Prossima attivazione

In questa pagina sono riportati gli insegnamenti non ancora attivi nell’anno accademico in corso, ma che saranno attivati nei prossimi anni accademici in quanto previsti nel percorso formativo del Corso di Studio.

Attività formative 2° ANNO

Big Data

(SSD INF/01, 48 ore, 6 CFU, Caratterizzante)

Obiettivi dell'insegnamento
Conoscenza e capacità di comprensione: Il corso ha l'obiettivo di insegnare allo studente i fondamenti delle architetture per l'analisi e gestione dei big data e costruire solide basi per la comprensione delle loro problematiche e l'implementazione di software sfruttando tali metodologie. Il progetto consegnato verterà sull’utilizzo di framework e architetture di big data su un problema di ricerca/industriale. Lo studente agirà in autonomia tramite account personali su istanze Amazon AWS e potrà integrare le tecnologie che riterrà opportune con le metodologie dei big data per risolvere certi task sfruttando il machine learning dove necessario.

Lo studente sarà in grado di apprendere i concetti fondamentali dell'uso dei framework di big data e di machine learning, capire la differenza tra software scritti per la gestione di grossa mole di dati con e senza l’uso delle architetture per big data e riconoscere i task di machine learning. Inoltre, saprà anche gestire un cluster di nodi Amazon con soluzioni di big data e machine learning installate. Amazon mette a disposizione tantissimi strumenti per la trattazione dei Big Data che gli studenti possono utilizzare all'interno dei propri progetti.

Contenuti del Corso
Architecture of Big Data systems, Definition of Big Data, Introduction to the Hadoop framework, Use of the HDFS filesystem, Concept of MapReduce, Introduction to the Spark framework SPARK, Programming with RDDs, Use of key/value pairs, Loading and Saving data, Advanced Programming with Spark, Execution on a cluster, Tuning and Debugging with SPARK, SPARK SQL and GraphX, Streaming with SPARK, Fundaments of Machine and Deep Learning, Machine learning with MlLib, Amazon AWS and configuration.

 

Data base e data analytics

(SSD INF/01, 84 ore, 9 CFU, Caratterizzante)

Obiettivi dell'insegnamento
Conoscenza e capacità di comprensione: Lo studente acquisirà le conoscenze fondamentali riguardo all'architettura dei sistemi per la gestione dei dati, alle metodologie di design delle basi di dati, algebra relazionale, normalizzazione di schemi relazionali e linguaggio SQL. Inoltre, lo studente sarà in grado di comprendere la struttura di un database relazionale.

Lo studente sarà in grado di applicare la conoscenza acquisita per progettare concettualmente una base di dati relazionale, e di implementare il relativo schema usando il DBMS PostgreSQL. Sarà quindi in grado di creare, analizzare e gestire schemi relazionali per le basi di dati. Sarà anche in grado di gestire tecnicamente una base di dati. Lo studente sarà anche in grado di usare il linguaggio SQL per la creazione, cancellazione, modifica e ricerca di dati in uno schema relazionale.

Contenuti del Corso
- DBMS, modelli, linguaggi e utenti
- Modello relazionale
- Algebra relazionale
- Architettura DBMS
- Modello Entità-Relazione
- Progettazione concettuale
- Progettazione logica
- Normalizzazione
- Trigger
- Controllo dell'accesso
- Cenni a NoSQL e nuovi sistemi per la gestione dei dati
- Il linguaggio SQL

 

Data Visualization

(SSD INF/01, 48 ore, 6 CFU, Caratterizzante)

Obiettivi dell'insegnamento
Conoscenza e capacità di comprensione: Lo studente conoscerà i fondamenti della data visualization come scienza che studia la rappresentazione dei dati e dell’informazione. Attraverso l’uso degli elementi visuali gli strumenti delle data visualization forniscono un modo accessibile di mostrare e capire tendenza, valori anomali e pattern ricorrenti nei dati. Gli obiettivi di apprendimento attesi riguardano la conoscenza degli elementi visuali come grafici, mappe, istogrammi etc. per la rappresentazione dei dati e dell’informazione.

Contenuti del Corso
Dai dati alla visualizzazione; Sistemi di coordinate e assi; Scale di colori; Modelli di visualizzazione; Visualizzare quantità; Visualizzare distribuzioni; Visualizzare proporzioni; Visualizzare serie temporali; Visualizzare tendenze; Visualizzare dati geospaziali; Visualizzare incertezza; Gestire punti che si sovrappongono; Visualizzare tabelle.

 

Deep Learning

(SSD INF/01, 84 ore, 9 CFU, Caratterizzante)

Obiettivi dell'insegnamento
Conoscenza e capacità di comprensione: Il corso si propone di approfondire gli elementi fondamentali del deep learning e le sue applicazioni nell’ambito della computer vision e del natural language processing. Inoltre, sarà in grado di definire, creare e risolvere problemi di classificazione e regressione usando reti neurali opportunamente definite e con gli hyper-parametri scelti in modo ottimale.

Contenuti del Corso
What is Deep Learning and why?
Training, Validation and Test sets
K-cross validation
Data Preprocessing for Neural Networks
Feature Engineering
Overfitting and underfitting
Getting started with Neural Networks
Data representations for Neural Networks
Anatomy of a Neural Network
Advanced Deep-learning Best Practices

Deep Learning for Computer Vision:
Convolutional Neural Networks
ConvNet Layers (Convolutional Layer, Pooling Layer, Fully-Connected Layer)
ConvNet Architectures (LeNet / AlexNet / GoogLeNet / VGGNet, ResNet)
Training Neural Networks for Computer Vision
Activation functions, initialization, dropout, batch normalization, update rules, ensembles, data augmentation, transfer learning
Image classification
Semantic segmentation
Object detection

Deep Learning for Text and Sequences:
Working with Keras and TensorFlow
Working with Text Data
Understanding n-grams and bag-of-words
One-hot encoding of words and characters
Using Word Embeddings with the Embedding Layer
Creating Word Embeddings
Using Pretrained Word Embeddings
Understanding Recurrent Neural Networks
Understanding LSTM and GRU layers
A concrete LSTM example in Keras
Advanced use of Recurrent Neural Networks
A temperature-forecasting problem
Using recurrent dropout to fight overfitting
Stacking recurrent layers
Using bidirectional RNNs
Using mechanism with attention
A use case within the Sentiment Analysis domain

 

Fondamenti di Economia Applicata

(SSD SECS-P/06, 48 ore, 6 CFU, Affine)

Obiettivi dell'insegnamento
Conoscenza e capacità di comprensione: Lo studente sarà introdotto ai temi e ai principi base dell’economia e del funzionamento dei sistemi economici. Successivamente si approfondiranno i temi dell’economia fondata sulla conoscenza e sul ruolo della sua dinamica nella definizione dei percorsi dell’economie regionali e nazionali. Gli obiettivi di apprendimento attesi riguardano la conoscenza dei fondamenti dell’economia e degli elementi base dell’economia dell’innovazione e del progresso tecnologico.

Contenuti del Corso
Concetti base di economia. Principi di economia del cambiamento tecnologico. Le fasi del progresso tecnologico. Gli effetti del progresso tecnologico. Le misure e le statistiche. Le politiche per il cambiamento tecnologico. Approfondimenti tematici.

 

Ingegneria del Software

(SSD INF/01, 48 ore, 6 CFU, Caratterizzante)

Obiettivi dell'insegnamento
Conoscenza e capacità di comprensione: lo studente conoscerà i fondamenti dell'ingegneria del software come scienza che studia strumenti e metodologie per la pianificazione dello sviluppo, realizzazione e valutazione di applicazioni software complesse.
Gli obiettivi di apprendimento attesi riguardano la conoscenza dei fondamenti dell'ingegneria del software come scienza che studia strumenti e metodologie per la pianificazione dello sviluppo, realizzazione e valutazione di applicazioni software complesse.

Contenuti del Corso
Ciclo di vita del software; qualità e metriche del software; gestione dei progetti software; ingegneria dei requisiti; progettazione, verifica e testing del software; analisi e progetto di sistemi ad oggetti; linguaggio di programmazione Python; utilizzo del linguaggio standard UML; nozioni di progettazione di applicazioni blockchain.

 

Machine Learning

(SSD ING-INF/05, 72 ore, 9 CFU, Base)

Obiettivi dell'insegnamento
Conoscenza e capacità di comprensione: Lo studente conoscerà i principali metodi dell'apprendimento automatico ("machine learning") e dei suoi settori di applicazione.

Gli obiettivi di apprendimento attesi riguardano la conoscenza dei principali metodi ed algoritmi dell'approccio statistico, sia di tipo supervisionato (classificazione), sia di tipo non supervisionato (raggruppamento o “clustering”), e le relative capacità di trattamento dei dati necessarie per trasformare un problema del mondo fisico, come ad es. la visione artificiale, in un problema di apprendimento. Lo studente sarà inoltre in grado di progettare un sistema di apprendimento automatico, valutandone le prestazioni al fine di stabilirne l’adeguatezza per lo specifico settore applicativo

Contenuti del Corso
Elementi di teoria Bayesiana delle decisioni; metodi parametrici; metodi non parametrici: k-nn e alberi di decisione; valutazione delle prestazioni; metodi non supervisionati; insiemi di classificatori; sicurezza dei sistemi di apprendimento automatico; sviluppo di un progetto in linguaggio Python.

 

Sistemi Operativi e Programmazione di Rete

(SSD INF/01, 120 ore, 12 CFU, Caratterizzante)

Obiettivi dell'insegnamento
Il corso ha l'obiettivo di insegnare allo studente i fondamenti dei Sistemi Operativi e della Programmazione di Rete, offrendo solide basi per la comprensione delle problematiche e strategie per la progettazione e implementazione di programmi applicativi, anche mostrando l'evoluzione della tecnologia e degli strati astratti su cui essi si basano.

Contenuti del Corso
TEORIA: Introduzione ai SO (Richiami di architetture di elaborazione, interfaccia HW-SW) ; processori, HW-SW interface; monoprogrammazione; funzionalita' base del SO; processi; threads; scheduling della CPU; sincronizzazione dei processi; stallo dei processi; memoria centrale; memoria virtuale, file system; sistemi di I/O; virtual machines; protocolli di comunicazione; comunicazione e programmazione di rete.

LABORATORIO: Introduzione all'uso del sistema operativo Linux: installazione, introduzione alla command line, gestione base di file e directory (teoria ed esercitazioni); gestione avanzata di file e directory, editor di testo (teoria ed esercitazioni); configurazione del sistema, controllo del sistema da shell, Gestione dei dischi (teoria ed esercitazioni); comandi avanzati, espressioni regolari (teoria ed esercitazioni).

Bash Programming (teoria ed esercitazioni).

Introduzione alla programmazione di sistema in ambiente Linux.

Processi e comunicazione base fra i processi (Richiami di teoria ed esempi pratici in ambito Linux).

Threads e programmazione concorrente (Richiami di teoria ed esempi pratici in ambito Linux).

Interprocess Communication (Richiami teorici ed esempi pratici in ambito Linux)

Comunicazione fra processi in rete (Richiami teorici ed esempi pratici tramite i socket)

Applicazioni di rete (Richiami teorici ed esempi pratici tramite i socket)

 

Attività formative 3° ANNO

Economia aziendale e management

(SSD SECS-P/07, 48 ore, 6 CFU, Affine)

Obiettivi dell’insegnamento
Conoscenza e capacità di comprensione: lo studente conoscerà i fondamenti di economia delle organizzazioni formali e del management con particolare riguardo alle imprese. Gli obiettivi di apprendimento attesi riguardano la gestione, le risorse umane e l’informazione nei loro elementi necessari allo studente del CL.

Contenuti del Corso
Saranno studiati il ciclo di vita dell’impresa e delle altre organizzazioni, il modo di approntare le risorse necessarie, il modo di formare e utilizzare le informazioni per le decisioni, la direzione e la strategia.

 

Intelligenza Artificiale e Sicurezza

(SSD ING-INF/05, 84 ore, 9 CFU, Caratterizzante)

Obiettivi dell'insegnamento
Conoscenza e capacità di comprensione: Lo studente conoscerà i principali elementi relativi alla sicurezza di un sistema informatico basato su tecniche e algoritmi di intelligenza artificiale. Gli obiettivi di apprendimento attesi riguardano la conoscenza dei requisiti per la sicurezza di un sistema informatico e il loro soddisfacimento nei diversi elementi che compongono un sistema: hardware, software di base, software applicativo, comunicazione, sistemi di memorizzazione dei dati. Queste conoscenze vengono contestualizzate nell’ambito di un sistema basato su tecniche di intelligenza artificiale, specificando quali analisi di sicurezza devono essere svolte in ciascun componente del sistema e in ciascuna fase della progettazione e sviluppo al fine di raggiungere un livello di rischio accettabile rispetto al contesto applicativo.

Contenuti del Corso
I requisiti per la sicurezza informatica; sicurezza dei dati; sicurezza delle applicazioni; sicurezza delle reti di comunicazione; prevenzione e rilevazione di attacchi informatici; sicurezza delle fasi di progettazione di un sistema basato su intelligenza artificiale; valutazione della sicurezza.

 

Statistica Computazionale

(SSD SECS-S/01, 84 ore, 9 CFU, Affine)

Obiettivi dell'insegnamento
Conoscenza e capacità di comprensione: Lo studente sarà introdotto all’analisi dei dati basata sull’implementazione di algoritmi di stima di tipo iterativo e ricorsivo per il trattamento di problemi non risolvibili per via analitica ma attraverso metodi statistici che richiedono calcoli intensivi. Gli obiettivi di apprendimento attesi riguardano la conoscenza del software statistico R e la capacità di utilizzare tale software per ottenere stime di uno o più parametri attraverso algoritmi iterativi e di valutare la distorsione e la precisione delle stime mediante metodi di ricampionamento.

Contenuti del Corso
Introduzione alla statistica computazionale e al software statistico R. Generazione di variabili casuali. Metodo Monte Carlo. Metodi di ricampionamento. Metodi di stima non parametrica. Algoritmi di ottimizzazione e loro uso per calcolare le stime di massima verosimiglianza.

Questionnaire and social

Share on: