Corso di laurea

Matematica

Università degli Studi dell'Insubria · 45 materie · 0 file condivisi

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

Sfoglia il materiale didattico

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

Materie del corso

Advanced Algebra B 1° anno · 1° semestre · 6 CFU · MATH-02/A · 0 file

Fornire gli studenti i fondamenti della Teoria Algebrica dei Numeri.

Scheda dell'insegnamento

Obiettivi formativi

Fornire gli studenti i fondamenti della Teoria Algebrica dei Numeri.

Programma

Il corso è un'introduzione alla Teoria Algebrica dei Numeri. Ci concentreremo sullo studio degli anelli di interi algebrici (il corrispettivo di ciò che Z è per Q, ma all'interno dei campi di numeri): in questi anelli generalmente si perde la fattorizzazione unica per gli elementi, ma la si riacciuffa per gli ideali (capiremo tra l'altro perché gli "ideali" si chiamano proprio così). Dal punto di vista storico, da un lato lo studio degli anelli di interi algebrici ha portato allo sviluppo della teoria degli anelli, e a sua volta esso è stato motivato dalla necessità di correggere la "miglior dimostrazione sbagliata" dell'Ultimo Teorema di Fermat! Il finale del corso sarà infatti la dimostrazione di Kummer dell'Ultimo Teorema di Fermat per i numeri primi regolari.

Algebra Lineare, Algebra 1 e 2 (soprattutto teoria degli anelli commutativi), Teoria di Galois

Lezioni frontali ed esercitazioni.

Modalità d'esame

La valutazione degli apprendimenti si realizzerà attraverso un esame orale.

Codice insegnamento 28387

Advanced Analysis B 1° anno · 1° semestre · 6 CFU · MATH-03/A · 0 file

Conoscenza dei principali metodi quantitativi per lo studio della teoria della regolarità debole per edp ellittiche. Conoscenza dei principali metodi variazionali per la risoluzione di problemi di rilevanza geometrica

Scheda dell'insegnamento

Obiettivi formativi

Conoscenza dei principali metodi quantitativi per lo studio della teoria della regolarità debole per edp ellittiche.
Conoscenza dei principali metodi variazionali per la risoluzione di problemi di rilevanza geometrica

Programma

Teoria di De Giorgi–Nash–Moser: dimostrazione della continuità di Hölder e di una disuguaglianza di Harnack per soluzioni deboli nel contesto ellittico. Disuguaglianza di Caccioppoli e limitatezza delle soluzioni deboli mediante una procedura iterativa. Stima dell’oscillazione della soluzione. Classi di De Giorgi. Stima measure-to-pointwise, teorema di ricoprimento di Calderón–Zygmund e disuguaglianza debole di Harnack. Disuguaglianza di Harnack e sue conseguenze: principio del massimo forte e teorema di Liouville.
Problemi variazionali nell’analisi geometrica: variazioni di lunghezza ed energia, geodetiche, campi di Jacobi, punti coniugati e teorema di Hadamard. Variazioni del volume e sottovarietà minimali. Mappe armoniche tra varietà. Disuguaglianze isoperimetriche e disuguaglianze di Sobolev.

Analisi Matematica 1, Analisi Matematica 2, Analisi Matematica 3, Algebra Lineare e Geometria, Geometria 1, Geometria 2, Istituzioni di Analisi Superiore

Lezioni partecipate

Modalità d'esame

La verifica dell'apprendimento verrà effettuata con una prova orale riguardante gli argomenti trattati nel corso

Codice insegnamento 28389

Advanced Geometry B 1° anno · 1° semestre · 6 CFU · MATH-02/B · 0 file

Acquisizione del concetto di orbifold e suo utilizzo per un problema classico: la classificazione delle pavimentazioni del piano. Tutto ciò ha come obiettivo rebdere lo studente familiare con il moderno concetto di…

Scheda dell'insegnamento

Obiettivi formativi

Acquisizione del concetto di orbifold e suo utilizzo per un problema classico: la classificazione delle pavimentazioni del piano. Tutto ciò ha come obiettivo rebdere lo studente familiare con il moderno concetto di simmetria, importante in matematica, fisica, chimica, scienze dei materiali ecc.

Programma

Il percorso degli orbifold verso la simmetria.

Ripasso delle isometrie di piano, sfera e piano iperbolico. Gruppi discreti e domini fondamentali.

Definizione di orbifold: studio di un gruppo di simmetria tramite la mappa quoziente $M\rightarrow M/G$.

Struttura locale: formalizzazione dei "punti con simmetria".

Punti conici: simmetria rotazionale nel piano.

Rette di simmetria e vertici.

Topologia combinatoria: ripasso della caratteristica di Eulero standard $\chi = V - E + F$.

La caratteristica di Eulero degli orbifold ($\chi_{orb}$): assegnazione di pesi "frazionari" ai punti singolari.
La formula di Riemann-Hurwitz per gli orbifold. Spazi di rivestimento e come $\chi$ scala con l'indice del sottogruppo. Il teorema magico di Conway.

Derivazione dei 17 gruppi di pavimentazioni del piano euclideo: il caso $\chi=0$.
Classificazione sferica e iperbolica
Il caso ellittico ($\chi > 0$): dimostrazione dell'esistenza di un numero finito di orbifold sferici. Derivazione dei gruppi di simmetria dei solidi platonici tramite $\chi_{orb}$.
Il caso iperbolico ($\chi < 0$): dimostrazione dell'"esplosione" delle possibilità. Perché quasi ogni combinazione di singolarità può tassellare il piano iperbolico.


Orbifold buoni e cattivi. Perché alcuni orbifold non possono essere realizzati come quozienti di varietà.

Casi in cui il metodo degli orbifold fallisce: tassellature aperiodiche del piano. Esempio: la tassellatura di Penrose. La necessità di una "geometria non commutativa".

Bibliografia

1. Orbifold e segnature

Conway, J. H., Burgiel, H., & Goodman-Strauss, C. (2008). Le simmetrie delle cose.

Thurston, W. P. (1997). Geometria tridimensionale e topologia, Vol. 1. Princeton University Press.

Corsi di Geometria 1 e Geometria 2

Lezioni frontali, sessioni di esercizi di gruppo

Modalità d'esame

Esame orale con esposizione di argomenti scelti pertinenti al corso

Codice insegnamento 28388

Applied Statistics 1° anno · 2° semestre · 9 CFU · STAT-01/A · 0 file

L'obiettivo di questo corso è introdurre gli studenti alle basi della statistica applicata, univariata e multivariata, dal punto di vista descrittivo e inferenziale. Per l'inferenza si adotteranno sia una prospettiva…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo di questo corso è introdurre gli studenti alle basi della statistica applicata, univariata e multivariata, dal punto di vista descrittivo e inferenziale. Per l'inferenza si adotteranno sia una prospettiva frequentista sia una bayesiana. Verranno introdotti algoritmi di simulazione fra cui integrazione di Monte Carlo e metodi di Monte Carlo basati su catene di Markov (MCMC). Verranno utilizzati dati ed esempi per illustrare la teoria e il codice per eseguire l'analisi statistica applicata sarà fornito dal docente o sviluppato dagli studenti utilizzando il software statistico R (o, a scelta, Python).

Programma

  • Analisi esplorativa dei dati (univariata, bivariata e multivariata) mediante statistiche descrittive e rappresentazioni grafiche. - Esame delle principali variabili casuali, discrete e continue, mediante simulazione Monte Carlo e generatori di numeri casuali. - Popolazione e campione - Stima del punto - Intervalli di confidenza - Test d'ipotesi - Previsione - Scelta fra modelli - Regressione lineare e logistica

Teoria della probabilità

Lezioni frontali e laboratori.

Modalità d'esame

Tesina finale (presentata davanti alla classe) e partecipazione attiva alle lezioni.

Codice insegnamento 28240

Deep Learning 1° anno · 2° semestre · 6 CFU · INFO-01/A · 0 file

The course aims to provide students with a solid and up-to-date understanding of Deep Learning, combining theoretical foundations with practical skills for the analysis of complex data such as images and text. Emphasis…

Scheda dell'insegnamento

Obiettivi formativi

The course aims to provide students with a solid and up-to-date understanding of Deep Learning, combining theoretical foundations with practical skills for the analysis of complex data such as images and text. Emphasis is placed on modern tools and methodologies widely adopted in research and industry.
By the end of the course, students will have developed proficiency in the Python programming language and in key libraries and frameworks such as PyTorch and NumPy for implementing, training, and evaluating neural network models. Hands-on activities using environments such as Jupyter notebooks will allow them to experiment with different architectures and training strategies.
Students will acquire the ability to manage and preprocess datasets, addressing common challenges such as missing data, class imbalance, normalization, and data augmentation. Preprocessing techniques for both image and text data will be introduced, enabling a structured and autonomous approach to heterogeneous data sources.
The course provides a clear understanding of the fundamental principles of deep learning, including neural network architectures, gradient-based optimization, loss functions, computational graphs, and automatic differentiation.
Building on these foundations, students will study and implement key architectures such as fully connected networks, convolutional neural networks, residual networks, autoencoders, and transformer-based models, learning to select appropriate solutions depending on the application domain.
Advanced topics, including attention mechanisms, transformer architectures, transfer learning, and an introduction to generative models, are also presented to provide insight into state-of-the-art approaches in fields such as computer vision and natural language processing.
A strong emphasis is placed on practical problem solving. Students will learn to design complete deep learning pipelines, evaluate model performance, and critically analyze results, identify limitations, and possible improvements.
Finally, the course fosters transversal skills, including critical thinking, the ability to explore new techniques independently, the capacity to read and understand scientific literature, and the effective communication of technical results using appropriate scientific language.

Programma

Il corso è strutturato in tre parti principali, che guidano progressivamente gli studenti dagli strumenti di base del deep learning fino alle architetture neurali avanzate e alle applicazioni moderne.
1. Strumenti di programmazione e fondamenti implementativi del deep learning
Questa prima parte risponde all’obiettivo di sviluppare padronanza degli strumenti di programmazione e dei framework utilizzati nel deep learning, in particolare Python, NumPy, PyTorch e gli ambienti interattivi di sperimentazione, fornendo al tempo stesso una comprensione operativa dei principi di apprendimento basati sul gradiente.
La prima parte è dedicata agli ambienti di programmazione, ai linguaggi e agli strumenti. Gli studenti vengono introdotti a IPython e ai Jupyter notebook, utilizzati durante tutto il corso, e al linguaggio di programmazione Python, comprese le sue principali strutture sintattiche e dati. Viene inizialmente implementato un modello di Perceptron usando Python di base, per poi reimplementarlo con NumPy, così da evidenziare l’efficienza del calcolo basato su array. Questa parte fornisce inoltre una comprensione intuitiva dell’apprendimento tramite gradient descent. Successivamente, il corso introduce PyTorch, inclusi i grafi computazionali, la differenziazione automatica e i diversi livelli di astrazione, con implementazioni pratiche di modelli Perceptron e Multi-Layer Perceptron.
2. Preprocessing e gestione dei dati
Questa seconda parte risponde all’obiettivo di rendere gli studenti autonomi nella gestione, preparazione e trasformazione dei dati, affrontando problematiche reali quali sbilanciamento delle classi, dati mancanti, normalizzazione e rappresentazione di dati eterogenei, in particolare immagini e testo.
La seconda parte è dedicata al preprocessing dei dati. Gli studenti imparano a gestire dataset sbilanciati, ad applicare tecniche di data augmentation e a effettuare normalizzazione e gestione dei dati mancanti. Il corso affronta anche il preprocessing del testo, dalla tokenizzazione fino a tecniche più avanzate, introducendo diversi metodi di rappresentazione delle parole, inclusi approcci basati su embedding in grado di catturare relazioni semantiche.
3. Modelli e architetture di deep learning per immagini e testo
Questa terza parte risponde agli obiettivi di comprendere i principi fondamentali delle reti neurali profonde, implementare e confrontare architetture moderne, progettare pipeline complete di deep learning e sviluppare capacità critiche nella valutazione dei modelli e nell’analisi dei risultati.
La terza parte riguarda i modelli e gli algoritmi di deep learning. Dopo un’introduzione al flusso di lavoro del machine learning, inclusi training/test split e funzioni di loss, gli studenti implementano semplici reti neurali per poi esplorare architetture più avanzate. Le Convolutional Neural Networks (CNN) vengono presentate per l’analisi di immagini, includendo modelli come LeNet-5 e AlexNet, insieme alle relative strategie di addestramento in PyTorch. Il corso affronta inoltre il problema del vanishing gradient e introduce architetture più profonde come ResNet, oltre a U-Net e alle applicazioni delle CNN all’analisi del testo.
L’apprendimento delle rappresentazioni viene approfondito attraverso gli autoencoder, con applicazioni alla ricostruzione di immagini, al denoising e alla previsione del contesto nei testi. Vengono poi introdotti i modelli basati su Transformer, con particolare attenzione ai meccanismi di attenzione e alla multi-head attention, mostrando applicazioni sia alle immagini sia al testo, incluse architetture più recenti come lo Swin Transformer.
Il corso si conclude con una panoramica sui modelli generativi e con un’introduzione al transfer learning, evidenziando come modelli pre-addestrati possano essere adattati a nuovi compiti.

The course assumes basic knowledge of machine learning and artificial intelligence, typically acquired in a first-year master’s course (e.g., Intelligent Systems), including concepts such as supervised learning, model evaluation, and basic optimization.
Students are expected to have experience with at least one programming language; a working knowledge of Python, including basic data structures and libraries such as NumPy, is strongly recommended.
Basic mathematical skills in linear algebra, calculus, and probability are also required to understand how deep learning models are trained and optimized.
Since the course includes practical activities, students should have access to a personal laptop capable of running a Python environment and frameworks such as PyTorch. Familiarity with tools like Jupyter notebooks is helpful but not mandatory. Prior exposure to data analysis or introductory machine learning is beneficial.

The course is structured into three main parts, progressively guiding students from the basic tools of deep learning to advanced neural architectures and modern applications.
1. Programming tools and implementation foundations of deep learning
This first part addresses the objective of developing proficiency in the programming tools and frameworks used in deep learning, in particular Python, NumPy, PyTorch, and interactive experimentation environments, while also providing an operational understanding of gradient-based learning principles.
The first part is devoted to programming environments, languages, and tools. Students are introduced to IPython and Jupyter notebooks, which are used throughout the course, as well as to the Python programming language, including its main syntactic constructs and data structures. A Perceptron model is first implemented using basic Python, and then reimplemented with NumPy to highlight the efficiency of array-based computation. This part also provides an intuitive understanding of learning through gradient descent. The course then introduces PyTorch, including computational graphs, automatic differentiation, and different levels of abstraction, with practical implementations of Perceptron and Multi-Layer Perceptron models.
2. Data preprocessing and management
This second part addresses the objective of enabling students to autonomously manage, prepare, and transform data, tackling real-world issues such as class imbalance, missing data, normalization, and the representation of heterogeneous data sources, in particular images and text.
The second part is devoted to data preprocessing. Students learn how to handle unbalanced datasets, apply data augmentation techniques, and perform normalization and missing data management. The course also covers text preprocessing, from tokenization to more advanced techniques, introducing different methods for word representation, including embedding-based approaches capable of capturing semantic relationships.
3. Deep learning models and architectures for images and text
This third part addresses the objectives of understanding the fundamental principles of deep neural networks, implementing and comparing modern architectures, designing complete deep learning pipelines, and developing critical skills for model evaluation and result analysis.
The third part focuses on deep learning models and algorithms. After an introduction to the machine learning workflow, including training/test splits and loss functions, students implement simple neural networks and then explore more advanced architectures. Convolutional Neural Networks (CNNs) are presented for image analysis, including models such as LeNet-5 and AlexNet, together with their training strategies in PyTorch. The course also addresses the vanishing gradient problem and introduces deeper architectures such as ResNet, as well as U-Net and applications of CNNs to text analysis.
Representation learning is further explored through autoencoders, with applications to image reconstruction, denoising, and text context prediction. Transformer-based models are then introduced, with particular attention to attention mechanisms and multi-head attention, showing applications to both images and text, including more recent architectures such as the Swin Transformer.
The course concludes with an overview of generative models and an introduction to transfer learning, highlighting how pre-trained models can be adapted to new tasks.
Throughout the course, theoretical concepts are reinforced through practical exercises, enabling students to develop both a solid understanding and hands-on experience with modern deep learning techniques.

Modalità d'esame

The assessment consists of two components: a theoretical test and a project, both aimed at evaluating the student’s understanding of the topics covered during the course as well as their practical application.
The theoretical test is administered through the Moodle platform and includes questions on the main concepts covered during the lectures, with the aim of assessing both knowledge and reasoning skills in the field of deep learning. Each question contributes equally to the overall score of the theoretical test; the score assigned to each question is defined so that the sum of the points obtained in the test corresponds to a grade expressed on a 30-point scale.
The project, assigned by the instructor, focuses on one or more course topics and requires the implementation of deep learning models. Students may either apply existing models to new datasets, with the goal of achieving competitive results, or propose and implement improvements to existing models in order to obtain comparable or better performance.
The project must be accompanied by a report describing the problem addressed, the relevant related work, the adopted methodology, and the results obtained. Students are expected to justify their choices regarding the models used, the data employed, and the experiments conducted. The use of a Jupyter notebook (or its HTML export) as a structured and reproducible form of report is strongly encouraged.
The project must be submitted approximately five days before the exam date; otherwise, it may be presented in a later exam session. The project discussion may take place after the theoretical test.
The final grade is computed as the arithmetic mean of the theoretical test score (50%) and the project score (50%). No minimum score is required for either of the two components, provided that the final grade is not lower than 18/30, which is the minimum passing grade.
Honours (cum laude) may be awarded to students who achieve the maximum score of 30/30 and demonstrate outstanding quality in their project work, in terms of originality, methodological rigour, critical depth of analysis, or the particular significance of the results obtained.

Codice insegnamento 28393

Dynamical Systems B 1° anno · 1° semestre · 9 CFU · MATH-04/A · 0 file

The student must learn the basic tenets of dynamical systems theory. He must learn the notions that enable him/her to read a scientific paper on the subject. He must also develop the capability to formalize and solve…

Scheda dell'insegnamento

Obiettivi formativi

The student must learn the basic tenets of dynamical systems theory. He must learn the notions that enable him/her to read a scientific paper on the subject. He must also develop the capability to formalize and solve problems in this theory.

Programma

Una prima introduzione alla teoria ergodica. Nel dettaglio: 1. Introduzione. Framework metrico. Esempi 2. Misure invarianti. 3. Teorema di Bogoliubov Krylov. Esempi. 4. Mappe 1-dimensionali. Misure assolutamente continue. 5. Operatore e Teoremi di Perron Frobenius. 6. Symbolic dynamics and its invariant measures. Markov chains. 7. Subshifts di tipo finito. Misure singolari continue. 8. Iterated function systems e misure bilanciate. 9. Teorema di ritorno di Poincare'. 10. Teoremi ergodici: Von Neumann. 11. Medie di Birkhoff, teorema ergodico di Birkhoff. 12. Transitivita’ metrica. 13. Esempi di sistemi metricamente transitivi. Teorema di Weyl. 14. Transformazioni piecewise linear. 15. Sistemi fortemente mixing. 16. Sistemi debolmente mixing. 17. Teoremi di caratterizzazione. 18. Teoria spettrale. Operatore di Koopman Von Neumann. 19. Tempi di ritorno, teorema di Kac. 20. Mappa di Von Neumann Kakutani map, Pomeau-Manneville e Gaspard Wang. 21. Statistiche multifrattali. 22. Entropia di Shannon e coding. Teorema di Shannon Kincin. 23. Entropia metrica. Definizione. 24. Teorema di Kolmogorov e partizioni generanti. Arnol'd cat map. 25. Teorema di Ruelle e formula di Pesin. 26. Complessita’ algoritmica, teorema di Brudno e caos dinamico.

Calcolo, teoria della misura

Lezioni frontali.

Modalità d'esame

Esame scritto, che puo' prendere la forma di un progetto, seguito da discussione orale che copre tutti i temi trattati nel corso.

Codice insegnamento 28384

Elementary Mathematics From An Advanced Standpoint 1° anno · 2° semestre · 6 CFU · MATH-04/A · 0 file

fornire allo studente materiali ed idee per didattica innovativa nelle scuole superiori

Scheda dell'insegnamento

Obiettivi formativi

fornire allo studente materiali ed idee per didattica innovativa nelle scuole superiori

Programma

Temi tratti dalla teoria dei sistemi dinamici

corsi del triennio

Lezioni frontali alla lavagna, esperimenti numerici al calcolatore.

Modalità d'esame

Progetto da svolgere a casa su temi trattati nel corso, con argomento deciso dal docente. Esame orale alla lavagna, sulla teoria e con un semplice esercizio. Il voto e' solo finale e non distinto per scritto ed orale.

Codice insegnamento 28238

Geometrical Methods In Physics 1° anno · 1° semestre · 9 CFU · PHYS-02/A · 0 file

Acquisition of operational capabilities in the use of geometric instruments in the physical field. At the end of the course the student will be able to: -recognize the role of geometry in different physical models;…

Scheda dell'insegnamento

Obiettivi formativi

Acquisition of operational capabilities in the use of geometric instruments in the physical field.
At the end of the course the student will be able to:
-recognize the role of geometry in different physical models;
-provide examples;
-apply techniques of differential geometry to problems in physics;
-analyze a physical model from the geometric viewpoint;
-compare different geometric models in order to select the most suitable one;
-create new models

Programma

1 Multilinear algebra
Tensors. Tensors in physics. The external algebra.
2 Representations of finite groups
General theory. Characters. Irreducible representations.
3 Tensors and symmetric group
Introduction. Schur functors. Examples.
4 Introduction to differential geometry
Differential varieties. Fiber bundles. Differential forms.
5 Lie Groups and Lie algebras
Lie groups. Simple Lie algebras. Representations of simple Lie algebras. Representations of sl(2).
6 Classification of simple Lie algebras
Cartan algebra and weights. Roots and Dynkin diagrams. Real simple algebras.
7 Representations of simple Lie algebras
Weights: integrality and symmetries. The highest weight. Irreducible representations of sl(n). The case n=3.
8 Orthogonal Groups
Bilinear and quadratic forms. Orthogonal groups. Quaternions. The group SO(2m). The group SO(2m+1).
9 Spin representations
Clifford algebras. The spin group. Spin representations of so(n).
10 Geometric structures
Fiber bundles. Geometry and Lie groups. Connections. Covariant derivatives. Curvature. Riemannian structure.
11 Dynamical theory of symmetries
Matter fields. Gauge fields. Yang-Mills theories. External symmetries, and relativity.
12 Scalar and spinoral fields
Particles and the Poincaré group. Klein-Gordon equation. Dirac equation. The SO(1,3) group. Spin 1 fields. Fields and gravity.
13 Geometry of the Standard Model of particles and GUT
The field content in the Standard Model. Constructing the Standard Model. Spontaneous symmetry breaking. The mass of neutrino. The seesaw mechanism. GUTs.

Basic knowledge of algebra, geometry, real analysis in several variables, mechanics, electromagnetism

Frontal lessons

Modalità d'esame

Solution of written exercises proposed by the teacher + oral exam
At the end of the course, the docent will propose some exercises to be solved at home. It will be evaluated as first the ability to frame the problem in the right context, the correctness of the procedure, the correctness of the mathematical passages and the ability to provide an answer to the problem.
It follows an oral discussion in order to evaluate the general theoretical knowledge of the student.

Codice insegnamento 28392

History Of Mathematics 1° anno · 2° semestre · 9 CFU · MATH-01/A · 0 file

Il corso offre una esplorazione dell'evoluzione della pratica e del pensiero matematico. La prima parte offre una concisa panoramica dello sviluppo della Matematica dalla preistoria alla fine del XX secolo, mettendo in…

Scheda dell'insegnamento

Obiettivi formativi

Il corso offre una esplorazione dell'evoluzione della pratica e del pensiero matematico. La prima parte offre una concisa panoramica dello sviluppo della Matematica dalla preistoria alla fine del XX secolo, mettendo in evidenza i principali avanzamenti e mutamenti nella comprensione della Matematica. La seconda e terza parte sono monografiche, proponendo una più profonda investigazione in alcune aree specifiche della storia della Matematica. ----- Al termine del corso uno studente avrà acquisito le seguenti abilità: 1.collocare i principali risultati matematici nel periodo storico corretto e di fornire il contesto storico-scientifico di riferimento. 2. possedere una visione generale e unitaria delle discipline matematiche e delle loro relazioni sulla base delle linee di pensiero che incarnano 3. illustrare negli aspetti non tecnici le principali aree della Matematica, in particolare quelle che hanno valenza nei percorsi didattici delle scuole secondarie superiori 4. narrare la Matematica ad un pubblico eterogeneo nei suoi aspetti generali non tecnici, e saper inquadrare tale narrazione nell'appropriato contesto storico.

Programma

La prima parte del corso, tenuta dal Prof. Benini, riguarderà la storia della matematica dalla matematica antica (sumeri, egizi) fino all'inizio del XXI secolo. Questa parte durerà 30 ore. La seconda parte del corso (24 ore), tenuta dal Prof. Benini, tratterà dell'evoluzione del concetto di spazio dalla geometria euclidea ai topos di Grothendieck. La terza parte del corso (24 ore), tenuta dal Prof. Quadrelli, si occuperà della storia della ricerca delle soluzioni di equazioni, dall'antichità all'epoca moderna. La prima parte del corso tratterà dei seguenti periodi storici: 1. Matematica egizia e mesopotamica (2 ore) 2. Matematica greca (4 ore) 3. Matematica asiatica antica (2 ore) 4. L'età d'oro dell'Islam (2 ore) 5. Medioevo e Rinascimento (2 ore) 6. La Matematica del XVII secolo: l'alba della modernità (2 ore) 7. La Matematica nel XVIII secolo: l'età di Eulero (4 ore) 8. La Matematica nel XIX secolo: l'era della rivoluzione (5 ore) 9. La Matematica nel XX secolo (7 ore) Parte A) Prof. Benini: l'evoluzione dello spazio dalla geometria euclidea ai topos di Grothendieck. - Euclide e la fondazione assiomatica. - Cartesio, Fermat e la geometria analitica. - La rivoluzione non-euclidea. - Riemann e Klein. - Poincaré e la nascita della topologia. - Grothendieck e la sintesi algebrica. Parte B) Prof. Quadrelli: Ricerca di soluzioni delle equazioni attraverso i secoli - Equazioni nei tempi antichi: metodi e soluzioni nelle matematiche babilonese, egizia, greca, indiana e araba - Equazioni nel medioevo fino a Luca Pacioli: sviluppi e passaggio alla notazione simbolica - Rinascimento: Tartaglia, Cardano, Ferrari, e le disfide matematiche: scoperta delle soluzioni delle equazioni cubiche e quartiche e la nascita dell'algebra moderna.

Non sono previsti prerequisiti a parte il possesso delle conoscenze di base di una laurea triennale in ambito matematico.

Lezione frontale in lingua inglese con l’ausilio di slides e approfondimenti alla lavagna. Le slides sono appositamente strutturate per favorire gli obiettivi di apprendimento, in particolare fornendo concreto esempio e guida per l'illustrazione non tecnica di settori avanzati della Matematica, dando spiegazione storica di parti della Matematica in uso nelle scuole secondarie superiori, e fornendo spunti e riferimenti a materiale originale nei rilievi storici.

Modalità d'esame

L'esame consiste nella redazione di una relazione scritta su un argomento concordato con uno dei docenti del corso tra quelli toccati durante il periodo didattico. La relazione verrà valutata tenendo conto dell'accuratezza storica, della capacità di correlare l'argomento con il contesto di sviluppo, con altri settori affini della matematica, della qualità dell'illustrazione particolarmente verso un pubblico tecnico ma non di specialisti, e verso un pubblico interessato ma non tecnico. In alternativa, a scelta dello studente, durante il periodo di svolgimento del corso verranno effettuate tre prove scritte intermedie, volte a verificare l'apprendimento e la comprensione delle tre parti in cui il corso è suddiviso.

Codice insegnamento 28237

Inverse Problems And Machine Learning 1° anno · 1° semestre · 9 CFU · MATH-05/A · 0 file

Gli studenti acquisiranno le conoscenze di base per modellare e risolvere problemi male posti.

Scheda dell'insegnamento

Obiettivi formativi

Gli studenti acquisiranno le conoscenze di base per modellare e risolvere problemi male posti.

Programma

Minimi quadrati discreti e SVD.
Problemi malposti e regolarizzazione con applicazione alla ricostruzione di immagini.
Tecniche base di machine learning.

Corsi base di analisi numerica.

Lezioni frontali con alcune lezioni integrative di implementazione dei metodi numerici analizzati.

Modalità d'esame

Esame orale e progetto implementato in Matlab.

Codice insegnamento 28385

Iterative Methods For Large Scale Linear Systems 1° anno · 2° semestre · 6 CFU · MATH-05/A · 0 file

Gli studenti acquisiranno gli strumenti di base per risolvere sistemi lineari di grandi dimensioni derivanti dalla discretizzazione di equazioni differenziali alle derivate parziali e da operatori discreti invarianti per…

Scheda dell'insegnamento

Obiettivi formativi

Gli studenti acquisiranno gli strumenti di base per risolvere sistemi lineari di grandi dimensioni derivanti dalla discretizzazione di equazioni differenziali alle derivate parziali e da operatori discreti invarianti per traslazioni.

Programma

Metodi iterativi per sistemi lineari di grandi dimensioni: metodi stazionari, metodi di Krylov, precondizionamento e metodi multigrid.

Analisi Numerica

Lezioni frontali

Modalità d'esame

Esame orale

Codice insegnamento 28391

Machine Learning 1° anno · 1° semestre · 9 CFU · INFO-01/A · 0 file

The course provides broad coverage of intelligent systems solving pattern recognition problems. Theoretical concepts in intelligent systems and techniques relevant to real-life applications will be illustrated. The…

Scheda dell'insegnamento

Obiettivi formativi

The course provides broad coverage of intelligent systems solving pattern recognition problems. Theoretical concepts in intelligent systems and techniques relevant to real-life applications will be illustrated.
The student will be able to:
1. Know the main objectives and areas of Artificial Intelligence, Machine Learning, and Pattern Recognition, with the ability to identify the potentialities of intelligent techniques and the relationships with other disciplines
2. Know the basic concepts of automated learning based on machine learning approaches and the conditions for their applicability
3. Know the most relevant feature extraction and selection techniques
4. Know statistical techniques and their limitations and strengths, with the ability to appropriately select the proper technique in specific contexts
5. Know basic principles of neural computing and their characteristics
6. Know Flat and Hierarchical Clustering with the ability to configure and apply these methods in specific contexts
7. Know performance metrics for learners
8. Know how to program in a language for statistical computing and machine learning applications like R

It is also expected that students develop communicative skills through open discussion and autonomous assessment in the choice of the proper technique to solve problems of recognition and /or automatic classification of multidimensional data in several domains.
Students will acquire also knowledge of the relevant Machine learning and Pattern Recognition terminology.

Programma

The acquisition of knowledge and expected skills is developed throughout the entire course, which includes the topics listed below.

1) Introduction to Artificial Intelligence and Pattern Recognition: Historical Perspective, State of the Art of Methods and Applications (3 h - Course Objective 1)

2) Basic Mathematical and Statistical Concepts:

  • Measurement Theory
  • Matrix algebra
  • Multivariable function analysis calculus: partial derivatives and gradient
  • Relevant concepts of Probability and Statistics
  • Relevant concepts of Information Theory
    (6 h - Course Objective 2)

    3) Design of a Supervised Classifier; Basic principles of learning by example; basic concepts of multidimensional pattern analysis
    (5 h - Course Objective 2)

    4) Feature Extraction and Selection:
  • Principal Component Analysis
  • Information Gain
  • Statistical evaluation of features
  • Selection Strategies
    (6 h - Course Objective 3)

    5) Fundamental Elements of Programming with R
    (8 h - Course Objective 8)

    6) Machine Learning Algorithms
  • Ordinary Least Squares Regression
  • Outliers and Robust Regression
  • Regularization and Shrinkage in Regression: Ridge Regression, LASSO Regression, Elastic Net
  • Minimum distance classifier
  • Bayesian classification
  • Maximum likelihood classifier
  • K-Nearest Neighborhood classifier
  • Parallelepiped Method
  • Decision trees
  • Ensemble models: boosting, bagging, stacking
  • Support Vector Machine
  • Imbalance, Hyperparameter tuning
  • Calibration
  • Performance metrics
  • (32 h - Course Objectives 2, 3, 4, 7)

    7) Neural Networks
  • Introduction, taxonomy
  • Basic principle of neural computing
  • Feedforward Neural Models
  • Application Examples
  • Introduction to Deep Learning
    (6 h - Course Objective 5)

    8) Clustering
  • Introduction to Clustering
  • K-means Clustering algorithm
  • Agglomerative Hierarchical Clustering: Single linkage, Complete linkage
    (3 h - Course Objective 6)

    9) Design of Intelligent Systems, Examples in Application Domains
    (3 h - Course Objectives 1)

The course assumes that students have a background acquired in a Bachelor's Degree in STEM disciplines. Students are expected to be familiar with basic Mathematics, Probability, and Statistics.

Lectures (72 hours)

The topics of the course are illustrated by means of (1) conceptual, formal descriptions, (2) their implementation via R code, and (3) the use of demos and online resources.
Constant interaction with the students and their involvement in open discussions are highly encouraged.

Modalità d'esame

The students’ learning extent is assessed via a written test (duration: 3h) and an individual assignment, autonomously developed by each student individually. As an alternative to the written test, students can take a final test during the course.

The goal of the written test is to assess the learning degree and the understanding of the elements related to intelligent systems from both theoretical and application (on problems of limited complexity) points of view.

Written tests consist of:

  • 6 questions on conceptual aspects
  • 3 exercises to assess the student's understanding and knowledge of machine learning techniques.

    The total maximum score for the six questions combined is 18. As specified in the exam paper, two questions have a maximum grade of 2 points, two have a maximum grade of 3 points, and the remaining two have a maximum grade of 4 points. The solution to each exercise is graded with a maximum score of 5 points, for a combined maximum total of 15 points.
    The grade of the written test is on a 0 to 33 scale. The written test is considered passed with a score of 18 or higher.
    The final written test during the course follows the same rules.

    The assignment allows students to apply their skills and knowledge to build and evaluate machine learners by using the R language. The project presentation has the goal of assessing the students’ communication skills in two areas:
    1) the students’ technical competencies and use of the correct terminology, and
    2) the students’ skills for communicating a complete and organized view of the work they carried out. Individual judgment skills are evaluated based on the decisions made during the written exam and the assignment.
    The assignment is graded on a 0 to 33 scale. The assignment is considered passed with a score of 18 or higher.

    The final grade is calculated as a weighted sum of the scores achieved in the written test and the assignment (only provided that both were passed). Specifically, the written test has a weight of 70% and the assignment a weight of 30%.

    The grades obtained in the written exam, the assignment, and in the written test and assignment combined are calculated by rounding to the nearest whole number.

    The final combined grade is on a 0 to 30 scale, and the exam is considered passed with a score of 18 or higher.If it is between 18 and 30, this rounded combined grade is also the final grade of the exam. If it is at least 31, the final grade of the exam is 30 with honors.

Codice insegnamento 28667

Mathematical Logic 1° anno · 2° semestre · 6 CFU · MATH-01/A · 0 file

Questo è un corso introduttivo alla Logica Matematica. Il corso mira a studiare il processo di dimostrazione, il nesso tra dimostrazione e verità, il concetto di costruzione e di costruzione calcolabile. Il corso…

Scheda dell'insegnamento

Obiettivi formativi

Questo è un corso introduttivo alla Logica Matematica. Il corso mira a studiare il processo di dimostrazione, il nesso tra dimostrazione e verità, il concetto di costruzione e di costruzione calcolabile. Il corso mostra e discute i limiti della dimostrazione matematica come mezzo accedere alla verità. Al termine del corso ci si attende che lo studente abbia acquisito le seguenti abilità: 1. effettuare semplici dimostrazioni matematiche all’interno di un sistema formale tra quelli presentati (logica proposizionale classica e intuizionista, logica al primo ordine classica e intuizionista, lambda-calcolo e teoria dei tipi semplici). 2. effettuare dimostrazioni riguardanti un sistema formale tra quelli presentati (correttezza, completezza, sintesi di modelli non standard mediante compattezza). 3. vedere criticamente le nozioni fondamentali della matematica (molteplicità del concetto di insieme, molteplicità del concetto di numero, vero non coincidente con dimostrabile). 4. relazionare dimostrazioni e computazioni (interpretazione delle proposizioni come tipi nei sistemi intuizionisti, concetto di costruttività). 5. legare lo studio dei sistemi formali ad altri domini matematici (logica come studio dei fondamenti della matematica). E’ anche previsto che lo studio della logica conduca lo studente ad acquisire un vocabolario scientifico adeguato che gli consenta di rivedere criticamente le conoscenze già in suo possesso in ambito matematico, espandendo la coscienza di unità delle discipline matematiche.

Programma

1. introduzione: breve storia della logica; formalismo, sintassi, semantica, interpretazione intesa; una infinita varietà di logiche; questioni di fondamenti; correttezza, completezza. 2. logica proposizionale classica: sintassi, calcolo in deduzione naturale; semantica con tavole di verità e con algebre booleane; correttezza, completezza. 3. logica classica al primo ordine: sintassi, calcolo in deduzione naturale; semantica alla Tarski, correttezza, completezza; compattezza; cenni alla teoria dei modelli. 4. teoria degli insiemi di Zermelo-Frænkel: classi e insiemi; ordinali, cardinali e relative induzioni; l'assioma di scelta, l'ipotesi del continuo. 5. fondamenti di calcolabilità: funzioni calcolabili, funzioni primitive ricorsive, funzioni ricorsive parziali; teorema di enumerazione e funzione universale; punti fissi; λ-calcolo puro e funzioni rappresentabili; teoria dei tipi semplici e normalizzazione forte. 6. fondamenti di logica intuizionista: sintassi e potenza espressiva; semantica proposizionale algebrica; correttezza e completezza; proposizioni come tipi; normalizzazione. 7. risultati limitativi: teoremi di incompletezza di Gödel; incompletezza naturale (cenni).

Non sono previsti prerequisiti a parte il possesso delle conoscenze di base di una laurea triennale in ambito matematico: elementi basilari di aritmetica, algebra, analisi matematica e topologia elementare. E’ utile, ma non necessario, possedere rudimenti relativi alla programmazione di calcolatori.

Lezione frontale in lingua inglese con l’ausilio di slides e approfondimenti alla lavagna. Gli obiettivi didattici verranno raggiunti seguendo il seguente schema: 1. ognuno dei sette capitoli del corso viene introdotto da una discussione generale di inquadramento nelle discipline matematiche, con la spiegazione del senso filosofico della materia che si andrà ad affrontare. 2. verranno illustrate le definizioni e i teoremi fondamentali al fine di fornire l’impianto matematico in modo solido e ordinato. 3. esempi di utilizzo accompagneranno i risultati di particolare rilievo, sia per chiarirne il senso, sia per illustrarne l’applicazione. 4. le parti che necessitano (dimostrazioni formali) saranno compendiate da esercizi svolti in classe dal docente, con particolare enfasi sul metodo per la loro risoluzione. 5. al termine di ogni capitolo, si fornisce un sommario dei risultati ottenuti con lo scopo di fornire la prospettiva atta a inquadrarli criticamente sia rispetto al loro senso matematico, sia in relazione alle conoscenze acquisite in altri corsi. Data la duplice natura matematica e filosofica della disciplina, si consiglia agli studenti di partecipare alle lezioni, anche se la frequenza non è obbligatoria.

Modalità d'esame

L’esame è orale, con la scelta alternativa per i frequentanti di effettuare quattro prove scritte intermedie in aula in sostituzione dell’esame finale. Durante un esame orale verrà verificata - la capacità di effettuare una dimostrazione formale in uno dei sistemi logici presentati al corso: logica proposizionale classica e intuizionista, logica al primo ordine classica e intuizionista, λ-calcolo, teoria dei tipi semplici. - la conoscenza del contenuto del corso mediante l’enunciazione e la dimostrazione di alcuni teoremi tra quelli che sono stati illustrati a lezione. Il numero dei teoremi e la loro scelta vengono guidati dalla necessità di ricoprire i sette capitoli del programma. - la capacità di relazionare i concetti appresi a lezione con gli interessi matematici dello studente, mediante una domanda che richieda specificamente di usare i concetti del corso nell’ambito che lo studente predilige. Il voto sarà determinato dal grado di conoscenza e studio, dalla capacità manipolativa formale, e dalla abilità di porre in relazione i concetti base del corso con altri ambiti matematici. Le prove intermedie sono una opzione riservata agli studenti frequentanti. Ogni prova è articolata su tre quesiti: 1. effettuare un esercizio di dimostrazione in un sistema formale (prove 1 e 2), oppure su di un sistema formale (prove 3 e 4). 2. enunciare e dimostrare un risultato tra quelli studiati a lezione nei capitoli corrispondenti (prova 1, capitolo 2 – prova 2, capitolo 3 – prova 3, capitoli 4 e 5 – prova 4, capitoli 6 e 7). 3. effettuare una dimostrazione o una costruzione non illustrata a lezione, che richieda l’uso dei concetti studiati. La votazione di ciascuna sarà determinata in base alla correttezza dei primi due quesiti, e in base alla linea di ragionamento seguita nel terzo quesito. La votazione finale sarà la media dei voti delle quattro prove intermedie.

Codice insegnamento 28236

Numerical Solutions Of Elliptic Problems 1° anno · 1° semestre · 9 CFU · MATH-05/A · 0 file

I due corsi di Soluzione Numerica di PDE introducono gli studenti alle tecniche numeriche per risolvere equazioni differenziali alle derivate parziali, che sono la base della gran parte dei modelli matematici. In…

Scheda dell'insegnamento

Obiettivi formativi

I due corsi di Soluzione Numerica di PDE introducono gli studenti alle tecniche numeriche per risolvere equazioni differenziali alle derivate parziali, che sono la base della gran parte dei modelli matematici. In particolare nel corso sulle equazioni ellittiche si studia la tecnica di discretizzazione con gli elementi finiti e le sue applicazioni nel contesto delle equazioni ellittiche e paraboliche.
Le equazioni ellittiche sono presenti in molti modelli fisici, come le equazioni per il potenziale elettrostatico o gravitazionale, i problemi di elasticità nello studio della deformazione di strutture. La diffusione del calore è invece un tipico problema parabolico. Nel corso si considereranno anche problemi di convezione-diffusione e le equazioni di Stokes per un fluido viscoso incomprimibile.

Al termine del corso lo studente sarà in grado di risolvere numericamente delle PDE ellittiche, paraboliche e le equazioni di Stokes con gli elementi finiti. Inoltre, dovrebbe essere in grado di utilizzare in modo critico e consapevole anche librerie e software basati sugli elementi finiti.

Programma

1. La tecnica delle differenze finite per problemi ellittici e di convezione diffusione.

2. La tecnica degli elementi finiti per problemi ellittici in una e più dimensioni spaziali.

3. Applicazioni: elementi finiti per problemi di convezione-diffusione e per il problema di Stokes.

4. Tecniche di semidiscretizzazione per problemi parabolici

Il corso è rivolto agli studenti di Matematica, ma anche a studenti di altri corsi di laurea, con interessi nel calcolo scientifico. Sono richieste nozioni di base di Analisi I e II e nozioni sulla soluzione numerica di sistemi lineari algebrici. Sono utili, ma non strettamente necessarie, nozioni sugli Spazi di Sobolev, la conoscenza dell’interpolazione di Lagrange, delle formule di quadratura e dei metodi numerici per equazioni differenziali ordinarie. Per la parte di laboratorio è necessaria una conoscenza di base di un linguaggio di programmazione, preferibilmente uno fra Matlab, Python, C e C++.

Le lezioni (2/3 delle ore) sono frontali, prevalentemente con spiegazioni alla lavagna. Esercizi di supporto allo studio individuale saranno regolarmente assegnati e discussi in aula su richiesta.
Un terzo delle ore è dedicato ad esercitazioni in laboratorio informatico volte ad insegnare come implementare, verificare ed utilizzare algoritmi basati sugli elementi finiti (verranno usati come esempio alcuni degli algoritmi spiegati durante le lezioni teoriche).

Modalità d'esame

L’esame è orale, ed è composto di due parti, che vengono sostenute nello stesso giorno.
Nella prima parte, lo studente discute un progetto computazionale concordato col docente e consegnato assieme al codice sorgente sviluppato. Il progetto dovrà essere l’applicazione di tecniche studiate durante il corso ad un caso concreto. Sarà oggetto di valutazione la rispondenza del software prodotto rispetto al problema scelto, la qualità dello stesso, la presentazione e la discussione critica dei risultati ottenuti.
La seconda parte è un esame orale in cui verrà valutata la conoscenza degli argomenti svolti durante il corso, l’uso corretto del lessico specialistico, la capacità di ragionamento critico e di collegamento fra i diversi argomenti studiati.

Codice insegnamento 28386

Process Algebras 1° anno · 1° semestre · 6 CFU · INFO-01/A · 0 file

The aim of the course is to allow students to know the theory of process algebras. Students will learn how this formalism can be employed in the formal modelling of concurrent processes, how this instrument provides…

Scheda dell'insegnamento

Obiettivi formativi

The aim of the course is to allow students to know the theory of process algebras. Students will learn how this formalism can be employed in the formal modelling of concurrent processes, how this instrument provides algebraic laws allowing for process descriptions to be manipulated and analysed and how the formalism allows for formal reasoning about equivalences over processes.
At the end of the course, the student will be able to:
1. Recognise in which context process algebras can be applied.
2. Provide formal specifications of simple systems.
3. Reason in terms of equivalences over processes.
4. Learn how tools based on process algebra work and can be used
5. Enlarge their knowledge to extensions of process algebra dealing with time, probability, and other features.
Further, the student will be able to specify simple systems with process algebras, to recognise when syntactically different specifications may be considered undistinguishable under a proper level of abstraction.
The student will be also required to develop autonomy of judgement in recognising the main challenges of employment of process algebras.
Finally, the student will get a proper knowledge of (possibly standard) technical terminology used in the context of process algebras.

Programma

The course is organised as follows:
Background:

  • Introduction and Regular Expressions, seen as a preliminary case study (4h, ability 1)
  • The operational semantics of a simple “while” language (4h, ability 1)
  • The denotational semantics of a simple “while” language (4h, ability 1)
    The kernel of process algebras:
  • Models for concurrency (6h, ability 2)
  • Main operators of process calculi (4h, ability 2)
  • Equivalences between processes (6h, ability 3)
  • Case study: ABP protocol (4h, ability 1,2,3,4)
  • CCS (4h, ability 1,2,3,4)
    Formal reasoning:
  • Axiomatisations (3h, ability 3)
  • Modal logic (3h, ability 2)
    Extensions to quantitative aspects:
  • Probabilistic process algebras (2h, abiilty 5)
  • Timing aspects (2h, ability 5)
  • Hybrid models (2h, ability 5)

Sì In order to fruitfully attend the course of Process Algebras the student is required to have familiarity with the basic notions in the realm of formal languages. This requisite is surely respected by students with a 3-years degree in Mathematics or Computer Science

The course is organised in frontal lessons (48 h).
Frontal lessons are dedicated to illustrating the essence and principles of process algebras mentioned in the “Contents” section. In detail, frontal lessons are dedicated to describing the typical usage of process algebras, by illustrating what can be properly specified by using this formalism. Then, properties of these specifications will be discussed as well as the connections between the syntax of specifications and their meaning. The notion of equivalence and the way in which it can support verification will be also illustrated. Students will be required to interact with the teacher, to comment some definitions/results and to challenge the teacher with questions.

Modalità d'esame

The scope of the exam is to certify that students have all knowledge and ability explained above, by evaluating the knowledge skill and, mainly, the ability to understand and evaluate the novelty in the area proposed in scientific papers.
The exam consists in an oral discussion in a classroom. This is, normally, a 30 mins discussion requiring, normally, to exposing the content of a scientific paper and to answer to questions on all arguments mentioned on the "Contents" sections. The evaluation focuses on the ability to understand the results (15/30) and the ability to understand how these results compare with respect to the literature (10/30) and can be applied in practice (5/30). The laude is assigned when the student is able to give some hints about original future work.
The knowledge of the technical terminology is implicitly checked since the questions and specifications of problems use such a terminology.

Codice insegnamento 28394

Scientific Pyton 1° anno · 2° semestre · 6 CFU · PHYS-06/A · 0 file

The course aims to provide the students with in-depth skills for the analysis of physical data using the Python programming language. In the first part of the course, the students will learn to use the Python programming…

Scheda dell'insegnamento

Obiettivi formativi

The course aims to provide the students with in-depth skills for the analysis of physical data using the Python programming language. In the first part of the course, the students will learn to use the Python programming language for general programming purposes, to use some of the most ubiquitous Python libraries to efficiently treat multidimensional numerical data, perform basic scientific data processing, visualize data, treat tabular data. In the second part of the course, the students will learn how to apply advanced techniques of data analysis both by developing example codes in pure Python and by using well-established libraries to efficiently run data analysis. After the course, the students will be able to: - Know the basics of the Python programming language -Apply this knowledge to write scripts for a variety of data analysis tasks - Install and manage a Python distribution on a computer, including installation of Python libraries - Perform data manipulation operations, including import/export from data files, obtain data from online sources, preprocess data - Create graphical visualizations of data - Use Jupyter notebooks for interactive and descriptive data analysis - Use Python libraries for efficient and advanced data treatment and analysis - Implement procedures for reproducible analysis, including file versioning, unit testing and using Python virtual environments The advanced topics covered in the second part of the course will be partly selected based on the interests of the students. Depending on which topics will be covered, the students will be able to: - Control instrumentation to automatize data acquisition - Realize web-based graphical user interfaces (GUIs) - Realize advanced and interactive data visualizations - Use machine learning/artificial intelligence for data analysis - Perform digital signal processing

Programma

Throughout the course, the following topics will be covered: - Python introduction, programming language properties, declaring variables, control flow, basic data types (int, float, complex, bool, string) and data types conversions, operators, some built-in functions - Structured data types (lists, tuples, dictionaries, sets) and their methods, deep copy, defining functions (including lambda), a basic introduction on modules and introspection - Files and directories handling - The Numpy module: ndarrays, random numbers, input/output - The matplotlib module for data plotting - The scipy module: integration, optimization, fast Fourier transform, linear algebra - The pandas module: tabular data management - Use of Jupyter notebooks - Management of a Python virtual environment for reproducible results Additional topics could be covered depending on the needs and interests of the students.

This is an advanced course in data analysis and previous experience with programming and data analysis is required. In particular, the following prerequisites are assumed: - Knowledge and use of a programming language at an intermediate level for general programming - Ability to perform basic data analysis and visualization in any programming language - Basic usage of a command line interface If any of the prerequisite is missing, contact the teacher in advance to discuss a workaround.

The course will privilege a hands-on experience, paired with different learning techniques: - Use of Jupyter notebooks, either locally or online, to take notes and test new concepts - Individual in-classroom exercises followed by group discussion - Group in-classroom exercises followed by group discussion - Homeworks ranging from simple, quick exercises aimed at consolidating the concepts presented during lectures, to small projects aimed at developing programming and data analysis ability

Modalità d'esame

The exam mark will be based on the successful completion of homeworks assigned during the course (providing 5 points on the final mark), and on the completion of a data analysis project presented and discussed during an oral exam (providing a maximum of 28 points on the final mark). Specifically: - Quick, mandatory homeworks will be assigned during the semester. Successful completion of at least 5 of them is mandatory to access the exam - At the end of the course, the students will choose a data analysis project to develop individually or in small groups. They will prepare a short report and a presentation (10 min max per group member, based on slides, a Jupyter notebook or other means) which will be discussed with the teacher. The mark will be evaluated considering the following parameters on the final project: code quality, analysis depth, use of git and reproducible analysis techniques, quality of the presentation, originality of the analysis. A detailed evaluation table can be found on the elearning page of the course.

Codice insegnamento 28241

Tirocinio 1° anno · 3 CFU · 0 file
Topics In Advanced Algebra B 1° anno · 2° semestre · 9 CFU · MATH-02/A · 0 file

OBIETTIVI FORMATIVI Conoscenza dei principali risultati della teoria delle rappresentazioni dei gruppi finiti. RISULTATI DI APPRENDIMENTO ATTESI Al termine dell’insegnamento, lo studente sarà in grado di: calcolare la…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI

Conoscenza dei principali risultati della teoria delle rappresentazioni dei gruppi finiti.

RISULTATI DI APPRENDIMENTO ATTESI

Al termine dell’insegnamento, lo studente sarà in grado di:

  • calcolare la tabella dei caratteri di un gruppo dato
  • completare la tabella dei caratteri di un gruppo a partire da informazioni parziali
  • ottenere informazioni su un gruppo a a partire dalla sua tabella dei caratteri

Programma


Introduzione alla nozione di rappresentazione di un gruppo e concetti equivalenti: algebre gruppali e moduli.
Decomposizione di moduli in somma di moduli irriducibili: teorema di Maschke.
Carattere di una rappresentazione: prodotto interno di caratteri e relazioni di ortogonalità. Tabelle dei caratteri.
Caratteri indotti: reciprocità di Frobenius.
Applicazioni ai gruppi finiti della teoria dei caratteri: teorema di Burnside.


Conoscenza delle strutture base dell'algebra e relative proprietà: gruppi, anelli, polinomi, campi. Conoscenza dei principali risultati dell'algebra lineare e del calcolo matriciale.


Lezioni frontali. La frequenza non è obbligatoria, tuttavia la presenza in aula è estremamente utile, dato che la partecipazione attiva alle lezioni facilita il processo di apprendimento.

Le lezioni si svolgono alla lavagna. La presentazione degli argomenti è sempre accompagnata da esercizi finalizzati alla comprensione e all’applicazione delle nozioni e dei risultati presentati. La soluzione degli esercizi è presentata talvolta immediatamente e talvolta in una lezione successiva in modo che gli studenti possano provare a risolvere l’esercizio in autonomia. Durante il corso (soprattutto verso il termine) verranno proposte anche sedute di esercizi di ricapitolazione, per abituare gli studenti a scegliere il metodo e il percorso risolutivo più adatto e mettere in collegamento risultati presentati in momenti differenti del corso.

Spesso gli esercizi proposti sono tratti da temi d’esame passati: tutti i temi d’esame passati, nonché una selezione di altri esercizi sono disponibili con le relative soluzioni sul sito del corso.

Modalità d'esame


Prova scritta individuale e prova orale.

La prova scritta è della durata di due ore e mezza ed è composta da due o tre esercizi divisi in sottoquesiti.

La prova orale si svolge immediatamente dopo lo scritto che consiste in un colloquio e comincia solitamente con la discussione dello scritto. Allo studente è poi richiesto di presentare alcuni dei risultati visti a lezione. Verrà valutata in particolare la capacità di presentare una dimostrazione in maniera completa e rigorosa e di applicare questi risultati a casi concreti.

Il superamento dell'esame e il voto finale (espresso in trentesimi) dipendono dall'esito del colloquio orale, oltre che dal voto dello scritto.

Codice insegnamento 28381

Topics In Advanced Analysis B 1° anno · 2° semestre · 9 CFU · MATH-03/A · 0 file

Conoscenza e comprensione: Lo studente acquisirà una conoscenza operativa dei metodi dell’analisi avanzata, approfondendo quanto già appreso nei corsi precedenti. Conoscerà i principali enunciati teorici e le relative…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenza e comprensione: Lo studente acquisirà una conoscenza operativa dei metodi dell’analisi avanzata, approfondendo quanto già appreso nei corsi precedenti. Conoscerà i principali enunciati teorici e le relative dimostrazioni, sviluppando una comprensione solida e rigorosa dei fondamenti dell’analisi moderna. Capacità di applicare conoscenza e comprensione: Lo studente sarà in grado di applicare le conoscenze acquisite alla risoluzione di esercizi, anche di natura teorica e astratta, relativi agli argomenti trattati nel corso. Saprà inoltre utilizzare tali competenze nell’analisi di problemi avanzati in ambito matematico. Autonomia di giudizio: Il corso fornirà allo studente un repertorio di tecniche dimostrative che gli permetteranno di valutare autonomamente la validità di ragionamenti matematici, anche complessi, e di costruire dimostrazioni rigorose di risultati collegati a quelli visti a lezione. Abilità comunicative: Lo studente sarà in grado di esprimersi con precisione e proprietà di linguaggio nell’ambito della matematica, utilizzando un linguaggio formale e rigoroso, adatto alla comunicazione di idee matematiche complesse. Capacità di apprendimento: L’approccio teorico e strutturato del corso contribuirà a sviluppare nello studente capacità di studio autonomo e di approfondimento, ponendo le basi per l’apprendimento di ulteriori concetti dell’analisi e della matematica in generale a livelli avanzato.

Programma

Il corso è suddiviso in due parti: una prima parte dedicata ad argomenti fondamentali di analisi reale e funzionale e una seconda parte incentrata su temi più avanzati.
Parte 1: Introduzione all'Analisi Funzionale
Spazi normati e spazi di Banach. Esempi. Spazi a dimensione finita. Spazi . Teorema di Riesz–Fischer. Teorema di Hahn–Banach e sue conseguenze. Riflessività. Teorema di categoria di Baire, Principio di Limitatezza Uniforme, Teorema dell'Applicazione Aperta e Teorema del Grafico Chiuso, con applicazioni. Topologie deboli e convergenza debole e debole-*. Teoremi di compattezza per successioni nelle topologie deboli. Teorema di Banach–Alaoglu.
Spazi di Hilbert. Ortogonalità e basi ortonormali. Teorema di rappresentazione di Riesz e duale degli spazi di Hilbert.
Polinomi trigonometrici e teoria delle serie di Fourier: disuguaglianza di Bessel, identità di Parseval e identità di Plancherel.
Basi ortonormali in . Convoluzione in , disuguaglianza integrale di Minkowski e disuguaglianza di Young. Nuclei regolarizzanti.
Parte 2: A seconda della composizione della classe e del tempo disponibile, verranno selezionati argomenti dal seguente elenco:
Forma geometrica del Teorema di Hahn–Banach. Chiusure forti e deboli degli insiemi convessi. Lemma di Mazur. Punti estremi e Teorema di Krein–Milman.
Riflessività: Teoremi di Kakutani ed Eberlein–Šmulian. Spazi uniformemente convessi. Teorema di Milman–Pettis. Convessità uniforme degli spazi .
Spazi vettoriali topologici e spazi seminormati. Metrizzabilità. Topologia degli spazi di funzioni differenziabili e introduzione alle distribuzioni.
Teoria degli operatori negli spazi di Hilbert: operatori lineari e loro aggiunti. Operatori di proiezione, isometrici e unitari. Operatori a rango finito e operatori compatti. Operatori di Hilbert–Schmidt. Operatori chiusi e chiudibili. Operatori simmetrici, autoaggiunti e normali. Estensioni autoaggiunte di operatori simmetrici.
Nozioni fondamentali di teoria spettrale. Teoria spettrale degli operatori compatti. Teorema spettrale per operatori autoaggiunti e normali.
Introduzione alla teoria dei semigruppi di operatori: semigruppi e loro generatori. Teorema di Hille–Yosida. Applicazioni alle equazioni differenziali.
Ulteriori argomenti di teoria della misura: misure di Borel positive. Teorema di rappresentazione di Riesz. Proprietà di continuità delle funzioni misurabili. Misure segnate e complesse: variazione totale, teoremi di decomposizione di Hahn e di Lebesgue. Teorema di Radon–Nikodym. Caratterizzazione del duale degli spazi . Differenziazione delle misure. Teorema di differenziazione di Lebesgue.
Introduzione all'interpolazione: Teoremi di interpolazione di Riesz–Thorin e di Marcinkiewicz.
Spazi : proprietà di densità e separabilità. Compattezza in : Teorema di Kolmogorov–Riesz.
Ulteriori argomenti sulle serie di Fourier: nuclei di Dirichlet e di Fejér. Teorema di Hausdorff–Young. Convergenza uniforme e assoluta: Teoremi di Lebesgue e di Bernstein.
Trasformata di Fourier in : teoria e teorema di inversione; teoria : identità di Plancherel e teorema di inversione. Disuguaglianza di Hausdorff–Young.
Algebre di Banach e loro spettri.


Il contenuto dei corsi di analisi matematica, algebra lineare e geometria e topologia generale, tipicamente offerti in un corso di laurea triennale in matematica.

Lezioni frontali: 72 ore Nelle lezioni frontali vengono sviluppate le nozioni teoriche. Esercizi di natura teorica assegnati per compito e corretti a lezione daranno agli studenti la possibilità di applicare le tecniche dimostrative generali descritte a lezione in situazioni particolari.

Modalità d'esame

  • Esercizi a casa che verificano l'acquisizione di una conoscenza operativa delle materia e la capacità di esprimersi in linguaggio matematico rigoroso e di applicare le tecniche illustrate a lezione per produrre autonomamente dimostrazioni simili a quelli visti a lezione; - Esame orale finale orale dedicato alla discussione degli esercizi svolti e alla dimostrazione di alcuni teoremi visti a lezione. In questa parte si verifica la conoscenza approfondita degli argomenti svolti a lezione, la capacità di esprimersi in linguaggio matematico rigoroso e di riconoscere la validità di ragionamenti matematici anche sofisticati. Ciascuna parte verrà valutata con un voto in trentesimi, e il voto finale, se maggiore o uguale a 18/30, sarà la media aritmetica dei voti delle 2 parti.

Codice insegnamento 28383

Topics In Advanced Geometry B 1° anno · 2° semestre · 9 CFU · MATH-02/B · 0 file

Il corso è rivolto a studenti della Laurea Magistrale in Matematica; può essere mutuato dagli studenti della Laurea Triennale in Matematica come "Fundamentals of Advanced Geometry". Il corso fornisce un'introduzione alla…

Scheda dell'insegnamento

Obiettivi formativi

Il corso è rivolto a studenti della Laurea Magistrale in Matematica; può essere mutuato dagli studenti della Laurea Triennale in Matematica come "Fundamentals of Advanced Geometry".

Il corso fornisce un'introduzione alla topologia algebrica, un'area della matematica che si propone di studiare algebricamente le proprietà degli spazi topologici.
Una delle principali motivazioni è fornita dal teorema di classificazione delle superfici compatte.

Per i suoi contenuti, per le idee che ne stanno alla base, e per la potenza dei risultati ottenuti, la topologia algebrica è una delle aree fondamentali della matematica moderna.

Al termine del corso gli studenti saranno in grado di:

1) comprendere il teorema di classificazione delle superfici compatte;
2) comprendere tre versioni dell’omologia: simpliciale, singolare e cellulare;

3) applicare le tecniche di calcolo dell’omologia allo studio delle proprietà omotopiche delle superfici compatte e dei CW-complessi;

4) comprendere i principi fondamentali dell'omologia persistente.

Programma

I contenuti del corso possono essere riassunti come segue:

1) Classificazione delle superfici compatte

2) Complessi cellulari

3) Omologia singolare, simpliciale e cellulare

4) Applicazioni classiche

5) Omologia persistente con applicazioni all’analisi dei dati

Prerequisiti naturali sono i corsi di Algebra Lineare e Geometria, di Geometria I e II e di Algebra I e II.

Le modalità didattiche prevedono lezioni in presenza, che possono, all’occorrenza, essere registrate.

Il metodo di insegnamento prevede:

1) lezioni frontali, di carattere teorico, nelle quali presenterò agli studenti le nozioni chiave del corso.

2) L'assegnazione di esercizi, il cui obiettivo è applicare il contenuto teorico visto a lezione.

3) Esercitazioni, di carattere pratico, durante le quali verranno presentate e discusse le soluzioni agli esercizi assegnati; l'idea è che gli studenti giochino un ruolo chiave durante le lezioni pratiche.

Modalità d'esame

La verifica dell'apprendimento si articola su tre livelli:

1) L’assegnazione di esercizi, scelti tra quelli contenuti nei fogli di esercizi e non risolti durante le sessioni pratiche. Gli esercizi vanno svolti a casa e la loro soluzione verrà esposta durante un colloquio orale. L’obiettivo è verificare che gli studenti siano in grado di applicare i risultati teorici astratti per in situazioni concrete.

2) L’assegnazione di un argomento, concordato tra discente e docente, da esporre durante un colloquio orale. Lo scopo di questa parte dell’esame è verificare la capacità di elaborazione in autonomia di concetti simili a quelli trattati a lezione.

3) Un esame orale tradizionale nel quale è richiesto di spiegare le nozioni di base del corso e di illustrare le dimostrazioni dei principali teoremi.
È possibile svolgere i colloqui orali anche separatamente.

Il voto finale dell'esame, in trentesimi, è un giudizio complessivo su ciascuna delle parti del colloquio orale.

Codice insegnamento 28382

Topics In Advanced Numerical Analysis 1° anno · 2° semestre · 9 CFU · MATH-05/A · 0 file

L’Analisi Numerica sviluppa ed analizza i strumenti per calcolare soluzioni approssimate di problemi matematici, controllando il tempo computazionale e l’errore commesso; per questo è uno dei pilastri del Calcolo…

Scheda dell'insegnamento

Obiettivi formativi

L’Analisi Numerica sviluppa ed analizza i strumenti per calcolare soluzioni approssimate di problemi matematici, controllando il tempo computazionale e l’errore commesso; per questo è uno dei pilastri del Calcolo Scientifico ed è quindi una delle discipline indispensabili alla preparazione di base di un matematico moderno. Lo scopo di questo corso è di completare la preparazione in questo campo iniziata coi corsi “Matematica Computazionale” e “Analisi Numerica”. Al termine del corso lo studente conoscerà e saprà applicare gli algoritmi principali del calcolo numerico classico per risolvere problemi nell'ambito (1) dell'interpolazione di funzioni e dati, (2) dell’approssimazione di funzioni e dati, (3) del calcolo di integrali definiti e (4) della soluzioni di equazioni differenziali ordinarie.

Programma

1. Interpolazione di funzioni e dati: forme di Lagrange e di Newton, stime d’errore di interpolazione, interpolazione di Hermite, interpolazione polinomiale a tratti. Approssimazione della derivata di una funzione. 2. Approssimazione di funzioni e dati: il problema di approssimazione lineare, approssimazione minimax e ai minimi quadrati, polinomi ortogonali. 3. Integrazione numerica: formule di Newton-Cotes, quadratura automatica, formule gaussiane. 4. Integrazione di equazioni differenziali ordinarie. Metodi di Taylor, Runge-Kutta e Multistep Lineari per problemi ai valori iniziali, controllo automatico del passo di integrazione. Equazioni stiff. Equazioni dipendenti da parametri ed equazioni di sensitività.

Il corso è rivolto agli studenti di Matematica, ma anche a studenti di altri corsi di laurea con interessi nel calcolo scientifico. Le nozioni base di analisi e geometria utili sono: sviluppi di Taylor, combinazione lineare e base in uno spazio vettoriale, norma di vettore e di funzione. È utile, ma non strettamente indispensabile, avere familiarità con la soluzione di sistemi lineari algebrici e il concetto di numero di condizionamento (corso di Analisi Numerica).

Le lezioni (2/3 delle ore) sono frontali, prevalentemente con spiegazioni alla lavagna. Esercizi di supporto allo studio individuale saranno regolarmente assegnati e discussi in aula su richiesta. Un terzo delle ore è dedicato ad esercitazioni in laboratorio informatico volte ad insegnare come implementare (in MatLab), verificare ed utilizzare algoritmi di analisi numerica (verranno usati come esempio alcuni degli algoritmi spiegati durante le lezioni teoriche).

Modalità d'esame

La valutazione è composta di due parti: per 1/3 verrà valutato lo svolgimento di un progetto computazionale concordato col docente e per 2/3 dalla valutazione conseguita nell’esame orale. Il progetto computazionale viene concordato col docente e consegnato assieme al codice sorgente sviluppato. Il progetto dovrà essere l’applicazione di tecniche studiate durante il corso ad un caso concreto. Sarà oggetto di valutazione la rispondenza del software prodotto rispetto al problema scelto, la qualità dello stesso, la presentazione e la discussione critica dei risultati ottenuti. Nell’esame orale verrà valutata la conoscenza degli argomenti svolti durante il corso, il rigore matematico dell’esposizione, l’uso corretto del lessico specialistico, la capacità di ragionamento critico e di collegamento fra i diversi argomenti studiati.

Codice insegnamento 28227

Topics In Advanced Probability 1° anno · 2° semestre · 9 CFU · MATH-04/A · 0 file

Il corso intende fornire un’introduzione alla teoria dei processi stocastici, in particolare alle catene e ai processi di Markov, al Moto Browniano e alle sue connesioni con l'equazione del calore.

Scheda dell'insegnamento

Obiettivi formativi

Il corso intende fornire un’introduzione alla teoria dei processi stocastici, in particolare alle catene e ai processi di Markov, al Moto Browniano e alle sue connesioni con l'equazione del calore.

Programma

Argomenti di teoria astratta della misura. Variabili casuali indipendenti e identicamente distribuite. Il teorema del limite centrale. Catene di Markov e passeggiate aleatorie. Moto browniano e misura di Wiener. Processi di Markov. Semigruppi di Markov e loro generatori. Processi di diffusione. La soluzione probabilistica del problema di Dirichlet per l'equazione di Laplace.

Fondamenti della teoria della probabilità e della teoria della misura

Lezioni frontali. Nelle lezioni frontali vengono sviluppate le nozioni teoriche e descritte le tecniche necessarie per l’applicazione della teoria alla risoluzione di problemi di natura fisico-matematica

Modalità d'esame

Prova orale che consiste nella verifica della capacità di esprimersi in linguaggio matematico corretto e di dimostrare alcuni dei teoremi incontrati durante il corso.

Codice insegnamento 28225

Topics In Category Theory 1° anno · 1° semestre · 6 CFU · MATH-01/A · 0 file

Il corso si propone di fornire un’ampia introduzione alla teoria delle categorie, settore di grande rilevanza per molti settori della matematica odierna, e di presentare le basi della teoria dei topoi e della logica…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di fornire un’ampia introduzione alla teoria delle categorie, settore di grande rilevanza per molti settori della matematica odierna, e di presentare le basi della teoria dei topoi e della logica categoriale. Al termine del corso ci si attende che lo studente abbia acquisito una notevole familiarità con le tecniche categoriali e le loro applicazioni in una grande varietà di situazioni matematiche.

Programma

Il corso inizierà con il presentare le nozioni e i risultati fondamentali della teoria delle categorie, e proseguirà con l’esporre i fondamenti della teoria dei topoi e della logica categoriale. Più precisamente, i temi che verranno affrontati sono i seguenti: - Categorie, funtori e trasformazioni naturali - Rappresentabilità - Proprietà universali, limiti e colimiti - Aggiunzioni e loro proprietà - Categorie di fasci su un sito e loro proprietà - Introduzione alla logica del prim'ordine e alla sua interpretazione nelle categorie

Non è richiesta alcuna conoscenza precedente della teoria delle categorie e degli argomenti correlati. La familiarità con i contenuti dei primi due anni di una laurea in matematica è auspicabile, ma non strettamente necessaria.

Lezioni frontali.

Modalità d'esame

Lo studente potrà scegliere tra due modalità d'esame alternative: - Soluzioni (preparate a casa) agli esercizi assegnati dal docente e seminario su un argomento che estende i contenuti del corso (scelto in accordo con la docente). La valutazione del seminario costituirà i due terzi del voto finale, mentre il restante terzo sarà determinato dalle soluzioni agli esercizi. - Sostenere due esami scritti parziali, uno somministrato a metà del corso e l'altro subito dopo la sua conclusione.

Codice insegnamento 28230

Ulteriori Attivita' Formative - Abilita' Informatiche E Telematiche 1° anno · 2° semestre · 3 CFU · 0 file

The course aims to provide the students with in-depth skills for the analysis of physical data using the Python programming language. In the first part of the course, the students will learn to use the Python programming…

Scheda dell'insegnamento

Obiettivi formativi

The course aims to provide the students with in-depth skills for the analysis of physical data using the Python programming language. In the first part of the course, the students will learn to use the Python programming language for general programming purposes, to use some of the most ubiquitous Python libraries to efficiently treat multidimensional numerical data, perform basic scientific data processing, visualize data, treat tabular data. In the second part of the course, the students will learn how to apply advanced techniques of data analysis both by developing example codes in pure Python and by using well-established libraries to efficiently run data analysis. After the course, the students will be able to: - Know the basics of the Python programming language -Apply this knowledge to write scripts for a variety of data analysis tasks - Install and manage a Python distribution on a computer, including installation of Python libraries - Perform data manipulation operations, including import/export from data files, obtain data from online sources, preprocess data - Create graphical visualizations of data - Use Jupyter notebooks for interactive and descriptive data analysis - Use Python libraries for efficient and advanced data treatment and analysis - Implement procedures for reproducible analysis, including file versioning, unit testing and using Python virtual environments The advanced topics covered in the second part of the course will be partly selected based on the interests of the students. Depending on which topics will be covered, the students will be able to: - Control instrumentation to automatize data acquisition - Realize web-based graphical user interfaces (GUIs) - Realize advanced and interactive data visualizations - Use machine learning/artificial intelligence for data analysis - Perform digital signal processing

Programma

Throughout the course, the following topics will be covered: - Python introduction, programming language properties, declaring variables, control flow, basic data types (int, float, complex, bool, string) and data types conversions, operators, some built-in functions - Structured data types (lists, tuples, dictionaries, sets) and their methods, deep copy, defining functions (including lambda), a basic introduction on modules and introspection - Files and directories handling - The Numpy module: ndarrays, random numbers, input/output - The matplotlib module for data plotting - The scipy module: integration, optimization, fast Fourier transform, linear algebra - The pandas module: tabular data management - Use of Jupyter notebooks - Management of a Python virtual environment for reproducible results Additional topics could be covered depending on the needs and interests of the students.

This is an advanced course in data analysis and previous experience with programming and data analysis is required. In particular, the following prerequisites are assumed: - Knowledge and use of a programming language at an intermediate level for general programming - Ability to perform basic data analysis and visualization in any programming language - Basic usage of a command line interface If any of the prerequisite is missing, contact the teacher in advance to discuss a workaround.

The course will privilege a hands-on experience, paired with different learning techniques: - Use of Jupyter notebooks, either locally or online, to take notes and test new concepts - Individual in-classroom exercises followed by group discussion - Group in-classroom exercises followed by group discussion - Homeworks ranging from simple, quick exercises aimed at consolidating the concepts presented during lectures, to small projects aimed at developing programming and data analysis ability

Modalità d'esame

The exam mark will be based on the successful completion of homeworks assigned during the course (providing 5 points on the final mark), and on the completion of a data analysis project presented and discussed during an oral exam (providing a maximum of 28 points on the final mark). Specifically: - Quick, mandatory homeworks will be assigned during the semester. Successful completion of at least 5 of them is mandatory to access the exam - At the end of the course, the students will choose a data analysis project to develop individually or in small groups. They will prepare a short report and a presentation (10 min max per group member, based on slides, a Jupyter notebook or other means) which will be discussed with the teacher. The mark will be evaluated considering the following parameters on the final project: code quality, analysis depth, use of git and reproducible analysis techniques, quality of the presentation, originality of the analysis. A detailed evaluation table can be found on the elearning page of the course.

Codice insegnamento 25670

Ulteriori Attivita' Formative - Conoscenze Linguistiche (Inglese) 1° anno · 1° semestre · 3 CFU · 0 file

“English for Scientist” è un corso pensato e sviluppato ad hoc per soddisfare le specifiche esigenze degli studenti e dei dottorandi delle Facoltà Scientifiche. Il percorso formativo è stato appositamente sviluppato…

Scheda dell'insegnamento

Obiettivi formativi

“English for Scientist” è un corso pensato e sviluppato ad hoc per soddisfare le specifiche esigenze degli studenti e dei dottorandi delle Facoltà Scientifiche. Il percorso formativo è stato appositamente sviluppato per trasmettere agli studenti competenze a abilità che consentano loro di comprendere e utilizzare al meglio il linguaggio specialistico usato nelle interazioni di tipo professionale e accademico in ambito scientifico. Particolare attenzione è rivolta ad argomenti legati ai corsi di studi delle facoltà di DiSAT e alle attività comunicative che gli studenti potrebbero essere chiamati a svolgere nell’ambito dei dipartimenti scientifici e nel corso della loro carriera professionale. Il programma è incentrato sulla trattazione degli aspetti linguistici tipici dei paper che accompagnano gli studi di ricerca e sulle strutture grammaticali, sintattiche e fraseologiche dell’inglese scientifico. Oltre a sviluppare una competenza linguistica di livello avanzato (C1 del Quadro di Riferimento Europeo), il corso mira a sensibilizzare gli studenti su aree rilevanti della grammatica e della sintassi dell'inglese specialistico che caratterizza la comunicazione in ambito scientifico (ad esempio, l'uso appropriato di articoli, tempi verbali, forme nominalizzate e lessicali, strutture sintattiche) al fine di aiutarli a: - sviluppare/ampliare la loro conoscenza della sintassi, della fraseologia e del lessico specialistico relativi al loro corso di studi - scrivere in un inglese chiaro e corretto, e soprattutto in uno stile specialistico appropriato (Inglese Scientifico) - ricevere e trasmettere informazioni in modo accurato ed efficiente (chiara trasmissione del significato) - sviluppare una certa sensibilità per l’accuratezza nell’uso della lingua in ambiti specialistici - comprendere testi in forma parlata/scritta utilizzati in contesti accademici o professionali - incrementare la capacità di lettura, scrittura e approfondimento autonomo delle competenze linguistiche attraverso attività pratico-applicative (redazione di una relazione/review, presentazioni). Al termine del corso, gli studenti che avranno seguito con cura il percorso formativo proposto saranno in grado di elaborare testi qualitativamente più validi e stilisticamente appropriati, nonché di ridurre il margine di errore nella comprensione di testi specialistici scritti nel tipico linguaggio della scienza e utilizzati da ricercatori, professori e divulgatori. Nello specifico, saranno in grado di: Produzione Scritta: redigere relazioni, articoli, saggi che includano un'introduzione, un abstract e le varie sessioni di un paper (per es: risultati e discussione, grafici); organizzare paragrafi e testi in modo logico, usare un vocabolario, un registro e uno stile appropriati; formulare le proprie idee in uno stile appropriato; illustrare procedure, dimostrazioni, ipotesi. Comprensione scritta: comprendere saggi accademici e scientifici; distinguere tra fatti e opinioni negli articoli scientifici; identificare le parole del vocabolario di base in articoli e presentazioni scientifiche; analizzare la documentazione scientifica per ottenere informazioni linguistiche specifiche. Comprensione orale: seguire una lezione, una discussione, una presentazione o una dimostrazione in inglese; comprendere il linguaggio scientifico usato nelle interazioni orali di tipo professionale; comprendere il linguaggio parlato usato per descrivere procedure, dimostrazioni, ipotesi in contesti formativi e professionali Produzione orale: esprimere le proprie opinioni in modo appropriato e chiaro e sostenere un’argomentazione in contesti scientifici; utilizzare un linguaggio specialistico appropriato per riferire su procedure eseguite; esporre una presentazione. Livello target: C1 - Utente esperto

Programma

COMPETENZE E CAPACITA’ LINGUISTICHE Il corso è incentrato sull’acquisizione del linguaggio specialistico usato nella comunicazione scientifica e sulla sua applicazione. È previsto un ripasso delle regole generali della grammatica (B2), laddove necessario per distinguere l'uso standard della lingua dall'uso specialistico. Per le attività di lettura, ascolto e comunicazione sono stati selezionati materiali a carattere specialistico. Alcuni degli argomenti trattati saranno correlati ai campi di competenza degli studenti. Le attività di apprendimento e applicazione pratica sono state pensate per sviluppare le competenze e capacità degli studenti nelle seguenti aree: IL LINGUAGGIO SPECIALISTICO DELLA SCIENZA: come scrivere, comunicare e parlare di scienza • Scrivere in uno stile appropriato – La redazione di relazioni scientifiche La struttura dei paper scientifici: sezioni e metodo scientifico • Come scrivere l'introduzione di un research paper_ articoli e review • Le citazioni negli articoli scientifici • Scrivere un abstract • Abstract in matematica Come scrivere il titolo di un articolo scientifico • Il linguaggio per riportare dati, procedure/dimostrazioni • Il linguaggio delle definizioni • Il linguaggio di tesi e ipotesi • Ipotesi, congetture, supposizioni, previsioni, dati a sostegno di un’ipotesi/tesi • Formulare previsioni, descrivere la probabilità • l'uso dei verbi modali e delle forme hedging nell'ipotesi • considerazioni sull'uso dei tempi verbali per distinguere tra dati consolidati e dati ipotetici Fare previsioni su risultati sperimentali Descrivere la probabilità: Likelihood and probability • Valutare i risultati di un esperimento, evidenziare i progressi compiuti • Descrivere problemi e limiti di un esperimento, tesi o dimostrazione • Descrivere diagrammi e grafici • Formule per esprimere rapporti causa--effetto • Organizzare la sezione ‘risultati’ e ‘discussione’ • Descrivere risultati • Confrontare i risultati di ricerche/studi sperimentali, confrontare dati • Come illustrare i limiti di uno studio in un paper scientifico? Il linguaggio delle definizioni • Esemplificare • Organizzare il testo di paper scientifici • Organizzare testi e paragrafi in modo logico • Leggere la matematica. Fraseologie del linguaggio matematico. • Illustrare un esperimento: descrivere apparecchiature, meccanismi, procedure, metodi, ragionamenti, fenomeni naturali Il “metodo scientifico” - Aspetti linguistici - Hedging: Reporting verb e hedging thesis statement CAPACITA’ NELL'USO DELLA LINGUA I dizionari: fonti lessicografiche e terminologiche e come usarle GRAMMATICA Grammatica e sintassi specializzate del linguaggio della scienza (strutture, fraseologie, tempi e modi verbali, articoli, forme nominalizzate, cooccorrenze) • L'evoluzione delle lingue speciali, le varietà del codice linguistico e le aspettative linguistiche dei parlanti • Uso specializzato della grammatica – i tempi verbali nel linguaggio della scienza: variabili da considerare SOSTANTIVI - AGGETTIVI - AVVERBI - Gli articoli nel linguaggio della scienza. - Noun phrases e prepositional phrases - Comparazione di quantità, qualità, dati, risultati VERBI - I tempi verbali nella scrittura scientifica, tempi verbali utilizzati nelle sezioni dei paper - Reporting verb e grado di "approvazione"/critica - Modali per esprimere previsioni e grado di certezza, altre funzioni - Ipotetiche (reali / irreali) - Il passivo nella scrittura scientifica • Passivi, bias e ambiguità STRUTTURE Scrivere in uno stile appropriato: Ristrutturazione e semplificazione - Evitare la verbosità Organizzazione dei paragrafi: topic sentence e supporting sentences Coerenza e coesione Nominalizzazione • La nominalizzazione nella scrittura scientifica • Nominalizzazione: quando e come usarla in modo appropriato

Livello di competenza linguistica richiesto per accedere al corso: B2 (upper intermediate) (Studenti con altri livelli saranno eventualmente ammessi dopo una valutazione del loro livello in entrata) Il corso è incentrato su un linguaggio specialistico e presuppone una buona conoscenza delle regole base della grammatica/sintassi dell’inglese standard. È rivolto a partecipanti con un livello di conoscenza della lingua superiore o intermedio che, in entrata, dovrebbero essere in grado di: - capire e utilizzare l'inglese parlato usato nella comunicazione quotidiana - comprendere discorsi e distinguere idee e argomenti principali nelle interazioni orali (compresi i dibattiti su argomenti di natura tecnica nel proprio campo di specializzazione) e testi complessi su argomenti sia concreti che astratti - comprendere il linguaggio scientifico di base usato in ambienti accademici - leggere articoli e relazioni in cui gli autori esprimono particolari posizioni o punti di vista - interagire con un grado di scioltezza e spontaneità che rende possibile un'interazione regolare senza costringere gli interlocutori a sforzi interpretativi - esprimere le proprie opinioni e sostenere una discussione - fornire brevemente ragioni e spiegazioni a sostegno delle proprie opinioni e dei propri progetti - produrre un testo in un inglese chiaro, conciso e grammaticale che consenta una chiara trasmissione del significato; produrre un testo chiaro e dettagliato su una serie di argomenti e spiegare il proprio punto di vista su un tema di attualità, elencando vantaggi e svantaggi delle varie opzioni

Le attività del corso saranno di volta in volta calibrate in base al livello di competenza linguistica dei corsisti in entrata. Le lezioni si basano su un approccio funzionale/nozionale che fin dalle prime battute tiene conto degli aspetti comunicativi senza perdere di vista i fattori grammaticali e situazionali del linguaggio speciale in esame. Lo sviluppo dell'accuratezza è incoraggiato attraverso una costante applicazione di modelli linguistici e grammaticali appropriati (specializzati) a esercizi di scrittura e ad attività di conversazione. Il costante feedback valutativo è finalizzato a favorire la progressione delle capacità e competenze verso un uso più appropriato e coerente della lingua. Attraverso attività mirate gli studenti hanno la possibilità di esercitare le funzioni e capacità linguistiche che primariamente caratterizzano la comunicazione scientifica, ovvero di calibrare in base al linguaggio specialistico della scienza la propria capacità di: - esprimere significati nel modo più chiaro possibile - interagire attivamente con colleghi, anche di altri settori di competenza - applicare le competenze linguistiche acquisite (v. "Contenuti") attraverso esercizi guidati/mirati (produzione di brevi saggi, presentazioni, dibattiti). LABORATORIO LINGUISTICO Acquisizione di elementi linguistici: lezioni frontali sulle peculiarità del linguaggio specialistico utilizzato nella comunicazione scientifica. Analisi degli aspetti grammaticali, sintattici, fraseologici e testuali. Applicazione: le lezioni frontali sono seguite da esercizi mirati - scrittura, lettura, ascolto, attività di conversazione, presentazioni e incontri simulati – che richiedono l’applicazione delle regole acquisite. Lezioni interattive: le attività comunicative sono legate agli argomenti comunicativi e grammaticali trattati. Sessioni di esercitazione: esercitazioni in classe, progetti di gruppo, comprensione orale; comprensione scritta di articoli specialistici; interazione con i colleghi, spiegazione di concetti. Interazione: come chiedere chiarimenti o informazioni, rispondere alla richiesta di chiarimenti, dare suggerimenti, partecipare a seminari, discutere temi legati a questioni scientifiche. Attività e compiti individuali: scritti e parlati, finalizzati a sviluppare la padronanza della produzione autonoma di livello professionale in inglese scientifico. Correzione personalizzata degli errori commessi dagli studenti nelle loro esercitazioni scritte, evidenziando gli errori sulla base di una griglia di valori (gravità dell'errore) e indicando i punti critici su cui concentrare le attività di autoapprendimento. Studio di materiali di riferimento (libri di testo, manuali, articoli, dispense, ecc.), ricerca e lettura di informazioni necessarie per lo svolgimenti dei compiti. Una parte dello studio dovrà essere svolta in modo autonomo. La frequenza delle lezioni è caldamente consigliata. Il buon esito del corso dipende in larga misura dalla costante partecipazione attiva alle lezioni. Il corso è, in parte, un laboratorio linguistico che richiede una progressiva acquisizione e applicazione di elementi linguistici che non possono essere disgiunti l’uno dall’altro. La lingua è uno degli strumenti di lavoro della comunicazione. È come uno strumento musicale: per imparare a usarlo bene ci si deve esercitare in modo costante e progressivo.

Modalità d'esame

1.Valutazione continua delle prestazioni (partecipazione attiva alle attività svolte in classe). 2.Valutazione continua dei compiti scritti/orali (compiti a casa). 3.Test finale. Per avere accesso al test finale gli studenti devono: - possibilmente frequentare una percentuale consigliata delle lezioni programmate, - partecipare attivamente alle attività di classe, - produrre tutti i compiti richiesti (compiti a casa) impegnandosi a studiare e ad applicare correttamente le regole e gli elementi linguistici illustrati e discussi durante il corso. I compiti a casa devono essere consegnati obbligatoriamente entro il termine stabilito. La frequenza delle lezioni e la partecipazione attiva sono necessarie per garantire il buon esito del corso. Test finale (esame) - Presentazione orale (con diapositive .ppt) - Produzione di un breve saggio comprendente un'introduzione, un abstract, ecc. Gli studenti devono utilizzare un linguaggio appropriato (strutture e fraseologie specializzate), facendo riferimento ai contenuti del corso. - Test scritto sugli aspetti grammaticali e morfosintattici Il riconoscimento dei crediti è subordinato al completamento del corso e al raggiungimento degli obiettivi minimi di profitto. La valutazione finale è data dall’esito dell’esame. In caso di partecipazione attiva alle lezioni sarà integrata dai risultati ottenuti nelle esercitazioni svolte durante il corso (partecipazione attiva alle lezioni, compiti a casa).

Codice insegnamento 25669

Advanced Algebra A 2° anno · 6 CFU · MATH-02/A · 0 file

Fornire gli studenti le conoscenze di base della Teoria delle Algebre di Lie, e le capacità di risolvere alcuni semplici problemi sulle Algebre di Lie. L'obiettivo finale del corso è la classificazione delle algebre di…

Scheda dell'insegnamento

Obiettivi formativi

Fornire gli studenti le conoscenze di base della Teoria delle Algebre di Lie, e le capacità di risolvere alcuni semplici problemi sulle Algebre di Lie. L'obiettivo finale del corso è la classificazione delle algebre di Lie semisemplici complesse, bellissimo esempio non banale di classificazione di una famiglia di oggetti algebrici, fondamentale anche per altre branche dell'algebra. Dallo studente ci si aspetta la comprensione dei risultati ottenuti e delle loro dimostrazioni, all'interno della cornice più ampia della teoria delle algebre di Lie, e l'abilità a ottenere informazioni sulla struttura di piccole algebre di Lie.

Programma

Il corso è una introduzione elementare alla Teoria delle Algebre di Lie. Partendo dalla definizione si studiano le algebre di Lie a dimensione bassa e quelle risolubili. L'obbietivo finale del corso (compatibilmente con le ore a disposizione) è dimostrare la classificazione delle algebre di Lie semplici complesse tramite sistemi di radici. Programma dettagliato: - Definizione ed esempi di algebre di Lie - Algebre di Lie a dimensione bassa (?) - Algebre di Lie risolubili e nilpotenti - Teoremi di Engel e di Lie - Rappresentazioni di sl_2(C) - Criteri di Cartan - Sistemi di radici (?) - Classificazione delle algebre semplici

Algebra Lineare, Algebra 1 (rudimenti di teoria dei gruppi).

Lezioni frontali ed esercitazioni

Modalità d'esame

L'esame finale si divide in una breve parte scritta (soluzione di un semplice esercizio volto a verificare la capacità dello studente di applicare le nozioni teoriche e le tecniche apprese durante il corso a problemi "concreti", per quanto possa essere "concreto" un problema di algebra), che lo studente dovrebbe essere in grado di risolvere in 20 minuti, immediatamente seguito dall'esame orale.

Codice insegnamento 28231

Advanced Analysis A 2° anno · 6 CFU · MATH-03/A · 0 file

Conoscenza dei principali risultati del fenomeno della concentrazione di misura con le sue principali applicazioni alla riduzione dimensionale, alla geometria dei corpi convessi e alla teoria del "compressed sensing"

Scheda dell'insegnamento

Obiettivi formativi

Conoscenza dei principali risultati del fenomeno della concentrazione di misura con le sue principali applicazioni alla riduzione dimensionale, alla geometria dei corpi convessi e alla teoria del "compressed sensing"

Programma

Principali disuguaglianze probabilistiche, problemi isoperimetrici, concentrazione di misura, riduzione dimensionale e teoria dei corpi convessi

Analisi 1,2,3 Algebra lineare, Probabilità

Lezioni frontali

Modalità d'esame

La verifica dell'apprendimento verrà effettuata con una prova orale riguardante gli argomenti trattati nel corso

Codice insegnamento 28233

Advanced Geometry A 2° anno · 6 CFU · MATH-02/B · 0 file

OBIETTIVI FORMATIVI Il corso ha come obiettivo fornire agli studenti una adeguata introduzione alla geometria iperbolica, alfine di fornire loro un significativo esempio di teoria geometrica di importanza storica e…

Scheda dell'insegnamento

Obiettivi formativi

OBIETTIVI FORMATIVI Il corso ha come obiettivo fornire agli studenti una adeguata introduzione alla geometria iperbolica, alfine di fornire loro un significativo esempio di teoria geometrica di importanza storica e tuttora di grande interesse per la ricerca, con tante connessioni ad altre teorie matematiche e fisiche. Gli studenti alla fine del corso dovrebbero potersi orientare nella letteratura esistente su alcuni sviluppi ed applicazioni della geometria iperbolica

Programma

I. Fondamenti di Geometria Iperbolica * Modelli dello Spazio Iperbolico: * Il Piano Iperbolico (H2): Modello del semipiano superiore, modello del disco di Poincaré, modello di Klein. Metriche, geodetiche, angoli, isometrie. * Spazio Iperbolico di dimensione superiore (Hn): Introduzione al modello iperboloide e ad altri modelli. * Proprietà Geometriche: * Triangoli nello spazio iperbolico: Difetto d'angolo, formula dell'area. * Orocicli e orosfere. * Il gruppo delle isometrie di Hn. * Volume iperbolico. * Varietà iperboliche: * Definizione ed esempi (quozienti di Hn per gruppi discreti di isometrie). * Domini fondamentali e domini di Dirichlet. * Varietà iperboliche compatte e non compatte. II. Gruppi Fuchsiani e Superfici di Riemann (16 ore) * Gruppi discreti di Isometrie di H₂ (Gruppi Fuchsiani): * Definizione ed esempi. * Relazione con le superfici di Riemann tramite il teorema di uniformizzazione (enunciato e implicazioni). * Spazio di Teichmüller (introduzione al concetto di moduli delle superfici di Riemann). * La metrica di Weil-Petersson sullo spazio di Teichmüller. III. Biliardi in Domini Iperbolici * Concetti di base: traiettorie, riflessioni, orbite periodiche. * Confronto con i biliardi euclidei. * Biliardi in Poligoni Iperbolici: * Flusso geodetico su superfici iperboliche. * Proprietà di ergodicità e mescolamento del flusso geodetico su varietà iperboliche (breve panoramica). * Collegamenti alle trasformazioni di scambio di intervallo e al flusso di Teichmüller. IV. Collegamenti al Principio Olografico * Introduzione al Principio Olografico: * Corrispondenza AdS/CFT (Panoramica Concettuale): Rilevanza della Geometria Iperbolica:

Geometria 1, geometria 2. Può essere utile, ma non indispensabile, aver seguito il corso Fundamentals of Advanced Geometry della Laurea triennale, o l'equivalente Topics in Advanced Geometry della laurea magistrale in matematica

Lezioni frontali, 64 ore, che includono parti dedicate al calcolo esplicito di esempi. Durante il corso verranno elaborate delle note messe settimanalmente a disposizione su e-learning.

Modalità d'esame

Esame orale, durante il quale verrà chiesto lo sviluppo di qualche esempi0 concreto, già trattato a lezione, e verranno verificate le competenze teoriche acquisite. Precisamente agli studenti verranno dati degli argomenti da trattare in un seminario, che usi gran parte dele basi teoriche apprese durante il corso e comportino anche lo sviluppo di dimostrazioni dettagliate da oerte degli studenti.

Codice insegnamento 28232

Approximation Theory And Spectral Analysis 2° anno · 6 CFU · MATH-05/A · 0 file

Capacità di leggere problemi complessi e di scomporli in sottoproblemi di minore complessità, tramite l’utilizzo di strumenti interdisciplinari, tratti dall’Analisi Numerica, dalla Teoria delle Matrici e dall’Algebra…

Scheda dell'insegnamento

Obiettivi formativi

Capacità di leggere problemi complessi e di scomporli in sottoproblemi di minore complessità, tramite l’utilizzo di strumenti interdisciplinari, tratti dall’Analisi Numerica, dalla Teoria delle Matrici e dall’Algebra Lineare e dalle tecniche di Approssimazione nell’Analisi Matematica.

Programma

Operatori lineari positivi (LPO). Proprietà generali ed esempi concreti I Meta-Teoremi di Korovkin I, II, III, IV I polinomi di Bernstein in dimensione d come LPO ed i Teoremi di Weierstrass (versione algebrica) Le matrici di Toeplitz come operatori LPO. Proprietà spettrali delle matrici di Toeplitz generate da un simbolo Le somme di Cesaro come LPO ed i Teoremi di Weierstrass (versione trigonometrica) Accelerazione della convergenza via estrapolazione; Teoremi di Jackson sul polinomio di approssimazione ottima Tecniche di estrapolazioni in ambito LPO (Bernstein e Cesaro) Valori singolari e decomposizione ai valori singolari - SVD Approssimazione ottima in norma di Fronenius come LPO: il caso Toeplitz tramite algebre trigonometriche (FFT ed altre trasformate veloci) Teorema di Korovkin in ambito Toeplitz-Frobenius Gradiente coniugato e Precondizionamento Il precondizionatore di Frobenius ottimo LPO in ambito di approssimazione di equazioni differenziali Il caso delle Differenze Finite ed il caso degli Elementi Finiti

Programmazione, Matematica Computazionale, Analisi Numerica, Algebra Lineare, Analisi.

Lezioni frontali ed esercitazioni.

Modalità d'esame

Esame orale (accompagnato eventualmente da seminari e prove intermedie)

Codice insegnamento 28235

Dynamical Systems A 2° anno · 9 CFU · MATH-04/A · 0 file

Il corso si propone di introdurre lo studente ai concetti fondamentali dei sistemi dinamici topologici. Al termine dell’insegnamento, lo studente sarà in grado di comprendere i fondamenti teorici della materia e di…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di introdurre lo studente ai concetti fondamentali dei sistemi dinamici topologici. Al termine dell’insegnamento, lo studente sarà in grado di comprendere i fondamenti teorici della materia e di applicarla a situazioni sia astratte sia di interesse in altri campi della matematica e della fisica.

Programma

Il corso presenta una prima introduzione ai sistemi dinamici, da un punto di vista topologico.

Teoria delle equazioni differenziali ordinarie, topologia.

Lezioni frontali alla lavagna, esperimenti numerici al calcolatore.

Modalità d'esame

Progetto da svolgere a casa su temi trattati nel corso, con argomento deciso dal docente. Esame orale alla lavagna, sulla teoria e con un semplice esercizio. Il voto e' solo finale e non distinto per scritto ed orale.

Codice insegnamento 28226

Introduction To Modern Physics 2° anno · 9 CFU · MATH-04/A · 0 file

Il corso intende fornire allo studente una comprensione introduttiva ma rigorosa di due fondamentali rivoluzioni concettuali della fisica del XX secolo: la Relatività Ristretta e la Meccanica Quantistica. Il percorso…

Scheda dell'insegnamento

Obiettivi formativi

Il corso intende fornire allo studente una comprensione introduttiva ma rigorosa di due fondamentali rivoluzioni concettuali della fisica del XX secolo: la Relatività Ristretta e la Meccanica Quantistica. Il percorso formativo integra aspetti teorici e sperimentali, con l'obiettivo di evidenziare l'interazione tra formulazione matematica e fenomenologia fisica e di preparare gli studenti alla presentazione e alla comunicazione efficace dei concetti fondamentali della fisica moderna in contesti didattici. Il corso è diviso in due parti. Parte I - Teoria: Prof. Claudio Cacciapuoti (56 ore) - Parte II - Laboratorio: Prof.ssa Alessia Allevi (32 ore) Al termine del corso, lo studente sarà in grado di: - Comprendere e spiegare i principi fondamentali della Relatività Ristretta e della Meccanica Quantistica, nonché le principali motivazioni sperimentali che hanno portato alla formulazione delle due teorie; - Utilizzare strumenti matematici fondamentali per analizzare i concetti base delle due teorie; - Descrivere e condurre esperienze di laboratorio per l’insegnamento scolastico; - Integrare conoscenze teoriche e sperimentali per comunicare efficacemente alcuni concetti fondamentali della fisica moderna.

Programma

Parte I – Teoria (Prof. Cacciapuoti) - Introduzione alla Relatività Ristretta: equazioni di Maxwell, postulati, trasformazioni di Lorentz, simultaneità, dilatazione dei tempi, contrazione delle lunghezze, dinamica relativistica; - Meccanica Quantistica: la crisi della teoria classica, motivazioni storiche e sperimentali (radiazione del corpo nero, esperimento della doppia fenditura, effetto fotoelettrico); formalismo matematico (spazi di Hilbert, operatori, osservabili, equazione di Schrödinger); concetto di misura; evoluzione temporale; stati quantistici e principio di sovrapposizione; - Discussione di paradossi e implicazioni concettuali (dualismo onda-particella, principio di indeterminazione, paradosso EPR, entaglement). Parte II – Laboratorio (Prof.ssa Allevi) - Esperimenti base di ottica per l’insegnamento scolastico: riflessione, rifrazione, interferenza, diffrazione; - Esperimenti fondamentali della fisica moderna (ad es. effetto fotoelettrico, diffrazione degli elettroni, polarizzazione); - Introduzione alla strumentazione di laboratorio avanzata; - Attività nei laboratori di Ottica Quantistica della docente: generazione e caratterizzazione di stati quantistici della luce, esperimenti su stati entangled.

Per affrontare proficuamente il corso è richiesta la conoscenza dei contenuti fondamentali degli insegnamenti Fisica 1 e Fisica 2 del corso di laurea triennale. È inoltre auspicabile la conoscenza di alcune nozioni di base della Meccanica Analitica (formulazione lagrangiana e hamiltoniana, equazioni di Eulero-Lagrange e di Hamilton).

Parte I – Teoria: Lezioni frontali in aula con utilizzo della lavagna e/o supporti multimediali (diapositive proiettate). Parte II – Laboratorio: Attività pratiche in laboratorio, in piccoli gruppi, precedute da una presentazione teorica dei principi fisici e delle modalità sperimentali. Alcune attività si svolgeranno nei laboratori didattici e di ricerca della docente, favorendo l’interazione con il mondo della ricerca attiva.

Modalità d'esame

L’esame prevede la stesura di una relazione di laboratorio su una delle esperienze di laboratorio affrontate durante il corso. A tal fine verrà fornito come riferimento dalla docente uno schema di relazione. La presentazione della relazione è condizione necessaria per avere accesso all’esame orale, che verterà su entrambe le parti del corso. Modalità di svolgimento: Discussione di uno o più argomenti teorici trattati nel corso, seguita dall’analisi dell’esperienza di laboratorio presentata nella relazione. Potranno essere richieste dimostrazioni di risultati fondamentali, risoluzione di esercizi rappresentativi e commenti critici ai fenomeni osservati sperimentalmente. Parametri di valutazione: - Accuratezza formale nella descrizione matematica dei fenomeni; - Capacità di collegare teoria ed esperimento; - Chiarezza espositiva e padronanza del linguaggio scientifico. Per l’eccellenza lo studente dovrà mostrare padronanza completa degli argomenti, capacità di elaborazione autonoma, chiarezza espositiva e maturità critica, anche nella discussione dei paradossi, degli aspetti concettuali delle teorie moderne e delle esperienze di laboratorio. Il voto finale è espresso in trentesimi.

Codice insegnamento 28239

Models For Biological Systems 2° anno · 6 CFU · INFO-01/A · 0 file

The aim of the course is to allow students to know the basic relations between computer science and biology, making them able to: 1) understand and develop elementary modelling of biological systems by using typical…

Scheda dell'insegnamento

Obiettivi formativi

The aim of the course is to allow students to know the basic relations between computer science and biology, making them able to: 1) understand and develop elementary modelling of biological systems by using typical instruments developed in computer science, and 2) to employ formalisms and languages inspired by biology to model problems of computer science. After having attended the course, the student will have clear how computer science and biology are related disciplines. At the end of the course, the student will be able to: 1. Understand and compare the main features of languages and formalisms proposed to model and analyse biological systems. 2. Understand and analyse pattern matching algorithms. 3. Understand the main features of formalisms inspired by biological systems, e.g. Lindenmayer systems and cellular automata. 4. Understand the basic idea of DNA Computing. Further, the student will be able to tune pattern matching algorithms to new challenges coming from biology, to model simple biologic behaviours by using the proper formalism and to analyse the expressive power of languages inspired by biology. The student will be also required to develop an autonomy of judgement in recognising the main challenges of the modelling of biological systems and employment of biology-inspired languages. Finally, the student will get a proper knowledge of (possibly standard) technical terminology used in the context of modelling of biological systems and formalism inspired by biology.

Programma

The course is organised as follows: DNA Computing (6h) - Introduction (2 h) - The Hamiltonian path problem (2 h) - The SAT problem (2h) Pattern matching algorithms (14 h) - Algorithm naive (2 h) - Algorithm by Boyer-Moore (4 h) - Algorithm by Apostolico-Giancarlo (4 h) - Algorithm by Knuth-Morris_Pratt (4 h) Cellular Automata (8 h) - Introduction (2 h) - Game of life (2 h) - Applications (4 h) Lindenmayer Systems (4 h) Modelling biological systems (16 h) - Base challenges (4 h) - Formal methods (4 h) - Process algebras (8 h) Simulations, robustness (16 h) - Base notions (4 h) - Software simulations (4 h) - Model checking (4 h) - Checking robustness (4h)

To attend the course of Models for Biological Systems the student is required to have familiarity with the basic notions in the realm of formal languages, algorithms and complexity. This requisite is surely respected by students with a 3-years degree in Mathematics or Computer Science.

The course is organised in frontal lessons (64 h). Frontal lessons are dedicated to illustrating the essence and principles of modelling of biological systems and formalisms inspired by biology mentioned in the “Contents” section. In detail, frontal lessons are dedicated to describing the typical challenges of modelling of biological systems, of pattern matching algorithm, with particular focus on biological applications, and of expressiveness of biological inspired formalisms and DNA computing.

Modalità d'esame

The scope of the exam is to certify that student have all knowledge and ability explained above, by evaluating the knowledge skill and, mainly, the ability to understand and evaluate the novelty in the area proposed in scientific papers. The exam consists in an oral discussion in a classroom. This is, normally, a 30 minutes discussion requiring, normally, to exposing the content of a scientific paper. The evaluation focuses, in particular, on the ability to understand the results and the ability to understand how these results compare with respect the literature and can be applied in practice. The knowledge of the technical terminology is implicitly checked, since the questions and specifications of problems use such a terminology.

Codice insegnamento 28244

Numerical Optimization Methods 2° anno · 9 CFU · MATH-05/A · 0 file

Capacità di definire e risolvere numericamente problemi di programmazione lineare. Capacità di applicare gli strumenti basilari di programmazione non-lineare non-vincolata.

Scheda dell'insegnamento

Obiettivi formativi

Capacità di definire e risolvere numericamente problemi di programmazione lineare. Capacità di applicare gli strumenti basilari di programmazione non-lineare non-vincolata.

Programma

Introduzione all’ottimizzazione. Esempi e proprietà fondamentali della programmazione lineare. Teorema fondamentale della programmazione lineare e sua interpretazione geometrica. Metodo del Simplesso, forma a blocchi e simplesso rivisto. Problema duale e algoritmo primale- duale. Il problema del trasporto e metodo del simplesso per problemi di trasporto. Problemi non vincolati: proprietà fondamentali, metodi di discesa, steepest discent. Condizioni di Wolf, ammissibilità e convergenza. Metodo del gradiente stocastico. Metodi quasi-Newton, metodo trust-region. Metodo di Levenberg-Marquart, metodo dei moltiplicatori di Lagrange e minimizzazione alternata.

Algebra Lineare, Analisi I, Analisi Numerica

Lezioni frontali con teoria ed esercizi.

Modalità d'esame

Esame orale e progettino di approfondimento su uno degli argomenti o degli algoritmi visti a lezione. A scelta dello studente può vertere su approfondimenti teorici o implementazione di un algoritmo. L'esame orale verificherà le conoscenze degli strumenti base di ottimizzazione e la capacità di applicarli a semplici problemi.

Codice insegnamento 28228

Numerical Solutions Of Conservation Laws 2° anno · 9 CFU · MATH-05/A · 0 file

I due corsi di Soluzione Numerica di PDE introducono gli studenti alle tecniche numeriche per risolvere equazioni differenziali alle derivate parziali, che sono la base della gran parte dei modelli matematici. In…

Scheda dell'insegnamento

Obiettivi formativi

I due corsi di Soluzione Numerica di PDE introducono gli studenti alle tecniche numeriche per risolvere equazioni differenziali alle derivate parziali, che sono la base della gran parte dei modelli matematici. In particolare nel corso sulle leggi di conservazione si studia la tecnica di discretizzazione con i volumi finiti e le sue applicazioni nel contesto dei sistemi di leggi di conservazione non lineari. Le leggi di conservazione sono presenti nella gran parte dei modelli fisici, poiché rappresentano matematicamente leggi fisiche quali la conservazione della massa, della quantità di moto, dell’energia, etc ma permettono anche di fomulare semplicemente modelli meno classici come quelli per il traffico veicolare. In particolare il modello LWR di traffico, le equazioni di Saint-Venant (o delle acque basse) e quelle di Eulero per la gasdinamica saranno trattati esplicitamente nel corso. Al termine del corso lo studente dovrebbe essere in grado di calcolare soluzioni approssimate per sistemi di leggi di conservazione iperboliche non lineari, usando il metodo dei volumi finiti. Inoltre, dovrebbe essere in grado di utilizzare in modo critico e consapevole anche librerie e software basati sui volumi finiti.

Programma

1. Leggi di conservazione e di bilancio. Forma forte e forma debole delle equazioni. Metodo delle caratteristiche, rarefazioni e soluzioni di Rankine-Hugoniot, entropia. 2. Metodi lineari per equazioni lineari: esempi, consistenza, stabilità, condizione CFL, analisi di Von Neumann. 3. Metodi conservativi; teorema di Lax-Wendroff; metodo di Godunov. Soluzione dei problemi di Riemann per equazioni scalari e metodo di Godunov associato. 4. Shock e luogo di Hugoniot; rarefazioni e curve integrali; problema di Riemann per le equazioni delle acque basse; metodo di Godunov per sistemi. 5. Solutori di Riemann approssimati; metodi di Roe e HLL. 6. Stabilità non lineare; convergenza dei metodi per equazioni non lineari; metodi a variazione totale limitata. 7. Metodi TVD del secondo ordine di accuratezza e cenni ai metodi di ordine superiore. 8. Complementi: leggi di bilancio, produzione numerica di entropia, il caso multidimensionale.

Il corso è rivolto agli studenti di Matematica, ma anche a studenti di altri corsi di laurea, con interessi nel calcolo scientifico. Sono richieste nozioni di base di Analisi I e II, Analisi Numerica. È utile, ma non strettamente necessaria, la conoscenza dei metodi Runge-Kutta per l’integrazione di equazioni differenziali ordinarie. Per la parte di laboratorio è necessaria una conoscenza di base di un linguaggio di programmazione: useremo preferibilmente Matlab, ma ogni studente è libero di utilizzare altri linguaggi, come C, C++ o SciPy.

Le lezioni (2/3 delle ore) sono frontali, prevalentemente con spiegazioni alla lavagna. Esercizi di supporto allo studio individuale saranno regolarmente assegnati e discussi in aula su richiesta. Un terzo delle ore è dedicato ad esercitazioni in laboratorio informatico volte ad insegnare come implementare, verificare ed utilizzare algoritmi basati sugli elementi finiti (verranno usati come esempio alcuni degli algoritmi spiegati durante le lezioni teoriche).

Modalità d'esame

L’esame è orale, ed è composto di due parti, che vengono sostenute nello stesso giorno. Nella prima parte, lo studente discute un progetto computazionale concordato col docente e consegnato assieme al codice sorgente sviluppato. Il progetto dovrà essere l’applicazione di tecniche studiate durante il corso ad un caso concreto. Sarà oggetto di valutazione la rispondenza del software prodotto rispetto al problema scelto, la qualità dello stesso, la presentazione e la discussione critica dei risultati ottenuti. La seconda parte è un esame orale in cui verrà valutata la conoscenza degli argomenti svolti durante il corso, l’uso corretto del lessico specialistico, la capacità di ragionamento critico e di collegamento fra i diversi argomenti studiati.

Codice insegnamento 28229

Prova Finale 2° anno · 31 CFU · 0 file
Topics In Advanced Algebra A 2° anno · 9 CFU · MATH-02/A · 0 file

OBIETTIVI FORMATIVI Conoscenza della teoria di Galois e delle sue applicazioni. RISULTATI DI APPRENDIMENTO ATTESI Al termine dell’insegnamento, lo studente sarà in grado di: calcolare il gruppo di Galois di un…

Scheda dell'insegnamento

Obiettivi formativi


OBIETTIVI FORMATIVI
Conoscenza della teoria di Galois e delle sue applicazioni.

RISULTATI DI APPRENDIMENTO ATTESI
Al termine dell’insegnamento, lo studente sarà in grado di:

  • calcolare il gruppo di Galois di un polinomio o di un'estensione di campi data
  • ottenere informazioni su un'estensione di campi o su un polinomio a partire dal suo gruppo di Galois

Programma


Costruzioni con riga e compasso.
Campi di spezzamento di un polinomio.
Radici multiple. Campi perfetti.

Il gruppo di Galois. La corrispondenza di Galois. Estensioni normali e separabili.

Gruppi finiti risolubili. Semplicità del gruppo alterno. Criterio di Galois per la risolubilità per radicali. Il gruppo di Galois come gruppo di permutazioni delle radici di un polinomio. Equazione generica di grado n.

Campi finiti.


Conoscenza delle strutture base dell'algebra e relative proprietà: gruppi, anelli, polinomi, campi. Conoscenza dei principali risultati dell'algebra lineare e del calcolo matriciale.

Lezioni frontali. La frequenza non è obbligatoria, tuttavia la presenza in aula è estremamente utile, dato che la partecipazione attiva alle lezioni facilita il processo di apprendimento. Durante le lezioni il docente utilizza la lavagna o un tablet su cui scrive quanto sta spiegando: salvo problemi tecnici, quanto scritto sul tablet viene successivamente messo a disposizione degli studenti tramite sito web del corso e/o piattaforma di e-learning, La presentazione degli argomenti è sempre accompagnata da esercizi finalizzati alla comprensione e all’applicazione delle nozioni e dei risultati presentati. La soluzione degli esercizi è presentata talvolta immediatamente e talvolta in una lezione successiva in modo che gli studenti possano provare a risolvere l’esercizio in autonomia. Durante il corso (soprattutto verso il termine) verranno proposte anche sedute di esercizi di ricapitolazione, per abituare gli studenti a scegliere il metodo e il percorso risolutivo più adatto e mettere in collegamento risultati presentati in momenti differenti del corso.

Modalità d'esame

Prova scritta individuale e prova orale. La prova scritta è della durata di due ore e mezza ed è composta da due o tre esercizi divisi in sottoquesiti. La prova orale si svolge immediatamente dopo lo scritto che consiste in un colloquio e comincia solitamente con la discussione dello scritto. Allo studente è poi richiesto di presentare alcuni dei risultati visti a lezione. Verrà valutata in particolare la capacità di presentare una dimostrazione in maniera completa e rigorosa e di applicare questi risultati a casi concreti. Il superamento dell'esame e il voto finale (espresso in trentesimi) dipendono dall'esito del colloquio orale, oltre che dal voto dello scritto.

Codice insegnamento 28222

Topics In Advanced Analysis A 2° anno · 9 CFU · MATH-03/A · 0 file

Conoscenza e comprensione: Lo studente acquisirà una conoscenza operativa dei metodi dell’analisi avanzata, approfondendo quanto già appreso nei corsi precedenti. Conoscerà i principali enunciati teorici e le relative…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenza e comprensione: Lo studente acquisirà una conoscenza operativa dei metodi dell’analisi avanzata, approfondendo quanto già appreso nei corsi precedenti. Conoscerà i principali enunciati teorici e le relative dimostrazioni, sviluppando una comprensione solida e rigorosa dei fondamenti dell’analisi moderna. Capacità di applicare conoscenza e comprensione: Lo studente sarà in grado di applicare le conoscenze acquisite alla risoluzione di esercizi, anche di natura teorica e astratta, relativi agli argomenti trattati nel corso. Saprà inoltre utilizzare tali competenze nell’analisi di problemi avanzati in ambito matematico. Autonomia di giudizio: Il corso fornirà allo studente un repertorio di tecniche dimostrative che gli permetteranno di valutare autonomamente la validità di ragionamenti matematici, anche complessi, e di costruire dimostrazioni rigorose di risultati collegati a quelli visti a lezione. Abilità comunicative: Lo studente sarà in grado di esprimersi con precisione e proprietà di linguaggio nell’ambito della matematica, utilizzando un linguaggio formale e rigoroso, adatto alla comunicazione di idee matematiche complesse. Capacità di apprendimento: L’approccio teorico e strutturato del corso contribuirà a sviluppare nello studente capacità di studio autonomo e di approfondimento, ponendo le basi per l’apprendimento di ulteriori concetti dell’analisi e della matematica in generale a livelli superiori.

Programma

Introduzione all'analisi funzionale. Spazi normati e spazi di Banach. Esempi. Spazi di dimensione finita. Spazi Lp. Teorema di Riesz-Fisher. Teorema di Hahn-Banach e conseguenze. Riflessività. Teoremi di Baire, di Uniforme Limitatezza, dell'Applicazione Aperta e del Grafico Chiuso e applicazioni. Topologie deboli e convergenza debole e debole stella. Teoremi di compattezza per successione nelle topologie deboli. Teorema di Banach-Alaoglu. Spazi di Hilbert. Perpendicolarità, e basi ortonormali. Teorema di rappresentazione di Riesz e duale dgli spazi di Hilbert. Complementi di teoria della misura: Costruzione di misure. Misure prodotto. Il teorema di Tonelli-Fubini. Misure con segno e misure complesse: Variazione assoluta, e teoremi di decomposizione di Hahn e di Lebesgue. Teorema di Radon-Nikodym. Caratterizzazione del duale degli Lp. La funzione massimale di Hardy-Littlewood. Differenziazione di Lebesgue: differenziazione di funzioni monotone, funzioni a variazione limitata, differenziazione di un integrale, e funzioni assolutamente continue, teorema di caratterizzazione delle funzioni assolutamente continue. Convoluzione in Rn, disuguaglianza integrale di Minkowski e teorema di Young. Nuclei regolarizzanti. Introduzione alla misura di Hausdorff. Serie di Fourier: Basi ortonormali in L2(-\pi,\pi). Polinomi trigonometrici e serie di Fourier sul toro. Teoria L2: disuguaglianza di Bessel e identità di Parseval e Plancherel. Convergenza puntuale: nucleo di Dirichlet. Lemma di Riemann Lebesque. Teorema di Dini. Convergenza assolute: teorema di Bernstein. Introduzione all'analisi funzionale. Spazi normati e spazi di Banach. Esempi. Spazi di dimensione finita. Spazi Lp. Teorema di Riesz-Fisher. Teorema di Hahn-Banach e conseguenze. Riflessività. Teoremi di Baire, di Uniforme Limitatezza, dell'Applicazione Aperta e del Grafico Chiuso e applicazioni. Topologie deboli e convergenza debole e debole stella. Teoremi di compattezza per successione nelle topologie deboli. Teorema di Banach-Alaoglu. Spazi di Hilbert. Perpendicolarità, e basi ortonormali. Teorema di rappresentazione di Riesz e duale dgli spazi di Hilbert. Complementi di teoria della misura: Costruzione di misure. Misure prodotto. Il teorema di Tonelli-Fubini. Misure con segno e misure complesse: Variazione assoluta, e teoremi di decomposizione di Hahn e di Lebesgue. Teorema di Radon-Nikodym. Caratterizzazione del duale degli Lp. La funzione massimale di Hardy-Littlewood. Differenziazione di Lebesgue: differenziazione di funzioni monotone, funzioni a variazione limitata, differenziazione di un integrale, e funzioni assolutamente continue, teorema di caratterizzazione delle funzioni assolutamente continue. Convoluzione in Rn, disuguaglianza integrale di Minkowski e teorema di Young. Nuclei regolarizzanti. Introduzione alla misura di Hausdorff. Serie di Fourier: Basi ortonormali in L2(-\pi,\pi). Polinomi trigonometrici e serie di Fourier sul toro. Teoria L2: disuguaglianza di Bessel e identità di Parseval e Plancherel. Convergenza puntuale: nucleo di Dirichlet. Lemma di Riemann Lebesque. Teorema di Dini. Convergenza assoluta: teorema di Bernstein.

A seconda della composizione della classe verranno inoltre selezionati argomenti monografici scelti tra: teoria dei semigruppi di operatori; introduzione alla teoria dell'approssimazione; spazi vettoriali topologici, distribuzioni e soluzioni fondamentali di equazioni differenziali a coefficienti costanti; introduzione alla teoria degli integrali singolari; algebre di Banach e teoria spettrale.

Il contenuto dei corsi di analisi matematica, algebra lineare e geometria e topologia generale tipicamente offerti in un corso di laurea triennale in matematica.

Lezioni frontali: 72 ore Nelle lezioni frontali vengono sviluppate le nozioni teoriche. Esercizi di natura teorica assegnati per compito e corretti a lezione forniranno agli studenti la capacità di applicare le tecniche dimostrative generali descritte a lezione in situazioni particolari.

Modalità d'esame

  • Esercizi a casa che verificano l'acquisizione di una conoscenza operativa delle materia e la capacità di esprimersi in linguaggio matematico rigoroso e di applicare le tecniche illustrate a lezione per produrre autonomamente dimostrazioni simili a quelli visti a lezione; - Esame orale finale orale dedicato alla discussione degli esercizi svolti e alla dimostrazione di alcuni teoremi visti a lezione. In questa parte si verifica la conoscenza approfondita degli argomenti svolti a lezione, la capacita' di esprimersi in linguaggio matematico rigoroso e di riconoscere la validita' di ragionamenti matematici anche sofisticati. Ciascuna parte verrà valutata con un voto in trentesimi, e il voto finale, se maggiore o uguale a 18, sarà la media aritmetica dei voti delle 2 parti.

Codice insegnamento 28224

Topics In Advanced Geometry A 2° anno · 9 CFU · MATH-02/B · 0 file

L'obiettivo del corso è quello di fornire agli studenti i concetti di base della geometria differenziale e delle strutture geometriche. Le varietà differenziali sono gli spazi naturali sui quali può essere introdotta…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo del corso è quello di fornire agli studenti i concetti di base della geometria differenziale e delle strutture geometriche. Le varietà differenziali sono gli spazi naturali sui quali può essere introdotta la nozione di differenziabilità di una mappa e dove gli strumenti classici dell'analisi possono essere sviluppati ed estesi. Inoltre, sulle varietà si può fare geometria. Si possono adattare le idee della geometria euclidea piana a spazi curvi, o introdurre nuove geometrie; in molti casi, è la Fisica a suggerire quali di queste geometrie giochino un ruolo rilevante.
Al termine del corso ci si attende che studentesse e studenti:

1) abbiano acquisito le principali nozioni e i teoremi fondamentali della teoria delle varietà differenziali e delle strutture geometriche su di loro definite;

2) siano in grado, sulla base delle dimostrazioni apprese a lezione, di compiere autonomamente dei ragionamenti di media complessità, per dedurre proprietà di natura astratta di questi oggetti;

3) sappiano individuare su esempi concreti le principali proprietà degli oggetti sopra elencati.

Programma

I contenuti principali del corso sono:

1) Varietà differenziali: esempi e costruzioni, spazio e fibrato tangente, campi vettoriali e curve integrali.
2) Tensori e forme differenziali: algebra tensoriale ed esterna, differenziale esterno, derivata di Lie.
3) Integrazione su varietà: il teorema di Stokes.
4) Teoria delle connessioni: connessioni affini, parallelismo, trasporto parallelo, torsione, curvatura e geodetiche.
5) Metriche riemanniane: connessioni metriche, connessione di Levi-Civita, il tensore di curvatura di Riemann

Il calcolo, in una e più variabili reali, verrà usato sin dalle prime lezioni del corso. È richiesta inoltre una conoscenza approfondita di topologia, come acquisita nel corso di Geometria 1. Anche il contenuto del corso di Geometria 2 sarà d’aiuto.

Le modalità didattiche prevedono lezioni in presenza, che possono, all’occorrenza, essere registrate.
Il metodo di insegnamento prevede:
1) lezioni frontali, di carattere teorico, nelle quali presenterò agli studenti le nozioni chiave del corso.
2) L'assegnazione di esercizi, il cui obiettivo è applicare il contenuto teorico visto a lezione.
3) Esercitazioni, di carattere pratico, durante le quali verranno presentate e discusse le soluzioni agli esercizi assegnati; l'idea è che gli studenti giochino un ruolo chiave durante le lezioni pratiche.

Modalità d'esame

La verifica dell'apprendimento si articola su due livelli:
1) L’assegnazione di un argomento, concordato tra discente e docente, da esporre durante un colloquio orale. Lo scopo di questa parte dell’esame è verificare la capacità di elaborazione in autonomia di concetti simili a quelli trattati a lezione.
2) Un esame orale tradizionale nel quale è richiesto di spiegare le definizioni di base del corso e di discutere le dimostrazioni dei principali teoremi. Sarà inoltre richiesto di risolvere semplici esercizi simili a quelli assegnati durante il semestre.
È possibile svolgere i due colloqui orali separatamente.
Il voto finale dell'esame, in trentesimi, è un giudizio complessivo su ciascuna delle parti del colloquio orale.

Codice insegnamento 28223

Advanced Mathematical Physics A 2° semestre · 6 CFU · MAT/07 · 0 file
Advanced Mathematical Physics B 6 CFU · MAT/07 · 0 file
Altre Conoscenze Utili Per Il Mondo Del Lavoro 2 CFU · 0 file
Attivita' A Scelta 18 CFU · 0 file
Intelligent Systems 1° semestre · 9 CFU · INF/01 · 0 file
Numerical Solutions Of Elleptic Problems 9 CFU · MAT/08 · 0 file
Theoretical Physics 1° semestre · 9 CFU · FIS/02 · 0 file

Recensioni del corso

Studi qui? Accedi per lasciare la tua recensione e aiutare altri studenti a scegliere.

★

Nessuna recensione per ora — e la prima è la più preziosa. Condividi la tua esperienza e orienta le future matricole.