| 10630014 | ADVANCED ALGORITHMS [INFO-01/A] [ENG] | 2º | 2º | 6 |
Obiettivi formativi ADVANCED ALGORITHMS
Obiettivi formativi (Educational goals)
Il corso approfondisce tecniche avanzate di progettazione e analisi di algoritmi per problemi complessi. Particolare attenzione è dedicata alla modellazione dei problemi, alla valutazione rigorosa dell'efficienza degli algoritmi e all'uso di metodi probabilistici e combinatori.
Conoscenza e capacità di comprensione (Knowledge and understanding)
Lo studente acquisirà una conoscenza approfondita di algoritmi e tecniche avanzate, comprendendone i principi teorici, i limiti computazionali e gli strumenti matematici necessari alla loro analisi.
Capacità di applicare conoscenza e comprensione (Applying knowledge and understanding)
Lo studente sarà in grado di modellare problemi algoritmici complessi, progettare soluzioni efficienti, analizzarne correttezza e complessità e adattare tecniche note a nuovi contesti applicativi.
Autonomia di giudizio (Making judgements)
Lo studente svilupperà la capacità di valutare criticamente diverse soluzioni algoritmiche, confrontandone vantaggi, limiti e ipotesi sottostanti, e di scegliere gli strumenti più appropriati per affrontare un problema dato.
Abilità comunicative (Communication skills)
Lo studente sarà in grado di presentare in modo chiaro e rigoroso algoritmi, dimostrazioni e analisi di complessità, utilizzando il linguaggio e le convenzioni della disciplina.
Capacità di apprendimento (Learning skills)
Lo studente acquisirà gli strumenti concettuali necessari per affrontare autonomamente temi avanzati dell'algoritmica e per leggere e comprendere la letteratura scientifica del settore.
|
| 10629763 | ADVANCED ARCHITECTURES [INFO-01/A] [ENG] | 2º | 2º | 6 |
Obiettivi formativi Obiettivi formativi
Il corso fornisce una comprensione avanzata dei principi dell’architettura dei calcolatori, con particolare riferimento ai sistemi di calcolo parallelo, alle architetture ad alte prestazioni e ai fondamenti del calcolo quantistico. Il corso integra aspetti teorici e metodologici relativi alla valutazione delle prestazioni, alla progettazione di circuiti aritmetici e allo studio delle principali architetture computazionali moderne.
Al termine del corso lo studente sarà in grado di:
analizzare i principali modelli di architettura dei calcolatori, sia sequenziali sia paralleli;
comprendere le caratteristiche delle architetture SIMD, vettoriali e GPU;
progettare e valutare circuiti aritmetici e relative ottimizzazioni;
applicare tecniche avanzate di rappresentazione numerica (IEEE 754, sistemi ridondanti, sistemi in base residua);
utilizzare modelli analitici per la valutazione delle prestazioni (Amdahl, Gustafson-Barsis, performance equation);
comprendere le architetture di memoria e le reti di interconnessione nei sistemi paralleli;
acquisire i concetti fondamentali del calcolo quantistico e della realizzazione di circuiti quantistici elementari.
Conoscenza e capacità di comprensione
Lo studente acquisirà una conoscenza approfondita dei modelli di architettura dei calcolatori, delle tecniche di progettazione dei circuiti digitali, dei paradigmi del calcolo parallelo e dei fondamenti del calcolo quantistico. Comprenderà inoltre i principali modelli teorici per la valutazione delle prestazioni dei sistemi computazionali.
Capacità di applicare conoscenza e comprensione
Lo studente sarà in grado di applicare le conoscenze acquisite per: progettare e analizzare circuiti aritmetici; valutare le prestazioni di sistemi computazionali mediante modelli quantitativi; interpretare e confrontare architetture parallele moderne; analizzare problemi computazionali in contesti hardware complessi, inclusi sistemi vettoriali, GPU e reti di interconnessione.
Autonomia di giudizio
Lo studente svilupperà capacità critiche nell’analisi e nel confronto di diverse soluzioni architetturali, valutandone l’efficienza, la scalabilità, il costo computazionale e le prestazioni in relazione al contesto applicativo.
Abilità comunicative
Lo studente sarà in grado di esporre in modo chiaro e rigoroso concetti complessi relativi all’architettura dei calcolatori, sia in forma scritta sia orale. Sarà inoltre in grado di motivare e difendere scelte progettuali e analisi prestazionali utilizzando una terminologia tecnica appropriata.
Capacità di apprendimento
Lo studente svilupperà autonomia nello studio e nell’aggiornamento continuo delle conoscenze nel settore dell’architettura dei calcolatori, del calcolo parallelo e delle tecnologie emergenti, con capacità di approfondire autonomamente nuovi modelli e paradigmi computazionali.
|
| 10626793 | ADVANCED MACHINE LEARNING [INFO-01/A] [ENG] | 2º | 1º | 6 |
Obiettivi formativi Obiettivi generali:
Il corso presenterà agli studenti i concetti più avanzati e recenti del machine learning e la loro applicazione nella computer vision tramite modelli di deep neural networks (DNN). Comprenderà teoria e programmazione pratica, oltre a un progetto finale pratico. Per le esercitazioni di programmazione e il progetto finale, gli studenti lavoreranno in team e presenteranno le loro idee e i risultati del progetto alla classe.
Obiettivi specifici
La prima parte del corso prevede l'approfondimento dei modelli DNN all'avanguardia per la classificazione e la regressione applicati alla detection (individuazione della posizione degli oggetti nell'immagine), alla pose estimation (se le persone sono in piedi, sedute o in posizione eretta) e alla reidentification (stima di una rappresentazione vettoriale univoca per ogni persona). Il corso tratterà inoltre le DNN per obiettivi multi-task (detection congiunta a pose estimation, reidentification, segmentation, depth estimation, ecc.). Questa prima parte include DNN applicate a sequenze video, sfruttando la memoria e/o l'attenzione (Transformer).
La seconda parte del corso approfondisce modelli, tecniche di addestramento e manipolazione dei dati per la generalizzazione, il domain adaptation e il meta-learning. FROM HERE Oltre al transfer learning (come i modelli pre-addestrati possono essere impiegati per altri compiti), vengono discussi l'apprendimento multimodale (con diverse modalità di sensori come telecamere di profondità o termiche) e l'apprendimento auto-supervisionato (ad esempio, addestrando il modello DNN risolvendo puzzle) per l'annotazione automatica di grandi quantità di dati. Infine, vengono presentati domain adaptation (ad esempio, l'applicazione di rilevatori diurni alla visione notturna) e il meta-learning, un framework di recente sviluppo per imparare a svolgere un compito, ad esempio online o con pochi dati disponibili.
Conoscenze e comprensione:
Al termine del corso, gli studenti avranno familiarità con i modelli DNN all'avanguardia per compiti multipli e obiettivi multi-task, nonché con la generalizzazione e l'uso efficace di dati etichettati e non etichettati per l'apprendimento, l'apprendimento auto-supervisionato e il meta-apprendimento.
Applicazione di conoscenze e comprensione:
Al termine del corso, gli studenti avranno acquisito familiarità con i più recenti progressi nell'apprendimento automatico in una varietà di compiti, il loro adattamento a nuovi ambiti e il continuo autoapprendimento degli algoritmi. Saranno in grado di spiegare gli algoritmi e scegliere le tecniche più appropriate per un dato problema. Saranno in grado di sperimentare con implementazioni esistenti e progettare e scrivere programmi per nuove soluzioni per un dato compito o problema nei due ambiti.
Capacità di pensiero critico e di giudizio:
Gli studenti saranno in grado di analizzare un problema o un compito e identificare le metodologie e le tecniche più adatte da applicare in termini di risoluzione efficace del problema (accuratezza) e di fattibilità, inclusi l'efficienza, la quantità di dati necessari e l'annotazione. Oltre alle discussioni in classe, le capacità di pensiero critico e di giudizio saranno il risultato di esercitazioni, un progetto di corso e una relazione finale sul progetto.
Capacità di comunicazione:
Gli studenti acquisiranno la capacità di esporre le proprie conoscenze in modo chiaro e organizzato, che sarà verificata attraverso la presentazione del progetto finale e la relativa discussione.
Gli studenti saranno in grado di esprimere le proprie soluzioni in modo rigoroso e di spiegare la struttura del codice che hanno scritto.
Capacità di apprendimento:
Le conoscenze acquisite consentiranno agli studenti di affrontare lo studio di altri problemi nell'ambito dell'apprendimento automatico e della visione artificiale. La capacità di apprendimento deriverà dagli argomenti delle lezioni scelti, che coprono ampie aree dell'apprendimento automatico avanzato, nonché dal progetto finale, per il quale gli studenti approfondiranno un nuovo argomento, andando oltre la teoria.
|
| 10626987 | ADVANCED SOFTWARE ENGINEERING [INFO-01/A] [ENG] | 2º | 2º | 6 |
Obiettivi formativi Obiettivi generali:
Il corso si propone di presentare un approccio tramite metodi formali, tipicamente basati su trasformazioni di modelli, allo sviluppo di sistemi software di media complessità (tipicamente applicazioni Enterprise).
L'insegnamento è focalizzato sulle tematiche dello sviluppo guidato da modelli, nelle sue varie articolazioni, fornendo anche un fondamento teorico basato sull'approccio algebrico alla trasformazione di grafi.
Al termine del semestre, i e le partecipanti al corso avranno appreso la modellazione di sistemi attraverso linguaggi testuali e diagrammatici basati su vari tipi di metamodello e le nozioni fondamentali relative alla definizione di linguaggi specifici al dominio, e avranno acquisito competenze nell'utilizzo di diversi strumenti di modellazione.
Obiettivi generali:
Il corso si propone di presentare un approccio tramite metodi formali, tipicamente basati su trasformazioni di modelli, allo sviluppo di sistemi software di media complessità (tipicamente applicazioni Enterprise).
Obiettivi specifici:
Il corso formerà gli studenti su:
1. Fondamenti di metamodellazione
2. Fondamenti di trasformazioni di modelli
3. Linguaggi specifici al dominio
4. Architetture software
Conoscenza e comprensione:
Gli studenti apprenderanno le nozioni fondamentali per la modellazione indipendente dalla piattaforma a partire dalle specifiche dei requisiti e come utilizzare gli strumenti di trasformazione per ottenere implementazioni di codice (parziale) che soddisfino i requisiti e l'utilizzo di architetture enterprise.
Applicazione di conoscenza e comprensione:
Gli studenti saranno in grado di utilizzare alcuni dei linguaggi e degli strumenti più popolari nel campo della modellazione dei sistemi e della trasformazione dei modelli e li utilizzeranno per sviluppare applicazioni a vari livelli di complessità.
Autonomia di giudizio:
Gli studenti svilupperanno le capacità di analisi necessarie per valutare diverse alternative nel campo della modellazione di sistema, in particolare per quanto riguarda la modellazione di dominio e della valutazione dei requisiti architetturali.
Abilità comunicative:
Gli studenti impareranno a documentare le loro scelte, anche attraverso l'uso di strumenti di generazione della documentazione, in particolare sfruttando notazioni diagrammatiche.
Capacità di apprendimento:
La padronanza dei concetti di modello formale e di trasformazione di modello, nonché la familiarità con ambienti di sviluppo software che integrino queste nozioni, permetterà agli studenti di proseguire nell'esplorazione e nell'apprendimento di linguaggi e approcci basati su questi concetti.
|
| 10627537 | AUTOMATIC VERIFICATION OF INTELLIGENT SYSTEMS [INFO-01/A] [ENG] | 2º | 1º | 6 |
Obiettivi formativi Obiettivi formativi
Obiettivi generali:
Il corso si propone di fornire agli studenti metodi e strumenti software avanzati per la modellazione, progettazione, verifica e validazione automatica di sistemi intelligenti.
Obiettivi specifici:
Il corso di propone di mettere gli studenti in grado di comprendere tecniche avanzate di modellazione, progettazione, verifica e validazione per sistemi intelligenti.
Conoscenza e comprensione:
Introduzione ad ampio spettro alle metodologie avanzate per la modellazione, progettazione ed analisi dei sistemi intelligenti.
Applicazione di conoscenza e comprensione:
Saper applicare il portafoglio di tecniche e approcci illustrati per la modellazione, progettazione, verifica e validazione di sistemi intelligenti.
Autonomia di giudizio:
Gli studenti saranno in grado di prendere autonomamente decisioni razionali sulle tecniche e sugli strumenti software da impiegare nella modellazione, progettazione, verifica e validazione di sistemi intelligenti.
Abilità comunicative:
Gli studenti saranno in grado di interagire in modo proficuo con esperti di dominio su un'ampia gamma di argomenti relativi alla modellazione, progettazione, verifica e validazione di sistemi intelligenti.
Capacità di apprendimento:
Gli studenti saranno in grado di ampliare le loro conoscenze in modo autonomo consultando, secondo necessità, la letteratura scientifica di rilievo.
|
| 10628736 | AUTONOMOUS NETWORKING [INFO-01/A] [ENG] | 2º | 1º | 6 |
Obiettivi formativi Obiettivi formativi
Il corso ha l’obiettivo di fornire agli studenti conoscenze teoriche e pratiche sulle reti autonome, con particolare attenzione ai sistemi wireless, alle reti di sensori, alle reti Wi-Fi, RFID, backscattering e alle reti robofisiche. Il corso introduce inoltre i principi del reinforcement learning e il loro impiego nella progettazione di protocolli di comunicazione adattivi, con focus su protocolli MAC e di routing capaci di modificare il proprio comportamento in funzione dello stato della rete e dell’ambiente operativo.
Conoscenza e capacità di comprensione
Al termine del corso, lo studente avrà acquisito conoscenze sui principali paradigmi di comunicazione wireless e sulle caratteristiche delle reti di sensori, RFID, backscattering e robofisiche. Sarà in grado di comprendere le problematiche legate alla condivisione del canale, alla mobilità, alla scarsità di risorse, all’interferenza e alla variabilità delle condizioni operative. Inoltre, lo studente comprenderà i concetti fondamentali del reinforcement learning e il modo in cui tali tecniche possono essere applicate alla progettazione di protocolli di rete autonomi e adattivi.
Capacità di applicare conoscenza e comprensione
Lo studente sarà in grado di analizzare scenari di rete caratterizzati da dinamicità, incertezza e vincoli sulle risorse, individuando soluzioni protocollari adeguate. Sarà capace di progettare, modellare e valutare semplici meccanismi adattivi per il controllo dell’accesso al mezzo, la selezione delle azioni di trasmissione e il routing. Inoltre, saprà applicare strumenti di base del reinforcement learning per formulare problemi di decisione in ambito networking e per confrontare strategie statiche e adattive attraverso metriche di prestazione appropriate.
Autonomia di giudizio
Il corso mira a sviluppare la capacità di valutare criticamente l’efficacia di soluzioni di rete autonome in diversi contesti applicativi. Lo studente sarà in grado di discutere vantaggi e limiti di approcci basati su regole, ottimizzazione e apprendimento automatico, considerando aspetti quali complessità, scalabilità, consumo energetico, robustezza, convergenza e overhead di comunicazione. Sarà inoltre in grado di interpretare risultati sperimentali o simulativi e di formulare giudizi motivati sulla scelta di un protocollo o di una strategia di apprendimento.
Abilità comunicative
Lo studente acquisirà la capacità di descrivere in modo chiaro e rigoroso problemi, modelli e soluzioni relativi alle reti autonome. Sarà in grado di presentare protocolli adattivi, algoritmi di reinforcement learning e risultati di valutazione utilizzando un linguaggio tecnico appropriato. Il corso favorisce inoltre la capacità di discutere articoli scientifici, motivare scelte progettuali e comunicare efficacemente risultati sperimentali sia in forma scritta sia orale.
Capacità di apprendimento
Al termine del corso, lo studente avrà sviluppato gli strumenti necessari per approfondire autonomamente temi avanzati nel campo delle reti autonome, delle reti wireless intelligenti e dell’applicazione del reinforcement learning ai sistemi di comunicazione. Sarà in grado di leggere e comprendere letteratura scientifica recente, individuare problemi aperti e aggiornare le proprie competenze rispetto all’evoluzione delle tecnologie wireless, dei protocolli adattivi e delle metodologie di apprendimento automatico applicate al networking.
|
| 10627562 | BIG DATA COMPUTING [INFO-01/A] [ENG] | 2º | 1º | 6 |
Obiettivi formativi Obiettivi formativi
Il corso si propone di introdurre il big data computing come paradigma strutturale avanzato delle moderne piattaforme computazionali, evidenziando l'intersezione tra le architetture di calcolo distribuito, le rappresentazioni dei dati ad alta dimensione e i sistemi di machine learning scalabili. L'obiettivo primario è fornire agli studenti una comprensione esauriente di come il modello di calcolo scale-out gestisca grandi volumi, velocità e varietà di dati, offrendo le astrazioni metodologiche necessarie per progettare e analizzare sistemi in cui il calcolo esatto classico risulta impraticabile.
Al termine del corso, gli studenti avranno acquisito i fondamenti metodologici per comprendere e analizzare le sfide legate alla progettazione di piattaforme software distribuite e complesse.
Conoscenza e capacità di comprensione
Comprendere i principi teorici e la semantica di esecuzione delle infrastrutture distribuite su larga scala. Conoscenza delle proprietà geometriche che regolano gli spazi ad alta dimensione, dei compromessi della sparsità strutturale e dei limiti dell'elaborazione esatta delle query. Acquisizione di una panoramica completa sui modelli di ottimizzazione distribuita, sulle astrazioni di sincronizzazione dei parametri e sulle pipeline di addestramento efficienti in memoria.
Capacità di applicare conoscenza e comprensione
Essere in grado di applicare astrazioni di elaborazione dati scale-out per mappare carichi di lavoro complessi (relativi a dati tabulari, testuali, immagini e grafi) in pipeline distribuite. Essere in grado di modellare e risolvere task massivi di estrazione, aggregazione e apprendimento dei dati utilizzando bound di sketching probabilistici e metodi di data-skipping in distribuzioni reali su larga scala.
Autonomia di giudizio
Capacità di valutare criticamente i compromessi sistemici tra paradigmi di calcolo esatti e approssimati (es. velocità vs. accuratezza nello sketching, o overhead di sincronizzazione vs. efficienza statistica nell'ottimizzazione distribuita) rispetto a differenti vincoli operativi e infrastrutturali.
Abilità comunicative
Essere in grado di spiegare in modo chiaro, formale e rigoroso i pattern architetturali avanzati e le astrazioni matematiche delle piattaforme big data, esponendo la letteratura scientifica sottoposta a revisione paritaria proveniente dalle principali conferenze internazionali con fluidità accademica.
Capacità di apprendimento
Acquisire una solida base concettuale e orientata alla ricerca che consenta lo studio indipendente dei futuri sviluppi delle infrastrutture cloud, dei moderni framework di esecuzione e dei problemi aperti nell'ingegneria dei sistemi di machine learning massivi.
|
| 10626968 | BIOMETRIC SYSTEMS [INFO-01/A] [ENG] | 2º | 1º | 6 |
Obiettivi formativi Obiettivi formativi:
Essere in grado di progettare e valutare un sistema biometrico o multibiometrico
Conoscere le caratteristiche e le tecniche fondamentali relative alle biometrie fisiche come volto, impronte, iride, ecc., e comportamentali come camminata, firma (caratteristiche dinamiche), stile di battitura, ecc. Conoscere le caratteristiche dell’architettura di un sistema biometrico: sistemi unimodali e multimodali. Essere in grado di valutare le prestazioni di un sistema biometrico in base alla modalità adottata: verifica, identificazione. Essere in grado di valutare/garantire la robustezza di un sistema biometrico rispetto ad attacchi di spoofing (furto di identità).
Conoscenza e capacità di comprensione:
Fondamenti teorici della progettazione di un sistema biometrico e delle tecniche di estrazione/confronto delle caratteristiche specifiche per i principali tratti biometrici.
Capacità di applicare conoscenza e comprensione:
Essere in grado di progettare ed implementare una applicazione di riconoscimento biometrico per almeno uno tratto biometrico.
Autonomia di giudizio:
Essere in grado di valutare le prestazioni e la robustezza agli attacchi di un sistema biometrico. Essere in grado di trasferire tecniche e protocolli in contesti diversi.
Abilità comunicative:
Essere in grado di comunicare/condividere i requisiti di un sistema biometrico, le modalità operative più adatte ad una certa applicazione, e le misure di performance del sistema
Capacità di apprendimento:
Essere in grado di approfondire autonomamente gli argomenti presentati nel corso, relativamente a tecniche e metodi specifici/complessi o a tratti biometrici non presenti tra gli argomenti.
|
| 10627535 | BLOCKCHAIN AND DISTRIBUTED LEDGER TECHNOLOGIES [INFO-01/A] [ENG] | 2º | 1º | 6 |
Obiettivi formativi Obiettivi generali:
Le blockchain costituiscono un paradigma nuovo e rivoluzionario per la gestione distribuita dei sistemi transazionali. Una blockchain è un protocollo per la gestione di ledger distribuiti, ossia per la memorizzazione decentralizzata di una sequenza di transazioni (ledger) a prova di manomissione, mantenuta e verificata dai nodi che partecipano alla rete. Una combinazione di reti peer-to-peer, consenso automatico, crittografia e meccanismi di mercato è al centro delle blockchain, che garantiscono così l'integrità e la trasparenza dei dati. Un numero crescente di piattaforme blockchain fornisce il supporto per i cosiddetti smart contract, ossia codice eseguibile che esprime come condurre attività di business tra le parti contraenti (ad esempio, trasferire beni digitali se una condizione è soddisfatta). La progettazione di un'applicazione sicura, verificabile ed efficiente basata su blockchain richiede la capacità di architettare correttamente le strutture comportamentali tra le parti coinvolte. Il corso copre in dettaglio i principi e le tecnologie alla base delle piattaforme blockchain e le proprietà che garantiscono, da un lato, e mira a fornire i mezzi per la creazione e l'analisi di soluzioni e applicazioni basate su blockchain, dall'altro.
Obiettivi specifici:
Il corso affronta quattro argomenti principali: 1) fondamenti delle blockchain e delle tecnologie distributed ledger; 2) funzionamento di Bitcoin, transazioni, UTXO, Script e consenso Proof-of-Work; 3) funzionamento di Ethereum, account, EVM, gas, Proof-of-Stake e introduzione agli smart contract, con cenni alla loro implementazione per token e NFT; 4) analisi di protocolli di DeFi, wallet, incentivi e applicazioni blockchain-based.
Conoscenza e comprensione:
Gli studenti apprenderanno le basi delle tecnologie blockchain e distributed ledger, comprendendo l’interazione tra primitive crittografiche, strutture dati, reti peer-to-peer, modelli transazionali e protocolli di consenso che contribuiscono a garantire integrità, persistenza e sicurezza delle piattaforme blockchain. Inoltre, studieranno il funzionamento di Bitcoin ed Ethereum, con attenzione a transazioni, UTXO, Script, Proof-of-Work, account, EVM, gas e Proof-of-Stake. Il corso introdurrà gli smart contract, chiarendone il ruolo, il funzionamento e alcuni cenni implementativi relativi a token e NFT. Sarà fornita anche una panoramica delle sfide di cybersecurity inerenti a wallet, protocolli di DeFi, exchange e applicazioni blockchain-based. Inoltre, i discenti guarderanno gli argomenti trattati anche da un punto di vista legislativo, al fine di considerare i principali vincoli normativi, incluso il rispetto della privacy degli utenti.
Applicazione di conoscenza e comprensione:
Al termine del corso, gli studenti avranno ottenuto una elevata comprensione dei pilastri fondamentali delle tecnologie per distributed ledger e delle blockchain. Avranno altresì la capacità di progettare e implementare sistemi basati su blockchain. Inoltre, produrranno report ad elevato livello informativo progettati per gli stakeholder delle applicazioni decentralizzate.
Autonomia di giudizio:
Gli studenti svilupperanno la capacità di valutare la qualità delle applicazioni decentralizzate e delle soluzioni basate su blockchain in generale dal punto di vista dell'affidabilità, della solidità comportamentale, del costo di esecuzione, dell'equilibrio del carico on-chain e off-chain, dell'applicabilità, della sicurezza informatica e della privacy.
Abilità comunicative:
Gli studenti impareranno a documentare le loro scelte progettuali, anche attraverso l'uso di diagrammi e reportistica. Avranno anche acquisito la capacità di preparare presentazioni su argomenti scientifici.
Capacità di apprendimento:
Le nozioni acquisite durante il corso forniranno agli studenti una solida base di conoscenza per poter ulteriormente approfondire gli aspetti più tecnici, e per mantenersi autonomamente informati sui continui sviluppi e aggiornamenti sulle blockchain e le distributed ledger technologies.
|
| 10626985 | CLOUD COMPUTING [INFO-01/A] [ENG] | 2º | 2º | 6 |
Obiettivi formativi Obiettivi generali:
Il Cloud Computing è divenuto una delle fondamentali tecnologie dell’informazione, fornendo elevata scalabilità ed elasticità nella fornitura di applicazioni distribuite (aziendali e scientifiche).
Alla fine del corso gli studenti avranno gli strumenti per comprendere l’impatto del Cloud Computing in un ambiente aziendale (e non) e le implicazioni tecnologiche nello sviluppo di applicazioni Cloud, specificatamente applicazioni per la memorizzazione e l’elaborazione di big data.
Obiettivi specifici
Alla fine del corso, gli studenti avranno acquisito gli strumenti per:
usare le tecnologie di virtualizzazione a livello di sistema e a livello di applicazione
usare tecnologie IaaS e PaaS
progettare architetture virtualizzate
fare il deployment di applicazioni Cloud
valutare costi e prestazioni di sistemi Cloud
Conoscenza e comprensione:
Alla fine del corso, gli studenti avranno acquisito la conoscenza relativa ai fattori che hanno influenzato la diffusione del Cloud Computing, alle tecnologie di virtualizzazione, alle architetture Cloud (autoscaling, load balancing, monitoring, high availability), ai sistemi di memorizzazione dei dati nel Cloud.
Alla fine del corso, gli studenti saranno capaci di comprendere i principi di funzionamento delle soluzioni basate su Cloud (design and operation) e di comprendere problemi di ricerca applicata relativi alle soluzioni basate su Cloud.
Applicare conoscenza e comprensione:
Alla fine del corso, gli studenti saranno capaci di:
spiegare i principi del Cloud Computing
spiegare le principali tecnologie Cloud
risolvere problemi che richiedono l’uso delle tecnologie Cloud e del design e deployment di architetture virtualizzate e di applicazioni Cloud
valutare le prestazioni e i costi di soluzioni basate su Cloud
Capacità critiche e di giudizio:
Nel corso gli studenti svilupperanno abilità di pensiero critico nel campo del Cloud Computing.
Capacità comunicative:
Alla fine del corso gli studenti saranno capaci di comunicare le nozioni imparate a personale tecnico e manageriale.
Capacità di apprendimento successivo:
Dopo il corso, gli studenti avranno acquisito la conoscenza per seguire corsi avanzati di Cloud Computing e di tecnologie big data.
|
| 10627582 | COMPUTATIONAL COMPLEXITY [INFO-01/A] [ENG] | 2º | 1º | 6 |
Obiettivi formativi Obiettivi formativi
Apprendimento dei concetti fondamentali della complessità
computazionale mediante strumenti matematici rigorosi. I temi
principali del corso: l'intrattabilità dei problemi computazionali,
i modelli di calcolo (macchine di Turing, circuiti booleani, alberi di
decisione, complessità della comunicazione), la gerarchia delle classi
di complessità (P, NP, coNP, BPP, ZPP, la gerarchia polinomiale), il
problema P vs NP, la NP-completezza, i protocolli interattivi
e i metodi probabilistici.
Conoscenza e capacità di comprensione
Conoscenza dei principali modelli di calcolo e delle relative misure
di complessità. Comprensione delle tecniche per dimostrare lower bound
e per ridurre problemi. Capacità di leggere e comprendere
dimostrazioni matematiche di carattere combinatorio e probabilistico
tipiche della teoria della complessità computazionale.
Capacità di applicare conoscenza e comprensione
Essere in grado di applicare le tecniche di riduzione per dimostrare
la NP-completezza o la NP-hardness di problemi. Saper utilizzare
metodi combinatori e probabilistici per ricavare risultati di
complessità in modelli quali alberi di decisione e complessità
della comunicazione.
Autonomia di giudizio
Capacità di valutare la difficoltà intrinseca di un problema
computazionale, di identificare il modello di calcolo più adeguato per
analizzarlo e di giudicare la correttezza e l'efficacia di una
dimostrazione di complessità.
Abilità comunicative
Presentazione orale (in inglese, alla lavagna) di una dimostrazione di
NP-hardness o NP-completezza scelta da una lista fornita dal docente,
della durata di circa 20–25 minuti, rivolta ai colleghi del corso.
Capacità di apprendimento
Capacità di leggere autonomamente articoli e capitoli di testo
avanzati di teoria della complessità computazionale, e di applicare le
tecniche apprese per affrontare nuovi modelli e problemi aperti
del settore.
|
| 10630015 | COMPUTER NETWORK PERFORMANCE [INFO-01/A] [ENG] | 2º | 1º | 6 |
Obiettivi formativi Obiettivi formativi
Il corso ha l'obiettivo di fornire agli studenti gli strumenti analitici e metodologici per modellare, valutare e progettare le prestazioni dei sistemi di calcolo e delle reti, con particolare riferimento alla teoria delle code applicata ai sistemi informatici. Il corso introduce i concetti fondamentali della teoria delle code, il background probabilistico necessario, le leggi operazionali (tra cui la legge di Little) per l'analisi predittiva e la risposta a domande di tipo "what-if", le catene di Markov a tempo discreto e continuo, il processo di Poisson e la coda M/M/1, fino ai sistemi multi-server e alle reti di code (server farm M/M/k, provisioning di capacità, teorema di Burke, reti di Jackson, reti chiuse e Mean Value Analysis). A partire da questo impianto quantitativo, il corso affronta inoltre il problema di conciliare l'ottimizzazione delle prestazioni con la sostenibilità dei sistemi, con particolare attenzione alle infrastrutture dei data center per l'intelligenza artificiale, dove il compromesso tra prestazioni, consumo energetico ed efficienza è oggi una sfida centrale. Il corso combina la trattazione teorica con l'analisi di casi reali e con attività di modellazione e simulazione.
Conoscenza e capacità di comprensione
Al termine del corso, lo studente avrà acquisito una conoscenza solida dei principi e delle tecniche alla base della modellazione delle prestazioni dei sistemi di calcolo e delle reti. Comprenderà la terminologia e la classificazione dei sistemi a coda, aperti e chiusi, e le metriche fondamentali di throughput, utilizzazione, numero di clienti nel sistema e tempo di risposta. Avrà padronanza del background probabilistico necessario, compresi variabili aleatorie, valore atteso e varianza, distribuzione normale, teorema del limite centrale e generazione di variabili aleatorie per la simulazione. Comprenderà le leggi operazionali e la legge di Little, le catene di Markov a tempo discreto e continuo, i concetti di ergodicità e distribuzione stazionaria, la distribuzione esponenziale, il processo di Poisson e la proprietà PASTA, nonché l'analisi della coda M/M/1. Conoscerà inoltre i modelli per sistemi multi-server e reti di code (M/M/k e M/M/k/k, provisioning di capacità e square-root staffing, reversibilità temporale e teorema di Burke, reti di Jackson e reti classificate, reti chiuse e Mean Value Analysis). Comprenderà infine le principali problematiche legate al compromesso tra prestazioni ed efficienza energetica nei sistemi di calcolo su larga scala e nelle infrastrutture data center per l'intelligenza artificiale.
Capacità di applicare conoscenza e comprensione
Lo studente sarà in grado di costruire e risolvere modelli a coda per rappresentare il comportamento di sistemi di calcolo e reti reali. Saprà applicare le leggi operazionali e la legge di Little per rispondere a domande di tipo "what-if" e stimare l'impatto di modifiche di sistema sulle prestazioni. Sarà capace di modellare sistemi tramite catene di Markov a tempo discreto e continuo, calcolare distribuzioni stazionarie e metriche di prestazione, e analizzare code M/M/1 e sistemi multi-server M/M/k. Saprà dimensionare la capacità di una server farm, applicare regole di provisioning come lo square-root staffing e analizzare reti di code aperte e chiuse mediante il product form di Jackson e la Mean Value Analysis. Sarà inoltre in grado di impostare e interpretare esperimenti di simulazione e di valutare quantitativamente il compromesso tra prestazioni, consumo energetico e sostenibilità, con applicazione alle infrastrutture data center per carichi di lavoro di intelligenza artificiale.
Autonomia di giudizio
Il corso mira a sviluppare la capacità di valutare criticamente le scelte progettuali dei sistemi di calcolo e delle reti sulla base di modelli quantitativi. Lo studente sarà in grado di discutere vantaggi e limiti delle diverse organizzazioni di server e politiche di gestione delle risorse, di riconoscere l'impatto della variabilità dei carichi di lavoro sulle prestazioni e di giudicare l'adeguatezza di un modello rispetto al sistema reale che intende rappresentare. Sarà inoltre in grado di valutare in modo consapevole il compromesso tra ottimizzazione delle prestazioni e sostenibilità, comprendendo le tensioni tra obiettivi di prestazione, costi, consumo energetico e impatto ambientale, con particolare riferimento alle infrastrutture data center per l'intelligenza artificiale.
Abilità comunicative
Lo studente acquisirà la capacità di descrivere in modo chiaro e rigoroso i modelli di prestazione dei sistemi di calcolo e delle reti e i risultati dell'analisi. Sarà in grado di utilizzare un linguaggio tecnico e matematico appropriato per formulare ipotesi di modellazione, presentare i risultati analitici e di simulazione e discuterne le implicazioni progettuali. Il corso favorisce inoltre la capacità di presentare e discutere i risultati di esercizi, casi di studio e attività di modellazione, argomentando le scelte effettuate e le conclusioni raggiunte anche in relazione agli aspetti di efficienza e sostenibilità.
Capacità di apprendimento
Al termine del corso, lo studente avrà sviluppato le competenze necessarie per approfondire autonomamente temi avanzati nel campo della valutazione delle prestazioni, della teoria delle code e della progettazione di sistemi di calcolo e reti efficienti e sostenibili. Sarà in grado di leggere letteratura tecnica e scientifica, comprendere modelli e metodi analitici, interpretare risultati sperimentali e aggiornare le proprie conoscenze rispetto all'evoluzione delle architetture di calcolo, delle tecniche di modellazione e delle sfide poste dalle infrastrutture per l'intelligenza artificiale.
|
| 10628017 | COMPUTER VISION [INFO-01/A] [ENG] | 2º | 1º | 6 |
Obiettivi formativi Obiettivi generali:
Il corso si propone di fornire agli studenti una panoramica completa della Computer Vision.
Obiettivi specifici:
Il corso fornisce i principi, le metodologie di base e gli algoritmi fondamentali per la progettazione e l’applicazione di sistemi di visione artificiale.
Conoscenza e comprensione:
Introduzione ai principi fondamentali e alle principali aree della Computer Vision, con conoscenze relative alla risoluzione di problemi quali estrazione delle caratteristiche, tracking, analisi della scena, riconoscimento di oggetti e analisi degli eventi.
Applicare conoscenza e comprensione:
Saper applicare l’insieme di tecniche e approcci illustrati per la progettazione e realizzazione di sistemi di visione artificiale.
Capacità critiche e di giudizio:
Gli studenti apprenderanno tecniche consolidate e una vasta gamma di metodi matematici utili alla progettazione di sistemi di visione.
Capacità comunicative:
Gli studenti saranno in grado di interagire efficacemente con altri ricercatori nel campo della Computer Vision su un’ampia gamma di argomenti.
Capacità di apprendimento:
Gli studenti saranno in grado di ampliare autonomamente le proprie conoscenze consultando la letteratura scientifica nel campo della Computer Vision.
|
| 10625959 | CONCURRENT SYSTEMS [INFO-01/A] [ENG] | 2º | 2º | 6 |
Obiettivi formativi Obiettivi generali:
Capire i concetti base dei sistemi concorrenti e le metodologie adottate nella soluzione dei problemi da essi posti
Obiettivi specifici:
Mutua esclusione, diverse proprietà di liveness, semafori, monitor, transazioni, atomicità, concorrenza senza mutua esclusione, altre proprietà di liveness, oggetto universale e consenso. Sistemi di transizioni etichettate, semantica a interleaving, sincronizzazione, simulazione e bisimulazione, tecniche di verifica, passaggio di nomi, sistemi di tipo.
Conoscenza e comprensione:
Capire the problematiche di base dei sistemi concorrenti e le relative soluzioni possibili, i principi fondazionali dei linguaggi di programmazione concorrente e le relative tecniche di verifica
Applicare conoscenza e comprensione:
essere in grado di risolvere problematiche basilari di semplici sistemi concorrenti
Capacità critiche e di giudizio:
capire vantaggi e svantaggi delle varie possibili soluzioni a problematiche di sistemi concorrenti
Capacità comunicative:
sviluppare un linguaggio tecnico e formale in grado di spiegare le soluzioni ideate e i relativi meriti
Capacità di apprendimento:
comprendere scenari di programmazione complessi e le relative soluzioni, anche sofisticate
|
| 10630016 | CRYPTOGRAPHY [INFO-01/A] [ENG] | 2º | 1º | 6 |
Obiettivi formativi Obiettivi Generali:
Lo scopo del corso è quello di tramandare i fondamenti della crittografia, che è la componente principale per la sicurezza nelle applicazioni digitali odierne.
Obiettivi Specifici:
Gli studenti impareranno la metodologia della sicurezza dimostrabile, che permette di dimostrare la sicurezza dei moderni crittosistemi in senso matematico.
Conoscenza e Comprensione:
-) Conoscenza dei fondamenti matematici della crittografia moderna.
-) Conoscenza delle principali assunzioni crittografiche, su cui si basa la sicurezza dei moderni crittosistemi.
-) Conoscenza degli schemi crittografici usati nella vita reale. Comprensione delle loro proprietà (teoriche e pratiche).
Applicare Conoscenza e Comprensione:
-) Come selezionare la giusta primitiva crittografica per una data applicazione.
-) Come analizzare la sicurezza di un dato crittosistema.
Capacità critiche e di giudizio:
Gli studenti saranno in grado di giudicare se una data primitiva crittografica è sicura oppure no.
Capacità Comunicative:
Come descrivere la sicurezza di una costruzione crittografica nel linguaggio della sicurezza dimostrabile.
Capacità di Apprendimento Successivo:
Gli studenti interessati alla ricerca verranno a conoscenza di alcuni problemi aperti nell'area, ed otterranno le basi necessarie per studi più approfonditi in materia.
|
| 10625772 | DATA AND NETWORK SECURITY [INFO-01/A] [ENG] | 2º | 2º | 6 |
Obiettivi formativi Obiettivi generali
Il corso di Data and Network Security è progettato per fornire agli studenti una solida base nei principi fondamentali della cybersecurity, esponendoli al contempo alle tendenze attuali e agli sviluppi più avanzati del settore. Inoltre, il corso mira a promuovere la partecipazione attiva in aula e la discussione tra studenti su tematiche relative alla sicurezza.
Obiettivi specifici
Il corso di Data and Network Security ha l’obiettivo di offrire agli studenti una comprensione approfondita di un ampio spettro di concetti, paradigmi e applicazioni pratiche della cybersecurity. Si pone particolare enfasi su una prospettiva critica nei confronti del panorama di minacce in continua evoluzione, stimolando gli studenti non solo ad apprendere le basi della materia, ma anche a esplorare le sfide più recenti e le tendenze di ricerca. Ogni lezione è strutturata con un duplice obiettivo: in primo luogo, introdurre un argomento specifico di cybersecurity—come meccanismi di autenticazione, tipi di malware, canali di comunicazione occulti, cyber deception, attestazione remota nell’IoT, digital forensics, protezione dei dati, software-defined networking e minacce persistenti avanzate—e in secondo luogo, evidenziare le principali domande di ricerca, minacce emergenti e tecniche innovative relative a ciascun tema. Questo approccio garantisce agli studenti una preparazione teorica solida insieme a una consapevolezza delle problematiche pratiche e orientate alla ricerca. Uno degli obiettivi centrali del corso è coltivare il pensiero critico e la curiosità verso la ricerca. Gli studenti sono incoraggiati ad andare oltre una comprensione superficiale, approfondendo articoli scientifici che hanno avanzato lo stato dell’arte o evidenziato nuove vulnerabilità e abusi di sistema. Per stimolare questa mentalità, ogni studente condurrà una ricerca indipendente su un argomento di sicurezza a scelta. Analizzerà approcci esistenti, presenterà i risultati ai colleghi e parteciperà a discussioni sulle future direzioni della cybersecurity. Questo coinvolgimento attivo con la ricerca contemporanea fornirà agli studenti le competenze per valutare, mettere in discussione e contribuire al campo.
Conoscenza e capacità di comprensione
Gli studenti acquisiranno una solida base nei principi fondamentali della cybersecurity, inclusi i concetti, le tecnologie e le pratiche essenziali per proteggere i sistemi digitali e i dati da accessi non autorizzati, attacchi ed exploit. Esploreranno aree chiave come i metodi crittografici, i protocolli di comunicazione sicura, la modellazione delle minacce e i principali tipi di attacco informatico (es. phishing, malware, attacchi di tipo denial-of-service). Attraverso lezioni teoriche e esempi pratici, svilupperanno la comprensione di come le misure di sicurezza siano progettate, implementate e valutate in contesti reali. Questa conoscenza costituirà la base per valutare i rischi, riconoscere vulnerabilità e applicare meccanismi protettivi in vari ambienti digitali.
Capacità di applicare conoscenza e comprensione
Gli studenti metteranno in pratica quanto appreso attraverso progetti individuali o di gruppo che li stimoleranno a esplorare ambiti emergenti nel panorama della cybersecurity. Tali progetti li porteranno ad analizzare problemi specifici di sicurezza, valutare minacce reali o vulnerabilità e investigare meccanismi difensivi esistenti o innovativi. Attraverso revisioni della letteratura, progettazione di esperimenti o sviluppo di prototipi, gli studenti approfondiranno la comprensione della materia e svilupperanno competenze di pensiero critico, problem-solving e comunicazione scientifica. I progetti si concluderanno con presentazioni e relazioni tecniche, favorendo l’apprendimento collaborativo e il feedback tra pari.
Capacità critiche e di giudizio
Gli studenti svilupperanno capacità analitiche critiche necessarie per valutare e confrontare approcci alternativi nella progettazione di sistemi informativi sicuri. Ciò include l’abilità di identificare vulnerabilità potenziali, valutare i compromessi tra sicurezza e usabilità e prendere decisioni informate basate su considerazioni teoriche e pratiche.
Abilità comunicative
Gli studenti impareranno a documentare in modo efficace le scelte tecniche e progettuali, utilizzando sia metodi manuali sia strumenti automatizzati comunemente adottati nei flussi di lavoro in cybersecurity. Inoltre, svilupperanno la capacità di comunicare chiaramente argomenti scientifici complessi attraverso la preparazione e la presentazione di contenuti strutturati. Questo rafforzerà le loro competenze nel presentare risultati di ricerca, difendere le proprie scelte e partecipare a discussioni informate, abilità fondamentali in contesti accademici e professionali.
Capacità di apprendimento
Le conoscenze e competenze acquisite nel corso forniranno agli studenti una base solida per proseguire gli studi in ambito cybersecurity. Saranno inoltre in grado di restare aggiornati sugli sviluppi continui del settore, consentendo loro di affrontare in modo critico nuove minacce, tecnologie e trend di ricerca nel corso della carriera.
|
| 10626114 | DEEP LEARNING AND APPLIED ARTIFICIAL INTELLIGENCE [INFO-01/A] [ENG] | 2º | 2º | 6 |
Obiettivi formativi Obiettivi formativi
Tecniche avanzate di machine learning supervisionato e non supervisionato e modellazione di problemi complessi mediante deep learning. Reti neurali profonde, loro addestramento e interpretazione; reti convoluzionali e architetture prominenti; teoria del deep learning (con attenzione alla convergenza); framework per l'implementazione; autoencoders; attacchi avversari; modelli generativi a diffusione.
Conoscenza e capacità di comprensione
Conoscenza del funzionamento delle reti neurali e della loro interpretazione matematica come approssimatori universali. Comprensione dei limiti e delle potenzialità dei modelli avanzati di machine learning.
Capacità di applicare conoscenza e comprensione
Progettazione, implementazione, messa in esercizio e analisi di architetture di deep learning per risolvere problemi complessi in diversi ambiti applicativi.
Autonomia di giudizio
Capacità di valutare le prestazioni di diverse architetture e la loro capacità di generalizzazione.
Abilità comunicative
Capacità di comunicare con chiarezza la formulazione di un problema di apprendimento avanzato e la sua implementazione, nonché la sua applicabilità in contesti realistici, motivando le scelte architetturali e di regolarizzazione.
Capacità di apprendimento
Capacità di apprendere tecniche alternative, più complesse e recenti selezionate dallo stato dell'arte, e di implementare tecniche esistenti in modo efficiente, robusto e affidabile.
|
| 10628018 | DISTRIBUTED SYSTEMS [INFO-01/A] [ENG] | 2º | 1º | 6 |
Obiettivi formativi Obiettivi generali
Il corso ha come obiettivo di illustrare i concetti fondamentali dei sistemi distribuiti e la loro implementazione nei sistemi reali a larga scala moderni.
Obiettivi specifici
Gli studenti si familiarizzeranno con tecniche di analisi, progetto e monitoraggio di sistemi distribuiti
Conoscenza e comprensione
Al termine del corso gli studenti avranno acquisito conoscenze avanzate relative al monitoraggio delle computazioni distribuite, fault tollerance e failure detectors, consistenza e consenso, orologi logici e vector clocks per i sistemi asincroni,
Applicare conoscenza e comprensione
Al termine del corso gli studenti saranno in grado di applicare le conoscenze acquisite all'analisi di sistemi reali come ad esempio Chord e Amazon.
Capacità critiche e di giudizio
Lo studente otterrà la capacità di analisi e valutazione della correttezza e dell’efficienza delle computazione distribuite, di comprendere le loro caratteristiche principali e di valutare in maniera critica pregi e difetti.
Capacità comunicative
Lo studente acquisirà la capacità di esporre in modo chiaro ed organizzato le proprie conoscenze, capacità che verrà verificata durante la prova orale.
Capacità di apprendimento successivo
Le conoscenze acquisite permetteranno allo studente di affrontare lo studio di ulteriori ma più specifici protocolli di tipo distribuito in modo approfondito e completo, e di essere in grado di progettare soluzioni di system design a partire da quelle dei sistemi reali affrontati in classe.
|
| 10629106 | FORMAL METHODS FOR AI-BASED SYSTEMS ENGINEERING [INFO-01/A] [ENG] | 2º | 2º | 6 |
Obiettivi formativi Obiettivi generali:
L'insegnamento è indirizzato all'acquisizione delle conoscenze logiche e di modellazione necessarie alla ingegneria dei sistemi basata su intelligenza artificiale.
Obiettivi specifici:
L'insegnamento consentirà agli studenti di padroneggiare un portafoglio rappresentativo di metodi formali per l'ingegneria dei sistemi basata su intelligenza artificiale, tra cui approcci alla verifica formale e di ottimizzazione del design di sistemi complessi.
Conoscenza e comprensione:
Alla fine del corso gli studenti avranno piena comprensione degli strumenti di modellazione e delle tecnologie proposti.
Capacità di applicare conoscenza e comprensione:
Gli studenti saranno in grado di utilizzare gli strumenti presentati durante il corso e
di approfondirne lo studio consultando autonomamente altri testi dedicati all'argomento, inclusa la letteratura scientifica dell'area.
Capacità critiche e di giudizio:
Le conoscenze acquisite permetteranno agli studenti di affrontare al meglio le attività di ingegneria dei sistemi durante la loro carriera lavorativa.
Capacità di comunicazione:
Gli studenti verranno stimolati ad esporre ed a comunicare le proprie esperienze con i loro colleghi e con i docenti.
Capacità di proseguire lo studio:
Il corso tratterà soltanto alcune delle metodologie e tecnologie disponibili, ma renderà edotti gli studenti dell'ampio spettro di approcci disponibili all’ingegneria dei sistemi basata su intelligenza artificiale. Questo permetterà agli studenti di poter scegliere criticamente le metodologie e le tecnologie più opportune per ogni nuovo problema.
|
| 10625773 | FOUNDATIONS OF DATA SCIENCE [INFO-01/A] [ENG] | 2º | 1º | 6 |
Obiettivi formativi Obiettivi formativi:
Acquisire i fondamenti della scienza dai dati e dell'apprendimento automatico.
Rendere gli studenti consapevoli degli strumenti teorici e pratici della scienza dei dati e dell'apprendimento automatico, nonché dei loro limiti intrinseci; rendere gli studenti in grado di affrontare problemi reali attraverso gli strumenti più appropriati.
Conoscenza e capacità di comprensione:
Il corso fornisce le nozioni, tecniche e metodologie di base utilizzate nell'ambito della scienza dei dati e dell'apprendimento automatico. Fornisce inoltre i rudimenti di programmazione necessari ad applicare la teoria a casi reali
Capacità di applicare conoscenza e comprensione:
Alla fine del corso, gli studenti sapranno affrontare problemi concreti di scienza dei dati, dalla loro formalizzazione sino alla manipolazione dei dati attraverso appropriati strumenti software.
Autonomia di giudizio:
Gli studenti saranno in grado di scegliere le tecniche da applicare al caso specifico e di valutarne le prestazioni.
Abilità comunicative:
Gli studenti saranno in grado di rappresentare e comunicare l'informazione estratta dai dati, attraverso l'uso razionale di grafici e indicatori.
Capacità di apprendimento:
Gli studenti saranno messi in grado di apprendere autonomamente nozioni sia teoriche che pratiche del campo.
|
| 10628575 | GRAPH THEORY [INFO-01/A] [ENG] | 2º | 2º | 6 |
Obiettivi formativi Obiettivi generali: Lo studente raggiungerà una piena padronanza dei risultati classici della teoria dei grafi e verrà inoltre a conscenza dei risultati e dei concetti più recenti della ricerca attuale in teroia dei grafi.
Obiettivi specifici: Gli argomenti fondamentali che lo studente conoscerà dopo il corso includono: alberi e alberi spanning in grafi; connettività nei grafi; Cicli Hamiltonian e condizioni sufficienti per la loro esistenza. Teorema di Menger e flussi nei grafici. La teoria dei matching nei grafi inclusi i teoremi di Konig, Hall e Tutte. Teoria dei grafi estremi e la teorema di Turan e la teoria di Ramsey. Grafi planari e la colorazione di grafi.
Conoscenza e comprensione: Lo studente acquisirà padronanza delle tecniche di base utili per le dimostrazioni matematiche e prenderà familiarità con le tecniche più avanzate. Inoltre potrà comprendere sia i risultati fondamentali della teoria dei grafi che le dimostrazioni degli stessi.
Applicazione di conoscenza e comprensione Lo studente prenderà confidenza con il concetto matematico di induzione applicato a diversi contesti e sarà in grado di risolvere in maniera autonoma i problemi di base della teoria dei grafi.
Autonomia di giudizio: Lo studente sarà in grado di selezionare in maniera autonoma gli strumenti matematici necessari per la risoluzione di un problema. Potrà inoltre stabilire quali sono gli argomenti di ricerca più significativi nell'ambito della teoria dei grafi.
Abilità comunicative: Lo studente acquisirà l'abilità di scrivere in maniera rigorosa le dimostrazioni matematiche della disciplina.
Capacità di apprendimento: Al completamento del corso di studi, lo studente sarà in possesso degli strumenti necessari per leggere e comprendere la letteratura scientifica sulla teoria dei grafi e per produrre ricerca originale nel campo.
|
| 10629525 | HIGH-PERFORMANCE COMPUTING [INFO-01/A] [ENG] | 2º | 1º | 6 |
Obiettivi formativi Obiettivi generali
Progettazione e programmazione di sistemi per il calcolo ad alte prestazioni
Obiettivi specifici
Panoramica dei sistemi HPC
Metriche di prestazione
Architetture CPU moderne per l’HPC
Modello Roofline
Processori vettoriali
Limiti di prestazione e profilazione
Progettazione orientata ai dati
Acceleratori hardware
HPC su larga scala
Ruolo degli interconnect nei sistemi HPC
Introduzione alle reti scale-up e scale-out
Panoramica delle metriche di prestazione delle reti
Reti scale-out: progettazione della topologia per i sistemi HPC
Reti scale-out: instradamento adattivo
Reti scale-out: controllo della congestione
Reti scale-up e scale-out: protocolli di interconnessione ad alte prestazioni
RDMA, InfiniBand, Slingshot, RoCE, ecc.
Comunicazioni collettive nell’HPC
Analisi e ottimizzazione del carico di lavoro
Conoscenza e capacità di comprensione
Conoscere e capire come progettare e programmare sistemi per il calcolo ad alte prestazioni
Capacità di applicare conoscenza e comprensione
Dimostrare di saper progettare sistemi HPC
Dimostrare di saper scrivere codice ottimizzato per applicazioni HPC
Autonomia di giudizio
Saper scegliere il miglior approccio, tra i vari studiati, per risolvere un determinato compito
Abilità comunicative
Essere in grado di valutare e motivare le proprie scelte nella progettazione di un sistema HPC
Capacità di apprendimento
Capire le differenze e i vantaggi delle varie tecniche di progettazione di sistemi HPC
|
| 10628576 | HUMAN COMPUTER INTERACTION ON THE WEB [INFO-01/A] [ENG] | 2º | 2º | 6 |
Obiettivi formativi Obiettivi generali
Il corso di sistemi informativi analizza differenti tipologie di sistemi informativi e come esse possono contribuire al successo degli obiettivi di un’azienda; permette di comprendere gli approcci e i modelli da usare per valutare la qualità dei processi, del software e dei servizi ICT; e fornisce le conoscenze di base per pianificare, gestire e controllare i progetti IT.
Obiettivi specifici
• Conoscenza e comprensione
– Modello funzionale e struttura informativa dei processi aziendali
– esigenze di integrazione e requisiti di controllo dei dati dei sistemi informatici aziendali
– sistemi e tecnologie per sviluppare e mantenere un e-business di successo
– principali settori di applicazione dei sistemi di informazione in vari settori di mercato
– organizzazione IT e modelli di valutazione della qualità IT
– conoscenze di base di contesto, tecniche/metodologie e soft skill per la gestione dei progetti ICT
• Applicazione di conoscenze e comprensione
– Analizzare le diverse tipologie di requisiti in relazione a differenti categorie di utenti (stakeholder) di sistemi informativi
– Selezionare l’appropriato modello per valutare la qualità dei processi ICT, del prodotto software e dei servizi ICT
– Sviluppare uno studio di fattibilità selezionando l’appropriata architettura applicativa e tecnologica
– Preparare, per un semplice progetto ICT, un piano di sviluppo nel rispetto dei vincoli di tempo, costi, qualità e definendo l’appropriata organizzazione
– Controllare un progetto ICT in corso, applicando le tecniche di project management
– Comprendere a valutare le lezioni apprese nei precedenti progetti
Capacità critiche e di giudizio:
Gli studenti, mediante test e case study, acquisiranno competenze nella comprensione dei tipi di sistemi informativi, nell’uso dei modelli di quality management e nella pianificazione e gestione di un progetto.
Capacità comunicative:
Gli studenti, costituiti in team, saranno coinvolti in attività finalizzate alla realizzazione di un piano di comunicazione di un progetto basato su un case study, che sarà mostrato ai colleghi spiegando le ragioni delle scelte adottate.
Capacità di apprendimento:
La capacità di apprendimento sarà stimolata attraverso la preparazione di uno studio di fattibilità contenente:
[a] la definizione dei requisiti del tipo di sistema informativo più adatto;
[b] la definizione dei requisiti tecnici e di qualità;
[c] la pianificazione di un progetto di implementazione del sistema informativo.
|
| 10628603 | INTERNET OF THINGS [INFO-01/A] [ENG] | 2º | 2º | 6 |
Obiettivi formativi Obiettivi specifici
Introduzione alle reti wireless di supporto ai sistemi Internet delle cose, analisi delle soluzioni di ricerca relative ad alcune
delle sfide per la realizzazione dei sistemi internet delle cose (abbattimento del consumo energetico, integrazione del mondo IoT e della robotica, comunicazioni autonome, ottimizzazione congiunta dei requisiti applicativi e di comunicazione).
Attività di laboratorio.
Struttura sintetica del corso:
- Introduzione alle reti radio
- Introduzione ai sistemi cellulari e alle reti mobili ad hoc
- Protocolli per sensing systems: protocolli di MAC, routing, localizzazione e sincronizzazione
- Verso l'Internet delle cose: caratteristiche e problematiche, protocolli standard e tecnologie, sfide ancora aperte
- Integrazione di robotica e IoT systems.
-Lab di programmazione IoT
Conoscenze e comprensione:
Alla fine del corso lo studente saprà leggere e comprendere articoli scientifici, documenti tecnici e standard del settore; avrà compreso i trade-off prestazionali associati a diverse scelte progettuali.
Sarà quindi in grado di progettare futuri sistemi wireless e IoT. Avrà fatto prime esperienze pratiche relative alla programmazione e valutazione sperimentale di tali sistemi.
Applicazione di conoscenza e comprensione:
Gli studenti saranno in grado di partecipare alla progettazione di futuri sistemi e applicazioni IoT e di sistemi 5G.
Capacità di giudizio:
Gli studenti svilupperanno le capacità di analisi necessarie per valutare diverse scelte progettuali alternative selezionando la migliore per ogni specifico scenario applicativo e tipo di tecnologia.
Capacità di comunicazione:
Gli studenti impareranno ad analizzare e presentare articoli scientifici, idee di ricerca o soluzioni tecniche di settore, descrivendole in modo sintetico ed accurato, con un linguaggio tecnico
adeguato.
Capacità di apprendimento:
Gli studenti acquisiranno sia competenze teoriche che pratiche relative alla progettazione dei sistemi wireless e IoT, che li metteranno in grado di proseguire l'approfondimento di questi argomenti.
|
| 10627474 | LOGICS AND REASONING [INFO-01/A] [ENG] | 2º | 2º | 6 |
Obiettivi formativi Obiettivi generali: Il corso ha l'obiettivo di introdurre gli studenti ai risultati e ai metodi fondamentali della Logica Matematica con particolare attenzione alla loro applicazione nell'ambito dell'Informatica.
Obiettivi specifici: L'obiettivo del corso è duplice. In primo luogo si intende dotare lo studente di una conoscenza rigorosa e di una capacità di applicare quei risultati e metodi della Logica Matematica che trovano applicazione in numerose aree dell'Informatica. D'altra parte si intende offrire allo studente una strumenti e conoscenze fondamentali per intraprendere un percorso di ricerca in Informatica Teorica.
Conoscenze e comprensione: Il corso mira a dotare lo studente di una conoscenza rigorosa degli argomenti del corso attraverso lo studio delle dimostrazioni e la produzione di argomenti rigorosi nello svolgimento degli esercizi. Particolare attenzione è data alla motivazione concettuale, alla dimostrazione rigorosa e alla applicabilità dei risultati trattati nel corso.
Applicare conoscenza e comprensione: I metodi della logica matematica hanno un ruolo fondamentale in diverse aree dell'Informatica quali la Teoria della Complessità, la Teoria delle Basi di Dati, l'Intelligenza Artificiale. Si mira a stimolare nello studente la capacità di applicare in vari contesti dell'informatica i metodi e i risultati studiati.
Capacità di giudizio: Viene stimolata la partecipazione attiva alle lezioni ed esercitata l'autonomia di giudizio attraverso l'assegnazione di esercizi e problemi.
Capacità di comunicazione: Lo studente può scegliere di dare l'esame finale in forma di presentazione seminariale davanti alla classe di un risultato concordato con il docente.
Capacità di apprendimento: I metodi di analisi e formalizzazione acquisiti durante il corso trovano applicazione in diverse aree dell'Informatica. L'esercizio di formalizzazione e problem-solving durante il corso rinforza le capacità di apprendimento e acquisizione di nuove competenze.
|
| 10629076 | METHODS IN COMPUTER SCIENCE EDUCATION [INFO-01/A] [ENG] | 2º | 2º | 6 |
Obiettivi formativi Obiettivi generali:
Conoscere ed applicare le più recenti metodologie di insegnamento dell'Informatica nella scuola superiore.
Il corso svilupperà una serie di use-cases relativi alle tecniche di insegnamento dell'Informatica a scuola.
Obiettivi specifici:
• Progettazione e sviluppo di metodologie di insegnamento dell'informatica: illustrazione dei principi e dei metodi per la costruzione di attività e più in generale di un curriculum di informatica coerente con gli obiettivi fissati dalle indicazioni nazionali per i licei e dalle linee guida per gli istituti tecnici e professionali.
• Metodologie e tecnologie didattiche per lo studio del rapporto dell'informatica con la società attuale, e in particolare degli aspetti etici legati, per esempio, al trattamento dei dati personali, all'automazione di decisioni e raccomandazioni, alla ridefinizione del concetto di copyright.
• Esplicitazione del parallelismo fra metodologie informatiche e metodologie didattiche: tecniche di problem solving costruttivo; approccio epistemologico ai problemi; metodi cooperativi di sviluppo delle soluzioni.
Conoscenze e comprensione:
Principi e metodi di costruzione di attività didattiche di C.S. nella scuola superiore.
Aspetti etici dell'uso dei dati e dei contenuti personali.
Applicare conoscenza e comprensione:
Agli studenti verrà richiesto di scegliere e sviluppare alcuni moduli didattici per la scuola superiore.
Capacità di giudizio:
Lo studente sarà autonomo nello scegliere i moduli da sviluppare e nella loro fase di progetto e realizzazione.
Capacità di comunicazione:
Gli studenti dovranno dimostrare di saper produrre moduli didattici di qualità, con una forte capacità di interessare e comunicare con precisione gli argomenti chiave della lezione da sviluppare.
Capacità di apprendimento:
La metodologia di progetto dei moduli didattici vista nel corso sarà facilmente applicabile ad altri tipi di corsi.
|
| 10627173 | MODELS OF COMPUTATION [INFO-01/A] [ENG] | 2º | 1º | 6 |
Obiettivi formativi Obiettivi formativi
L'insegnamento è indirizzato all'acquisizione delle conoscenze matematiche relative ad aspetti fondamentali dei linguaggi di programmazione funzionale e imperativa con particolare attenzione ai meccanismi di esecuzione dei programmi.
Conoscenza e capacità di comprensione
Alla fine del corso lo studente avrà piena comprensione degli strumenti matematici proposti.
Capacità di applicare conoscenza e comprensione:
Lo studente sarà in grado di approfondire lo studio consultando autonomamente manuali o pubblicazioni scientifiche.
Autonomia di giudizio
Le conoscenze acquisite permetteranno allo studente di individuare e confrontare in altri ambiti gli argomenti proposti nell'uso di linguaggi di programmazione, in particolare nell'ambito lavorativo.
Abilità comunicative
Lo studente viene stimolato ad esporre e comunicare le proprie esperienze ai suoi colleghi.
Capacità di apprendimento
Il corso tratta aspetti fondamentali della programmazione, assicurando allo studente la possibilità di individuarli autonomamente nell'uso di ogni particolare linguaggio.
|
| 10626164 | MULTIMODAL INTERACTION [INFO-01/A] [ENG] | 2º | 2º | 6 |
Obiettivi formativi Obiettivi formativi
Il corso, denominato Multimodal Interaction with Artificial Intelligence e indicato di seguito, per semplicità, come Multimodal Interaction, ha l’obiettivo di fornire agli studenti una preparazione avanzata sulla progettazione, lo sviluppo e la valutazione di sistemi multimodali intelligenti e di sistemi unimodali avanzati basati su tecniche moderne di Intelligenza Artificiale. Il corso affronta l’interazione multimodale come area interdisciplinare nella quale convergono Computer Vision, Human-Computer Interaction, Machine Learning, Deep Learning, analisi dei segnali e sistemi intelligenti. Vengono studiate sia le singole modalità di interazione e percezione, sia la loro integrazione in architetture multimodali complesse. In particolare, il corso considera modalità visive, vocali, gestuali, posturali, acustiche, fisiologiche, EEG, Wi-Fi e altri segnali utili alla comprensione dell’uomo, dell’ambiente e del contesto operativo. Partendo dall’analisi delle singole modalità, il corso introduce i principi e le tecniche per la progettazione di sistemi multimodali, con particolare attenzione alla rappresentazione dell’informazione, all’estrazione di caratteristiche, alla modellazione tramite algoritmi di apprendimento automatico, alla fusione multimodale e alla fissione dell’informazione su più canali. Allo stesso tempo, il corso considera anche scenari unimodali avanzati, nei quali una singola modalità sensoriale, ad esempio immagini o video, può essere elaborata in modo sofisticato per estrarre molteplici livelli informativi, quali aspetto, movimento, postura, azione, traiettoria, contesto e relazioni spaziali. L’obiettivo è rendere lo studente capace di comprendere sia come modalità diverse possano cooperare per costruire sistemi più robusti, adattivi e intelligenti, sia come una singola modalità possa essere sfruttata in profondità attraverso tecniche avanzate di Intelligenza Artificiale.
Il corso adotta una duplice prospettiva. La prima riguarda i sistemi avanzati di interazione uomo-macchina, nei quali una o più modalità vengono utilizzate per riconoscere, interpretare e gestire input umani multimodali, rendendo l’interazione con macchine, ambienti digitali, robot e sistemi autonomi più naturale, efficace e personalizzata. La seconda riguarda l’impiego dell’Intelligenza Artificiale multimodale e unimodale avanzata in scenari applicativi complessi, quali robotica, sicurezza, sorveglianza, monitoraggio indoor e outdoor, ambient intelligence, sistemi autonomi, prevenzione di eventi critici, analisi del comportamento umano e supporto decisionale in contesti reali. Particolare attenzione viene dedicata anche ad applicazioni emergenti quali il riconoscimento di stati cognitivi ed emotivi, l’analisi della personalità, la biometria fisiologica e comportamentale, l’identificazione e autenticazione dell’identità, il riconoscimento di comportamenti anomali o ingannevoli, il monitoraggio delle persone, la sicurezza fisica e ambientale, la protezione di infrastrutture e scenari avanzati legati alla prevenzione del rischio e alla sicurezza. In tale prospettiva, il corso mira a formare studenti capaci non solo di utilizzare tecniche esistenti, ma anche di progettare soluzioni originali, critiche e scientificamente fondate per sistemi intelligenti multimodali e unimodali avanzati.
Conoscenza e capacità di comprensione
Al termine del corso, lo studente avrà acquisito conoscenze relative ai fondamenti teorici della comunicazione e dell’interazione attraverso diversi canali sensoriali, cognitivi e comportamentali. Comprenderà le caratteristiche principali delle diverse modalità di input e output nei sistemi uomo-macchina, incluse modalità visive, vocali, gestuali, posturali, acustiche, fisiologiche, EEG, Wi-Fi e biometriche. Lo studente comprenderà inoltre i principi fondamentali per la progettazione di un sistema multimodale, con riferimento alla rappresentazione dei dati, all’estrazione di feature, alla modellazione mediante tecniche di Machine Learning e Deep Learning, alla cooperazione tra canali informativi, alla fusione multimodale e alla generazione di risposte o comportamenti coerenti attraverso più modalità di output. Acquisirà inoltre conoscenze relative all’analisi unimodale avanzata, con particolare riferimento alla capacità di estrarre da una singola sorgente informativa molteplici descrittori utili alla comprensione dell’uomo, dell’ambiente e del contesto. Saranno inoltre acquisite conoscenze sui principali ambiti applicativi dell’interazione multimodale basata su Intelligenza Artificiale, tra cui interfacce uomo-macchina naturali, sistemi robotici e autonomi, sistemi di monitoraggio intelligente, biometria, sicurezza, sorveglianza, analisi del comportamento umano, riconoscimento di stati cognitivi ed emotivi e interpretazione del contesto in ambienti reali.
Capacità di applicare conoscenza e comprensione
Lo studente sarà in grado di applicare le conoscenze acquisite alla progettazione e allo sviluppo di sistemi multimodali intelligenti o unimodali avanzati. In particolare, sarà in grado di selezionare le modalità più adeguate rispetto a uno specifico scenario applicativo, progettare pipeline di acquisizione e analisi dei dati, implementare strategie di fusione e fissione dell’informazione e valutare le prestazioni del sistema rispetto agli obiettivi prefissati. Lo studente sarà inoltre in grado di utilizzare tecniche di Intelligenza Artificiale per analizzare input multimodali provenienti dall’uomo, dall’ambiente o da sistemi sensoriali eterogenei, nonché per valorizzare in modo avanzato singole modalità informative, ad esempio immagini, video o segnali specifici, con applicazioni in ambiti quali interazione uomo-macchina, biometria, robotica, sicurezza, monitoraggio, riconoscimento del comportamento e sistemi autonomi. Una parte rilevante dell’esame consiste nella progettazione e nello sviluppo di un sistema multimodale o unimodale avanzato, nel quale lo studente dovrà applicare in modo concreto le nozioni presentate durante il corso. Tale attività permetterà di verificare la capacità di tradurre concetti teorici in soluzioni operative, con attenzione sia agli aspetti algoritmici sia agli aspetti progettuali, sperimentali e applicativi.
Autonomia di giudizio
Lo studente svilupperà la capacità di valutare criticamente le prestazioni, la robustezza, i limiti, l’affidabilità e l’adeguatezza di un sistema multimodale o unimodale avanzato rispetto allo scenario applicativo considerato. Sarà in grado di analizzare le scelte progettuali relative alle diverse modalità utilizzate, alla loro integrazione, alla qualità dei dati, alle metriche di valutazione e alla sostenibilità complessiva della soluzione proposta. Il corso mira inoltre a sviluppare la capacità di condurre una ricerca bibliografica autonoma, finalizzata a comprendere lo stato dell’arte, valutare il livello di innovazione di un sistema multimodale o unimodale specifico e individuare possibili miglioramenti rispetto a metodi, architetture o applicazioni già esistenti. Particolare attenzione sarà dedicata anche alla valutazione critica di sistemi intelligenti in contesti sensibili, quali biometria, sicurezza, monitoraggio delle persone, riconoscimento di stati interni o comportamenti anomali, nei quali robustezza, interpretabilità, accuratezza, privacy, affidabilità e corretto uso delle tecnologie assumono un ruolo centrale.
Abilità comunicative
Lo studente sarà in grado di comunicare in modo chiaro, rigoroso e tecnicamente appropriato i requisiti, le scelte progettuali, le modalità operative e le misure di performance di un sistema multimodale o unimodale avanzato. Dovrà inoltre essere capace di descrivere il ruolo delle diverse modalità utilizzate, motivare le strategie di integrazione adottate o, nel caso di sistemi unimodali, spiegare come una singola sorgente informativa venga elaborata per estrarre livelli informativi complessi e rilevanti rispetto allo scenario applicativo. Tali abilità verranno verificate in sede d’esame attraverso la presentazione e discussione del progetto sviluppato, con particolare attenzione alla capacità dello studente di illustrare il sistema realizzato, giustificare le scelte metodologiche, confrontare il lavoro svolto con lo stato dell’arte e discutere in modo critico limiti, risultati e possibili sviluppi futuri. Lo studente dovrà inoltre dimostrare la capacità di comunicare efficacemente il valore di un sistema intelligente sia dal punto di vista tecnico-scientifico sia dal punto di vista applicativo, evidenziando il contributo delle diverse modalità, o della singola modalità analizzata in modo avanzato, e la rilevanza della soluzione proposta in scenari reali.
Capacità di apprendimento
Lo studente acquisirà la capacità di approfondire autonomamente argomenti, tecniche e metodi relativi all’interazione multimodale, all’analisi unimodale avanzata e ai sistemi intelligenti basati su Intelligenza Artificiale. Sarà in grado di aggiornarsi rispetto all’evoluzione dello stato dell’arte, comprendere approcci avanzati e applicarli a nuovi scenari di ricerca o sviluppo. Il corso intende fornire non solo competenze specifiche sulle tecniche presentate durante le lezioni, ma anche una base metodologica per affrontare in autonomia problemi complessi nell’ambito dell’interazione uomo-macchina, dell’analisi multimodale, dell’analisi unimodale avanzata, della percezione artificiale, della biometria, della sicurezza, della robotica e dei sistemi intelligenti per ambienti reali. Al termine del percorso, lo studente sarà quindi in grado di proseguire autonomamente lo studio di tecniche avanzate, integrare nuove modalità sensoriali, analizzare in profondità singole modalità informative, esaminare criticamente la letteratura scientifica recente e sviluppare soluzioni innovative in contesti applicativi e di ricerca.
|
| 10625481 | NATURAL LANGUAGE PROCESSING [INFO-01/A] [ENG] | 2º | 2º | 6 |
Obiettivi formativi Obiettivi formativi
Tecniche NLP basate su deep learning: rappresentazioni distribuite (LSA, word2vec), architetture sequenziali (RNN, LSTM) e Transformer, traduzione automatica neurale, modelli pre-addestrati (BERT, GPT) e transfer learning. Cenni a NLP multimodale. Cenni a tecniche avanzate per LLM: Mixture of Experts, KV Cache, FlashAttention, allineamento tramite RL (DPO, GRPO), Chain-of-Thought, RAG, quantizzazione e inferenza efficiente.
Conoscenza e capacità di comprensione
Conoscenza delle principali architetture neurali per il linguaggio, dai modelli di parola ai Transformer e LLM. Comprensione dei meccanismi di pre-addestramento, fine-tuning, allineamento e inferenza efficiente, incluse le connessioni tra linguaggio e visione.
Capacità di applicare conoscenza e comprensione
Essere in grado di progettare e implementare sistemi NLP per task quali sentiment analysis, POS tagging, image captioning, traduzione automatica e generazione testo-immagine, applicando tecniche avanzate quali RAG e inferenza quantizzata con framework standard.
Autonomia di giudizio
Capacità di selezionare architettura e strategia di addestramento appropriate al task, valutare le prestazioni dei modelli e identificare criticità legate a generalizzazione, efficienza computazionale e allineamento.
Abilità comunicative
Capacità di comunicare con rigore tecnico la formulazione di un problema NLP, le scelte architetturali e i risultati ottenuti, anche in contesti multimodali e con sistemi LLM avanzati.
Capacità di apprendimento
Capacità di apprendere tecniche alternative, più complesse e recenti selezionate dallo stato dell'arte, e di implementare tecniche esistenti in modo efficiente, robusto e affidabile.
|
| 10628280 | NETWORK ALGORITHMS [INFO-01/A] [ENG] | 2º | 1º | 6 |
Obiettivi formativi Obiettivi formativi:
Acquisire conoscenze relativamente al progetto di algoritmi complessi per risolvere problemi su grafi che modellano problemi inerenti le reti (cablate, senza fili e di sensori).
Conoscenza e capacità di comprensione:
Al termine del corso le studentesse e gli studenti conosceranno le metodologie di base per l'analisi di problemi relativi alle reti e l’identificazione dei problemi su grafi che più si avvicinino; conosceranno inoltre gli algoritmi risolutivi di alcuni dei principali problemi su grafi e saranno in grado di proporre soluzioni originali per nuovi problemi.
Conoscenza e capacità di comprensione applicate:
Al termine del corso, le studentesse e gli studenti avranno acquisito familiarità con l’analisi delle problematiche legate alle reti. Saranno in grado di riconoscere quale sia il problema su grafi che più si avvicina e di progettare nuove strutture dati e i relativi algoritmi, rielaborando quelli esistenti, per risolvere il problema di partenza.
Autonomia di giudizio:
Studiando in profondità i problemi trattati e gli algoritmi per risolverli, le studentesse e gli studenti avranno le basi per analizzare la qualità di un algoritmo per le reti, sia dal punto di vista dell'effettiva risoluzione del problema che da quello dell'efficienza computazionale con la quale il problema viene risolto.
Capacità comunicative:
Grazie alla tesina spiegata a tutti i colleghi, ed alla modalità di esame, le studentesse e gli studenti acquisiranno la capacità di esporre in modo chiaro ed organizzato le proprie conoscenze, capacità che verrà verificata durante la prova orale.
Capacità di apprendere:
Le conoscenze acquisite ed il metodo di studio critico acquisito permetteranno alle studentesse e agli studenti, una volta concluso il ciclo di studi, di affrontare problemi reali in modo critico ed efficace e di progettare soluzioni efficienti.
Dettagli aggiornati sull'insegnamento si possono trovare qui:
https://twiki.di.uniroma1.it/twiki/view/Algoreti/WebHome1011
|
| 10625908 | PRACTICAL NETWORK DEFENSE [INFO-01/A] [ENG] | 2º | 2º | 6 |
Obiettivi formativi Obiettivi formativi
Il corso "Practical Network Defense" si propone di fornire agli studenti le competenze teoriche e, soprattutto, pratiche necessarie per progettare, implementare e monitorare strategie di difesa efficaci all'interno di infrastrutture di rete moderne. Attraverso un approccio fortemente orientato al laboratorio in ambiente cloud, gli studenti apprenderanno come analizzare le vulnerabilità di una rete, mitigare la superficie d'attacco e reagire tempestivamente alle minacce simulando scenari reali di attacco e difesa.
Conoscenza e capacità di comprensione
Al termine del corso lo studente avrà acquisito conoscenze relative a:
I principi fondamentali della sicurezza delle reti, con particolare focus sul paradigma della difesa in profondità (Defense in Depth) e sulla minimizzazione della superficie di attacco.
Il funzionamento, l'architettura e la configurazione di strumenti di sicurezza perimetrale e interna, quali Firewall, VPN, IDS/IPS, Proxy e Zone Demilitarizzate (DMZ).
Le metodologie di monitoraggio e analisi del traffico di rete tramite lo studio dei log e la cattura dei pacchetti.
I concetti di inganno informatico (cyber deception) attraverso l'uso di Honeypot e Honeynet.
Le principali tecniche di attacco alla rete (es. session hijacking, man-in-the-middle) utilizzate per testare la robustezza delle difese.
Il ruolo delle policy di sicurezza nella governance e nella conformità dei servizi di rete.
Capacità di applicare conoscenza e comprensione
Al termine del corso lo studente sarà in grado di:
Configurare e distribuire appliance di sicurezza (Firewall, IDS/IPS, Proxy) all'interno di un'infrastruttura virtuale in cloud.
Applicare tecniche di hardening delle reti e di controllo degli accessi per limitare il flusso dei pacchetti secondo regole granulari.
Isolare i componenti critici della rete progettando una DMZ e segmentando il traffico in modo sicuro.
Utilizzare strumenti di analisi e monitoraggio per rilevare anomalie, analizzare i pacchetti di rete e interpretare i log di sistema.
Implementare e monitorare Honeypot/Honeynet in ambienti isolati per analizzare il comportamento degli attaccanti.
Condurre test di sicurezza controllati (simulando attacchi come MitM o hijacking) per verificare l'efficacia delle contromisure applicate.
Tradurre i requisiti di alto livello in policy di sicurezza di rete applicabili e misurabili.
Autonomia di giudizio
Al termine del corso lo studente sarà in grado di:
Valutare criticamente il livello di sicurezza di un'infrastruttura di rete esistente, identificando i vettori di attacco e i punti di debolezza.
Scegliere le contromisure e gli strumenti di difesa più idonei in base al bilanciamento tra costi, complessità, prestazioni e livello di rischio.
Analizzare il traffico e i log di rete per distinguere in autonomia tra attività legittime, falsi positivi e tentativi di intrusione.
Formulare giudizi autonomi sull'efficacia delle policy di sicurezza adottate all'interno di un'organizzazione.
Abilità comunicative
Al termine del corso lo studente sarà in grado di:
Redigere relazioni tecniche e documentazione di progetto che descrivano chiaramente l'architettura di difesa implementata e le configurazioni adottate nel laboratorio cloud.
Comunicare efficacemente (sia a un pubblico di specialisti che a figure non tecniche/manageriali) le vulnerabilità riscontrate in una rete e le relative strategie di mitigazione.
Esporre in modo chiaro le motivazioni alla base della scelta di una specifica policy o contromisura di sicurezza.
Capacità di apprendimento
Al termine del corso lo studente avrà sviluppato:
La capacità di aggiornarsi autonomamente sulle nuove minacce informatiche, sulle vulnerabilità emergenti (Zero-Day) e sulle evoluzioni degli strumenti di network defense.
L'attitudine a muoversi in autonomia all'interno di ambienti cloud e di virtualizzazione per testare e implementare nuove soluzioni di sicurezza.
La capacità di apprendere a usare nuovi software di monitoraggio, di simulazione di attacco o di cifratura a partire dalla documentazione tecnica ufficiale.
|
| 10627472 | QUANTUM COMPUTING [INFO-01/A] [ENG] | 2º | 1º | 6 |
Obiettivi formativi Obiettivi formativi:
L'obiettivo generale del corso è fornire agli studenti i concetti fondamentali dell'informatica quantistica, che consentiranno loro di proseguire gli studi o di trovare lavoro nel settore dell'informatica quantistica. Il corso ha quattro obiettivi specifici:
introdurre i fondamenti matematici dell'informatica quantistica necessari per comprendere le caratteristiche controintuitive degli algoritmi quantistici;
presentare le nozioni fondamentali dell'informatica quantistica;
introdurre diversi algoritmi quantistici non banali e protocolli di comunicazione quantistica e analizzarne il comportamento;
mostrare come semplici algoritmi e protocolli quantistici possono essere implementati ed eseguiti su un simulatore o su un computer quantistico.
Conoscenza e capacità di comprensione:
Al termine del corso, gli studenti dovrebbero essere a conoscenza e comprendere appieno le principali differenze tra computer classici e quantistici, i formalismi dei circuiti quantistici e dei bra-ket, e i principali algoritmi quantistici (di Grover, di Shor, HHL, ecc.) e protocolli (ad esempio, BB84 e teletrasporto). Inoltre, gli studenti dovrebbero essere a conoscenza delle diverse tecnologie per l'implementazione di hardware quantistico.
Capacità di applicare conoscenza e comprensione:
Gli studenti saranno in grado di utilizzare le nozioni teoriche presentate in classe per sviluppare e/o implementare soluzioni quantistiche a problemi. Le esercitazioni pratiche al computer offriranno agli studenti un'esperienza pratica con circuiti quantistici eseguiti su simulatori o computer quantistici, a supporto dei concetti teorici esposti a lezione. Inoltre, gli studenti potranno approfondire i propri studi in autonomia consultando altro materiale sull'argomento, inclusa la letteratura scientifica.
Autonomia di giudizio:
Gli studenti affineranno queste competenze attraverso la risoluzione di esercizi in autonomia a casa. Le conoscenze e le competenze acquisite consentiranno agli studenti di selezionare o adattare criticamente gli approcci quantistici esistenti per risolvere il problema in questione, o di sviluppare nuove tecniche quantistiche, se necessario. Gli studenti saranno in grado di valutare l'efficienza e identificare pro e contro delle loro soluzioni quantistiche.
Abilità comunicative:
Gli studenti saranno stimolati a collaborare con i loro compagni attraverso lo sviluppo, la documentazione e la risoluzione di compiti ed esercizi a casa.
Capacità di apprendimento:
Il corso fornirà agli studenti le competenze tecniche necessarie per studiare a livello di dottorato (PhD) sia argomenti rilevanti in campi affini, quali la comunicazione quantistica e la simulazione quantistica, sia aspetti specifici dell'informatica quantistica.
|
| 10626358 | SECURITY IN SOFTWARE APPLICATIONS [INFO-01/A] [ENG] | 2º | 1º | 6 |
Obiettivi formativi Obiettivi generali
I fondamenti della sicurezza nei programmi software.
Obiettivi specifici
Metodologie e strumenti per trovare e rimuovere le vulnerabilità più comuni del software e per sviluppare software senza falle di sicurezza.
Conoscenza e comprensione
Conoscenza e capacità di comprensione delle tecniche più efficaci per la rimozione delle vulnerabilità dal codice e per sviluppare software che soddisfi specifiche politiche di sicurezza.
Capacità di applicare conoscenza e comprensione
Essere in grado di applicare e trasferire la propria conoscenza delle metodologie alla scelta delle tecniche e degli strumenti appropriati per risolvere problemi di sicurezza del software.
Autonomia di giudizio
Capacità di interpretazione autonoma per proporre soluzioni appropriate a problemi di sicurezza software, congruenti con le tecnologie disponibili.
Abilità comunicative
Capacità di presentare e argomentare le proprie scelte in merito alle metodologie e agli strumenti utilizzati per le soluzioni proposte, sia con colleghi sia con utenti.
Capacità di apprendimento
Capacità di apprendere e approfondire nuove tecniche nell’ambito della sicurezza informatica del software, sia per gli aspetti metodologici sia per quelli tecnologici.
|
