Duda, R. O., Hart, P. E., & Stork, D. G. (2001). Pattern classification (2nd. ed.). Wiley. Theodoridis, S., & Koutroumbas, K. (2009). Pattern recognition (4th ed.). Academic press. Vapnik, V. N. (1998). Statistical learning theory. Wiley. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press. Shawe-Taylor, J., & Cristianini, N. (2004). Kernel methods for pattern analysis. Cambridge university press. Prince, S. J. D. (2023). Understanding deep learning. The MIT Press.
Codice insegnamento 50880_650782_93701
Deepfake Detection and Multimedia Security
1° anno · 1° semestre · 6 CFU · IINF-03/A · 0 file
L'enorme facilità di accesso alle informazioni rende oggigiorno necessario lo studio di modalità per la protezione dei dati. Il corso ha come obiettivo l'approfondimento di alcune tecniche per rendere l'accesso ai dati…
Scheda dell'insegnamento
Obiettivi formativi
L'enorme facilità di accesso alle informazioni rende oggigiorno necessario lo studio di modalità per la protezione dei dati. Il corso ha come obiettivo l'approfondimento di alcune tecniche per rendere l'accesso ai dati multimediali sicuro, tramite varie tecniche di nascondimento di dati e di rilevazione automatica di modifiche su dati multimediali. Lo studente alla fine del corso conoscerà una serie di metodologie allo stato dell'arte per l'analisi forense attiva e passiva dei dati multimediali e saprà applicarle a immagini digitali in scenari semplici.
Programma
Dopo un'introduzione ai concetti e ai modelli di Digital Rights Management per la protezione di dati multimediali, il corso affronta nello specifico watermarking digitale e digital forensics. L'analisi generale di questi concetti introduce la descrizione e la valutazione di tecniche specifiche applicate ai dati multimediali. 1. Introduzione al problema della protezione dei dati 2. Watermarking digitale Storia della marchiatura ad acqua. Applicazioni e modelli per la marchiatura digitale. Classificazione e valutazione dei metodi. Robustezza e sicurezza. Algoritmi di watermarking per immagini digitali. 3. Digital image forensics Esempi applicativi Identificazione della sorgente di un'immagine. Analisi e rilevazione di modifiche di dati multimediali. Rilevazione di deepfakes.
Lezioni frontali con presentazione da parte del docente e discussione con la classe. Attività in laboratorio in cui gli studenti svilupperanno e testeranno alcune metodologie selezionate. Lavori di gruppo (si prevedono due attività di gruppo sugli argomenti 2 e 3 in cui gli studenti si organizzeranno a gruppi di 3/4 persone per sviluppare un codice con cui parteciperanno a delle attività competitive a cui saranno assegnati crediti).
Modalità d'esame
L'esame è volto a verificare gli apprendimenti sia riguardanti le lezioni frontali sia le attività di laboratorio e di gruppo. Lo svolgimento dell'esame prevederà la partecipazione ad almeno una attività competitiva con preparazione di un codice (in gruppo) in cui si metteranno in gioco gli apprendimenti delle lezioni frontali e dei laboratori; la partecipazione alla competizione è obbligatoria con punteggio relativo assegnato in base alla classifica e al codice sviluppato; la presentazione da parte di tutti i partecipanti di ogni gruppo descriverà l'approccio scelto e i risultati raggiunti (obbligatoria come esame orale). La valutazione finale per la competizione varrà 3 crediti e terrà in considerazione i risultati ottenuti, la metodologia scelta e la qualità della presentazione e delle risposte dei singoli. Un questionario scritto o un progetto da 3 crediti completerà la valutazione su tutti gli argomenti trattati e le attività di laboratorio svolte.
Testi di riferimento
Slides del corso, articoli di riferimento e materiale dei laboratori saranno disponibili per tutti gli studenti iscritti al corso nel Moodle On Line. Watermarking Systems Engineering: Enabling Digital Assets Security and Other Applications, by Barni, Bartolini, CRC Press (2004). Photo Forensics, by Farid, MIT Press (2016). LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Barni, M., & Bartolini, F. (2004). Watermarking systems engineering : enabling digital assets security and other applications. Dekker. Farid, H. (2016). Photo forensics. MIT press.
Codice insegnamento 51350_658362_97584
Designing Large Scale AI Systems
1° anno · 2° semestre · 6 CFU · INFO-01/A · 0 file
Questo corso si concentra sulla progettazione e la costruzione di sistemi basati sull'intelligenza artificiale su larga scala, enfatizzando le reali esigenze dei clienti. Gli studenti impareranno come progettare,…
Scheda dell'insegnamento
Obiettivi formativi
Questo corso si concentra sulla progettazione e la costruzione di sistemi basati sull'intelligenza artificiale su larga scala, enfatizzando le reali esigenze dei clienti. Gli studenti impareranno come progettare, prototipare e iterare su soluzioni basate sull'intelligenza artificiale che si allineano con gli obiettivi aziendali e le aspettative degli utenti. Il corso copre l'architettura di sistema, l'integrazione di sistemi AI/ML, la scalabilità, la user experience, l'adattamento prodotto-mercato e la modularità del sistema. Enfatizza inoltre i test di sistema, la valutazione, le architetture orientate ai servizi, la progettazione delle API e la modularizzazione. Alla fine del corso, gli studenti avranno progettato un sistema AI completo, dall'ideazione all'implementazione, e praticheranno come presentare a investitori, clienti o stakeholder.
Programma
tradotto da GPT: Il corso insegna agli studenti come progettare, costruire e scalare sistemi basati su AI che soddisfino le reali esigenze dei clienti, adottando un approccio da startup. Il corso si concentra sull'integrazione di modelli AI in architetture orientate ai servizi, sulla modularizzazione dei componenti del sistema e sulla creazione di soluzioni scalabili e affidabili. Gli argomenti principali includono il testing e la valutazione dei sistemi, le pipeline di dati, la progettazione di API, la scalabilità e le considerazioni etiche. Attraverso laboratori pratici e un progetto finale, gli studenti progetteranno un sistema AI da zero e impareranno a bilanciare le sfide tecniche con i requisiti aziendali. **Argomenti principali:** - Principi di progettazione di sistemi su larga scala per applicazioni AI - Architettura orientata ai servizi (SOA), modularizzazione e progettazione di API - Pipeline di dati e infrastruttura per sistemi AI - Integrazione e scalabilità di modelli di machine learning - Testing, valutazione e monitoraggio dei sistemi - Sicurezza, privacy e considerazioni etiche nei sistemi AI - Design centrato sul cliente, product-market fit e user experience - Progetto finale: Progettazione e presentazione di un sistema AI end-to-end
poche lezioni frontali, molta pratica. Le lezioni e il lab saranno in gran parte "project meetings"
Modalità d'esame
L'enfasi del corso è sull'apprendimento, non sulla valutazione. Il corso è progettato per massimizzare l'apprendimento. La valutazione principale è il lavoro di progetto. Valutiamo in base a i) impegno e ii) risultati. Ci sarà un esame finale, facile per coloro che frequentano le lezioni.
Testi di riferimento
il materiale sara' disponibile a reliableai.github.io
Codice insegnamento 51351_650822_96681
Digital Epidemiology
1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file
L’obiettivo del Corso è quello di introdurre gli studenti e le studentesse all’uso di tecniche computazionali e fonti dati digitali per lo studio di determinanti della salute umana, in particolare in ambito…
Scheda dell'insegnamento
Obiettivi formativi
L’obiettivo del Corso è quello di introdurre gli studenti e le studentesse all’uso di tecniche computazionali e fonti dati digitali per lo studio di determinanti della salute umana, in particolare in ambito epidemiologico. Al termine del Corso, gli studenti e le studentesse saranno in grado di: conoscere i principi fondamentali della statistica medica ed epidemiologica;analizzare fonti dati eterogenee (social media, telefonia mobile, motori di ricerca) da cui estrarre indicatori rilevanti per la salute pubblica;conoscere i principali approcci dell’epidemiologia computazionale (sorveglianza passiva, modellistica matematica, dati da sensori)sviluppare modelli numerici per descrivere la diffusione di malattie infettive su diverse scale spaziali;
Programma
Introduzione alla statistica medica e all’epidemiologia;Concetti fondamentali di epidemiologia matematica;Uso di sorgenti dati digitali per la salute pubblica;Analisi di dati geolocalizzati;Modelli epidemiologici su reti complesse;Modellizzazione della mobilità umana;Analisi dati da sensori indossabili;Digital contact tracing;Fenomeni di contagio sociale.
Il contenuto del corso si articola in una parte teorica di lezione frontale (65%) e una parte di laboratorio (35%). Nella parte di laboratorio verrà mostrato agli studenti come implementare i concetti della prima parte con casi di studio basati su dati reali, in programmazione Python. Questo consentirà agli studenti di rendere immediatamente operative le conoscenze acquisite nella parte di teoria.
Modalità d'esame
La valutazione finale si basa su un esame orale della durata di circa mezz'ora. L'esame si struttura in due parti: la prima parte consiste nella presentazione con slides di un articolo scientifico di approfondimento a scelta del candidato/a. La seconda parte consiste in alcune domande aperte sugli argomenti presentati a lezione con slides.
Testi di riferimento
Salathé M, Bengtsson L, Bodnar TJ, Brewer DD, Brownstein JS, Buckee C, et al. (2012) Digital Epidemiology. PLoS Comput Biol 8(7): e1002616. https://doi.org/10.1371/journal.pcbi.1002616Yom-Tov, Elad. Crowdsourced health: How what you do on the Internet will improve medicine. MIT Press, 2016.Barrat, Alain, Marc Barthelemy, and Alessandro Vespignani. Dynamical processes on complex networks. Cambridge University Press, 2008.Modeling Infectious Diseases in Humans and Animals By Matthew James Keeling and Pejman Rohani Princeton, NJ: Princeton University Press, 2008. 408 pp. LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Salathé, M. [et al.] (2012). Digital Epidemiology. PLoS computational biology, 8(7). Yom-Tov, E. (2016). Crowdsourced health : how what you do on the internet will improve medicine. MIT press. Barrat, A., Barthelemy, M., & Vespignani, A. (2008). Dynamical processes on complex networks. Cambridge University Press. Keeling, M. J., & Rohani, P. (2008). Modeling infectious diseases in humans and animals. Princeton University Press.
Codice insegnamento 50880_650771_96127
Distributed systems
1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file
Il corso e' tenuto in inglese: per i dettagli del syllabus, consultare la versione inglese di questa pagina.
Scheda dell'insegnamento
Obiettivi formativi
Il corso e' tenuto in inglese: per i dettagli del syllabus, consultare la versione inglese di questa pagina.
Programma
Il corso e' tenuto in inglese: per i dettagli del syllabus, consultare la versione inglese di questa pagina.
Il corso e' tenuto in inglese: per i dettagli del syllabus, consultare la versione inglese di questa pagina.
Modalità d'esame
Il corso e' tenuto in inglese: per i dettagli del syllabus, consultare la versione inglese di questa pagina.
Testi di riferimento
Il corso e' tenuto in inglese: per i dettagli del syllabus, consultare la versione inglese di questa pagina.
Codice insegnamento 50879_650763_96222
Distributed systems
1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file
Il corso e' tenuto in inglese: per i dettagli del syllabus, consultare la versione inglese di questa pagina.
Scheda dell'insegnamento
Obiettivi formativi
Il corso e' tenuto in inglese: per i dettagli del syllabus, consultare la versione inglese di questa pagina.
Programma
Il corso e' tenuto in inglese: per i dettagli del syllabus, consultare la versione inglese di questa pagina.
Il corso e' tenuto in inglese: per i dettagli del syllabus, consultare la versione inglese di questa pagina.
Modalità d'esame
Il corso e' tenuto in inglese: per i dettagli del syllabus, consultare la versione inglese di questa pagina.
Testi di riferimento
Il corso e' tenuto in inglese: per i dettagli del syllabus, consultare la versione inglese di questa pagina.
Codice insegnamento 50880_650763_96222
Ethical Hacking
1° anno · 2° semestre · 6 CFU · INFO-01/A · 0 file
L'obiettivo dell'insegnamento è far sperimentare agli studenti le tecniche e le strategie più comuni usate per costruire attacchi informatici, per rilevarli e per analizzarne il loro comportamento, al fine di imparare…
Scheda dell'insegnamento
Obiettivi formativi
L'obiettivo dell'insegnamento è far sperimentare agli studenti le tecniche e le strategie più comuni usate per costruire attacchi informatici, per rilevarli e per analizzarne il loro comportamento, al fine di imparare come mitigare o eliminare tali attacchi . Ulteriore obiettivo del corso è sviluppare le capacità di comunicazione e presentazione del proprio lavoro a colleghi. Al termine dell'insegnamento, lo studente sarà in grado di descrivere gli attacchi più comuni alle reti e ai computer; spiegare e sfruttare le vulnerabilità più comuni del web; spiegare le minacce alla sicurezza presenti nei sistemi operativi e nelle applicazioni; comprendere e spiegare le tecniche di ingegneria inversa usate per analizzare il malware; comprendere e spiegare le tecniche di base dell'analisi forense.
Programma
Il corso è organizzato in lezioni teoriche e in attività di laboratorio costituite da challenge di diversa difficoltà relative ad un particolare argomento, che gli studenti dovranno risolvere con l'ausilio dei docenti. Per ogni challenge presentata in laboratorio verrà poi illustrata una soluzione. Gli argomenti coperti sono: Sicurezza del WebOSINT e analisi forenseIngegneria inversaSoftware security Partecipazione ad una gara di Capture-The-Flag organizzata dal corso L'organizzazione del corso richiede che la frequenza alle lezione sia obbligatoria
L'attività didattica consiste in lezioni teoriche e attività di laboratorio, che includeranno un'introduzione dell'argomento della lezione, eseguita anche con l'ausilio di slide, a cui seguiranno poi una serie di esercizi relativi a quell'argomento. Gli esercizi hanno la forma di challenge che devono essere risolte individualmente dagli studenti. Per ogni challenge verrà poi fornita una possibile soluzione durante la lezione. Il link alla piattaforma utilizzata per le challenges così come il link a classroom verrà fornito alla prima lezione.
Modalità d'esame
ll metodo di valutazione dell'apprendimento consiste nella valutazione delle relazioni settimanali sugli argomenti trattati durante le lezioni di laboratorio, alcune delle quali saranno valutate anche con un esame orale e i risultati ottenuti in una gara finale gestita internamente del tipo Capture-the-flag (CTF). Ogni settimana, lo studente dovrà risolvere una challenge a casa sull'argomento del laboratorio precedente e consegnerà una relazione scritta con la soluzione. Lo studente dovrà essere in grado di spiegare la soluzione proposta. Verrà fornito un esempio di relazione ad inzio corso. Il voto finale del corso è calcolato in base ai voti di tutte le relazioni, degli esami orali e della gara finale CTF. I laboratori e gli esami orali raggiungono fino ad un massimo di 30 punti. La CTF finale dà altri 4 punti.
Testi di riferimento
Non c'è un libro di testo. Alcune letture verranno indicate durante l'insegnamento. Testi di consultazione (eventuale): Hands-On Ethical Hacking and Network Defense, Michael T. Simpson e Nicholas Antill, Terza Edizione, 2016 pubblicato da Cengage Learning ISBN-10: 1285454618 Hacking: The Art of Exploitation, Jon Erickson, 2nd Edition, 2008, ISBN-10: 1593271441 LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Simpson, M. T., Wilson, R. S., & Antill, N. (2022). Hands-on ethical hacking and network defense (4th ed.). Cengage. Erickson, J. (2008). Hacking : the art of exploitation (2nd ed.). No Starch press.
Codice insegnamento 50879_650700_96202
Ethical Hacking
1° anno · 2° semestre · 6 CFU · INFO-01/A · 0 file
L'obiettivo dell'insegnamento è far sperimentare agli studenti le tecniche e le strategie più comuni usate per costruire attacchi informatici, per rilevarli e per analizzarne il loro comportamento, al fine di imparare…
Scheda dell'insegnamento
Obiettivi formativi
L'obiettivo dell'insegnamento è far sperimentare agli studenti le tecniche e le strategie più comuni usate per costruire attacchi informatici, per rilevarli e per analizzarne il loro comportamento, al fine di imparare come mitigare o eliminare tali attacchi . Ulteriore obiettivo del corso è sviluppare le capacità di comunicazione e presentazione del proprio lavoro a colleghi. Al termine dell'insegnamento, lo studente sarà in grado di descrivere gli attacchi più comuni alle reti e ai computer; spiegare e sfruttare le vulnerabilità più comuni del web; spiegare le minacce alla sicurezza presenti nei sistemi operativi e nelle applicazioni; comprendere e spiegare le tecniche di ingegneria inversa usate per analizzare il malware; comprendere e spiegare le tecniche di base dell'analisi forense.
Programma
Il corso è organizzato in lezioni teoriche e in attività di laboratorio costituite da challenge di diversa difficoltà relative ad un particolare argomento, che gli studenti dovranno risolvere con l'ausilio dei docenti. Per ogni challenge presentata in laboratorio verrà poi illustrata una soluzione. Gli argomenti coperti sono: Sicurezza del WebOSINT e analisi forenseIngegneria inversaSoftware security Partecipazione ad una gara di Capture-The-Flag organizzata dal corso L'organizzazione del corso richiede che la frequenza alle lezione sia obbligatoria
L'attività didattica consiste in lezioni teoriche e attività di laboratorio, che includeranno un'introduzione dell'argomento della lezione, eseguita anche con l'ausilio di slide, a cui seguiranno poi una serie di esercizi relativi a quell'argomento. Gli esercizi hanno la forma di challenge che devono essere risolte individualmente dagli studenti. Per ogni challenge verrà poi fornita una possibile soluzione durante la lezione. Il link alla piattaforma utilizzata per le challenges così come il link a classroom verrà fornito alla prima lezione.
Modalità d'esame
ll metodo di valutazione dell'apprendimento consiste nella valutazione delle relazioni settimanali sugli argomenti trattati durante le lezioni di laboratorio, alcune delle quali saranno valutate anche con un esame orale e i risultati ottenuti in una gara finale gestita internamente del tipo Capture-the-flag (CTF). Ogni settimana, lo studente dovrà risolvere una challenge a casa sull'argomento del laboratorio precedente e consegnerà una relazione scritta con la soluzione. Lo studente dovrà essere in grado di spiegare la soluzione proposta. Verrà fornito un esempio di relazione ad inzio corso. Il voto finale del corso è calcolato in base ai voti di tutte le relazioni, degli esami orali e della gara finale CTF. I laboratori e gli esami orali raggiungono fino ad un massimo di 30 punti. La CTF finale dà altri 4 punti.
Testi di riferimento
Non c'è un libro di testo. Alcune letture verranno indicate durante l'insegnamento. Testi di consultazione (eventuale): Hands-On Ethical Hacking and Network Defense, Michael T. Simpson e Nicholas Antill, Terza Edizione, 2016 pubblicato da Cengage Learning ISBN-10: 1285454618 Hacking: The Art of Exploitation, Jon Erickson, 2nd Edition, 2008, ISBN-10: 1593271441 LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Simpson, M. T., Wilson, R. S., & Antill, N. (2022). Hands-on ethical hacking and network defense (4th ed.). Cengage. Erickson, J. (2008). Hacking : the art of exploitation (2nd ed.). No Starch press.
Codice insegnamento 50880_650700_96202
Ethics for computer science and engineering
1° anno · 2° semestre · 6 CFU · ECON-06/A · 0 file
Esplorare l'etica contemporanea in informatica ed ingegneria attraverso esperimenti mentali, discussioni e casi di studio. Gli studenti apprenderanno i principi etici fondamentali che guidano l'odierna tecnologia…
Scheda dell'insegnamento
Obiettivi formativi
Esplorare l'etica contemporanea in informatica ed ingegneria attraverso esperimenti mentali, discussioni e casi di studio. Gli studenti apprenderanno i principi etici fondamentali che guidano l'odierna tecnologia dell'informazione e applicheranno la teoria in casi reali. Alla fine, gli studenti saranno in grado di sviluppare una comprensione etica del proprio lavoro. Saranno inoltre in grado di rispondere ai comitati etici e di produrre valutazioni etiche sull'intelligenza artificiale, dette anche audit etici sull'intelligenza artificiale / dichiarazioni sull'impatto algoritmico. Si tratta di un corso di apprendimento pratico. È progettato per la partecipazione, la collaborazione e per essere seguito di persona (“studente frequentante”). La prima parte del corso verrà svolta in modalità blended learning.
Programma
1. Principi etici. Principi utilizzati nell'etica dell'informatica, dell'ingegneria e dell'intelligenza artificialePrincipi individuali: autonomia, dignità umana, privacyPrincipi sociali: equità, solidarietà, sostenibilità/benessere socialePrincipi tecnici: prestazioni, sicurezza, responsabilità2. Teorie etiche. La teoria alla base dell'etica applicataEtica deontologica: Kant, diritti, equità (Aristotele/Rawls)Etica consequenzialista: utilitarismo, egoismo illuminato (Adam Smith e Silicon Valley)Etica culturalista: post-nietzscheanismo3. Dibattiti contemporanei nella filosofia e nell'etica dell'informatica e dell'intelligenza artificiale.Privacy versus benessere sociale; autonomia dell'utente, libertà e autenticità; equità statistica; IA causale; IA spiegabile; proprietà dei dati; gemelli digitali e simili. Nel corso si utilizzerà una modalità blened learning nella prima parte, in cui verranno sviluppati i principi etici. La parte in modalità blended learning corrisponde a 3 crediti e quella in presenza corrisponde a 3 crediti (il corso è di 6 crediti).
L'etica si apprende con la pratica, quindi studentesse e studenti dovranno contribuire alla discussione in classe, partecipare a una presentazione di gruppo su un tema di etica applicata e, infine, presentare una valutazione etica del proprio lavoro. La maggior parte delle ore del corso saranno dedicate a lezioni frontali e discussioni di casi di studio (blended o in aula) guidate dai professori. Il resto sarà dedicato alle presentazioni degli studenti. Ci saranno due tipi di presentazioni. In una, gli studenti lavoreranno in gruppo per approfondire alcuni dibattiti etici nell'ambito dell'informatica e dell'ingegneria, e presenteranno i loro risultati in aula. La seconda presentazione avrà luogo alla fine del semestre e gli studenti descriveranno individualmente una valutazione etica. Il corso utilizzerà un approccio di apprendimento blended nella prima parte, in cui saranno sviluppati i principi etici. In questa parte, gli studenti alterneranno studio individuale, lavoro di gruppo e feedback dei docenti del corso. La parte in modalità blended learning corrisponde a 3 crediti e la parte in aula corrisponde a 3 crediti (il corso vale 6 crediti in totale).
Modalità d'esame
Requisiti per frequentanti1. Requisiti per l'ammissione all'esamePer essere ammessi all'esame è obbligatoria la frequenza ad almeno il 70% delle lezioni frontali. Studio individuale e partecipazione alle attività di gruppo per la parte blended del corso. 2. Subject of examLa valutazione si baserà su due presentazioni. Nelle presentazioni, gli studenti saranno valutati in base alla loro capacità di individuare i dilemmi etici che sorgono intorno alla tecnologia e alla loro capacità di discuterne con cognizione di causa. (Non esistono risposte giuste o sbagliate in materia di etica, ma esistono comprensioni migliori e peggiori dei valori umani che guidano e giustificano le decisioni). Le presentazioni dovrebbero concentrarsi sui valori discussi nel seminario: autonomia, dignità umana, privacy, equità, solidarietà/equità, benessere sociale, prestazioni, sicurezza, spiegabilità/responsabilità. In genere, una presentazione efficace seleziona e si concentra su alcuni dei principi più applicabili al caso. 3. Presentazione di gruppoLa presentazione di gruppo può riguardare un'applicazione di intelligenza artificiale di dominio pubblico (ad esempio, un'app per il tracciamento del Covid, la tecnologia di riconoscimento facciale, uno strumento medico basato sull'intelligenza artificiale, le auto a guida autonoma o simili). Oppure, l'argomento può essere una revisione più ampia dello status etico di un'azienda tecnologica. Potrebbe trattarsi di una startup o di un'impresa consolidata. Ad esempio, si potrebbe esaminare l'uso degli algoritmi di raccomandazione da parte di Meta. In ogni caso, i numerosi casi discussi durante il seminario servono da esempio per il tipo di argomento che dovrebbe essere esaminato. 4. Presentazione individualeAlla fine del semestre, gli studenti discuteranno individualmente un dilemma etico. I criteri per la scelta del dilemma sono simili a quelli sopra indicati per la presentazione di gruppo. 5. ValutazioneIl voto finale sarà una media ponderata della presentazione di gruppo (30%) e della presentazione individuale (70%). Sono richieste sia la presentazione di gruppo che quella individuale. Requisiti per non frequentanti1. Requisiti per l'ammissione all'esameNon è richiesta una frequenza minima per essere ammessi all'esame. Gli studenti devono scrivere una riflessione e dei commenti di una pagina (non un riassunto) per ciascuno dei documenti di informatica assegnati come parte dell'argomento dell'esame (Parti 1, 2, 3 e 4 della bibliografia del corso). Questo materiale deve essere inviato tramite sito web o e-mail almeno una settimana prima della data dell'esame. Questo materiale non sarà valutato ai fini del voto finale, ma sarà utilizzato come filtro per l'ammissione all'esame. L'ammissione sarà comunicata via e-mail almeno due giorni prima dell'esame. Gli studenti devono essere in grado di discutere e difendere le loro riflessioni durante l'esame orale. Questo aspetto sarà valutato durante l'esame orale. 2. Materia d'esameEtica delle tecnologie dell'informazione, dell'Intelligenza artificiale e della computer science: Gli studenti dovranno avere familiarità con i principi fondamentali dell'etica applicata e con i dilemmi e gli approcci comuni all'etica applicata.Materiali: vedi le parti 1-3 della sezione “Bibliografia/Materiale di studio” per i materiali richiesti.3. Esame scrittoL'esame scritto è un esame a "closed-books". Durante l'esame scritto non è consentito l'uso di alcun materiale (online o offline). L'esame consiste nel fornire una risposta scritta a mano di 2-3 pagine a due domande. Le domande richiederanno agli studenti di rispondere a una questione etica recente nel campo della tecnologia. Le domande presuppongono che gli studenti abbiano conoscenza di tutto il materiale elencato nella sezione “Bibliografia/Materiale di studio”. 4. Esame oraleL'esame orale verterà su tutti gli argomenti trattati. Verranno valutate le conoscenze di etica applicata generale e di etica delle tecnologie dell'informazione. Verrà inoltre esaminato il lavoro scritto svolto dallo studente. La discussione orale presuppone che gli studenti abbiano acquisito la conoscenza di tutti gli argomenti elencati nella sezione “Bibliografia/Materiale di studio”. 5. ValutazioneIl voto finale sarà una media ponderata dell'esame scritto (50%) e dell'esame orale (50%). Sono richiesti sia l'esame scritto che l'esame orale.
Testi di riferimento
Part 1. Principles commonly employed in today’s Computer Science, Engineering, and AI ethics.Bibliography • European Commission: Ethics Guidelines for Trustworthy AI • European Commission: Assessment List on Trustworthy Artificial Intelligence • German Data Ethics Commission: Opinion of the Data Ethics Commission • GAO (US): Artificial Intelligence: An Accountability Framework for Federal Agencies and Other Entities • Whittlestone et al: The Role and Limits of Principles in AI Ethics - Towards a Focus on Tensions NON FREQUENTANTI: Per ciascuno di questi cinque brevi documenti, è necessario presentare una serie autonoma di riflessioni e commenti per poter accedere all'esame finale Part 2. Theory and practice of applied ethics in AI, computer science and information engineering.Bibliography • Brusseau, Ethics video lectures available here NON FREQUENTANTI: Nella pagina collegata, gli studenti troveranno delle lezioni video. I video vengono aggiunti man mano che il semestre procede. Gli studenti possono guardare i video in qualsiasi momento e, successivamente, dovranno redigere riflessioni e commenti su ciascuno degli argomenti specifici trattati: Introduzione / Che cos’è l’etica?, Autonomia, Dignità, Privacy, Giustizia, Equità, Benessere sociale, Spiegabilità, Sicurezza, Prestazioni, 4 casi di studio. Ogni elaborato deve includere riflessioni su uno dei dilemmi etici discussi nelle lezioni video Part 3. Textbooks for non-attending students.Bibliography • The elements of moral philosophy, James Rachels, McGraw-Hill, 2003. (available in UniTN Library or here) LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Rachels, J., & Rachels, S. (2023). The elements of moral philosophy. (10th ed.). McGraw-Hill.
Codice insegnamento 50879_650745_95899
Ethics for computer science and engineering
1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file
Esplorare l'etica contemporanea in informatica ed ingegneria attraverso esperimenti mentali, discussioni e casi di studio. Gli studenti apprenderanno i principi etici fondamentali che guidano l'odierna tecnologia…
Scheda dell'insegnamento
Obiettivi formativi
Esplorare l'etica contemporanea in informatica ed ingegneria attraverso esperimenti mentali, discussioni e casi di studio. Gli studenti apprenderanno i principi etici fondamentali che guidano l'odierna tecnologia dell'informazione e applicheranno la teoria in casi reali. Alla fine, gli studenti saranno in grado di sviluppare una comprensione etica del proprio lavoro. Saranno inoltre in grado di rispondere ai comitati etici e di produrre valutazioni etiche sull'intelligenza artificiale, dette anche audit etici sull'intelligenza artificiale / dichiarazioni sull'impatto algoritmico. Si tratta di un corso di apprendimento pratico. È progettato per la partecipazione, la collaborazione e per essere seguito di persona (“studente frequentante”). La prima parte del corso verrà svolta in modalità blended learning.
Programma
1. Principi etici. Principi utilizzati nell'etica dell'informatica, dell'ingegneria e dell'intelligenza artificialePrincipi individuali: autonomia, dignità umana, privacyPrincipi sociali: equità, solidarietà, sostenibilità/benessere socialePrincipi tecnici: prestazioni, sicurezza, responsabilità2. Teorie etiche. La teoria alla base dell'etica applicataEtica deontologica: Kant, diritti, equità (Aristotele/Rawls)Etica consequenzialista: utilitarismo, egoismo illuminato (Adam Smith e Silicon Valley)Etica culturalista: post-nietzscheanismo3. Dibattiti contemporanei nella filosofia e nell'etica dell'informatica e dell'intelligenza artificiale.Privacy versus benessere sociale; autonomia dell'utente, libertà e autenticità; equità statistica; IA causale; IA spiegabile; proprietà dei dati; gemelli digitali e simili. Nel corso si utilizzerà una modalità blened learning nella prima parte, in cui verranno sviluppati i principi etici. La parte in modalità blended learning corrisponde a 3 crediti e quella in presenza corrisponde a 3 crediti (il corso è di 6 crediti).
L'etica si apprende con la pratica, quindi studentesse e studenti dovranno contribuire alla discussione in classe, partecipare a una presentazione di gruppo su un tema di etica applicata e, infine, presentare una valutazione etica del proprio lavoro. La maggior parte delle ore del corso saranno dedicate a lezioni frontali e discussioni di casi di studio (blended o in aula) guidate dai professori. Il resto sarà dedicato alle presentazioni degli studenti. Ci saranno due tipi di presentazioni. In una, gli studenti lavoreranno in gruppo per approfondire alcuni dibattiti etici nell'ambito dell'informatica e dell'ingegneria, e presenteranno i loro risultati in aula. La seconda presentazione avrà luogo alla fine del semestre e gli studenti descriveranno individualmente una valutazione etica. Il corso utilizzerà un approccio di apprendimento blended nella prima parte, in cui saranno sviluppati i principi etici. In questa parte, gli studenti alterneranno studio individuale, lavoro di gruppo e feedback dei docenti del corso. La parte in modalità blended learning corrisponde a 3 crediti e la parte in aula corrisponde a 3 crediti (il corso vale 6 crediti in totale).
Modalità d'esame
Requisiti per frequentanti1. Requisiti per l'ammissione all'esamePer essere ammessi all'esame è obbligatoria la frequenza ad almeno il 70% delle lezioni frontali. Studio individuale e partecipazione alle attività di gruppo per la parte blended del corso. 2. Subject of examLa valutazione si baserà su due presentazioni. Nelle presentazioni, gli studenti saranno valutati in base alla loro capacità di individuare i dilemmi etici che sorgono intorno alla tecnologia e alla loro capacità di discuterne con cognizione di causa. (Non esistono risposte giuste o sbagliate in materia di etica, ma esistono comprensioni migliori e peggiori dei valori umani che guidano e giustificano le decisioni). Le presentazioni dovrebbero concentrarsi sui valori discussi nel seminario: autonomia, dignità umana, privacy, equità, solidarietà/equità, benessere sociale, prestazioni, sicurezza, spiegabilità/responsabilità. In genere, una presentazione efficace seleziona e si concentra su alcuni dei principi più applicabili al caso. 3. Presentazione di gruppoLa presentazione di gruppo può riguardare un'applicazione di intelligenza artificiale di dominio pubblico (ad esempio, un'app per il tracciamento del Covid, la tecnologia di riconoscimento facciale, uno strumento medico basato sull'intelligenza artificiale, le auto a guida autonoma o simili). Oppure, l'argomento può essere una revisione più ampia dello status etico di un'azienda tecnologica. Potrebbe trattarsi di una startup o di un'impresa consolidata. Ad esempio, si potrebbe esaminare l'uso degli algoritmi di raccomandazione da parte di Meta. In ogni caso, i numerosi casi discussi durante il seminario servono da esempio per il tipo di argomento che dovrebbe essere esaminato. 4. Presentazione individualeAlla fine del semestre, gli studenti discuteranno individualmente un dilemma etico. I criteri per la scelta del dilemma sono simili a quelli sopra indicati per la presentazione di gruppo. 5. ValutazioneIl voto finale sarà una media ponderata della presentazione di gruppo (30%) e della presentazione individuale (70%). Sono richieste sia la presentazione di gruppo che quella individuale. Requisiti per non frequentanti1. Requisiti per l'ammissione all'esameNon è richiesta una frequenza minima per essere ammessi all'esame. Gli studenti devono scrivere una riflessione e dei commenti di una pagina (non un riassunto) per ciascuno dei documenti di informatica assegnati come parte dell'argomento dell'esame (Parti 1, 2, 3 e 4 della bibliografia del corso). Questo materiale deve essere inviato tramite sito web o e-mail almeno una settimana prima della data dell'esame. Questo materiale non sarà valutato ai fini del voto finale, ma sarà utilizzato come filtro per l'ammissione all'esame. L'ammissione sarà comunicata via e-mail almeno due giorni prima dell'esame. Gli studenti devono essere in grado di discutere e difendere le loro riflessioni durante l'esame orale. Questo aspetto sarà valutato durante l'esame orale. 2. Materia d'esameEtica delle tecnologie dell'informazione, dell'Intelligenza artificiale e della computer science: Gli studenti dovranno avere familiarità con i principi fondamentali dell'etica applicata e con i dilemmi e gli approcci comuni all'etica applicata.Materiali: vedi le parti 1-3 della sezione “Bibliografia/Materiale di studio” per i materiali richiesti.3. Esame scrittoL'esame scritto è un esame a "closed-books". Durante l'esame scritto non è consentito l'uso di alcun materiale (online o offline). L'esame consiste nel fornire una risposta scritta a mano di 2-3 pagine a due domande. Le domande richiederanno agli studenti di rispondere a una questione etica recente nel campo della tecnologia. Le domande presuppongono che gli studenti abbiano conoscenza di tutto il materiale elencato nella sezione “Bibliografia/Materiale di studio”. 4. Esame oraleL'esame orale verterà su tutti gli argomenti trattati. Verranno valutate le conoscenze di etica applicata generale e di etica delle tecnologie dell'informazione. Verrà inoltre esaminato il lavoro scritto svolto dallo studente. La discussione orale presuppone che gli studenti abbiano acquisito la conoscenza di tutti gli argomenti elencati nella sezione “Bibliografia/Materiale di studio”. 5. ValutazioneIl voto finale sarà una media ponderata dell'esame scritto (50%) e dell'esame orale (50%). Sono richiesti sia l'esame scritto che l'esame orale.
Testi di riferimento
Part 1. Principles commonly employed in today’s Computer Science, Engineering, and AI ethics.Bibliography • European Commission: Ethics Guidelines for Trustworthy AI • European Commission: Assessment List on Trustworthy Artificial Intelligence • German Data Ethics Commission: Opinion of the Data Ethics Commission • GAO (US): Artificial Intelligence: An Accountability Framework for Federal Agencies and Other Entities • Whittlestone et al: The Role and Limits of Principles in AI Ethics - Towards a Focus on Tensions NON FREQUENTANTI: Per ciascuno di questi cinque brevi documenti, è necessario presentare una serie autonoma di riflessioni e commenti per poter accedere all'esame finale Part 2. Theory and practice of applied ethics in AI, computer science and information engineering.Bibliography • Brusseau, Ethics video lectures available here NON FREQUENTANTI: Nella pagina collegata, gli studenti troveranno delle lezioni video. I video vengono aggiunti man mano che il semestre procede. Gli studenti possono guardare i video in qualsiasi momento e, successivamente, dovranno redigere riflessioni e commenti su ciascuno degli argomenti specifici trattati: Introduzione / Che cos’è l’etica?, Autonomia, Dignità, Privacy, Giustizia, Equità, Benessere sociale, Spiegabilità, Sicurezza, Prestazioni, 4 casi di studio. Ogni elaborato deve includere riflessioni su uno dei dilemmi etici discussi nelle lezioni video Part 3. Textbooks for non-attending students.Bibliography • The elements of moral philosophy, James Rachels, McGraw-Hill, 2003. (available in UniTN Library or here) LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Rachels, J., & Rachels, S. (2023). The elements of moral philosophy. (10th ed.). McGraw-Hill.
Codice insegnamento 50880_650745_95899
GPU computing
1° anno · 2° semestre · 6 CFU · INFO-01/A · 0 file
Aspetti specifici del corsoPer quanto riguarda le "conoscenze e abilità specifiche del corso", lo studente sarà in grado di : analizzare algoritmi sequenziali identificando i colli di bottiglia delle…
Scheda dell'insegnamento
Obiettivi formativi
Aspetti specifici del corsoPer quanto riguarda le "conoscenze e abilità specifiche del corso", lo studente sarà in grado di : analizzare algoritmi sequenziali identificando i colli di bottiglia delle prestazioni;progettare algoritmi paralleli e implementarli su GPU considerandone gli aspetti architetturali;applicare le tecniche parallele e di ottimizzazione esistenti in un contesto di problemi diversi;utilizzare strumenti e tecnologie per progettare codice efficiente e scalabile su GPU;definire ambienti sperimentali e riportare i risultatiAspetti generali.Per quanto riguarda l'aspetto "Conoscenza e comprensione", lo studente sarà in grado di: analizzare e risolvere problemi anche complessi nell'ambito dell'Ingegneria del Software per i Sistemi Informativi con particolare attenzione all'utilizzo di studi, metodi, tecniche e tecnologie di valutazione empirica;conoscere in modo approfondito il metodo scientifico di indagine applicato ai sistemi complessi e alle tecnologie innovative che supportano l'informatica e le sue applicazioni;leggere e comprendere documentazione scientifica specialistica, come atti di convegni, articoli di riviste scientifiche e manuali tecnici. Per quanto riguarda l'aspetto "Applicazione della conoscenza e della comprensione", lo studente sarà in grado di: progettare ed eseguire analisi sperimentali di sistemi informativi per acquisire misure relative al loro comportamento e valutare ipotesi sperimentali in diversi campi di applicazione;estendere e modificare in modo originale una soluzione tecnica esistente o un modello formale tenendo conto delle mutate condizioni, dei requisiti e dell'evoluzione della tecnologia. Per quanto riguarda l'aspetto "Formulazione di giudizi", lo studente sarà in grado di: selezionare la documentazione da una varietà di fonti, tra cui libri tecnici, biblioteche digitali, riviste tecnico-scientifiche, portali web o strumenti software e hardware open source;conciliare gli obiettivi del progetto che sono in conflitto tra loro, per trovare un compromesso tra costi, risorse, tempo, conoscenze o rischi;lavorare con ampia autonomia, assumendo anche la responsabilità di progetti e strutture. Per quanto riguarda l'aspetto "Abilità comunicative", lo studente sarà in grado di: presentare i contenuti di una relazione tecnico-scientifica a un pubblico, anche non specializzato, in un tempo stabilito;strutturare e redigere la documentazione tecnico-scientifica che descrive le attività del progetto;coordinare gruppi di progetto e identificare le attività per raggiungere gli obiettivi del progetto;preparare e condurre presentazioni tecniche in inglese;portare avanti ricerche e progetti in modo collaborativo;sintetizzare le conoscenze acquisite dallo studio della documentazione scientifica. Per quanto riguarda l'aspetto "Capacità di apprendimento", lo studente sarà in grado di: ampliare le conoscenze acquisite durante il corso di studi leggendo e comprendendo documentazione scientifica e tecnica in lingua inglese;ampliare le conoscenze, anche se incomplete, tenendo conto dell'obiettivo finale del progetto;formulare e validare teorie e definire nuovi metodi attraverso l'induzione empirica e strumenti di indagine scientifica di nuova generazione.
Programma
Il corso ha l'obiettivo di studiare gli aspetti fondamentali del calcolo general purpose su acceleratori di tipo GPU. Il corso è strutturato in 4 parti, ognuna delle quali è descritta in dettaglio come segue. Parte I: Introduzione al corso, aspetti fondazionali Sistemi paralleli e memoria condivisa e architetture GPU moderne.Introduzione al calcolo parallelo e a tecniche di decomposizione (dati e task);Principi di programmazione su GPU.Parte II: GPU Programming: CUDA modelli di programmazione, esecuzione e memoria;CUDA modelli di esecuzione concorrente;CUDA accessi in memoria concorrenti e cooperativi.Parte III: Algoritmi paralleli su GPU Algoritmi paralleli per il calcolo scientifico;Algoritmi paralleli per AI e Machine Learning;Parte IV: Argomenti specifici avanzati. Principi di programmazione Multi-GPU;Tools avanzati per debugging e misure di prestazioni su GPU Per la parte III e parte IV alcune lezioni potrebbero essere offerte da esperti su argomenti specifici.
Il corso verrà offerto in forma di lezioni frontali e seminari, dove verranno presentati sia concetti teorici sia quelli ingegneristici implementativi, sia tramite laboratori ed esercitazioni, dove verranno messi in pratica i concetti sviluppati durante le lezioni teoriche. Per quanto riguarda le lezioni frontali verranno presentati i concetti tramite presentazioni alla lavagna o presentazioni multimediali. Questo includerà la presentazione tramite slide e video. Argomenti specifici potranno inoltre essere presentati da relatori esterni riconosciuti nel settore in forma di seminari di approfondimento. Le sessioni pratiche verranno offerte sotto forma di esercitazioni e laboratori. Eventuali esercitazioni a casa potranno essere oggetto di valutazione. Alcuni laboratori, infine, potranno essere dedicati allo svolgimento dell'attività di progetto. Seminari tematici o altre attività extra (visita a datacenter) potranno essere organizzati. La frequenza al corso non è obbligatoria ma fortemente consigliata.
Modalità d'esame
La verifica dell'apprendimento sarà basata sulla realizzazione di un progetto finale accompagnato da una prova orale. Gli studenti svilupperanno un progetto su un argomento concordato con il docente, dimostrando competenze teoriche e pratiche acquisite durante il corso. Successivamente, presenteranno e discuteranno il loro lavoro durante la prova orale, rispondendo a domande specifiche e mostrando una comprensione approfondita dell'argomento trattato. Una lista di proposte progettuali verrà fornita dal docente a supporto. Dettagli Ogni studente, su attività individuale, dovrà: rilasciare il codice fornendo le istruzioni per la riproducibilità dei risultati seguendo i principi FAIR e Open-Science.scrivere un breve documento scientifico (non oltre le 4 pagine) che descriva il problema, lo stato dell'arte, la soluzione, la metodologia adottata per risolvere il problema, l'impostazione sperimentale e i risultati;preparare una breve presentazione orale del progetto. La valutazione è basata sui seguenti pesi. Codice (20% del voto finale). Il software deve seguire le migliori pratiche di scrittura del codice. Gli esperimenti devono essere replicabili;valutazione della relazione (40% del voto finale). Capacità di introdurre un problema. Capacità di riportare lo stato dell'arte. Capacità di descrivere la metodologia adottata. Capacità di commentare e riportare i risultati ottenuti. Nella valutazione si terrà conto anche dell'originalità e della solidità della soluzione.Presentazione (40% del voto finale). Chiarezza e qualità espositiva, abilità nell'argomentare le scelte effettuate per lo svolgimento del progetto. Modalità di valutazione opzionale Opzionalmente, e solo per il semestre di erogazione del corso, potrà essere offerta la possibilità di lavorare su dei problemi da risolvere a casa (modalità con deliverables) e un test in laboratorio. Il test consiste in 10 domande a risposta chiusa. Deliverable: all'inizio del corso, verrà presentato agli studenti un problema che richiede lo sviluppo di una soluzione algoritmica su GPU. Questo problema servirà da base per lo sviluppo delle soluzioni che gli studenti dovranno realizzare seguendo le tecniche presentate durante il corso. Queste soluzioni si baseranno sulle tecniche presentate durante il corso e verranno presentate tramite un report. Le consegne previste sono due durante il corso e un deliverable finale (da consegnare alla data dell'esame). Ogni deliverable prevede: Rilasciare il codice fornendo le istruzioni per la riproducibilità dei risultati seguendo i principi FAIR e Open Science.Scrivere un breve documento scientifico (non oltre le 4 pagine) che descriva il problema, la soluzione, la metodologia adottata per risolvere il problema, l'impostazione sperimentale e i risultati ottenuti. La valutazione del deliverable terrà conto dell'originalità dei metodi adottati/progettati, dei risultati ottenuti e della qualità del codice e del documento con i seguenti obiettivi: Deliverable 1: optional, feedback fornito dal docenteDeliverable Finale: valutazione Valutazione dei deliverable Codice e riproducibilità (30% del voto).Valutazione della relazione (70% del voto finale). Il voto finale sarà determinato per il 30% dal test e per il 70% dal deliverable. Nota 1 La prova orale può essere svolta in modalità online per casi motivati.
Testi di riferimento
La maggior parte dei concetti che verranno discussi durante le lezioni frontali e i laboratori si basano sui seguenti libri di testo: Programming Massively Parallel Processors: A Hands-on Approach 4th Edition (Kirk, Hwu);CUDA C++ Best Practices Guide and CUDA C++ Programming Guide;CUDA by examples (Sanders and Kandrot). Materiale supplementare su aspetti fondazionali: An Introduction to Parallel Programming 2nd edition (Peter S. Pacheco Matthew Malensek);Introduction to parallel computing 2nd edition (Grama, Karpis, Kumar, Gupta);Computer Architecture: a quantitative approach. 6th ed (Hennessy, Patterson); LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Hwu, W.-M. W., Kirk, D. B., & El Hajj, I. (2022). Programming massively parallel processors : a hands-on approach (4th ed.). Elsevier. Sanders, J., & Kandrot, E. (2011). CUDA by example : an introduction to general-purpose GPU programming. Addison-Wesley. Pacheco, P. S., & Malensek, M. (2022). An introduction to parallel programming (2nd ed.). Morgan Kaufmann. Grama, A. [et al.] (2003). Introduction to parallel computing (2. ed.). Pearson education. Hennessy, J. L., & Patterson, D. A.(2007). Computer architecture : a quantitative approach (4th ed.). Elsevier.
Codice insegnamento 51351_650850_95885
Game Theory
1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file
Principi di teoria dei giochi
Scheda dell'insegnamento
Obiettivi formativi
Principi di teoria dei giochi
Programma
Basics of game theory Decision theory Mixed nash equilibria Extensive games Repeated games Imperfect knowledge Mechanism design Other topics
Lezioni fronali
Modalità d'esame
Presentatazione di un articolo (o 2) avanzato da una lista
Testi di riferimento
(Preliminario) Osborn, Rubinstein. A course in game theory Kreps. . Notes on The Theory Of Choice Mayerson. Game Theory Analysis of Conflict
Codice insegnamento 50879_650778_95065
Game Theory
1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file
Principi di teoria dei giochi
Scheda dell'insegnamento
Obiettivi formativi
Principi di teoria dei giochi
Programma
Basics of game theory Decision theory Mixed nash equilibria Extensive games Repeated games Imperfect knowledge Mechanism design Other topics
Lezioni fronali
Modalità d'esame
Presentatazione di un articolo (o 2) avanzato da una lista
Testi di riferimento
(Preliminario) Osborn, Rubinstein. A course in game theory Kreps. . Notes on The Theory Of Choice Mayerson. Game Theory Analysis of Conflict
Codice insegnamento 50880_650778_95065
High Performance Computing for Data Science
1° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file
L’obiettivo principale del corso è fornire concetti e strumenti fondamentali inerenti l’High Performance Computing applicato alla progettazione e sviluppo di Data Science software per l’analisi e l’estrazione di…
Scheda dell'insegnamento
Obiettivi formativi
L’obiettivo principale del corso è fornire concetti e strumenti fondamentali inerenti l’High Performance Computing applicato alla progettazione e sviluppo di Data Science software per l’analisi e l’estrazione di conoscenza da grandi volumi di dati. Il corso include elementi teorici e pratici inerenti i paradigmi simulation-centric e data-centric, illustrando gli aspetti di convergenza di ecosistemi software HPC e data management su larga scala (Big Data) in differenti contesti applicativi di rilevanza scientifica. Casi di studio da diversi domini (ad esempio medico / sanitario, finanziario, clima / meteo) saranno presentati e discussi con sessioni pratiche di follow-up. Alla fine del corso, gli studenti avranno imparato: Architetture parallele e modelli di programmazione parallela;Principi di progettazione di algoritmi paralleliCome sviluppare un codice parallelo e valutarne le prestazioni (usando MPI);Frameworks ed approcci per High Performance Data Analytics (HPDA);Come sviluppare applicazioni di data analytics su larga (usando Dask or similar tools);Differenze tra simulation-centric paradigm e data-centric discovery;La complementarietà tra big data, data science ed HPC nell’affrontare casi di studio reali.
Programma
Il corso include i seguenti argomenti: Introduzione del corso Big Data, Data Science ed HPCParadigma simulation-centric vs data-centric discoveryConvergenza a livello di application-workflowHigh Performance Computing Introduzione al calcolo paralleloPiattaforme di programmazione parallelaPrincipi di progettazione di programmi paralleliOperazioni di comunicazione basilariValutazione delle prestazioniModelli di programmazione parallela (MPI, hybrid)Lab/hands-on: applicazioni parallele basato su MPIHigh-end Data Analysis and High Performance Data Science Architetture ed infrastrutture big data ed ecosistema softwareProgramming frameworks per data analytics (Dask)Tools ed ambienti per Data science (JupyterLab)Casi di studio HPDS: clima/meteo, medico/salute, finanziarioLab/Hands-on: analisi dati parallela, use case relativi ad HPDS, JupyterLab su cluster HPCNote aggiuntive Sessioni di laboratorio, esercizi pratici ed attività di Progetto saranno relative a: Applicazioni parallele usando MPIJupyter notebooks su cluster HPCApplicazioni di high performance data science & analytics (HPDS)Domani target: clima/meteo, medico/salute, finanziario.
Il corso è strutturato con parti teoriche e pratiche: per ogni concetto si affronteranno parti teoriche e pratiche. Letture aggiuntive ed esercizi saranno assegnati agli studenti, svolti a casa e discussi in classe. Gli studenti svilupperanno un progetto durante il semestre applicando a casi di studio reali i concetti appresi durante il corso. Le infrastrutture ospitate presso UNITN saranno utilizzate. Tutte le informazioni sono disponibili sul sito del corso.
Modalità d'esame
L'esame è project-based. La valutazione si baserà pertanto su quanto prodotto nell'ambito di un progetto (i.e., report, codice) che potrà essere integrato, se necessario, da una discussione orale per ulteriori approfondimenti. L’attività di progetto richiede lo sviluppo di software di high performance data science in accordo con le specifiche definite dal docente e la preparazione di un report di documentazione. Il progetto sarà valutato in termini di chiarezza, correttezza, qualità della soluzione software realizzata e della documentazione consegnata. Per gli studenti frequentanti il progetto sarà sviluppato durante il corso. La documentazione relativa al progetto dovrà essere consegnata almeno tre giorni prima della data di esame al fine di essere opportunamente valutata.
Testi di riferimento
Il materiale verrà preso da diverse fonti, tra cui: [1] "Introduction to Parallel Computing", by Ananth Grama, Vipin Kumar, Anshul Gupta, George Karypis - Publisher Pearson. [2] “An Introduction to Parallel Programming” by Peter Pacheco, Morgan Kaufmann (2011). [3] “Parallel Programming with MPI”. Peter S. Pacheco LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Grama, A. [et al.] (2003). Introduction to parallel computing (2. ed.). Pearson education. Pacheco, P. S., & Malensek, M. (2022). An introduction to parallel programming (2nd ed.). Morgan Kaufmann. Pacheco, P. S. (1997). Parallel programming with MPI. Morgan Kaufmann.
Codice insegnamento 50878_650743_94966
Human Computer Interaction
1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file
Il corso ha l'obiettivo generale di fornire agli/alle studenti/esse le nozioni di base relative all'interazione tra uomo e sistemi informatici. In particolare, il corso è focalizzato sui principi della metodologia…
Scheda dell'insegnamento
Obiettivi formativi
Il corso ha l'obiettivo generale di fornire agli/alle studenti/esse le nozioni di base relative all'interazione tra uomo e sistemi informatici. In particolare, il corso è focalizzato sui principi della metodologia della progettazione centrata sull'utente, e alla loro applicazione durante la progettazione e valutazione di interfacce di sistemi informatici di vario tipo e per diversi ambiti applicativi. A conclusione del corso, gli/le studenti/esse dovranno aver acquisito la capacità di: - Progettare e valutare criticamente l'interfaccia utente di un sistema informatico interattivo e le modalità di interazione da esso offerte - Usare strumenti, tecniche e modelli di procedure per la progettazione e la valutazione dell'interazione - Comprendere i bisogni e il ruolo dell'utente e relazionarli alla progettazione di sistemi interattivi usabili - Conoscere i fondamenti dei processi cognitivi umani e le loro implicazioni per la progettazione di interfacce interattive - Sviluppare prototipi di interfacce di siti web e applicazioni mobili considerandone l'usabilità e le specificità dell'interazione - Comprendere i concetti dell'accessibilità, inclusione e del Design Universale in relazione alla progettazione di sistemi interattivi
Programma
I temi delle lezioni frontali includeranno i seguenti argomenti: - Introduzione alla disciplina dell'interazione uomo-macchina - Usabilità ed esperienza utente - Paradigmi e tecnologie di interazione - Conoscere l'utente: i processi cognitivi - Conoscere l'utente: identificazione dei requisiti di sistema - Progettazione di interfacce visuali per l'utente - Progettazione e accessibilità - Progettazione emozionale - Progettare per l'errore - Prototipazione con strumenti software e con carta e penna - Valutazione dell'esperienza dell'utente - Interazione uomo-macchina, intelligenza artificiale, e l’Internet delle cose I laboratori verteranno principalmente sui seguenti argomenti: - Ricerca utente - Analisi di interfacce di sistemi informatici interattivi - Identificazione dei requisiti degli utenti - Prototipazione di interfacce visuali
L'attività didattica consiste di lezioni frontali (coadiuvate dall'uso di lucidi) e laboratori. Le lezioni frontali verteranno sulle teorie di base della disciplina dell'interazione uomo-macchina e sugli approcci metodologici per la progettazione di sistemi interattivi e per la valutazione critica dei problemi che saranno presentati come casi di studio. Le lezioni frontali includeranno interventi tenuti da esperti del mondo dell'industria. I laboratori consisteranno dell'applicazione pratica dei concetti teorici presentati durante le lezioni e dello svolgimento di esercizi. Ciò includerà l'apprendimento pratico di metodi per la progettazione, prototipazione e valutazione di interfacce interattive, sia con carta e penna che attraverso strumenti software. Durante il corso gli/le studenti/esse svolgeranno un lavoro di gruppo volto alla progettazione e alla valutazione di un sistema interattivo. Il risultato del lavoro di gruppo costituisce materia di esame. Il materiale didattico (lucidi, software, esercizi, materiale di approfondimento) sarà reso disponibile sul sito del corso. Il corso è tenuto in lingua inglese.
Modalità d'esame
Per superare l'esame lo studente dovrà dimostrare di: - aver compreso i principi base e le tecniche di progettazione e valutazione presentate durante il corso - saper applicare tali conoscenze in ambiti differenti ed in particolare al caso pratico affrontato durante il lavoro di gruppo L'esame è composto di una relazione di gruppo sul progetto svolto, il quale è incentrato sullo sviluppo di un prototipo di sistema interattivo a media fedeltà. La relazione deve includere il prototipo dell'artefatto interattivo progettato e un video di esso in azione. Il progetto consiste nell'applicazione pratica delle nozioni teoriche spiegate durante il corso. Tutta la documentazione relativa al progetto deve essere conservata in un repository online a cui il docente deve poter aver accesso. Tale documentazione può includere materiale audio-visuale delle interviste, i documenti relativi all'analisi dei dati raccolti, le varie versioni dei prototipi. La relazione consiste nella descrizione delle attività svolte, in relazione alle nozioni teoriche. I criteri per la valutazione del progetto e della relazione sono: 1) Coerenza e qualità dell'applicazione dei concetti teorici spiegati durante il corso; 2) Complessità e qualità del prototipo interattivo e qualità dell'interazione risultante in relazione al gruppo di utenti per cui è stato progettato; 3) Originalità, creatività, innovazione; 4) Qualità concettuale del contenuto, inclusi il livello della riflessione critica degli aspetti presentati, la spiegazione delle motivazioni, e la relazione agli aspetti teorici del corso; 5) Chiarezza del testo sia per quanto riguarda il contenuto sia per quanto riguarda l'esposizione (struttura, figure, tabelle) e la grammatica. Le relazioni possono essere scritte in italiano o in inglese.
Testi di riferimento
Il contenuto del corso e' basato su: 1) Sharp, H., Rogers, Y. & Preece, J. (2019). Interaction Design: beyond human-computer interaction. John Wiley & Sons, Inc. 5th edition. http://www.id-book.com/ 2) Jeff Johnson (2014). Designing with the Mind in Mind: Simple Guide to Understanding User Interface Design Guidelines - 2nd Edition 3) Pagine web e articoli scientifici indicati nei lucidi del corso Copie dei lucidi saranno disponibili sulla pagina Moodle del corso
Codice insegnamento 50879_650721_95427
ICT Innovation
1° anno · 2° semestre · 9 CFU · IINF-05/A · 0 file
Obiettivi di apprendimento generali - Creatività: Come risolvere i problemi quando non tutti i passaggi sono completamente specificati (questo è ciò che dovreste cercare di fare con il vostro risultato…
Scheda dell'insegnamento
Obiettivi formativi
Obiettivi di apprendimento generali - Creatività: Come risolvere i problemi quando non tutti i passaggi sono completamente specificati (questo è ciò che dovreste cercare di fare con il vostro risultato progettuale/architettonico). - Trasformazione intellettuale: Come trasformare un'idea in un prodotto (il primo passo del "brainstorming" è la vostra tela di ricerca, l'ultimo è il prodotto finale) utilizzando strumenti concettuali provenienti dall'economia, dall'ingegneria meccatronica e dall'informatica. - Leadership: Organizzatevi in un team e arrivate a realizzare un prodotto finale (dovreste cercare di fare leva sulle competenze degli altri). - Giudizio di valore: Decidere quali parti sono importanti e quali no anche sulla base di considerazioni etiche e sociali. Risultati di apprendimento previsti La partecipazione regolare e attiva alle attività didattiche offerte dal corso (lezioni, lavori di gruppo supervisionati e indipendenti in team multidisciplinari) consentirà agli studenti di: - Imparare le fasi chiave della progettazione e dello sviluppo del prodotto (PD&D). - Creare un concetto di prodotto che sarà presentato come idea canvas per illustrare i punti di forza del loro prodotto e la loro interazione con le parti interessate. - Progettare un'architettura dettagliata del prodotto e presentarla in un poster spiegando come funzionerà il loro prodotto e quali saranno i loro punti di forza. - Produrre un prodotto finale, poiché ogni team avrà a disposizione un piccolo budget per hardware/software e dovrà dimostrare un prodotto funzionante. - Commercializzare la propria idea concettuale in quanto i team dovranno interagire con i principali stakholder in modo da validare il mercato del prodotto che intendono progettare e costruire. Questo corso dovrebbe consentire agli studenti di sperimentare la creatività, la trasformazione intellettuale, la leadership e le capacità di giudizio che servono per trasformare un'idea in un prodotto funzionante e vendibile.
Programma
Questo corso illustra le fasi chiave della progettazione e dello sviluppo di un prodotto e guida gli studenti, formando team multidisciplinari, nello sviluppo di un "prodotto" piuttosto che di un semplice "progetto". Spesso vediamo belle dimostrazioni di ricerca di proof-of-concept di strumenti utili su riviste o siti web. Cosa serve per farli diventare un prodotto? Tutti possono vendere un bel concetto, se non è necessario costruirlo. Inoltre, chiunque può costruire un dispositivo straordinario se non deve venderlo. Questo corso impegnativo combina i due requisiti. Gli studenti devono parlare con i clienti per capire quali caratteristiche sono realmente necessarie e a quali costi. Gli studenti devono anche assicurarsi di essere in grado di fornire la soluzione tecnologica (che i clienti desiderano).
Gli istruttori utilizzeranno: presentazioni altamente interattive in stile lezione frontale, durante le quali gli studenti dovranno partecipare attivamente;esercitazioni di progetto affidate a gruppi multidisciplinari di studenti, che dovranno discutere, analizzare e presentare alla classe i risultati ottenuti.Challenge-based learning - coinvolgimento di aziende per lo sviluppo di prototipi basati su requisiti di mercato reali
Modalità d'esame
Un gruppo tipico comprende studenti laureati in Economia e Management, Informatica, Ingegneria elettronica e delle telecomunicazioni, Ingegneria meccanica e industriale. Questo corso è normalmente di 6 crediti ECTS per gli studenti di MSc iscritti a Trento o per gli studenti EIT/ICTLabs che entrano a Trento come studenti in uscita. Per gli altri studenti i crediti sono calcolati come segue: - Studenti EIT (9ECTS). Questo include la parte di Product Design and Development (PD&D) + i voti della EIT Summer School. - DISI "Studenti dell'innovazione ICT" (9ECTS). Questo richiede il superamento del PD&D e la stesura di una relazione tecnica sull'architettura e l'implementazione del prodotto. - DEM Studenti MAIN (8ECTS). Si richiede il superamento del PD&D e la stesura di una relazione commerciale sui clienti e sui mercati del prodotto. La valutazione della parte PD&D è organizzata come segue: - Sessione di poster sull'idea del concetto - Sessione di presentazione del design e dell'architettura del prodotto - Sessione di dimostrazione e prototipo del prodotto - Presentazione finale del materiale Fondamentale per il raggiungimento del voto massimo è la capacità del gruppo di dimostrare di aver parlato con le parti interessate (come insegnato nel corso) e che la loro soluzione tecnica soddisfa effettivamente i requisiti che hanno segnalato.
Testi di riferimento
Materiale didattico: · Karl T. Ulrich and Steven D. Eppinger. Product Design and Development. 7th edition, Irwin McGraw-Hill, 2020. · Ulteriore materiale didattico e letture verranno postati sulla pagina Moodle dai docenti del corso.
Codice insegnamento 50879_650735_91617
Innovation and Business in ICT
1° anno · 1° semestre · 6 CFU · ECON-08/A · 0 file
Il corso è finalizzato allo sviluppo della comprensione teorica e pratica dell'innovazione e del processo imprenditoriale dalla generazione dell'idea allo sviluppo del business. È rivolto agli studenti che vogliono…
Scheda dell'insegnamento
Obiettivi formativi
Il corso è finalizzato allo sviluppo della comprensione teorica e pratica dell'innovazione e del processo imprenditoriale dalla generazione dell'idea allo sviluppo del business. È rivolto agli studenti che vogliono iniziare a fare pratica con il percorso imprenditoriale e a coloro che vogliono familiarizzare con gli strumenti necessari per avviare un'impresa o sviluppare idee innovative in aziende esistenti. Il corso mira ad aiutare gli studenti a mitigare i rischi associati al lancio di un nuovo prodotto sul mercato favorendo lo sviluppo di idee imprenditoriali che offrano soluzioni innovative a problemi specifici all'interno di un segmento di mercato mirato. Il corso aiuterà gli studenti a sviluppare competenze sia hard (business modeling, marketing, finanza) che soft (pensiero creativo, strategia, pitching) Al termine del corso gli studenti saranno in grado di: - creare bozze di modelli di business sostenibili partendo da un'idea e/o da un prodotto - comprendere le fasi/fasi del processo imprenditoriale dalla percezione iniziale di un'idea innovativa alla sua realizzazione in un mercato - identificare e valutare le opportunità imprenditoriali e di innovazione - riflettere le sfide che gli imprenditori e gli innovatori devono affrontare, le risorse e le competenze di cui hanno bisogno per sviluppare nuove idee in ambienti incerti - valutare criticamente i modelli e le strategie di business alternativi dell'innovazione che gli imprenditori possono adottare per trarre vantaggio dal valore delle nuove idee -mostrare abilità migliorate in termini di pensiero critico, lavoro di gruppo e pitching - come applicare gli strumenti di base di analisi di mercato, modellazione finanziaria, analisi dei flussi di cassa, gestione dei progetti alla tua idea imprenditoriale innovativa. - come comunicare efficacemente il tuo progetto a compagni di squadra, stakeholder e mentors
Programma
il corso introdurrà i seguenti contenuti: InnovationCreativity and IdeationCustomer DevelopmentBusiness modellingEntrepreneurial marketingEntrepreneurial financeEntrepreneurial funding
il corso utilizzerà diverse metodologie didattiche: apprendimento autonomo attraverso compiti lezioni frontali imparare facendo, sessioni di mentoring Il corso incoraggerà fortemente un approccio informale, la discussione aperta e il lavoro di gruppo. Gli studenti impossibilitati a frequentare il corso sono pregati di contattare il docente
Modalità d'esame
a valutazione finale del corso si compone di due elaborati: Rapporto sull'idea di business (vale il 30% del voto totale) Presentazione di un'idea di business (vale il 70% del voto totale) Gli studenti impossibilitati a frequentare il corso sono pregati di contattare il docente per definire le modalità di esame
Testi di riferimento
Reference texts/Bibliography Books De Bono, serious creativity, 2015Clayton Christensen, The innovator’s dilemma, 2015Eric Rise, The Lean startup, 2011Alexander Osterwalder & Yves Pigneur, Business Model Generation, 2010John Bessant and Joe Tidd, Innovation and Entrepreneurship, 2015 (pp 357-375)Steve Blank and Bob Dorf, The startup Owner’s Manual: The Startup Owner’s Manual: The Step-by-Step Guide for Building a Great Company (2012) Allan Afuah, Business Model Innovation, Concepts, Analysis and casesThomas Byers, Richard Dorf , and Andrew Nelson, Technology Ventures: From Idea to Enterprise (2018)John Mullins, The New Business Road Test: What Entrepreneurs and Executives Should Do Before Writing a Business Plan (2010) Articles Steve Blank - Why the Lean Start-Up Changes Everything https://hbr.org/2013/05/why-the-lean-start-up-changes-everythingN. Taylor Thompson - Building a Minimum Viable Product? You’re Probably Doing it Wrong https://hbr.org/2013/09/building-a-minimum-viable-prodJohn Hagel III and Marc Singer - Unbundling the Corporation https://hbr.org/1999/03/unbundling-the-corporationPorter, M., (1996): What is Strategy (http://hbr.org/1996/11/what-is-strategy/ar/1)McGrath, R., (2013): Transient Advantage (http://hbr.org/2013/06/transient-advantage)Olson, M., et al. (2008): When Growth Stalls (http://hbr.org/2008/03/when-growth-stalls/ar/1)Christensen, C., et al. (2007): Finding the Right Jobs For Your Product (http://sloanreview.mit.edu/article/finding-the-right-job-for-your-product/)Johnson, M., et al. (2008): Reinventing Your Business Model (http://hbr.org/2008/12/reinventing-your-business-model/ar/1) ‘@130624 aggiungo Dominic Dodd and Ken Favaro (2006): Managing the Right Tensionhttps://hbr.org/2006/12/managing-the-right-tension
Codice insegnamento 50880_650703_93698
Innovation and Entrepreneurship Basic
1° anno · 1° semestre · 6 CFU · ECON-08/A · 0 file
The goal of the course is to provide students with fundamentals in the field of innovation theory and entrepreneurial practice (I&E) applied to the computing disciplines. The course has a particular emphasis on…
Scheda dell'insegnamento
Obiettivi formativi
The goal of the course is to provide students with fundamentals in the field of innovation theory and entrepreneurial practice (I&E) applied to the computing disciplines. The course has a particular emphasis on developing a critical understanding of innovation, entrepreneurship, and social impacts of computing, meaning that the course does not only build fundamental knowledge, but also situates it in current socio-technical debates, and tries to encourage developing a mindset that questions current narratives of innovation. The course also aims to develop, through its teaching and assessment modes, “soft skills” such as clear presentation and writing, creativity, and critical thinking. At the end of the course, students will be able to: - Discuss the main trends and “waves” that characterised digital entrepreneurship; - Analyse key technological macro-trends, and possible future evolutions of these trends; - Create or reconstruct rough drafts of business models starting from existing ideas and/or products; - Create simple scenarios that explore potential impacts and developments of ideas and/or products; - Discuss the roles and impacts of contemporary entrepreneurship in society; - Discuss the enabling role of technology — both positive and negative — in society; - Discuss the main ethical implications of innovations, business models and technologies; - Create presentations with a clear message and logical flow of arguments; - Present, defend, and articulate ideas in public; - Positively work in a group setting, managing deadlines and internal group dynamics.
Programma
The course will introduce the following key contents (not necessarily in this order): - What is innovation and entrepreneurship - Technology Entrepreneurship - Entrepreneurial mindset - Elements of business modelling and business model innovation - Venture Financing - Digital Transformation - Epistemology of innovation - Elements of futures studies - Social impacts of computing and innovation - Ethics of technology - Social innovation - Elements of creative writing - Critical Thinking
The course uses different teaching methodologies: - Highly interactive lectures on innovation theory and entrepreneurial practice - Flipped classrooms - Guest lectures (entrepreneurial testimonials, specialist lectures) - In-class group debates/discussions (inspired by the "Technology Battles" model) - Online and in-person live exercises The IEB course is offered by default in attending mode only. Attending students have a soft requirement of regularly being present at classes (>75% presence). Active participation is required and rewarded in all classes and group work. The general approach of the course will be more "qualitative" than "quantitative", adopting a logic of "no question is wrong" during the lectures. Students should see the course as a co-creation endeavour, where they can and should take ownership of the course together with the teaching staff. We kindly ask all students wishing to take the exam as non-attending to get in touch with the course lecturers to confirm the exam modes. The course participates in the University’s experimentation on Blended Learning. Part of the course will be taught in a “flipped classroom” mode, where students will be asked to familiarise with material before the class, to be later discussed in class. The course will also offer online mentoring slots as a support for all the evaluated activities.
Modalità d'esame
The evaluation of each attending student will be composed of: - A short structured exercise that applies the concepts studied in the course’s theory block, presented orally at the middle of the course (up to 6 marks). - A group presentation, as part of the “tech battles”, done in two iterations: 1. during the battle itself (where both battle teams receive up to 4 marks); 2. at the end of the course, in an iterated version that should include lessons learned from the battle itself, and representing the team’s reconciliation of the dilemma explored in the battle (each team receiving up to 10 marks). - A presentation on an I&E topic chosen by the student (up to 15 marks). The presentation is normally done individually but, should the course have a high number of students, the teachers may open to the option of doing presentations in pairs. For non-attending students, the evaluation will be composed of: - A poster which visually summarizes one of the Technology Battles done in class (up to 10 marks) - An accompanying short paper for the poster (up to 5 marks) - A presentation on a possible reconciliation of the controversy in the Technology Battle (up to 20 marks). All marks above 30 are converted to 30 cum laude. The course’s evaluation strategy includes a 4-5 marks buffer to compensate for the course’s rigorous grading policy. The non-attending exam is granted only under exceptional circumstances, and is negotiated individually with the course’s lecturers. We discourage taking the non-attending exam because, in our experience, students that attend the course are able to fulfil the course’s learning objectives substantially more effectively. Once more: we kindly ask all students wishing to take the exam as non-attending to get in touch with the course lecturers to confirm the exam modes. The teachers will provide templates for the various exam components in due time. All written documents are evaluated based on criteria of: - Correctness (presents factual, verifiable, correct information which is adequately referenced) - Completeness (shows comprehensive knowledge and ability to connect properly with other topics) - Exposition (presentation is clear, lean; language is used appropriately) - Argumentation (arguments are presented logically, shows critical thinking, and outlines key trade-offs) Presentations are evaluated on the same criteria, and equal weight is given to the presentation’s content, its delivery, and how students answer to questions posed by the jury. A particular emphasis is put on respecting the presentation’s allotted timing and having a clear main message, opening, and closing. Each student deliverable must be accompanied by a Generative Tools Statement, which declares if and how students used generative tools such as ChatGPT. The Statement is not part of the evaluation of the deliverables, but is a prerequisite required before their evaluation, where it could be “compliant” or “non-compliant”. Details on how to fill the Generative Tools Statement are available on the course’s Moodle page.
Testi di riferimento
The course organically develops its reference literature and theoretical framework according to the needs of the students. Selected readings are published on the course’s Moodle page. As a general reference, the following readings are suggested and will be referenced in parts during the courses. Books - Ted Chiang, Exhalation, 2019 - Bruno Latour, Science in Action, 1987 - Clayton Christensen, The innovator's dilemma, 1997 - Peter Drucker, Innovation and Entrepreneurship, 2014 - Nicholas Taleb, The Black Swan, 2007 - Fieke Harinck and Esther Van Leeuwen, The Art of Presenting, 2020 - Roberto Poli, Lavorare con Il Futuro (en: Working with the Future), 2020 - Joshua Schimel, Writing Science, 2011 - Mike Hazas and Lisa Nathan, Digital Technology and Sustainability: Engaging the Paradox, 2017 Papers - Geissdoerfer, Martin, et al., 2018. ‘Sustainable Business Model Innovation: A Review’. Journal of Cleaner Production 198 (October): 401–16. https://doi.org/10.1016/j.jclepro.2018.06.240. - Angeli, Lorenzo, et al., 2020. ‘Prove Me Wrong! How Debating Becomes the Secret Weapon to Teach ICT Students Innovation and Entrepreneurship’. In 2020 IEEE International Conference on Teaching, Assessment, and Learning for Engineering (TALE), 173–80. Takamatsu, Japan: IEEE. https://doi.org/10.1109/TALE48869.2020.9368481. - Bonifacio, Matteo et al., 2017. "Enacting Divergent Learning Dynamics In Teamworking: The Case Of Technology Battles”. Proceedings of EduLearn 2017. doi:10.21125/edulearn.2017.2416 - Bonifacio, Matteo. 2014. “Social Innovation: A Novel Policy Stream or a Policy Compromise? An EU Perspective.” European Review 22 (1): 145–69. doi:10.1017/S1062798713000707. - Callon, Michel. 1986. “Some Elements of a Sociology of Translation: Domestication of the Scallops and the Fishermen of St. Brieuc Bay.” Power, Action, and Belief: A New Sociology of Knowledge 32: 196–223. - Brown, John Seely, and Paul Duguid. 1991. “Organizational Learning and Communities-of-Practice: Toward a Unified View of Working, Learning, and Innovation.” Organization Science 2 (1): 40–57. doi:10.1287/orsc.2.1.40. - Nonaka, Ikujiro, and H. Takeuchi. 1997. “The Knowledge-Creating Company.” The Economic Impact of Knowledge, 183. - Simon, Herbert A. 1976. “From Substantive to Procedural Rationality.” In 25 Years of Economic Theory, 65–86. Springer, Boston, MA. doi:10.1007/978-1-4613-4367-7 - Cohen, Michael D., James G. March, and Johan P. Olsen. 1972. “A Garbage Can Model of Organizational Choice.” Administrative Science Quarterly 17 (1): 1–25. doi:10.2307/2392088. - March, James G. 1991. “Exploration and Exploitation in Organizational Learning.” Organization Science 2 (1): 71–87. doi:10.1287/orsc.2.1.71. - Daft, Richard L., and Karl E. Weick. 1984. “Toward a Model of Organizations as Interpretation Systems.” Academy of Management Review 9 (2): 284–295. - Katz, Michael L., and Carl Shapiro. 1994. “Systems Competition and Network Effects.” The Journal of Economic Perspectives 8 (2): 93–115. - Van Maanen, John. "Observations on the making of policemen." Human organization 32.4 (1973): 407-418. - Weick, Karl E. "The collapse of sensemaking in organizations: The Mann Gulch disaster." Administrative science quarterly (1993): 628-652. - Lynch, M. “STS, symmetry and post-truth”; Social Studies of Science (2017); https://doi.org/10.1177/0306312717720308 - Zuckerman, E. “QAnon and the Emergence of the Unreal”; MIT Journal of Design and Science (2019); https://doi.org/10.21428/7808da6b.6b8a82b9 - Costanza-Chock, S. “Design Justice, A.I., and Escape from the Matrix of Domination” (2018) https://doi.org/10.21428/96c8d426 LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Chiang, T. (2020). Exhalation. Picador. Latour, B. (1987). Science in action : how to follow scientists and engineers through society. Harvard University press. Christensen, C. M. (2000). The innovator’s dilemma : the revolutionary book that will change the way you do business. Harper Business. Drucker, P. F. (1993). Innovation and entrepreneurship : practice and principles. Harper. Taleb, N. N. (2007). The black swan : the impact of the highly improbable. Random house. Harinck, F., & Leeuwen, E. A. C. van. (2020). The art of presenting : delivering successful presentations in the social sciences and humanities. Cambridge university press. Poli, R. (2019). Working with the future : ideas and tools to govern uncertainty (International ed.). EGEA. Schimel, J. (2012). Writing science : how to write papers that get cited and proposals that get funded. Oxford university press. Hazas, M., & Nathan, L. P. (2018). Digital technology and sustainability : engaging the paradox. Routledge. Geissdoerfer, M., Vladimirova, D., & Evans, S. (2018). Sustainable Business Model Innovation: A Review. Journal of Cleaner Production, 198, 401-416. Angeli, L. [et al.] (2020). Prove Me Wrong! How Debating Becomes the Secret Weapon to Teach ICT Students Innovation and Entrepreneurship. IEEE International Conference on Teaching, Assessment, and Learning for Engineering (TALE), 173-180. Bonifacio, M., Angeli, L. & Stoycheva, M. (2017). Enacting Divergent Learning Dynamics in Teamworking: The Case of Technology Battles. EDULEARN17 Proceedings, 6244-6253. Bonifacio, M. (2014). Social Innovation: A Novel Policy Stream or a Policy Compromise? An EU Perspective. European Review, 22 (1), 145-169. Callon, M. (1984), Some elements of a sociology of translation: Domestication of the scallops and the fishermen of St Brieuc Bay. The Sociological Review, 32, 196-233. Brown, J. S., & Duguid, P. (1991). Organizational Learning and Communities-of-Practice: Toward a Unified View of Working, Learning, and Innovation. Organization Science, 2 (1), 40-57. Nonaka, I. (1991). The Knowledge-Creating Company. Harvard Business Review, 69 (6), 96-104. Simon, H. A. (1976). From Substantive to Procedural Rationality. 25 Years of Economic Theory, Pringer, 65–86. Cohen, M. D., March, J. G., & Olsen, J. P. (1972). A Garbage Can Model of Organizational Choice. Administrative Science Quarterly, 17 (1), 1-25. March, J. G. (1991). Exploration and Exploitation in Organizational Learning. Organization Science, 2 (1), 71-87. Daft, R. L., & Weick, K. E. (1984). Toward a Model of Organizations as Interpretation Systems. Academy of Management Review, 9 (2), 284-295. Katz, M. L., & Shapiro, C. (1994). Systems Competition and Network Effects. The Journal of Economic Perspectives, 8 (2), 93-115. Van Maanen, J. (1973). Observations on the Making of Policemen. Human Organization, 32 (4), 407-418. Weick, K. E. (1993). The Collapse of Sensemaking in Organizations: The Mann Gulch Disaster. Administrative Science Quarterly, 38 (4), 628-652. Lynch, M. (2017). STS, symmetry and post-truth. Social Studies of Science, 47 (4), 593-599. Zuckerman, E. (2019). QAnon and the Emergence of the Unreal. Journal of Design and Science, 6. Costanza-Chock, S. (2018). Design Justice, A.I., and Escape from the Matrix of Domination. Journal of Design and Science, 3.5.
Codice insegnamento 50879_650786_93218
Introduction to Computer and Network Security
1° anno · 1° semestre · 6 CFU · INFO-01/A · 0 file
Corso introduttivo alla disciplina della sicurezza di reti e dispositivi informatici. Gli obiettivi principali sono permettere agli studenti di (i) comprendere i problemi teoretici e pratici della sicurezza…
Scheda dell'insegnamento
Obiettivi formativi
Corso introduttivo alla disciplina della sicurezza di reti e dispositivi informatici. Gli obiettivi principali sono permettere agli studenti di (i) comprendere i problemi teoretici e pratici della sicurezza dell'informazione, (ii) comprendere e riconoscere le minacce alle proprietà fondamentali della sicurezza: confidenzialità, integrità, e disponibilità - e (iii) comprendere come i principali meccanismi di sicurezza (quali crittografia, protocolli di autenticazione, autorizzazione, e controllo degli accessi) possono essere applicati per mitigare vulnerabilità.
Programma
Nozioni di base di sicurezza: la triade CIA, politiche di sicurezza e relativi meccanismi / servizi, rischio, fattore umano, gestione dei rischi Identità digitale: identificazione, autenticazione, password, livelli di assurance, autenticazione contestuale, Single Sign On, standard per l'autenticazione: SAML, SPID, eIDAS Controllo degli accessi: politiche, modelli, meccanismi di enforcement; panoramica sui modelli per il controllo degli accessi: Matrix model, Access Control Lists, Capabilities, Discretionary/Mandatory/Role-Based Access Control, Attribute-Based Access Control (ABAC); paradigma di riferimento per l'enforcement di politiche di controllo degli accessi ABAC: eXtensible Access Control Markup Language (XACML); protocollo di delega dell'autorizzazione: OAuth. Introduzione alla Crittografia: breve storia, nozioni di base, crittografia simmetrica ed asimmetrica, AES, DES, RSA, Diffie-Hellman Crittografia applicata-PKI & TLS: firme digitali, certificati, infrastruttura a chiave pubblica (PKI), cenni del protocollo SSL/TLS e relativi problemi di sicurezza Sicurezza del web ed IoT: browser, cookie, politica same-origin, vulnerabilità lato client e lato server (ad esempio cross-site scripting, injection, fishing); modello Publish-Subscribe, protocollo MQTT, broker MQTT e relative vulnerabilità Approccio Zero Trust alla sicurezza Privacy e protezione dei dati: tecniche di pseudo-anonimizzazione (ad esempio k-anonymity) e la General Data Protection Regulation Problemi di sicurezza e privacy degli algoritmi di Intelligenza Artificiale, in particolare del Machine Learning
Un misto di lezioni teoriche, esercizi ed analisi di incidenti di sicurezza reali.
Modalità d'esame
Un esame scritto (eventualmente suddiviso in moduli) al termine del corso, composto da esercizi, domande a risposta multipla o domande a risposta aperta sugli argomenti trattati durante il corso.
Testi di riferimento
Presentazioni e puntatori a materiale aggiuntivo, inclusa una selezione degli esami passati, saranno messi a disposizione sulla pagina Moodle del corso.
Codice insegnamento 50879_650761_93219
Introduction to Computer and Network Security
1° anno · 1° semestre · 6 CFU · INFO-01/A · 0 file
Corso introduttivo alla disciplina della sicurezza di reti e dispositivi informatici. Gli obiettivi principali sono permettere agli studenti di (i) comprendere i problemi teoretici e pratici della sicurezza…
Scheda dell'insegnamento
Obiettivi formativi
Corso introduttivo alla disciplina della sicurezza di reti e dispositivi informatici. Gli obiettivi principali sono permettere agli studenti di (i) comprendere i problemi teoretici e pratici della sicurezza dell'informazione, (ii) comprendere e riconoscere le minacce alle proprietà fondamentali della sicurezza: confidenzialità, integrità, e disponibilità - e (iii) comprendere come i principali meccanismi di sicurezza (quali crittografia, protocolli di autenticazione, autorizzazione, e controllo degli accessi) possono essere applicati per mitigare vulnerabilità.
Programma
Nozioni di base di sicurezza: la triade CIA, politiche di sicurezza e relativi meccanismi / servizi, rischio, fattore umano, gestione dei rischi Identità digitale: identificazione, autenticazione, password, livelli di assurance, autenticazione contestuale, Single Sign On, standard per l'autenticazione: SAML, SPID, eIDAS Controllo degli accessi: politiche, modelli, meccanismi di enforcement; panoramica sui modelli per il controllo degli accessi: Matrix model, Access Control Lists, Capabilities, Discretionary/Mandatory/Role-Based Access Control, Attribute-Based Access Control (ABAC); paradigma di riferimento per l'enforcement di politiche di controllo degli accessi ABAC: eXtensible Access Control Markup Language (XACML); protocollo di delega dell'autorizzazione: OAuth. Introduzione alla Crittografia: breve storia, nozioni di base, crittografia simmetrica ed asimmetrica, AES, DES, RSA, Diffie-Hellman Crittografia applicata-PKI & TLS: firme digitali, certificati, infrastruttura a chiave pubblica (PKI), cenni del protocollo SSL/TLS e relativi problemi di sicurezza Sicurezza del web ed IoT: browser, cookie, politica same-origin, vulnerabilità lato client e lato server (ad esempio cross-site scripting, injection, fishing); modello Publish-Subscribe, protocollo MQTT, broker MQTT e relative vulnerabilità Approccio Zero Trust alla sicurezza Privacy e protezione dei dati: tecniche di pseudo-anonimizzazione (ad esempio k-anonymity) e la General Data Protection Regulation Problemi di sicurezza e privacy degli algoritmi di Intelligenza Artificiale, in particolare del Machine Learning
Un misto di lezioni teoriche, esercizi ed analisi di incidenti di sicurezza reali.
Modalità d'esame
Un esame scritto (eventualmente suddiviso in moduli) al termine del corso, composto da esercizi, domande a risposta multipla o domande a risposta aperta sugli argomenti trattati durante il corso.
Testi di riferimento
Presentazioni e puntatori a materiale aggiuntivo, inclusa una selezione degli esami passati, saranno messi a disposizione sulla pagina Moodle del corso.
Codice insegnamento 50880_650761_93219
Knowledge Discovery and Pattern Extraction
1° anno · 2° semestre · 6 CFU · INFO-01/A · 0 file
[tradotto da AI] In questo corso diventeremo tutti moderni Sherlock Holmes e Miss Marple. Per farlo, svilupperemo una delle competenze più importanti, se non la più importante, nel mercato del lavoro di oggi: comprendere…
Scheda dell'insegnamento
Obiettivi formativi
[tradotto da AI] In questo corso diventeremo tutti moderni Sherlock Holmes e Miss Marple. Per farlo, svilupperemo una delle competenze più importanti, se non la più importante, nel mercato del lavoro di oggi: comprendere e estrarre conoscenze dai dati. Imparerai a seguire le tracce dei dati, a individuare indizi nel rumore e a mettere insieme storie che portano a intuizioni utili. Attraverso esempi coinvolgenti e laboratori interattivi, demistificheremo concetti intimidatori e daremo agli studenti gli strumenti per utilizzare i dati come strumenti investigativi per risolvere problemi complessi e di grande importanza in diversi settori. Il corso enfatizza un approccio pratico e operativo, concentrandosi sull'analisi statistica, il data mining, il machine learning e la visualizzazione dei dati. L'obiettivo è fornirti le competenze per prendere decisioni basate sui dati, scoprire schemi e costruire modelli che spiegano la realtà. Alla fine del corso avrai imparato a padroneggiare argomenti con cui spesso gli studenti hanno difficoltà, come alcuni aspetti della statistica e della progettazione di esperimenti. - Comprendere i concetti fondamentali e le tecniche utilizzate per analizzare i dati. - Applicare tecniche di pre-elaborazione dei dati come pulizia, normalizzazione e trasformazione. - Utilizzare l'analisi esplorativa dei dati per estrarre informazioni dai dataset. - Comprendere e implementare modelli statistici di base. - Sviluppare modelli di machine learning per interpretare i dati. - Utilizzare strumenti di visualizzazione dei dati per comunicare i risultati in modo efficace. - Comprendere le considerazioni etiche e i limiti nel lavoro con i dati. - Utilizzare grandi modelli per estrarre iterativamente schemi interessanti da dati strutturati e non strutturati. - Mettere tutto insieme per risolvere misteri complessi, dove la verità è nascosta tra più dataset e documenti.
Programma
Questo corso introduce gli studenti all'analisi dei dati come un processo di indagine, dove raccolgono,analizzano ed estraggono intuizioni dai dati, proprio come i detective trovano indizi per risolvere misteri. I principali argomenti trattati includono: Data cleaning and transformationExploratory Data Analysis (EDA)Statistics and probability for decision-makingExplainable Machine learning and Data Mining techniques Time series analysis for detecting patterns over timeData storytelling and presentationEthics in data scienceGenAI and LLMs for pattern extraction Il corso include laboratori pratici e culmina in un progetto finale in cui gli studenti applicano le tecniche apprese per risolvere un complesso problema di dati.
lezioni e attività di laboratorio
Modalità d'esame
- Esercizi (Clue-Solving Labs) e midterm: 40% - Esame finale: 50% - Partecipazione attiva in classe: 10%
Testi di riferimento
Il materials sara' disponibile prima del corso a https://reliableai.github.io/
Codice insegnamento 50879_650720_96680
Knowledge Discovery and Pattern Extraction
1° anno · 2° semestre · 6 CFU · INFO-01/A · 0 file
[tradotto da AI] In questo corso diventeremo tutti moderni Sherlock Holmes e Miss Marple. Per farlo, svilupperemo una delle competenze più importanti, se non la più importante, nel mercato del lavoro di oggi: comprendere…
Scheda dell'insegnamento
Obiettivi formativi
[tradotto da AI] In questo corso diventeremo tutti moderni Sherlock Holmes e Miss Marple. Per farlo, svilupperemo una delle competenze più importanti, se non la più importante, nel mercato del lavoro di oggi: comprendere e estrarre conoscenze dai dati. Imparerai a seguire le tracce dei dati, a individuare indizi nel rumore e a mettere insieme storie che portano a intuizioni utili. Attraverso esempi coinvolgenti e laboratori interattivi, demistificheremo concetti intimidatori e daremo agli studenti gli strumenti per utilizzare i dati come strumenti investigativi per risolvere problemi complessi e di grande importanza in diversi settori. Il corso enfatizza un approccio pratico e operativo, concentrandosi sull'analisi statistica, il data mining, il machine learning e la visualizzazione dei dati. L'obiettivo è fornirti le competenze per prendere decisioni basate sui dati, scoprire schemi e costruire modelli che spiegano la realtà. Alla fine del corso avrai imparato a padroneggiare argomenti con cui spesso gli studenti hanno difficoltà, come alcuni aspetti della statistica e della progettazione di esperimenti. - Comprendere i concetti fondamentali e le tecniche utilizzate per analizzare i dati. - Applicare tecniche di pre-elaborazione dei dati come pulizia, normalizzazione e trasformazione. - Utilizzare l'analisi esplorativa dei dati per estrarre informazioni dai dataset. - Comprendere e implementare modelli statistici di base. - Sviluppare modelli di machine learning per interpretare i dati. - Utilizzare strumenti di visualizzazione dei dati per comunicare i risultati in modo efficace. - Comprendere le considerazioni etiche e i limiti nel lavoro con i dati. - Utilizzare grandi modelli per estrarre iterativamente schemi interessanti da dati strutturati e non strutturati. - Mettere tutto insieme per risolvere misteri complessi, dove la verità è nascosta tra più dataset e documenti.
Programma
Questo corso introduce gli studenti all'analisi dei dati come un processo di indagine, dove raccolgono,analizzano ed estraggono intuizioni dai dati, proprio come i detective trovano indizi per risolvere misteri. I principali argomenti trattati includono: Data cleaning and transformationExploratory Data Analysis (EDA)Statistics and probability for decision-makingExplainable Machine learning and Data Mining techniques Time series analysis for detecting patterns over timeData storytelling and presentationEthics in data scienceGenAI and LLMs for pattern extraction Il corso include laboratori pratici e culmina in un progetto finale in cui gli studenti applicano le tecniche apprese per risolvere un complesso problema di dati.
lezioni e attività di laboratorio
Modalità d'esame
- Esercizi (Clue-Solving Labs) e midterm: 40% - Esame finale: 50% - Partecipazione attiva in classe: 10%
Testi di riferimento
Il materials sara' disponibile prima del corso a https://reliableai.github.io/
Codice insegnamento 50880_650720_96680
Knowledge Graphs
1° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file
Il corso mira a fornire allo studente gli strumenti, metodologie e tecnologie, necessarie per affrontare con successo e minimo sforzo il problema della costruzione di un Knowledge Graph (KG) Il corso è suddiviso in tre…
Scheda dell'insegnamento
Obiettivi formativi
Il corso mira a fornire allo studente gli strumenti, metodologie e tecnologie, necessarie per affrontare con successo e minimo sforzo il problema della costruzione di un Knowledge Graph (KG) Il corso è suddiviso in tre parti. Una prima parte in cui si descrive lo stato dell'arte nello sviluppo dei knowledge graphs, problematiche, tipologie, linguaggi, standard e tool. Una seconda parte in cui verrà insegnata una metodologia di riferimento per lo sviluppo efficace ed effettivo di knowledge graph. Nella terza parte la metodologia verrà instanziata in un progetto di sviluppo di un knowledge graph.
Programma
Questo corso si focalizza sulla generazione di un Knowledge Graph (KG) partendo da contenuti per lo più esistenti in rete o in dataset non pubblici (possibilmente, anche dati personali opportunamente anonimizzati). Le principali aree coperte sono: un'introduzione estensiva allo stato dell';arte nello sviluppo di KGs, una metodologia generale per la generazione di KG, risorse linguistiche, ontologie e datasets in genere, tools e librerie necessarie per il riuso di risorse esistenti e per lo sviluppo di KGs. Questo è un corso con un forte contenuto hands-on, focalizzato su attività di laboratorio e sperimentazioni. Gli studenti dovranno sviluppare autonomamente le loro soluzioni. Le lezioni teoriche, ivi incluse le slide che verranno rese disponibili, vanno intese come introduttive e propedeutiche all'attività di apprendimento hands-on. Gli studenti sceglieranno (fra quelli disponibili) un problema da risolvere e dovranno generare un KG che lo risolve partendo dalle risorse disponibili, preferibilmente durante il corso. Data la natura del corso, è consigliata un'alta partecipazione e un coinvolgimento attivo degli studenti.
La parte centrale del corso sarà focalizzata sullo sviluppo di software e modelli software. Le tematiche e attività che saranno coperte saranno introdotte incrementalmente, durante tutta la durata del corso, immediatamente precedenti al loro uso. Questo lavoro sarà preceduto da una fase iniziale dove tutti i concetti, nozioni rilevanti verranno introdotti ed esemplificati.
Modalità d'esame
L'esame consisterà nello sviluppo di un knowledge graph e nella sua documentazione tramite metadati e documentazione testuale. Tutti i contenuti saranno pubblicati sul repository del corso e resi disponibili agli studenti degli anni futuri. La prova orale sarà opzionale e focalizzata sulla;eventuale chiarificazione di contenuti non chiari all'interno del sito consegnato come prova d'esame.
Testi di riferimento
Non ci sono testi di riferimento. Durante il corso verranno fornite delle slide che però, a causa della natura applicativa del corso, potranno non essere esaustive. Lo studente, con il supporto del docente, dovrà trovare in rete il materiale necessario. Le slides contengono citazioni al materiale rilevante ritrovabile in rete.
Codice insegnamento 50880_652901_97138
Laboratory of Computing for Social Impact
1° anno · 1° semestre · 6 CFU · IINF-01/A · 0 file
This course guides computing students to understand and acquire hands-on experience with the wide-ranging social impacts of any computing activity. Located at the intersection of computing and sociology of technology,…
Scheda dell'insegnamento
Obiettivi formativi
This course guides computing students to understand and acquire hands-on experience with the wide-ranging social impacts of any computing activity. Located at the intersection of computing and sociology of technology, the course combines software engineering with theoretical reflections and class discussions. The course aims to teach students that there is no such thing as a purely technical choice: in the digital domain, no technology is neutral, nothing is “just a tool”, all implementation choices have social impacts, all technologies create a legacy, and everything has embedded values. By the end of the course, students be able to: Discuss the main ways through which computing has social impacts Discuss what “technological sustainability” is and how to design for it Discuss how sustainability in computing involves at multiple dimensions, going beyond the triple bottom line of economical, social, and environmental sustainability Analyse existing case studies of digital technologies designed for social impact Design and create their own socially-aware computing project Critically reflect on the implementation of their project Defend their implementation ideas and choices, and reflect critically on their impacts
Programma
The course will start with a brief introductory module introducing how computing can have social and planetary impacts, degrees of dedication to impact (e.g., free software and open source), and introduce, where appropriate, theories and techniques that can be used to frame social impacts of computing. Most of the course will explore different ways computing can have a social impact, covering specific content based on students’ interests. Some examples could be: “Frugal” computing (computing within limits, permacomputing, …) Small-scale convivial technologies (“the small web”, tilde servers, …) Intermittent computing (solar protocol, low tech magazine, …) Technology enabling fringe communities (secure scuttlebutt, nostr, …) Peer-to-peer/distributed community services (community networks, infrastructure-less services, …) Technology preservation and retrocomputing (MOOs, fantasy computers, …) Repair/upcycling projects Digital platforms with strong embedded social values (e.g., Warmshowers, Breeze social, …) Computing for frontier art (Interactive Fiction, the demoscene, …) A substantial part of the course’s content is negotiated ad hoc, based on the students’ interest and what projects they are considering implementing.
The course primarily features extended semi-structured in-class discussions. In most sessions, students will be asked to familiarise themselves with readings and/or some case study technologies before class, to then discuss them in groups and in plenary. Some classes will be dedicated to imagining (re)designs of technologies, analysing case study technologies for social impacts, understanding their current limitations and discussing how its ideas could be furthered. On occasion, the course will see the participation of external experts taking the role of discussion facilitators. The course participates in the University of Trento’s experimental programme on Blended Learning. Towards the latter part of the course, a substantial amount of scheduled class time will be dedicated to online mentoring for student projects, either solo, or in small groups. The course will also feature a number of optional long-form workshops to help students go deeper in the course’s core topics. Workshops will feature immersive activities, including larp (live action roleplaying) scenarios.
Modalità d'esame
The course is marked on the standard Italian 0-30 scale, with marks above 30 granting a “30 e Lode”. The pass mark is obtained with an overall evaluation above 18 marks, and the course has 36 points achievable. For students who can design and develop software, the evaluation is made of two main components. At the core of the course’s evaluation is a software project, graded on a 0-15 scale. Projects can be done solo, in pairs, or in triplets. The topic of the project is defined ad-hoc with the lecturer, and should be aligned with the course’s themes. Examples of valid projects may include: the (thoughtful) preservation of an existing digital technology; substantial impact-oriented contributions to existing projects (the students’ own, or external projects); redesigns of existing technologies to orient them (further) towards social impact; artistic projects; new software projects; starting concrete actions/communities on a territory. Projects will be graded on the basis of their implementation quality, their alignment with the course’s themes; their potential (or achieved!) impact; the implementation’s alignment with the project’s intended impacts; how deeply the students took care of the whole life cycle and value chain of the project. Students are also asked to present and defend their project, receiving an evaluation on a 0-15 scale. The project’s final presentation is done in the same groups as the projects, and requires that the students present an informal retrospective case study (much like it is done in class for other technologies) on their own project, supported by a poster. The presentation should introduce the basic facts of the project, why it was done, its intended impacts, its design choices, etc. A particular emphasis should be given to a self-critique of the project, discussing its limitations and potential mitigation strategies for negative externalities the project could cause. Students can iterate on the poster after the discussion before delivering it for evaluation. The presentation is evaluated on a 0-10 scale, and the poster is evaluated on a 0-5 scale. Students who cannot design and/or develop software can take an exam centred around three activities: 1. a course-long activity on “zero-code reverse engineering” and reappropriating one’s data (with a case study on dating apps); 2. a field visit to the Venice Biennale of Arts OR to the South Tyrol Free Software Conference; 3. participation in an immersive experience on social impacts of technologies. Students should participate in all activities, then discuss one of the activities of their choice orally with the lecturer, and submit written reflective pieces for the other two. The reflective pieces and oral discussion are evaluated 0-10 points each. In addition, the course foresees two extra ways to receive points. Deciding to facilitate a class discussion awards marks on a 1-3 scale. A slow class with limited discussion, or which has limited relevance to the course’s topic awards 1 point; a class achieving moderate interest and generally active discussion awards 2 points; an exceptionally lively and well-facilitated discussion awards 3 points. Participation to class activities also grants marks on a 0-3 scale, awarded at the end of the course. Limited or less-than-constant participation will award 0 points; basic participation (attending most classes, occasionally speaking) awards 1 point; active engagement with the course awards 2 points; consistent and excellent, high-quality participation awards 3 points.
Testi di riferimento
The course will organically develop its literature and reading materials as it goes, depending on the students’ interests and how the in-class discussions will develop. Those who are curious about the course’s mood should start “going down the rabbit hole” by exploring these links as deeply as they wish: The Hundred Rabbits website (https://100r.ca/)The Permacomputing wiki (https://permacomputing.net/) Viznut’s website (http://viznut.fi/en/) The following list contains suggested readings, or material that is highly likely to be featured in the course: Post archives at https://solar.lowtechmagazine.com / https://notechmagazine.com / https://lowtechlab.orgPapers from the Computing Within Limits archives https://computingwithinlimits.org/ Mike Hazas and Lisa P. Nathan, eds., Digital Technology and Sustainability: Engaging the Paradox (Routledge, 2017)Christoph Becker, Insolvent: How to Reorient Computing for Just Sustainability (National Geographic Books, 2023)M Six Silberman and B Tomlinson, ‘Precarious Infrastructure and Postapocalyptic Computing’ (2010), in CHI ’10Bill Tomlinson et al., ‘Collapse Informatics and Practice: Theory, Method, and Design’, ACM Trans. On CHI (2013)Bonnie Nardi et al., ‘Computing within Limits’, Comm. of the ACM (2018)Neil Selwyn, ‘The Case for Digital Degrowth - Radically Rethinking Our Digital Futures’ (Keynote Speech, ICT4S Conference 2024)Randy Connolly, ‘Why Computing Belongs within the Social Sciences’, Comm. of the ACM (2020)Vasilios Andrikopoulos and Patricia Lago, ‘Software Sustainability in the Age of Everything as a Service’, in Next-Gen Digital Services. A Retrospective and Roadmap for Service Computing of the Future, ed. Marco Aiello et al. (Springer, 2021) LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Hazas, M., & Nathan, L. P. (2018). Digital technology and sustainability : engaging the paradox. Routledge. Becker, C. (2023). Insolvent : how to reorient computing for just sustainability. The MIT Press. Silberman, M.S. and Tomlinson, B. (2010). Precarious infrastructure and postapocalyptic computing. In Proceedings of CHI 2010 Workshop on Examining Appropriation, Re-use, and Maintenance for Sustainability. Tomlinson, B. [et al.] (2013). Collapse informatics and practice: Theory, method, and design. ACM Transactions on Computer-Human Interaction (TOCHI), 20 (4), 1-26. Nardi, B. [et al.] (2018). Communications of the ACM (CACM), 61 (10), 86-93. Selwyn, N. (2024). The Case for Digital Degrowth: Radically Rethinking Our Digital Futures. Keynote Speech, ICT4S Conference 2024. Connolly, R. (2020). Why computing belongs within the social sciences. Communications of the ACM (CACM), 63 (8), 54–59. Aiello, M., Bouguettaya, A., Tamburri, D. A., & Heuvel, W.-J. van den. (2021). Next-Gen digital services : a retrospective and roadmap for service computing of the future : essays dedicated to Michael Papazoglou on the occasion of his 65th Birthday and his retirement. Springer.
Codice insegnamento 50880_650730_96667
Laboratory of Data Mining
1° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file
L’obiettivo del modulo è fornire allo studente le nozioni di data mining necessarie per analizzare i dati provenienti da applicazioni reali, oltre alle competenze pratiche per pre-elaborare e analizzare dati di…
Scheda dell'insegnamento
Obiettivi formativi
L’obiettivo del modulo è fornire allo studente le nozioni di data mining necessarie per analizzare i dati provenienti da applicazioni reali, oltre alle competenze pratiche per pre-elaborare e analizzare dati di applicazioni reali. Al termine del modulo, lo studente sarà in grado di: richiamare e discutere le tecniche presentate, leggere la letteratura relativa a tecniche simili, pre-elaborare e analizzare un caso specifico di applicazione reale, riferire e presentare i risultati
Programma
Introduzione al Data Mining. Tipologie di dati. Statistiche descrittive, Algoritmi per la scoperta di relazioni causali, Algoritmo PC and its applications, Pipeline di Mining, Analisi di Cluster e algoritmi di clustering, Metodi di classificazione, Reti Neurali, Autoencoders, Intelligenza Artificiale interpretabile (Explainable AI), Inferenza causale, Ranking come tipo di dati, Aggregazione di rankings, Meta-analisi, Applicazioni di AI per il data mining.
Il corso è diviso in due unità: Unità di Teoria e Unità di Laboratorio. L'Unità di Teoria prevede 24 ore di lezioni teoriche. Verranno trattati i contenuti teorici del corso elencati sopra. L'Unità di Laboratorio include 24 ore di attività di laboratorio con l’utilizzo di computer, seguendo il paradigma dell’apprendimento basato sui problemi (Problem-Based Learning). L'Unità di Laboratorio darà agli studenti un compito di mining simile a quello che potrebbero affrontare durante una applicazione reale in un'organizzazione privata o pubblica, possibilmente interagendoci in modo diretto. Durante il laboratorio, gli studenti avranno l'obiettivo di rispondere a una domanda di natura conoscitiva utilizzando un approccio di data mining con tecniche e/o strumenti presentati nella letteratura scientifica o tecnica recente. Una volta selezionati i dati e organizzati gli studenti in gruppi, questi dovranno comprendere e implementare completamente tutti i passaggi dell'analisi, come descritto nelle lezioni e nei materiali aggiuntivi che saranno forniti. L'analisi richiederà l'uso di dati pubblici e di una serie di strumenti e pacchetti come R, Python e servizi web disponibili. L'uso facoltativo di dati non pubblici forniti da soggetti esterni potrà implicare la firma di un NDA. Gli studenti saranno incoraggiati a proporre anche alternative all'analisi che possano superare eventuali limitazioni di quelle originali. I risultati dell'attività di laboratorio saranno presentati come una relazione scritta e una presentazione orale durante gli esami finali. Il modulo di laboratorio si svolgerà in due versioni parallele con docenti diversi: i) una di carattere generale, dedicata ad applicazioni in ambito industriale o presso enti pubblici, e ii) una specifica, incentrata su temi e dati relativi a biologia, salute e medicina.
Modalità d'esame
Esame orale/scritto sui contenuti (Unità di Teoria) e relazione e presentazione dell'analisi svolta durante l'attività di laboratorio (Unità di Laboratorio).
Testi di riferimento
Letture saranno suggerite durante il corso
Codice insegnamento 50880_652902_97124
Machine learning
1° anno · 1° semestre · 6 CFU · INFO-01/A · 0 file
Il corso ha l'obiettivo di fornire una conoscenza degli aspetti teorici e pratici dell'apprendimento automatico, delle tecniche principali di apprendimento e di ragionamento probabilistico. Al termine del percorso, gli…
Scheda dell'insegnamento
Obiettivi formativi
Il corso ha l'obiettivo di fornire una conoscenza degli aspetti teorici e pratici dell'apprendimento automatico, delle tecniche principali di apprendimento e di ragionamento probabilistico. Al termine del percorso, gli studenti saranno in grado di: - descrivere le principali tecniche di apprendimento esistenti, le loro caratteristiche e limitazioni - padroneggiare le tecniche di ragionamento probabilistico - modellizzare semplici scenari probabilistici tramite reti Bayesiane - realizzare programmi di apprendimento da esempi che siano adatti alle esigenze dello specifico problema da risolvere
Programma
Introduzione all'apprendimento automatico: aspetti dello sviluppo di un sistema di apprendimento automatico, modalità e tipi di problemi di apprendimento, alberi di decisione, stima con primi vicini. Basi matematiche: algebra lineare, teoria della probabilità, test statistici. Stima dei parametri a massima verosimiglianza e Bayesiana. Modelli grafici probabilistici, inferenza, apprendimento di parametri e struttura. Apprendimento discriminante: funzioni discriminanti lineari, macchine a vettori di supporto, macchine kernel. Reti neurali artificiali: apprendimento di rappresentazione, architetture profonde. Metodi Ensemble. Apprendimento non supervisionato e con rinforzo.
l corso prevede lo svolgimento di lezioni frontali in classe con il supporto di slide (liberamente disponibili sul sito del corso) e lavagna. Verranno inoltre svolte esercitazioni in laboratorio PC su: Reti Bayesiane (Hugin-Lite) Librerie di machine Learning (scikit-learn) Librerie di deep learning (pytorch) Tecniche di reinforcement learning (python notebook) Allo studente verrà richiesto lo studio del materiale presentato a lezione (supportato dai testi di riferimento forniti), e la realizzazione di semplici progetti che richiedono l'utilizzo dei tool software presentati durante le esercitazioni.
Modalità d'esame
Esame orale sui contenuti del corso, volto ad indagare la comprensione delle problematiche e delle soluzioni presentate a lezione.
Testi di riferimento
R.O. Duda, P.E. Hart and D.G. Stork, Pattern Classification (2nd edition), Wiley-Interscience, 2001. D. Koller and N. Friedman, Probabilistic Graphical Models, The MIT Press, 2009 J.Shawe-Taylor and N. Cristianini, Kernel Methods for Pattern Analysis, Cambridge University Press, 2004. I. Goodfellow, Y. Bengio and A. Courville, Deep Learning, The MIT Press, 2016 (online version available here). S. Russell and P. Norvig,Artificial Intelligence: A Modern Approach, 4th Global ed., Pearson, 2021. K. Murphy, Probabilistic Machine Learning: An Introduction, The MIT Press, 2021 (online version available here)
Codice insegnamento 50879_650739_87830
Machine learning
1° anno · 1° semestre · 6 CFU · INFO-01/A · 0 file
Il corso ha l'obiettivo di fornire una conoscenza degli aspetti teorici e pratici dell'apprendimento automatico, delle tecniche principali di apprendimento e di ragionamento probabilistico. Al termine del percorso, gli…
Scheda dell'insegnamento
Obiettivi formativi
Il corso ha l'obiettivo di fornire una conoscenza degli aspetti teorici e pratici dell'apprendimento automatico, delle tecniche principali di apprendimento e di ragionamento probabilistico. Al termine del percorso, gli studenti saranno in grado di: - descrivere le principali tecniche di apprendimento esistenti, le loro caratteristiche e limitazioni - padroneggiare le tecniche di ragionamento probabilistico - modellizzare semplici scenari probabilistici tramite reti Bayesiane - realizzare programmi di apprendimento da esempi che siano adatti alle esigenze dello specifico problema da risolvere
Programma
Introduzione all'apprendimento automatico: aspetti dello sviluppo di un sistema di apprendimento automatico, modalità e tipi di problemi di apprendimento, alberi di decisione, stima con primi vicini. Basi matematiche: algebra lineare, teoria della probabilità, test statistici. Stima dei parametri a massima verosimiglianza e Bayesiana. Modelli grafici probabilistici, inferenza, apprendimento di parametri e struttura. Apprendimento discriminante: funzioni discriminanti lineari, macchine a vettori di supporto, macchine kernel. Reti neurali artificiali: apprendimento di rappresentazione, architetture profonde. Metodi Ensemble. Apprendimento non supervisionato e con rinforzo.
l corso prevede lo svolgimento di lezioni frontali in classe con il supporto di slide (liberamente disponibili sul sito del corso) e lavagna. Verranno inoltre svolte esercitazioni in laboratorio PC su: Reti Bayesiane (Hugin-Lite) Librerie di machine Learning (scikit-learn) Librerie di deep learning (pytorch) Tecniche di reinforcement learning (python notebook) Allo studente verrà richiesto lo studio del materiale presentato a lezione (supportato dai testi di riferimento forniti), e la realizzazione di semplici progetti che richiedono l'utilizzo dei tool software presentati durante le esercitazioni.
Modalità d'esame
Esame orale sui contenuti del corso, volto ad indagare la comprensione delle problematiche e delle soluzioni presentate a lezione.
Testi di riferimento
R.O. Duda, P.E. Hart and D.G. Stork, Pattern Classification (2nd edition), Wiley-Interscience, 2001. D. Koller and N. Friedman, Probabilistic Graphical Models, The MIT Press, 2009 J.Shawe-Taylor and N. Cristianini, Kernel Methods for Pattern Analysis, Cambridge University Press, 2004. I. Goodfellow, Y. Bengio and A. Courville, Deep Learning, The MIT Press, 2016 (online version available here). S. Russell and P. Norvig,Artificial Intelligence: A Modern Approach, 4th Global ed., Pearson, 2021. K. Murphy, Probabilistic Machine Learning: An Introduction, The MIT Press, 2021 (online version available here)
Codice insegnamento 50880_650739_87830
Microbial Genomics and Metagenomics
1° anno · 2° semestre · 6 CFU · INFO-01/A · 0 file
Natural Language Understanding
1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file
Natural Language Understanding is the fundamental component of artificial intelligence systems (AIS) that interacts directly with humans via conversational interfaces. In the first part of the class, the students will…
Scheda dell'insegnamento
Obiettivi formativi
Natural Language Understanding is the fundamental component of artificial intelligence systems (AIS) that interacts directly with humans via conversational interfaces. In the first part of the class, the students will gain basic knowledge of natural language structures, ranging from the lexicon to the phrase and sentence levels. The student will gain basic knowledge of the formal models for representing the lexicon, the relations amongst words, and their meaning representations. The symbolic representation of language will be complemented by a machine-learning approach, including neural models and large language models. Students will gain knowledge and experiment with machine learning models applied to natural language processing. In the course's final part, the students will gain hands-on experience with the use cases of Natural Language Understanding in AIS. Throughout the class, students will learn to use and evaluate machine learning approaches to natural language processing tasks using neural models and architectures, and generative AI.
Programma
The course will cover the following topics: Natural Language: from Spoken to Written Language Language Modeling Large Language Models: Architectures Large Language Models: Benchmarks and Evaluation Distributional Semantics and Word Vectors Part-Of-Speech Named Entities Constituency and Dependency Grammars Sequence Labeling for NLU Sequence Labeling for NLU with Neural Networks Lexical Semantics Parsing Affective States: Sentiment Analysis The lectures will be paired with lab sessions, during which students will gain knowledge and hands-on tutoring on the latest machine learning models, including deep learning and large language models.
Lectures are meant to provide the background and theoretical knowledge to design natural language understanding models. Lab sessions are meant to 1) setup the student with the computational environment and associated NLP open source SW tools. 2) deliver SW assignments that will consolidate the theoretical material learned during the lecture and 3) coaching sessions .
Modalità d'esame
There will be one project assignment that will be graded ( 80% of the final exam grade ) and Q&A during the oral exam on any of the topics covered in the class ( lectures and labs ) ( 20% of the final exam grade )
Testi di riferimento
Lecturer's hand-outs available on the course website and "Speech and Language Processing" (3rd ed. draft) Dan Jurafsky and James H. Martin
Codice insegnamento 50879_650757_94665
Network security
1° anno · 2° semestre · 6 CFU · INFO-01/A · 0 file
Obiettivo dell'insegnamento è quello di presentare e far capire agli studenti gli aspetti tecnologici, infrastrutturali e in parte anche economici della sicurezza informatica delle reti di computer. L'insegnamento…
Scheda dell'insegnamento
Obiettivi formativi
Obiettivo dell'insegnamento è quello di presentare e far capire agli studenti gli aspetti tecnologici, infrastrutturali e in parte anche economici della sicurezza informatica delle reti di computer. L'insegnamento copre sia gli aspetti difensivi che di attacco della sicurezza delle reti. L'insegnamento copre anche una parte pratica, per dare l'opportunità agli studenti di applicare subito alcune conoscenze acquisite. La parte pratica, mira a sviluppare anche le capacità di comunicazione e presentazione del proprio lavoro a colleghi. Al termine dell'insegnamento lo studente conoscerà le principali tecnologie di sicurezza utilizzate per la protezione delle reti di computer, i metodi e le tecnologie usati per attaccare le reti e quelli usati per difendersi da tali attacchi. Lo studente sarà inoltre in grado di sperimentare con molte di queste tecnologie e valutarne la loro complessità. Infine, lo studente sarà in grado di presentare e replicare un'esercitazione di laboratorio su tecnologie di sicurezza ai suoi pari.
Programma
PARTE 1 Introduzione ai fondamenti della sicurezza delle reti di calcolatori Proprietà di sicurezza e modelli di attacco Aspetti della rete e sicurezza dei protocolli di reteVulnerabilità, cosa sono, come rilevarle, come valutarne la gravitàPhishing, attacchi di ingegneria sociale Attacchi alla rete: Attacchi DoS, attacchi di amplificazione, attacchi di spoofing Sicurezza DNS Sicurezza WiFi Malware moderno Download drive-by e kit di exploit, Botnet Tecnologie difensive: IPSEC, Hardening del sistema, Firewall, IDS Privacy nelle reti, VPN/TOR PARTE 2 Laboratori degli studenti
L'insegnamento è diviso in due grandi "blocchi". La prima parte è fatta in aula con lezioni frontali e l'ausilio di slide. La seconda parte è caratterizzata principalmente da attività di laboratorio. Gli studenti si organizzano in piccoli gruppi e sceglieranno un argomento tra quelli presentati in classe (ad esempio IDS, vulnerabilità Web, attacchi DNS, sniffing dei pacchetti, ecc.) Organizzeranno e presenteranno un'esercitazione di laboratorio per gli altri studenti. Alla fine della prima parte, un gruppo alla volta presenta il suo lavoro al resto degli studenti e li guida a riprodurre l'attività di laboratorio. Per la natura e l'organizzazione del corso, la frequenza alle lezioni di laboratorio è obbligatoria.
Modalità d'esame
Si prevede un self-assessment iniziale per dare allo studente la possibilità di autovalutare le competenze richieste per seguire il corso. La verifica dell'apprendimento consiste in due parti. Una prova scritta sugli aspetti teorici del corso, valutata da 0 a 16/30. Una valutazione relativa alla qualità dell'attività di laboratorio presentata durante il corso e alla qualità del rapporto finale relativo, vengono valutate globalmente da 0 a 16/30. Il voto finale è la somma delle due valutazioni.
Testi di riferimento
Il corso non adotta un libro di testo ma verranno indicati degli articoli scientifici di riferimento per ogni argomento durante il corso. Gli articoli indicati sono parte integrante del corso e oggetto della valutazione. Tutte le note del corso, i libri, gli articoli scientifici e le diapositive sono in inglese. Il materiale didattico (slide, esercizi) è disponibile su un sito Classroom di Google che verrà reso disponibile all'inizio del corso. Il sito è interattivo e permetterà un'interazione continua tra docente, assistente e studenti per l'intera durata dell'insegnamento. Come testi di consultazione eventuali si suggeriscono: William Stallings: Cryptography And Network Security, 7Th Edition., Pearson, 2017. ISBN-10:9789332585225. Ross. Anderson, Security Engineering: A Guide to Building Dependable Distributed Systems , 3rd Edition, Wiley. 2020 (see https://www.cl.cam.ac.uk/~rja14/book.html). LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Stallings, W. (2023). Cryptography and network security : principles and practice (8. ed., global ed.). Pearson education. Anderson, R. (2020). Security engineering : a guide to building dependable distributed systems (3rd ed.). Wiley.
Codice insegnamento 50879_650726_87833
Network security
1° anno · 2° semestre · 6 CFU · INFO-01/A · 0 file
Obiettivo dell'insegnamento è quello di presentare e far capire agli studenti gli aspetti tecnologici, infrastrutturali e in parte anche economici della sicurezza informatica delle reti di computer. L'insegnamento…
Scheda dell'insegnamento
Obiettivi formativi
Obiettivo dell'insegnamento è quello di presentare e far capire agli studenti gli aspetti tecnologici, infrastrutturali e in parte anche economici della sicurezza informatica delle reti di computer. L'insegnamento copre sia gli aspetti difensivi che di attacco della sicurezza delle reti. L'insegnamento copre anche una parte pratica, per dare l'opportunità agli studenti di applicare subito alcune conoscenze acquisite. La parte pratica, mira a sviluppare anche le capacità di comunicazione e presentazione del proprio lavoro a colleghi. Al termine dell'insegnamento lo studente conoscerà le principali tecnologie di sicurezza utilizzate per la protezione delle reti di computer, i metodi e le tecnologie usati per attaccare le reti e quelli usati per difendersi da tali attacchi. Lo studente sarà inoltre in grado di sperimentare con molte di queste tecnologie e valutarne la loro complessità. Infine, lo studente sarà in grado di presentare e replicare un'esercitazione di laboratorio su tecnologie di sicurezza ai suoi pari.
Programma
PARTE 1 Introduzione ai fondamenti della sicurezza delle reti di calcolatori Proprietà di sicurezza e modelli di attacco Aspetti della rete e sicurezza dei protocolli di reteVulnerabilità, cosa sono, come rilevarle, come valutarne la gravitàPhishing, attacchi di ingegneria sociale Attacchi alla rete: Attacchi DoS, attacchi di amplificazione, attacchi di spoofing Sicurezza DNS Sicurezza WiFi Malware moderno Download drive-by e kit di exploit, Botnet Tecnologie difensive: IPSEC, Hardening del sistema, Firewall, IDS Privacy nelle reti, VPN/TOR PARTE 2 Laboratori degli studenti
L'insegnamento è diviso in due grandi "blocchi". La prima parte è fatta in aula con lezioni frontali e l'ausilio di slide. La seconda parte è caratterizzata principalmente da attività di laboratorio. Gli studenti si organizzano in piccoli gruppi e sceglieranno un argomento tra quelli presentati in classe (ad esempio IDS, vulnerabilità Web, attacchi DNS, sniffing dei pacchetti, ecc.) Organizzeranno e presenteranno un'esercitazione di laboratorio per gli altri studenti. Alla fine della prima parte, un gruppo alla volta presenta il suo lavoro al resto degli studenti e li guida a riprodurre l'attività di laboratorio. Per la natura e l'organizzazione del corso, la frequenza alle lezioni di laboratorio è obbligatoria.
Modalità d'esame
Si prevede un self-assessment iniziale per dare allo studente la possibilità di autovalutare le competenze richieste per seguire il corso. La verifica dell'apprendimento consiste in due parti. Una prova scritta sugli aspetti teorici del corso, valutata da 0 a 16/30. Una valutazione relativa alla qualità dell'attività di laboratorio presentata durante il corso e alla qualità del rapporto finale relativo, vengono valutate globalmente da 0 a 16/30. Il voto finale è la somma delle due valutazioni.
Testi di riferimento
Il corso non adotta un libro di testo ma verranno indicati degli articoli scientifici di riferimento per ogni argomento durante il corso. Gli articoli indicati sono parte integrante del corso e oggetto della valutazione. Tutte le note del corso, i libri, gli articoli scientifici e le diapositive sono in inglese. Il materiale didattico (slide, esercizi) è disponibile su un sito Classroom di Google che verrà reso disponibile all'inizio del corso. Il sito è interattivo e permetterà un'interazione continua tra docente, assistente e studenti per l'intera durata dell'insegnamento. Come testi di consultazione eventuali si suggeriscono: William Stallings: Cryptography And Network Security, 7Th Edition., Pearson, 2017. ISBN-10:9789332585225. Ross. Anderson, Security Engineering: A Guide to Building Dependable Distributed Systems , 3rd Edition, Wiley. 2020 (see https://www.cl.cam.ac.uk/~rja14/book.html). LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Stallings, W. (2023). Cryptography and network security : principles and practice (8. ed., global ed.). Pearson education. Anderson, R. (2020). Security engineering : a guide to building dependable distributed systems (3rd ed.). Wiley.
Codice insegnamento 50880_650726_87833
Optimization techniques
1° anno · 2° semestre · 6 CFU · INFO-01/A · 0 file
Lo scopo di questo corso è di fornire agli studenti una solida conoscenza delle basi dell'ottimizzazione matematica e degli algoritmi di ottimizzazione classici. Alla fine del corso, gli studenti saranno in grado di:…
Scheda dell'insegnamento
Obiettivi formativi
Lo scopo di questo corso è di fornire agli studenti una solida conoscenza delle basi dell'ottimizzazione matematica e degli algoritmi di ottimizzazione classici. Alla fine del corso, gli studenti saranno in grado di: analizzare un problema di ottimizzazione e caratterizzarlo (è lineare?/nonlineare?, è vincolato/libero?)scegliere un metodo di ottimizzazione adatto e implementarloverificare l'ammissibilità della soluzione ottenuta
Programma
Minimi locali e globali. Esistenza, condizioni necessarie e sufficienti. Convessità.Metodi di ricerca lineare. (+Lab)Metodi di discesa del gradiente. (+Lab)Algoritmo di Newton-Raphson e sue estensioni. (+Lab)Minimi Quadrati. (+Lab)Programmazione Lineare e metodo del simplesso. (+Lab)Ottimizzazione Vincolata: moltiplicatori di Lagrange, condizioni di KKT (+ esercitazione)Algoritmi di ottimizzazione vincolata: metodi di penalizzazione, Sequential Quadratic Programming (+Lab)Algoritmi genetici (+Lab) Annealing simulato (+Lab) Possibili estensioni possono includere: Algoritmo A*, metodi branch and bound, programmazione dinamica.
Il corso è costituito (approssimativamente) per il 50% da lezioni teoriche, il 10% di esercitazioni e il 40% di laboratori informatici. Durante i laboratori, gli algoritmi visti a lezione saranno programmati e testati. Si assume che gli studenti terminino, eventualmente in autonomia, gli esercizi e le esercitazioni assegnate. Non saranno richieste relazioni di laboratorio ma, in sede di esame, il codice dei programmi svolti potrà essere richiesto.
Modalità d'esame
Gli studenti verranno valutati individualmente per mezzo di un esame orale, in cui si accerterà la conoscenza della teoria e si valuterà il lavoro svolto durante i laboratori.
Testi di riferimento
E.K.P. Chong, S. H. Zak "An introduction to Optimization", Wiley (pedagogical) M. Bierlaire "Optimization: Principles and Algorithms" disponibile online alla pagina https://transp-or.epfl.ch/books/optimization/html/OptimizationPrinciplesAlgorithms2018.pdf
Codice insegnamento 50879_650740_94671
Participatory design
1° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file
Questo corso introduce i concetti e i metodi dell’Interazione Persona-Macchina (Human-Computer Interaction, HCI) che permettono la progettazione di sistemi interattivi e servizi digitali in grado di soddisfare…
Scheda dell'insegnamento
Obiettivi formativi
Questo corso introduce i concetti e i metodi dell’Interazione Persona-Macchina (Human-Computer Interaction, HCI) che permettono la progettazione di sistemi interattivi e servizi digitali in grado di soddisfare efficacemente i bisogni delle persone. Il corso è strutturato in due parti (moduli): Participatory Design (nel primo semestre) ed Cognitive Ergonomics (nel secondo semestre). Il modulo di Participatory Design ha l’obiettivo di fornire agli studenti una comprensione dei concetti e delle tecniche per coinvolgere gli utenti nel processo di progettazione. Verranno discusse le diverse motivazioni e modalità di coinvolgimento degli utenti. Gli studenti apprenderanno anche le problematiche e le criticità legate alla partecipazione, sia nei contesti organizzativi sia nella progettazione pubblica. Il modulo di Cognitive Ergonomics mira a fornire agli studenti una comprensione dei concetti e delle tecniche per progettare e valutare sistemi interattivi usabili e coinvolgenti. Particolare attenzione sarà dedicata agli aspetti pratici della progettazione centrata sull’utente, tra cui l’usabilità, i test con gli utenti e la valutazione delle tecnologie. Entrambi i moduli richiedono agli studenti di partecipare a progetti di gruppo, presentazioni, redazione di relazioni e scrittura di saggi riflessivi. Nel complesso, il corso Design Experience ha i seguenti Obiettivi di Apprendimento: LO1 Coinvolgere gli utenti nelle attività di raccolta dei requisiti;LO2 Applicare una varietà di pratiche centrate sull’utente nella progettazione di sistemi software interattivi;LO3 Applicare processi adeguati per la valutazione delle tecnologie interattive;LO4 Comunicare argomentazioni razionali e motivate sia in forma scritta sia orale Participatory Design (145459)Participatory Design (145459) è un corso indipendente offerto nell'ambito del master DISI in Computer Science. Il contenuto è lo stesso del modulo Participatory Design offerto come modulo del corso integrato Design Experience (155000), che fa parte del master interdipartimentale in Human-Computer Interaction. In particolare, le lezioni sono le stesse, con lo stesso orario e le stesse aule. Per l'anno accademico in corso, le lezioni si tengono all'interno delle strutture DISI. Per ulteriori informazioni, si prega di contattare i docenti.
Programma
Participatory Design (Corso 145459 e Modulo 155000/2)Storia e metodi del Participatory DesignTecniche di partecipazione (user research, workshop, osservazione)Questioni etiche e di potere nel Participatory DesignRisultati del lavoro con gli utentiPartecipazione e Intelligenza ArtificialeIl corso/modulo 'Participatory Design' è strettamente coordinato con il corso di 'Research Methodology - Qualitative' della Prof. Martina Cvajner. I dati raccolti e analizzati nel corso 'Research Methodology - Qualitative' verranno infatti utilizzati nell’ambito di questo corso in un percorso user research che collega la fase di esplorazione qualitativa e quella di progettazione partecipativa. Questo coordinamento consente agli studenti di vivere un’esperienza formativa integrata, in cui la ricerca qualitativa diventa una risorsa concreta per l’ideazione e lo sviluppo di interventi progettuali in ambito HCI. Inoltre, nella prima parte del modulo/corso Participatory Design si utilizzerà una modalità blended learning, in cui verranno sviluppati i fondamenti teorici e metodologici. La parte in modalità blended learning corrisponde a 2 crediti mentre quella in presenza corrisponde a 4 crediti (il modulo è di 6 crediti).
Design ExperiencePer raggiungere e dimostrare i risultati di apprendimento previsti saranno utilizzati una combinazione di lezioni frontali, attività pratiche e seminari. Nel modulo Participatory Design si utilizzerà inoltre una modalità blended larning. Gli studenti e le studentesse sono guidate nell’osservazione delle tecnologie esistenti e di esempi reali. È previsto uno studio individuale a supporto dell’applicazione pratica. Le metodologie didattiche dei due moduli sono fortemente influenzate da un approccio problem-based community-based learning. Le tecniche introdotte durante le lezioni vengono utilizzate in modo iterativo dagli studenti per lo svolgimento di un progetto di design durante il semestre. Gli studenti lavoreranno in gruppi (massimo 6 persone) su tali progetti di design. Ogni gruppo è responsabile della distribuzione dei compiti tra i membri e del completamento di tutti i deliverable richiesti. I gruppi verranno formati all’inizio del corso e potranno rimanere gli stessi per entrambe le parti del modulo. Il lavoro di gruppo è pensato per offrire agli studenti un’esperienza pratica su progetti di design reali, che includa l’identificazione di domande di ricerca rilevanti e la valutazione di tecnologie esistenti. Studentesse e studenti affronteranno dinamiche tipiche del lavoro di gruppo e svilupperanno competenze nella condivisione delle informazioni e nel coordinamento delle attività. Oltre al progetto di gruppo, è previsto un elaborato individuale. Ogni studentessa e studente dovrà condurre uno studio con utenti su un tema a propria scelta, utilizzando strumenti e tecniche appresi durante il corso. Il lavoro di gruppo include la redazione di un report scritto e la presentazione dei risultati, mentre il lavoro individuale richiede la consegna di un elaborato scritto separato. Un elemento centrale dell’organizzazione didattica è il coordinamento strutturale con il corso di 'Research Methodology - Qualitative' della Prof. Martina Cvajner. I gruppi di lavoro costituiti in questo insegnamento saranno infatti condivisi con il corso della Prof. Cvajner, in modo da garantire continuità tra le attività di esplorazione qualitativa e le successive fasi di progettazione partecipativa. Questo intreccio tra i due corsi rappresenta un aspetto fondamentale del percorso formativo, offrendo agli studenti un’esperienza coerente e integrata di ricerca e design in ambito HCI. Nel modulo Participatory Design si utilizzerà una modalità blended learning nella prima parte del corso. In questa parte, verranno sviluppati i fondamenti teorici e metodologici. La parte in modalità blended learning corrisponde a 2 crediti mentre quella in presenza corrisponde a 4 crediti (il modulo è di 6 crediti). Participatory Design (145459)Participatory Design (145459) è un corso indipendente offerto nell'ambito del master DISI in Computer Science. Il contenuto è lo stesso del modulo Participatory Design offerto come modulo del corso integrato Design Experience (155000), che fa parte del master interdipartimentale in Human-Computer Interaction. In particolare, le lezioni sono le stesse, con lo stesso orario e le stesse aule. Il corso utilizzerà anche una modalità blended learning per la stessa parte e con la stessa distribuzione dei crediti. Per l'anno accademico in corso, le lezioni si tengono all'interno delle strutture DISI. Per ulteriori informazioni, si prega di contattare i docenti.
Modalità d'esame
Design ExperienceLa valutazione degli obiettivi di apprendimento varia a seconda della modalità di partecipazione scelta dagli studenti. OPZIONE 1 (frequenza regolare)Questa modalità richiede la partecipazione alla maggior parte delle lezioni, il lavoro in gruppo per lo sviluppo di un progetto (vedi sotto), e la consegna di un elaborato individuale. Gli studenti devono consegnare due report di design (prodotti dal lavoro di gruppo nei due moduli) e due relazioni scritte individuali (una per ciascuno dei due moduli). Il voto complessivo del corso sarà calcolato come somma pesata dei seguenti elementi: lavoro di gruppo per Participatory Design (peso = 0,3), report individuale per Participatory Design (peso = 0,2), lavoro di gruppo per Cognitive Ergonomics (peso = 0,3), report individuale per Cognitive Ergonomics (peso = 0,2) Report di gruppo. Un tema di design sarà selezionato all’inizio di ciascun semestre in collaborazione con gli studenti. Gli studenti lavoreranno in gruppo attraverso workshop facilitati e sessioni di studio indipendente. Ogni workshop prevederà l’applicazione delle conoscenze introdotte e discusse a lezione e/o nei materiali consigliati. Le attività di lezione e laboratorio seguiranno i passaggi del processo di progettazione di tecnologie interattive. Le scadenze saranno comunicate durante il corso, in linea con il ciclo di vita del progetto. Si invita a rispettarle rigorosamente. Saranno forniti feedback in aula per le consegne intermedie, ma senza valutazione formale. In entrambi i moduli, i report saranno presentati e illustrati dal gruppo. La valutazione sarà a cura dei docenti dei moduli e basata su criteri quali: presentazione orale; validità e affidabilità delle metodologie adottate; analisi critica dei risultati; qualità delle proposte progettuali; riflessioni e suggerimenti per ricerche future. Durante la presentazione, gli studenti dovranno illustrare le attività svolte dal gruppo e spiegare come queste abbiano contribuito all’esito finale del progetto. Report individuali. Due relazioni scritte (una per ciascun modulo) dovranno essere consegnate alla fine di ciascun modulo. Gli studenti dovranno confrontare e discutere criticamente la loro esperienza di gruppo rispetto ai contenuti trattati nelle lezioni e alla bibliografia del corso, evidenziando punti di forza e criticità del lavoro svolto. OPZIONE 2 (non frequentanti)Gli studenti impossibilitati a frequentare il corso dovranno preparare l’esame attraverso lo studio individuale della bibliografia assegnata. Sono tenuti a contattare preventivamente i docenti per ricevere l’elenco delle letture aggiuntive fornite durante il corso. Gli studenti che scelgono questa modalità non potranno partecipare al lavoro di gruppo. Participatory Design (145459)Gli studenti che seguono esclusivamente il modulo come corso indipendente (Participatory Design - 145459) possono scegliere una delle due opzioni sopra indicate. In caso scelgano l’Opzione 1, lavoreranno in gruppo con colleghi e colleghe che della magistrale HCI. Per chiarimenti ulteriori sono invitati a contattare il docente.
Testi di riferimento
Participatory design (Corso 145459 e Modulo 155000/2)ManualiBødker, S. (2020). Participatory design. Morgan & ClaypoolSimonsen, J., Robertson, T. (2013). Routledge International Handbook of Participatory Design. RoutledgeLetture consigliateBirgitta Bergvall-Kåreborn and Anna Ståhlbrost. (2008). Participatory design: one step back or two steps forward?. In Proceedings of the Tenth Anniversary Conference on Participatory Design 2008 (PDC '08). Indiana University, Indianapolis, IN, USA, 102-111.Beck, Eevi E. (2002). P for Political: Participation is Not Enough, Scandinavian Journal of Information Systems: Volume 14, Issue 1.Maurizio Teli, Angela Di Fiore and Vincenzo DAndrea (2017). Computing and the common: a case of Participatory Design with think tanks. CoDesign Volume 13 , Issue 2Kim Halskov and Nicolai Brodersen Hansen. (2015). The diversity of participatory design research practice at PDC 2002-2012. International Journal of Human-Computer Studies, Volume 74, Issue C, pages 81-92Letture aggiuntive saranno fornite durante il corso. LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Bødker, S. (2022). Participatory design. Springer Nature Switzerland. Simonsen, J., & Robertson, T. (Eds.) (2013). Routledge international handbook of participatory design. Routledge. Bergvall-Kåreborn, B., & Ståhlbrost, A. (2008). Participatory design: One step back or two steps forward? In J. Simonsen, T. Robertson, & D. Hakken (Eds.), Proceedings of the Tenth Anniversary Conference on Participatory Design 2008 (pp. 102–111) Beck, E. E. (2002). P for political: Participation is not enough. Scandinavian Journal of Information Systems, 14(1), 77–92 Teli, M., Di Fiore, A., & D’Andrea, V. (2017). Computing and the common: A case of Participatory Design with think tanks. CoDesign, 13(2), 83–95. Halskov, K., & Hansen, N. B. (2015). The diversity of participatory design research practice at PDC 2002–2012. International Journal of Human-Computer Studies, 74, 81–92.
Codice insegnamento 50879_650796_91621
Privacy and Intellectual Property Rights
1° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file
L'obiettivo del corso è introdurre gli studenti ai principi di base della Privacy e della Proprietà Intellettuale, prendendo in considerazione sia le questioni legali che quelle tecnologiche con riferimento ad alcuni…
Scheda dell'insegnamento
Obiettivi formativi
L'obiettivo del corso è introdurre gli studenti ai principi di base della Privacy e della Proprietà Intellettuale, prendendo in considerazione sia le questioni legali che quelle tecnologiche con riferimento ad alcuni casi di studio specifici. Alla fine del corso gli studenti saranno in grado di comprendere la natura delle questioni legali relative ai diritti di proprietà intellettuale e alla privacy.
Programma
Lista degli argomenti trattatii caratteri generali dell'ordine giuridico;la comparazione giuridica e l'analisi economica del diritto; l'evoluzione storica della proprietà intellettuale; il diritto d'autore; la tutela giuridica del software; licenze libere ed open source; i brevetti; le problematiche legate ai servizi online; diritto d'autore e condivisione di materiali online; i dati aperti; l'evoluzione storica del diritto allla riservatezza; la riservatezza in Europa e negli Stati Uniti; questioni etiche nel campo delle ICT; il DRM e il Trusted Computing.
Lezioni frontali in cui si presenteranno gli argomenti del corso. Durante il corso, le studentesse e gli studenti frequentanti dovranno consegnate tre brevi sintesi dei contenuti del corso. Al termine del corso, le studentesse e gli studenti frequentanti dovranno redigere un breve paper di approfondimento su un argomento del corso.
Modalità d'esame
Le modalità d'esame si differenziano per frequentanti e non frequentanti. Per essere considerate/i frequentanti è necessario: seguire le lezioni;consegnare le sintesi durante il corso. Esame per frequentanti: La studentessa/studente deve scrivere un paper di 10/12 pagine su un argomento approvato dai docenti del corso. I paper superiori a 18 pagine non saranno valutati. Il paper viene discusso oralmente durante la sessione d'esame. Un elenco di possibili argomenti sarà fornito sul sito del corso, altri argomenti potranno essere proposti per l'approvazione dei docenti del corso. I paper che fanno uso di plagio non saranno valutati e gli autori/autrici dovranno sostenere l'esame come non frequentanti in una diversa sessione d'esame (per esempio, si passa dalla sessione estiva a quella invernale). Non ci saranno eccezioni a questa regola Esame per non frequentanti: L'esame per i non frequentanti è strutturato in due parti. La prima parte è un esame scritto in modalità "open book": studentesse e studenti riceveranno due domande aperte sui temi del corso e dovranno rispondere entro 60 minuti. La seconda parte è un esame orale in cui si discutono sia le risposte date nella parte scritta sia tutti gli altri argomenti del corso. Per argomenti del corso si intendono gli argomenti contenuti nei testi di riferimento, nelle slide e nel materiale presente nel sito moodle del corso. Nell'esame scritto e orale sarà valutata la conoscenza e la padronanza dei contenuti, la capacità di elaborazione critica personale, il livello di approfondimento e l’efficacia espositiva, e la capacità di correlare i fenomeni tecnologici e giuridici possibilmente con appropriati riferimenti normativi.
Testi di riferimento
Andrew M. St. Laurent (2004), Understanding Open Source and Free Software Licensing, O'Reilly. ( http://www.oreilly.com/catalog/osfreesoft/book/ )Chris DiBona, Sam Ockman (1999), Open Sources: Voices from the Open Source Revolution, O'Reilly (http://oreilly.com/catalog/opensources/book/toc.html)Ulteriori riferimenti bibliografici verranno forniti durante il corso. LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) St. Laurent, A. M. (2004). Understanding open source & free software licensing. O’Reilly. DiBona, C., Ockman, S., & Stone, M. (1999). Opensources : voices from the Open Sources revolution. O’Reilly.
Codice insegnamento 50879_650718_90644
Privacy and Intellectual Property Rights
1° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file
L'obiettivo del corso è introdurre gli studenti ai principi di base della Privacy e della Proprietà Intellettuale, prendendo in considerazione sia le questioni legali che quelle tecnologiche con riferimento ad alcuni…
Scheda dell'insegnamento
Obiettivi formativi
L'obiettivo del corso è introdurre gli studenti ai principi di base della Privacy e della Proprietà Intellettuale, prendendo in considerazione sia le questioni legali che quelle tecnologiche con riferimento ad alcuni casi di studio specifici. Alla fine del corso gli studenti saranno in grado di comprendere la natura delle questioni legali relative ai diritti di proprietà intellettuale e alla privacy.
Programma
Lista degli argomenti trattatii caratteri generali dell'ordine giuridico;la comparazione giuridica e l'analisi economica del diritto; l'evoluzione storica della proprietà intellettuale; il diritto d'autore; la tutela giuridica del software; licenze libere ed open source; i brevetti; le problematiche legate ai servizi online; diritto d'autore e condivisione di materiali online; i dati aperti; l'evoluzione storica del diritto allla riservatezza; la riservatezza in Europa e negli Stati Uniti; questioni etiche nel campo delle ICT; il DRM e il Trusted Computing.
Lezioni frontali in cui si presenteranno gli argomenti del corso. Durante il corso, le studentesse e gli studenti frequentanti dovranno consegnate tre brevi sintesi dei contenuti del corso. Al termine del corso, le studentesse e gli studenti frequentanti dovranno redigere un breve paper di approfondimento su un argomento del corso.
Modalità d'esame
Le modalità d'esame si differenziano per frequentanti e non frequentanti. Per essere considerate/i frequentanti è necessario: seguire le lezioni;consegnare le sintesi durante il corso. Esame per frequentanti: La studentessa/studente deve scrivere un paper di 10/12 pagine su un argomento approvato dai docenti del corso. I paper superiori a 18 pagine non saranno valutati. Il paper viene discusso oralmente durante la sessione d'esame. Un elenco di possibili argomenti sarà fornito sul sito del corso, altri argomenti potranno essere proposti per l'approvazione dei docenti del corso. I paper che fanno uso di plagio non saranno valutati e gli autori/autrici dovranno sostenere l'esame come non frequentanti in una diversa sessione d'esame (per esempio, si passa dalla sessione estiva a quella invernale). Non ci saranno eccezioni a questa regola Esame per non frequentanti: L'esame per i non frequentanti è strutturato in due parti. La prima parte è un esame scritto in modalità "open book": studentesse e studenti riceveranno due domande aperte sui temi del corso e dovranno rispondere entro 60 minuti. La seconda parte è un esame orale in cui si discutono sia le risposte date nella parte scritta sia tutti gli altri argomenti del corso. Per argomenti del corso si intendono gli argomenti contenuti nei testi di riferimento, nelle slide e nel materiale presente nel sito moodle del corso. Nell'esame scritto e orale sarà valutata la conoscenza e la padronanza dei contenuti, la capacità di elaborazione critica personale, il livello di approfondimento e l’efficacia espositiva, e la capacità di correlare i fenomeni tecnologici e giuridici possibilmente con appropriati riferimenti normativi.
Testi di riferimento
Andrew M. St. Laurent (2004), Understanding Open Source and Free Software Licensing, O'Reilly. ( http://www.oreilly.com/catalog/osfreesoft/book/ )Chris DiBona, Sam Ockman (1999), Open Sources: Voices from the Open Source Revolution, O'Reilly (http://oreilly.com/catalog/opensources/book/toc.html)Ulteriori riferimenti bibliografici verranno forniti durante il corso. LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) St. Laurent, A. M. (2004). Understanding open source & free software licensing. O’Reilly. DiBona, C., Ockman, S., & Stone, M. (1999). Opensources : voices from the Open Sources revolution. O’Reilly.
Codice insegnamento 50880_650718_90644
Process Mining and Management
1° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file
Obiettivo formativo del corso è introdurre e investigare i principali metodi e concetti relativi alla modellazione e analisi dei processi di business. Nel dettaglio, il corso si occuperà dei principali linguaggi di…
Scheda dell'insegnamento
Obiettivi formativi
Obiettivo formativo del corso è introdurre e investigare i principali metodi e concetti relativi alla modellazione e analisi dei processi di business. Nel dettaglio, il corso si occuperà dei principali linguaggi di modellazione dei processi (BPMN, Reti di Petri) e di rappresentazione di dati procedurali (XES), così come dei principali algoritmi e tecniche per la modellazione e l'analisi (semi)automatica dei processi (Process Mining). Una parte del corso sarà dedicata all'introduzione di strumenti di Process Mining e alla loro applicazione su dati reali. La frequenza e la partecipazione attiva alle due attività formative proposte dal corso (lezioni frontali, laboratori pratici) e lo studio e l'esercizio individuale consentiranno a studenti/studentesse di: conoscere i concetti relativi al Process Mining e Monitoring;comprendere concetti, metodi e linguaggi per la modellazione, analisi e mining dei processi di business;applicare le conoscenze acquisite su task ed esercizi;sviluppare soluzioni utilizzando le principali tecniche e strumenti per la modellazione, l'analisi e il mining dei processi di business.
Programma
Il programma del corso prevede la presentazione e la discussione dei seguenti argomenti: Introduzione al Process Mining e ManagementAnalisi e modellazione di processi di businessProcess discoveryConformance checkingStrumenti e tool per il Process MiningMonitoring predittivo di processi di business
I docenti utilizzeranno: lezioni frontali;laboratori pratici in cui gli studenti/studentesse utilizzeranno le principali tecniche e tool di Process Mining.
Modalità d'esame
I metodi previsti di accertamento delle conoscenze e competenze acquisite sono: Esame scritto con domande sugli argomenti affrontati nel corso;Progetto di gruppo.Per passare l'esame sarà necessario raggiungere la sufficienza su entrambe le parti. La prova scritta e il progetto concorreranno per il 60% e il 40% rispettivamente alla valutazione finale.
Testi di riferimento
Materiale online reso disponibile durante il corsoMarlon Dumas, Marcello La Rosa, Jan Mendling, Hajo A. Reijers. Fundamentals of Business Process Management, Springer, February 2013Wil M.P. van der Aalst and Christian Stahl. Modeling Business Processes: A Petri Net-Oriented Approach. Information Systems, 2011Wil M. P. van der Aalst. Process Mining - Data Science in Action, Second Edition. Springer-Verlag, Berlin, 2016Wil M. P. van der Aalst, Josep Carmona. Process Mining Handbook. Springer Nature, 2022Chiara Di Francescomarino, Ivan Donandello, Fabrizio Maria Maggi. Predictive Process Monitoring, Springer Nature, 2026 LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Dumas, M. (2018). Fundamentals of business process management (2. ed.). Springer. Aalst, W. M. P. van der, & Stahl, C. (2011). Modeling business processes : a petri net-oriented approach. MIT Press. Aalst, W. M. P. van der (2016). Process mining : data science in action (2. ed.). Springer. Aalst, W. M. P. van der, & Carmona, J. (2022). Process mining handbook. Springer. Di Francescomarino, C., Donatello, I., & Maggi, F. M. (2026). Predictive process monitoring. Springer.
Codice insegnamento 50879_650747_96636
Process Mining and Management
1° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file
Obiettivo formativo del corso è introdurre e investigare i principali metodi e concetti relativi alla modellazione e analisi dei processi di business. Nel dettaglio, il corso si occuperà dei principali linguaggi di…
Scheda dell'insegnamento
Obiettivi formativi
Obiettivo formativo del corso è introdurre e investigare i principali metodi e concetti relativi alla modellazione e analisi dei processi di business. Nel dettaglio, il corso si occuperà dei principali linguaggi di modellazione dei processi (BPMN, Reti di Petri) e di rappresentazione di dati procedurali (XES), così come dei principali algoritmi e tecniche per la modellazione e l'analisi (semi)automatica dei processi (Process Mining). Una parte del corso sarà dedicata all'introduzione di strumenti di Process Mining e alla loro applicazione su dati reali. La frequenza e la partecipazione attiva alle due attività formative proposte dal corso (lezioni frontali, laboratori pratici) e lo studio e l'esercizio individuale consentiranno a studenti/studentesse di: conoscere i concetti relativi al Process Mining e Monitoring;comprendere concetti, metodi e linguaggi per la modellazione, analisi e mining dei processi di business;applicare le conoscenze acquisite su task ed esercizi;sviluppare soluzioni utilizzando le principali tecniche e strumenti per la modellazione, l'analisi e il mining dei processi di business.
Programma
Il programma del corso prevede la presentazione e la discussione dei seguenti argomenti: Introduzione al Process Mining e ManagementAnalisi e modellazione di processi di businessProcess discoveryConformance checkingStrumenti e tool per il Process MiningMonitoring predittivo di processi di business
I docenti utilizzeranno: lezioni frontali;laboratori pratici in cui gli studenti/studentesse utilizzeranno le principali tecniche e tool di Process Mining.
Modalità d'esame
I metodi previsti di accertamento delle conoscenze e competenze acquisite sono: Esame scritto con domande sugli argomenti affrontati nel corso;Progetto di gruppo.Per passare l'esame sarà necessario raggiungere la sufficienza su entrambe le parti. La prova scritta e il progetto concorreranno per il 60% e il 40% rispettivamente alla valutazione finale.
Testi di riferimento
Materiale online reso disponibile durante il corsoMarlon Dumas, Marcello La Rosa, Jan Mendling, Hajo A. Reijers. Fundamentals of Business Process Management, Springer, February 2013Wil M.P. van der Aalst and Christian Stahl. Modeling Business Processes: A Petri Net-Oriented Approach. Information Systems, 2011Wil M. P. van der Aalst. Process Mining - Data Science in Action, Second Edition. Springer-Verlag, Berlin, 2016Wil M. P. van der Aalst, Josep Carmona. Process Mining Handbook. Springer Nature, 2022Chiara Di Francescomarino, Ivan Donandello, Fabrizio Maria Maggi. Predictive Process Monitoring, Springer Nature, 2026 LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Dumas, M. (2018). Fundamentals of business process management (2. ed.). Springer. Aalst, W. M. P. van der, & Stahl, C. (2011). Modeling business processes : a petri net-oriented approach. MIT Press. Aalst, W. M. P. van der (2016). Process mining : data science in action (2. ed.). Springer. Aalst, W. M. P. van der, & Carmona, J. (2022). Process mining handbook. Springer. Di Francescomarino, C., Donatello, I., & Maggi, F. M. (2026). Predictive process monitoring. Springer.
Codice insegnamento 50880_650747_96636
Programming Language Semantics
1° anno · 2° semestre · 6 CFU · INFO-01/A · 0 file
Il corso e` tenuto in inglese, si faccia riferimento alla versione inglese della pagina del corso per i relativi contenuti.
Scheda dell'insegnamento
Obiettivi formativi
Il corso e` tenuto in inglese, si faccia riferimento alla versione inglese della pagina del corso per i relativi contenuti.
Programma
Il corso e` tenuto in inglese, si faccia riferimento alla versione inglese della pagina del corso per i relativi contenuti.
Il corso e` tenuto in inglese, si faccia riferimento alla versione inglese della pagina del corso per i relativi contenuti.
Modalità d'esame
Il corso e` tenuto in inglese, si faccia riferimento alla versione inglese della pagina del corso per i relativi contenuti.
Testi di riferimento
Il corso e` tenuto in inglese, si faccia riferimento alla versione inglese della pagina del corso per i relativi contenuti.
Codice insegnamento 50880_650704_95931
Robot Planning and its application
1° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file
In questo corso, gli studenti svilupperanno un'applicazione robotica completa con una forte enfasi sulla pianificazione del movimento. Il loro lavoro si concentrerà su casi d'uso pratici in cui i robot devono…
Scheda dell'insegnamento
Obiettivi formativi
In questo corso, gli studenti svilupperanno un'applicazione robotica completa con una forte enfasi sulla pianificazione del movimento. Il loro lavoro si concentrerà su casi d'uso pratici in cui i robot devono completare in modo efficiente i compiti, evitando ostacoli e aree pericolose nel minor tempo possibile. L'applicazione presenterà un sistema multi-agente, che potrebbe coinvolgere la coordinazione o la competizione tra gli agenti. Contrariamente a una tipica competizione robotica, gli studenti saranno anche tenuti a discutere le basi teoriche dei metodi scelti. Al termine di questo corso, gli studenti avranno una conoscenza di base dei principali approcci alla pianificazione del movimento, saranno esperti nell'identificare le soluzioni ottimali dalla letteratura scientifica e possederanno una padronanza delle tecniche di sviluppo che traducono idee innovative in codice robusto e ben fondato.
Programma
Introduzione al problema della Pianificazione del Movimento Fondamenti matematici per robot mobili Fondamenti matematici sui metodi di Ottimizzazione Ottimizzazione ConvessaOttimizzazione Intera e Mista-Intera Metodi di ottimizzazione su grafi Controllo Ottimo e pianificazione del movimento senza vincoli Introduzione al controllo ottimoIl problema di Dubins: enunciato e soluzione Rilevamento di ostacoli e collisioni Pianificazione del movimento con ostacoli Metodi basati su celleMetodi basati su campionamentoCampi Potenziali Elementi di teoria dei giochi Uso del framework di programmazione ROS Alcune idee dalla pianificazione dei compiti Lavoro di laboratorio sul progetto
Il corso combinerà lezioni teoriche e pratiche per costruire le conoscenze fondamentali. Successivamente, agli studenti verrà assegnato il lavoro di progetto. Tutte le fasi del progetto saranno condotte in aula con l'assistenza diretta di un docente. Inoltre, verranno riservate ore di laboratorio dedicate al lavoro autonomo degli studenti, consentendo un'esplorazione e un'applicazione più approfondita dei concetti.
Modalità d'esame
L'apprendimento sarà valutato tramite la valutazione e discussione dei lavori di progetto. L'assegnazione specifica del problema e le tecniche da utilizzare saranno fornite durante le lezioni iniziali. Gli studenti sono tenuti a consegnare una relazione scritta, il codice sorgente completo e annotato, e una presentazione. La presentazione dovrà concentrarsi sulla giustificazione delle scelte algoritmiche nel contesto dei compromessi discussi durante il corso.
Testi di riferimento
Lo studente riceverà una selezione di materiali di studio utili per sviluppare la sua soluzione. Un riferimento utile è il libro "Planning Algorithms" di Stephen Lavalle, disponibile online in formato gratuito.
Codice insegnamento 50879_650738_94680
Security testing
1° anno · 1° semestre · 6 CFU · INFO-01/A · 0 file
Obiettivi di Apprendimento Introdurre i principi, le tecniche e gli strumenti del Security Testing. Al termine del corso, gli studenti sapranno: Comprendere perchè security testing è importante per identificare e…
Scheda dell'insegnamento
Obiettivi formativi
Obiettivi di Apprendimento Introdurre i principi, le tecniche e gli strumenti del Security Testing. Al termine del corso, gli studenti sapranno: Comprendere perchè security testing è importante per identificare e limitate i rischi di sicurezza.Conoscere i principi, le tecniche, e i tools per condurre security testing.Applicare i metodi fondamentali di security testing a progetti software.Valutare e selezionare i tool esistenti per condurre attività di security testing.Identificare e analizzare vulnerabilità in diverse tipologie di software. Concetti chiaveSecurity testing: Modelli di attacco e tassonomia Vulnerabilità del software Rilevamento delle vulnerabilità Analisi staticaAnalisi dinamicaMetodi basati su sistemi di intelligenza artificiale Risultati di Apprendimento Attesi Lo studente sarà in grado di identificare e rilevare nei sistemi di diverse dimensioni le vulnerabilità software più frequenti, applicando soluzioni e strumenti esistenti.
Programma
Introduzione al Security Testing Contesto del security testingFasi e ciclo di vita del secure softwareCodifica sicura (Secure coding)Vulnerabilità e bugVulnerabilità e cyber-attacchiAnalisi delle vulnerabilitàRepository di vulnerabilitàVulnerabilità SQL injectionXSS (Cross-Site Scripting)String formatBuffer overflowInteger overflowCommand injectionGestione degli errori (Error handling)Archiviazione dati (Data storage)CSRF (Cross-Site Request Forgery)Rilevamento delle Vulnerabilità Analisi staticaAnalisi del flusso di dati (Data-flow analysis e Taint analysis)Analisi delle vulnerabilità basata su machine learning e deep learningAnalisi delle dipendenze (Dependency analysis)Analisi dinamica e FuzzingArgomenti Avanzati (introduzione) Vulnerability scanning e penetration testingTest di sistemi e modelli di intelligenza artificiale (AI)Seminari con aziende di sicurezza (da confermare in base alla disponibilità delle aziende)Strumenti Analisi staticaAnalisi dinamicaAnalisi basata su Intelligenza artificiale, in particolare deep-learning
Il corso è organizzato in lezioni frontali e sessioni di laboratorio. Lezioni Frontali (per le parti teoriche) Introduzione ai principiMetodi e tecnicheProblemi di sicurezza e vulnerabilitàTecniche per rilevare le vulnerabilità nei sistemi softwareArgomenti avanzati Sessioni di Laboratorio Installazione, configurazione e uso degli strumenti per rilevare vulnerabilità, lavorando individualmente e in gruppo.
Modalità d'esame
Ogni sessione d'esame è composta da due parti: Un test scritto con domande (a risposta chiusa e aperta) ed esercizi per valutare la competenza teorica acquisita (Durata: 2 ore).Una relazione che descrive attività progettuale (da inviare una settimana prima della data dell'esame). Dettagli: Le due parti possono essere sostenute anche in sessioni d'esame distinte (ad esempio, a gennaio il test scritto e a febbraio il progetto).Non ci sono vincoli sull'ordine di esecuzione delle due parti.Per entrambe le parti è necessario raggiungere un punteggio minimo di 18 su 30.Il voto finale è la media di entrambe le parti, espresso in trentesimi (/30). Simulazione della Sessione d'Esame: Sarà organizzata una simulazione del test scritto (non valida come esame) per consentire allo studente di fare pratica con le modalità e le condizioni d'esame.
Testi di riferimento
Slide e documenti aggiuntivi saranno disponibili sul sito Moodle del corso.Esempi di programmi di codice, sia quelli utilizzati nelle lezioni che nei laboratori, saranno disponibili sul sito del corso, così come verranno resi disponibili ulteriori esempi.Esempi di esercizi di esami degli anni precedenti veranno messi a disposizioneRiferimenti a letture aggiuntive di interesse per gli studenti saranno forniti dal docente.
Codice insegnamento 50879_650712_90643
Security testing
1° anno · 1° semestre · 6 CFU · INFO-01/A · 0 file
Obiettivi di Apprendimento Introdurre i principi, le tecniche e gli strumenti del Security Testing. Al termine del corso, gli studenti sapranno: Comprendere perchè security testing è importante per identificare e…
Scheda dell'insegnamento
Obiettivi formativi
Obiettivi di Apprendimento Introdurre i principi, le tecniche e gli strumenti del Security Testing. Al termine del corso, gli studenti sapranno: Comprendere perchè security testing è importante per identificare e limitate i rischi di sicurezza.Conoscere i principi, le tecniche, e i tools per condurre security testing.Applicare i metodi fondamentali di security testing a progetti software.Valutare e selezionare i tool esistenti per condurre attività di security testing.Identificare e analizzare vulnerabilità in diverse tipologie di software. Concetti chiaveSecurity testing: Modelli di attacco e tassonomia Vulnerabilità del software Rilevamento delle vulnerabilità Analisi staticaAnalisi dinamicaMetodi basati su sistemi di intelligenza artificiale Risultati di Apprendimento Attesi Lo studente sarà in grado di identificare e rilevare nei sistemi di diverse dimensioni le vulnerabilità software più frequenti, applicando soluzioni e strumenti esistenti.
Programma
Introduzione al Security Testing Contesto del security testingFasi e ciclo di vita del secure softwareCodifica sicura (Secure coding)Vulnerabilità e bugVulnerabilità e cyber-attacchiAnalisi delle vulnerabilitàRepository di vulnerabilitàVulnerabilità SQL injectionXSS (Cross-Site Scripting)String formatBuffer overflowInteger overflowCommand injectionGestione degli errori (Error handling)Archiviazione dati (Data storage)CSRF (Cross-Site Request Forgery)Rilevamento delle Vulnerabilità Analisi staticaAnalisi del flusso di dati (Data-flow analysis e Taint analysis)Analisi delle vulnerabilità basata su machine learning e deep learningAnalisi delle dipendenze (Dependency analysis)Analisi dinamica e FuzzingArgomenti Avanzati (introduzione) Vulnerability scanning e penetration testingTest di sistemi e modelli di intelligenza artificiale (AI)Seminari con aziende di sicurezza (da confermare in base alla disponibilità delle aziende)Strumenti Analisi staticaAnalisi dinamicaAnalisi basata su Intelligenza artificiale, in particolare deep-learning
Il corso è organizzato in lezioni frontali e sessioni di laboratorio. Lezioni Frontali (per le parti teoriche) Introduzione ai principiMetodi e tecnicheProblemi di sicurezza e vulnerabilitàTecniche per rilevare le vulnerabilità nei sistemi softwareArgomenti avanzati Sessioni di Laboratorio Installazione, configurazione e uso degli strumenti per rilevare vulnerabilità, lavorando individualmente e in gruppo.
Modalità d'esame
Ogni sessione d'esame è composta da due parti: Un test scritto con domande (a risposta chiusa e aperta) ed esercizi per valutare la competenza teorica acquisita (Durata: 2 ore).Una relazione che descrive attività progettuale (da inviare una settimana prima della data dell'esame). Dettagli: Le due parti possono essere sostenute anche in sessioni d'esame distinte (ad esempio, a gennaio il test scritto e a febbraio il progetto).Non ci sono vincoli sull'ordine di esecuzione delle due parti.Per entrambe le parti è necessario raggiungere un punteggio minimo di 18 su 30.Il voto finale è la media di entrambe le parti, espresso in trentesimi (/30). Simulazione della Sessione d'Esame: Sarà organizzata una simulazione del test scritto (non valida come esame) per consentire allo studente di fare pratica con le modalità e le condizioni d'esame.
Testi di riferimento
Slide e documenti aggiuntivi saranno disponibili sul sito Moodle del corso.Esempi di programmi di codice, sia quelli utilizzati nelle lezioni che nei laboratori, saranno disponibili sul sito del corso, così come verranno resi disponibili ulteriori esempi.Esempi di esercizi di esami degli anni precedenti veranno messi a disposizioneRiferimenti a letture aggiuntive di interesse per gli studenti saranno forniti dal docente.
Codice insegnamento 50880_650712_90643
Service Design and Engineering
1° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file
The course focuses on current methodologies, languages and tools to support the "service-oriented" approach to programming and business process management, based on the idea of composing applications by discovering and…
Scheda dell'insegnamento
Obiettivi formativi
The course focuses on current methodologies, languages and tools to support the "service-oriented" approach to programming and business process management, based on the idea of composing applications by discovering and invoking network-available services rather than building new applications to accomplish some task. In this approach, services are self-contained processes - deployed over standard middleware platforms, e.g., J2EE, Heroku, Docker... - that can be described, published, located, and invoked over a network. Learning objectives Knowledge and comprehension: LO1 Identify and master appropriate software technologies, architectures and systems related to service oriented computing Analysis: LO2: Analyze the user and organizational needs for services and their decomposition LO3: Analyze different service-oriented computing approaches and open standards Application and skills: LO4: Model, design and integrate software intensive service applications and information systems LO5: Apply Conceive-Design-Implement-Operate methodologies to develop software solutions to complex value-added service process and systems challenges Synthesis and Evaluation: LO6: Propose novel and innovative services supporting sustainable business processes
Programma
In the frontal lectures, the following topics will be covered: • Introduction to Web-services: The Concept of software as a service, What are web services? Web services: types and characteristics • Review to Distributed Computing Infrastructure: Internet Protocols, Middleware, The Client/Server Model, Characteristics of Inter-Process Communication, Non-message based Forms of Middleware, Message based Forms of Middleware, Event-Driven Processing Mechanisms , Message Oriented Middleware, Integration brokers, Transaction Oriented Middleware • The service-oriented architecture (SOA): Roles of interaction in the service-oriented architecture, Operations in the service-oriented architecture (Publish, Find, Bind), Aggregated services • Resource-oriented architectures: RESTful services • Languages for SOAP-based Web Services: SOAP: Simple Object Access Protocol; WSDL: Web Services Description Language • Designing Web-services architectures Lab activities During lab activities, students will presente and use modern service middleware as well as design, implement and test live deployments of individual services and composed service applications. Students will be organized in groups and assigned a specific topic. Through some mentoring sessions with the teaching team, students will prepare a laboratory session, that they will conduct to instruct their peers. Each lab session will include a presentation, some examples and a small exercise that will be collected after the laboratory session. Normally, the following topics will be covered during the laboratory classes, but other can be added during the course in interaction with the teachers XML and JSON o XML Schema and XML Style Sheet o XML Parsing o HTML Parsing o JSON syntax and parsing Web Service Middleware o Deploy and Setting up of Virtual Machines and containers o Testing Web services o Example Microservices environments Web Service Protocols o REST (Representational State Transfer) Web Services o Web Services development o Web Services deployment Service Oriented Applications o SO Application Design o SO Application Development o SO Application Deployment o Continuous Deployment/Continuous Integration
Frontal lectures, Blended Learning methodologies (e.g., using video lectures and class discussions), students’ team working in the laboratories, team working for the final project.
Modalità d'esame
The course exam consists of three parts: 1. an evaluation of the concepts presented during the lectures and the labs. This part will be evaluated through Q&A (open questions) connected with the laboratory assignment and contributes up to 4 points. 2. an evaluation of the lab activities carried out by teams of student. This activity is carried out during the course under supervision of mentors, and the students are asked to present in teams a laboratory topic. The lab activity is summarized in a portfolio of laboratory teaching material (presentation, tutorials, examples and exercise) to be evaluated by the instructors and contributes up to 13/30 points of the final grade. 3. A final project verifies that the student has developed a general understanding of the key concepts and issues presented during lectures. The final project contributes up to 13/30 points of the final grade and can done in groups.
Testi di riferimento
No textbook is required. Reference articles and bibliography will be provided to students by lecturers, and on a case-by-case basis depending on each student's needs.
Codice insegnamento 50879_650766_94182
Service Design and Engineering
1° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file
The course focuses on current methodologies, languages and tools to support the "service-oriented" approach to programming and business process management, based on the idea of composing applications by discovering and…
Scheda dell'insegnamento
Obiettivi formativi
The course focuses on current methodologies, languages and tools to support the "service-oriented" approach to programming and business process management, based on the idea of composing applications by discovering and invoking network-available services rather than building new applications to accomplish some task. In this approach, services are self-contained processes - deployed over standard middleware platforms, e.g., J2EE, Heroku, Docker... - that can be described, published, located, and invoked over a network. Learning objectives Knowledge and comprehension: LO1 Identify and master appropriate software technologies, architectures and systems related to service oriented computing Analysis: LO2: Analyze the user and organizational needs for services and their decomposition LO3: Analyze different service-oriented computing approaches and open standards Application and skills: LO4: Model, design and integrate software intensive service applications and information systems LO5: Apply Conceive-Design-Implement-Operate methodologies to develop software solutions to complex value-added service process and systems challenges Synthesis and Evaluation: LO6: Propose novel and innovative services supporting sustainable business processes
Programma
In the frontal lectures, the following topics will be covered: • Introduction to Web-services: The Concept of software as a service, What are web services? Web services: types and characteristics • Review to Distributed Computing Infrastructure: Internet Protocols, Middleware, The Client/Server Model, Characteristics of Inter-Process Communication, Non-message based Forms of Middleware, Message based Forms of Middleware, Event-Driven Processing Mechanisms , Message Oriented Middleware, Integration brokers, Transaction Oriented Middleware • The service-oriented architecture (SOA): Roles of interaction in the service-oriented architecture, Operations in the service-oriented architecture (Publish, Find, Bind), Aggregated services • Resource-oriented architectures: RESTful services • Languages for SOAP-based Web Services: SOAP: Simple Object Access Protocol; WSDL: Web Services Description Language • Designing Web-services architectures Lab activities During lab activities, students will presente and use modern service middleware as well as design, implement and test live deployments of individual services and composed service applications. Students will be organized in groups and assigned a specific topic. Through some mentoring sessions with the teaching team, students will prepare a laboratory session, that they will conduct to instruct their peers. Each lab session will include a presentation, some examples and a small exercise that will be collected after the laboratory session. Normally, the following topics will be covered during the laboratory classes, but other can be added during the course in interaction with the teachers XML and JSON o XML Schema and XML Style Sheet o XML Parsing o HTML Parsing o JSON syntax and parsing Web Service Middleware o Deploy and Setting up of Virtual Machines and containers o Testing Web services o Example Microservices environments Web Service Protocols o REST (Representational State Transfer) Web Services o Web Services development o Web Services deployment Service Oriented Applications o SO Application Design o SO Application Development o SO Application Deployment o Continuous Deployment/Continuous Integration
Frontal lectures, Blended Learning methodologies (e.g., using video lectures and class discussions), students’ team working in the laboratories, team working for the final project.
Modalità d'esame
The course exam consists of three parts: 1. an evaluation of the concepts presented during the lectures and the labs. This part will be evaluated through Q&A (open questions) connected with the laboratory assignment and contributes up to 4 points. 2. an evaluation of the lab activities carried out by teams of student. This activity is carried out during the course under supervision of mentors, and the students are asked to present in teams a laboratory topic. The lab activity is summarized in a portfolio of laboratory teaching material (presentation, tutorials, examples and exercise) to be evaluated by the instructors and contributes up to 13/30 points of the final grade. 3. A final project verifies that the student has developed a general understanding of the key concepts and issues presented during lectures. The final project contributes up to 13/30 points of the final grade and can done in groups.
Testi di riferimento
No textbook is required. Reference articles and bibliography will be provided to students by lecturers, and on a case-by-case basis depending on each student's needs.
Codice insegnamento 50880_650766_94182
Simulation and Evaluation of Networked Systems
1° anno · 2° semestre · 6 CFU · IINF-03/A · 0 file
Il corso è progettato per fornire allo studente le conoscenze e la pratica con i quali portare a termine la valutazione delle performance di un sistema in maniera corretta e strutturata, concentrandosi sull'uso di…
Scheda dell'insegnamento
Obiettivi formativi
Il corso è progettato per fornire allo studente le conoscenze e la pratica con i quali portare a termine la valutazione delle performance di un sistema in maniera corretta e strutturata, concentrandosi sull'uso di strumenti di simulazione.Attraverso lezioni teoriche, homework, e lo sviluppo di un progetto, alla fine del corso lo studente sarà in grado di: • impostare correttamente la caratterizzazione di un sistema tramite simulazioni evitando i più comuni errori procedurali • strutturare i vari elementi di un simulatore • analizzare un dataset attraverso un'analisi empirica, tracciando intervalli di predizione e di confidenza • usare modelli statistici per approssimare i dati • effettuare ed analizzare simulazioni Monte-Carlo • costruire e usare simulatori a eventi discreti • strutturare e gestire la simulazione di sistemi complessi
Programma
Il corso si sviluppa attraverso le seguenti tematiche: Introduzione: note metodologiche e errori comuni di uno studio simulativo; il metodo scientificoAnalisi sintetica di un dataset (media, varianza, CDF, qq-plot, interfalli di confidenza e predizione)Fitting di una distribuzione ad un dataset e valutazione della correttezza del fitStruttura di base di un simulatore a eventi discretiTecniche per l'estrazione di variabili casuali con distribuzioni classiche e arbitrarieAnalisi dell'output di una simulazione e tecniche di riduzione della varianzaFondamenti di framework di simulazione di rete avanzati: OMNeT++ e librerie di simulazione
Lezioni in aula sugli aspetti metodologici, teorici e pratici della simulazione.Homework da svolgersi in piccoli gruppi e da consegnare in itinereProgetto di fine corso da svolgersi in piccoli gruppi sotto la supervisione del docente
Modalità d'esame
La valutazione si basa su: homework assegnato dal docente durante il corso (15%)progetto finale di simulazione (50%)esame orale sui contenuti del corso (35%)Per studenti che dovessero optare per non consegnare l'homework la valutazione si basa su: progetto finale di simulazione (50%)esame orale sui contenuti del corso (50%)
Testi di riferimento
Il corso utilizza principalmente il seguente materiale didattico J.-Y. Le Boudec, “Performance Evaluation of Computer and Communication Systems”, EPFL Press, Lausanne, Switzerland (versione dell'autore scaricabile liberamente da https://perfeval.epfl.ch/printMe/perf.pdf)S. M. Ross, “Simulation,” Elsevier, 5a edizione - A. Law, “Simulation Modeling & Analysis,” McGraw-Hill, 5a edizioneMateriale tutoriale su OMNeT++ disponibile onlineSlide del docenteArticoli scientifici suggeriti dal docente Se si necessita di un riferimento per un ripasso di teoria della probabilità di base si consiglia S. M. Ross, “Introduction to probability models,” Academic Press, 11a edizione LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Le Boudec, J.-Y. (2021). Performance evaluation of computer and communication systems. EPFL. Ross, S. M. (2022). Simulation (6th ed.). Elsevier Academic press. Law, A. M. (2024). Simulation modeling and analysis (6. ed.). McGraw-Hill Education. Ross, S. M. (2023). Introduction to probability models (13. ed.). Elsevier.
Codice insegnamento 51351_658355_97585
Soft Skills Development
1° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file
The goal of this course is to provide students with the essential soft skills needed to excel in both technical and non-technical aspects of their careers. The initial motivation for proposing the course comes from a…
Scheda dell'insegnamento
Obiettivi formativi
The goal of this course is to provide students with the essential soft skills needed to excel in both technical and non-technical aspects of their careers. The initial motivation for proposing the course comes from a market need. According to the feedback received from the companies represented in the Department Advisory Board, while being technically strong, DISI students lack essential soft skills. This matter has also been investigated by means of a survey submitted to the Department stakeholders, that helped to identify a ranking of the most relevant soft skills for the workplace. In this course students will have the opportunity to identify and develop their soft skills, focusing on both theory (readings and discussions) and on practice (exercises and simulations). These skills will support them in valorising their scientific competences. The main soft skills covered in this course will be: Group Work and Collaboration; Effective communication and active listening; Problem solving; Constructive feedback and proactivity; Time management; Responsibilities and stress management.
Programma
Understanding Soft Skills Introduction to Soft Skills Classifications of Soft Skills Human communication principles Nonverbal and Paraverbal Communication Emotional intelligence (introduction to) Practicing Soft Skills Definitions, tests, practical activities and development of several Soft Skills, such as: Group Work; Effective communication; Problem solving; Constructive feedback and proactivity; Time management; Responsibilities and stress management.
In addition to lectures and guest lectures, the course will be based on Active and Experiential Learning, alternating theory and practice. Students will be actively engaged in workgroup activities, presentations, role play and other exercises for experimenting with soft skills. For this reason, active participation to more than half of the lectures is required to be admitted to take the exam.
Modalità d'esame
During the course: practical activities supporting soft skill developmentAt the end of the course: reflection paper, connecting theory with personal advancements and learningsAt the exam: discussion of the reflection paper and of the individual learnings
Testi di riferimento
Codice insegnamento 51351_650867_96670
Software Development for Collaborative Robotics
1° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file
I robot collaborativi sono sistemi robotici che operano in stretta connessione con l'uomo. Pertanto, devono soddisfare requisiti molto impegnativi in termini di sicurezza, prestazioni ed ergonomia. Inoltre, l'interazione…
Scheda dell'insegnamento
Obiettivi formativi
I robot collaborativi sono sistemi robotici che operano in stretta connessione con l'uomo. Pertanto, devono soddisfare requisiti molto impegnativi in termini di sicurezza, prestazioni ed ergonomia. Inoltre, l'interazione con l'uomo per l'esecuzione di compiti condivisi richiede alti livelli di flessibilità e adattabilità. In questo contesto, non sorprende che la componente software giochi un ruolo dominante nello sviluppo del sistema. Per soddisfare gli impegnativi requisiti sopra elencati, la qualità del componente software deve essere dei migliori standard disponibili nella pratica industriale odierna. In questo corso, lo studente entrerà in contatto con i più recenti progressi tecnologici della robotica collaborativa. Sceglierà un progetto nell'area con un livello di complessità tale da giustificare l'adozione di tecniche di programmazione all'avanguardia. Il tema specifico del progetto sarà scelto in base all'interesse del gruppo in una delle tre macro aree: salute, agricoltura di precisione e manifattura. Lo studente apprenderà: l'uso del framework di programmazione ROS 2;come progettare e sviluppare codice modulare, ben documentato e testato;l'uso avanzato del linguaggio di programmazione C++ nel contesto di ROS 2;l’uso del linguaggio di programmazione Python nel contest di ROS 2. Al termine dell’insegnamento, lo studente sarà in grado di: Sviluppare un’applicazione di robotica collaborativa che include la pianificazione e attuazione di interazione, moto e task del robot;Integrare aspetti di programmazione avanzata in C++ e Python che favoriscono la modularità e riusabilità del codice;Mantenere e gestire software in gruppo, che includa documentazione, testing, integrazione continua, con controllo di versione;Presentare e valorizzare in gruppo gli aspetti caratterizzanti del proprio lavoro.
Programma
Il corso fornirà le competenze necessarie per sviluppare un progetto di alta qualità nel campo della robotica collaborativa. I contenuti del corso sono i seguenti: Concetti fondamentali di robotica collaborativa;Sviluppo di software e simulazione utilizzando ROS 2;Gestione software in gruppo con controllo di versione;Documentazione, test e integrazione continua del software;Presentazione dei diversi temi del progetto;Sviluppo del progetto (attività di laboratorio).
L'insegnamento si baserà su: lezioni teoriche ed esercitazioni in aulasessioni pratiche in aula per lo sviluppo del progetto.
Modalità d'esame
Gli studenti formeranno gruppi di 2 persone a scelta (3 persone al massimo nel caso di numero dispari di studenti totali). Ogni gruppo sceglierà un progetto diverso in base all'interesse specifico dello studente (ad esempio, salute, manifattura, agricoltura di precisione) e dovrà sviluppare un’applicazione software che include vari aspetti di robotica collaborativa, dalla simulazione alla pianificazione e attuazione di interazione, moto e task. Alla fine del corso, ogni gruppo consegnerà il progetto che consiste nel codice sorgente completo e documentato caricato in una repository GitHub online messa a disposizione dal docente (50% della valutazione finale). Successivamente alla consegna del codice sorgente sarà fissata una presentazione orale (50% della valutazione finale) comune per tutti gli studenti, fissata nelle date dell’esame o comunque in una data che permetta al docente di visionare i progetti prima della presentazione degli studenti. La valutazione del contenuto teorico del corso sarà effettuata con qualche domanda orale durante la presentazione. Il docente si riserva la possibilità di richiedere una relazione scritta dove necessario. Gli studenti presenteranno il loro lavoro durante una sessione orale con il docente e gli assistenti didattici. Sia nella relazione, ma ancora di più nella presentazione, è richiesto di evidenziare le scelte più importanti alla base del progetto, spiegando come sono stati soddisfatti i diversi requisiti sulla qualità del software usando tecniche viste a lezione ed eventualmente altre incontrate nello sviluppo nel progetto.
Testi di riferimento
Il corso consiste in un insieme multidisciplinare di argomenti che convergono verso lo stesso obiettivo. Grosso modo possiamo identificare tre grandi aree: Il framework di sviluppo ROS2Sviluppo avanzato di software in C++Le migliori pratiche di progettazione e implementazione del software robotico Per quanto riguarda la prima area, raccomandiamo il libro: B. Stroustrup: “Programming Principles and Practices using C++ (Second Edition)” Per quanto riguarda la seconda area, c'è molto materiale open source online in internet. Se volete un libro, potete prendere in considerazione: Marco Matteo Bass: "A very informal journey through ROS2: Patterns, Anti-patterns, Frameworks, and Best Practices". Per la terza area, si faccia riferimento alle diapositive e alle registrazioni delle lezioni che verranno caricate di volta in volta nella pagina di Moodle del corso.
Codice insegnamento 50879_650755_96200
Statistical Methods
1° anno · 1° semestre · 6 CFU · INFO-01/A · 0 file
Il corso introduce i principali strumenti probabilistici e statistici necessari per formulare, analizzare e interpretare problemi di inferenza a partire da dati reali. Particolare attenzione è dedicata all’approccio…
Scheda dell'insegnamento
Obiettivi formativi
Il corso introduce i principali strumenti probabilistici e statistici necessari per formulare, analizzare e interpretare problemi di inferenza a partire da dati reali. Particolare attenzione è dedicata all’approccio basato sulla verosimiglianza, ai metodi di stima, alla verifica di ipotesi e ai modelli lineari. Una parte del corso è inoltre dedicata all’uso di R per l’esplorazione, la visualizzazione e l’analisi statistica dei dati. Al termine del corso, lo studente sarà in grado di formulare semplici modelli probabilistici per fenomeni aleatori; riconoscere e utilizzare le principali distribuzioni discrete e continue; applicare la probabilità condizionata, la formula di Bayes e i principali risultati asintotici; costruire e interpretare funzioni di verosimiglianza e stimatori di massima verosimiglianza; valutare le proprietà di uno stimatore, inclusi bias, varianza, errore quadratico medio ed errore standard; costruire e interpretare intervalli di confidenza mediante metodi esatti e asintotici; formulare ed eseguire test statistici, interpretando correttamente errori, livelli di significatività e p-value; stimare, interpretare e diagnosticare modelli di regressione lineare; trattare predittori numerici e categorici, interazioni, analisi della varianza e confronti multipli; confrontare modelli mediante test statistici e criteri informativi; utilizzare R per produrre grafici, analizzare dati reali e comunicare correttamente i risultati.
Programma
Introduzione alla probabilità come misura di incertezza, probabilità condizionale, teorema di Bayes.Alcune prrobabilità continue e discrete. Ditribuzioni multidimensionali. Matrice delle covarianze. Ditribuzione normale multidimensionale.Introduzione a diversi tipi di dati,Introduzione ad R.Visualizzazione ed esplorazione di dati; preparazione dei dati per l'analisi.Dati e modelli. Funzione di verosimiglianza; stime di massima verosimiglianza.Profile Likelihood.Test del rapporto di verosimiglianza, t test.Intervalli di confidenza: definizione ed esempi.Regressione lineare come esempio di massima verosimiglianza. Metodo dei minimi quadrati. Modelli lineari in forma di matrice: esempi di regressione multipla, analisi dell avarianza.Alcuni metodi per comparare modelli.
Il corso si divede in due parti. Una parte di lezioni frontali (circa tre quarti del corso) e delle esercitazioni (circa un quarto del corso). Durante le lezioni gli studenti sono incoraggiati ad esprimere le loro osservazioni ed il loro punto di vista sui concetti teorici e gli esempi pratici. Ogni settimana verrà pubblicata una scheda di esercizi che gli studenti potranno sfruttare per miglorare e riconsiderare le loro conoscenze dei concetti teorici visti a lezione. Alcuni degli esercizi daranno agli studenti la possibilità di fare esperienza con dati reali. Se possibile le lezioni saranno anche in diretta zoom e le registrazioni verranno caricate su Moodle.
Modalità d'esame
Ci saranno due prove parziali durante il corso: una ma metà ed una alla fine. Ognuna contibuirà al 50% del voto finale. Gli studenti possono anche sostenere l'esame finale in ogni sessione. L'esame si divide in due parti. Una prima parte da risolvere con carta e penna che include domande teoriche e risoluzione di esercizi. Una parte da svolgere al computer che prevede l'analisi di dati con semplici programmi di R script.
Testi di riferimento
Il materiale presentato nel corso si può trovare in vari libri: L. Held and D. Sabanés Bové, “Likelihood and Bayesian Inference”, Springer, 2020 G. James, D. Witten, T. Hastie and R. Tibshirani, "An Introduction to Statistical Learning", Springer, 2013 B. Bolker Ecological Models and Data in R, Princeton university press, 2008 W. Ewens and G. Grant, "Statistical Methods in Bioinformatics: an Introduction", Springer, 2004 B. Shahbaba, "Biostatistics with R: An Introduction to Statistics Through Biological Data", Springer, 2012 Y. Pawitan, "In All Likelihood: Statistical Modelling And Inference Using Likelihood", Oxford University Press, 2013
Codice insegnamento 50879_650734_94779
Statistical Models
1° anno · 2° semestre · 6 CFU · INFO-01/A · 0 file
Gli studenti alla fine di questo modulo saranno in grado di utilizzare tecniche moderne di regressione, come ad esempio i modelli lineari generalizzati, per lo studio della relazione tra variabili. Saranno inoltre in…
Scheda dell'insegnamento
Obiettivi formativi
Gli studenti alla fine di questo modulo saranno in grado di utilizzare tecniche moderne di regressione, come ad esempio i modelli lineari generalizzati, per lo studio della relazione tra variabili. Saranno inoltre in grado di utilizzare tecniche di classificazione (supervised learning) e metodi di raggruppamento (unsupervised learning). Avranno una conoscenza di base degli aspetti fondamentali della teoria e saranno in grado di applicare i risultati teorici a casi pratici attraverso l'uso di un programma di calcolo statistico.
Programma
Modelli lineari di regressione, modelli lineari generalizzati, famiglia esponenziale e casi particolari: binomiale, PoissonModelli per la classificazione, regressione logistica, analisi discriminanteMetodi di ricampionamento: crossvalidazione, bootstrapMacchine a supporto vettorialeRegressione su alberi e alberi casualiSurvival analysisRelational event modelsMetodi di clustering
Lezioni frontali e esercitazioni al computer.
Modalità d'esame
Esame scritto e compiti per casa
Testi di riferimento
Libro di riferimento: James, G., Witten, D., Hastie, T., Tibshirani, R.: An Introduction to Statistical Learning with Applications in R. Springer, 2023. Altre letture: Faraway, J.J.: Linear Model with R. Chapman & Hall/CRC, 2009. Faraway, J.J.: Extending the Linear Model with R: Generalized Linear, Mixed Effects and Nonparametric Regression Models. Chapman & Hall/CRC, 2006. Fox, J., Weisberg, S.: An R Companion to Applied Regression, Second Edition. Sage Publications, 2011. Hastie, T., Tibshirani, R., Friedman, J.: The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer, 2009. LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Libro di riferimento: James, G. et al. (2021). An introduction to statistical learning : with applications in R (2nd ed.). Springer.Altre letture: Faraway, J. J. (2025). Linear models with R (3. ed.). CRC press.Faraway, J. J. (2016). Extending the linear model with R : generalized linear, mixed effects and nonparametric regression models (2nd ed.). Chapman & Hall/CRC.Fox, J., & Weisberg, S. (2019). An R companion to applied regression (3rd ed.). Sage.Hastie, T., Tibshirani, R. J., & Friedman, J. H. (2009). The elements of statistical learning : data mining, inference and prediction (2nd ed.). Springer.
Codice insegnamento 50879_650725_95122
AI and Innovation
2° anno · 6 CFU · IINF-05/A · 0 file
Alla fine di questo corso gli studenti saranno in grado di: comprendere il processo di gestione dell'innovazione e i principali processi aziendali come contesto per l'adozione dell'Intelligenza Artificiale.identificare…
Scheda dell'insegnamento
Obiettivi formativi
Alla fine di questo corso gli studenti saranno in grado di: comprendere il processo di gestione dell'innovazione e i principali processi aziendali come contesto per l'adozione dell'Intelligenza Artificiale.identificare il contributo dell'IA in termini di analisi, decision-making e l'impatto correlato sul miglioramento e sull'innovazione dei processi aziendali analizzati.sviluppare una comprensione approfondita delle opportunità di innovazione in diversi contesti aziendali di prodotti/servizi.analizzare gli approcci all'innovazione e al miglioramento dei processi a diversi livelli, cioè strategici e operativi.valutare e discutere criticamente l'impatto in termini di miglioramento fornito dall'adozione delle soluzioni di IA proposte sviluppate durante l'intero corso.sviluppare competenze interdisciplinari di lavoro di squadra in collaborazione con altri studenti e con le parti interessate dell'azienda.
Programma
Introduzione alla gestione dell'innovazioneStrategie di innovazione e collegamenti con le principali strategie funzionali (marketing, operazioni, ecc.)Il contesto della Trasformazione DigitaleIntroduzione alla Gestione delle Operazioni e prospettiva del processoI diversi tipi di processi di produzione e di servizioMappatura dei processi e progettazione dei processi / KPI e misurazione delle prestazioniIl processo di acquisto e gestione dei fornitoriIl processo produttivo (manutenzione, gestione dell'inventario)Gestione della catena di approvvigionamentoGestione della qualità e Lean ManagementSviluppo di nuovi prodottiIl ruolo della sostenibilitàAutomazione dei Processi Robotici (RPA)Notazione dei Modelli di Processi Aziendali (BPMN)
Lezioni; workshop con relatori del settore; sessioni di feedback e mentoring; AI challenge in collaborazione con Hub Innovazione Trentino, che richiederà agli studenti di lavorare in gruppi per risolvere una sfida aziendale (approccio di apprendimento basato sulle sfide).
Modalità d'esame
Componenti di valutazione individuale: - Analisi critica di un business case - Riflessione individuale sull'AI Challenge Componenti di valutazione di gruppo: - Report di gruppo sull'AI Challenge: mappatura e analisi specifica del processo, soluzioni proposte e risultati (previsti) - Feedback sull'AI Challenge da parte dei mentor e dell'azienda
Testi di riferimento
Managing Innovation – Joe Tidd and John Bessant, 5° ed (and following editions), Wiley Operations Management – Nigel Slack, Alistair Brandon-Jones, Robert Johnston, 8° ed (and following editions), Pearson Additional material will be posted on Moodle by the instructor. LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Tidd, J., & Bessant, J. R. (2024). Managing innovation : integrating technological, market and organizational change (8. ed.). John Wiley & Sons. Slack, N., & Brandon-Jones, A. (2022). Operations management (10. ed.). Pearson.
Codice insegnamento 50879_650804_94687
Advanced HCI
2° anno · 6 CFU · IINF-05/A · 0 file
Il corso si propone di fornire agli studenti / studentesse le conoscenze fondamentali sulla progettazione e lo sviluppo di sistemi che elaborano dati multimodali, cioè eterogenei, consentendo agli utenti di interagire…
Scheda dell'insegnamento
Obiettivi formativi
Il corso si propone di fornire agli studenti / studentesse le conoscenze fondamentali sulla progettazione e lo sviluppo di sistemi che elaborano dati multimodali, cioè eterogenei, consentendo agli utenti di interagire con computers, robots e agent virtuali attraverso comportamenti intuitivi e quotidiani. Questi sistemi sfruttano la ricchezza dell'intelligenza umana (motoria, emotiva, linguistica, sociale) di interagire con il mondo usando una o più modalità sensoriali, permettendo cosi di superare i limiti dei paradigmi di interazione tradizionalmente adottati nella Human Computer Interaction. Al termine del corso gli studenti / studentesse saranno in grado di: comprendere le motivazioni per l'utilizzo di tali sistemi;ricordare i principali componenti di cui tali sistemi sono composti;identificare le aree applicative in cui tali sistemi possono essere sfruttati con successo;conoscere e applicare le tecnologie e gli algoritmi per la cattura, la rappresentazione e l'analisi automatica dei dati realtivi alle diverse modalità di comunicazione umana (ad esempio, il movimento del corpo, lo sguardo, le espressioni facciali e il parlato) e come integrarle in modo multimodale;analizzare e valutare casi d'uso specifici in scenari selezionati;progettare e sviluppare esempi di tali sistemi. Il corso incoraggia gli studenti / studentesse a discutere tra loro e con la docente sugli approcci tecnologici e a sviluppare un atteggiamento critico nell'affrontare le tematiche HCI. Il corso è tenuto in inglese.
Programma
Il programma del corso prevede la presentazione e discussione dei seguenti argomenti: 1) Introduzione sulla multimodalità, dati multimodali e sistemi multimodali 2) Dispositivi e tecnologie per sistemi multimodali intelligenti 3) Approcci computazionali per l'analisi del comportamento umano: gesto, sguardo, espressioni facciali, voce 4) Apprendimento automatico da dati multimodali 5) Casi di studio e valutazione
Il corso prevede lezioni svolte in aula, per un totale di 48 ore. Per tutto il tempo, per quanto possibile, gli studenti / studentesse sono coinvolti e incoraggiati a partecipare attivamente. Gli studenti / studentesse possono provare in aula gli approcci illustrati sui loro portatili.
Modalità d'esame
L'esame consiste in una prova orale che comprende l'analisi critica, la presentazione e la discussione di una pubblicazione scientifica, complementata da domande sugli argomenti trattati a lezione. La pubblicazione scientifica verrà scelta dallo studente / studentessa tra quelle di una lista fornita dalla docente. Il lavoro svolto sulla pubblicazione scientifica ha un peso del 60% sul voto finale, mentre la parte dell'orale riguardante gli argomenti trattati a lezione ha un peso del 40%. Verranno valutati la qualità dell’esposizione, la capacità di ragionamento critico, l’utilizzo corretto del lessico specialistico, la conoscenza degli argomenti del corso e la capacità di illustrarne i contenuti. Una spiegazione dettagliata delle modalità d'esame sarà fornita durante le prime lezioni.
Testi di riferimento
Il materiale didattico comprende copie in pdf delle diapositive presentate durante le lezioni, esercizi per le lezioni pratiche e una raccolta di riferimenti ad articoli scientifici che la docente mette a disposizione degli studenti / studentesse
Codice insegnamento 50880_650770_95963
Advanced Programming
2° anno · 6 CFU · IINF-05/A · 0 file
L'insegnamento si propone di fornire agli studenti: - l'abilità di scrivere e comprendere programmi scritti in Rust; - la conoscenza della semantica di Rust e della sua gestione di memoria e puntatori; - l'abilità di…
Scheda dell'insegnamento
Obiettivi formativi
L'insegnamento si propone di fornire agli studenti: - l'abilità di scrivere e comprendere programmi scritti in Rust; - la conoscenza della semantica di Rust e della sua gestione di memoria e puntatori; - l'abilità di sviluppare un progetto in gruppo, in Rust, utilizzando librerie sviluppate da altri studenti. Inoltre il corso si propone di fornire agli studenti: - la comprensione del funzionamento di un W3C-style working group; - l'abilità di organizzare e gestire un W3C-style working group. Pertanto l'insegnamento alterna lezioni frontali per l'apprendimento di Rust (durante le quali saranno usati quiz ed altri metodi di engagement) a lezioni di working group. Durante il working group la classe si organizza in un W3C-style working group e giunge alla stesura delle specifiche del progetto partendo da specifiche errate fornite dal docente. Al termine dell'insegnamento lo studente sarà in grado di: - sviluppare programmi in Rust e testarne la correttezza; - gestire la produzione, la pubblicazione e l'integrazione di programmi in Rust tramite un repository; - identificare i ruoli di un W3C-style working group; - data una problematica, organizzare un W3C-style working group che si organizzi e risolva tale problematica.
Programma
Elementi di base di Rust: stringhe, funzioni, vettori, hashmap, collections, enums, structs Concetti di Rust: mutabilita`, ownership, borrowing Elementi avanzati di Rust: traits, polimorfismo, gestione della memoria, smart pointers
l'insegnamento alterna lezioni frontali per l'apprendimento di Rust (durante le quali saranno usati quiz ed altri metodi di engagement) a lezioni di working group. Durante il working group la classe si organizza in un W3C-style working group e giunge alla stesura delle specifiche del progetto partendo da specifiche errate fornite dal docente.
Modalità d'esame
Per valutare l'apprendimento, il corso prevede il superamento di: - 1 verifica sui concetti base di Rust; - 1 verifica sui concetti avanzati di Rust; - un progetto da sviluppare in gruppo e da discutere con il docente. Il corso prevede lo svolgimento delle verifiche durante l'anno accademico come provette parziali a metà e a fine anno. Durante le sessioni d'esame sarà possibile ri-svolgere le verifiche già sostenute durante l'anno. Sempre durante le sessioni d'esame sarà possibile svolgere la discussione orale del progetto. Come il progetto, anche la discussione va fatta in gruppo. Ogni verifica pesa il 20% del voto finale mentre il progetto pesa il 60%. Sono inoltre previsti dei bonus per gli studenti che partecipano più attivamente al working group.
Testi di riferimento
https://doc.rust-lang.org/book/
Codice insegnamento 50879_650855_95930
Affective computing
2° anno · 6 CFU · IINF-05/A · 0 file
This course examines research topics in computer science related to emotions, both as an object of study and as a key element inspiring and guiding the development of computational systems capable of recognizing and…
Scheda dell'insegnamento
Obiettivi formativi
This course examines research topics in computer science related to emotions, both as an object of study and as a key element inspiring and guiding the development of computational systems capable of recognizing and influencing them. The course aims to provide students with the knowledge and tools needed to identify the major research challenges and the most promising future directions in the fields of multimodal emotion analysis and human–computer interaction. Upon successful completion of the course, students will have acquired an in-depth understanding of the state of the art in Affective Computing and will be able to develop an original research proposal on these topics.
Programma
Il corso introduce i principali concetti, gli approcci metodologici e tecnologici, nonché le principali sfide di ricerca nei seguenti ambiti: l'interazione tra emozione, cognizione e percezione; il ruolo delle emozioni nell'interazione uomo-computer; la comunicazione delle emozioni umane attraverso le espressioni facciali, la voce, i segnali fisiologici e il comportamento; la progettazione e lo sviluppo di sistemi informatici dotati di capacità di intelligenza emotiva; lo sviluppo di sistemi computazionali in grado di modellare e simulare le emozioni; e altri temi di ricerca di attuale interesse nella comunità scientifica dell'informatica affettiva.
Le attività didattiche prevedono lezioni frontali, supportate da materiale didattico in formato elettronico (slide), dedicate all'approfondimento dei principali temi emergenti dell'Informatica Affettiva (Affective Computing) (circa il 75% del corso). Le lezioni si svolgeranno in modalità sincrona online. Gli studenti saranno tenuti a elaborare una proposta di ricerca su una tematica coerente con gli argomenti trattati nel corso e a presentarla durante le attività didattiche (circa il 25% del corso). Inoltre, ciascuno studente dovrà redigere una revisione critica e costruttiva di una proposta di ricerca elaborata da un altro partecipante al corso. Il materiale didattico, comprensivo delle slide e delle letture di approfondimento, sarà reso disponibile sulla pagina del corso nel sistema ESSE3.
Modalità d'esame
L'apprendimento e il conseguimento dei risultati di apprendimento attesi sono verificati mediante le medesime modalità di esame sia per gli studenti frequentanti sia per quelli non frequentanti. La valutazione finale è espressa in trentesimi, con voto massimo pari a 30/30. La Commissione d'esame può attribuire la lode quale riconoscimento dell'eccellenza del livello di preparazione e della qualità del lavoro svolto. La valutazione finale è determinata sulla base dei seguenti elementi: proposta di ricerca elaborata dallo studente (50%);presentazione orale della proposta di ricerca (20%);revisione critica e costruttiva della proposta di ricerca elaborata da un altro studente (30%). Gli studenti non frequentanti sono tenuti a svolgere le medesime attività previste per gli studenti frequentanti. In particolare, dovranno predisporre e consegnare una proposta di ricerca prima dell'esame e presentarla oralmente, illustrandone le motivazioni, gli elementi di originalità, le possibili modalità di realizzazione e i potenziali ambiti applicativi.
Testi di riferimento
Rosalind Picard, Affective Computing, MIT press 1997 LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Picard, R. W. (2000). Affective computing. MIT press.
Codice insegnamento 50878_650798_92320
Deep learning
2° anno · 6 CFU · IINF-05/A · 0 file
Il corso mira a fornire i fondamenti dell'apprendimento automatico, presentando le principali tecniche di apprendimento supervisionato e non supervisionato, e gli approcci di deep learning. Sono previsti esempi…
Scheda dell'insegnamento
Obiettivi formativi
Il corso mira a fornire i fondamenti dell'apprendimento automatico, presentando le principali tecniche di apprendimento supervisionato e non supervisionato, e gli approcci di deep learning. Sono previsti esempi applicativi e comprese esercitazioni di laboratorio. Al termine del corso, lo studente avrà acquisito le competenze utili nella progettazione di tecniche e strumenti per l’analisi di segnali e di dati.
Programma
Modulo 2 Capitolo 11 - Artificial Neural Networks and Backpropagation Capitolo 12 - Convolutional Neural Networks Capitolo 13 - Recurrent Neural Networks and Sequence Models Capitolo 14 - Deep Unsupervised Learning (GAN, VAE, Diffusion Models) Capitolo 15 - Deep Reinforcement Learning Capitolo 16 – Introduction to Foundation Models
I metodi didattici prevedono lezioni teoriche ed esercitazioni. Allo studente viene richiesta la partecipazione attiva alle lezioni e alle esercitazioni proposte dal docente, oltre all’approfondimento individuale dei temi trattati utilizzando il materiale fornito dal docente e la bibliografia consigliata. Nel complesso, il corso è organizzato nel modo seguente: - 70% di lezioni teoriche (vedi programma dettagliato nella sezione precedente) - 30% di esercitazioni/attività in laboratorio con vari strumenti quali HuginLite, scikit-learn, e PyTorch. Il corso si concluderà con una lezione da parte di un'ospite autorevole, proveniente o dall'industria o dal mondo accademico.
Modalità d'esame
Per entrambi i moduli, gli studenti saranno valutati con una prova orale alla quale verrà assegnata un massimo di 15 punti. Il voto complessivo del corso sarà dato dalla somma dei voti parziali dei Moduli 1 e 2 per un massimo di 30 punti.
Testi di riferimento
Materiale proiettato a lezione.R. O. Duda, P. E. Hart, and D. G. Stork. Pattern Classification. 2nd Edition, New York: John Wiley & Sons Inc, 2001.S. Theodoridis and K. Koutroumbas. Pattern Recognition. 1st edition, Academic Press, 1999.V. N. Vapnik. Statistical Learning Theory. Wiley-Interscience, 1998.I. Goodfellow, Y. Bengio and A. Courville. Deep Learning. The MIT Press: London, 2016.J.Shawe-Taylor and N. Cristianini, Kernel Methods for Pattern Analysis, Cambridge University Press, 2004.Simon J.D. Prince, Understanding Deep Learning, The MIT Press, 2023. LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Duda, R. O., Hart, P. E., & Stork, D. G. (2001). Pattern classification (2nd. ed.). Wiley. Theodoridis, S., & Koutroumbas, K. (2009). Pattern recognition (4th ed.). Academic press. Vapnik, V. N. (1998). Statistical learning theory. Wiley. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press. Shawe-Taylor, J., & Cristianini, N. (2004). Kernel methods for pattern analysis. Cambridge university press. Prince, S. J. D. (2023). Understanding deep learning. The MIT Press.
Codice insegnamento 50879_650782_93701
Deepfake Detection and Multimedia Security
2° anno · 6 CFU · IINF-03/A · 0 file
L'enorme facilità di accesso alle informazioni rende oggigiorno necessario lo studio di modalità per la protezione dei dati. Il corso ha come obiettivo l'approfondimento di alcune tecniche per rendere l'accesso ai dati…
Scheda dell'insegnamento
Obiettivi formativi
L'enorme facilità di accesso alle informazioni rende oggigiorno necessario lo studio di modalità per la protezione dei dati. Il corso ha come obiettivo l'approfondimento di alcune tecniche per rendere l'accesso ai dati multimediali sicuro, tramite varie tecniche di nascondimento di dati e di rilevazione automatica di modifiche su dati multimediali. Lo studente alla fine del corso conoscerà una serie di metodologie allo stato dell'arte per l'analisi forense attiva e passiva dei dati multimediali e saprà applicarle a immagini digitali in scenari semplici.
Programma
Dopo un'introduzione ai concetti e ai modelli di Digital Rights Management per la protezione di dati multimediali, il corso affronta nello specifico watermarking digitale e digital forensics. L'analisi generale di questi concetti introduce la descrizione e la valutazione di tecniche specifiche applicate ai dati multimediali. 1. Introduzione al problema della protezione dei dati 2. Watermarking digitale Storia della marchiatura ad acqua. Applicazioni e modelli per la marchiatura digitale. Classificazione e valutazione dei metodi. Robustezza e sicurezza. Algoritmi di watermarking per immagini digitali. 3. Digital image forensics Esempi applicativi Identificazione della sorgente di un'immagine. Analisi e rilevazione di modifiche di dati multimediali. Rilevazione di deepfakes.
Lezioni frontali con presentazione da parte del docente e discussione con la classe. Attività in laboratorio in cui gli studenti svilupperanno e testeranno alcune metodologie selezionate. Lavori di gruppo (si prevedono due attività di gruppo sugli argomenti 2 e 3 in cui gli studenti si organizzeranno a gruppi di 3/4 persone per sviluppare un codice con cui parteciperanno a delle attività competitive a cui saranno assegnati crediti).
Modalità d'esame
L'esame è volto a verificare gli apprendimenti sia riguardanti le lezioni frontali sia le attività di laboratorio e di gruppo. Lo svolgimento dell'esame prevederà la partecipazione ad almeno una attività competitiva con preparazione di un codice (in gruppo) in cui si metteranno in gioco gli apprendimenti delle lezioni frontali e dei laboratori; la partecipazione alla competizione è obbligatoria con punteggio relativo assegnato in base alla classifica e al codice sviluppato; la presentazione da parte di tutti i partecipanti di ogni gruppo descriverà l'approccio scelto e i risultati raggiunti (obbligatoria come esame orale). La valutazione finale per la competizione varrà 3 crediti e terrà in considerazione i risultati ottenuti, la metodologia scelta e la qualità della presentazione e delle risposte dei singoli. Un questionario scritto o un progetto da 3 crediti completerà la valutazione su tutti gli argomenti trattati e le attività di laboratorio svolte.
Testi di riferimento
Slides del corso, articoli di riferimento e materiale dei laboratori saranno disponibili per tutti gli studenti iscritti al corso nel Moodle On Line. Watermarking Systems Engineering: Enabling Digital Assets Security and Other Applications, by Barni, Bartolini, CRC Press (2004). Photo Forensics, by Farid, MIT Press (2016). LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Barni, M., & Bartolini, F. (2004). Watermarking systems engineering : enabling digital assets security and other applications. Dekker. Farid, H. (2016). Photo forensics. MIT press.
Codice insegnamento 51351_658370_97584
Embedded Software for the Internet of Things
2° anno · 6 CFU · IINF-05/A · 0 file
I sistemi Internet of Things (IoT) contemporanei comprendono dispositivi informatici embedded che consentono di raccogliere informazioni e dati su qualsiasi cosa, in qualsiasi momento e da qualsiasi luogo. Questi…
Scheda dell'insegnamento
Obiettivi formativi
I sistemi Internet of Things (IoT) contemporanei comprendono dispositivi informatici embedded che consentono di raccogliere informazioni e dati su qualsiasi cosa, in qualsiasi momento e da qualsiasi luogo. Questi dispositivi sono interconnessi, spesso incorporati nell'ambiente, di piccole dimensioni, alimentati a batteria e limitati in termini di risorse di calcolo e comunicazione. A livello di sistema, queste caratteristiche conducono a specifiche problematiche per lo sviluppo di applicazioni IoT. L'obiettivo di questo corso è quello di esporre gli studenti a linguaggi di programmazione, piattaforme hardware, sistemi operativi e, in generale, agli strumenti software e alle tecniche necessarie per lo sviluppo di applicazioni IoT. Con questo corso, gli studenti acquisiranno le competenze teoriche e pratiche per interfacciarsi con le più moderne piattaforme informatiche embedded. Saranno dotati dei fondamenti per progettare e sviluppare applicazioni IoT, come ad esempio rilevamento e interpretazione di elettrocardiogrammi, elaborazione delle immagini con telecamere a bassa risoluzione, machine learning in sistemi edge computing, localizzazione wireless, e molti altri. Dopo aver completato con successo questo modulo, gli studenti saranno in grado di: - Caratterizzare i principali componenti architetturali delle piattaforme IoT basate su microcontrollori - Utilizzare ambienti di sviluppo e toolchain per programmare e debuggare i microcontrollori - Progettare, implementare e testare embedded software seguendo le metodologie fondamentali per i sistemi IoT - Valutare le prestazioni delle applicazioni IoT e comprendere le tecniche utilizzate per ottimizzarne l'esecuzione - Caratterizzare le basi dello scheduling in real-time, e i componenti principali dei sistemi operativi real-time per dispositivi embedded
Programma
Il corso tratterà i seguenti argomenti teorici: Introduzione all’embedded computing - Embedded computing e Internet of Things - Esempi di applicazioni basate su microprocessori - Processo di progettazione di sistemi embedded Piattaforme informatiche embedded - Revisione dell'architettura di un calcolatore - CPU e set di istruzioni - Architettura del processore ARM - Hardware e software per piattaforma embedded - Ambienti di sviluppo, debug - I/O, interrupt, memoria, prestazioni, risparmio energetico Progettazione di software embedded - Elementi di base dei programmi - Macchine a stati, strutture dati di base, buffer circolari, code - Generazione di codice - Assemblaggio, linking, codice oggetto, mappa di memoria, tabella dei simboli, creazione di librerie e collegamenti, Makefile - Ottimizzazioni del compilatore, analisi delle prestazioni, analisi della potenza - Validazione e test Sistemi operativi embedded - Attività, processi, pianificazione - Comunicazione tra processi - Sistemi operativi in tempo reale - Scadenze, priorità, inversione di priorità Sistemi Internet-of-Things - Applicazioni, architetture - Protocolli di rete - Bluetooth e Bluetooth Low Energy, ZigBee, Wi-Fi Inoltre, alcune lezioni saranno dedicate alle seguenti attività pratiche: Strumenti software per la piattaforma IoT di Texas Instruments - Code Composer IDE per sviluppo di codice - MSP-EXP432P401R SimpleLink MSP432 LaunchPad - BOOSTXL-EDUMKII Educational BoosterPack - CC3100 BoosterPack Programmazione bare metal - Programmazione C per sistemi embedded - Interfacciamento con microcontrollore - Porte e I/O - Gestione polling / interrupt - Timer e servizi di timer - ADC / DAC, DMA - Comunicazione seriale (UART), SPI, I2C - Lettura dei dati del sensore - Esempi applicativi - Elaborazione dei dati del sensore - Rumore, filtraggio e attenuazione, FFT - Riconoscimento dell'attività tramite accelerometri / giroscopi Programmazione utilizzando un RTOS - Introduzione all'API FreeRTOS - Codice ed esempi applicativi
Il corso include lezioni frontali che trattano sia aspetti teorici, sia attività pratiche. Durante le lezioni pratiche, gli studenti applicheranno le conoscenze teoriche interfacciandosi con una vera piattaforma IoT. Questa piattaforma è dotata di un microcontrollore a bassi consumi, diversi moduli sensori, e un modulo Wi-Fi per la connettività. Gli studenti avranno l'opportunità di progettare, sviluppare e dimostrare le proprie applicazioni IoT.
Modalità d'esame
La valutazione di questo corso avviene tramite un esame scritto e un progetto. La prova scritta verifica che lo studente abbia acquisito le basi teoriche fondamentali e i concetti chiave presentati durante le lezioni. Un progetto, su un argomento offerto dallo studente o dall'insegnante, verifica che lo studente abbia acquisito la capacità di progettare, implementare e testare applicazioni di sistemi IoT seguendo le metodologie e le tecniche fondamentali. Il lavoro di progetto è riassunto in un breve report presentato oralmente all'istruttore insieme a un video dimostrativo (o demo live) del prototipo funzionante.
Testi di riferimento
Il testo di riferimento del corso è: - Computers as Components: Principles of Embedded Computing System Design, 4th Edition, Marilyn Wolf, Morgan Kaufmann I seguenti libri costituiscono un’interessante letteratura di supporto sui sistemi embedded: - Introduction to Embedded Systems, A Cyber-Physical Systems Approach, Second Edition, Edward A. Lee and Sanjit A. Seshia, MIT Press, 2017. - Embedded Systems: A Contemporary Design Tool, 2nd Edition, James K. Peckol, Wiley - An Embedded Software Primer 1st Edition by David E. Simon - Embedded System Interfacing: Design for the Internet-of-Things (IoT) and Cyber-Physical Systems (CPS), Marilyn Wolf, Morgan Kaufmann - Real-time Concepts for Embedded Systems, Qing Li, CRC Press - Programming Embedded Systems, 2nd Edition, Michael Barr, Anthony Massa
Codice insegnamento 50879_650843_95013
Foundation Models
2° anno · 6 CFU · IINF-05/A · 0 file
Il corso introduce le architetture, i paradigmi di addestramento e le applicazioni dei moderni foundation model, trattando sia i modelli linguistici di grandi dimensioni (LLM) sia i modelli vision-language/multimodali…
Scheda dell'insegnamento
Obiettivi formativi
Il corso introduce le architetture, i paradigmi di addestramento e le applicazioni dei moderni foundation model, trattando sia i modelli linguistici di grandi dimensioni (LLM) sia i modelli vision-language/multimodali (VLM). Gli studenti impareranno a leggere e valutare criticamente articoli di ricerca, a comprendere le scelte progettuali alla base dei modelli attuali e ad acquisire esperienza pratica nell'esecuzione di esperimenti di inferenza e addestramento. Al termine del corso, gli studenti saranno in grado di ragionare sulle capacità e sui limiti dei foundation model, discutere criticamente la ricerca recente e comunicare i risultati tramite una presentazione di un articolo scientifico.
Programma
- Introduzione: panoramica del corso, come leggere un articolo di ricerca, infrastruttura di calcolo per le esercitazioni pratiche. - Large Language Models: Transfer learning and language modeling, word and sentence representations, transformers, question answering, text generation, tuning and reasoning - Vision-Language Models: comprensione multimodale, generazione multimodale, addestramento e allineamento, ragionamento e comportamento agentico, intelligenza artificiale multimodale responsabile e sicura, con un'applicazione alla robotica come caso di studio conclusivo. - Presentazioni di articoli scientifici da parte degli studenti, sia sulla letteratura LLM sia su quella multimodale, con discussione in aula.
Lezioni frontali affiancate da dimostrazioni di live coding ed esercitazioni pratiche in laboratorio su un cluster GPU condiviso. Durante le sessioni dedicate alla presentazione degli articoli, ogni studente presenta e guida ladiscussione su un articolo assegnato due volte nel corso del semestre — una per il blocco LLM e una per il blocco MLLM; queste presentazioni contribuiscono con punti bonus alla valutazione finale.
Modalità d'esame
La valutazione finale si basa su un project work, consegnato sotto forma di relazione scritta in stile articolo scientifico, insieme a una presentazione orale il giorno dell'esame. Punti bonus sono assegnati per le presentazioni di articoli svolte durante il corso (blocchi LLM e MLLM).
Testi di riferimento
Non è previsto un libro di testo obbligatorio, poiché il campo evolve troppo rapidamente. Le letture (articoli di ricerca e slide delle lezioni) vengono assegnate nel corso del semestre. Riferimento generale: Deep Learning (Goodfellow, Bengio, Courville). LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.
Codice insegnamento 50879_652903_97125
Human-Machine Dialogue
2° anno · 6 CFU · IINF-05/A · 0 file
Computers, agents capable of engaging in meaningful conversations with humans, are becoming increasingly prevalent across various industries and applications. In this course, we delve into the fundamental principles of…
Scheda dell'insegnamento
Obiettivi formativi
Computers, agents capable of engaging in meaningful conversations with humans, are becoming increasingly prevalent across various industries and applications. In this course, we delve into the fundamental principles of interaction and dialogue between humans and computers, as well as their underlying structure. We draw from conversation linguistics to develop computational dialogue models, dialogue system architectures, and their evaluation. The second part of the course equips students with methodologies for designing conversational agents, data-driven training (including generative AI models, agentic frameworks, and end-to-end pipelines), design tools, and a project-based lab that tackles real-world use cases. This approach ensures that students ground the concepts and learn how to apply them in real-life scenarios. Students will design, develop, and evaluate human-machine dialogue systems for an application with large language models and/or agentic frameworks.
Programma
Check the updated website https://disi.unitn.it/~riccardi/page7/styled-3/page16.html
The course will be delivered through lectures for students to learn the about the (sub)topics of the course. The course will also we include numerous lab sessions where the students will be presented methodologies, tools and frameworks for the design, training and development of human-machine dialogue systems. During the lab session the student will be coached to apply the knowledge they acquired and develop conversational systems prototypes for realistic use cases.
Modalità d'esame
The course is project and report based. The evaluation will be based on the human-machine dialogue system the students will develop. The code, the project report and the project discussion will be assessed altogether.
Testi di riferimento
The material and references will be provided in the course website (see the course webpage ).
Codice insegnamento 50879_650744_94670
Immersive Technologies
2° anno · 6 CFU · IINF-05/A · 0 file
Questo corso ha l'obiettivo di fornire agli studenti le conoscenze fondamentali, sia teoriche che pratiche, sulle tecnologie dei media immersivi, dalle basi storiche allo sviluppo contemporaneo dell’Extended Reality…
Scheda dell'insegnamento
Obiettivi formativi
Questo corso ha l'obiettivo di fornire agli studenti le conoscenze fondamentali, sia teoriche che pratiche, sulle tecnologie dei media immersivi, dalle basi storiche allo sviluppo contemporaneo dell’Extended Reality (XR). Gli studenti esploreranno l'evoluzione delle esperienze immersive e acquisiranno competenze pratiche nello sviluppo di applicazioni XR sociali e collaborative utilizzando Unity e il framework Ubiq. Al termine del corso, gli studenti saranno in grado di: Comprendere i concetti di immersione, presenza e illusione da molteplici prospettive disciplinariTracciare lo sviluppo storico dei media immersivi dagli inizi alle tecnologie XR contemporaneeComprendere e categorizzare le attuali tecnologie XR, piattaforme e relative capacitàComprendere le tecnologie di output visivo, audio e aptico utilizzate nei sistemi immersiviComprendere i sistemi di tracciamento e le modalità di interazione di input per ambienti XRApplicare principi di progettazione e considerazioni sui fattori umani per lo sviluppo XRImplementare applicazioni XR sociali con telepresenza e funzionalità di collaborazione remotaProgettare e sviluppare esperienze XR in rete utilizzando Unity e il framework UbiqValutare sistemi XR e applicare metodologie di valutazione appropriate
Programma
Componenti Teoriche: Fondamenti e Storia: Introduzione ai concetti di immersione, definizioni e approcci di misurazione. Evoluzione storica dalle esperienze immersive pre-digitali attraverso i primi sistemi digitali fino alle tecnologie XR contemporanee. Tecnologie XR e Hardware: Analisi del panorama XR attuale incluso il continuum realtà-virtualità. Approfondimento delle tecnologie di output visivo per Head Mounted Display (hardware di visualizzazione, ottica, rendering), sistemi di audio 3D, tecnologie tattili e aptici, sistemi di tracciamento e input. XR Sociale e Interazione: Teoria della presenza sociale, tecnologie di telepresenza e ambienti virtuali collaborativi. Tecniche di interazione 3D, metodi di input multimodali e principi di progettazione per applicazioni XR. Esperienza Utente e Direzioni Future: Principi di progettazione centrata sull'utente, considerazioni sull'accessibilità, ergonomia e qualità dell'esperienza nei media immersivi. Tendenze emergenti e prospettive industriali sull'evoluzione XR. Componenti di Laboratorio: Fondamenti di Unity e Sviluppo XR: Introduzione all'ambiente di sviluppo Unity, scripting C#, architettura dei plugin XR e configurazione di base del progetto per applicazioni immersive. Framework Ubiq e Networking: Implementazione di ambienti XR in rete utilizzando Ubiq, inclusa sincronizzazione degli oggetti, connessioni multi-utente ed esperienze interattive condivise. Implementazione XR Sociale: Sviluppo di sistemi di avatar, comunicazione vocale, pattern di interazione collaborativa e strumenti di manipolazione condivisa per ambienti virtuali sociali. Sviluppo Avanzato e Deployment: Distribuzione di progetti su più piattaforme, integrazione con sistemi esterni (OSC, MIDI, servizi web), metodologie di valutazione e sviluppo del progetto finale con approfondimenti industriali.
La struttura del corso sarà la seguente: Lezioni Teoriche: 24 ore che coprono la storia e i fondamenti teorici che stanno alla base delle tecnologie immersiveSessioni di Laboratorio: 24 ore di sviluppo pratico utilizzando Unity e il framework Ubiq, con focus su applicazioni XR sociali e collaborative. Durante le ore di laboratorio le studentesse e gli studenti potranno utilizzare i propri laptop.Sviluppo di Progetti: Lavoro di progetto di gruppo continuo con presentazioni intermedie e feedback tra pariGuest Lectures: In base alle disponibilità, professionisti del settore condivideranno prospettive attuali e approfondimenti pratici
Modalità d'esame
Criteri di Verifica e Valutazione La valutazione dell'apprendimento sarà strutturata come segue: Progetto di Gruppo Finale: 70% del voto finale - Sviluppo di un'applicazione XR sociale o di telepresenza utilizzando Unity e il framework Ubiq che dimostri la comprensione dei concetti del corso in modo creativo e innovativoRelazione e Presentazione: 30% del voto finale - Relazione scritta (massimo 10 pagine) con codebase documentato su GitHub, presentazione di 10 minuti con slide, video di 2 minuti e dimostrazione praticaCriteri di Valutazione: Competenza tecnica e qualità dell'implementazione (adattata in base al background e al contributo individuale)Comprensione e applicazione dei concetti teorici del corsoInnovazione e creatività nella progettazione ed esecuzione del progettoQualità della collaborazione e del feedback tra pariQualità della documentazione e delle competenze comunicativeDimostrazione di funzionalità XR sociali o collaborative
Testi di riferimento
I materiali di apprendimento consistono in: Copie PDF delle slide presentate durante le lezioniRaccolta di estratti di libri, articoli, da blog, articoli scientifici, e documenti industriali riguardanti le tecnologie immersiveRiferimenti aggiuntivi: Jerald, J. (2015). The VR Book: Human-centered design for virtual realityLaViola, J. J. et al. (2017). 3D User Interfaces: Theory and PracticeBailenson, J. (2018). Experience on Demand: What Virtual Reality Is, How It Works, and What It Can DoChalmers, D. (2022). Reality+: Virtual Worlds and the Problem of Philosophy.Mazzolotti, A., Brancotti, A. (2022).#Metaverse Architect.
Codice insegnamento 50879_652889_97126
Innovation and Entrepreneurship Studies in ICT
2° anno · 6 CFU · INFO-01/A · 0 file
After completion of the I&E Studies course, students should… • … have the ability to apply, synthesize, and evaluate prior I&E learning within a specific innovation or entrepreneurial project setting and a specific…
Scheda dell'insegnamento
Obiettivi formativi
After completion of the I&E Studies course, students should… • … have the ability to apply, synthesize, and evaluate prior I&E learning within a specific innovation or entrepreneurial project setting and a specific innovation area. • … have the ability to conduct a business analysis, make decisions and formulate recommendations or justify actions in a real environment. • … have the ability to choose and apply relevant concepts/methods and/or tools and collect relevant data for conducting a business analysis and making decisions in a real environment. • … have the ability to produce a professional writing on a business analysis topic. • … have the ability to apply concepts, methods and tools pertaining to identifying and assessing the impact/value of a technology in an industry, market and/or organization and the innovation / business opportunities it creates. • … have the ability to reflect critically on issues related to the development of ICT solutions, and their potential pitfalls due to market and/or social reasons. • … have developed a sense of "out of the box thinking" and creative approaches to problem solving, even in contexts that would otherwise suggest a technical solution. • … have the ability to make value and ethical judgements about the development of technological and business solutions. • … have the ability to work as a team with other students to complement each other's competences and perspectives.
Programma
The course is rooted on so-called Challenge-Based Learning (CBL), where teams of students assist a company in tackling one of their business challenges. As each challenge has its own specificities, the course develops its content organically, and different teams might be exposed to different pieces of content. Common topics nonetheless include business analysis methodologies (e.g., SWOT analysis, PESTLE analysis, scenario back-casting, …), business research methods basics (e.g., inductive research design, designing broad semi-structured interviews, designing surveys, …), use of data banks (e.g., Statista, Our World In Data, World Bank, Eurostat, …), and more. Suitable topics for business challenges might include market / business environment analysis (main forces affecting the business, suppliers, partners, competition, environmental issues), sustainability and social issues, business modelling, go-to-market strategies, and more. All challenges are sourced either from the EIT Digital Innovation Action Lines (within Activities, Partners / Business Community projects) or are collected by the course’s teachers in the university ecosystem.
A large autonomy is given to the students to organise and achieve their goals. Students will work in small teams, with each team assigned to a challenge. Teams will identify and address a challenge/question in the context of their assigned case, such as considering alternative business models or analysing go-to-market scenarios. Students need to ground their reflections by exploring some specific areas: business environment, competition, suppliers, partners, environmental and sustainability issues, etc, both deductively (i.e., through desk research) and inductively (i.e., through field work) as appropriate. To address their challenge/question, the students will cover the 4 generic steps of an explorative business analysis: • Identification of the relevant challenge/question, • Acquisition of applicable concepts/methods/tools, • Observations (data collection) on a selected part of the case, • Analysis and interpretation. Students’ supervision comprises: • A few group sessions to introduce and detail the assignments, and help students identify the challenges/questions, • 1-to-many mentoring sessions, where teams will be coached in completing their case study, and progress will be monitored, • A final oral defence. Each student will be in charge of a part of the group’s delivery, with specific “roles” defined during the mentoring sessions. The companies responsible for the case will contribute to supervision, provide data/contacts, participate in the oral defence and/or offer other meeting occasions to ensure rooting of the business assignment in real life. While the course foresees several (4-5) plenary lectures covering topics that are of general use to all students, most of the time will be dedicated to group mentoring.
Modalità d'esame
The course is evaluated based on a group oral defence, a written group report, and student individual contributions. The presentation is delivered in front of a panel composed by the course’s teachers and representatives of the team’s assigned challenge provider. Each presentation should last a maximum of 15 minutes (precise timing will be given during the lectures). The group report includes both points of content (i.e., what the students were able to perform and their proposed solutions) and of process (i.e., decision-making points, how conclusions were reached, team organization, specific contributions of each team member). The approximate length of the report is 15 pages, and it should be delivered both to the teachers for evaluation and, if requested, to the challenge providers for their interest. Both the presentation and the group report are evaluated on a 0-100 scale using a grading rubric. The final mark is composed by 1/3rd from the presentation and by 2/3rds from the report, with the presentation being evaluated both by teachers and challenge providers with equal grading weight. This score is then converted to the standard 0-30 Italian scale. This score is adjusted based on each student’s individual contribution through two bonuses: a 0-2 point bonus based on the quality of the student’s section in the final report, and a 0-2 point bonus based on the student’s performance within their team during the course.
Testi di riferimento
No textbook is required. Reference articles and bibliography will be provided to students by the lecturers, and on a case-by-case basis depending on each student's need. Commonly-referenced books are: - Roberto Poli, Working with the Future, 2020 - Rob Fitzpatrick, The Mom Test, 2016 - Joshua Schimel, Writing Science, 2011 LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Poli, R. (2019). Working with the future : ideas and tools to govern uncertainty (International ed.). EGEA. Fitzpatrick, R. (2019). The mom test : how to talk to customers and learn if your business is a good idea when everyone is lying to you. CPSIA. Schimel, J. (2012). Writing science : how to write papers that get cited and proposals that get funded. Oxford university press.
Codice insegnamento 50879_650794_92759
Internship or stage
2° anno · 6 CFU · 0 file
Internship or stage
2° anno · 6 CFU · 0 file
Knowledge Graphs
2° anno · 6 CFU · IINF-05/A · 0 file
Il corso mira a fornire allo studente gli strumenti, metodologie e tecnologie, necessarie per affrontare con successo e minimo sforzo il problema della costruzione di un Knowledge Graph (KG) Il corso è suddiviso in tre…
Scheda dell'insegnamento
Obiettivi formativi
Il corso mira a fornire allo studente gli strumenti, metodologie e tecnologie, necessarie per affrontare con successo e minimo sforzo il problema della costruzione di un Knowledge Graph (KG) Il corso è suddiviso in tre parti. Una prima parte in cui si descrive lo stato dell'arte nello sviluppo dei knowledge graphs, problematiche, tipologie, linguaggi, standard e tool. Una seconda parte in cui verrà insegnata una metodologia di riferimento per lo sviluppo efficace ed effettivo di knowledge graph. Nella terza parte la metodologia verrà instanziata in un progetto di sviluppo di un knowledge graph.
Programma
Questo corso si focalizza sulla generazione di un Knowledge Graph (KG) partendo da contenuti per lo più esistenti in rete o in dataset non pubblici (possibilmente, anche dati personali opportunamente anonimizzati). Le principali aree coperte sono: un'introduzione estensiva allo stato dell';arte nello sviluppo di KGs, una metodologia generale per la generazione di KG, risorse linguistiche, ontologie e datasets in genere, tools e librerie necessarie per il riuso di risorse esistenti e per lo sviluppo di KGs. Questo è un corso con un forte contenuto hands-on, focalizzato su attività di laboratorio e sperimentazioni. Gli studenti dovranno sviluppare autonomamente le loro soluzioni. Le lezioni teoriche, ivi incluse le slide che verranno rese disponibili, vanno intese come introduttive e propedeutiche all'attività di apprendimento hands-on. Gli studenti sceglieranno (fra quelli disponibili) un problema da risolvere e dovranno generare un KG che lo risolve partendo dalle risorse disponibili, preferibilmente durante il corso. Data la natura del corso, è consigliata un'alta partecipazione e un coinvolgimento attivo degli studenti.
La parte centrale del corso sarà focalizzata sullo sviluppo di software e modelli software. Le tematiche e attività che saranno coperte saranno introdotte incrementalmente, durante tutta la durata del corso, immediatamente precedenti al loro uso. Questo lavoro sarà preceduto da una fase iniziale dove tutti i concetti, nozioni rilevanti verranno introdotti ed esemplificati.
Modalità d'esame
L'esame consisterà nello sviluppo di un knowledge graph e nella sua documentazione tramite metadati e documentazione testuale. Tutti i contenuti saranno pubblicati sul repository del corso e resi disponibili agli studenti degli anni futuri. La prova orale sarà opzionale e focalizzata sulla;eventuale chiarificazione di contenuti non chiari all'interno del sito consegnato come prova d'esame.
Testi di riferimento
Non ci sono testi di riferimento. Durante il corso verranno fornite delle slide che però, a causa della natura applicativa del corso, potranno non essere esaustive. Lo studente, con il supporto del docente, dovrà trovare in rete il materiale necessario. Le slides contengono citazioni al materiale rilevante ritrovabile in rete.
Codice insegnamento 50879_652894_97138
Laboratory of Data Mining
2° anno · 6 CFU · IINF-05/A · 0 file
L’obiettivo del modulo è fornire allo studente le nozioni di data mining necessarie per analizzare i dati provenienti da applicazioni reali, oltre alle competenze pratiche per pre-elaborare e analizzare dati di…
Scheda dell'insegnamento
Obiettivi formativi
L’obiettivo del modulo è fornire allo studente le nozioni di data mining necessarie per analizzare i dati provenienti da applicazioni reali, oltre alle competenze pratiche per pre-elaborare e analizzare dati di applicazioni reali. Al termine del modulo, lo studente sarà in grado di: richiamare e discutere le tecniche presentate, leggere la letteratura relativa a tecniche simili, pre-elaborare e analizzare un caso specifico di applicazione reale, riferire e presentare i risultati
Programma
Introduzione al Data Mining. Tipologie di dati. Statistiche descrittive, Algoritmi per la scoperta di relazioni causali, Algoritmo PC and its applications, Pipeline di Mining, Analisi di Cluster e algoritmi di clustering, Metodi di classificazione, Reti Neurali, Autoencoders, Intelligenza Artificiale interpretabile (Explainable AI), Inferenza causale, Ranking come tipo di dati, Aggregazione di rankings, Meta-analisi, Applicazioni di AI per il data mining.
Il corso è diviso in due unità: Unità di Teoria e Unità di Laboratorio. L'Unità di Teoria prevede 24 ore di lezioni teoriche. Verranno trattati i contenuti teorici del corso elencati sopra. L'Unità di Laboratorio include 24 ore di attività di laboratorio con l’utilizzo di computer, seguendo il paradigma dell’apprendimento basato sui problemi (Problem-Based Learning). L'Unità di Laboratorio darà agli studenti un compito di mining simile a quello che potrebbero affrontare durante una applicazione reale in un'organizzazione privata o pubblica, possibilmente interagendoci in modo diretto. Durante il laboratorio, gli studenti avranno l'obiettivo di rispondere a una domanda di natura conoscitiva utilizzando un approccio di data mining con tecniche e/o strumenti presentati nella letteratura scientifica o tecnica recente. Una volta selezionati i dati e organizzati gli studenti in gruppi, questi dovranno comprendere e implementare completamente tutti i passaggi dell'analisi, come descritto nelle lezioni e nei materiali aggiuntivi che saranno forniti. L'analisi richiederà l'uso di dati pubblici e di una serie di strumenti e pacchetti come R, Python e servizi web disponibili. L'uso facoltativo di dati non pubblici forniti da soggetti esterni potrà implicare la firma di un NDA. Gli studenti saranno incoraggiati a proporre anche alternative all'analisi che possano superare eventuali limitazioni di quelle originali. I risultati dell'attività di laboratorio saranno presentati come una relazione scritta e una presentazione orale durante gli esami finali. Il modulo di laboratorio si svolgerà in due versioni parallele con docenti diversi: i) una di carattere generale, dedicata ad applicazioni in ambito industriale o presso enti pubblici, e ii) una specifica, incentrata su temi e dati relativi a biologia, salute e medicina.
Modalità d'esame
Esame orale/scritto sui contenuti (Unità di Teoria) e relazione e presentazione dell'analisi svolta durante l'attività di laboratorio (Unità di Laboratorio).
Testi di riferimento
Letture saranno suggerite durante il corso
Codice insegnamento 50879_652893_97124
Laboratory of Data Mining
2° anno · 6 CFU · IINF-05/A · 0 file
L’obiettivo del modulo è fornire allo studente le nozioni di data mining necessarie per analizzare i dati provenienti da applicazioni reali, oltre alle competenze pratiche per pre-elaborare e analizzare dati di…
Scheda dell'insegnamento
Obiettivi formativi
L’obiettivo del modulo è fornire allo studente le nozioni di data mining necessarie per analizzare i dati provenienti da applicazioni reali, oltre alle competenze pratiche per pre-elaborare e analizzare dati di applicazioni reali. Al termine del modulo, lo studente sarà in grado di: richiamare e discutere le tecniche presentate, leggere la letteratura relativa a tecniche simili, pre-elaborare e analizzare un caso specifico di applicazione reale, riferire e presentare i risultati
Programma
Introduzione al Data Mining. Tipologie di dati. Statistiche descrittive, Algoritmi per la scoperta di relazioni causali, Algoritmo PC and its applications, Pipeline di Mining, Analisi di Cluster e algoritmi di clustering, Metodi di classificazione, Reti Neurali, Autoencoders, Intelligenza Artificiale interpretabile (Explainable AI), Inferenza causale, Ranking come tipo di dati, Aggregazione di rankings, Meta-analisi, Applicazioni di AI per il data mining.
Il corso è diviso in due unità: Unità di Teoria e Unità di Laboratorio. L'Unità di Teoria prevede 24 ore di lezioni teoriche. Verranno trattati i contenuti teorici del corso elencati sopra. L'Unità di Laboratorio include 24 ore di attività di laboratorio con l’utilizzo di computer, seguendo il paradigma dell’apprendimento basato sui problemi (Problem-Based Learning). L'Unità di Laboratorio darà agli studenti un compito di mining simile a quello che potrebbero affrontare durante una applicazione reale in un'organizzazione privata o pubblica, possibilmente interagendoci in modo diretto. Durante il laboratorio, gli studenti avranno l'obiettivo di rispondere a una domanda di natura conoscitiva utilizzando un approccio di data mining con tecniche e/o strumenti presentati nella letteratura scientifica o tecnica recente. Una volta selezionati i dati e organizzati gli studenti in gruppi, questi dovranno comprendere e implementare completamente tutti i passaggi dell'analisi, come descritto nelle lezioni e nei materiali aggiuntivi che saranno forniti. L'analisi richiederà l'uso di dati pubblici e di una serie di strumenti e pacchetti come R, Python e servizi web disponibili. L'uso facoltativo di dati non pubblici forniti da soggetti esterni potrà implicare la firma di un NDA. Gli studenti saranno incoraggiati a proporre anche alternative all'analisi che possano superare eventuali limitazioni di quelle originali. I risultati dell'attività di laboratorio saranno presentati come una relazione scritta e una presentazione orale durante gli esami finali. Il modulo di laboratorio si svolgerà in due versioni parallele con docenti diversi: i) una di carattere generale, dedicata ad applicazioni in ambito industriale o presso enti pubblici, e ii) una specifica, incentrata su temi e dati relativi a biologia, salute e medicina.
Modalità d'esame
Esame orale/scritto sui contenuti (Unità di Teoria) e relazione e presentazione dell'analisi svolta durante l'attività di laboratorio (Unità di Laboratorio).
Testi di riferimento
Letture saranno suggerite durante il corso
Codice insegnamento 51350_658809_97124
Low-power wireless networking for the Internet of Things
2° anno · 6 CFU · IINF-05/A · 0 file
Il corso e' tenuto in inglese: per i dettagli del syllabus, consultare la versione inglese di questa pagina.
Scheda dell'insegnamento
Obiettivi formativi
Il corso e' tenuto in inglese: per i dettagli del syllabus, consultare la versione inglese di questa pagina.
Programma
Il corso e' tenuto in inglese: per i dettagli del syllabus, consultare la versione inglese di questa pagina.
Il corso e' tenuto in inglese: per i dettagli del syllabus, consultare la versione inglese di questa pagina.
Modalità d'esame
Il corso e' tenuto in inglese: per i dettagli del syllabus, consultare la versione inglese di questa pagina.
Testi di riferimento
Il corso e' tenuto in inglese: per i dettagli del syllabus, consultare la versione inglese di questa pagina.
Codice insegnamento 50879_650705_94183
Multisensory interactive systems
2° anno · 6 CFU · IINF-05/A · 0 file
Il corso ha l'obiettivo generale di fornire agli/alle studenti/esse i fondamenti teorici e pratici relativi alla progettazione, implementazione e valutazione di sistemi interattivi di carattere multisensoriale,…
Scheda dell'insegnamento
Obiettivi formativi
Il corso ha l'obiettivo generale di fornire agli/alle studenti/esse i fondamenti teorici e pratici relativi alla progettazione, implementazione e valutazione di sistemi interattivi di carattere multisensoriale, connesso e tangibile. Gli studenti avranno lopportunità di esplorare i concetti relativi a sensori, attuatori e microcontrollori, usare linguaggi per la sintesi e lelaborazione di segnali in tempo reale, comprendere le basi della percezione sensoriale umana e progettare interazioni mediate da dispositivi remoti e locali rispetto al loro utilizzatore. A conclusione del corso, gli/le studenti/esse dovranno aver acquisito la capacità di: - Comprendere le nozioni fondamentali relative a microcontrollori, sistemi integrati, sensori e attuatori di diverso tipo - Sviluppare applicazioni interattive basate su sistemi sia integrati che desktop, i quali acquisiscono segnali da sensori e controllano interfacce capaci di produrre stimoli uditivi, tattili e visivi - Applicare la conoscenza acquisita sulla percezione multisensoriale umana alla progettazione di sistemi interattivi - Applicare tecniche per la prototipazione di sistemi interattivi multisensoriali e per la valutazione di questi sia a livello tecnico che di esperienza utente Gli/le studenti/esse applicheranno la conoscenza e le capacità sopra elencate in un progetto di gruppo. Agli/lle studenti/esse saranno assegnati vari strumenti hardware e software, i quali permetteranno loro di creare prototipi di sistemi interattivi multisensoriali, connessi e tangibili.
Programma
Il corso è strutturato in lezioni frontali ed in laboratori. I temi delle lezioni e dei laboratori includeranno i seguenti argomenti: - Fondamenti di elettronica - Microcontrollori e sistemi integrati - Sensori ed attuatori - Sonic Interaction Design - Haptic Interaction Design - Linguaggi per la sintesi e lelaborazione di segnali audio-tattili in tempo reale - Fondamenti della percezione uditiva, tattile, visiva e multisensoriale - Progettazione di interfacce multisensoriali e tangibili - Interazioni mediate da dispositivi connessi - Internet delle Cose Musicali - Affective computing - Protocolli sperimentali per la valutazione di sistemi interattivi multisensoriali
L'attività didattica consiste di lezioni frontali coadiuvate dall'uso di lucidi (28 ore) e laboratori (20 ore). Le lezioni frontali verteranno sulle teorie di base della percezione multisensoriale umana, sugli approcci metodologici per la progettazione e valutazione critica di sistemi interattivi multisensoriali, tangibili e connessi. Le lezioni frontali includeranno interventi tenuti da ricercatori operanti nel campo dei sistemi interattivi multisensoriali. I laboratori consisteranno dellapplicazione pratica dei concetti teorici presentati durante le lezioni e delluso di strumenti hardware e software. Durante il corso gli/le studenti/esse svolgeranno un lavoro di gruppo volto alla progettazione e alla valutazione di un sistema interattivo multisensoriale. Il risultato del lavoro di gruppo costituisce materia di esame. Il materiale didattico (lucidi, software, esercizi, materiale di approfondimento) sarà reso disponibile sul sito del corso. Agli/lle studenti/esse è richiesto di portare il proprio laptop durante i laboratori. Il corso è tenuto in lingua inglese.
Modalità d'esame
Per superare l'esame lo studente dovrà dimostrare di: - aver compreso i principi base e le tecniche di progettazione, implementazione e valutazione di sistemi interattivi multisensoriali - saper applicare tali conoscenze in ambiti differenti ed in particolare al caso pratico affrontato durante il lavoro di gruppo L'esame è composto di: 1) una relazione di gruppo sul progetto svolto, il quale è incentrato sullo sviluppo di un prototipo di sistema interattivo multisensoriale a media fedeltà (corrisponde al 50% del voto finale); 2) una presentazione delle attività svolte durante il progetto e una dimostrazione del prototipo in azione (corrisponde al 10% del voto finale); 3) un esame orale individuale sui contenuti del corso (corrisponde al 40% del voto finale). La relazione di gruppo consiste nella descrizione strutturata delle attività condotte durante lo sviluppo del progetto, in relazione alle nozioni teoriche presentate durante il corso. La relazione deve comprendere un video del prototipo in azione. La presentazione orale consiste nella descrizione del progetto e dei processi adottati per la creazione del prototipo. La relazione dovrà essere scritta in lingua inglese, la presentazione dovrà essere tenuta in lingua inglese. Tutta la documentazione relativa al progetto deve essere conservata in un repository online a cui il docente deve poter aver accesso. Tale documentazione può includere il codice prodotto e i risultati degli esperimenti condotti. I criteri per la valutazione del progetto e della relazione sono: 1) Coerenza e qualità dell'applicazione dei concetti teorici spiegati durante il corso; 2) Complessità e qualità del prototipo interattivo e qualità dell'interazione risultante in relazione al gruppo di utenti per cui è stato progettato; 3) Originalità, creatività, innovazione; 4) Qualità concettuale del contenuto, inclusi il livello della riflessione critica degli aspetti presentati, la spiegazione delle motivazioni, e la relazione agli aspetti teorici del corso; 5) Chiarezza del testo sia per quanto riguarda il contenuto sia per quanto riguarda l'esposizione (struttura, figure, tabelle) e la grammatica. Il voto finale corrisponde alla media pesata delle tre componenti dell’esame secondo le percentuali indicate (50% relazione, 10% presentazione del progetto, 40% esame orale). Per passare l’esame tutte le componenti devono ricevere un punteggio uguale o superiore a 18 trentesimi.
Testi di riferimento
- Il contenuto del corso è basato su articoli scientifici e pagine web che saranno indicati nei lucidi del corso - I lucidi saranno disponibili sul sito web del corso
Codice insegnamento 50879_650866_94001
Multisensory interactive systems
2° anno · 6 CFU · IINF-05/A · 0 file
Il corso ha l'obiettivo generale di fornire agli/alle studenti/esse i fondamenti teorici e pratici relativi alla progettazione, implementazione e valutazione di sistemi interattivi di carattere multisensoriale,…
Scheda dell'insegnamento
Obiettivi formativi
Il corso ha l'obiettivo generale di fornire agli/alle studenti/esse i fondamenti teorici e pratici relativi alla progettazione, implementazione e valutazione di sistemi interattivi di carattere multisensoriale, connesso e tangibile. Gli studenti avranno lopportunità di esplorare i concetti relativi a sensori, attuatori e microcontrollori, usare linguaggi per la sintesi e lelaborazione di segnali in tempo reale, comprendere le basi della percezione sensoriale umana e progettare interazioni mediate da dispositivi remoti e locali rispetto al loro utilizzatore. A conclusione del corso, gli/le studenti/esse dovranno aver acquisito la capacità di: - Comprendere le nozioni fondamentali relative a microcontrollori, sistemi integrati, sensori e attuatori di diverso tipo - Sviluppare applicazioni interattive basate su sistemi sia integrati che desktop, i quali acquisiscono segnali da sensori e controllano interfacce capaci di produrre stimoli uditivi, tattili e visivi - Applicare la conoscenza acquisita sulla percezione multisensoriale umana alla progettazione di sistemi interattivi - Applicare tecniche per la prototipazione di sistemi interattivi multisensoriali e per la valutazione di questi sia a livello tecnico che di esperienza utente Gli/le studenti/esse applicheranno la conoscenza e le capacità sopra elencate in un progetto di gruppo. Agli/lle studenti/esse saranno assegnati vari strumenti hardware e software, i quali permetteranno loro di creare prototipi di sistemi interattivi multisensoriali, connessi e tangibili.
Programma
Il corso è strutturato in lezioni frontali ed in laboratori. I temi delle lezioni e dei laboratori includeranno i seguenti argomenti: - Fondamenti di elettronica - Microcontrollori e sistemi integrati - Sensori ed attuatori - Sonic Interaction Design - Haptic Interaction Design - Linguaggi per la sintesi e lelaborazione di segnali audio-tattili in tempo reale - Fondamenti della percezione uditiva, tattile, visiva e multisensoriale - Progettazione di interfacce multisensoriali e tangibili - Interazioni mediate da dispositivi connessi - Internet delle Cose Musicali - Affective computing - Protocolli sperimentali per la valutazione di sistemi interattivi multisensoriali
L'attività didattica consiste di lezioni frontali coadiuvate dall'uso di lucidi (28 ore) e laboratori (20 ore). Le lezioni frontali verteranno sulle teorie di base della percezione multisensoriale umana, sugli approcci metodologici per la progettazione e valutazione critica di sistemi interattivi multisensoriali, tangibili e connessi. Le lezioni frontali includeranno interventi tenuti da ricercatori operanti nel campo dei sistemi interattivi multisensoriali. I laboratori consisteranno dellapplicazione pratica dei concetti teorici presentati durante le lezioni e delluso di strumenti hardware e software. Durante il corso gli/le studenti/esse svolgeranno un lavoro di gruppo volto alla progettazione e alla valutazione di un sistema interattivo multisensoriale. Il risultato del lavoro di gruppo costituisce materia di esame. Il materiale didattico (lucidi, software, esercizi, materiale di approfondimento) sarà reso disponibile sul sito del corso. Agli/lle studenti/esse è richiesto di portare il proprio laptop durante i laboratori. Il corso è tenuto in lingua inglese.
Modalità d'esame
Per superare l'esame lo studente dovrà dimostrare di: - aver compreso i principi base e le tecniche di progettazione, implementazione e valutazione di sistemi interattivi multisensoriali - saper applicare tali conoscenze in ambiti differenti ed in particolare al caso pratico affrontato durante il lavoro di gruppo L'esame è composto di: 1) una relazione di gruppo sul progetto svolto, il quale è incentrato sullo sviluppo di un prototipo di sistema interattivo multisensoriale a media fedeltà (corrisponde al 50% del voto finale); 2) una presentazione delle attività svolte durante il progetto e una dimostrazione del prototipo in azione (corrisponde al 10% del voto finale); 3) un esame orale individuale sui contenuti del corso (corrisponde al 40% del voto finale). La relazione di gruppo consiste nella descrizione strutturata delle attività condotte durante lo sviluppo del progetto, in relazione alle nozioni teoriche presentate durante il corso. La relazione deve comprendere un video del prototipo in azione. La presentazione orale consiste nella descrizione del progetto e dei processi adottati per la creazione del prototipo. La relazione dovrà essere scritta in lingua inglese, la presentazione dovrà essere tenuta in lingua inglese. Tutta la documentazione relativa al progetto deve essere conservata in un repository online a cui il docente deve poter aver accesso. Tale documentazione può includere il codice prodotto e i risultati degli esperimenti condotti. I criteri per la valutazione del progetto e della relazione sono: 1) Coerenza e qualità dell'applicazione dei concetti teorici spiegati durante il corso; 2) Complessità e qualità del prototipo interattivo e qualità dell'interazione risultante in relazione al gruppo di utenti per cui è stato progettato; 3) Originalità, creatività, innovazione; 4) Qualità concettuale del contenuto, inclusi il livello della riflessione critica degli aspetti presentati, la spiegazione delle motivazioni, e la relazione agli aspetti teorici del corso; 5) Chiarezza del testo sia per quanto riguarda il contenuto sia per quanto riguarda l'esposizione (struttura, figure, tabelle) e la grammatica. Il voto finale corrisponde alla media pesata delle tre componenti dell’esame secondo le percentuali indicate (50% relazione, 10% presentazione del progetto, 40% esame orale). Per passare l’esame tutte le componenti devono ricevere un punteggio uguale o superiore a 18 trentesimi.
Testi di riferimento
- Il contenuto del corso è basato su articoli scientifici e pagine web che saranno indicati nei lucidi del corso - I lucidi saranno disponibili sul sito web del corso
Codice insegnamento 50880_650866_94001
Network Intrusion and Anomaly detection with Machine Learning
2° anno · 6 CFU · IINF-05/A · 0 file
Fare riferimento al syllabus in lingua inglese.
Scheda dell'insegnamento
Obiettivi formativi
Fare riferimento al syllabus in lingua inglese.
Programma
Fare riferimento al syllabus in lingua inglese.
Fare riferimento al syllabus in lingua inglese.
Modalità d'esame
Fare riferimento al syllabus in lingua inglese.
Testi di riferimento
Fare riferimento al syllabus in lingua inglese.
Codice insegnamento 50880_650697_96291
Participatory design
2° anno · 6 CFU · IINF-05/A · 0 file
Questo corso introduce i concetti e i metodi dell’Interazione Persona-Macchina (Human-Computer Interaction, HCI) che permettono la progettazione di sistemi interattivi e servizi digitali in grado di soddisfare…
Scheda dell'insegnamento
Obiettivi formativi
Questo corso introduce i concetti e i metodi dell’Interazione Persona-Macchina (Human-Computer Interaction, HCI) che permettono la progettazione di sistemi interattivi e servizi digitali in grado di soddisfare efficacemente i bisogni delle persone. Il corso è strutturato in due parti (moduli): Participatory Design (nel primo semestre) ed Cognitive Ergonomics (nel secondo semestre). Il modulo di Participatory Design ha l’obiettivo di fornire agli studenti una comprensione dei concetti e delle tecniche per coinvolgere gli utenti nel processo di progettazione. Verranno discusse le diverse motivazioni e modalità di coinvolgimento degli utenti. Gli studenti apprenderanno anche le problematiche e le criticità legate alla partecipazione, sia nei contesti organizzativi sia nella progettazione pubblica. Il modulo di Cognitive Ergonomics mira a fornire agli studenti una comprensione dei concetti e delle tecniche per progettare e valutare sistemi interattivi usabili e coinvolgenti. Particolare attenzione sarà dedicata agli aspetti pratici della progettazione centrata sull’utente, tra cui l’usabilità, i test con gli utenti e la valutazione delle tecnologie. Entrambi i moduli richiedono agli studenti di partecipare a progetti di gruppo, presentazioni, redazione di relazioni e scrittura di saggi riflessivi. Nel complesso, il corso Design Experience ha i seguenti Obiettivi di Apprendimento: LO1 Coinvolgere gli utenti nelle attività di raccolta dei requisiti;LO2 Applicare una varietà di pratiche centrate sull’utente nella progettazione di sistemi software interattivi;LO3 Applicare processi adeguati per la valutazione delle tecnologie interattive;LO4 Comunicare argomentazioni razionali e motivate sia in forma scritta sia orale Participatory Design (145459)Participatory Design (145459) è un corso indipendente offerto nell'ambito del master DISI in Computer Science. Il contenuto è lo stesso del modulo Participatory Design offerto come modulo del corso integrato Design Experience (155000), che fa parte del master interdipartimentale in Human-Computer Interaction. In particolare, le lezioni sono le stesse, con lo stesso orario e le stesse aule. Per l'anno accademico in corso, le lezioni si tengono all'interno delle strutture DISI. Per ulteriori informazioni, si prega di contattare i docenti.
Programma
Participatory Design (Corso 145459 e Modulo 155000/2)Storia e metodi del Participatory DesignTecniche di partecipazione (user research, workshop, osservazione)Questioni etiche e di potere nel Participatory DesignRisultati del lavoro con gli utentiPartecipazione e Intelligenza ArtificialeIl corso/modulo 'Participatory Design' è strettamente coordinato con il corso di 'Research Methodology - Qualitative' della Prof. Martina Cvajner. I dati raccolti e analizzati nel corso 'Research Methodology - Qualitative' verranno infatti utilizzati nell’ambito di questo corso in un percorso user research che collega la fase di esplorazione qualitativa e quella di progettazione partecipativa. Questo coordinamento consente agli studenti di vivere un’esperienza formativa integrata, in cui la ricerca qualitativa diventa una risorsa concreta per l’ideazione e lo sviluppo di interventi progettuali in ambito HCI. Inoltre, nella prima parte del modulo/corso Participatory Design si utilizzerà una modalità blended learning, in cui verranno sviluppati i fondamenti teorici e metodologici. La parte in modalità blended learning corrisponde a 2 crediti mentre quella in presenza corrisponde a 4 crediti (il modulo è di 6 crediti).
Design ExperiencePer raggiungere e dimostrare i risultati di apprendimento previsti saranno utilizzati una combinazione di lezioni frontali, attività pratiche e seminari. Nel modulo Participatory Design si utilizzerà inoltre una modalità blended larning. Gli studenti e le studentesse sono guidate nell’osservazione delle tecnologie esistenti e di esempi reali. È previsto uno studio individuale a supporto dell’applicazione pratica. Le metodologie didattiche dei due moduli sono fortemente influenzate da un approccio problem-based community-based learning. Le tecniche introdotte durante le lezioni vengono utilizzate in modo iterativo dagli studenti per lo svolgimento di un progetto di design durante il semestre. Gli studenti lavoreranno in gruppi (massimo 6 persone) su tali progetti di design. Ogni gruppo è responsabile della distribuzione dei compiti tra i membri e del completamento di tutti i deliverable richiesti. I gruppi verranno formati all’inizio del corso e potranno rimanere gli stessi per entrambe le parti del modulo. Il lavoro di gruppo è pensato per offrire agli studenti un’esperienza pratica su progetti di design reali, che includa l’identificazione di domande di ricerca rilevanti e la valutazione di tecnologie esistenti. Studentesse e studenti affronteranno dinamiche tipiche del lavoro di gruppo e svilupperanno competenze nella condivisione delle informazioni e nel coordinamento delle attività. Oltre al progetto di gruppo, è previsto un elaborato individuale. Ogni studentessa e studente dovrà condurre uno studio con utenti su un tema a propria scelta, utilizzando strumenti e tecniche appresi durante il corso. Il lavoro di gruppo include la redazione di un report scritto e la presentazione dei risultati, mentre il lavoro individuale richiede la consegna di un elaborato scritto separato. Un elemento centrale dell’organizzazione didattica è il coordinamento strutturale con il corso di 'Research Methodology - Qualitative' della Prof. Martina Cvajner. I gruppi di lavoro costituiti in questo insegnamento saranno infatti condivisi con il corso della Prof. Cvajner, in modo da garantire continuità tra le attività di esplorazione qualitativa e le successive fasi di progettazione partecipativa. Questo intreccio tra i due corsi rappresenta un aspetto fondamentale del percorso formativo, offrendo agli studenti un’esperienza coerente e integrata di ricerca e design in ambito HCI. Nel modulo Participatory Design si utilizzerà una modalità blended learning nella prima parte del corso. In questa parte, verranno sviluppati i fondamenti teorici e metodologici. La parte in modalità blended learning corrisponde a 2 crediti mentre quella in presenza corrisponde a 4 crediti (il modulo è di 6 crediti). Participatory Design (145459)Participatory Design (145459) è un corso indipendente offerto nell'ambito del master DISI in Computer Science. Il contenuto è lo stesso del modulo Participatory Design offerto come modulo del corso integrato Design Experience (155000), che fa parte del master interdipartimentale in Human-Computer Interaction. In particolare, le lezioni sono le stesse, con lo stesso orario e le stesse aule. Il corso utilizzerà anche una modalità blended learning per la stessa parte e con la stessa distribuzione dei crediti. Per l'anno accademico in corso, le lezioni si tengono all'interno delle strutture DISI. Per ulteriori informazioni, si prega di contattare i docenti.
Modalità d'esame
Design ExperienceLa valutazione degli obiettivi di apprendimento varia a seconda della modalità di partecipazione scelta dagli studenti. OPZIONE 1 (frequenza regolare)Questa modalità richiede la partecipazione alla maggior parte delle lezioni, il lavoro in gruppo per lo sviluppo di un progetto (vedi sotto), e la consegna di un elaborato individuale. Gli studenti devono consegnare due report di design (prodotti dal lavoro di gruppo nei due moduli) e due relazioni scritte individuali (una per ciascuno dei due moduli). Il voto complessivo del corso sarà calcolato come somma pesata dei seguenti elementi: lavoro di gruppo per Participatory Design (peso = 0,3), report individuale per Participatory Design (peso = 0,2), lavoro di gruppo per Cognitive Ergonomics (peso = 0,3), report individuale per Cognitive Ergonomics (peso = 0,2) Report di gruppo. Un tema di design sarà selezionato all’inizio di ciascun semestre in collaborazione con gli studenti. Gli studenti lavoreranno in gruppo attraverso workshop facilitati e sessioni di studio indipendente. Ogni workshop prevederà l’applicazione delle conoscenze introdotte e discusse a lezione e/o nei materiali consigliati. Le attività di lezione e laboratorio seguiranno i passaggi del processo di progettazione di tecnologie interattive. Le scadenze saranno comunicate durante il corso, in linea con il ciclo di vita del progetto. Si invita a rispettarle rigorosamente. Saranno forniti feedback in aula per le consegne intermedie, ma senza valutazione formale. In entrambi i moduli, i report saranno presentati e illustrati dal gruppo. La valutazione sarà a cura dei docenti dei moduli e basata su criteri quali: presentazione orale; validità e affidabilità delle metodologie adottate; analisi critica dei risultati; qualità delle proposte progettuali; riflessioni e suggerimenti per ricerche future. Durante la presentazione, gli studenti dovranno illustrare le attività svolte dal gruppo e spiegare come queste abbiano contribuito all’esito finale del progetto. Report individuali. Due relazioni scritte (una per ciascun modulo) dovranno essere consegnate alla fine di ciascun modulo. Gli studenti dovranno confrontare e discutere criticamente la loro esperienza di gruppo rispetto ai contenuti trattati nelle lezioni e alla bibliografia del corso, evidenziando punti di forza e criticità del lavoro svolto. OPZIONE 2 (non frequentanti)Gli studenti impossibilitati a frequentare il corso dovranno preparare l’esame attraverso lo studio individuale della bibliografia assegnata. Sono tenuti a contattare preventivamente i docenti per ricevere l’elenco delle letture aggiuntive fornite durante il corso. Gli studenti che scelgono questa modalità non potranno partecipare al lavoro di gruppo. Participatory Design (145459)Gli studenti che seguono esclusivamente il modulo come corso indipendente (Participatory Design - 145459) possono scegliere una delle due opzioni sopra indicate. In caso scelgano l’Opzione 1, lavoreranno in gruppo con colleghi e colleghe che della magistrale HCI. Per chiarimenti ulteriori sono invitati a contattare il docente.
Testi di riferimento
Participatory design (Corso 145459 e Modulo 155000/2)ManualiBødker, S. (2020). Participatory design. Morgan & ClaypoolSimonsen, J., Robertson, T. (2013). Routledge International Handbook of Participatory Design. RoutledgeLetture consigliateBirgitta Bergvall-Kåreborn and Anna Ståhlbrost. (2008). Participatory design: one step back or two steps forward?. In Proceedings of the Tenth Anniversary Conference on Participatory Design 2008 (PDC '08). Indiana University, Indianapolis, IN, USA, 102-111.Beck, Eevi E. (2002). P for Political: Participation is Not Enough, Scandinavian Journal of Information Systems: Volume 14, Issue 1.Maurizio Teli, Angela Di Fiore and Vincenzo DAndrea (2017). Computing and the common: a case of Participatory Design with think tanks. CoDesign Volume 13 , Issue 2Kim Halskov and Nicolai Brodersen Hansen. (2015). The diversity of participatory design research practice at PDC 2002-2012. International Journal of Human-Computer Studies, Volume 74, Issue C, pages 81-92Letture aggiuntive saranno fornite durante il corso. LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Bødker, S. (2022). Participatory design. Springer Nature Switzerland. Simonsen, J., & Robertson, T. (Eds.) (2013). Routledge international handbook of participatory design. Routledge. Bergvall-Kåreborn, B., & Ståhlbrost, A. (2008). Participatory design: One step back or two steps forward? In J. Simonsen, T. Robertson, & D. Hakken (Eds.), Proceedings of the Tenth Anniversary Conference on Participatory Design 2008 (pp. 102–111) Beck, E. E. (2002). P for political: Participation is not enough. Scandinavian Journal of Information Systems, 14(1), 77–92 Teli, M., Di Fiore, A., & D’Andrea, V. (2017). Computing and the common: A case of Participatory Design with think tanks. CoDesign, 13(2), 83–95. Halskov, K., & Hansen, N. B. (2015). The diversity of participatory design research practice at PDC 2002–2012. International Journal of Human-Computer Studies, 74, 81–92.
Codice insegnamento 50880_650750_91621
Programmable Networks
2° anno · 6 CFU · IINF-03/A · 0 file
Project course
2° anno · 6 CFU · IINF-05/A · 0 file
l'attività didattica è svolta in lingua inglese
Scheda dell'insegnamento
Obiettivi formativi
l'attività didattica è svolta in lingua inglese
Programma
attività svolta in lingua inglese
attività svolta in lingua inglese
Modalità d'esame
attività svolta in lingua inglese.
Testi di riferimento
attività svolta in lingua inglese
Codice insegnamento 50879_650695_90390
Prototyping interactive systems
2° anno · 6 CFU · INFO-01/A · 0 file
L'obiettivo principale del corso è fornire conoscenze teoriche e pratiche sulla prototipazione nel processo di progettazione, con un focus specifico sulle interfacce grafiche utente. Al termine del corso, lo studente…
Scheda dell'insegnamento
Obiettivi formativi
L'obiettivo principale del corso è fornire conoscenze teoriche e pratiche sulla prototipazione nel processo di progettazione, con un focus specifico sulle interfacce grafiche utente. Al termine del corso, lo studente sarà in grado di: - articolare i diversi usi della prototipazione in un processo di progettazione - identificare e discutere i concetti chiave dell'interaction design - utilizzare i prototipi per discutere efficacemente le idee di progetto Inoltre, il corso mira a sviluppare competenze trasversali relative alla comunicazione efficace delle decisioni progettuali, attraverso presentazioni orali e scritte chiare e adeguate.
Programma
Il corso introduce i ruoli della prototipazione nella UX Design come mezzo per esplorare e comunicare idee progettuali, e l'importanza di una ’“attitudine alla prototipazione” per articolare le decisioni di design e comprendere meglio i temi della progettazione. Verranno trattati i seguenti argomenti: l'importanza di articolare il problema prima di elicitare la soluzione, i concetti di affordance, feedback e feedforward; la progettazione per la gestione degli errori; l'importanza della comunicazione del processo di design.
Il corso adotta un approccio partecipativo, in cui alcune lezioni frontali si alternano a discussioni strutturate e sessioni di critica progettuale, secondo l’approccio del design studio. Per questo motivo, la frequenza al corso è raccomandata. Per gli studenti e le studentesse che non possono frequentare, saranno messe a disposizione le videoregistrazioni delle lezioni e materiale didattico di approfondimento. Il corso prevede che ogni studente e studentessa realizzi un prototipo individuale come progetto principale del corso e lo discuta criticamente in relazione ai concetti presentati durante il corso.
Modalità d'esame
La valutazione finale consiste in un progetto di design individuale basato su uno o più prototipi interattivi. Gli studenti e le studentesse devono inoltre dimostrare la comprensione degli argomenti concettuali e metodologici trattati durante il corso attraverso una delle due seguenti modalità: - Valutazione continua: partecipazione attiva alle attività in aula e completamento soddisfacente di 4 (su 5) brevi voci di diario riflessivo. Gli studenti e le studentesse che soddisfano questi requisiti sono esonerati dall’esame scritto. - Esame scritto: domande aperte e chiuse sugli argomenti concettuali presentati durante il corso. Il diario riflessivo e l’esame scritto rappresentano modalità alternative per dimostrare il raggiungimento degli stessi risultati di apprendimento. Il voto numerico finale si basa sul progetto di design individuale e sulla sua presentazione/discussione.
Testi di riferimento
Reading material will be distributed during the course.
Codice insegnamento 50879_650830_94000
Prova finale
2° anno · 24 CFU · 0 file
Quantum Machine Learning
2° anno · 6 CFU · IINF-05/A · 0 file
L'obiettivo generale del corso è fornire agli studenti la conoscenza dei principali algoritmi quantistici e la loro applicazione per lo sviluppo di schemi di apprendimento automatico da implementare su macchine…
Scheda dell'insegnamento
Obiettivi formativi
L'obiettivo generale del corso è fornire agli studenti la conoscenza dei principali algoritmi quantistici e la loro applicazione per lo sviluppo di schemi di apprendimento automatico da implementare su macchine quantistiche. Gli studenti verranno coinvolti nello studio delle recenti versioni quantistiche di note procedure di machine learning classico. Al termine del corso gli studenti avranno appreso: 1) come le nozioni di stati quantistici e misure quantistiche possono essere applicate in un contesto di teoria dell'informazione; 2) come rappresentare e processare informazione classica tramite sistemi quantistici; 3) dove le risorse quantistiche possono essere rilevanti nel contesto del machine learning; 4) le basi della costruzione di implementazioni quantistiche di algoritmi di machine learning.
Programma
-) Basi di meccanica quantistica e relativo formalismo matematico; -) Basi di quantum computing; -) Rappresentazioni di informazione classica in hardware quantistici; -) Quantum principal component analysis; -) Quantum clustering; -) Quantum classification; -) Quantum neural networks; -) Quantum annealing per il machine learning;
Lezioni frontali ed esercitazioni svolte dal docente. Talvolta allo studente sarà richiesto lo svolgimento di problemi/esercizi inerenti l'argomento della lezione corrente.
Modalità d'esame
E' previsto un esame orale sui contenuti del corso con la possibilità di presentazione di un argomento a scelta con relativa dissertazione scritta.
Testi di riferimento
-) I. Chuang, M.A. Nielsen. Quantum Computation and Quantum Information. Cambridge University Press 2000. -) P. Wittek. Quantum Machine Learning. Academic Press 2014. -) M. Schuld, F. Petruccione. Supervised Learning with Quantum Computers. Springer Nature 2018. -) D. Pastorello. Concise Guide to Quantum Machine Learning Springer-Nature 2023. LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Nielsen, M. A., & Chuang, I. L. (2010). Quantum computation and quantum information (10th anniversary ed.). Cambridge university press. Wittek, P. (2016). Quantum machine learning : what quantum computing means to data mining. Academic press. Schuld, M., & Petruccione, F. (2018). Supervised learning with quantum computers. Springer. Pastorello, D. (2023). Concise guide to quantum machine learning. Springer.
Codice insegnamento 50879_650797_95064
Quantum Machine Learning
2° anno · 6 CFU · IINF-05/A · 0 file
L'obiettivo generale del corso è fornire agli studenti la conoscenza dei principali algoritmi quantistici e la loro applicazione per lo sviluppo di schemi di apprendimento automatico da implementare su macchine…
Scheda dell'insegnamento
Obiettivi formativi
L'obiettivo generale del corso è fornire agli studenti la conoscenza dei principali algoritmi quantistici e la loro applicazione per lo sviluppo di schemi di apprendimento automatico da implementare su macchine quantistiche. Gli studenti verranno coinvolti nello studio delle recenti versioni quantistiche di note procedure di machine learning classico. Al termine del corso gli studenti avranno appreso: 1) come le nozioni di stati quantistici e misure quantistiche possono essere applicate in un contesto di teoria dell'informazione; 2) come rappresentare e processare informazione classica tramite sistemi quantistici; 3) dove le risorse quantistiche possono essere rilevanti nel contesto del machine learning; 4) le basi della costruzione di implementazioni quantistiche di algoritmi di machine learning.
Programma
-) Basi di meccanica quantistica e relativo formalismo matematico; -) Basi di quantum computing; -) Rappresentazioni di informazione classica in hardware quantistici; -) Quantum principal component analysis; -) Quantum clustering; -) Quantum classification; -) Quantum neural networks; -) Quantum annealing per il machine learning;
Lezioni frontali ed esercitazioni svolte dal docente. Talvolta allo studente sarà richiesto lo svolgimento di problemi/esercizi inerenti l'argomento della lezione corrente.
Modalità d'esame
E' previsto un esame orale sui contenuti del corso con la possibilità di presentazione di un argomento a scelta con relativa dissertazione scritta.
Testi di riferimento
-) I. Chuang, M.A. Nielsen. Quantum Computation and Quantum Information. Cambridge University Press 2000. -) P. Wittek. Quantum Machine Learning. Academic Press 2014. -) M. Schuld, F. Petruccione. Supervised Learning with Quantum Computers. Springer Nature 2018. -) D. Pastorello. Concise Guide to Quantum Machine Learning Springer-Nature 2023. LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Nielsen, M. A., & Chuang, I. L. (2010). Quantum computation and quantum information (10th anniversary ed.). Cambridge university press. Wittek, P. (2016). Quantum machine learning : what quantum computing means to data mining. Academic press. Schuld, M., & Petruccione, F. (2018). Supervised learning with quantum computers. Springer. Pastorello, D. (2023). Concise guide to quantum machine learning. Springer.
Codice insegnamento 50880_650797_95064
Research Project
2° anno · 12 CFU · INFO-01/A · 0 file
L'attivita' si svolge in inglese
Scheda dell'insegnamento
Obiettivi formativi
L'attivita' si svolge in inglese
Programma
L'attivita' si svolge in inglese
L'attivita' si svolge in inglese
Modalità d'esame
L'attivita' si svolge in inglese
Testi di riferimento
L'attivita' si svolge in inglese
Codice insegnamento 50879_650748_90306
Robot Planning and its application
2° anno · 6 CFU · IINF-05/A · 0 file
In questo corso, gli studenti svilupperanno un'applicazione robotica completa con una forte enfasi sulla pianificazione del movimento. Il loro lavoro si concentrerà su casi d'uso pratici in cui i robot devono…
Scheda dell'insegnamento
Obiettivi formativi
In questo corso, gli studenti svilupperanno un'applicazione robotica completa con una forte enfasi sulla pianificazione del movimento. Il loro lavoro si concentrerà su casi d'uso pratici in cui i robot devono completare in modo efficiente i compiti, evitando ostacoli e aree pericolose nel minor tempo possibile. L'applicazione presenterà un sistema multi-agente, che potrebbe coinvolgere la coordinazione o la competizione tra gli agenti. Contrariamente a una tipica competizione robotica, gli studenti saranno anche tenuti a discutere le basi teoriche dei metodi scelti. Al termine di questo corso, gli studenti avranno una conoscenza di base dei principali approcci alla pianificazione del movimento, saranno esperti nell'identificare le soluzioni ottimali dalla letteratura scientifica e possederanno una padronanza delle tecniche di sviluppo che traducono idee innovative in codice robusto e ben fondato.
Programma
Introduzione al problema della Pianificazione del Movimento Fondamenti matematici per robot mobili Fondamenti matematici sui metodi di Ottimizzazione Ottimizzazione ConvessaOttimizzazione Intera e Mista-Intera Metodi di ottimizzazione su grafi Controllo Ottimo e pianificazione del movimento senza vincoli Introduzione al controllo ottimoIl problema di Dubins: enunciato e soluzione Rilevamento di ostacoli e collisioni Pianificazione del movimento con ostacoli Metodi basati su celleMetodi basati su campionamentoCampi Potenziali Elementi di teoria dei giochi Uso del framework di programmazione ROS Alcune idee dalla pianificazione dei compiti Lavoro di laboratorio sul progetto
Il corso combinerà lezioni teoriche e pratiche per costruire le conoscenze fondamentali. Successivamente, agli studenti verrà assegnato il lavoro di progetto. Tutte le fasi del progetto saranno condotte in aula con l'assistenza diretta di un docente. Inoltre, verranno riservate ore di laboratorio dedicate al lavoro autonomo degli studenti, consentendo un'esplorazione e un'applicazione più approfondita dei concetti.
Modalità d'esame
L'apprendimento sarà valutato tramite la valutazione e discussione dei lavori di progetto. L'assegnazione specifica del problema e le tecniche da utilizzare saranno fornite durante le lezioni iniziali. Gli studenti sono tenuti a consegnare una relazione scritta, il codice sorgente completo e annotato, e una presentazione. La presentazione dovrà concentrarsi sulla giustificazione delle scelte algoritmiche nel contesto dei compromessi discussi durante il corso.
Testi di riferimento
Lo studente riceverà una selezione di materiali di studio utili per sviluppare la sua soluzione. Un riferimento utile è il libro "Planning Algorithms" di Stephen Lavalle, disponibile online in formato gratuito.
Codice insegnamento 50880_650738_94680
Security experiments: attacks and defenses
2° anno · 12 CFU · IINF-05/A · 0 file
si veda il testo inglese.
Scheda dell'insegnamento
Obiettivi formativi
si veda il testo inglese.
Programma
Si veda il testo Inglese.
si veda il testo inglese
Modalità d'esame
si veda il testo inglese.
Testi di riferimento
si veda il testo inglese.
Codice insegnamento 50879_650863_96203
Security experiments: attacks and defenses
2° anno · 12 CFU · IINF-05/A · 0 file
si veda il testo inglese.
Scheda dell'insegnamento
Obiettivi formativi
si veda il testo inglese.
Programma
Si veda il testo Inglese.
si veda il testo inglese
Modalità d'esame
si veda il testo inglese.
Testi di riferimento
si veda il testo inglese.
Codice insegnamento 50880_650863_96203
Sensing Technologies and Data Processing
2° anno · 6 CFU · IINF-03/A · 0 file
This course provides basic concepts as well as design capabilities in the framework of sensing technologies and platforms, including remote sensing (from satellites, airborne, UAV and terrestrial observation…
Scheda dell'insegnamento
Obiettivi formativi
This course provides basic concepts as well as design capabilities in the framework of sensing technologies and platforms, including remote sensing (from satellites, airborne, UAV and terrestrial observation platforms), proximal sensing, in-situ sensing and their possible integration with other kinds of ancillary data. These technologies are presented in the the framework of different applications including environmental monitoring, climate change analysis, civil protection, infrastructure monitoring, surveillance, planetary exploration, automotive, robotics, etc. The course introduces sensing principles, methodologies, technologies and techniques that are fundamental for the design of adavanced systems with the last generation of sensors (optical, multispectral, hyperspectral, thermal, radar, lidar, etc). It describes the approach to the design and implementation of systems with respect to different applications and operative scenarios, including the design criteria for the choice of the sensors and the the system architecture. A part of the course is focused the the data analysis methods that should be used for the processing of the data acquired by sensors (also in a data fusion frameowrk). A large part of the course is developed in the Sensing Technology Laboratory where the students can develop experiments on the use of most of the sensing technologies considered.
Programma
1. Introduction to Sensing Systems and Related Technologies Background. Main components of advanced systems for i) environmental monitoring, ii) climate change analysis, iii) civil protection, iv) infrastructure monitoring, v) surveillance, vi) robotics; vii) automotive; viii) indoor monitoring; and ix) planetary exploration. Sensing technologies: remote sensing (from satellites, airborne and UAV platforms), proximal sensing, in-situ (ground) sensing, ancillary data and geographical information systems. Sensor networks and sensor web. Integrated Earth sensing. Data fusion. Data Assimilation. Taxonomy of sensors, systems and applications. 2. Sensors, Data Processing and Applications (Lectures in the Sensing Technology Laboratory) Basics concepts and technologies related to the acquisitions of data with different sensors. Experiments of data acquisition with real devices and instruments and related data processing. Examples of applications. The following topics will be addressed in the different laboratory sessions: • Session 1: Remote sensing imaging with UAV/Drones • Session 2: Multispectral, hyperspectral and TIR imaging sensors. • Sessions 3: Radar sensors • Sessions 4: Example of applicatons of radar sensors • Sessions 5: Lidar sensors and examples of applications • Sessions 6: Multisensor data analysis • Sessions 7: Analysis of multitemporal optical images • Sessions 8: Analysis of multitemporal SAR images • Sessions 9: Earth observation applications • Session 10: Planetary exploration applications • Session 11: Design and implementation of space missions • Session 12: Examples of management of real planetary missions (Science Operation Center of the RIME radar of the JUICE Mission of European Space Agency) 3. Techniques for the Analysis of Multitemporal Signals and Images Taxonomy of problems. Mutlitemporal data analysis and change detection techniques. Change detection in multispectral and SAR images; pre-processing chains; techniques for change detection: pixel-based techniques; context-sensitive techniques. Change detection in very high geometrical resolution optical and SAR images: radiometric and semantic changes; multiscale techniques. Detection of land-cover transitions. Analysis of long image time series. Criteria for the design of change detection techniques; challenges in change detection; example of complex application scenarios (e.g., emergency management in natural disasters). 4. Advanced Systems and Applications Analysis of requirements, relevant sensors and ancillary data, systems and technologies for the following families of applications: environmental monitoring; civil protection; infrastructure monitoring; surveillance; robotics; automotive; indoor monitoring; planetary exploration.
L'attività didattica comprende lezioni frontali, coadiuvate dall'uso di slide (circa 50% del corso). Esercitazioni in laboratorio (circa il 50% del corso) complementano le lezioni frontali con lo svolgimento di attività su sensori e piattaforme hardware e al calcolatore volte ad illustrare aspetti tecnici e problemi applicativi reali. Il materiale didattico (slide e dispense delle esercitazioni in aula) è reso disponibile sul sito del corso.
Modalità d'esame
L'esame consiste in una prova orale su tutto il programma del corso, valutata tra 0 e 30/30, volta a verificare l'apprendimento dei concetti legati alla progettazione di sistemi di telerilevamento avanzati e a valutare la capacità dello studente di esporre in modo critico quanto appreso durante le lezioni. Lo studente può scegliere come modalità alternativa alla prva orale di sostenere l'esame mediante lo svolgimento di un progetto relativo ai temi affrontati nel corso.
Testi di riferimento
Copy of the slides projected during the lectures of the course Material distributed during the lectures in the laboratory
Codice insegnamento 51351_658376_96617
Software Development for Collaborative Robotics
2° anno · 6 CFU · IINF-05/A · 0 file
I robot collaborativi sono sistemi robotici che operano in stretta connessione con l'uomo. Pertanto, devono soddisfare requisiti molto impegnativi in termini di sicurezza, prestazioni ed ergonomia. Inoltre, l'interazione…
Scheda dell'insegnamento
Obiettivi formativi
I robot collaborativi sono sistemi robotici che operano in stretta connessione con l'uomo. Pertanto, devono soddisfare requisiti molto impegnativi in termini di sicurezza, prestazioni ed ergonomia. Inoltre, l'interazione con l'uomo per l'esecuzione di compiti condivisi richiede alti livelli di flessibilità e adattabilità. In questo contesto, non sorprende che la componente software giochi un ruolo dominante nello sviluppo del sistema. Per soddisfare gli impegnativi requisiti sopra elencati, la qualità del componente software deve essere dei migliori standard disponibili nella pratica industriale odierna. In questo corso, lo studente entrerà in contatto con i più recenti progressi tecnologici della robotica collaborativa. Sceglierà un progetto nell'area con un livello di complessità tale da giustificare l'adozione di tecniche di programmazione all'avanguardia. Il tema specifico del progetto sarà scelto in base all'interesse del gruppo in una delle tre macro aree: salute, agricoltura di precisione e manifattura. Lo studente apprenderà: l'uso del framework di programmazione ROS 2;come progettare e sviluppare codice modulare, ben documentato e testato;l'uso avanzato del linguaggio di programmazione C++ nel contesto di ROS 2;l’uso del linguaggio di programmazione Python nel contest di ROS 2. Al termine dell’insegnamento, lo studente sarà in grado di: Sviluppare un’applicazione di robotica collaborativa che include la pianificazione e attuazione di interazione, moto e task del robot;Integrare aspetti di programmazione avanzata in C++ e Python che favoriscono la modularità e riusabilità del codice;Mantenere e gestire software in gruppo, che includa documentazione, testing, integrazione continua, con controllo di versione;Presentare e valorizzare in gruppo gli aspetti caratterizzanti del proprio lavoro.
Programma
Il corso fornirà le competenze necessarie per sviluppare un progetto di alta qualità nel campo della robotica collaborativa. I contenuti del corso sono i seguenti: Concetti fondamentali di robotica collaborativa;Sviluppo di software e simulazione utilizzando ROS 2;Gestione software in gruppo con controllo di versione;Documentazione, test e integrazione continua del software;Presentazione dei diversi temi del progetto;Sviluppo del progetto (attività di laboratorio).
L'insegnamento si baserà su: lezioni teoriche ed esercitazioni in aulasessioni pratiche in aula per lo sviluppo del progetto.
Modalità d'esame
Gli studenti formeranno gruppi di 2 persone a scelta (3 persone al massimo nel caso di numero dispari di studenti totali). Ogni gruppo sceglierà un progetto diverso in base all'interesse specifico dello studente (ad esempio, salute, manifattura, agricoltura di precisione) e dovrà sviluppare un’applicazione software che include vari aspetti di robotica collaborativa, dalla simulazione alla pianificazione e attuazione di interazione, moto e task. Alla fine del corso, ogni gruppo consegnerà il progetto che consiste nel codice sorgente completo e documentato caricato in una repository GitHub online messa a disposizione dal docente (50% della valutazione finale). Successivamente alla consegna del codice sorgente sarà fissata una presentazione orale (50% della valutazione finale) comune per tutti gli studenti, fissata nelle date dell’esame o comunque in una data che permetta al docente di visionare i progetti prima della presentazione degli studenti. La valutazione del contenuto teorico del corso sarà effettuata con qualche domanda orale durante la presentazione. Il docente si riserva la possibilità di richiedere una relazione scritta dove necessario. Gli studenti presenteranno il loro lavoro durante una sessione orale con il docente e gli assistenti didattici. Sia nella relazione, ma ancora di più nella presentazione, è richiesto di evidenziare le scelte più importanti alla base del progetto, spiegando come sono stati soddisfatti i diversi requisiti sulla qualità del software usando tecniche viste a lezione ed eventualmente altre incontrate nello sviluppo nel progetto.
Testi di riferimento
Il corso consiste in un insieme multidisciplinare di argomenti che convergono verso lo stesso obiettivo. Grosso modo possiamo identificare tre grandi aree: Il framework di sviluppo ROS2Sviluppo avanzato di software in C++Le migliori pratiche di progettazione e implementazione del software robotico Per quanto riguarda la prima area, raccomandiamo il libro: B. Stroustrup: “Programming Principles and Practices using C++ (Second Edition)” Per quanto riguarda la seconda area, c'è molto materiale open source online in internet. Se volete un libro, potete prendere in considerazione: Marco Matteo Bass: "A very informal journey through ROS2: Patterns, Anti-patterns, Frameworks, and Best Practices". Per la terza area, si faccia riferimento alle diapositive e alle registrazioni delle lezioni che verranno caricate di volta in volta nella pagina di Moodle del corso.
Codice insegnamento 50880_650755_96200
Software Development for Collaborative Robotics
2° anno · 6 CFU · IINF-05/A · 0 file
I robot collaborativi sono sistemi robotici che operano in stretta connessione con l'uomo. Pertanto, devono soddisfare requisiti molto impegnativi in termini di sicurezza, prestazioni ed ergonomia. Inoltre, l'interazione…
Scheda dell'insegnamento
Obiettivi formativi
I robot collaborativi sono sistemi robotici che operano in stretta connessione con l'uomo. Pertanto, devono soddisfare requisiti molto impegnativi in termini di sicurezza, prestazioni ed ergonomia. Inoltre, l'interazione con l'uomo per l'esecuzione di compiti condivisi richiede alti livelli di flessibilità e adattabilità. In questo contesto, non sorprende che la componente software giochi un ruolo dominante nello sviluppo del sistema. Per soddisfare gli impegnativi requisiti sopra elencati, la qualità del componente software deve essere dei migliori standard disponibili nella pratica industriale odierna. In questo corso, lo studente entrerà in contatto con i più recenti progressi tecnologici della robotica collaborativa. Sceglierà un progetto nell'area con un livello di complessità tale da giustificare l'adozione di tecniche di programmazione all'avanguardia. Il tema specifico del progetto sarà scelto in base all'interesse del gruppo in una delle tre macro aree: salute, agricoltura di precisione e manifattura. Lo studente apprenderà: l'uso del framework di programmazione ROS 2;come progettare e sviluppare codice modulare, ben documentato e testato;l'uso avanzato del linguaggio di programmazione C++ nel contesto di ROS 2;l’uso del linguaggio di programmazione Python nel contest di ROS 2. Al termine dell’insegnamento, lo studente sarà in grado di: Sviluppare un’applicazione di robotica collaborativa che include la pianificazione e attuazione di interazione, moto e task del robot;Integrare aspetti di programmazione avanzata in C++ e Python che favoriscono la modularità e riusabilità del codice;Mantenere e gestire software in gruppo, che includa documentazione, testing, integrazione continua, con controllo di versione;Presentare e valorizzare in gruppo gli aspetti caratterizzanti del proprio lavoro.
Programma
Il corso fornirà le competenze necessarie per sviluppare un progetto di alta qualità nel campo della robotica collaborativa. I contenuti del corso sono i seguenti: Concetti fondamentali di robotica collaborativa;Sviluppo di software e simulazione utilizzando ROS 2;Gestione software in gruppo con controllo di versione;Documentazione, test e integrazione continua del software;Presentazione dei diversi temi del progetto;Sviluppo del progetto (attività di laboratorio).
L'insegnamento si baserà su: lezioni teoriche ed esercitazioni in aulasessioni pratiche in aula per lo sviluppo del progetto.
Modalità d'esame
Gli studenti formeranno gruppi di 2 persone a scelta (3 persone al massimo nel caso di numero dispari di studenti totali). Ogni gruppo sceglierà un progetto diverso in base all'interesse specifico dello studente (ad esempio, salute, manifattura, agricoltura di precisione) e dovrà sviluppare un’applicazione software che include vari aspetti di robotica collaborativa, dalla simulazione alla pianificazione e attuazione di interazione, moto e task. Alla fine del corso, ogni gruppo consegnerà il progetto che consiste nel codice sorgente completo e documentato caricato in una repository GitHub online messa a disposizione dal docente (50% della valutazione finale). Successivamente alla consegna del codice sorgente sarà fissata una presentazione orale (50% della valutazione finale) comune per tutti gli studenti, fissata nelle date dell’esame o comunque in una data che permetta al docente di visionare i progetti prima della presentazione degli studenti. La valutazione del contenuto teorico del corso sarà effettuata con qualche domanda orale durante la presentazione. Il docente si riserva la possibilità di richiedere una relazione scritta dove necessario. Gli studenti presenteranno il loro lavoro durante una sessione orale con il docente e gli assistenti didattici. Sia nella relazione, ma ancora di più nella presentazione, è richiesto di evidenziare le scelte più importanti alla base del progetto, spiegando come sono stati soddisfatti i diversi requisiti sulla qualità del software usando tecniche viste a lezione ed eventualmente altre incontrate nello sviluppo nel progetto.
Testi di riferimento
Il corso consiste in un insieme multidisciplinare di argomenti che convergono verso lo stesso obiettivo. Grosso modo possiamo identificare tre grandi aree: Il framework di sviluppo ROS2Sviluppo avanzato di software in C++Le migliori pratiche di progettazione e implementazione del software robotico Per quanto riguarda la prima area, raccomandiamo il libro: B. Stroustrup: “Programming Principles and Practices using C++ (Second Edition)” Per quanto riguarda la seconda area, c'è molto materiale open source online in internet. Se volete un libro, potete prendere in considerazione: Marco Matteo Bass: "A very informal journey through ROS2: Patterns, Anti-patterns, Frameworks, and Best Practices". Per la terza area, si faccia riferimento alle diapositive e alle registrazioni delle lezioni che verranno caricate di volta in volta nella pagina di Moodle del corso.
Codice insegnamento 50880_650828_96200
Bioinformatics Resources
2° semestre · 6 CFU · INF/01 · 0 file
Blockchain
6 CFU · INF/01 · 0 file
Blockchain
6 CFU · ING-INF/05 · 0 file
Data mining
1° semestre · 6 CFU · ING-INF/05 · 0 file
Data mining
1° semestre · 6 CFU · ING-INF/05 · 0 file
Data mining
6 CFU · ING-INF/05 · 0 file
Fog and Cloud Computing
2° semestre · 6 CFU · ING-INF/05 · 0 file
High Throughput Sequencing Data Analysis
2° semestre · 6 CFU · INF/01 · 0 file
Laboratory of biological data mining
1° semestre · 6 CFU · ING-INF/05 · 0 file
Multimedia Data Security
1° semestre · 6 CFU · ING-INF/03 · 0 file
Remote Sensing Systems and Image Analysis
1° semestre · 6 CFU · ING-INF/03 · 0 file
Simulation and performance evaluation
2° semestre · 6 CFU · ING-INF/03 · 0 file
Softwarized and Virtualized mobile networks
1° semestre · 6 CFU · ING-INF/03 · 0 file
Spatial databases
1° semestre · 6 CFU · INF/01 · 0 file
Spatial databases
6 CFU · INF/01 · 0 file