Obiettivi formativi Obiettivi Generali
Garantire la riservatezza dei dati personali e la sicurezza delle infrastrutture informatiche rappresenta una delle principali sfide nella raccolta e nell’analisi di insiemi di dati sensibili. Esempi di tali insiemi di dati includono dati medici, comunicazioni personali, informazioni finanziarie personali e aziendali. Il corso si propone di fornire una panoramica delle moderne tecniche volte a proteggere la privacy e la sicurezza dei dati in tali applicazioni.
Obiettivi Specifici
Gli studenti apprenderanno le principali tecniche crittografiche e la loro applicazione per garantire la riservatezza dei dati in diversi contesti, tra cui il cloud computing, le basi di dati statistiche, il calcolo distribuito e le criptovalute.
Conoscenza e Comprensione
-) Tecniche crittografiche moderne e loro limitazioni.
-) Tecniche per garantire la privacy nelle basi di dati statistiche.
-) Tecniche per la progettazione di criptovalute e registri distribuiti.
-) Tecniche per il calcolo distribuito sicuro tra più parti.
Capacità di Applicare Conoscenza e Comprensione
-) Come selezionare lo schema crittografico più adatto a una specifica applicazione.
-) Come progettare un meccanismo che garantisca la privacy differenziale.
-) Come programmare un sistema crittografico sicuro, oppure uno smart contract sicuro, oppure un protocollo crittografico sicuro.
Autonomia di Giudizio
Gli studenti saranno in grado di valutare la sicurezza delle principali applicazioni crittografiche.
Abilità Comunicative
Come descrivere la sicurezza degli standard crittografici, delle basi di dati statistiche che preservano la privacy e delle blockchain.
Capacità di Apprendimento
Gli studenti interessati alla ricerca apprenderanno quali sono le principali sfide aperte del settore e acquisiranno le conoscenze di base necessarie per uno studio più approfondito degli argomenti trattati.
|
Obiettivi formativi Obiettivi formativi
L'obiettivo del corso è insegnare le metodologie di base dell'elaborazione dei segnali e mostrare la loro applicazione al machine learning e alla data science. I metodi includono: (i) strumenti standard per l'elaborazione di serie temporali e immagini, come l'analisi in frequenza, il filtraggio e il campionamento; (ii) Modelli di dati basati su sparsità e basso rango con applicazioni all'elaborazione di dati con alta dimensionalità (p.es., ricostruzione sparsa, fattorizzazione di matrici, completamento di tensori); (iii) Strumenti di elaborazione di segnali su grafo, adatti ad analizzare ed elaborare dati definiti su domini non metrici (ad es. grafi, ipergrafi, topologie, ecc.) con l’obiettivo di realizzare task di graph machine learning come filtraggio su grafo, clustering spettrale, inferenza della topologia dai dati e reti neurali su grafo. Infine, viene mostrato come formulare e risolvere problemi di machine learning in modo distribuito, adatto per applicazioni di big data, dove l'apprendimento e l'elaborazione dei dati devono essere necessariamente eseguiti su più macchine. Homework ed esercitazioni su dati reali saranno svolti utilizzando Python e/o Matlab.
Obiettivi specifici:
Conoscenza e capacità di comprensione: Apprendere le basi dell'elaborazione dei segnali per il machine learning e applicare questi concetti a problemi di data science.
Capacità di applicare conoscenza e comprensione: Applicare tecniche di elaborazione dei segnali e machine learning su set di dati reali, utilizzando linguaggi di programmazione come Python e Matlab.
Autonomia di giudizio: Analizzare i vantaggi e i limiti dei diversi strumenti e modelli e determinare la migliore metodologia da utilizzare per un determinato problema.
Abilità comunicative: Comunicare in modo efficace nei campi dell’elaborazione dei segnali e del machine learning, considerando la teoria, i vincoli, le soluzioni e le potenziali applicazioni.
Abilità di apprendimento: Sviluppare studi nel campo dell'elaborazione dei segnali per il machine learning, inclusa la capacità di intraprendere ricerche in questo settore.
|
Obiettivi formativi Obiettivi formativi
Conoscenza e capacità di comprensione
Conoscenza e comprensione dei principali problemi metodologici e di analisi posti dalla dimensione crescente dei dati e delle principali tecniche di soluzione.
Capacità di applicare conoscenza e comprensione
Capacità di applicare le conoscenze e la comprensione dei problemi a scenari applicativi di interesse nell'analisi di collezioni di dati appartenenti a spazi euclidei o non di elevata dimensionalità.
Autonomia di giudizio
Capacità di giudicare e valutare criticamente l'adeguatezza e l'efficacia delle soluzioni proposte
Abilità comunicative
Capacità di comunicare i motivi e le valutazione sottostanti le scelte di soluzioni e tecniche adottate per risolvere problemi di interesse
Capacità di apprendimento
Capacità di seguire l'evoluzione delle tecniche di base insegnate nel corso e apprendere loro varianti
|
Obiettivi formativi Obiettivi formativi
Conoscenza e capacità di comprensione
Conoscenza e comprensione delle principali tecniche di analisi di grafi e dei relativi ambiti di applicazione.
Capacità di applicare conoscenza e comprensione
Capacità di applicare le conoscenze e le competenze acquisite alla modellazione e alla risoluzione di problemi applicativi mediante l'utilizzo dei grafi.
Autonomia di giudizio
Capacità di giudicare e valutare criticamente l'adeguatezza e l'efficacia delle soluzioni proposte
Abilità comunicative
Capacità di comunicare i motivi e le valutazione sottostanti le scelte di soluzioni e tecniche adottate per risolvere problemi di interesse
Capacità di apprendimento
Capacità di seguire l'evoluzione delle tecniche di base insegnate nel corso e apprendere loro varianti
|
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.
|
Obiettivi formativi Obiettivi formativi
L'insegnamento fornisce gli strumenti teorici, metodologici e quantitativi per l'analisi dei sistemi complessi attraverso l'approccio della Network Science. Il corso introduce i principali modelli utilizzati per rappresentare, analizzare e interpretare sistemi caratterizzati da un elevato numero di componenti interagenti, ponendo particolare attenzione alla relazione tra struttura, dinamiche collettive e dati empirici. Gli studenti acquisiranno competenze per modellare fenomeni complessi, integrare evidenze empiriche e modelli teorici, e interpretare processi quali diffusione, resilienza, polarizzazione e formazione delle opinioni in sistemi sociali, tecnologici e informativi.
Conoscenza e capacità di comprensione
Al termine dell'insegnamento lo studente conoscerà i principali concetti della teoria delle reti e dei sistemi complessi, i modelli generativi delle reti, le dinamiche che si sviluppano sui sistemi interconnessi e le principali metodologie per l'analisi quantitativa dei fenomeni collettivi. Lo studente comprenderà il ruolo della struttura delle reti all'emergere di proprietà macroscopiche osservabili e sarà in grado di interpretare criticamente i risultati derivanti dall'analisi di sistemi complessi.
Capacità di applicare conoscenza e comprensione
Lo studente sarà in grado di rappresentare sistemi complessi mediante modelli di rete, applicare metodologie quantitative per l'analisi di dati relazionali, valutare proprietà strutturali e dinamiche delle reti e utilizzare modelli teorici per interpretare fenomeni osservati in dati reali. Sarà inoltre in grado di formulare ipotesi, confrontare modelli alternativi e applicare strumenti analitici allo studio di sistemi sociali, tecnologici e informativi.
Autonomia di giudizio
Lo studente svilupperà la capacità di valutare criticamente dati, modelli e risultati empirici, riconoscendone ipotesi, limiti e condizioni di validità. Sarà in grado di selezionare metodologie appropriate per specifici problemi di ricerca e di formulare interpretazioni autonome e scientificamente fondate dei fenomeni osservati.
Abilità comunicative
Lo studente sarà in grado di descrivere modelli, metodi e risultati utilizzando un linguaggio scientifico appropriato, comunicando in modo efficace concetti complessi sia a interlocutori specialisti sia non specialisti. Sarà inoltre in grado di presentare analisi quantitative e discutere criticamente evidenze empiriche.
Capacità di apprendimento
Lo studente acquisirà gli strumenti concettuali e metodologici necessari per approfondire autonomamente temi avanzati della Network Science, dei sistemi complessi e della computational social science, nonché per affrontare attività di ricerca e applicazioni professionali che richiedano l'analisi quantitativa di sistemi complessi.
|
Obiettivi formativi GENERALI
L'obiettivo di questo corso è fornire una panoramica del vasto mondo delle tecnologie wireless e cablate che verranno utilizzate per gli ambienti intelligenti. Queste tecnologie saranno in grado di fornire infrastrutture di rete e piattaforme per l’elaborazione delle informazioni digitali, multimediali e in realtà estesa, utilizzate in ambienti urbani e in ambienti intelligenti.
I recenti progressi in settori quali quelli dell’edge computing, dell'apprendimento automatico, delle reti wireless e rete di sensori consentono varie applicazioni ambientali intelligenti nella vita di tutti i giorni. L'obiettivo principale di questo corso è presentare e discutere i recenti progressi nell'area dell'Internet of Things, in particolare su tecnologie, architetture, algoritmi e protocolli per ambienti intelligenti con enfasi sulle applicazioni reali di ambienti intelligenti. Il corso presenterà gli aspetti di comunicazione e networking, nonché l'elaborazione dei dati multimediali e di realtà estesa da utilizzare per la progettazione dell'applicazione. Il corso proporrà due casi di studio nel campo degli ambienti intelligenti: monitoraggio del traffico veicolare per applicazioni ITS e reti wireless a basso consumo energetico. In entrambi i casi verranno forniti strumenti, modelli e metodologie per la progettazione di applicazioni per ambienti intelligenti.
SPECIFICI
• Conoscenza e capacità di comprensione: Conoscere i recenti progressi nell'area dell'Internet delle cose, in particolare su tecnologie, architetture, algoritmi e protocolli per ambienti intelligenti con enfasi sulle applicazioni e sulle piattaforme di elaborazione. Conoscere i recenti progressi nella rappresentazione di dati multimediali e di realtà estesa.
• Capacità di applicare conoscenza e comprensione: saper applicare criteri e tecniche di progettazione di piattaforme intelligenti per l’acquisizione dei dati, per la comunicazione in rete e per le applicazioni in contesti di ambienti intelligenti.
• Autonomia di giudizio: saper analizzare benefici e limiti di progetti ambienti intelligenti.
• Abilità comunicative: saper presentare progetti su ambienti intelligenti e di IoT, compresi vincoli progettuali, soluzioni e possibilità d’impiego.
• Capacità di apprendimento: capacità di sviluppare studi più avanzati nell’ambito delle tecnologie di elaborazione e di rete in ambienti intelligenti.
Risultati attesi
Al termine del corso, gli studenti saranno in grado di:
Comprendere e descrivere le principali tecnologie wireless e cablate di all’Internet of Things (IoT) e impiegate negli ambienti intelligenti.
Analizzare architetture e protocolli di rete orientati all’IoT e alla raccolta dati da sensoristica distribuita.
Progettare applicazioni per ambienti intelligenti integrando comunicazione, edge computing e algoritmi di apprendimento automatico.
Applicare strumenti e metodologie per il monitoraggio del traffico veicolare e la realizzazione di reti a basso consumo energetico.
Comprendere le tecnologie e i flussi di elaborazione dati multimediali e sensoristici per applicazioni in ambienti intelligenti.
Progettare applicazioni che integrano contenuti in realtà estesa (XR) e valutarne l’impatto in contesti urbani e intelligenti.
Sviluppare un approccio critico e sistemico alla progettazione di infrastrutture digitali per città e ambienti intelligenti, considerando aspetti di scalabilità, sostenibilità ed efficienza energetica.
|
