Corso di laurea
Data Science
Università degli Studi di Trento · 42 materie · 0 file condivisi
Sfoglia il materiale didattico
Con UniDocs hai l'opportunità di studiare insieme a tutto il tuo corso di laurea. Guadagna subito dei crediti, carica il materiale del tuo ultimo esame!
Più condividi, più tempo avrai per studiare con tutta la community!
Materie del corso
Nell'attuale epoca di straordinaria generazione di dati, caratterizzata dai tre "V" distintivi: Volume, Varietà e Velocità, vi è un’enorme richiesta di competenze nelle Tecnologie Big Data. Gli strumenti tradizionali…
Scheda dell'insegnamento
Obiettivi formativi
Nell'attuale epoca di straordinaria generazione di dati, caratterizzata dai tre "V" distintivi: Volume, Varietà e Velocità, vi è un’enorme richiesta di competenze nelle Tecnologie Big Data. Gli strumenti tradizionali di gestione ed elaborazione dei dati hanno dimostrato la loro inadeguatezza nel fronteggiare questo flusso incessante di informazioni, determinando la necessità dello sviluppo di soluzioni e tecnologie specifiche. Il modulo "Tecnologie Big Data," è concepito per fornire agli studenti una conoscenza completa e competenze pratiche nell'ambito dei Big Data. Il nostro obiettivo primario è coltivare una profonda comprensione dei principi dei Big Data, dei framework e degli strumenti essenziali per la progettazione e l'implementazione di sistemi robusti e scalabili per l'elaborazione di Big Data. . Attraverso questo modulo, gli studenti acquisiranno una competenza nei fondamenti dei Big Data, comprenderanno appieno la loro rilevanza nel mondo odierno, e svilupperanno competenze avanzate nell'utilizzo di una vasta gamma di tecnologie e framework al fine di ideare e realizzare soluzioni dati altamente scalabili. Al termine di questo modulo di master, gli studenti emergeranno con un set di competenze avanzate, tra cui la capacità di sfruttare efficacemente le tecnologie Big Data, analizzare dati su larga scala e progettare sistemi dati in grado di affrontare sfide reali. Al termine del corso, gli studenti saranno pronti a rispondere alla crescente domanda dell'industria di professionisti altamente qualificati nell'ambito dei Big Data e delle tecnologie rilevanti.
Programma
The big picture: tech megatrends. Data modelling: Data vs data representation; Structured vs unstructured data; Relational data model; Semi-structured data models; Examples: csv, json, xml etc.; Graph data models; Data model vs data format; Data streams; Batch vs stream processing. Characteristics of big data: The 3 (5) Vs, Big data vs Small data; Getting value out of big data, Big data strategy. Big data management systems: Relational DBs; No-SQL DBs. Storing big data: HDFS; Data warehouse; Data lake; Object storage. Big data retrieval: Querying SQL; Querying JSON; SPARQL. Big data ingestion: Ingestion infrastructure; Message queues; Pub/Sub; MQTT; Apache Kafka. Batch processing: MapReduce; Apache Spark; Dask. Stream processing: Spark Streaming; Apache Flink. Advanced architectures: from data lakes/DWH to delta lakes & lakehouse architectureContainerization technologies: Docker
Flipped classroom: il materiale (slides, video) è condiviso prima delle lezioni; durante le lezioni i contenuti vengono rivisti, discussi e applicati. Test di autovalutazione vengono effettuati ad ogni lezione. Il laboratorio costituisce parte fondamentale del corso in quanto approfondisce l’applicazione dei concetti e l’utilizzo delle tecnologie viste nelle lezioni teoriche.
Modalità d'esame
Due opzioni: Opzione 1: progetto (gruppi di 3 studenti misti A/B) [25/30] e test scritto [6/30]. I risultati del progetto includono un breve report e codice funzionante. Opzione 2: test scritto [6/30] e orale [25/30] - l'orale include la stesura di un progetto carta-e-penna.
Testi di riferimento
Non applicabile.
Codice insegnamento 50955_651666_96403
Gli Obiettivi Formativi di questo modulo sono i seguenti: Identificare i principali elementi storici che hanno contribuito, con la rivoluzione cognitiva, alla sintesi delle scienze cognitive e dell'Intelligenza…
Scheda dell'insegnamento
Obiettivi formativi
Gli Obiettivi Formativi di questo modulo sono i seguenti: Identificare i principali elementi storici che hanno contribuito, con la rivoluzione cognitiva, alla sintesi delle scienze cognitive e dell'Intelligenza Artificiale;Comprendere il funzionamento di modelli basati sui dati di intelligenza artificiale e apprendimento automatico nelle scienze cognitive e nella psicologia;Acquisire conoscenze tecniche su come ottenere intuizioni tramite l'ingegneria degli input nei Modelli di Linguaggio di Grandi Dimensioni;Padroneggiare, anche tramite codice Python, tecniche di elaborazione del linguaggio naturale (NLP) per l'identificazione di parole chiave, la rilevazione di sentimenti ed emozioni dai testi;Acquisire conoscenze specifiche e tecniche sulla scienza delle reti cognitive e sui modelli di recupero delle informazioni basati sulle scienze cognitive.
Programma
Il modulo di Data Science Cognitiva mira a introdurre gli studenti di data science a tecniche quantitative adatte per l'analisi di dati cognitivi e psicologici. Questo modulo fornirà inoltre agli studenti strumenti di modellazione essenziali e conoscenze di base sui modelli storici della cognizione, supportati da dati, e sugli avanzamenti più recenti in aree di ricerca affini come l'elaborazione del linguaggio naturale, la psicometria artificiale e la scienza delle reti cognitive. 1 - Teoria dei sistemi in scienze cognitive, reti neurali artificiali come modelli cognitivi (Rosenblatt, 1958) addestramento e test, modelli psicologici ispirati all'informatica della mente umana (Quillian 1969; Collins e Loftus, 1975). La dicotomia di cognizione e psicologia riflessa nei modelli basati sui dati. Ipotesi psicologiche guidate dai dati: l'ipotesi distribuzionale in psicologia computazionale e l'ipotesi lessicale in psicometria. 2 - Spazi vettoriali come modelli di cognizione per mappare aspetti semantici di idee e concetti nella mente umana. GloVe e ChatGPT. Modelli vettoriali per mappare le emozioni delle parole: il modello circomplesso dell'affetto (Posner et al., 2005) e la teoria delle emozioni umane di Plutchik, operazionalizzata tramite studi mega massivi in psicologia e data science. Applicazioni al rilevamento delle emozioni nei testi, trattati come dati non strutturati. 3 - Scienza delle reti come evoluzione della teoria dei sistemi da parte dei data scientist. Reti cognitive come modelli di conoscenza associativa. Simulazione della diffusione di attivazione sulle reti cognitive. Analisi di rete e applicazioni al rilevamento delle emozioni nei testi, trattati come dati strutturati. 4 - Modelli di linguaggio di grandi dimensioni (LLMs) e ingegneria degli input. Bias cognitivi negli umani e nei LLMs. Tecniche per la generazione di codice e l'analisi dei dati con gli LLMs. 5 - Hackathon finale in Data Science Cognitiva.
Il corso combinerà l'insegnamento tradizionale in presenza (30 ore) con un innovativo apprendimento basato su progetti (18 ore) che utilizza la scrittura di prompt per modelli di linguaggio di grandi dimensioni. L'insegnamento in presenza mescolerà lezioni tecniche/teoriche e attività pratiche per l'uso di pacchetti specifici per l'analisi di dati cognitivi/psicologici. Durante l'Hackaton finale (della durata di 3 ore, incluse nelle 12 ore di sopra) gli studenti svolgeranno apprendimento basato su progetti mentre saranno divisi in gruppi di 3-4 persone. Agli studenti sarà dato un esperimento psicologico da simulare all'interno di un LLM, raccogliendo dati cognitivi/psicologici da individui simulati e analizzando i dati risultanti. Ogni componente del gruppo dovrà scrivere un breve rapporto di ricerca di 3 pagine da discutere durante l'esame orale. Le lezioni saranno registrate per gli studenti che non frequentano fisicamente. Tuttavia, la partecipazione in classe faciliterà l'apprendimento in presenza di attività interattive e durante l'Hackaton finale.
Modalità d'esame
Il modulo si concluderà con un unico esame orale. L’esame orale consisterà nella discussione di un report tecnico di 3 pagine prodotto utilizzando i dati raccolti durante l’Hackathon. Il report sarà valutato secondo il seguente schema di assegnazione dei punti: A – Formulazione di una domanda di ricerca cognitiva o psicologica da testare utilizzando dati simulati da LLM: da 0 a 5 puntiB – Identificazione di una pipeline metodologica chiara e semplice per l’analisi dei dati, utilizzando gli strumenti di base visti a lezione (in R o in Python): da 0 a 5 puntiC – Chiarezza del linguaggio e rispetto delle indicazioni di formattazione (carattere Arial 12, interlinea 1.5, 3 pagine escluse le referenze, almeno una referenza obbligatoria): da 0 a 5 puntiInoltre, gli studenti potranno ottenere fino a 16 punti aggiuntivi rispondendo a due domande scelte da un elenco relativo ai contenuti trattati a lezione (D). L’elenco delle domande sarà fornito dal docente al termine del modulo. Il voto finale sarà dato dalla somma di A + B + C + D (dove D rappresenta il punteggio ottenuto nelle domande orali). Il 30 e lode sarà attribuito a chi raggiunge 31 punti o più. Gli studenti che non parteciperanno all’Hackathon dovranno produrre i dati in autonomia e redigere il report tecnico di conseguenza. L’Hackathon si terrà durante il penultimo giorno di lezione, così da permettere la stesura del report nella sessione finale con la possibilità di ricevere feedback dal docente.
Testi di riferimento
The Cambridge Handbook of Cognitive Science, Frankish K and Ramsey W, (2012). The Atlas for the Aspiring Network Scientist, Coscia (2024) - Freely available here: https://arxiv.org/pdf/2101.00863 Slides del docente. LINK AL MATERIALE BIBLIOGRAFICO reso disponibile dalle Biblioteche UniTrento (verifica la disponibilità in biblioteca) Frankish, K., & Ramsey, W. M. (2012). The Cambridge handbook of cognitive science. Cambridge University Press.Coscia, M. (2025), The atlas for the aspiring network scientist.
Codice insegnamento 50955_651667_96404
Il corso (CSS) introduce studenti e studentesse ai principali metodi e approcci delle scienze sociali computazionali, un ambito di ricerca eterogeneo e in rapida espansione. Piuttosto che concentrarsi in modo…
Scheda dell'insegnamento
Obiettivi formativi
Il corso (CSS) introduce studenti e studentesse ai principali metodi e approcci delle scienze sociali computazionali, un ambito di ricerca eterogeneo e in rapida espansione. Piuttosto che concentrarsi in modo approfondito su poche tecniche specifiche, il corso si propone di offrire una panoramica ampia degli strumenti metodologici oggi disponibili, così da permettere agli studenti di orientarsi consapevolmente nella scelta degli approcci più adeguati alle diverse domande di ricerca. Particolare attenzione è dedicata sia alla predizione, obiettivo centrale della modellizzazione computazionale, sia alla causalità, una dimensione spesso meno valorizzata in questo campo. L’impostazione del corso è fortemente orientata alla ricerca e intende fornire una base solida per chi è interessato a studiare i fenomeni sociali attraverso metodi computazionali contemporanei, che vanno oltre gli approcci quantitativi tradizionali. Gli obiettivi del corso sono: fornire le conoscenze tecniche e concettuali di base relative a un insieme di metodi e approcci propri delle scienze sociali computazionali;sviluppare la capacità di affrontare problemi delle scienze sociali dal punto di vista della modellizzazione computazionale, individuando gli strumenti più adatti in funzione delle domande di ricerca e dei dati disponibili;accompagnare studenti e studentesse nella progettazione autonoma di un progetto di ricerca che utilizzi uno o più degli approcci computazionali trattati durante il corso.
Programma
Il corso inizia introducendo gli studenti ai principi della metodologia sociale e con un ripasso sulla misurazione quantitativa, progettato per fornire le conoscenze di base relative alle strutture dei dati e ai principi analitici fondamentali. Il primo modulo sostanziale tratta poi i metodi sperimentali e quasi-sperimentali. Il corso pone uguale enfasi sulla predizione, obiettivo centrale della modellizzazione computazionale, e sulla causalità, un aspetto spesso sottovalutato in questo ambito. A seguire, è prevista una sessione dedicata alla raccolta dei dati, evidenziando le fonti digitali e i repository più comuni che possono supportare la progettazione e l’implementazione della ricerca. Successivamente, ci si concentra sui fondamenti della scienza delle reti, con particolare attenzione all’analisi delle reti sociali. Il quarto modulo introduce le tecniche di text mining, inclusi i metodi di topic modeling. Il quinto modulo è incentrato sul machine learning e sul deep learning, trattando sia i metodi supervisionati sia quelli non supervisionati. L’ultima componente tecnica introduce i fondamenti dei grandi modelli linguistici (Large Language Models). Il corso si conclude con una sessione dedicata all’etica e all’integrità della ricerca, seguita da una lezione di revisione finale, volta a chiarire eventuali dubbi sui concetti trattati durante il corso o in vista dell’esame finale. Di seguito è riportato un calendario provvisorio delle lezioni: Lezione 1: IntroduzioneLezione 2: Principi di Metodologia Sociale 1Lezione 3: Principi di Metodologia Sociale 2Lezione 4: Misurazione Quantitativa – Ripasso 1Lezione 5: Misurazione Quantitativa – Ripasso 2Lezione 6: Metodi Sperimentali e Quasi-Sperimentali 1Lezione 7: Metodi Sperimentali e Quasi-Sperimentali 2Lezione 8: Metodi Sperimentali e Quasi-Sperimentali 3Lezione 9: Test scritto 1Lezione 10: Dove cercare i dati?Lezione 11: Analisi delle Reti Sociali 1Lezione 12: Analisi delle Reti Sociali 2Lezione 13: Analisi delle Reti Sociali 3Lezione 14: Text Mining / NLPLezione 15: Text Mining / NLPLezione 16: Le due cultureLezione 17: Test scritto 2Lezione 18: Supervised LearningLezione 19: Supervised LearningLezione 20: Supervised Learning / Unsupervised LearningLezione 21: Fondamenti dei Grandi Modelli LinguisticiLezione 22: Fondamenti dei Grandi Modelli LinguisticiLezione 23: Etica e integrità della ricercaLezione 24: Revisione
Il corso combina lezioni tradizionali e lezioni più interattive nelle quali attività individuali di coding permetteranno alle studentesse e agli studenti di testare e migliorare le proprie competenze rispetto ad una serie di metodi e approcci diffusi nelle scienze sociali computationali. CSS è fondato sia sulla necessità di fornire elementi essenziali di tipo nozionistico sia sull'aspettative che studentesse e studenti diventino autonomi e sappiano applicare le loro conoscenze in modo critico e creativo.
Modalità d'esame
La frequenza alle lezioni non è obbligatoria, ma è comunque fortemente consigliata. La valutazione consisterà in due prove scritte intermedie di breve durata (che contribuiranno per il 30% del voto finale, ciascuna con peso del 15%) e in un progetto di ricerca finale (che contribuirà per il restante 70% del voto finale). L’obiettivo di questa strategia di valutazione doppia è incoraggiare la creatività e un atteggiamento orientato alla ricerca, garantendo al contempo che i concetti tecnici fondamentali siano stati adeguatamente assimilati. La partecipazione alle due prove intermedie non è obbligatoria: se uno studente decide di non presentarsi a una prova, il progetto finale sarà valutato detraendo i punti corrispondenti alla prova non sostenuta. Ad esempio, se uno studente non sostiene la prima prova intermedia, il voto massimo conseguibile con la consegna del progetto finale sarà 26 su 30, poiché 4,5 punti corrispondono al 15% di 30. L’impegno e la partecipazione in aula saranno presi in considerazione nella determinazione del voto finale, ai fini di eventuali arrotondamenti.
Testi di riferimento
Manuali: – Cunningham, S. (2021). Causal inference: The mixtape. Yale University Press. Available at: https://mixtape.scunning.com/ – Salganik, M. (2017). Bit By Bit – Social Research in the Digital Age. Princeton University Press. Articoli rilevanti (to be updated): – Breiman, L. (2001). Statistical Modeling: The Two Cultures (with comments and a rejoinder by the author). Statistical Science, 16 (3), 199–231. https://doi.org/10.1214/ss/1009213726 – Lazer, D., Pentland, A., Adamic, L., Aral, S., Barab´asi, A.-L., Brewer, D., Christakis, N., Contractor, N., Fowler, J., Gutmann, M., Jebara, T., King, G., Macy, M., Roy, D., & Alstyne, M. V. (2009). Computational Social Science. Science, 323 (5915), 721–723. https://doi.org/10.1126/science.1167742 – Turing, A. M. (1950). Computing Machinery and Intelligence. Mind, LIX (236), 433–460. https://doi.org/10.1093/mind/LIX.236.433 – Angwing, J., Larson, J., Mattu, S., & Kirchner, L. (2016). Machine Bias. There’s software used across the country to predict future criminals. And it’s biased against blacks. ProPublica. https://www.propublica.org/article/machine-bias-risk-assessments- in-criminal-sentencing – Jean, N., Burke, M., Xie, M., Davis, W. M., Lobell, D. B., & Ermon, S. (2016). Com- bining satellite imagery and machine learning to predict poverty. Science, 353 (6301), 790–794. https://doi.org/10.1126/science.aaf7894 – Lundberg, S.M., Lee, S.(2017). A Unified Approach to Interpreting Model Predic- tions. Advances in Neural Information Processing Systems https://proceedings.neurips.cc/paper/2017/file/8a20a8621978632d76c43dfd28b67767-Paper.pdf – Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence, 62–76. https://www.nature.com/articles/s42256-019-0048-x
Codice insegnamento 50955_651670_93488
Al termine del corso, gli studenti e le studentesse saranno in grado di: affrontare da un punto di vista critico sia i big data sia la Data Science discutendone l'utilità per la comprensione delle dinamiche…
Scheda dell'insegnamento
Obiettivi formativi
Al termine del corso, gli studenti e le studentesse saranno in grado di: affrontare da un punto di vista critico sia i big data sia la Data Science discutendone l'utilità per la comprensione delle dinamiche sociali;formulare in modo consapevole domande di ricerca rilevanti per lo studio delle società contemporanee e del comportamento umano;individuare snodi analitici cruciali per sviluppare ricerca innovativa sia a livello micro sia a livello macro nel campo della Data Scienceguardare criticamente ai complessi processi economici, organizzativi e sociali coinvolti dalle tecnologie dell’informazione e della collaborazione, analizzando in particolare l’impatto, anche potenziale, di piattaforme ed infrastrutture digitali;presentare e comunicare i risultati a un pubblico più ampio di potenziali stakeholder.
Programma
Il corso si propone di fornire un'introduzione sistematica, sia concettuale che metodologica, ad alcune aree di ricerca particolarmente centrali nel campo della Data Science e strettamente connesse alla diffusione dei social media come sito di azione sociale e politica ma anche come una delle principali fonti di dati per lo studio del comportamento individuale e, più in generale, delle società contemporanee. Il corso si articola in due parti distinte nelle quali dapprima (parte 1) si affrontano alcuni grandi temi legati alla diffusione della Data Science come campo di studi e, successivamente (parte 2) si discutono alcuni temi cruciali nella ricerca sui social media. Più in particolare: Parte 1 – Dibattiti contemporanei nel campo della Data Science (Prof.ssa elena pavan, 24 ore) Questa parte del corso toccherà alcune delle questioni più critiche per lo sviluppo e il consolidamento della Data Science come campo di studi. Un primo blocco tematico riguarderà il dibattito corrente ispirato dai critical data studies e affronta la natura situata e non neutrale dei cosiddetti Big Data come pure delle intelligenze artificiali. Un secondo blocco tematico affronta la discussione su che cosa sia una human-centered Data Science calando all’interno delle società contemporanee modi e strumenti del campo di studi. Infine, un terzo blocco tematico offre una introduzione ad alcuni aspetti particolarmente critici. Particolare attenzione verrà data al nesso tra dati, tecnologie digitali, intelligenze artificiali e bias/stereotipi legati al genere ed alla razza (intesa come dispositivo di razializzazione). Parte 2 - Dibattiti contemporanei nella ricerca sui social media (Prof. Alberto Acerbi, 24 ore) Questa parte del corso riguarderà l’analisi critica di alcune discussioni contemporanee associate all’utilizzo e alla diffusione dei media digitali, in particolare dei social media. Ci si concentrerà su temi quali la portata della disinformazione online, il rapporto tra utilizzo dei social media e salute mentale, la circolazione delle teorie del complotto, l’efficacia del micro-targeting basato su informazioni ricavate dalla nostra attività online, o se gli algoritmi che selezionano ciò che vediamo nei social media favoriscono tendenze estremistiche e polarizzazione. Esploreremo anche il ruolo che l’IA generativa potrebbe avere nella diffusione di disinformazione e propaganda. In generale, cercheremo di inquadrare i dibattiti contemporanei sui pericoli dei social media in un’ottica più ampia, che fa riferimento sia alle reazioni all’introduzione di precedenti tecnologie di comunicazione che ad alcune caratteristiche generali della psicologia umana e dell’evoluzione culturale, e a come queste interagiscono con le innovazioni tecnologiche e comunicative.
Il corso si svolge principalmente attraverso lezioni frontali che potranno essere arricchite da discussioni ed esercizi in gruppo. Le lezioni si svolgeranno in presenza negli spazi adibiti al corso presso il Dipartimento di Sociologia e Ricerca Sociale (Trento, via Verdi n.26). Eventuali cambiamenti verranno notificati dal team docente attraverso la piattaforma Moodle. Gli/le student@ impossibilitati a frequentare che abbiano ricevuto l'approvazione all'istanza di riconoscimento formale prevista dall'Ateneo (crf. Linee Guida di Ateneo per gli studenti/esse impossibilitati a frequentare) dovranno contattare separatamente i membri del gruppo docente per ricevere informazioni sui materiali messi a disposizione nelle 3 singole parti.
Modalità d'esame
Gli/le studenti/esse riceveranno una valutazione in trentesimi a seguito dello svolgimento di una prova scritta che avrà forma e durata variabile per studenti/esse frequentanti e non frequentanti. Studenti/esse frequentanti: La prova scritta avrà una durata di due ore e consisterà nella redazione di un commento ad un testo (e.g., un articolo o un editoriale di giornale, un estratto di un saggio, un blogpost) che verrà fornito durante la sessione di esame. Il commento dovrà utilizzare il testo fornito come punto di partenza per discutere temi più ampi facendo uso delle letture assegnate durante il corso. Nel commentare il testo fornito, dunque, gli/le studentesse dovranno dare prova non solo di conoscere le letture assegnate ma anche di saperle utilizzare correttamente per costruire un argomento critico ed originale. Il commento verrà valutato attraverso tre criteri: conoscenza e correttezza nell’utilizzo delle letture assegnate;coerenza e chiarezza dell’argomento sviluppato;capacità di collegare tra loro le letture assegnate, sia all’interno di ciascuna parte del corso, sia tra le due parti.La partecipazione in classe contribuisce alla valutazione finale sia in modo positivo sia in modo negativo. Studenti/esse non frequentanti: La prova scritta avrà una durata di tre ore. Oltre alla redazione di un commento ad un testo secondo le modalità appena descritte, gli/le studenti/esse non frequentanti dovranno rispondere a due domande aperte relative a una o più delle letture assegnate. La valutazione finale terrà conto sia della qualità del commento prodotto secondo i criteri appena illustrati, sia della precisione delle risposte alle due domande aperte. Gli studenti/esse impossibilitati a frequentare, previa presentazione di adeguata documentazione prevista dalle Linee Guida di Ateneo, possono scegliere la modalità con la quale sostenere l'esame (frequentante o non frequentante) dandone comunicazione al team docente.
Testi di riferimento
Parte 1 - Dibattiti contemporanei nel campo della Data Science (Prof.ssa elena pavan) Alikhademi, K. et al. (2022). A review of predictive policing from the perspective of fairness. Artificial Intelligence and Law (2022) 30:1–17.Aragon, C., Guha, S., Kogan, M., Muller, M. and G. Neff (2022). Human-Centered Data Science. Boston: MIT Press. Solo capitoli 2, 4, 5.Beaulieu, A. and S. Leonelli (2022). Data and Society. A critical introduction. London:Sage. Solo capitoli 1, 2, 3 and 9.Kitchin, R. and G. McArdle (2016). What makes Big Data, Big Data? Exploring the ontological characteristics of 26 datasets. Big Data and Society, January–June 2016: 1–10.Klein, L. and K. D’Ignazio (2024). Data Feminism for AI. Proceedings of the ACM FAccT ’24, June 03–06, 2024, Rio de Janeiro, Brazil.Radford, J. and K. Joseph (2020). Theory In, Theory Out: The Uses of Social Theory in Machine Learning for Social Science. Frontiers in Big Data, 3(18):1-13.Rubern, B. and S. Ruelos (2020). Data for queer lives: How LGBTQ gender and sexuality identities challenge norms of demographics. Big Data & Society, January–June: 1–12. Parte 2 - Dibattiti contemporanei nella ricerca sui social media (Prof. Alberto Acerbi) Acerbi A, Technopanic: How Justified Are Our Fears About Digital Media? Éditions Croulebarbe, Paris, 2026.
Codice insegnamento 50955_651661_96405
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 50956_651669_91615
Obiettivi Formativi:Comprendere i concetti e i principi fondamentali dell'apprendimento automatico.Sviluppare conoscenze e competenze nella pre-elaborazione dei dati e nell'ingegneria delle caratteristiche per compiti di…
Scheda dell'insegnamento
Obiettivi formativi
Obiettivi Formativi:Comprendere i concetti e i principi fondamentali dell'apprendimento automatico.Sviluppare conoscenze e competenze nella pre-elaborazione dei dati e nell'ingegneria delle caratteristiche per compiti di apprendimento automatico.Imparare come selezionare e valutare le prestazioni di vari algoritmi di apprendimento automatico.Acquisire competenza nell'implementazione e nell'applicazione di diverse tecniche di apprendimento supervisionato e non supervisionato.Acquisire esperienza pratica nell'interpretazione e nella visualizzazione dei modelli e dei risultati dell'apprendimento automatico.Esplorare argomenti avanzati come la selezione dei modelli, i metodi di insieme e gli algoritmi di apprendimento profondo.Sviluppare capacità di pensiero critico e di risoluzione dei problemi attraverso progetti pratici.Migliorare le competenze di programmazione attraverso esercizi di codifica e set di dati reali.Favorire la collaborazione e il lavoro di squadra attraverso progetti di gruppo e discussioni. Risultati di Apprendimento Attesi:Comprendere i concetti e i principi base dell'apprendimento automatico.Capacità di differenziare tra tecniche di apprendimento supervisionato e non supervisionato.Acquisire conoscenze sui diversi tipi di algoritmi di apprendimento automatico come la regressione, il clustering, la classificazione e la riduzione della dimensionalità.Essere in grado di scegliere il miglior modello per un dato problema.Collaborare efficacemente con i pari in progetti e compiti di programmazione.Comunicare concetti e soluzioni di programmazione in modo chiaro e conciso.
Programma
Part 1 — Traditional Machine Learning 1. Basics of Machine Learning History, definition, and core conceptsTypes of learning:Supervised learningUnsupervised learning 2. Regression Models Task formalizationLinear regressionPolynomial regressionEvaluation of regression models 3. Classification Models Task formalizationLogistic regressionDecision trees and random forestsEvaluating classification models 5. Unsupervised Learning K-Means clusteringGaussian Mixture Models (GMMs) Part 2 — Deep Learning 1. Artificial Neural Networks (ANNs) Perceptron and Multilayer Perceptron (MLP)Backpropagation algorithmSupervised learning with neural networks Generalization Challenges Loss and learning rateOverfitting and underfittingDropout and batch normalization 2. Convolutional Neural Networks (CNNs) Rationale behind CNNsConvolutionsCNN architecture 3. Modelling Sequences Recurrent Neural Networks (RNNs)Long Short-Term Memory Networks (LSTMs)Transformers 4. Generative Neural Networks BERTVariational Autoencoders (VAEs)Generative Adversarial Networks (GANs) 5. Domain Gap and Transfer Learning Domain adaptationHints on continual learningNatural language supervision
1. Lezioni: - Formato tradizionale delle lezioni: L'insegnante presenta i concetti teorici, gli algoritmi e le fondamenta matematiche dell'apprendimento automatico, integrati con esempi illustrativi e supporti visivi. - Lezioni interattive: Coinvolgono gli studenti attraverso attività come quiz, discussioni e studi di casi reali, promuovendo l'apprendimento attivo e il pensiero critico. 2. Laboratori: - Laboratori di programmazione: Si svolgono sessioni pratiche in cui gli studenti implementano algoritmi di apprendimento automatico utilizzando librerie open-source, consentendo loro di acquisire esperienza pratica e rafforzare le conoscenze teoriche. - Esplorazione e pre-elaborazione dei dati: Assegnare compiti che coinvolgono la pulizia dei dati, l'estrazione delle caratteristiche, la visualizzazione e l'analisi statistica per aiutare gli studenti a comprendere l'importanza della pre-elaborazione nell'apprendimento automatico. 3. Progetti di gruppo: - Progetti: Gli studenti saranno organizzati in gruppi e svilupperanno una soluzione per un determinato problema. Le competenze di programmazione e di presentazione verranno valutate. 4. Sfida di gruppo: - Competizione Kaggle: Organizzare una competizione simile a Kaggle all'interno della classe, in cui i gruppi competono tra loro per sviluppare il modello di apprendimento automatico più preciso per un problema specifico. Ciò promuove una sana competizione, spinge gli studenti ad applicare creativamente le loro conoscenze e li aiuta a imparare dagli approcci degli altri.
Modalità d'esame
The exam consists of an oral test (60% of the final mark) plus one of the following options: - Project in progress during the course with a group challenge. Written report and discussion (40% of the final grade) - Individual project with report and discussion (40% of the final mark).
Testi di riferimento
Bishop, Christopher M. 2006. Pattern Recognition and Machine Learning. Springer. Goodfellow, Ian, Yoshua Bengio, and Aaron Courville. 2016. Deep Learning. MIT Press. Machine Learning: A Probabilistic Perspective. The MIT Press
Codice insegnamento 50955_651664_93492
L’obiettivo della competenza linguistica inglese a livello C1 è la valutazione della competenza linguistica nella comprensione scritta, nella comprensione orale, nella produzione scritta e nella produzione orale a…
Scheda dell'insegnamento
Obiettivi formativi
L’obiettivo della competenza linguistica inglese a livello C1 è la valutazione della competenza linguistica nella comprensione scritta, nella comprensione orale, nella produzione scritta e nella produzione orale a livello C1 secondo i parametri del Quadro Comune Europeo di Riferimento per le lingue o QCER (CEFR in inglese). La prova richiede di dimostrare la propria competenza in inglese in una varietà di contesti accademici, personali e professionali e se si è in grado di differenziare il proprio linguaggio in base alle circostanze. Gli studenti/le studentesse al livello C1 sono in grado di studiare anche quando l’inglese è la lingua veicolare, perché possono comprendere input linguistici impegnativi uditi o letti, parlare fluentemente di argomenti complessi e scrivere testi accademici in modo chiaro e ben strutturato. La prova comprende materiali autentici di carattere accademico/professionale. A questo livello il test verifica la capacità di astrazione e discernimento dei candidati e delle candidate. Per la parte produttiva, si richiede di dimostrare di essere in grado di esprimere le proprie idee e di discutere problemi complessi in maniera fluente, strutturata e coerente. Il superamento della prova indica che si è dimostrato di possedere almeno le competenze minime richieste a livello C1 per comprensione scritta, comprensione orale, produzione scritta e produzione orale secondo i parametri del QCER. Il superamento della prova C1 dimostra che si possiedono le seguenti competenze: Nella comprensione scritta: Capacità di comprendere dettagliatamente una vasta gamma di testi lunghi e complessi che possono ragionevolmente essere ritrovati nella vita sociale, professionale o accademica, identificandone i più raffinati dettagli, compresi atteggiamenti e opinioni esplicite ed implicite. Nella comprensione orale: Capacità di capire abbastanza per seguire un discorso lungo su temi astratti e complessi anche al di là del proprio settore, anche se potrebbe essere necessario confermare alcuni dettagli nel corso di un secondo ascolto, specie se l’accento non è familiare. Capacità di seguire un discorso lungo anche se non è chiaramente strutturato e le relazioni non vengono segnalate, ma rimangono implicite. Nella Produzione scritta: Capacità di produrre testi chiari, ben strutturati e articolati su argomenti complessi, sottolineando i punti salienti, sviluppando e supportando punti di vista anche usando argomenti complementari, con i relativi esempi, e concludendo il tutto in modo appropriato. Nella produzione orale: Capacità di esprimersi in modo scorrevole e spontaneo, quasi senza sforzo. Una buona gestione di un ampio repertorio lessicale permette di superare velocemente eventuali lacune con circonlocuzioni. Mancano quasi totalmente la ricerca di espressioni o strategie elusive; solo un tema concettualmente difficoltoso può ostacolare un flusso linguistico tranquillo e spontaneo. Capacità di presentare descrizioni chiare e articolate su argomenti complessi, integrandovi temi secondari, sviluppando punti specifici e concludendo il tutto in modo appropriato.
Programma
La prova di inglese di livello C1 si propone di valutare un campione rappresentativo di abilità linguistiche e anche la conoscenza di specifici aspetti linguistici. La prova contestualizza i brani di lettura, ascolto, produzione scritta e parlata in situazioni comunicative (TLUS) appropriate per una competenza linguistica di livello C1.
I corsi C1 organizzati dal CLA e la prova di inglese C1 coprono entrambi campioni rappresentativi di un vasto numero di abilità linguistiche che costituiscono il livello C1 nel suo insieme. Pertanto, se da un lato un corso di inglese C1 organizzato dal CLA è utile nella preparazione per la prova di inglese C1, il corso non può affrontare in modo esaustivo tutti gli aspetti delle competenze così come illustrate dai descrittori QCER. Per prepararsi adeguatamente a sostenere la prova di inglese di livello C1, ci si deve cimentare nell’apprendimento interattivo e task-based per sviluppare abilità linguistiche adeguate per operare efficacemente in situazioni comunicative nelle quali si verranno presumibilmente a trovare.
Modalità d'esame
L’esito viene espresso in termini di “PASS” (idoneo) o “FAIL” (non idoneo). Si richiede di dimostrare di essere in grado di applicare la propria competenza linguistica in situazioni comunicative appropriate per una competenza linguistica di livello C1. La prova consiste in: Parte 1 Comprensione scritta: 3 attività per un numero totale di 20 domande. Parte 2 Comprensione orale: 2 attività (monologhi e dialoghi) per un totale di 15 domande. Parte 3 Produzione scritta: 1 attività: tema di opinione. Il candidato sceglie un argomento da una lista di due possibili argomenti. Si richiede una composizione di circa 250 parole. Parte 4 Produzione orale: contributo orale personale e interazione con un altro o altri candidati. Le parti di Comprensione scritta, Comprensione orale e Produzione scritta si svolgono online. Le prime tre parti della prova hanno una durata complessiva di 120 minuti. La parte di Produzione orale si svolge in data successiva rispetto alle prime parti ed ha una durata di circa 20 minuti. Si deve raggiungere la valutazione minima del 60% di risposte corrette per poter accedere alla parte successiva della prova. Il computer riconosce come corrette o scorrette le risposte per la Comprensione scritta e la Comprensione orale. La Produzione scritta e la Produzione orale sono valutate da insegnanti CLA in base ai specifici criteri analitici.
Testi di riferimento
QCER (Quadro comune europeo di riferimento per la conoscenza delle lingue – in inglese Common European Framework of Reference for Languages, o CEFR)
Codice insegnamento 50955_651659_92184
L’obiettivo della competenza linguistica inglese a livello C2 è la valutazione della competenza linguistica nella comprensione scritta, nella comprensione orale, nella produzione scritta e nella produzione orale a…
Scheda dell'insegnamento
Obiettivi formativi
L’obiettivo della competenza linguistica inglese a livello C2 è la valutazione della competenza linguistica nella comprensione scritta, nella comprensione orale, nella produzione scritta e nella produzione orale a livello C2 secondo i parametri del Quadro Comune Europeo di Riferimento per le lingue o QCER (CEFR in inglese). La prova richiede ai candidati di dimostrare la propria competenza in inglese in un'ampia gamma di contesti accademici, professionali e personali. L'esito della prova è IDONEO o NON IDONEO. Il risultato attesta se un candidato è o meno in grado di cavarsela in completa autonomia in un contesto accademico / professionale familiare in lingua inglese, insieme a una grande varietà di situazioni comunicative. Gli studenti con un livello di inglese C2 sono nella posizione di studiare utilizzando l'inglese come mezzo di comunicazione, poiché riescono a comprendere input linguisticamente impegnativi che hanno letto o ascoltato, parlano fluentemente di argomenti complessi e scrivono testi chiari, ben strutturati, di natura accademica. A livello C2, le prove testano le capacità di astrazione e discernimento dei candidati con linee argomentative complesse e un'alta incidenza di elementi lessicali meno frequenti ed espressioni idiomatiche. La principale differenza rispetto alla prova C1 è che i testi sono più lunghi, ma i vincoli di tempo sono gli stessi. Ai candidati è richiesto di dimostrare la comprensione del significato letterale e di quello implicito. Nella produzione, ai candidati è richiesto di dimostrare la capacità di esprimere le proprie idee e discutere problemi complessi in modo fluente, strutturato e coerente. La produzione mostra raffinatezza e padronanza di strutture e forme complesse. La produzione dimostra anche la padronanza del linguaggio per comunicare un significato molto preciso in un'ampia varietà di situazioni comunicative. Un esito di idoneità ("PASS") significa che il candidato ha dimostrato almeno le competenze minime di un livello C2 in lettura, ascolto, scrittura e conversazione, in linea con i parametri del QCER. Il superamento della prova C2 dimostra che si possiedono le seguenti competenze: Comprensione scritta: Capacità di comprendere praticamente tutte le forme della lingua scritta, inclusi scritti astratti, strutturalmente complessi o colloquiali, sia letterari che non letterari. Capacità di comprendere una vasta gamma di testi lunghi e complessi, apprezzando sottili distinzioni di stile e il significato implicito oltre a quello esplicito. Comprensione orale: Capacità di comprendere con facilità praticamente qualsiasi tipo di lingua parlata, sia dal vivo che trasmessa, pronunciata a velocità naturale elevata, con deduzioni appropriate quando i collegamenti o le implicazioni non sono resi espliciti. Produzione scritta: Capacità di scrivere testi complessi, chiari e scorrevoli in uno stile appropriato ed efficace e con una struttura logica che aiuta il lettore a trovare i punti significativi. Capacità di esporre molteplici prospettive su argomenti accademici o professionali complessi, distinguendo chiaramente le proprie idee e opinioni da quelle presenti nelle fonti. Produzione orale: Capacità di produrre un discorso chiaro, scorrevole e ben strutturato con una struttura logica efficace che aiuta l'interlocutore a notare e ricordare i punti significativi. Capacità di presentare un argomento complesso con sicurezza e in modo articolato a un pubblico che non lo conosce, strutturando e adattando la presentazione in modo flessibile per soddisfare le esigenze del pubblico.
Programma
La prova di inglese di livello C2 si propone di valutare un campione rappresentativo di abilità linguistiche e anche la conoscenza di specifici aspetti linguistici. La prova contestualizza i brani di lettura, ascolto, produzione scritta e parlata in situazioni comunicative (TLUS) appropriate per una competenza linguistica di livello C2.
Sia i corsi C2 del CLA (Centro Linguistico di Ateneo) sia la prova di inglese a livello C2 coprono campioni rappresentativi della vasta gamma di competenze linguistiche che costituiscono l'inglese di livello C2. Sebbene un corso di inglese C2 del CLA sia una preparazione utile per la prova C2, il corso non può coprire tutti gli aspetti delle competenze C2 descritte nel QCER. Per prepararsi adeguatamente a sostenere la prova di inglese di livello C2, ci si deve cimentare nell’apprendimento interattivo e task-based per sviluppare abilità linguistiche adeguate per operare efficacemente in situazioni comunicative nelle quali si verranno presumibilmente a trovare.
Modalità d'esame
Ai candidati è richiesto di dimostrare la capacità di applicare la competenza linguistica in situazioni d'uso della lingua appropriate per il livello C2.. La prova consiste in: Parte 1 Comprensione scritta: 3 attività per un numero totale di 20 domande. Parte 2 Comprensione orale: 2 attività (monologhi e dialoghi) per un totale di 15 domande. Parte 3 Produzione scritta: 1 attività: tema di opinione. Il candidato sceglie un argomento da una lista di due possibili argomenti. Si richiede una composizione di circa 280 parole. Parte 4 Produzione orale: contributo orale personale e interazione con un altro o altri candidati. Le parti di Comprensione scritta, Comprensione orale e Produzione scritta si svolgono online. Le prime tre parti della prova hanno una durata complessiva di 120 minuti. La parte di Produzione orale si svolge in data successiva rispetto alle prime parti ed ha una durata di circa 20 minuti. Si deve raggiungere la valutazione minima del 60% di risposte corrette per poter accedere alla parte successiva della prova. Il computer riconosce come corrette o scorrette le risposte per la Comprensione scritta e la Comprensione orale. La Produzione scritta e la Produzione orale sono valutate da insegnanti CLA in base ai specifici criteri analitici.
Testi di riferimento
Quadro Comune Europeo di Riferimento (QCER)
Codice insegnamento 50955_651660_92185
Il Corso si pone l’obbiettivo di fornire agli studenti una conoscenza di base dei principi etici e giuridici in tema di AI. Analizzeremo i principi già esistenti, chiedendoci se possano essere adatti a regolare la AI o…
Scheda dell'insegnamento
Obiettivi formativi
Il Corso si pone l’obbiettivo di fornire agli studenti una conoscenza di base dei principi etici e giuridici in tema di AI. Analizzeremo i principi già esistenti, chiedendoci se possano essere adatti a regolare la AI o se invece sia necessario elaborarne di nuovi. Al termine del Corso, gli studenti avranno acquisito conoscenze e abilità di tipo giuridico e interdisciplinare che li potranno orientare nello svolgere in maniera human-centered l’attività professionale. In particolare, lo studente sarà essere in grado di: - Conoscere i principi etici e giuridici di riferimento per la AI; - Utilizzare in modo autonomo le competenze acquisite per analizzare e comprendere i dilemmi etici e i problemi giuridici legati all’uso della AI; - Conoscere le principali fonti giuridiche della AI in alcuni settori significativi, come i veicoli autonomi, la medicina o la giustizia - Essere consapevoli delle potenzialità e dei rischi di un impiego sempre più diffuso e autonomo della AI - Comprendere l’importanza del confronto tra saperi e del metodo interdisciplinare nello studio della AI - Partecipare in modo attivo e consapevole a gruppi di lavoro e discussioni aventi ad oggetto casi giurisprudenziali o iniziative normative a livello europeo.
Programma
1. Introduzione. Perchè un corso di etica e diritto della AI? 2. Presentazione e discussione degli elementi di base dell’etica 3. Possono i 4 principi dell’etica (non maleficenza, beneficenza, autonomia, giustizia) applicarsi alla AI (L. Floridi)? 4. Presentazione e discussione degli elementi di base del diritto 5. AI e principi costituzionali (diritto italiano, europeo e comparato) 6. Personalità giuridica della AI 7. AI e responsabilità giuridica (civile) 8. AI e diritti umani 9. Il regolamento europeo: AI act. A seconda degli interessi degli studenti il corso potrà focalizzare maggiormente su alcune delle menzionate tematiche, usando anche case studies specifici.
Il corso si pone l’obiettivo di arricchire le competenze e le conoscenze interdisciplinari degli studenti, attraverso una discussione costante e partecipata di questioni etiche e giuridiche delle questioni più rilevanti. A tal fine, il tradizionale metodo frontale verrà integrato da un approccio “learning by doing”, attraverso il quale gli studenti saranno chiamati ad affrontare in prima persona ed autonomamente questioni etiche e giuridiche reali, in dialogo con i docenti e gli altri studenti. Ciò consentirà una comprensione effettiva e concreta dei meccanismi giuridici esistenti nei vari ambiti analizzati e del ruolo svolto dalla dimensione etica. Gli studenti saranno chiamati a partecipare attivamente alle lezioni e a scrivere, in gruppo, un progetto di ricerca alla fine del corso su un tema specifico, concordato con i docenti.
Modalità d'esame
A seconda del numero di studenti frequentanti e delle aree di maggior interesse, un esame scritto potrà essere affiancato dalla presentazione e discussione del progetto scritto dagli studenti. Per gli studenti non frequentanti l'esame sarà scritto.
Testi di riferimento
Il materiale verrà fornito durante il corso sul supporto informatico Didatticaonline. Per gli studenti frequentanti sarà costituito dai casi etici e giuridici e da testi normativi, discussi in aula e dalla bibliografia indicata, oltre che dalle presentazioni utilizzate durante le lezioni. Agli studenti non frequentanti sarà fornito materiale specifico, che sarà pubblicato sul supporto informatico Didatticaonline. Il regolamento europeo (AI act) sarà oggetto di particolare attenzione.
Codice insegnamento 51205_658898_94846
L'elaborazione informatica è un componente chiave dei moderni flussi di analisi dei dati e svolge un ruolo sempre più importante in molti campi della scienza. L'obiettivo del corso è introdurre il linguaggio di…
Scheda dell'insegnamento
Obiettivi formativi
L'elaborazione informatica è un componente chiave dei moderni flussi di analisi dei dati e svolge un ruolo sempre più importante in molti campi della scienza. L'obiettivo del corso è introdurre il linguaggio di programmazione Python, uno dei linguaggi di calcolo scientifico più ampiamente utilizzati, e le tecnologie correlate. Al termine del corso, gli studenti dovrebbero essere in grado di: A) Ricordare la sintassi e la semantica del linguaggio Python; B) Comprendere programmi scritti da altri individui; C) Analizzare un semplice compito di analisi dei dati e riformularlo come un problema di programmazione; D) Valutare quali caratteristiche del linguaggio (e delle librerie scientifiche correlate) possono essere utilizzate per risolvere il compito; E) Costruire un programma Python che risolva adeguatamente il compito; F) Valutare i risultati del programma.
L'algoritmica è la scienza degli algoritmi. Comprende la progettazione degli algoritmi, ovvero l'arte di costruire una procedura che possa risolvere in modo corretto ed efficiente un problema; e l'analisi degli algoritmi, la scienza che quantifica la quantità di risorse necessarie a un algoritmo per risolvere un problema. L'obiettivo principale di questo corso è introdurre gli studenti alla progettazione e all'analisi delle soluzioni algoritmiche attraverso la presentazione delle più importanti classi di algoritmi e la valutazione delle loro prestazioni. Gli esercizi di laboratorio saranno focalizzati, quando possibile, su problemi legati alla biologia computazionale. Al termine del corso, ci si aspetta che gli studenti siano in grado di: A) descrivere algoritmi classici su stringhe, alberi e grafi e comprenderne il comportamento; B) comprendere, a un livello base, le più importanti tecniche di progettazione di algoritmi; C) valutare le scelte algoritmiche e selezionare quelle che meglio si adattano ai loro problemi; D) analizzare la complessità degli algoritmi; E) progettare semplici soluzioni algoritmiche a problemi di base e implementarle utilizzando il linguaggio Python.
L'algoritmica è la scienza degli algoritmi. Comprende la progettazione degli algoritmi, ovvero l'arte di costruire una procedura che possa risolvere in modo corretto ed efficiente un problema; e l'analisi degli algoritmi, la scienza che quantifica la quantità di risorse necessarie a un algoritmo per risolvere un problema. L'obiettivo principale di questo corso è introdurre gli studenti alla progettazione e all'analisi delle soluzioni algoritmiche attraverso la presentazione delle più importanti classi di algoritmi e la valutazione delle loro prestazioni. Gli esercizi di laboratorio saranno focalizzati, quando possibile, su problemi legati alla biologia computazionale. Al termine del corso, ci si aspetta che gli studenti siano in grado di: A) descrivere algoritmi classici su stringhe, alberi e grafi e comprenderne il comportamento; B) comprendere, a un livello base, le più importanti tecniche di progettazione di algoritmi; C) valutare le scelte algoritmiche e selezionare quelle che meglio si adattano ai loro problemi; D) analizzare la complessità degli algoritmi; E) progettare semplici soluzioni algoritmiche a problemi di base e implementarle utilizzando il linguaggio Python.
Programma
l corso copre due argomenti principali: Introduzione al linguaggio Python: La sintassi e la semantica formale del linguaggioLa piattaforma software, incluse le interfacce utente (l'interprete) e la libreria standard di PythonTipi di dati di base: numeri (Booleani, interi, razionali) e testo (stringhe)Collezioni: liste, tuple e dizionari (mappe)Strutture complesse (codice condizionale e iterativo), funzioni e moduli Introduzione alle librerie esterne che costituiscono la spina dorsale del flusso di analisi dei dati in Python: Il modulo re, per la gestione dei modelli di testo (espressioni regolari)La libreria Pandas, per la gestione, lettura, scrittura e analisi di dati tabulari, con supporto nativo per il calcolo statistico e la sintesiLa libreria BioPython, per il caricamento e la manipolazione di una varietà di formati standard di dati biologici, inclusi dati di sequenza e annotazioni strutturali delle proteineLa libreria Numpy, con supporto per molte operazioni comuni: algebra lineare, generazione di numeri casualiLa libreria Matplotlib, per la visualizzazione di grafici riccamente annotati
Il corso includerà il 50% di lezioni frontali e il 50% di sessioni di laboratorio. Lo studente dovrà apprendere la teoria relativa al linguaggio Python (obiettivi di apprendimento A-B) e applicarla nella soluzione di semplici problemi durante le sessioni di laboratorio (obiettivi di apprendimento C-D-E-F). Le lezioni frontali e le sessioni di laboratorio saranno intercalate, permettendo agli studenti di acquisire competenze pratiche adeguate su tutti gli argomenti trattati.
Il corso si concentra su tre elementi fondamentali sia nella biologia computazionale che nella scienza dei dati, ossia dati sequenziali e matriciali, alberi e grafi. La prima parte del corso (1-2) fornirà i concetti di base necessari per analizzare e valutare gli algoritmi. La seconda parte (3-5) offrirà le definizioni di base delle strutture dati fondamentali comunemente utilizzate nella biologia computazionale e nella scienza dei dati. La terza parte (6) fornirà una panoramica delle tecniche più importanti utilizzate per risolvere problemi complessi. 1) Introduzione agli algoritmi 2) Complessità algoritmica 3) Strutture dati Panoramica generaleSequenze, mappe (ordinate/non ordinate), insiemiImplementazioni delle strutture dati in Python4) Alberi Definizione delle strutture dati ad alberoVisite5) Grafi Definizione delle strutture dati a grafoVisiteAlgoritmi sui grafi6) Tecniche algoritmiche Divide et imperaProgrammazione dinamicaApproccio greedy
Il corso includerà il 50% di lezioni frontali e il 50% di sessioni di laboratorio. Lo studente sarà tenuto ad apprendere la teoria relativa alla progettazione e all'analisi degli algoritmi e ad applicarla nella risoluzione di semplici problemi algoritmici durante le sessioni di laboratorio. Le sessioni di laboratorio saranno alternate con le lezioni frontali per consentire agli studenti di acquisire adeguate competenze pratiche su tutti gli argomenti trattati.
Il corso si concentra su tre elementi fondamentali sia nella biologia computazionale che nella scienza dei dati, ossia dati sequenziali e matriciali, alberi e grafi. La prima parte del corso (1-2) fornirà i concetti di base necessari per analizzare e valutare gli algoritmi. La seconda parte (3-5) offrirà le definizioni di base delle strutture dati fondamentali comunemente utilizzate nella biologia computazionale e nella scienza dei dati. La terza parte (6) fornirà una panoramica delle tecniche più importanti utilizzate per risolvere problemi complessi. 1) Introduzione agli algoritmi 2) Complessità algoritmica 3) Strutture dati Panoramica generaleSequenze, mappe (ordinate/non ordinate), insiemiImplementazioni delle strutture dati in Python4) Alberi Definizione delle strutture dati ad alberoVisite5) Grafi Definizione delle strutture dati a grafoVisiteAlgoritmi sui grafi6) Tecniche algoritmiche Divide et imperaProgrammazione dinamicaApproccio greedy
Il corso includerà il 50% di lezioni frontali e il 50% di sessioni di laboratorio. Lo studente sarà tenuto ad apprendere la teoria relativa alla progettazione e all'analisi degli algoritmi e ad applicarla nella risoluzione di semplici problemi algoritmici durante le sessioni di laboratorio. Le sessioni di laboratorio saranno alternate con le lezioni frontali per consentire agli studenti di acquisire adeguate competenze pratiche su tutti gli argomenti trattati.
Modalità d'esame
L'esame finale consisterà in una prova pratica di programmazione, incentrata sul programma del corso, volta a valutare la competenza del candidato nella comprensione di un processo di analisi dei dati e nella sua trasposizione in un programma Python funzionante e corretto. In particolare, al candidato sarà richiesto di risolvere un semplice problema di analisi dei dati scrivendo un breve programma in Python utilizzando i metodi affrontati durante il corso.
L'esame scritto è composto da due parti: un test sulla teoria degli algoritmiun test di laboratorio sull'implementazione e l'analisi degli algoritmi
L'esame scritto è composto da due parti: un test sulla teoria degli algoritmiun test di laboratorio sull'implementazione e l'analisi degli algoritmi
Testi di riferimento
M. Lutz - Learning Python (5th edition), O'REILLY, 2013 Allen Downey, Think python How to think like a Computer Scientist, Green Tea Press (https://runestone.academy/runestone/books/published/thinkcspy/index.html)
1) https://greenteapress.com/wp/think-python-2e (libro online) 2) materiale online fornito durante il corso 3) Neil C. Jones e Pavel Pevzner. An Introduction To Bioinformatics Algorithms. Bradford Books, 2004.
1) https://greenteapress.com/wp/think-python-2e (libro online) 2) materiale online fornito durante il corso 3) Neil C. Jones e Pavel Pevzner. An Introduction To Bioinformatics Algorithms. Bradford Books, 2004.
Codice insegnamento 50957_651671_93493
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 50955_651665_96401
Ci si aspetta che gli studenti e studentesse, a corso ultimato, siano diventati familiari con le nozioni base dell'algebra lineare Gli studenti alla fine di questo modulo saranno in grado di utilizzare tecniche moderne…
Scheda dell'insegnamento
Obiettivi formativi
Ci si aspetta che gli studenti e studentesse, a corso ultimato, siano diventati familiari con le nozioni base dell'algebra lineare
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. Sanno 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
Punti, vettori, rette e piani, nel piano e nello spazio.Spazi e sottospazi vettoriali (sui reali).Matrici e sistemi lineari, rango ed metodo di eliminazione di Gauss, teorema di Rouche-Capelli.Basi di spazi vettoriali, dimensione.Mappe lineari tra spazi vettoriali, nuclei e ranghi.Isomorfismo di spazi vettoriali.Autovalori e autovettori di funzioni lineari, diagonalizzazione.
Lezione frontale
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
Esame scritto e compiti per casa
Testi di riferimento
Note "Some notes on Linear Algebra" di Simone Ugolini, disponibili ail seguente indirizzo: https://github.com/ugomath/notes
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.
Codice insegnamento 50955_651668_96402
Il corso si propone di fornire agli studenti una comprensione critica dei principali concetti, modelli e risultati empirici dell’economia comportamentale (Behavioural Economics), con particolare attenzione ai modi in cui…
Scheda dell'insegnamento
Obiettivi formativi
Il corso si propone di fornire agli studenti una comprensione critica dei principali concetti, modelli e risultati empirici dell’economia comportamentale (Behavioural Economics), con particolare attenzione ai modi in cui il comportamento reale degli individui si discosta dalle previsioni dell’economia neoclassica.Il corso mira a sviluppare non solo conoscenze teoriche, ma anche capacità critiche, di analisi e di applicazione dei concetti a contesti reali. Il corso ha natura introduttiva ed è indirizzato a studenti che non hanno basi di Behavioural Economics. Al termine del corso, lo studente sarà in grado di: Comprendere le principali differenze tra l’approccio standard (razionale) e quello comportamentale alle decisioni economiche.Conoscere i concetti chiave dell’economia comportamentale, come razionalità limitata, bias cognitivi, euristiche, framing,e preferenze sociali.Interpretare i risultati di esperimenti e studi empirici rilevanti nel campo dell’economia comportamentale.Valutare le implicazioni delle teorie comportamentali per la progettazione delle politiche pubbliche e l’intervento regolatorio.
Programma
Il corso si articola in lezioni teoriche e laboratori (esercitazioni pratiche), con l’obiettivo di introdurre i principali temi dell’economia comportamentale, alternando momenti di riflessione concettuale ad applicazioni empiriche. Il programma affronta i seguenti argomenti: IntroduzionePanoramica generale sull’economia comportamentale: origini, motivazioni e principali differenze rispetto all’approccio neoclassico. Biases and HeuristicsIntroduzione ai concetti di bias cognitivi ed euristiche: definizioni, esempi classici e implicazioni per le decisioni economiche. Social Preferences in Strategic InteractionsAnalisi teorica del ruolo delle preferenze sociali (es. equità, reciprocità, altruismo) nei contesti strategici e nelle interazioni economiche. Decision under RiskEsame delle principali alternative comportamentali alla Expected Utility Theory, con attenzione a concetti come loss aversion, probability weighting e framing. Application #1: Tax BehaviorAnalisi del comportamento fiscale in prospettiva comportamentale, con attenzione ai fattori psicologici che influenzano la compliance. Application #2: Cheating BehaviorEvidenze sperimentali e teoriche sul comportamento disonesto e sui meccanismi che lo influenzano. Focus sui Aspetti di MetodoDiscussione conclusiva sulle differenze tra l’approccio metodologico dell’economia comportamentale e quello dell’economia standard, con riflessioni sui limiti e le potenzialità di entrambi. Per i temi sopra elencati sono previste sia sessioni laboratoriali interattive con il coinvolgimento diretto degli studenti, sia presentazioni di gruppo, finalizzate all’approfondimento e alla discussione critica dei contenuti affrontati in aula.
Il corso adotta tre differenti modalità di lezione, ciascuna con un ruolo specifico nel processo di apprendimento: Lezioni frontali L’insegnante presenta e discute criticamente la letteratura di riferimento, stimolando il confronto e l’interazione con gli studenti. Laboratori Sessioni applicative in cui gli studenti partecipano attivamente a esperimenti o esercitazioni, con l’obiettivo di osservare e comprendere direttamente i fenomeni studiati. Lavori di gruppo Gli studenti collaborano in piccoli gruppi per sviluppare una presentazione su uno dei temi trattati nella parte teorica del corso, approfondendolo in autonomia e presentandolo in aula.
Modalità d'esame
Il voto finale consiste di due parti: 1) Test scritto a scelta multipla (70%) Copre tutti gli argomenti trattati in aula.I materiali di studio saranno forniti su Moodle. 2) Presentazione del progetto di gruppo (30%) Ogni gruppo può avere fino a 4 membri.Tutti i membri del gruppo devono presentare una parte del lavoro.Il voto assegnato al gruppo sarà attribuito individualmente a ciascun membro.Le istruzioni dettagliate saranno fornite dalla Dr.ssa Kazemekaityte. Casi particolari Gli studenti che seguono anche il Modulo B (tenuto dal Prof. Ploner) riceveranno un voto finale che è la media dei risultati del Modulo A e del Modulo B.Gli esami dei due moduli sono indipendenti e possono essere sostenuti in sessioni diverse. Il voto finale viene registrato solo dopo aver completato entrambi i moduli.Gli studenti che seguono solo il Modulo A avranno il voto finale calcolato in base al test scritto (70%) e alla presentazione di gruppo (30%). Note importanti La registrazione agli esami avviene tramite Esse3. Controlla Esse3 per vedere quando puoi registrarti a ciascun modulo e per eventuali sessioni ad-hoc (entrambi i moduli), che servono solo a registrare il voto finale.Per qualsiasi problema con la piattaforma Esse3, contattare direttamente l’helpdesk Esse3 — il personale del corso può offrire solo assistenza limitata per problemi della piattaforma.
Testi di riferimento
Materiale fornito a lezione
Codice insegnamento 50955_654795_94141
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 50955_651689_93700
Il corso introduce le basi della linguistica computazionale. Il suo obiettivo e' di (1) fornire agli studenti una panoramica delle settore; (2) rendere gli studenti consapevoli delle diverse grammatiche lessicalizzate…
Scheda dell'insegnamento
Obiettivi formativi
Il corso introduce le basi della linguistica computazionale. Il suo obiettivo e' di (1) fornire agli studenti una panoramica delle settore; (2) rendere gli studenti consapevoli delle diverse grammatiche lessicalizzate che sono state proposte nel tempo, cosi come dei modelli di semantica computazionale ed essere capaci di utilizzarne alcune per rappresentare la relazione tra sintassi e semantica del linguaggio naturale; (3) valutare diverse applicazioni prendendo come esempio la semantica lessicale; (4) familiarizzare gli studenti con la stesura di relazioni scientifiche. Tutti questi obiettivi formativi aiuteranno gli studenti a comprendere come metodi di informatica, matematica ed altre discipline siano utilizzate per rappresentare formalmente il linguaggio naturale. Alla fine del corso, gli studenti saranno in grado di: (1) illustrare le linee di ricerca principali nel settore, quelle consolidate ed anche le nuove sfide; (2) conoscere, a livello introduttivo, le regole di base di alcune grammatiche formali, della semantica formale e distribuzionale e della loro integrazione; (3) confrontare approcci diversi a vari compiti della linguistica computazionale, e utilizzare alcuni script di valutazione; (4) applicare approcci interdisciplinari a studi sul linguaggio naturale e scrivere una relazione scientifica su un loro lavoro di ricerca in LaTex.
Programma
Verranno trattati i seguenti argomenti Introduzione alla Linguistica Computazionale: la sua storia, e i recenti sviluppiSintassi: Linguaggio naturale e linguaggio formale: Grammatiche libere dal contesto, la gerarchia di Chomsky. Gramatiche lessicalizzate: Grammatiche categoriali, Grammatiche a Dipendenza, Tree Adjoining Grammars. Accenno a tecniche di parsing. Semantica: Semantica Formale, Semantica Distribuzionale. Legame tra sintassi e semantica Metodi di valutazionePanoramica delle varie branche della Linguistica Computazionale
Alterneremo lezioni frontali ed esercizi scritti. Questi ultimi aiuteranno gli studenti ad acquisire le regole principali delle grammatiche lessicalizzate, della semantica formale e distribuzionale e della loro integrazione. Se il background degli studenti lo permettera', useremo alcuni tool-kit per approfondire la conoscenza di modelli semantici computazionali. Inoltre, gli studenti saranno supervisionati individualmente su un progetto a loro scelta, da definire in base alle loro conoscenze di partenza e ai loro interessi, su uno degli argomenti trattati in classe. La supervisione di questo progetto aiutera' ad avere una esperienza concreta sulla natura interdisciplinare di questo settore di ricerca e a scrivere una relazione scientifica in LaTex. Prima dell'esame organizzeremo una Poster Session durante la quale verranno presentati i progetti svolti Durante il corso, per ogni argomento avremo dei gruppi di lettura su un articolo scientifico, che verranno discussi tramite Perusall, ogni parte sara' conclusa con un quiz di auto-valutazione. Durante l'anno, i gruppi di lavoro presenteranno un articolo e riceveranno una valutazione su di essa dai colleghi.
Modalità d'esame
Gli studenti saranno valutati con un'esame scritto, la presentazione di una proposta di un progetto ed una relazione da inviare entro il giorno dell'esame; anche le attivita' di Reading Group contribuiranno al voto finale. Nell'esame scritto, gli studenti dovranno mostrare di aver acquisito le nozioni generali presentate nelle lezioni frontali (ob. 1); e di conoscere le regole principlali delle grammatiche lessicalizzate e dei modelli semantici (ob. 2). Nella relazione sul progetto, gli studenti mostreranno di essere in grado di confrontare approcci diversi per un'esperimento di linguistica computazionale (ob. 3). La relazione dovra' consistere o in una recensione di un articolo scientifico o in una relazione di un progetto svolto dallo studente. Come tale, la relazione mostrera' se lo studente sia in grado di leggere e comprendere un articolo scientifico di linguistica computazionale, e di applicare le conoscenze acquisite in maniera critica, mostrando di aver sviluppato le capacita' di lavorare in un contesto interdisciplinare e scrivere una relazione scientifica in LaTeX (ob. 4)
Testi di riferimento
Libro di testo: Speech and Language Processing (3rd ed. draft) Dan Jurafsky and James H. Martin https://web.stanford.edu/~jurafsky/slp3/ Slides delle lezioni ed articoli di rassegna indicati a lezione e sul sito del corso.
Codice insegnamento 50955_651695_95805
We will build the statistical foundations for field experiments from the ground up. We will discuss the logic of randomized control trials (RCTs) conducted in real-world settings, their strengths and weaknesses…
Scheda dell'insegnamento
Obiettivi formativi
We will build the statistical foundations for field experiments from the ground up. We will discuss the logic of randomized control trials (RCTs) conducted in real-world settings, their strengths and weaknesses compared to other methodologies, and the ways in which experimentation has been, and could be, used to investigate social phenomena. Students will learn how to interpret, design, and execute experiments. Finally, students will also explore the challenges to conducting a field experiment, as well as the tools to address these challenges. At the completion of this course, you will: 1. Have been introduced to the theory and practice of field experiments 2. Have practiced coding of randomization, power calculations, and statistical analysis of experimental results
Programma
In 2019 the Nobel Prize in Economics was awarded to Abhijit Banerjee, Esther Duflo and Michael Kremer for “their experimental approach to alleviating global poverty". Their work has highlighted the importance of using field experiments to find solutions to some of the major issues facing society today. This course focuses on the use of field experiments in the social sciences to identify the causal impact of policies/interventions/services to address questions such as: How can we alleviate poverty in developing countries? How can we reduce discrimination in hiring decisions? How can we increase women’s economic and social empowerment? Field experiments, also known as randomised controlled trials (RCTs), are a type of study that uses random assignment of units— e.g., individuals, classrooms, communities—to implement intervention, allocate resources, or enact policies. RCTs are considered the “gold standard” for addressing causal questions. The course is targeted to students interested in understanding impact evaluation (i.e., public, health, labour, or development policies). The course will include the following topics: motivating examples of field experiments, potential outcomes framework, assumptions; ATEs, ITTs, LATEs; sampling distributions and randomization inference. blocking and covariate adjustment balance checks; field experiments with one-sided noncompliance (failure-to-treat); field experiments with two-sided noncompliance (encouragement designs) peer effectscluster designs; phase-in designs; determining optimal sample size; power calculations. sample attritioninterference between experimental units; heterogeneous treatment effects; mediation and causal mechanisms.
Classroom lectures. Lectures are organised in two parts: (i) Traditional lectures where the teacher presents a Topic in its main theoretical and empirical features. (ii) Practical lectures where the teacher presents empirical application using Stata on micro-level data sets. For these practical lectures, students will be given short problem sets to work on at home, before the lecture. The solutions will be presented and discussed in class.
Modalità d'esame
Evaluation will be based on: 1. Paper Presentation (30% of the final grade): Students will be assigned a paper analysing the results of a field experiment, which they will present and discuss in class (early December) 2. Oral questions in class (20% of the final grade): Students will be asked questions at the end of the lecture (early December) 3. Take-home essay (50% of the final grade): Short individual essay at home: analysis of micro-level data (using STATA) and theoretical questions. Only one submission is admitted. Essays have to be sent by mid-february. + Oral questions on the essays to check understanding Problem Sets: optional (0-2 bonus points): Problem sets to be handed over before the class
Testi di riferimento
Important: Gerber and Green (2012), “Field Experiments: Design, Analysis and Interpretation”. Duflo, Esther, Michael Kremer, and Rachel Glennerster (2008). “Using Randomization in Development Economics Research: A Toolkit.” In Schultz, P., and Strauss, J. (Eds), Handbook of Development Economics, Edition 1, 4(5), Elsevier. Optional: Cunningham, Scott. Causal Inference: The Mixtape, Yale University Press, 2021. Available for free on Cunningham’s website Gertler, P. J., Martinez, S., Premand, P., Rawlings, L. B., & Vermeersch, C. M. (2016). Impact evaluation in practice. World Bank Publications. Glennerster, Rachel, and Kudzai Takavarasha (2013). Running Randomized Evaluations: A Practical Guide. Princeton: Princeton UP.
Codice insegnamento 50955_651685_96246
Il corso mira a fornire i fondamenti del deep learning. Sono previsti esempi applicativi e comprese esercitazioni di laboratorio. Al termine del corso, lo studente avrà acquisito le competenze utili nella progettazione…
Scheda dell'insegnamento
Obiettivi formativi
Il corso mira a fornire i fondamenti del 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 con reti neurali.
Programma
Artificial Neural Networks and Backpropagation Convolutional Neural Networks Recurrent Neural Networks and Sequence Models Deep Unsupervised Learning: GANs, VAEs, and Diffusion Models Deep Reinforcement Learning Introduzione ai 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
Gli studenti saranno valutati con una prova orale alla quale verrà assegnata un massimo di 30 punti.
Testi di riferimento
I. Goodfellow, Y. Bengio and A. Courville. Deep Learning. The MIT Press: London, 2016. Simon J.D. Prince, Understanding Deep Learning, The MIT Press, 2023.
Codice insegnamento 50955_651694_93526
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 50955_651692_96127
Big Data e Open Data per comprendere la società digitale Big Data e Open Data stanno riconfigurando competenze, metodi, concetti e conoscenze accademiche, sociali, economiche e politiche a livello globale. Le sfide per…
Scheda dell'insegnamento
Obiettivi formativi
Big Data e Open Data per comprendere la società digitale Big Data e Open Data stanno riconfigurando competenze, metodi, concetti e conoscenze accademiche, sociali, economiche e politiche a livello globale. Le sfide per studiosi e decisori nei prossimi anni riguardano proprio la capacità di comprenderne le potenzialità, governarne la pervasività e massimizzarne l’usabilità e la diffusione. Il corso di Digital Social Data unisce una parte teorica, dedicata alle implicazioni che l’avvento dei dati digitali ha nel campo della ricerca sociale, e una parte metodologica e applicata, che introduce lo studente alla programmazione e all’analisi dei big data in contesti ad elevata complessità. Competenze acquisite• distinguere i principali approcci epistemologici nelle scienze sociali (induttivo, deduttivo, abduttivo) applicati ai Big Data • valutare potenzialità e rischi dell’uso di Big Data e Open Data nella ricerca sociale, anche attraverso l’approccio della Total Survey Error • raccogliere dati nel rispetto del GDPR, del consenso informato e dei termini di servizio delle piattaforme digitali (API, scraping) • costruire modelli di Machine Learning supervisionati e non supervisionati (alberi decisionali, random forest, ecc.) • condurre analisi di reti sociali (network analysis): misure di centralità, individuazione di comunità • acquisire e manipolare dati da internet e prepararli per l’analisi con il linguaggio R • applicare tecniche di Text Mining e Natural Language Processing: topic modeling, sentiment analysis e altre tecniche • utilizzare modelli linguistici di grandi dimensioni (LLM) per l’annotazione e l’analisi automatica di testo, con consapevolezza critica dei rischi (bias, allucinazioni, dati sintetici) • programmare in R e Python per l’analisi di dati ad elevata complessità • comunicare i risultati di un’analisi di ricerca in una relazione scritta
Programma
Il corso ha una durata complessiva di 48 ore, articolate in 12 lezioni da 4 ore ciascuna. Ogni lezione è organizzata in due momenti: le prime due ore di teoria e metodologia, le seconde due ore di laboratorio pratico. Qualsiasi processo di ricerca basata sui dati si articola in tre fasi: la formulazione dell’interrogativo di ricerca e la raccolta dei dati, la pulizia e preparazione dei dati, e infine l’analisi e la verifica delle ipotesi. Il programma si articola in due parti, ciascuna delle quali segue questo stesso schema in tre fasi, applicandolo rispettivamente a modelli di Machine Learning e di Natural Language Processing. Parte 1 – Machine Learning (24 ore, 6 lezioni)La prima parte copre l’intero ciclo di lavoro data-driven applicato a modelli di Machine Learning. In particolare, i partecipanti affronteranno: • formulazione dell’interrogativo di ricerca e raccolta di Big Data e Open Data, nel rispetto del GDPR, del consenso informato e dei termini di servizio delle piattaforme (acquisizione di dati da internet, API, fonti aperte, limiti legali ed etici dello scraping) • pulizia e preparazione dei dati (data cleaning, gestione del rumore, pre-elaborazione, costruzione dell’archivio per l’analisi) • analisi e verifica delle ipotesi con modelli di Machine Learning: alberi decisionali (decision tree), random forest e classificazione • analisi di reti sociali (network analysis): misure di centralità, individuazione di comunità, modellazione di reti complesse Parte 2 – Natural Language Processing (24 ore, 6 lezioni)La seconda parte applica lo stesso schema in tre fasi ai dati testuali, con un focus su modelli di Natural Language Processing (NLP), inclusi i modelli linguistici di grandi dimensioni. I partecipanti affronteranno: • formulazione dell’interrogativo di ricerca e raccolta di dati testuali (acquisizione da fonti digitali, nel rispetto del GDPR e dei termini di servizio delle piattaforme) • pulizia e preparazione dei dati testuali (text cleaning, tokenizzazione, strutturazione del testo) • analisi e verifica delle ipotesi con modelli NLP: topic modeling, sentiment analysis e altre tecniche di text mining • modelli linguistici di grandi dimensioni (LLM): embedding, fine-tuning leggero e prompting per l’annotazione automatica del testo; discussione critica su bias, allucinazioni e uso di dati sintetici nella ricerca sociale Il contesto: Big Data e Open Data nelle scienze socialiL'attenzione è dedicata al rapporto tra big data e società: che cosa sono i Big Data e i dati digitali, quali sono le potenzialità e i rischi del loro uso, quali metodi di analisi si possono applicare ai cosiddetti dati digitali. I temi trattati includono i principali approcci epistemologici nelle scienze sociali (induttivo, deduttivo, abduttivo) e le problematiche connesse al disegno della ricerca attraverso l’approccio della Total Survey Error. Particolare attenzione è dedicata alle implicazioni etiche e normative della ricerca su dati digitali: tutela della privacy, GDPR, consenso informato e limiti imposti dai fornitori di dati e dalle piattaforme social.
Ogni lezione di 4 ore alterna due ore di didattica frontale a due ore di laboratorio pratico. Allo studente sarà richiesta una partecipazione attiva e lo svolgimento, durante il corso, di attività di presentazione dello stato di avanzamento del proprio lavoro.
Modalità d'esame
Per l’esame lo studente dovrà condurre un’analisi originale su un set di dati ad elevata complessità e scrivere una relazione di 3000 parole di commento ai risultati. Il tipo di dati da usare dovrà essere concordato con il docente del corso. Inoltre dovrà presentare in aula relazioni sullo stato di avanzamento del proprio lavoro e sugli esiti del lavoro finale. Eventuali studenti non frequentanti dovranno concordare l’esame con il docente.
Testi di riferimento
Le informazioni bibliografiche saranno comunicate durante il corso. Settimanalmente sarà fornito materiale bibliografico utile per la settimana successiva. I non frequentanti potranno contattare il docente per maggiori informazioni.
Codice insegnamento 50955_651676_91804
L'obiettivo generale del corso è prepare gli studenti a comprendere il ruolo dei SI per i manager, a valutare le tecnologie digitali da un punto di vista strategico e a collaborare con i business analysts allo sviluppo…
Scheda dell'insegnamento
Obiettivi formativi
L'obiettivo generale del corso è prepare gli studenti a comprendere il ruolo dei SI per i manager, a valutare le tecnologie digitali da un punto di vista strategico e a collaborare con i business analysts allo sviluppo dei SI. Il corso introduce i principi fondamentali dei sistemi informativi aziendali; insegna concetti e modelli per definire e individuare i moduli di sistema informativo su cui investire in base alle attività e al modello di business dell'azienda. Focalizzando sui sistemi informativi web-based, la seconda parte del corso introduce un metodo per l'analisi e la pianificazione della strategia di presenza web di un'azienda. Per tutti gli argomenti del corso, si farà riferimento al ruolo e agli strumenti dell'intelligenza artificiale ogniqualvolta opportuno. Alla fine del corso lo studente sarà in grado di: conoscere e classificare i sistemi informativi e il loro utilizzoapplicare tecniche per la raccolta e l'analisi dei requisiti per i sistemi informativirealizzare uno studio di fattibilità per un modulo di sistema informativo a partire dalle business challengescomprendere i principi e i protocolli fondamentali di Internet e del Webmodellare, valutare e pianificare strategie di presenza webvalutare la qualità dei siti web secondo un approccio goal-orientedanalizzare e gestire la reputazione online di una azienda.
Programma
SISTEMI INFORMATIVI PER IL MANAGEMENT: Sistemi Informativi (SI) e il ruolo dei managerSI nel contesto organizzativo e cambiamenti nell'organizzazioneTipi di sistemi informativiTecnologie digitali e SI emergenti (strumenti di intelligenza artificiale generativa)LA PIANIFICAZIONE STRATEGICA DEI SISTEMI INFORMATIVI: Approcci allo sviluppo dei SIPianificazione strategica dei SIAnalisi dei requisitiSI per l'e-economySISTEMI INFORMATIVI BASATI SUL WEB Internet e il World Wide WebStrategie di presenza webQualità dei siti webGestione della reputazione online
Il corso adotta un approccio project-based e si caratterizza come un laboratorio multidisciplinare. Il corso prevede esercizi su casi d'uso e un progetto di gruppo. Il progetto riguarda la simulazione di uno studio di fattibilità per una delle aziende che collaborano con il Dipartimento di Ingegneria Industriale. Il corso consiste in: Lezioni frontaliEsercizi su casi di studioProgetto di gruppo Discussione dei lavori di gruppo con un esperto esterno.
Modalità d'esame
La valutazione finale è calcolata come segue: 40% Prova scritta: 8 domande a scelta multipla e 1 domanda aperta sui contenuti del corso. Per poter sostenere la prova scritta è necessario aver consegnato la relazione del progetto.40% Relazione progetto: lavoro di gruppo con l'applicazione dei concetti e dei modelli introdotti nel corso ad una azienda.20% Partecipazione alle attività del corso. Per gli studenti non frequentanti: 50% prova scritta e 50% relazione progetto
Testi di riferimento
Piccoli G., Pigni F., Rodriguez J., Information Systems for Managers in the Digital Age, 6a Ed, Prospect Press, 2027. https://www.vitalsource.com/nz/products/information-systems-for-managers-in-the-digital-gabriele-piccoli-federico-v9781958303535?srsltid=AfmBOoqPdwAPnGO1y3wFfDvswRgdKctHx5qvAiNxucPOwhLu_iUdnEYn (libro di testo principale) Altri testi e materiale di riferimento verranno segnalati durante le lezioni e sul sito web del corso in Moodle. https://dol.unitn.it/moodle
Codice insegnamento 50955_651674_92078
L'obiettivo principale di questo corso è insegnare le fasi di analisi delle immagini di base comunemente utilizzate negli studi di neuroimaging funzionale con risonanza magnetica (MRI) e magnetoencefalografia (MEG). Le…
Scheda dell'insegnamento
Obiettivi formativi
L'obiettivo principale di questo corso è insegnare le fasi di analisi delle immagini di base comunemente utilizzate negli studi di neuroimaging funzionale con risonanza magnetica (MRI) e magnetoencefalografia (MEG). Le lezioni di due ore si svolgeranno a Rovereto tre volte alla settimana in un'aula in cui gli studenti saranno guidati a fare analisi dei dati di neuroimaging sui propri laptop. Ogni modulo comprenderà lezioni frontali con brevi argomenti introduttivi di base (già ampiamente trattati nel corso Fondamenti di Brain Imaging), seguite da esercitazioni guidate in stile tutorial per eseguire l'analisi di base.
Programma
Questo corso opzionale del SECONDO semestre offre un'opportunità "pratica" per analizzare i dati della risonanza magnetica cerebrale funzionale (fMRI) e della magnetoencefalografia (MEG) mettendo in pratica i concetti introdotti nel corso "Fondamenti di Brain Imaging" del PRIMO semestre. Il corso è organizzato in due moduli (fMRI e MEG), ciascuno con sessioni pratiche in aula e attività a casa. Più specificamente: Modulo fMRI (Prof. Jorge Jovicich 22 ore)● Panoramica delle immagini MRI: formati, visualizzazione, anonimizzazione ● MRI strutturale: visualizzazione dell'immagine, garanzia di qualità, co-registrazione, estrazione del cervello, segmentazione dei tessuti ● Risonanza magnetica funzionale: visualizzazione delle immagini, garanzia della qualità, pre-elaborazione, ● RM funzionale: fMRI task-free, task fMRI Modulo MEG (Prof. Daniel Baldauf – 20 ore)● MEG: introduzione di base, preelaborazione con filtraggio temporale e spaziale, rifiuto degli artefatti ● MEG: analisi dello spazio sensoriale, risposte evocate, dipoli/topografie del cuoio capelluto ● MEG: analisi dello spazio sorgente, modelli 3D individuali della testa, modellazione inversa ● MEG: strumenti di analisi spettrale, stime di potenza e fase, coerenza di fase, misure di direzionalità
I metodi di insegnamento comprendono: ● Lezioni interattive e analisi dei dati a Rovereto utilizzando il computer portatile di ogni studente ● Distribuzione di materiale didattico e materiale bibliografico che gli studenti dovrebbero leggere a casa. ● Esercizi in classe e da portare a casa da svolgere in gruppo (ogni studente presenta il proprio) ● Presentazioni di gruppo in classe di esercizi e discussione ● Utilizzo di un Forum in moodle per discussioni su lezioni ed esercitazioni
Modalità d'esame
● Questo è un corso superato/non superato senza esame finale ● I requisiti per superare includono: - La presenza al corso deve essere almeno dell'80% (perdere al massimo 3 lezioni) - Consegna di oltre il 70% dei compiti completati entro la scadenza prevista
Testi di riferimento
Le slide delle lezioni in formato pdf saranno rese disponibili online, nel Moodle del corso, così come articoli scientifici di base, capitoli di libri o pagine web, indicati durante le lezioni.
Codice insegnamento 50955_651678_94879
Il laboratorio si propone di fornire le basi per apprendere come gestire, analizzare e visualizzare dati geospaziali attraverso strumenti open-source (come le librerie geospaziali per Python, qgis, R).
Scheda dell'insegnamento
Obiettivi formativi
Il laboratorio si propone di fornire le basi per apprendere come gestire, analizzare e visualizzare dati geospaziali attraverso strumenti open-source (come le librerie geospaziali per Python, qgis, R).
Programma
Alla fine del corso, gli studenti saranno in grado di: · Comprendere le caratteristiche fondamentali dei dati geospaziali, inclusi i sistemi di proiezione, la dipendenza spaziale e le implicazioni della prima legge della geografia di Tobler. · Gestire e manipolare dati vettoriali e raster, eseguendo le principali operazioni geospaziali come overlay, join, geocodifica ed estrazione da raster. · Creare mappe statiche e interattive efficaci, applicando i principi della cartografia e utilizzando strumenti open-source come QGIS e R. · Costruire matrici dei pesi spaziali e calcolare lag spaziali per modellare le relazioni spaziali tra le unità di osservazione. · Rilevare e interpretare l’autocorrelazione spaziale mediante indicatori globali e locali. · Stimare e interpretare modelli di regressione spaziale e valutare la presenza di spillover e dipendenze spaziali. · Applicare test diagnostici (es. indice di Moran sui residui, test LM) e tecniche di confronto tra modelli (es. test del rapporto di verosimiglianza) per scegliere la specificazione spaziale più appropriata. · Costruire flussi di lavoro riproducibili per l’analisi dei dati spaziali, dalla gestione dei dati alla visualizzazione e modellazione. Durante il corso, gli studenti lavoreranno con dataset georeferenziati reali e saranno coinvolti in attività pratiche di laboratorio e progetti applicativi, con l’obiettivo di sviluppare competenze operative e un solido ragionamento spaziale nell'ambito della data science.
L'insegnamento si basa sull'applicazione di diversi metodi di apprendimento: a) Lezioni frontali con esempi e casi studio reali. b) Sessioni pratiche. Gli studenti acquisiranno esperienza pratica dei metodi e delle tecniche insegnati utilizzando software e linguaggi di programmazione.
Modalità d'esame
L'apprendimento degli studenti e il raggiungimento dei risultati attesi saranno verificati attraverso esercitazioni pratiche e compiti assegnati.
Testi di riferimento
I materiali didattici e bibliografici saranno forniti, a cura del docente, durante il corso.
Codice insegnamento 50955_651679_94842
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 50955_651690_94966
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 50955_651696_93219
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 50955_652936_97138
Il corso ha l'obiettivo di fornire agli studenti una comprensione dei tipi di problemi aziendali che gli strumenti di analisi statistica e di predictive analytics possono affrontare, e di come le imprese possano…
Scheda dell'insegnamento
Obiettivi formativi
Il corso ha l'obiettivo di fornire agli studenti una comprensione dei tipi di problemi aziendali che gli strumenti di analisi statistica e di predictive analytics possono affrontare, e di come le imprese possano sfruttare in modo vantaggioso questi strumenti.
Programma
Al termine del corso, lo studente sarà in grado di: • studiare e prevedere le scelte dei consumatori mediante l'approccio della conjoint analysis; • individuare i target di clientela utilizzando metodologie di apprendimento supervisionato; • segmentare il mercato attraverso tecniche post-hoc; • modellare l'acquisizione dei clienti e il valore del ciclo di vita del cliente; • prevedere la fidelizzazione dei clienti e i fenomeni di abbandono utilizzando metodi di classificazione statistica e modelli di durata basati sul concetto di rischio; • studiare il posizionamento del prodotto attraverso varie tecniche di riduzione della complessità dei dati e l'applicazione di regole di associazione per l'analisi del paniere di mercato; • analizzare il sentiment dei consumatori attraverso l'analisi testuale.
L'insegnamento si basa sull'applicazione di diversi metodi di apprendimento: a) Lezioni frontali con esempi reali e studi di caso. b) Sessioni pratiche. Gli studenti sono invitati a portare i propri laptop in classe per acquisire esperienza pratica con i metodi e le tecniche attraverso l'uso del software R. c) Gli studenti sono anche invitati a lavorare su progetti individuali o di gruppo per valutare ulteriormente la loro conoscenza dei metodi. Il docente fornirà gli incarichi di lavoro.
Modalità d'esame
L'apprendimento degli studenti e il raggiungimento dei risultati attesi vengono verificati come descritto di seguito. Il voto finale è espresso in trentesimi. La lode può essere assegnata a discrezione del docente come riconoscimento dell'eccellenza del lavoro svolto. Per gli studenti frequentanti e non frequentanti, la valutazione è composta da due fasi. 1. Esame scritto finale. L'esame finale ha un peso del 33% della valutazione complessiva ed è valutato con un voto da 1 a 10. Consiste in test a scelta multipla e domande aperte. La valutazione dell'esame si basa sulla conoscenza teorica da parte dello studente delle metodologie sopra elencate e sulla sua capacità di applicarle in contesti empirici specifici. 2. Saggio finale individuale o di gruppo. Il saggio ha un peso del 67% della valutazione complessiva ed è valutato con un voto su 20. Il lavoro del saggio deve consistere nell'analisi empirica di un dataset reale. Agli studenti viene inoltre richiesto di presentare i risultati del loro lavoro e di fornire una relazione scritta del loro impegno. La valutazione del saggio si concentra su i) la capacità di identificare i metodi adeguati per analizzare correttamente il dataset di interesse, ii) le competenze per interpretare correttamente le stime e i risultati empirici ottenuti, iii) la capacità di trarre inferenze di supporto ai soggetti decisori.
Testi di riferimento
Nessun libro di testo. Il docente fornirà i materiali di studio.
Codice insegnamento 50955_651677_94147
Laboratorio di Intelligenza Artificiale e Internet of Things [145782]Designing and programming the Internet of Things (IoT) [145793] L'obiettivo principale del corso è consentire agli studenti di specificare,…
Scheda dell'insegnamento
Obiettivi formativi
Laboratorio di Intelligenza Artificiale e Internet of Things [145782]Designing and programming the Internet of Things (IoT) [145793] L'obiettivo principale del corso è consentire agli studenti di specificare, configurare, progettare e verificare complesse soluzioni di Internet of Things con funzionalità avanzate di Intelligenza Artificiale. Verrà sottolineata l'importanza dell'interazione hardware-software, poiché tutti i sistemi IoT e AI sono programmabili. Il corso fornirà conoscenze operative su piattaforme hardware all'avanguardia utilizzate in applicazioni IA e IoT integrate, coprendo un'ampia gamma di compromessi tra potenza e costi rispetto alle prestazioni. Verrà fornita una copertura dettagliata delle astrazioni software e delle metodologie per lo sviluppo di applicazioni che sfruttano le capacità delle piattaforme sopra menzionate. Saranno trattati anche strumenti di progettazione assistita ed automatica. Il corso fornisce una panoramica delle principali piattaforme e tecnologie per lo sviluppo di prodotti e servizi Internet of Things (IoT) Intelligenti, attraverso tecnologie di Machine Learning e Reti Neurali profonde (DNN - Deep Neural Network), che includono l'uso di dispositivi di rilevamento, attuazione, elaborazione e comunicazione. Il corso ha sezioni teoriche e di laboratorio e le sezioni di laboratorio consistono in esercizi IoT di prototipazione rapida con Deep Learning. Il corso migliorerà le capacità e le esperienze di progettazione da impiegare nello sviluppo di nuovi sistemi. Il corso ha sezioni teoriche e di laboratorio e le sezioni di laboratorio sono costituite da esercitazioni pratiche e pratiche dell'IoT con tecniche di Machine Learning e Reti Neurali (DNN). Dopo aver completato il corso, gli studenti saranno in grado di sviluppare servizi o prodotti IoT con avanzate funzionalità di Machine Learning. In particolare: a) Acquisire le conoscenze necessarie per collaborare con sviluppatori e ingegneri durante l'intero processo di progettazione di soluzioni IoT. b) Integrare tecniche di Reti Neurali ed Intelligenza Artificiale nel processo di progettazione di applicazioni IoT. c) Identificare e selezionare strumenti di sviluppo appropriati e utilizzarli in modo efficace durante tutto il processo di sviluppo.
Programma
Laboratorio di Intelligenza Artificiale e Internet of Things [145782]Designing and programming the Internet of Things (IoT) [145793]L'obiettivo principale del corso è consentire agli studenti di specificare, configurare, progettare e verificare complesse soluzioni di Internet of Things con funzionalità avanzate di Intelligenza Artificiale. Verrà sottolineata l'importanza dell'interazione hardware-software, poiché tutti i sistemi IoT e AI sono programmabili. Il corso fornirà conoscenze operative su piattaforme hardware all'avanguardia utilizzate in applicazioni IA e IoT integrate, coprendo un'ampia gamma di compromessi tra potenza e costi rispetto alle prestazioni. Verrà fornita una copertura dettagliata delle astrazioni software e delle metodologie per lo sviluppo di applicazioni che sfruttano le capacità delle piattaforme sopra menzionate. Saranno trattati anche strumenti di progettazione assistita ed automatica. Il corso può essere suddiviso in tre argomenti principali (non necessariamente nel seguente ordine): Introduzione -Stato dell'arte delle tecnologie per Internet of Things - Definizione di IoT, architetture e direzioni fututre. -Richiami sui protocolli TCP/IP - Protocolli di sincronizzazione temporale -Cenni sulla tecnologia LoRa/LoRaWAN - Cenni di cybersecurity Avviamento al Deep Learning- Introduzione alle tecniche Deep Learning e alle sue principali differenze rispetto al Machine Learning classico: dal Perceptron alle reti neurali e all'architettura delle reti neurali convoluzionali (CNN). - Algoritmi di training in backpropagation per reti neurali, ad esempio Adagrad, Adam, ecc. - Linee guida nella formazione di reti neurali CNN: overfitting and cross-validation, stopping criteria, weight decay, dropout, data resampling, and augmentation. - Tecniche di ottimizzazione per ML: Transfer Learning, Pruning, Sparsity, Quantization, and Neural Architecture Search - Introduzione ai principali kernel computazionali (prodotto scalare, moltiplicazione di matrici...) - Inferenza vs addestramento - caratterizzazione - Lo "zoo" delle reti neurali: DNN, CNN, RNN, GNN, Attention-based Networks - Introduzione a TinyML: Inferenza a Reti Neurali su edge e piccole piattaforme Intelligent Internet of Things (I-IoT) - Piattaforme programmabili per prototipazione rapida di soluzioni IoT (con microprocessori e microcontrollori). Laboratorio and Hands-on- Flussi di progettazione e strumenti di sviluppo. - Uso di NodeRed su piattaforma Raspberry Pi - Protocolli IoT: MQTT, HTTP-Rest - Fondamenti di Internet of Things in tempo reale. - Usare i servizi esistenti per il back-end IoT e Deep Learning (TensorFlow, PyTorch, Edge Impulse..).
Il corso consiste in lezioni teoriche e attività pratiche in laboratorio. Le sessioni di laboratorio comprendono esercitazioni di Machine Learning con apposite toolchain (TensorFlow, PyTorch, Edge Impulse, ..) ed esercitazioni di prototipazione rapida di sistemi IoT per applicazioni di rilevamento, detection e classificazione. Il corso prevede esercitazioni di laboratorio ed uso dei laboratori di calcolo per un numero di ore non inferiore a 25. Per le attività di laboratorio verranno organizzati gruppi per consentire l'accesso ordinato e sicuro come da regolamento; e verrà richiesto supporto per l'assistenza alle postazioni di lavoro degli studenti.
Modalità d'esame
Il corso prevede con prove scritte di progettazione, che richiedono impegno e tempo nella correzione e valutazione. Verrà richiesto supporto per la correzione delle prove. Per superare proficuamente l’esame, gli studenti devono completare un progetto su un caso di studio concordato con l'insegnante. Il docente provvede anche a fornire il materiale integrativo (solitamente articoli tecnici o scientifici) incentrato sull’argomento prescelto e sul quale lo studente si basa per preparare il progetto. Ogni progetto può essere sviluppato da un singolo studente. Il progetto è presentato in dettaglio durante una prova orale, durante la quale si deve consegnare un report scritto e dettagliato sul progetto, il dimostratore sperimentale. I prodotti delle valutazioni all'interno del compito assegnato possono anche includere un poster, un video e un prototipo funzionante. Gli studenti sono invitati a fare molta attenzione al report che presenteranno: si deve introdurre il problema affrontato e come lo si è risolto, dettagliando le soluzioni tecnologiche e tecniche adottate, e presentando i risultati in maniera adeguata, discutendo chiaramente i vantaggi e gli svantaggi della soluzione scelta ed implementata. Il report deve avere una lunghezza di 8/10 pagine in formato doppia colonna. Il template del report è fornito tramite il servizio di didattica online su Esse3. L’obiettivo della discussione del progetto è la verifica delle conoscenze maturate durante il corso, la capacità di affrontare e risolvere problemi da parte dello studente, la capacità di analizzare e presentare i risultati ottenuti. Il voto finale discende da una valutazione ponderata sulle abilità di presentazione e di discussione dell’elaborato nonché sulla originalità, rigorosità scientifica e la validità tecnica del progetto presentato seguendo gli argomenti del corso.
Testi di riferimento
- Internet of Things for Architects: Architecting IoT solutions by implementing sensors, communication infrastructure, edge computing, analytics, and security - Perry Lea Packt Publishing Ltd, Jan 22, 2018 - Computers - Deep Learning - Ian Goodfellow, Yoshua Bengio, and Aaron Courville - ISBN: 978-0262035613 - Designing Embedded Systems and the Internet of Things (IoT) with the ARM mbed - Perry Xiao John Wiley & Sons, Jun 15, 2018 - Technology & Engineering - Internet of Things A to Z: Technologies and Applications - Qusay F. Hassan John Wiley & Sons, May 9, 2018 - Technology & Engineering
Codice insegnamento 50955_651687_94115
Il corso introduce gli algoritmi principali dell'apprendimento automatico (Machine Learning ML) per la linguistica computazionale (Computational Linguistics CL). Il suo obiettivo e' di (1) fornire agli studenti una…
Scheda dell'insegnamento
Obiettivi formativi
Il corso introduce gli algoritmi principali dell'apprendimento automatico (Machine Learning ML) per la linguistica computazionale (Computational Linguistics CL). Il suo obiettivo e' di (1) fornire agli studenti una panoramica delle tecniche principali di ML, ampiamente usate in CL; (2) capire i contesti e le applicazioni per le quali le singole tecniche sono piu' adatte; (3) capire la sequenca necessaria per applicare le varie tecniche ad uno specifico problema, considerando anche la collezione di dati, la scelta di metodi di valutazione; (4) fare esperienze con l'utilizzo di programmi di ML e imparare ad interpretarne i risutlati. Il corso coprira' metodi di ML da un punto di vista sia teorico che pratico.e dara' agli studenti i mezzi per leggere la letteratura scientifica rilevante in maniera critica. Alla fine del corso, gli studenti (1) sapranno dimostrare di conoscere i princi basi delle tecniche di ML; (2) sapranno leggere e capire la letteratura in ML e CL che si basa sulle tecniche introdotte, e valutare i loro usi nella ricerca e nelle applicazioni; (3) avranno competenze computazionali di base che li permetteranno di usare programmi di ML e di interpretare i loro risultati.
Programma
Il corso coprira' i seguenti argomenti: Introduzione al machine learning e alla modellazione del linguaggio.Acquisizione dei dati e misure per calcolare l'accordo tra gli annotatori.Tecniche di apprendimento supervisionato: classificazione e regressione.Tecniche di apprendimento non supervisionato: clustering e riduzione di dimensionalita'.Macchine a vettori di supporto.Reti neurali feed-forward e convoluzionali.Reti neurali ricorsive e Transformers.
Il corso introdurra' sei argomenti, con anche l'introduzione generale della prima settimana. Ogni argomento sara' insegnanto coprendo tre tipi di lezione: 1) lezione frontale con spiegazione della teoria dietro le tecniche/algoritmi; 2) una sessione per discutere articoli scientifici in cui la tecnica e' usata, osservando il modello in cui l'algoritmo e' inserito; 3) una sessione di laboratorio in cui gli studenti avranno la possibilita' di usare dei programmi e far pratica con l'implementazione del metodo presentato nelle prime due lezioni.
Modalità d'esame
Il corso sarà valutato attraverso una relazione scritta, che si articolerà in tre parti. La prima parte metterà alla prova la comprensione degli studenti dei concetti chiave insegnati nel corso e di come spiegano il comportamento di un'architettura di machine learning all'avanguardia. La seconda parte sarà dedicata alla critica di un articolo scientifico pubblicato. L'ultima parte, infine, metterà alla prova le abilità degli studenti nell'analizzare l'output di un sistema di apprendimento automatico già riscontrato nel corso.
Testi di riferimento
Il materiale didattico necessario sara' fornito durante il corso.
Codice insegnamento 50955_655180_95798
Al termine del corso, gli studenti saranno in grado di: Comprendere concetti e tecniche avanzati di ML al fine di risolvere problemi di NLP.Reinterpretare problemi di apprendimento e predizione in termini di ML.Applicare…
Scheda dell'insegnamento
Obiettivi formativi
Al termine del corso, gli studenti saranno in grado di: Comprendere concetti e tecniche avanzati di ML al fine di risolvere problemi di NLP.Reinterpretare problemi di apprendimento e predizione in termini di ML.Applicare ed adattare architetture di ML allo scopo di risolvere questi problemi.Analizzare, difendere e criticare scelte di modellazione e design sperimentali.Valutare il comportamento di modelli di ML allo scopo di identificare e correggere difficolta' con esso.Utilizzare librerie Python open source per ML a deep learning.Descrivere appropriatamente i risultati delle proprie simulazioni numeriche.
Programma
Il corso si prefigge di fornire agli studenti una introduzione a temi avanzati su Machine Learning (ML) utili alla risoluzione di problemi di Natural Language Processing (NLP). I temi trattati includono: Architetture a reti neurali avanzate per processazione di testo ed immagini.Reti neurali profonde per generare immagini e testo.Reti neurali multimodali linguaggio-visione.Trasferire conoscenza appresa tra task diversi.Spiegare il ragionamento di modelli a scatola nera.Reti neurali a scatola bianca.Integrazione di ragionamento simbolico e reti neurali.Apprendimento attraverso interazione con esseri umani.
Il corso alternera': Lezioni frontali. Le slides saranno fornite dall'insegnante.Sessioni pratiche di programmazione in Python su Google Colab. E' altamento consigliato agli studenti di portare il proprio computer portatile alle sessioni pratiche.
Modalità d'esame
L'esame finale richiede di implementare e valutare una pipeline machine learning basata su uno o piu' temi sviluppadi durante il corso e di scrivere un breve rapporto. Gli studenti dovranno sostenere una breve interrogazione sui contenuti del rapporto e temi correlati. L'insegnante fornira' una lista di potenziali progetti. Gli studenti saranno liberi di proporre i progetti alternativi. Gli studenti saranno valitati solo in base al rapporto e all'interrogazione secondo i seguenti criteri: Il rapporto e' chiaro e ben strutturato? Fa uso appropriate dei termini tecnici? Le formule matematiche, se presenti, sono corrette?Il lavoro e' posizionato appropriatamente rispetto alla letteratura?Il modello e' descritto con dettaglio sufficiente? Le scelte metodologiche sono ben motivate?La valutazione risponde alle domande di ricerca? I risultati sono spiegati appropriatamente? I risultati negativi, se presenti, sono contestualizzati appropriatemente? La descrizione permette di riprodurre il lavoro?Il codice fa uso di librerie Python appropriate? Le sessioni pratiche e le altre attivita' didattiche svolte in classe non contribuiscono in alcun modo alla valutazione.
Testi di riferimento
I materiali didattici consisteranno di slides, fornite prima di ciascuna lezione, e di articoli di ricerca recenti forniti durante le lezioni.
Codice insegnamento 50955_651688_95802
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 50955_651686_87830
L'obiettivo di questo corso è consentire agli studenti di analizzare vari tipi di tipi di dati ad elevata dimensionalita' comunemente incontrati nella pratica della biologia molecolare utilizzando una serie di…
Scheda dell'insegnamento
Obiettivi formativi
L'obiettivo di questo corso è consentire agli studenti di analizzare vari tipi di tipi di dati ad elevata dimensionalita' comunemente incontrati nella pratica della biologia molecolare utilizzando una serie di metodologie, tra cui approcci statistici consolidati, machine learning e metodi di recente introduzione. Al termine del corso le studentesse e gli studenti saranno in grado di: dimostrare una buona conoscenza di diversi tipi di dati di biologia molecolare e delle loro specificità;comprendere i principi alla base di diversi metodi concettuali per l’analisi dei dati;utilizzare gli strumenti computazionali richiesti per l'implementazione dell’analisi;fornire un'interpretazione in termini funzionali dei risultati dell’analisi;contestualizzare i risultati dell’analisi in un ambito biologico attraverso l’uso di reti biologiche;portare a termine un progetto, redigere un rapporto strutturato e presentare oralmente i risultati del proprio lavoro.
Programma
Introduzione ai tipi di dati in Biologia molecolare Elaborazione di dati biologici in R Introduzione all'analisi esplorativa mediante PCA Introduzione al machine learning classificazione, clustering, apprendimento supervisionato / non supervisionato Introduzione alla classificazione usando LDA Regressione regolarizzata: regressione di tipo Lasso / Ridge Signature basate sul rango Reti biologiche e loro visualizzazione Analisi basata su reti con applicazioni a reti biologiche Analisi funzionale di dati biologici Revisione finale e discussione dei progetti
Le lezioni tradizionali saranno accompagnate da sessioni settimanali di esercitazione in cui i metodi teorici appena appresi saranno applicati a dati reali usando R. Per completare il corso gli studenti sono tenuti a realizzare un progetto al quale lavorare di settimana in settimana. Come parte del progetto, gli studenti selezioneranno un set di dati reali a loro scelta su cui applicare successivamente tutti i metodi appresi durante il corso. Le sessioni di esercitazione settimanali saranno utilizzate da ogni studente per ottenere i risultati che messi insieme formeranno il report finale del loro progetto. In questo modo gli studenti saranno messi in condizione di preparare la maggior parte del loro progetto durante le ore di lezione, con l'assistenza dell'istruttore se necessario.
Modalità d'esame
Come esame finale ogni studente sarà tenuto a fare una breve presentazione orale del proprio progetto, che includa la descrizione del set di dati selezionato, i metodi di analisi e i risultati principali. In alternativa, in casi eccezionali e adeguatamente motivati è possibile richiedere una tradizionale prova scritta seguita da esame orale relativi a tutti gli aspetti pratici e teorici del corso.
Testi di riferimento
Il corso è stato progettato per essere autocontenuto e tutto il materiale del corso, incluso il codice R, sarà reso disponibile online. Di seguito è riportata una breve selezione di libri di consultazione relativi a diverse parti del corso. - Julian J. Faraway, Practical Regression and Anova using R. available at http://cran.r-project.org/doc/contrib/Faraway-PRA.pdf - Trevor Hastie, Robert Tibshirani, Jerome Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd Edition, New York, 2016. Available at https://hastie.su.domains/Papers/ESLII.pdf - Flury B. A first course in multivariate statistics. Springer, New York, 1998. - Heiberger, R.M. and Holland,B. Statistical analysis and data display, Springer, New York, 2004
Codice insegnamento 50955_651683_93910
Il corso fornirà un'introduzione ai concetti e ai metodi degli strumenti di neuroimaging all'avanguardia come fMRI e MEG, in particolare dal punto di vista della scienza dei dati e del data mining. Gli studenti…
Scheda dell'insegnamento
Obiettivi formativi
Il corso fornirà un'introduzione ai concetti e ai metodi degli strumenti di neuroimaging all'avanguardia come fMRI e MEG, in particolare dal punto di vista della scienza dei dati e del data mining. Gli studenti impareranno e comprenderanno i meccanismi dettagliati alla base di questi metodi di neuroimaging e come vengono opportunamente utilizzati per studiare il cervello umano nella ricerca sulle neuroscienze cognitive. Saranno quindi in grado di comprendere i principi di funzionamento e i componenti tecnici degli scanner cerebrali utilizzati nel neuroimaging umano. Inoltre, al termine del corso gli studenti saranno in grado di valutare criticamente vantaggi e svantaggi dei vari metodi. Acquisiranno inoltre informazioni sulle principali fasi di elaborazione dei dati e sulle scelte appropriate di strumenti di elaborazione del segnale adattati ai dati acquisiti. Al termine del corso, gli studenti dovrebbero aver acquisito una buona panoramica degli attuali metodi utilizzati nel neuroimaging umano (e non umano) e avranno appreso la terminologia e i concetti computazionali appropriati. Potranno anche accedere in modo critico a nuove pubblicazioni sull'argomento.
Programma
L'obiettivo principale di questo corso è quello di gettare le basi metodologiche di due tecniche di imaging cerebrale ampiamente utilizzate e disponibili anche al CIMeC (Unità), vale a dire la risonanza magnetica (MRI) e la magnetoencefalografia (MEG). Il corso fornirà una panoramica approfondita dei metodi all'avanguardia per l'acquisizione dei dati, l'elaborazione dei dati, l'analisi statistica e l'organizzazione dei dati multiscala.
Il corso si articolerà prevalentemente in lezioni frontali. Nell'ambito del corso gli studenti potranno ricevere anche piccoli incarichi di elaborazione e analisi dati, individualmente o in piccoli gruppi, e dovranno presentare relazioni sulle loro attività.
Modalità d'esame
Il voto finale sarà basato su una prova scritta (senza integrazione orale), volta ad accertare il grado di maturità acquisito e la proprietà della lingua e della terminologia nell'ambito dell'attività didattica. La prova scritta sarà la stessa sia per gli studenti frequentanti che per i non frequentanti, e comprenderà tutti gli argomenti del corso. La valutazione si baserà sui principali concetti discussi a lezione. La capacità di discutere criticamente metodi specifici sarà considerata nel voto finale.
Testi di riferimento
Dispense delle lezioni e un elenco di letture saranno rese disponibili online sul sito web del corso.
Codice insegnamento 50955_651680_94152
Il corso fornisce una prima introduzione relativa ad alcuni aspetti metodologici e statistici necessari a condurre ricerche nell'ambito della HCI. Sono presentate una serie di tecniche per la raccolta e l'analisi di dati…
Scheda dell'insegnamento
Obiettivi formativi
Il corso fornisce una prima introduzione relativa ad alcuni aspetti metodologici e statistici necessari a condurre ricerche nell'ambito della HCI. Sono presentate una serie di tecniche per la raccolta e l'analisi di dati empirici su variabili di tipo cognitivo, psicologico e sociale di rilevante interesse per la HCI. Gli studenti e le studentesse saranno in grado di sviluppare ed utilizzare scale per la misura di processi cognitivi e/o psicologici e gestire la loro relazione con i metodi statistici di analisi dei dati. Il corso introduce anche differenti tipi di ricerca su dati comportamentali spaziando dalla pianificazione degli esperimenti alla raccolta dei dati attraverso i questionari. Gli studenti e le studentesse saranno in grado di acquisire ed utilizzare alcune basilari tecniche statistiche presentate nel corso attraverso l'utilizzo del pacchetto statistico R. Al termine dell’insegnamento, lo/la studente/essa sarà in grado di: a) organizzare e gestire le diverse fasi del processo di decision-making che comporta l'utilizzo di tecniche di analisi dei dati; b) riconoscere come tale processo sia di natura dinamica e non necessariamente statico/rigido; c) tradurre le domande empiriche di ricerca nelle corrispondenti domande di natura statistica; d) riuscire ad applicare il software statistico R con sufficiente autonomia; e) essere in grado di interpretare in modo coerente i risultati delle analisi statistiche prodotte e valutare le implicazioni per le corrispondenti ipotesi di ricerca.
Programma
Struttura del corso: - Introduzione a medotologie applicative nel campo delle scienze del comportamento. - Il problema della misura nelle viariabili comportamentali. - Le componenti della ricerca sperimentale. - Pianificazione di un disegno sperimentale. - Analisi statistiche per disegni sperimentali. - L'indagine attraverso i questionari. - Analisi statistiche per la metodologia del questionario. - Modelli regressivi lineari e GLM. - Introduzione al pacchetto statistico R.
Il pacchetto statistico R sarà lo strumento didattico principale con il quale gli studenti e le studentesse potranno sperimentare la pratica dell'analisi dei dati nel campo della HCI. Circa le attività di apprendimento richieste in preparazione della prova finale, gli studenti e le studentesse sono tenuti allo studio del materiale in bibliografia, e a produrre riflessioni sui collegamenti fra le conoscenze disciplinari pregresse (soprattutto quelle legate alla ricerca) e i contenuti del corso. Infine gli studenti e le studentesse sono tenuti a svolgere gli esercizi che di volta in volta verranno predisposte dal docente nella piattaforma di didattica online del corso (piattaforma Moodle). In particolare, le lezioni frontali introducono alcuni aspetti teorici legati alle tecniche di analisi dei dati in ambito statistico mentre le esercitazioni dedicate (utilizzando principalmente l'ambiente statistico R) mirano ad applicare tali tecniche e concetti a dati empirici nell'ambito della HCI. La partecipazione attiva da parte delle studentesse e degli studenti del corso è altamente desiderata e attesa. Nello specifico gli studenti e le studentesse sono invitati a intervenire attivamente a lezione, ad utilizzare i materiali didattici e le risorse online del corso (Moodle) e di sperimentare e monitorare attraverso gli esercizi guidati (da svolgersi sia a livello individuale che in gruppo) il loro effettivo livello di apprendimento della materia. La preparazione all'esame finale richiede lo studio del materiale bibliografico assegnato, la capacità di produrre collegamenti tra i contenuti del corso e altre conoscenze maturate nell'ambito della ricerca empirica in HCI. Infine gli studenti e le studentesse sono invitati/e al termine del corso a confrontarsi con una simulazione d'esame. In sintesi, il corso enfatizza una tipologia di apprendimento di tipo attivo e collaborativo cercando di integrare le conoscenze di natura tecnica con elementi basilari di soft skills.
Modalità d'esame
Esame scritto (50%) più un progetto applicativo (50%) relativo alla raccolta dei dati e alla pianificazione ed esecuzione di analisi statistiche. In particolare, esame di tipo "scritto" costituito da circa 15 domande a scelta multipla (4 opzioni di risposta di cui 1 corretta) per una durata complessiva di 40'. Le domande dell'esame riguarderanno sia aspetti teorici legati al contenuto del corso e/o aspetti tecnici del linguaggio R, che problemi di interpretazione di risultati di analisi statistiche (output di analisi statistiche). Quest'ultima tipologia di domande richiede che lo/la studente/studentessa sia in grado di integrare in modo coerente, razionale e critico le conoscenze necessarie ad una corretta interpretazione di un output di analisi statistica.
Testi di riferimento
Lazar, Feng, & Hochheiser (2010). Research methods in human-computer interaction. Wiley. Capitoli di riferimento: 1 (Introduction), 2 (Experimental research), 3 (Experimental design), 4 (Statistical analysis), 5 (Surveys), 12 (Automated data collection methods), 13 (Measuring the human), 14 (Working with human subjects).
Codice insegnamento 51205_658901_92027
Conoscenza delle problematiche riguardanti l'analisi statistica di dati dipendenti, in particolare provenienti da serie temporali. Sviluppare competenze sui modelli lineari ARMA e su modelli Markoviani a stati…
Scheda dell'insegnamento
Obiettivi formativi
Conoscenza delle problematiche riguardanti l'analisi statistica di dati dipendenti, in particolare provenienti da serie temporali. Sviluppare competenze sui modelli lineari ARMA e su modelli Markoviani a stati nascosti, metodi di specificazione, loro proprietà, aspetti inferenziali e computazionali.
Programma
1. Introduzione ai Processi Stocastici e alle Serie temporali. Serie temporali lineari e non lineari. Stazionarietà debole e forte. Decomposizione classica delle serie storiche: trend e stagionalità. Autocovarianza e autocovarianza campionaria. 2. Processi autoregressivi e a media mobile (ARMA). Esempi di processi autoregressivi (AR) e a media mobile (MA). Soluzioni stazionarie per modelli ARMA. Rappresentazione causale e invertibile di un processo ARMA. Calcolo dell'autocovarianza per modelli ARMA. Richiami sulla media condizionata. Autocorrelazione parziale (PACF). 3. Stima di media e autocovarianza, bande di confidenza. 4. Previsione ad un passo e a più passi. Predittori lineari ottimi, metodi ricorsivi, decomposizione di Wold 5. Analisi spettrale. Densità spettrale, rappresentazione spettrale dell'autocovarianza, densità spettrale di ARMA. 6. Stime nei processi ARMA e ARIMA. Metodo di Yule-Walker per il modello AR. Algoritmo di innovazione per AR, MA e ARMA. Richiami sulla consistenza e efficienza di stimatori. Stima di massima verosimiglianza. Diagnostica sui residui. Selezione dell'ordine: criterio di AIC. 7. Introduzione ai modelli State Space. Filtraggio e lisciamento. Metodo di Kalman. Cenni sull'inferenza basata sulla massima verosimiglianza. 8. Introduzione a modelli per dati spaziali. 9. Uso di R per l'implementazione dei metodi.
Lezioni frontali. Svolgimento di alcuni esercizi in classe. Esercizi per casa. Alcune sessioni di laboratorio dove viene illustrato l'uso dell'ambiente R per l'analisi di serie storiche.
Modalità d'esame
Prova scritta ed eventuale discussione dei compiti per casa. La prova ha lo scopo di verificare le conoscenze acquisite nel corso.
Testi di riferimento
Testi di riferimento P.J. Brockwell and R.A. Davis. Time series: theory and methods. Springer, 1996.J. Durbin and S.J. Koopman. Time series analysis by state space methods. Oxford University Press. Second edition. 2012. Altri libri usati durante il corso B.J. Brockwell and R.A. Davis. Introduction to Time Series and Forecasting. Springer, 2010.R.H. Shumway and Stoffer D.S. Time Series Analysis and Its Applications With R Examples. Springer, third edition edition, 2011.
Codice insegnamento 50955_651672_89915
Data science, comportamento umano e i confini della conoscenza artificiale Perché le persone si comportano in un certo modo? Questo corso interdisciplinare introduce lo studente allo studio della data science applicato…
Scheda dell'insegnamento
Obiettivi formativi
Data science, comportamento umano e i confini della conoscenza artificiale Perché le persone si comportano in un certo modo? Questo corso interdisciplinare introduce lo studente allo studio della data science applicato al comportamento umano, unendo competenze in sociologia, etica e informatica. Il corso è finalizzato all’apprendimento attraverso il fare: copre tutte le fasi della ricerca, dalla progettazione dell’esperimento alla raccolta, preparazione e analisi dei dati. Dopo una breve introduzione teorica, il corso consisterà nell’esecuzione di esperimenti del mondo reale, su grandi quantità di dati. Questo corso è strettamente correlato con il corso Social Dynamic Lab: sebbene non obbligatorio, è consigliato seguire entrambi. Competenze acquisite • sviluppare un disegno di progetto e una domanda di ricerca orientata al problema • progettare la raccolta dati tramite sensori, dati pubblici (aperti) e strumenti di indagine (questionari, test psicologici) • raccogliere dati “in the wild” con valutazioni ecologiche momentanee (EMA), metodo di campionamento dell’esperienza (ESM), test A/B e sensori indossabili • lavorare con fonti di dati eterogenee, identificare il rumore e pulire i dati • integrare, pre-elaborare e archiviare i dati, inclusi metadati e documentazione dell’esperimento • costruire modelli esplicativi e predittivi (statistica e machine learning) per lo studio del comportamento umano • rappresentare conoscenza strutturata tramite Knowledge Graph e comprenderne il ruolo nei sistemi di IA applicati al comportamento umano • comunicare i risultati di una ricerca in una relazione scritta e in una presentazione
Programma
Il corso ha una durata complessiva di 48 ore, articolate in 24 lezioni da 2 ore ciascuna. Le lezioni alternano momenti di teoria e metodologia a sessioni di laboratorio pratico, in una proporzione che si adatta di volta in volta alle dinamiche del gruppo e alle competenze dei partecipanti. Il corso è disegnato sia per gli studenti di Data Science sia per gli studenti di AI e introduce il partecipante al campo della Behavioural Data Science. Il programma si articola in tre parti principali, più un modulo introduttivo su Knowledge Graph e progetti di ricerca applicati. Raccolta dei dati La prima parte mira a introdurre i partecipanti al processo di raccolta dei dati. I partecipanti impareranno a: • sviluppare un disegno di progetto e una domanda di ricerca orientata al problema, fondamentali in quanto guidano le fasi successive del processo • progettare la raccolta dati tramite sensori e l’uso di dati pubblici (aperti) • progettare strumenti di indagine (questionari, test psicologici, ecc.) • raccogliere dati in natura, sia con approccio metodologico (valutazioni ecologiche momentanee - EMA, metodo di campionamento dell’esperienza - ESM, test A/B e disegni sperimentali), sia tramite sensori indossabili In questa parte del corso, i partecipanti saranno coinvolti in un’intensa attività di laboratorio e svilupperanno i propri strumenti di progettazione e raccolta dati. Una lezione sarà specificamente dedicata a DTraces, l’applicativo per smartphone sviluppato per la raccolta di dati EMA tramite sensori e somministrazione di time diary, e utilizzato come infrastruttura reale di raccolta dati anche nell’ambito del progetto VFS-AI. Etica della ricerca e tutela dei partecipanti Prima di raccogliere qualsiasi dato su persone reali, i partecipanti impareranno a redigere un protocollo di ricerca conforme ai principi etici della ricerca sui soggetti umani: richiesta di parere al comitato etico (IRB), redazione del modulo di consenso informato specifico per dati sensibili e continuativi (posizione GPS, dati fisiologici, risposte EMA), diritto di recesso del partecipante in qualsiasi momento e anonimizzazione o pseudonimizzazione dei dati identificativi. Particolare attenzione sarà dedicata alla gestione di dati potenzialmente identificativi come le tracce di geolocalizzazione, nel rispetto del GDPR. Preparazione e integrazione dei dati La seconda parte è dedicata alla preparazione e all’integrazione dei dati. I partecipanti impareranno a: • lavorare con diverse fonti di dati • identificare il rumore, pulire i dati e prepararli per l’analisi • integrare i dati, pre-elaborarli e archiviarli, inclusi gli aspetti relativi a dati leggibili dall’uomo e dalla macchina (metadati) e alla documentazione dell’esperimento I partecipanti saranno coinvolti in un’intensa attività di laboratorio per migliorare le loro conoscenze in materia di gestione, pulizia, preparazione e integrazione dei dati, su dati reali provenienti da raccolte precedenti. Analisi dei dati La terza parte è incentrata sull’analisi dei dati. In questa parte, i partecipanti apprenderanno modelli esplicativi e predittivi per studiare il comportamento umano, con particolare attenzione ai modelli multilivello (multilevel/mixed-effects models) e alle tecniche per serie temporali intensive, adatti alla natura gerarchica e longitudinale dei dati EMA/ESM (osservazioni ripetute nel tempo e annidate nei partecipanti), oltre a modelli di apprendimento automatico più generali. I partecipanti saranno coinvolti in un’intensa attività di laboratorio per migliorare le loro conoscenze sull’abbinamento di problemi di ricerca orientati agli oggetti con modelli statistici avanzati e di apprendimento automatico. Knowledge Graph e il progetto VFS-AI Il corso include un modulo introduttivo (1-2 lezioni), rivolto a tutti i partecipanti, sui Knowledge Graph (KG): cosa sono, come rappresentano la conoscenza strutturata e perché sono sempre più centrali nei sistemi di intelligenza artificiale applicati allo studio del comportamento umano. Come esempio applicato, verrà presentato il Quality Knowledge Graph (Q-KG) al centro del progetto di ricerca VFS-AI (Virtual Field Supervisor — AI), un sistema pensato per governare in tempo reale la qualità dei dati nelle raccolte longitudinali mobili (EMA, sensori indossabili, dati GPS). Gli studenti interessati ad approfondire i Knowledge Graph e a contribuire, anche con lo sviluppo di codice, al progetto VFS-AI sono invitati a seguire il corso di Knowledge Graph del prof. Giunchiglia, per acquisire le competenze avanzate necessarie a un eventuale coinvolgimento nel progetto. Il contesto: cos’è la Behavioural Data Science La Behavioural Data Science è un campo nuovo, emergente e interdisciplinare che combina le tecniche delle scienze comportamentali — psicologia, economia, sociologia — con approcci computazionali provenienti dall’informatica, dall’intelligenza artificiale, dalla statistica, dall’ingegneria incentrata sui dati e dalla matematica, al fine di modellare, comprendere e prevedere meglio il comportamento umano. Emerge come risposta diretta alla necessità di studiare il comportamento “in natura”, al di fuori degli ambienti “sterili” di laboratorio, e aiuta a creare modelli e algoritmi di previsione migliori. Come afferma l’Alan Turing Institute, “combinando l’IA, la scienza dei dati e la scienza comportamentale, saremo in grado di sviluppare metodologie e approcci che aiuteranno città, aziende, enti di beneficenza e singoli individui a capire meglio perché prendono le decisioni che prendono e come possono ottimizzare il loro comportamento per ottenere migliori risultati economici e sociali”. La Behavioural Data Science incorpora tre importanti filoni: il comportamento umano (strumenti metodologici da psicologia, teoria delle decisioni e scienze comportamentali, arricchiti dalle tecniche della scienza dei dati), il comportamento algoritmico (metodi per spiegare e prevedere il comportamento delle macchine e degli algoritmi di IA, che presentano a loro volta regolarità e distorsioni comportamentali) e il comportamento dei sistemi (modellazione di sistemi complessi, reti, mercati e differenze culturali in un’ampia varietà di contesti). Questo corso è pensato per essere utile sia agli studenti di Data Science sia a quelli di IA e Informatica: arricchisce il background di AI/CS con spunti tratti dalla teoria delle decisioni e dalla scienza comportamentale, risultando particolarmente utile quando ci si concentra su questioni di spiegabilità e su approcci human-in-the-loop.
L’obiettivo del corso è il fare: grande attenzione sarà dedicata al lavoro individuale e di gruppo. Il corso prevede sia lezioni frontali sia attività pratiche tenute in laboratorio, alternate lungo le 24 lezioni da 2 ore. L’idea alla base di questo corso è che gli studenti facciano la maggior parte del lavoro durante il corso (fino a dicembre), così da facilitare la possibilità di sostenere l’esame già al termine del corso. Per questi motivi, il corso fonderà attività teoriche e pratiche sotto la supervisione del docente.
Modalità d'esame
Per l’esame lo studente dovrà condurre un’analisi originale su un set di dati ad elevata complessità e scrivere una relazione di 3000 parole di commento ai risultati. Il tipo di dati da usare dovrà essere concordato con il docente del corso. La valutazione sarà effettuata sul lavoro individuale, di gruppo, sul rapporto di ricerca e sulla presentazione finale del lavoro. Ulteriori informazioni sull’esame saranno fornite alla prima lezione del corso.
Testi di riferimento
Le informazioni bibliografiche saranno comunicate durante il corso. i non frequentanti potranno contattare il docente per maggiori informazioni.
Codice insegnamento 50955_651691_94843
L'obiettivo del corso è di fornire le basi per la comprensione dei meccanismi cerebrali sottostanti la percezione e l'attenzione visiva in modo da poter ottimizare le strategie di progettazione di un'interfaccia visiva…
Scheda dell'insegnamento
Obiettivi formativi
L'obiettivo del corso è di fornire le basi per la comprensione dei meccanismi cerebrali sottostanti la percezione e l'attenzione visiva in modo da poter ottimizare le strategie di progettazione di un'interfaccia visiva secondo una prospettiva neurale. Inizialmente, attraverso lo studio di paradigmi tipici delle neuroscienze cognitive gli studenti e le studentesse apprenderanno i principi generali del funzionamento dei sistemi neurali visivi ed attentivi e saranno in grado di identificare i processi neurali più rilevanti per la progettazione grafica. Successivamente gli studenti verranno direttamente coinvolti nella valutazione percettiva, da un punto di vista neurale, di specifiche pagine web e di mobile apps. Al termine del corso, gli studenti e le studentesse conosceranno i meccanismi neurofisiologici generali sottostanti la percezione visiva e l'attenzione, e saranno in grado di analizzare la realizzazione di interfacce visive in base alla loro efficacia nell'ottimizzare i processi visivi, attentivi e cognitivi da una prospettiva neurale.
Programma
Il corso propone una descrizione dei principali meccanismi neurali sottostanti: * La percezione visiva * Il riconoscimento degli oggetti * Il riconoscimento del volto * L'attenzione visiva La comprensione dei meccanismi neruali sottostanti la percezione e l'attenzione visiva è mirata a sviluppare negli studenti la capacità di valutazione dell'efficacia percettiva delle interfacce grafiche da un prospettiva neurale.
Per facilitare il raggiungimento degli obiettivi formativi del corso è richiesto un coinvolgimento attivo delle studentesse e degli studenti. I metodi didattici e le attività di apprendimento includono: - lezioni frontali del docente - discussione critica dei temi affrontati in piccoli gruppi in aula - partecipazione a piccoli gruppi di lavoro in aula
Modalità d'esame
La verifica dell'apprendimento consiste in una prova scritta volta ad accertare la conoscenza e la comprensione delle nozioni teoriche presentate durante il corso, e a valutare la capacità di analisi del design di un'interfaccia visiva sulla base delle conoscenze neuroscientifiche riguardo la percezione e l'attenzione visiva. L'esame è composto da 18 domande a scelta multipla e da 2 domande aperte, di cui 1 relativa ai meccanismi neurali della percezione e attenzione visiva e 1 relativa alla valutazione da una prospettiva neuroscientifica di un oggetto visivo nel contesto di un'interfaccia neurale. La valutazione dell'esame sarà basata sulla pertinenza e accuratezza delle informazioni riportate, sulla capacità di argomentazione e di analisi dei concetti appresi, e sull'uso appropriato del linguaggio specifico della disciplina. L'esito finale risulterà dalla somma dei punteggi ottenuti in ciascuna parte.
Testi di riferimento
Neuroscienze Cognitive. Michael S. Gazzaniga, RIchard B. Ivry, George R. Mangun. Zanichelli. 3a Edizione 2021. Capitolin 5 (solo la percezione visiva), 6,7. Visual thinking for design. Colin Ware. Morgan Kaufmann. Capitoli 1,2,3,4,5,6,9. Slides delle lezioni.
Codice insegnamento 50955_651693_95450
Recensioni del corso
Studi qui? Accedi per lasciare la tua recensione e aiutare altri studenti a scegliere.
Nessuna recensione per ora — e la prima è la più preziosa. Condividi la tua esperienza e orienta le future matricole.