Scienze matematiche per l’intelligenza artificiale

Obiettivi formativi

L'obiettivo dell'insegnamento di Algebra lineare e strutture algebriche, articolato in due parti, è di dare una panoramica e fornire le basi delle principali strutture - algebriche, combinatorie e dell'algebra lineare - che vengono usate nell'Intelligenza Artificiale.

Obiettivi formativi

OBIETTIVI SPECIFICI
Sviluppo del linguaggio dell'algebra lineare: spazi vettoriali e loro omomorfismi; algebra delle matrici; endomorfismi, determinanti e diagonalizzazione; applicazioni.

CONOSCENZA E COMPRENSIONE
Alla fine del corso lo studente sarà in grado di manipolare gruppi, permutazioni e di comprendere il significato e l'utilizzo di matrici nello studio di fenomeni lineari.

APPLICAZIONE DI CONOSCENZA E COMPRENSIONE
Utilizzo della diagonalizzazione di operatori per fornire un'interpretazione geometrica ad un fenomeno lineare e ricavarne informazioni rilevanti.

AUTONOMIA DI GIUDIZIO
Studentesse e studenti saranno in grado di scegliere lo strumento algebrico più appropriato allo studio di un problema nell'ambito dell'Intelligenza Artificiale.

ABILITÀ COMUNICATIVE
Studentesse e studenti impareranno il linguaggio dell'algebra lineare e dei gruppi astratti, per comunicare tali concetti in modo preciso, chiaro e rigoroso.

CAPACITÀ DI APPRENDIMENTO
Il corso consentirà di discernere quali argomenti dell'algebra lineare o delle strutture algebriche trovano uso o sono le più adatte nelle applicazioni relative alle Scienze dell'Intelligenza Artificiale.

Obiettivi formativi

OBIETTIVI SPECIFICI
Apprendimento dei concetti elementari dell'algebra. Introduzione alle principali strutture algebriche, applicazioni.

CONOSCENZA E COMPRENSIONE
Alla fine del corso lo studente sarà in grado di manipolare gruppi, permutazioni e di comprendere il significato e l'utilizzo di matrici nello studio di fenomeni lineari.

APPLICAZIONE DI CONOSCENZA E COMPRENSIONE
Utilizzo del concetto di gruppo nello studio di problemi combinatori finiti in uso in Intelligenza Artificiale.

AUTONOMIA DI GIUDIZIO
Studentesse e studenti saranno in grado di scegliere lo strumento algebrico più appropriato allo studio di un problema nell'ambito dell'Intelligenza Artificiale.

ABILITÀ COMUNICATIVE
Studentesse e studenti impareranno il linguaggio dell'algebra lineare e dei gruppi astratti, per comunicare tali concetti in modo preciso, chiaro e rigoroso.

CAPACITÀ DI APPRENDIMENTO
Il corso consentirà di discernere quali argomenti dell'algebra lineare o delle strutture algebriche trovano uso o sono le più adatte nelle applicazioni relative alle Scienze dell'Intelligenza Artificiale.

Obiettivi formativi

Obiettivi formativi.
Il corso si propone di fornire in maniera rigorosa e al tempo stesso concreta le basi dell’analisi matematica. Lo studente dovrà familiarizzarsi con gli elementi del calcolo, sia dal punto di vista degli esercizi pratici che da quello delle definizioni astratte e dei teoremi. Le dimostrazioni dei teoremi principali mettono in luce alcuni aspetti profondi dell’analisi matematica, ed offrono allo studente l’opportunità di sviluppare uno spirito critico nei confronti degli strumenti del calcolo, che sarà fondamentale durante l’intero percorso di laurea.

Obiettivi specifici:

Il corso tratta i fondamenti dell’analisi matematici. In particolare:

Il sistema dei numeri interi, razionali e reali
I concetti di funzione e limite di una funzione
Successioni
Serie
Continuità
Derivate
I teoremi fondamentali del calcolo differenziale
Studi di funzione
Polinomi e serie di Taylor
Integrali

Conoscenza e comprensione:
Lo studente acquisirà la padronanza dei concetti fondamentali del calcolo differenziale ed integrale.

Applicazione di conoscenza e comprensione:
Lo studente sarà in grado di comprendere il comportamento di funzioni anche non semplici, analizzandole con i metodi del calcolo differenziale ed integrale; sarà in grado di valutare la convergenza di serie numeriche e di Taylor; sarà in grado di calcolare integrali di funzione.

Autonomia di giudizio:
Lo studente saprà valutare le difficoltà insite nella definizione rigorosa dei fondamenti dell’analisi matematica.

Abilità comunicative:
Lo studente sarà in grado di comunicare in maniera concisa, efficace e formalmente corretta gli enunciati di teoremi di analisi matematica, le loro dimostrazioni, nonché la soluzione di esercizi.

Capacità di apprendimento:
Lo studente svilupperà la capacità di comprendere enunciati teorici formulati in maniera rigorosa, e di verificarne l’applicazione in problemi concreti.

Obiettivi formativi

Obiettivi generali
Introduzione alla programmazione tramite il linguaggio Python.

Obiettivi specifici
Introduzione alla programmazione tramite il linguaggio Python.
Tipi di dati, variabili, assegnamenti, strutture di controllo, funzioni, classi, moduli e Input/Output.
Strutture dati: vettori, stringhe, liste, tuple e dizionari.
Progettazione e sviluppo di programmi tramite programmazione procedurale e orientata agli oggetti.
Algoritmi ricorsivi ed iterativi.
Librerie di Python per la grafica, per la gestione dei file, per l'elaborazione di testi/html e per l'accesso ad Internet.
Debugging e testing di programmi.

Conoscenza e comprensione
Lo studente arriverà a essere in grado di comprendere e definire i requisiti di un problema, decidere come rappresentare le informazioni in input e quali strutture dati usare per le elaborazioni intermedie e per l'output, definire l'algoritmo di soluzione, codificare l'algoritmo sotto forma di programma Python, modularizzare il programma in piccole funzioni/metodi separate e verificare tramite test che il programma segua i requisiti.

Applicazione di conoscenza e comprensione
Lo studente dovrà realizzare dei compiti di programmazione, indicati durante il corso, per mettere in pratica e dimostrare le conoscenze apprese.
Alla fine del corso la prova d'esame sarà basata su una prova in laboratorio in cui lo studente dovrà risolvere e programmare alcuni esercizi.

Autonomia di giudizio
Lo studente alla fine del corso deve essere in grado di scegliere autonomamente come risolvere un problema di programmazione (analisi, implementazione e test).

Abilità comunicative
Nella fase di analisi del problema e definizione dei requisiti è importante avere una buona capacità di comprensione del linguaggio.

Capacità di apprendimento successivo
Le basi dell'analisi di un problema per comprendere le specifiche e progettare sia le strutture dati necessarie che l'algoritmo più adatto è applicabile ad altri linguaggi di programmazione e potrà aiutare nei successivi corsi di programmazione.

Obiettivi formativi

OBIETTIVI GENERALI
- Apprendimento dei concetti principali della Fisica riguardanti
meccanica, termodinamica, elettromagnetismo e ottica con
attenzione a fenomeni della vita quotidiana e alle applicazioni
a situazioni del mondo reale.
- Sviluppare abilità di problem-solving utilizzando un approccio
che descriva i fenomeni fisici, combinando metodi analitici,
numerici e informatici, con attenzione a controllo dimensionale e degli
ordini di grandezza dei risultati.
- Sviluppare il senso critico riguardante le inevitabili incertezze
delle quali bisogna tener conto quando nella soluzione di problemi
si usano informazioni derivanti dal mondo reale.

OBIETTIVI SPECIFICI
A – Conoscenza e capacità di comprensione
- Dimostrare di possedere conoscenze e capacità di comprensione,
a livello post secondario, dei concetti di base impartiti nel corso
e delle basi dalla logica dell'incerto nel trattare dati sperimentali.
- Dimostrare di saper cogliere e usare, nel processo di
problem-solving, le analogie fra i diversi fenomeni fisici.
B – Capacità applicative
- Formalizzare un problema di fisica utilizzando gli strumenti
dell’algebra, della geometria e dell’analisi.
- Risolvere un problema facendo uso di metodi analitici, numerici
o computuazionali, facendo anche uso di linguaggi di programmazione
di 'alto livello'.
C – Autonomia di giudizio
Sviluppare la capacità di impostare, analizzare e risolvere problemi
di fisica in forma autonoma.
D – Abilità nella comunicazione
- Comunicare informazioni, idee, problemi e soluzioni a interlocutori
specialisti e non.
E - Capacità di apprendere
Sviluppare le competenze necessarie per intraprendere studi successivi
con un alto grado di autonomia.

Obiettivi formativi

Obiettivi generali:

Introdurre gli aspetti fondamentali del pensiero computazionale e della soluzione di problemi attraverso la programmazione in Python.
Offrire agli studenti le competenze necessarie per utilizzare con profitto il metodo computazionale per la soluzione dei problemi quali ad esempio la programmazione ad oggetti, la ricorsione, le strutture dati di base, e la programmazione dinamica.
Gli strumenti verranno presentati sia con una rigorosa trattazione matematica volta a valutare la correttezza e l'efficienza delle soluzioni proposte che attraverso la programmazione e numerosi esempi di problem solving computazionale.
Il corso ha una forte connotazione progettuale e prevede quindi esercitazioni settimanali in laboratorio.

Obiettivi specifici:
Conoscenza e comprensione:
Fornire un'ampia panoramica sull’analisi e la progettazione di programmi in Python che richiedano
una conoscenza approfondita del pensiero computazionale.
I diversi problemi affrontati vengono definiti formalmente e vengono
fornite sia le basi teoriche sia informazione tecniche per comprendere
le soluzioni adottate.

Applicare conoscenza e comprensione:
Risolvere problemi specifici di programmazione, mediante l'applicazione delle tecniche studiate.
Lo svolgimento di esercitazioni in laboratorio consente agli studenti di applicare le conoscenze acquisite.

Capacità critiche e di giudizio:
Essere in grado di valutare la correttezza di un programma e la sua adeguatezza rispetto ai requisiti.

Capacità comunicative:
Essere in grado di descrivere le scelte effettuate nelle soluzioni adottate e spiegare il meccanismo di esecuzione dei programmi secondo il modello adottato.

Capacità di apprendimento:
Approfondimento autonomo di alcuni argomenti presentati nel corso
tramite lo svolgimento a casa di esercitazioni proposte in laboratorio.

Obiettivi formativi

Obiettivi formativi
Il corso si pone l'obiettivo di introdurre i concetti di base della probabilità e della statistica, in particolare in relazione alla possibilità di modellizzare con metodi probabilistici alcuni problemi concreti. Nel corso verranno poi presentati vari metodi di calcolo di probabilità di eventi anche complessi, la definizione e le proprietà elementari delle variabili aleatorie discrete e continue dettagliando alcuni esempi notevoli e discutendo alcuni teoremi limite. Al termine del corso lo studente coscienzioso dovrebbe essere in grado di affrontare un problema concreto con elementi stocastici, costruire una modellizzazione probabilistica soddisfacente, identificare se e' in grado di trovare una soluzione esplicita nell'ambito della teoria svolta ed introdurre i rilevanti stimatori statistici.

Obiettivi formativi

Obiettivi principali
L’insegnamento di Fondamenti di Neuroscienze si suddivide in due moduli che portano progressivamente lo studente ad acquisire nozioni di base sul sistema nervoso, partendo dalla sua unità funzionale (il neurone) fino ai circuiti complessi.

In questo modulo verranno affrontate nozioni fondamentali sull’anatomia ed il funzionamento dei circuiti cerebrali. Questo modulo ha lo scopo di far acquisire allo studente conoscenze utili a comprendere il rapporto struttura funzione nel sistema nervoso, con particolare riferimento alla regolazione del comportamento e dei processi mentali.

Obiettivi formativi

Obiettivi principali
L’insegnamento di Fondamenti di Neuroscienze si suddivide in due moduli che portano progressivamente lo studente ad acquisire nozioni di base sul sistema nervoso, partendo dalla sua unità funzionale (il neurone) fino ai circuiti complessi.

In questo modulo verranno affrontate nozioni fondamentali sull’anatomia ed il funzionamento dei circuiti cerebrali. Questo modulo ha lo scopo di far acquisire allo studente conoscenze utili a comprendere il rapporto struttura funzione nel sistema nervoso, con particolare riferimento alla regolazione del comportamento e dei processi mentali.

Obiettivi formativi

Obiettivi principali
L’insegnamento di Fondamenti di Neuroscienze si suddivide in due moduli che portano progressivamente lo studente ad acquisire nozioni di base sul sistema nervoso, partendo dalla sua unità funzionale (il neurone) fino ai circuiti complessi.

Questo modulo ha lo scopo di condurre lo studente a una conoscenza approfondita delle caratteristiche morfo-funzionali dei neuroni mediante la progressiva analisi delle caratteristiche biofisiche delle membrane neuronali e delle loro proprietà elettriche passive ed attive, della generazione di segnali nervosi e della loro conduzione, e della trasmissione di tale segnale lungo i circuiti nervosi costituiti dall’integrazione di più unità funzionali. Questa parte del corso richiede un’introduzione di biologia cellulare che ne ricapitoli le principali nozioni di base (struttura e funzione di organuli cellulari, acidi nucleici, membrane cellulari; sintesi proteica; caratteristiche chimico-fisiche degli ambienti intra- ed extra-cellulari).

Obiettivi formativi

Gli obiettivi formativi del corso sono principalmente due. Il primo è fornire una introduzione alla progettazione e analisi degli algoritmi su solide basi concettuali e matematiche. Il secondo è fornire un'introduzione al fondamentale fenomeno della complessità computazionale dei problemi algoritmici. Per quanto riguarda il primo obiettivo si fornirà in particolare una introduzione alle principali tecniche di progettazione algoritmica attraverso una serie di problemi algoritmici notevoli. Per il secondo invece, ci si concentrerà sulle nozioni di indecidibilità e di NP.completezza.

Obiettivi formativi

Obiettivi generali: Acquisire conoscenze di base in meccanica classica e nella teoria dei sistemi dinamici

Conoscenza e comprensione: Gli studenti che abbiano superato l'esame saranno in grado di formulare modelli matematici di problemi di natura meccanica ed impiegare nella loro trattazione i metodi analitici e qualitativi delle equazioni differenziali ordinarie, secondo quanto esposto nel corso.

Applicare conoscenza e comprensione: Gli studenti che abbiano superato l'esame saranno in grado di: i) condurre l’analisi qualitativa nel piano delle fasi per sistemi unidimensionali conservativi ed effettuare stime quantitative; ii) studiare problemi di stabilità dell’equilibrio con i metodi (elementari) della teoria di Liapunov; iii) calcolare frequenze di modi normali relativamente a posizioni di equilibrio stabile; iv) operare una scelta appropriata di coordinate lagrangiane nel caso di particolari varietà configurazionali , riconoscere la natura variazionale delle equazioni di Lagrange e sfruttare le conseguenze che da essa discendono; v) utilizzare criteri particolari nella ricerca di integrali primi delle equazioni di Lagrange ed operare la conseguente riduzione ad un numero inferiore di gradi di libertà; vi) simulare numericamente semplici equazioni differenziali ordinarie

Capacità critiche e di giudizio: Gli studenti che abbiano superato l'esame avranno le basi per analizzare le analogie tra gli argomenti trattati e le conoscenze già acquisite di analisi e geometria; acquisiranno inoltre importanti strumenti e idee che hanno storicamente portato alla soluzione di problemi fondamentali della meccanica classica.

Capacità comunicative: Gli studenti che abbiano superato l'esame avranno maturato la capacità di comunicare concetti, idee e metodologie della meccanica analitica.

Capacità di apprendimento: Le conoscenze acquisite consentiranno agli studenti che abbiano superato l'esame di affrontare lo studio, a livello individuale o in un corso di laurea magistrale, di aspetti specialistici della meccanica classica e, più in generale, della teoria dei sistemi dinamici.

Obiettivi formativi

Obiettivi generali: Acquisire conoscenze di base di teoria della probabilità e di meccanica statistica classica.

Conoscenza e comprensione: Gli studenti che abbiano superato l'esame saranno in grado di formulare modelli matematici di sistemi a molti gradi di libertà nel caso di sistemi non interagenti e in alcuni esempi di sistemi interagenti con applicazioni a problemi scelti.

Applicare conoscenza e comprensione: Gli studenti che abbiano superato l'esame saranno in grado di: i) condurre l’analisi quantitativa di sistemi non interagenti a molti gradi di libertà utilizzando diverse regole di calcolo [ensembles microcanonico, canonico e gran canonico]; ii) padroneggiare l’equivalenza delle differenti regole di calcolo; iii) riconoscere le basi di un approccio di meccanica statistica per la trattazione di sistemi interagenti tipicamente coinvolti in problemi di fisica ma anche inferenza e machine learning.

Capacità critiche e di giudizio: Gli studenti che abbiano superato l'esame svilupperanno la capacita' di pensare in termini probabilistici e statistici usando i concetti della meccanica statistica come strumento di "problem solving" sia nell’applicazione a sistemi fisici che, eventualmente, in campi diversi e piu' ampi (inferenza, machine learning, AI in genere, sistemi economico-sociali, biologici, medici, ...).

Capacità comunicative: Gli studenti che abbiano superato l'esame avranno maturato la capacità di comunicare concetti, idee e metodologie della meccanica statistica classica e la sua applicazione a sistemi con un gran numero di gradi di libertà.

Capacità di apprendimento: Le conoscenze acquisite consentiranno agli studenti che abbiano superato l'esame di affrontare lo studio, a livello individuale o in un corso di laurea magistrale, di aspetti specialistici della meccanica statistica classica e, più in generale, della teoria dei sistemi complessi.

Obiettivi formativi

Obiettivi generali: Acquisire conoscenze di base in meccanica classica e nella teoria dei sistemi dinamici

Conoscenza e comprensione: Gli studenti che abbiano superato l'esame saranno in grado di formulare modelli matematici di problemi di natura meccanica ed impiegare nella loro trattazione i metodi analitici e qualitativi delle equazioni differenziali ordinarie, secondo quanto esposto nel corso.

Applicare conoscenza e comprensione: Gli studenti che abbiano superato l'esame saranno in grado di: i) condurre l’analisi qualitativa nel piano delle fasi per sistemi unidimensionali conservativi ed effettuare stime quantitative; ii) studiare problemi di stabilità dell’equilibrio con i metodi (elementari) della teoria di Liapunov; iii) calcolare frequenze di modi normali relativamente a posizioni di equilibrio stabile; iv) operare una scelta appropriata di coordinate lagrangiane nel caso di particolari varietà configurazionali , riconoscere la natura variazionale delle equazioni di Lagrange e sfruttare le conseguenze che da essa discendono; v) utilizzare criteri particolari nella ricerca di integrali primi delle equazioni di Lagrange ed operare la conseguente riduzione ad un numero inferiore di gradi di libertà; vi) simulare numericamente semplici equazioni differenziali ordinarie

Capacità critiche e di giudizio: Gli studenti che abbiano superato l'esame avranno le basi per analizzare le analogie tra gli argomenti trattati e le conoscenze già acquisite di analisi e geometria; acquisiranno inoltre importanti strumenti e idee che hanno storicamente portato alla soluzione di problemi fondamentali della meccanica classica.

Capacità comunicative: Gli studenti che abbiano superato l'esame avranno maturato la capacità di comunicare concetti, idee e metodologie della meccanica analitica.

Capacità di apprendimento: Le conoscenze acquisite consentiranno agli studenti che abbiano superato l'esame di affrontare lo studio, a livello individuale o in un corso di laurea magistrale, di aspetti specialistici della meccanica classica e, più in generale, della teoria dei sistemi dinamici.

Obiettivi formativi

Obiettivi generali:
Acquisire alcune conoscenze di livello avanzato dell’Analisi Matematica, in spazi di di più variabili.

Obiettivi specifici:
Conoscenza e comprensione: al temine del corso lo studente avrà acquisito nozioni e risultati di base relativi alla geometria e alle proprietà metriche di alcuni spazi di Hilbert ed di alcuni operatori che agiscono su di essi.

Applicare conoscenza e comprensione:
al temine del corso lo studente sarà in grado di risolvere semplici problemi che richiedano l’uso del principio delle contrazioni, le proprietà di continuità e differenziabilità di funzioni vettoriali, studiare la convergenza di successioni e serie di funzioni, risolvere equazioni
differenziali lineari a coefficienti costanti del primo e del secondo ordine, calcolare integrali di funzioni in più variabili su volumi o superfici o curve e relazionare opportuni integrali di dominio con integrali di bordo (teoremi della divergenza e del rotore).

Capacità critiche e di giudizio:
nel corso lo studente verrà in contatto con importanti elementi della moderna Analisi Matematica, ottenendo le conoscenze/competenze necessarie a riconoscere le strutture astratte che permettono di affrontare e risolvere moltissimi problemi di matematica pura o
applicata.
Capacità comunicative:
lo studente sarà in grado di esporre i contenuti teorici appresi nel corso e di organizzare e comunicare i ragionamenti necessari a risolvere quesiti proposti nello svolgimento del
corso.
Capacità di apprendimento:
le conoscenze acquisite saranno necessarie per affrontare i successivi corsi
di Programmazione Matematica e di Machine Learning.

Obiettivi formativi

Obiettivi
Scopo del corso è insegnare le principali tecniche numeriche per implementare algoritmi di soluzione di problemi matematici al calcolatore.
Inoltre, lo studente saprà implementare questi algoritmi al calcolatore, verificarne la qualità, l’affidabilità e l’efficienza.

Obiettivi specifici
Alla fine del corso, lo studente conoscerà gli algoritmi classici per risolvere sistemi lineari, con metodi diretti e metodi iterativi e conoscerà semplici metodi di approssimazione e quadratura

Conoscenza e comprensione:
Comprensione degli strumenti per approssimare la soluzione di un problema matematico con un algoritmo e conoscenza di alcuni algoritmi e delle relative tecniche di analisi

Applicazione di conoscenza e comprensione
Le conoscenze apprese verranno applicate nella scrittura di programmi che implementino gli algoritmi studiati, e nella costruzione di problemi test per valutare la qualità delle soluzioni proposte.

Autonomia di giudizio
Lo studente impara ad osservare i risultati dei codici per diagnosticare problematiche negli algoritmi e nei programmi ottenuti.

Abilità comunicative
Lo studente impara a comunicare in modo tecnico e non ambiguo attraverso la scrittura di codici e nella documentazione del suo lavoro.

Obiettivi formativi

Obiettivi Generali:
------------------
Presentare i metodi fondamentali dell'intelligenza artificiale che si basano su rappresentazioni simboliche di alto livello. Introdurre le principali tecniche di ricerca, i principali linguaggi per la rappresentazione della conoscenza ed i meccanismi di ragionamento associati.
Studio degli aspetti fondamentali dei sistemi di gestione dei dati e delle metodologie di progettazione di basi di dati. Più precisamente, l’obiettivo è fornire allo studente
nozioni relative alle tecniche ed ai metodi per affrontare problemi di progettazione di basi di dati, con enfasi sui linguaggi di modellazione e le loro proprietà formali.

Obiettivi specifici:
--------------------
Affrontare problemi di ricerca, utilizzare linguaggi per la rappresentazione della conoscenza, applicare le principali tecniche di ragionamento simbolico.
Condurre progetti per la realizzazione di basi di dati utilizzando le opportune metodologie e gli opportuni linguaggi per la modellazione e la manipolazione dei dati

Conoscenza e comprensione:
--------------------------
Apprendere la nozione di agente intelligente, le tecniche di ricerca automatica nello spazio delle soluzioni, meccanismi di rappresentazione della conoscenza, forme di ragionamento e programmazione logica.
Comprendere i modelli per la rappresentazione dei dati, l'uso dei sistemi di
gestione di basi di dati, dei linguaggi per interagire con basi di dati,
e delle metodologie di progettazione di basi di dati relazionali.

Applicare conoscenza e comprensione:
------------------------------------
Essere in grado di effettuare ricerche nello spazio delle soluzioni, definire basi di conoscenza ed eseguire ragionamento automatico su esse.
Essere in grado di progettare basi di dati relazionali mediante opportune metodologie che garantiscono correttezza ed efficienza di quanto realizzato. Saper interrogare e manipolare le basi di dati tramite il linguaggio SQL.

Capacità critiche e di giudizio:
---------------------------------
Saper valutare la qualità della rappresentazione simbolica, in termini di espressività e complessità computazionale.
Essere in grado di valutare la correttezza di uno schema di basi di dati e l'efficienza di una base di dati a fronte delle informazioni sul carico applicativo che graverà sui dati.

Capacità comunicative:
-----------------------
Essere in grado di descrivere le scelte effettuate e le metodologie di progettazione e sviluppo adottate nell'ambito di un progetto di una base di conoscenza o base di dati.

Capacità di apprendimento:
--------------------------
Le attività progettuali svolte durante il corso, stimoleranno lo studente
all'approfondimento autonomo di alcuni argomenti presentati nel corso.

Obiettivi formativi

Obiettivi generali
Acquisire familiarità con tecniche fondamentali di machine learning supervisionato e non supervisionato; acquisire competenze di modellazione di problemi complessi attraverso tecniche di machine learning, e saperle applicare a contesti applicativi diversi.

Obiettivi specifici
Gli argomenti includono: algoritmi di clustering; metodi di ensemble, alberi e foreste decisionali; reti neurali profonde, il loro addestramento e l'interpretazione dei risultati; reti convoluzionali e architetture prominenti; teoria del deep learning con particolare riferimento a questioni di convergenza; utilizzo di framework esistenti per l'implementazione di tecniche fondamentali di machine learning; principal component analysis e autoencoders; attacchi avversari.

Conoscenza e comprensione:
Conoscenza sul funzionamento dei principali modelli di learning e loro interpretazione matematica (teoria dell'approssimazione universale). Comprensione dei limiti e delle potenzialità di modelli fondamentali di machine learning.

Applicazione di conoscenza e comprensione
Progettazione, implementazione, messa in esercizio e analisi di foreste decisionali, algoritmi di clustering, PCA e architetture di deep learning per risolvere problemi complessi in disparati ambiti applicativi.

Autonomia di giudizio
Essere in grado di valutare le prestazioni di diversi modelli, e di valutare la capacità di generalizzazione degli stessi.

Abilità comunicative
Essere in grado di comunicare con chiarezza la formulazione di un problema di apprendimento avanzato e la sua implementazione, la sua applicabilità in contesti realistici, nonchè di motivare le scelte modellistico-architetturali e di regolarizzazione.

Capacità di apprendimento successivo:
Essere in grado di apprendere tecniche alternative e più complesse quali i modelli di deep learning su grafi, i modelli generativi, le trasformate di scattering e lo studio del probilo energetico delle reti neurali. Essere in grado di implementare tecniche esistenti in maniera efficiente, robusta e affidabile.

Obiettivi formativi

Dotare lo studente di basi metodologiche e di strumenti algoritmici per la formulazione, l'analisi e la soluzione di vari problemi di ottimizzazione, con particolare riferimento a quelli che emergono nell'ambito dell'intelligenza artificiale.
I contenuti metodologici di programmazione matematica e quelli algoritmici di ottimizzazione che caratterizzano il corso
consentiranno allo studente di acquisire una rigorosa e approfondita conoscenza di modelli matematici e di metodi di ottimizzazione peculiari dell'intelligenza artificiale, e lo renderanno in grado di sviluppare algoritmi per
problemi complessi di ottimizzazione e, in particolare, per l'apprendimento automatico.

Obiettivi formativi

Il corso mira ad illustrare i principali approcci computazionali utilizzati in Biologia per l’analisi di complessi circuiti regolativi e l’elaborazione di modelli di simulazione degli stessi circuiti.

Questa parte del corso fornirà agli studenti lo stato dell’arte sulle conoscenze dei principali sistemi regolativi a livello molecolare dell’omeostasi cellulare e sulle tecniche high-throughput che vengono utilizzate per le analisi a livello genomico, epigenomico, trascrittomico, proteomico e metabolomico.

Obiettivi formativi

Il corso mira ad illustrare i principali approcci computazionali utilizzati in Biologia per l’analisi di complessi circuiti regolativi e l’elaborazione di modelli di simulazione degli stessi circuiti.

Questa parte del corso presenterà gli approcci bioinformatici e computazionali che possono venire impiegati per il data-mining, l’elaborazione dei dati e la formulazione di modelli. Obbiettivo finale è quello di fornire allo studente un quadro preliminare delle possibili applicazioni dei metodi computazionali in Biologia e Biomedicina.

Obiettivi formativi

Il corso mira ad illustrare i principali approcci computazionali utilizzati in Biologia per l’analisi di complessi circuiti regolativi e l’elaborazione di modelli di simulazione degli stessi circuiti.

Questa parte del corso fornirà agli studenti lo stato dell’arte sulle conoscenze dei principali sistemi regolativi a livello molecolare dell’omeostasi cellulare e sulle tecniche high-throughput che vengono utilizzate per le analisi a livello genomico, epigenomico, trascrittomico, proteomico e metabolomico.

Obiettivi formativi

Obiettivi generali:

L’obiettivo del corso di Processi Stocastici è di dare agli studenti una panoramica dei principali processi stocastici quali le catene di Markov e il moto Browniano, spiegandone le proprietà fondamentali dinamico-probabilistiche e diverse applicazioni rilevanti quali il metodo Monte Carlo e la rappresentazione probabilistica delle soluzioni di equazioni differenziali. Verranno inoltre

introdotti concetti entropici di teoria dell'informazione per le catene di Markov.

Obiettivi specifici:

Il corso tratta prevalentemente i seguenti argomenti: catene di Markov a tempo discreto e continuo (stazionarietà, reversibilità, convergenza all'equilibrio, teorema ergodico);

metodo Monte Carlo; entropia relativa per catene di Markov (entropia di una variabile aleatoria, entropia condizionata, entropia relativa per una successione di variabili aleatorie); moto Browniano ed equazione del calore; approssimazione del moto Browniano tramite passeggiate aleatorie.

Conoscenza e comprensione:
Lo studente acquisirà conoscenze sui processi stocastici e su alcune loro applicazioni in teoria dell'informazione e matematica applicata.

Applicazione di conoscenza e comprensione:
Lo studente sarà in grado di modellizzare evoluzioni aleatorie tramite processi stocastici, studiarne il comportamento qualitativo e quantitativo. Acquisirà inoltre familiarità con i fondamenti probabilistici di importanti tecniche di simulazioni e approssimazione basate sui processi stocastici.

Autonomia di giudizio:
Lo studente sarà in grado di comprendere le problematiche relative alle dinamiche aleatorie.

Abilità comunicative:
Lo studente deve acquisire un linguaggio scientifico appropriato per esporre in modo chiaro e lineare i concetti alla base dei processi stocastici.

Capacità di apprendimento:
Il corso consente di comprendere appieno l’utilizzo dei processi stocastici in varie applicazioni, anche informatiche.

Obiettivi formativi

I due insegnamenti a scelta dello studente permettono di
- ampliare la formazione prevista dal corso di studi
- avvicinare lo studente alla laurea magistrale di sua scelta, approfondendo le sue conoscenze negli ambiti più specialistici di interesse per il percorso che si intende seguire dopo la laurea

Obiettivi formativi

Il corso si propone di migliorare la padronanza della lingua inglese, a partire dalle conoscenze che gli studenti hanno già acquisito nella scuola secondaria, con particolare attenzione all'inglese tecnico - scientifico

Obiettivi formativi

Il corso ha l'obiettivo di fornire una panoramica delle numerose questioni etiche e sociali sollevate dall'Intelligenza Artificiale e dal suo impatto sulla società e sugli individui.
Gli studenti impareranno a conoscere le principali sfide sociali ed etiche poste dall’IA, il loro sviluppo e la loro applicazione nella vita quotidiana. L'analisi concettuale sarà supportata dalla discussione di casi di studio pratici che consentiranno affrontarle in modo critico i nodi etici dell’IA.

Obiettivi formativi

I due insegnamenti a scelta dello studente permettono di
- ampliare la formazione prevista dal corso di studi
- avvicinare lo studente alla laurea magistrale di sua scelta, approfondendo le sue conoscenze negli ambiti più specialistici di interesse per il percorso che si intende seguire dopo la laurea

Obiettivi formativi

Gli obiettivi della prova finale sono molteplici
- Preparazione di un elaborato in cui lo studente affronta un problema o un argomento vicino a quelli che sono stati trattati durante il corso di laurea, sotto la supervisione di un docente
- Preparazione di una presentazione per la prova orale finale, di fronte ad una commissione di docenti.
- Attraverso la preparazione dell'elaborato e della presentazione, lo studente impara a lavorare in autonomia e ad applicare le conoscenze e gli strumenti acquisiti per affrontare un problema o un argomento che non sono già stati trattati negli insegnamenti previsti
- Lo studente inoltre deve presentare il risultato del suo lavoro di fronte ad una commissione, sviluppando per questo le sue capacità di comunicazione tecnica.

Obiettivi formativi

Obiettivi
Il primo obiettivo formativo del corso è preparare i giovani al dibattito scientifico sui media con un focus sulle tematiche dell’intelligenza artificiale. Lo studente avrà modo di conoscere gli strumenti e le competenze richieste per la corretta comunicazione. L’identificazione delle utenze e delle fonti. La scrittura per diversi generi testuali, la realizzazione di interviste. L’uso del web e della comunicazione “social”. Il secondo obiettivo del corso è l’ottimizzazione della capacità di presentare il proprio curriculum scientifico ad un pubblico di esperti con il fine ultimo di migliorare la performance di job placement degli studenti. Il corso sarà integrato da esercitazioni pratiche.

Conoscenze e comprensione
I linguaggi della comunicazione

Capacità di applicare conoscenze e comprensione
Comunicazione di dati scientifici

Capacità critiche e di giudizio
Valutazione delle questioni critiche della comunicazione scientifica relative alla correttezza delle fonti e all’identificazione del linguaggio appropriato per le diverse utenze.

Capacità di comunicare quanto appreso
Discussione di gruppo dei temi del corso, simulazione di riunioni di redazione, simulazione di colloqui professionali.

Capacità di proseguire lo studio in modo autonomo nel corso della vita
Maturazione di capacità critica oltre che della comprensione della forza culturale della comunicazione.