Matematica applicata

Obiettivi formativi

Obiettivi generali:

Acquisire conoscenze in algebra lineare numerica e modellistica numerica per problemi differenziali

Obiettivi specifici:

Conoscenza e comprensione: Al termine del Corso gli studenti avranno acquisito nozioni e risultati relativi a metodi per la soluzione numerica di sistemi lineari e di problemi agli autovalori e per la discretizzazione di equazioni differenziali ordinarie ed alle derivate parziali lineari e avranno acquisito tecniche relative alla implementazione degli algoritmi per la soluzione effettiva dei problemi trattati.

Applicare conoscenza e comprensione: Gli studenti che abbiano superato l’esame saranno in grado di usare le metodologie illustrate nel Corso per la soluzione numerica di un sistema lineare o di un problema agli autovalori e per la discretizzazione di equazioni differenziali ordinarie o alle derivate parziali lineari, e saranno in grado di prevederne le prestazioni a seconda delle caratteristiche del problema da trattare.

Capacità critiche e di giudizio: Gli studenti che abbiano superato l’esame saranno in grado di scegliere fra gli algoritmi che avranno studiato nel Corso quelli più adatti alla soluzione del problema considerato, avendo anche acquisito gli strumenti per apportare le modifiche che si rendessero necessarie per migliorarne le prestazioni.

Capacità comunicative: Gli studenti avranno maturato la capacità di esporre i concetti, le idee e le metodologie trattate nel Corso. 

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 più specialistici della algebra lineare numerica e della modellistica numerica per problemi differenziali, potendo comprenderne la terminologia specifica e identificarne i temi più rilevanti.

Obiettivi formativi

Obiettivi generali: acquisire conoscenze di base in teoria elementare dei numeri e campi finiti (utili qualora si studino in altri corsi o contesti la crittografia a chiave pubblica o la teoria dei codici).

Obiettivi specifici:

Conoscenza e comprensione: al temine del corso lo studente avrà acquisito le nozioni e i risultati di base relativi alla teoria elementare dei numeri, alla risoluzione di equazioni alle confruenze (con particolare riguardo alle equazioni polinomiali), akke funzioni aritmetiche, alla teoria dei residui quadratici, al problema degli ampliamenti, alle estensioni e alla struttura dettagliata dei campi finiti.

Applicare conoscenza e comprensione: al temine del corso lo studente sarà in grado di risolvere semplici problemi che richiedano l’uso di tecniche legate alle equazioni alle congruenze, alle funzioni aritmetiche più importanti; sarà in grado di descrivere in modo concreto un campo finito e il suo gruppo di Galois.

Capacità critiche e di giudizio: lo studente avrà le basi per usare gli strumenti che sono alla base della crittografia a chiave pubblica e alla teoria dei codici correttori di errore. Scopo del corso, di natura esclusivamente teorica, è quindi di permettere agli studenti interessati in seguito agli ambiti applicativi crittografici di poter manipolare agevolmente gli oggetti matematici del corso.

Capacità comunicative: capacità di esporre i contenuti nella parte orale della verifica e negli eventuali quesiti teorici presenti nella prova scritta.

Capacità di apprendimento: le conoscenze acquisite permetteranno uno studio, individuale o impartito in un corso di LM, relativo ad aspetti standard di teoria dei numeri e dei campi finiti.

Obiettivi formativi

Obiettivi generali del corso: Il corso si propone due obiettivi, uno per ciascun modulo;
1) Fornire le basi algebrico-topologiche per comprendere le tecniche di analisi topologica dei dati.
2) Approfondire alcuni aspetti di geometria proiettiva classica e di teoria delle curve algebriche, solitamente trascurati nei corsi di Laurea triennale.

Obiettivi formativi

Conoscenza e comprensione: al termine del corso lo studente avrà acquisito le nozioni e i risultati
di base relativi all'omologia singolare, allo studio delle varietà differenziabili
e una discreta conoscenza della teoria delle superfici di Riemann.

Applicare conoscenza e comprensione: al termine del corso lo studente sarà in grado di risolvere
problemi anche articolati che richiedano l’uso di tecniche legate alla coomologia di de Rham,
al teorema di Hurwitz e al Teorema di Riemann Roch per superfici di Riemann compatte;
sarà in grado di determinare il genere di una Superficie di Riemann e la dimensione dei sistemi lineari
i gruppi di coomologia delle varietà.

Capacità critiche e di giudizio: lo studente avrà le basi per analizzare le analogie e le relazioni tra gli
argomenti trattati che variano tra la topologia algebrica, la geometria differenziale, la geometria complessa
e anche la geometria algebrica.

Capacità comunicative: capacità di esporre i contenuti nella parte orale della verifica e negli
eventuali quesiti teorici presenti nella prova scritta.

Capacità di apprendimento: le conoscenze acquisite permetteranno di potersi dedicare ad aspetti più specialistici di geometria.

Obiettivi formativi

Obiettivi Formativi

Obiettivi generali:

Acquisire conoscenze di base in modellistica basata su equazioni differenziali ordinarie e parziali, nei contesti presentati nel programma. In particolare, sara’ in grado di trattare equazioni differenziali per reti di reazioni chimiche, diffusione di epidemie, cinetica di enzimi, propagazione di impulsi nervosi; inoltre, saprà trattare modelli in cui e’ presente anche la dipendenza dallo spazio con termini di tipo diffusivo.

Obiettivi specifici:

Conoscenza e comprensione: al temine del corso lo studente avrà acquisito le nozioni e i risultati di base relativi ad alcune classi di equazioni differenziali ordinarie e di equazioni alle derivate parziali utili per la descrizione di modelli, principalmente in ambito biochimico ed epidemiologico.

Applicare conoscenza e comprensione: al temine del corso lo studente sarà in grado di presentare modelli di base in ambito biomatematico, discutendone le proprietà e caratteristiche. Sarà altresì in grado di utilizzare il calcolatore elettronico per realizzare simulazioni numeriche di base di equazioni differenziali nonlineari utilizzando librerie pre-esistenti.

Capacità critiche e di giudizio: lo studente avrà le basi per analizzare le analogie e le relazioni tra gli argomenti trattati e argomenti acquisiti in corsi precedenti dello stesso ambito, riconoscendone criticamente le caratteristiche salienti.

Capacità comunicative: lo studente avrà sviluppato la capacità di esporre i contenuti nella parte orale della verifica.

Capacità di apprendimento: le conoscenze acquisite permetteranno uno studio, individuale e collegiale, dei successivi corsi della LM che richiedano competenze di tipo modellistico.

Obiettivi formativi

Obiettivi Formativi

Obiettivi generali: Fornire agli studenti le nozioni di base relative allo studio di spazi funzionali che intervengono in vari campi. In particolare si studieranno gli operatori lineari fra spazi di Banach o di Hilbert e si analizzerà il loro spettro. Infine verranno presentate alcune tecniche di Analisi Funzionale non lineare adatte allo studio di problemi differenziali.

Obiettivi specifici:

Conoscenza e comprensione: al temine del corso lo studente avrà acquisito le nozioni e i risultati di base relativi all'Analisi Funzionale e a diverse sue applicazioni a problemi differenziali.

Applicare conoscenza e comprensione: al temine del corso lo studente sarà in grado di risolvere semplici problemi che richiedano l’uso di tecniche di Analisi Funzionale.

Capacità critiche e di giudizio: lo studente avrà le basi per analizzare le analogie e le relazioni tra gli argomenti trattati e argomenti già visti in corsi precedenti; acquisirà anche gli strumenti che hanno storicamente portato alla soluzione di problemi classici. Sarà in grado (almeno in casi modello) di riconoscere gli spazi funzionali adatti alla risoluzione di problemi di analisi, per esempio problemi differenziali con condizioni al contorno.

Capacità comunicative: capacità di esporre i contenuti nella parte orale della verifica e negli eventuali quesiti teorici presenti nella prova scritta.

Capacità di apprendimento: le conoscenze acquisite permetteranno l'applicazione delle tecniche a problemi avanzati di Analisi Funzionale e a problemi differenziali.

Obiettivi formativi

Obiettivi generali:

Molti modelli della fisica matematica e in generale delle scienze naturali hanno come fondamento principi variazionali (principio di minimo energia, di minima azione,...) che ne descrivono le configurazioni di equilibrio e le evoluzioni dinamiche.
L’obiettivo del corso è rendere gli studenti consapevoli della varietà di problemi che possono essere affrontati con tecniche variazionali e fornire loro gli strumenti di base e il linguaggio matematico per l’analisi dei modelli presenti nelle varie scienze naturali.

Obiettivi specifici:

Conoscenza e comprensione:

al temine del corso la/lo studente avrà acquisito le nozioni e i risultati di base relativi sul metodo diretto del calcolo delle variazioni, le condizioni di semicontinuità, l’analisi asintotica via Gamma convergenza, e potrà applicare questo metodo in vari contesti di cui verranno fornite le basi funzionali almeno in dimensione 1 (funzionali integrali e spazi di Sobolev, funzionali geometrici e cenni di teoria geometrica della misura).

Applicare conoscenza e comprensione:

al temine del corso la/lo studente sarà in grado di cominciare lo studio di argomenti avanzati di calcolo delle variazioni. Sarà inoltre in grado di formulare un semplice modello variazionale (per esempio collegato a una specifica applicazione) e analizzarne il comportamento asintotico o e individuarne le caratteristiche che lo rendono un modello robusto.

Capacità critiche e di giudizio:

la/lo studente avrà le basi per collegare e utilizzare strumenti trattati in vari momenti della sua preparazione dalla analisi, fisica matematica e la probabilità. Sarà quindi in grado di apprezzarne l’interesse di una questione matematica in relazione anche al suo utilizzo per rispondere a una domanda proveniente da un problema applicato.

Capacità comunicative:

capacità di esporre in maniera rigorosa i contenuti teorici del corso e anche capacità di formulare il problema in esame comprendendo il ruolo della formulazione del modello giusto e della sua analisi. Capacità di spiegare quindi il risultato teorico nel linguaggio relativo all’applicazione in esame potenzialmente quindi spiegabile a pubblico non esperto di calcolo delle variazioni.

Capacità di apprendimento:

le conoscenze acquisite permetteranno di affrontare un eventuale lavoro di tesi magistrale nell’ambito della matematica applicata alle scienze sia con un approccio più teorico sia in collegamento all’analisi di uno specifico modello di interesse applicativo.

Obiettivi formativi

Obiettivi Formativi

Obiettivi generali:

Acquisire conoscenze di base in modellistica basata su equazioni differenziali ordinarie e parziali, nei contesti presentati nel programma. In particolare, sara’ in grado di trattare equazioni differenziali per reti di reazioni chimiche, diffusione di epidemie, cinetica di enzimi, propagazione di impulsi nervosi; inoltre, saprà trattare modelli in cui e’ presente anche la dipendenza dallo spazio con termini di tipo diffusivo.

Obiettivi specifici:

Conoscenza e comprensione: al temine del corso lo studente avrà acquisito le nozioni e i risultati di base relativi ad alcune classi di equazioni differenziali ordinarie e di equazioni alle derivate parziali utili per la descrizione di modelli, principalmente in ambito biochimico ed epidemiologico.

Applicare conoscenza e comprensione: al temine del corso lo studente sarà in grado di presentare modelli di base in ambito biomatematico, discutendone le proprietà e caratteristiche. Sarà altresì in grado di utilizzare il calcolatore elettronico per realizzare simulazioni numeriche di base di equazioni differenziali nonlineari utilizzando librerie pre-esistenti.

Capacità critiche e di giudizio: lo studente avrà le basi per analizzare le analogie e le relazioni tra gli argomenti trattati e argomenti acquisiti in corsi precedenti dello stesso ambito, riconoscendone criticamente le caratteristiche salienti.

Capacità comunicative: lo studente avrà sviluppato la capacità di esporre i contenuti nella parte orale della verifica.

Capacità di apprendimento: le conoscenze acquisite permetteranno uno studio, individuale e collegiale, dei successivi corsi della LM che richiedano competenze di tipo modellistico.

Obiettivi formativi

Obiettivi Formativi

Obiettivi generali: Fornire agli studenti le nozioni di base relative allo studio di spazi funzionali che intervengono in vari campi. In particolare si studieranno gli operatori lineari fra spazi di Banach o di Hilbert e si analizzerà il loro spettro. Infine verranno presentate alcune tecniche di Analisi Funzionale non lineare adatte allo studio di problemi differenziali.

Obiettivi specifici:

Conoscenza e comprensione: al temine del corso lo studente avrà acquisito le nozioni e i risultati di base relativi all'Analisi Funzionale e a diverse sue applicazioni a problemi differenziali.

Applicare conoscenza e comprensione: al temine del corso lo studente sarà in grado di risolvere semplici problemi che richiedano l’uso di tecniche di Analisi Funzionale.

Capacità critiche e di giudizio: lo studente avrà le basi per analizzare le analogie e le relazioni tra gli argomenti trattati e argomenti già visti in corsi precedenti; acquisirà anche gli strumenti che hanno storicamente portato alla soluzione di problemi classici. Sarà in grado (almeno in casi modello) di riconoscere gli spazi funzionali adatti alla risoluzione di problemi di analisi, per esempio problemi differenziali con condizioni al contorno.

Capacità comunicative: capacità di esporre i contenuti nella parte orale della verifica e negli eventuali quesiti teorici presenti nella prova scritta.

Capacità di apprendimento: le conoscenze acquisite permetteranno l'applicazione delle tecniche a problemi avanzati di Analisi Funzionale e a problemi differenziali.

Obiettivi formativi

Obiettivi generali:

Molti modelli della fisica matematica e in generale delle scienze naturali hanno come fondamento principi variazionali (principio di minimo energia, di minima azione,...) che ne descrivono le configurazioni di equilibrio e le evoluzioni dinamiche.
L’obiettivo del corso è rendere gli studenti consapevoli della varietà di problemi che possono essere affrontati con tecniche variazionali e fornire loro gli strumenti di base e il linguaggio matematico per l’analisi dei modelli presenti nelle varie scienze naturali.

Obiettivi specifici:

Conoscenza e comprensione:

al temine del corso la/lo studente avrà acquisito le nozioni e i risultati di base relativi sul metodo diretto del calcolo delle variazioni, le condizioni di semicontinuità, l’analisi asintotica via Gamma convergenza, e potrà applicare questo metodo in vari contesti di cui verranno fornite le basi funzionali almeno in dimensione 1 (funzionali integrali e spazi di Sobolev, funzionali geometrici e cenni di teoria geometrica della misura).

Applicare conoscenza e comprensione:

al temine del corso la/lo studente sarà in grado di cominciare lo studio di argomenti avanzati di calcolo delle variazioni. Sarà inoltre in grado di formulare un semplice modello variazionale (per esempio collegato a una specifica applicazione) e analizzarne il comportamento asintotico o e individuarne le caratteristiche che lo rendono un modello robusto.

Capacità critiche e di giudizio:

la/lo studente avrà le basi per collegare e utilizzare strumenti trattati in vari momenti della sua preparazione dalla analisi, fisica matematica e la probabilità. Sarà quindi in grado di apprezzarne l’interesse di una questione matematica in relazione anche al suo utilizzo per rispondere a una domanda proveniente da un problema applicato.

Capacità comunicative:

capacità di esporre in maniera rigorosa i contenuti teorici del corso e anche capacità di formulare il problema in esame comprendendo il ruolo della formulazione del modello giusto e della sua analisi. Capacità di spiegare quindi il risultato teorico nel linguaggio relativo all’applicazione in esame potenzialmente quindi spiegabile a pubblico non esperto di calcolo delle variazioni.

Capacità di apprendimento:

le conoscenze acquisite permetteranno di affrontare un eventuale lavoro di tesi magistrale nell’ambito della matematica applicata alle scienze sia con un approccio più teorico sia in collegamento all’analisi di uno specifico modello di interesse applicativo.

Obiettivi formativi

Obiettivi generali:
acquisire conoscenze di base in geometria riemanniana.

Obiettivi specifici:

Conoscenza e comprensione:
al temine del corso lo studente avrà acquisito le nozioni e i risultati di base relativi alle varietà riemanniane, connessioni e le differenti nozioni di curvatura, le geodetiche e i campi di Jacobi, la completezza e gli spazi a curvatura costante.

Applicare conoscenza e comprensione:
al temine del corso lo studente sarà in grado di cominciare lo studio di argomenti avanzati di geometria riemanniana, e di risolvere problemi complessi in questo ambito.

Capacità critiche e di giudizio:
lo studente avrà le basi per analizzare ed apprezzare le analogie e i collegamenti tra gli argomenti trattati e i più svariati temi provenenti dalla topologia differenziale, algebrica, dalla geometria algebrica e complessa.

Capacità comunicative:
capacità di esporre in maniera rigorosa i contenuti nei quesiti più teorici presenti nella prova scritta, e nell'eventuale parte orale della verifica.

Capacità di apprendimento:
le conoscenze acquisite permetteranno di affrontare un eventuale lavoro di tesi magistrale su argomenti avanzati di geometria differenziale/riemanniana, ma anche di geometria analitica/differenziale complessa.

Obiettivi formativi

Risultati di apprendimento - Conoscenze acquisite:Il corso fornisce agli studenti strumenti avanzati per lo studio di alcuni tipi di equazioni differenziali (lineari e nonlineari) alle derivate parziali.Gli studenti che abbiano superato l'esame avranno raggiunto una buona familiarità con le più recenti nozioni di soluzione e con le relative proprietà qualitative.Risultati di apprendimento - Competenze acquisite:Gli studenti che abbiano superato l'esame saranno in grado di affrontare lo studio avanzato delle soluzioni di alcuni tipi di equazioni differenziali (lineari e nonlineari) alle derivate parziali.

Obiettivi formativi

Risultati di apprendimento - Conoscenze acquisite:
Gli studenti che abbiano superato l'esame saranno in grado di affrontare argomenti concernenti l`analisi funzionale ed i fondamenti della teoria delle Algebre di operatori, avendo raggiunto una buona familiarita` con concetti fondamentali quali la Teoria Spettrale, operatori lineari chiusi, Hermitiani, autoaggiunti, Algebre C* e di von Neumann.

Risultati di apprendimento - Competenze acquisite:
Gli studenti che abbiano superato l'esame saranno in grado di studiare la struttura di operatori lineari quali semplici perturbazioni del Laplaciano e di utilizzare la teoria delle Algebre di operatori in molte questioni fondamentali, dalla Analisi Armonica alla Meccanica Quantistica.

Obiettivi formativi

Obiettivi Formativi

Obiettivi generali:

Acquisire conoscenze di base in modellistica basata su equazioni differenziali ordinarie e parziali, nei contesti presentati nel programma. In particolare, sara’ in grado di trattare equazioni differenziali per reti di reazioni chimiche, diffusione di epidemie, cinetica di enzimi, propagazione di impulsi nervosi; inoltre, saprà trattare modelli in cui e’ presente anche la dipendenza dallo spazio con termini di tipo diffusivo.

Obiettivi specifici:

Conoscenza e comprensione: al temine del corso lo studente avrà acquisito le nozioni e i risultati di base relativi ad alcune classi di equazioni differenziali ordinarie e di equazioni alle derivate parziali utili per la descrizione di modelli, principalmente in ambito biochimico ed epidemiologico.

Applicare conoscenza e comprensione: al temine del corso lo studente sarà in grado di presentare modelli di base in ambito biomatematico, discutendone le proprietà e caratteristiche. Sarà altresì in grado di utilizzare il calcolatore elettronico per realizzare simulazioni numeriche di base di equazioni differenziali nonlineari utilizzando librerie pre-esistenti.

Capacità critiche e di giudizio: lo studente avrà le basi per analizzare le analogie e le relazioni tra gli argomenti trattati e argomenti acquisiti in corsi precedenti dello stesso ambito, riconoscendone criticamente le caratteristiche salienti.

Capacità comunicative: lo studente avrà sviluppato la capacità di esporre i contenuti nella parte orale della verifica.

Capacità di apprendimento: le conoscenze acquisite permetteranno uno studio, individuale e collegiale, dei successivi corsi della LM che richiedano competenze di tipo modellistico.

Obiettivi formativi

Obiettivi generali: Introdurre lo studente ai risultati fondamentali della statistica matematica e alle applicazioni più significative, anche attraverso la discussione di casi concreti e di software statistico.

Obiettivi specifici:

Conoscenza e comprensione: al temine del corso lo studente avrà acquisito le nozioni e i risultati di base che riguardano i problemi di stima puntuale, per intervallo e i problemi di verifica delle ipotesi, nonché i principali metodi con cui questi si affrontano: metodo dei momenti, della massima verosimiglianza e generalizzazioni.

Applicare conoscenza e comprensione: al temine del corso lo studente sarà in grado di valutare il grado di accuratezza con cui, in semplici problemi statistici, si possono stimare parametri o validare ipotesi su questi, implementando queste risposte in un software opportuno.

Capacità critiche e di giudizio: lo studente avrà modo di apprezzare gli strumenti probabilistici utili ad affrontare i problemi statistici e i vari approcci alla risoluzione degli stessi.

Capacità comunicative: capacità di esporre i contenuti nella parte orale della verifica e negli eventuali quesiti teorici presenti nella prova scritta.

Capacità di apprendimento: le conoscenze acquisite permetteranno uno studio successivo di aspetti più recenti e avanzati della statistica matematica.

Obiettivi formativi

Obiettivi generali: acquisire conoscenze di base in teoria dei processi stocastici e nella modellizzazione stocastica
di fenomeni reali.

Obiettivi specifici:

Conoscenza e comprensione: al temine del corso lo studente avrà acquisito le nozioni e i risultati di base riguardanti i processi stocastici a tempo discreto e a tempo continuo, su strutture discrete quali ad esempio grafi oppure su spazi continui.

Applicare conoscenza e comprensione: al temine del corso lo studente sarà in grado di modellizzare l'evoluzione temporale di vari fenomeni reali tramite i processi stocastici, di analizzare la stazionarieta` e/o la reversibilita` temporale dei processi stocastici, di calcolare probabilita` di assorbimento e tempi attesi di assorbimento, di simulare processi stocastici e di stimare la velocita` di convergenza all'equilibrio.

Capacità critiche e di giudizio: lo studente avrà le basi per studiare sistemi dinamici stocastici e acquisire la capacita` di valutare la bonta` di un modello rispetto ad altri nella modellizzazione di fenomeni reali.

Capacità comunicative: dovendo sostenere una prova orale di teoria, gli studenti svilupperanno le capacita` comunicative necessarie per bene esporre la teoria matematica e i vari modelli considerati nel corso.

Capacità di apprendimento: le conoscenze acquisite permetteranno uno studio più approfondito dei processi stocastici sia su spazi discreti che continui, aiutando lo studente nello studio di altri corsi quali ad esempio calcolo stocastico.

Obiettivi formativi

Obiettivi generali:
acquisire conoscenze specialistiche di base su un approccio rigoroso alla meccanica statistica di equilibrio

Obiettivi specifici:
Conoscenza e comprensione:
conoscenza degli ensemble statistici, delle misure di Gibbs e dei funzionali termodinamici; comprensione delle transizioni di fase per modelli paradigmatici di particelle su reticolo.

Applicare conoscenza e comprensione:
al termine del corso lo studente sarà' in grado di descrivere modelli semplici di particelle attraverso gli ensemble statistici, di fare il limite termodinamico della funzione di partizione e determinare i funzionali termodinamici, e di intuire eventuali transizioni di fase per modelli semplici su reticolo.

Capacità' critiche e di giudizio:
capacità' di descrivere il comportamento meccanico e termodinamico di sistemi composti da un grande numero di particelle.

Capacità comunicative:
capacità' di enucleare i punti significativi della teoria, di saper illustrare con esempi opportuni le parti più' interessanti, di discutere matematicamente dei punti più' sottili, almeno per modelli semplici.

Capacità' di apprendimento:
le conoscenze acquisite permetteranno di affrontare studi avanzati, anche a livello di dottorato, relativi alla meccanica statistica di equilibrio e non, e di utilizzare gli strumenti di base della meccanica statistica in altri contesti.

Obiettivi formativi

Obiettivi generali:
acquisire conoscenze specialistiche di base su un approccio rigoroso alla meccanica statistica di equilibrio

Obiettivi specifici:
Conoscenza e comprensione:
conoscenza degli ensemble statistici, delle misure di Gibbs e dei funzionali termodinamici; comprensione delle transizioni di fase per modelli paradigmatici di particelle su reticolo.

Applicare conoscenza e comprensione:
al termine del corso lo studente sarà' in grado di descrivere modelli semplici di particelle attraverso gli ensemble statistici, di fare il limite termodinamico della funzione di partizione e determinare i funzionali termodinamici, e di intuire eventuali transizioni di fase per modelli semplici su reticolo.

Capacità' critiche e di giudizio:
capacità' di descrivere il comportamento meccanico e termodinamico di sistemi composti da un grande numero di particelle.

Capacità comunicative:
capacità' di enucleare i punti significativi della teoria, di saper illustrare con esempi opportuni le parti più' interessanti, di discutere matematicamente dei punti più' sottili, almeno per modelli semplici.

Capacità' di apprendimento:
le conoscenze acquisite permetteranno di affrontare studi avanzati, anche a livello di dottorato, relativi alla meccanica statistica di equilibrio e non, e di utilizzare gli strumenti di base della meccanica statistica in altri contesti.

Obiettivi formativi

Obiettivi generali:
acquisire conoscenze specialistiche di base su un approccio rigoroso alla meccanica statistica di equilibrio

Obiettivi specifici:
Conoscenza e comprensione:
conoscenza degli ensemble statistici, delle misure di Gibbs e dei funzionali termodinamici; comprensione delle transizioni di fase per modelli paradigmatici di particelle su reticolo.

Applicare conoscenza e comprensione:
al termine del corso lo studente sarà' in grado di descrivere modelli semplici di particelle attraverso gli ensemble statistici, di fare il limite termodinamico della funzione di partizione e determinare i funzionali termodinamici, e di intuire eventuali transizioni di fase per modelli semplici su reticolo.

Capacità' critiche e di giudizio:
capacità' di descrivere il comportamento meccanico e termodinamico di sistemi composti da un grande numero di particelle.

Capacità comunicative:
capacità' di enucleare i punti significativi della teoria, di saper illustrare con esempi opportuni le parti più' interessanti, di discutere matematicamente dei punti più' sottili, almeno per modelli semplici.

Capacità' di apprendimento:
le conoscenze acquisite permetteranno di affrontare studi avanzati, anche a livello di dottorato, relativi alla meccanica statistica di equilibrio e non, e di utilizzare gli strumenti di base della meccanica statistica in altri contesti.

Obiettivi formativi

Obiettivi generali:

Acquisire conoscenze avanzate della teoria dei sistemi dinamici.

Obiettivi specifici:

Conoscenza e comprensione: Gli studenti che abbiano superato l'esame avranno acquisito conoscenze teoriche rigorose nel campo della teoria dei sistemi dinamici, con particolare attenzione alle applicazioni in meccanica e nelle scienze applicate in generale. In particolare, impareranno elementi di teoria della stabilità e di teoria iperbolica (quali intersezioni omocline ed esistenza di moti caotici). Impareranno inoltre elementi di teoria dei sistemi dinamici topologici e di teoria ergodica.

Applicare conoscenza e comprensione: Gli studenti che abbiano superato l'esame saranno in grado di: i) studiare problemi di stabilità dell’equilibrio e di moti periodici, sia quando questa è riconosciuta dalla parte lineare che con i metodi della teoria di Liapunov; iii) analizzare sistemi planari che presentano fenomeni di auto-oscillazione; iv) formalizzare in problemi concreti i concetti di intersezione di varietà stabile ed instabile ed i connessi fenomeni caotici; v) applicare le tecniche di base della teoria ergodica in problemi concreti.

Capacità critiche e di giudizio: Gli studenti che abbiano superato l'esame saranno in grado di utilizzare le conoscenze acquisite nell'analisi dei modelli evolutivi non lineari che si presentano nelle scienze applicate.

Capacità comunicative: Gli studenti che abbiano superato l'esame avranno maturato la capacità di comunicare ed esporre concetti, idee e metodologie della teoria dei sistemi dinamici.

Capacità di apprendimento: Le conoscenze acquisite consentiranno agli studenti che abbiano superato l'esame di approfondire, in modo individuale ed autonomo, tecniche e metodologie della teoria dei sistemi dinamici.

Obiettivi formativi

Risultati di apprendimento - Conoscenze acquisite:Il corso fornisce agli studenti strumenti avanzati per lo studio di alcuni tipi di equazioni differenziali (lineari e nonlineari) alle derivate parziali.Gli studenti che abbiano superato l'esame avranno raggiunto una buona familiarità con le più recenti nozioni di soluzione e con le relative proprietà qualitative.Risultati di apprendimento - Competenze acquisite:Gli studenti che abbiano superato l'esame saranno in grado di affrontare lo studio avanzato delle soluzioni di alcuni tipi di equazioni differenziali (lineari e nonlineari) alle derivate parziali.

Obiettivi formativi

Il corso intende introdurre lo studio di approcci multiscala (micro-meso-macro) per modelli di sistemi multi-agente. Esempi tipici sono: traffico veicolare, pedoni, dinamica delle opinioni, flocking/swarming, mercati finanziari e così via.
Il corso prevede anche attività di laboratorio per la parte computazionale relativa alla simulazione numerica dei modelli.

1. Conoscenza e capacità di comprensione

Gli studenti che abbiano superato l'esame sapranno modellizzare e studiare proprietà qualitative di fenomeni fisici attraverso diverse scale di descrizione: dalla microscopica, alla cinetica, fino alla macroscopica.

2. Conoscenza e capacità di comprensione applicata

Gli studenti che abbiano superato l'esame saranno in grado sapranno usare tecniche numeriche efficienti, deterministiche e non, per la simulazione dei modelli, e saranno in grado di realizzare praticamente gli algoritmi in C++ o MATLAB.

3. Autonomia di giudizio

Gli studenti saranno in grado di valutare la migliore scala di rappresentazione del fenomeno di riferimento, i risultati prodotti dai loro programmi, effettuare test e simulazioni.

4. Capacità comunicative

Gli studenti sapranno esporre e spiegare le scelte di modellizzazione, le proprietà dei modelli, sia alla lavagna che su computer.

5. Capacità di apprendimento

Le conoscenze acquisite permetteranno agli studenti di costruire le basi per ulteriori studi di ricerca relativi ai modelli di sistemi multi-agente.

Obiettivi formativi

Obiettivi generali:
acquisire conoscenze specialistiche di base ed esperienza pratica
su alcuni argomenti classici dell’ottimizzazione a dimensione finita.

Obiettivi specifici

Conoscenze e comprensione:
conoscenza dei fondamenti teorici e pratici della teoria dell’ottimizzazione
e delle principali classi di problemi e di metodi risolutivi.

Applicare conoscenza e comprensione:
al termine del corso lo studente sarà in grado di classificare un problema
di ottimizzazione e scegliere quale metodo risolutivo sia il più adatto alla sua soluzione, tenendo conto dei vincoli derivanti dal tipo di applicazione (per esempio, accuratezza richiesta o limiti al tempo di calcolo a disposizione). Inoltre lo studente sarà in grado di interpretare correttamente i risultati forniti da codici risolutivi commerciali o ad-hoc.

Capacità critiche e di giudizio:
capacita' di enucleare gli aspetti significativi di un problema di ottimizzazione e dei suoi algoritmi risolutivi.

Capacità comunicative:
capacità di enucleare i punti signifivativi della teoria,
di saper illustrare con esempi opportuni le parti più interessanti,
di discutere matematicamente dei punti più sottili.

Capacità di apprendimento:
le conoscenze acquisite permetteranno di affrontare
lo studio di argomenti più avanzati e di inserirsi adeguatamente in ambienti
industriali e di ricerca dove si faccia uso di tecniche di ottimizzazione.

Obiettivi formativi

L'obiettivo principale del corso è presentare un’introduzione compatta ma efficace alle basi del machine learning quantistico (QML), partendo dalle nozioni fondamentali della meccanica quantistica e dell'informatica quantistica. L’idea è spiegare come i fondamenti della meccanica quantistica consentano nuovi ed efficienti schemi di apprendimento a studenti privi di competenze specifiche in meccanica quantistica e informatica quantistica.

Gli studenti non impareranno semplicemente a tradurre le tecniche classiche di machine learning nel linguaggio dell'informatica quantistica, ma piuttosto a sviluppare un nuovo approccio alla rappresentazione e all'elaborazione dei dati, intrinsecamente diverso da quello utilizzato dai computer standard.

Il corso prevede lezioni frontali ed esercitazioni in aula, utili per verificare la preparazione personale degli studenti.

Obiettivi formativi

Obiettivi generali: acquisire conoscenze di base in teoria dei processi stocastici e nella modellizzazione stocastica
di fenomeni reali.

Obiettivi specifici:

Conoscenza e comprensione: al temine del corso lo studente avrà acquisito le nozioni e i risultati di base riguardanti i processi stocastici a tempo discreto e a tempo continuo, su strutture discrete quali ad esempio grafi oppure su spazi continui.

Applicare conoscenza e comprensione: al temine del corso lo studente sarà in grado di modellizzare l'evoluzione temporale di vari fenomeni reali tramite i processi stocastici, di analizzare la stazionarieta` e/o la reversibilita` temporale dei processi stocastici, di calcolare probabilita` di assorbimento e tempi attesi di assorbimento, di simulare processi stocastici e di stimare la velocita` di convergenza all'equilibrio.

Capacità critiche e di giudizio: lo studente avrà le basi per studiare sistemi dinamici stocastici e acquisire la capacita` di valutare la bonta` di un modello rispetto ad altri nella modellizzazione di fenomeni reali.

Capacità comunicative: dovendo sostenere una prova orale di teoria, gli studenti svilupperanno le capacita` comunicative necessarie per bene esporre la teoria matematica e i vari modelli considerati nel corso.

Capacità di apprendimento: le conoscenze acquisite permetteranno uno studio più approfondito dei processi stocastici sia su spazi discreti che continui, aiutando lo studente nello studio di altri corsi quali ad esempio calcolo stocastico.

Obiettivi formativi

Obiettivi generali:

Acquisire conoscenze avanzate della teoria dei sistemi dinamici.

Obiettivi specifici:

Conoscenza e comprensione: Gli studenti che abbiano superato l'esame avranno acquisito conoscenze teoriche rigorose nel campo della teoria dei sistemi dinamici, con particolare attenzione alle applicazioni in meccanica e nelle scienze applicate in generale. In particolare, impareranno elementi di teoria della stabilità e di teoria iperbolica (quali intersezioni omocline ed esistenza di moti caotici). Impareranno inoltre elementi di teoria dei sistemi dinamici topologici e di teoria ergodica.

Applicare conoscenza e comprensione: Gli studenti che abbiano superato l'esame saranno in grado di: i) studiare problemi di stabilità dell’equilibrio e di moti periodici, sia quando questa è riconosciuta dalla parte lineare che con i metodi della teoria di Liapunov; iii) analizzare sistemi planari che presentano fenomeni di auto-oscillazione; iv) formalizzare in problemi concreti i concetti di intersezione di varietà stabile ed instabile ed i connessi fenomeni caotici; v) applicare le tecniche di base della teoria ergodica in problemi concreti.

Capacità critiche e di giudizio: Gli studenti che abbiano superato l'esame saranno in grado di utilizzare le conoscenze acquisite nell'analisi dei modelli evolutivi non lineari che si presentano nelle scienze applicate.

Capacità comunicative: Gli studenti che abbiano superato l'esame avranno maturato la capacità di comunicare ed esporre concetti, idee e metodologie della teoria dei sistemi dinamici.

Capacità di apprendimento: Le conoscenze acquisite consentiranno agli studenti che abbiano superato l'esame di approfondire, in modo individuale ed autonomo, tecniche e metodologie della teoria dei sistemi dinamici.

Obiettivi formativi

Obiettivi generali:
acquisire conoscenze specialistiche di base su un approccio rigoroso alla meccanica statistica di equilibrio

Obiettivi specifici:
Conoscenza e comprensione:
conoscenza degli ensemble statistici, delle misure di Gibbs e dei funzionali termodinamici; comprensione delle transizioni di fase per modelli paradigmatici di particelle su reticolo.

Applicare conoscenza e comprensione:
al termine del corso lo studente sarà' in grado di descrivere modelli semplici di particelle attraverso gli ensemble statistici, di fare il limite termodinamico della funzione di partizione e determinare i funzionali termodinamici, e di intuire eventuali transizioni di fase per modelli semplici su reticolo.

Capacità' critiche e di giudizio:
capacità' di descrivere il comportamento meccanico e termodinamico di sistemi composti da un grande numero di particelle.

Capacità comunicative:
capacità' di enucleare i punti significativi della teoria, di saper illustrare con esempi opportuni le parti più' interessanti, di discutere matematicamente dei punti più' sottili, almeno per modelli semplici.

Capacità' di apprendimento:
le conoscenze acquisite permetteranno di affrontare studi avanzati, anche a livello di dottorato, relativi alla meccanica statistica di equilibrio e non, e di utilizzare gli strumenti di base della meccanica statistica in altri contesti.

Obiettivi formativi

Obiettivi generali:
acquisire conoscenze specialistiche di base su un approccio rigoroso alla meccanica statistica di equilibrio

Obiettivi specifici:
Conoscenza e comprensione:
conoscenza degli ensemble statistici, delle misure di Gibbs e dei funzionali termodinamici; comprensione delle transizioni di fase per modelli paradigmatici di particelle su reticolo.

Applicare conoscenza e comprensione:
al termine del corso lo studente sarà' in grado di descrivere modelli semplici di particelle attraverso gli ensemble statistici, di fare il limite termodinamico della funzione di partizione e determinare i funzionali termodinamici, e di intuire eventuali transizioni di fase per modelli semplici su reticolo.

Capacità' critiche e di giudizio:
capacità' di descrivere il comportamento meccanico e termodinamico di sistemi composti da un grande numero di particelle.

Capacità comunicative:
capacità' di enucleare i punti significativi della teoria, di saper illustrare con esempi opportuni le parti più' interessanti, di discutere matematicamente dei punti più' sottili, almeno per modelli semplici.

Capacità' di apprendimento:
le conoscenze acquisite permetteranno di affrontare studi avanzati, anche a livello di dottorato, relativi alla meccanica statistica di equilibrio e non, e di utilizzare gli strumenti di base della meccanica statistica in altri contesti.

Obiettivi formativi

Obiettivi generali:
acquisire conoscenze specialistiche di base su un approccio rigoroso alla meccanica statistica di equilibrio

Obiettivi specifici:
Conoscenza e comprensione:
conoscenza degli ensemble statistici, delle misure di Gibbs e dei funzionali termodinamici; comprensione delle transizioni di fase per modelli paradigmatici di particelle su reticolo.

Applicare conoscenza e comprensione:
al termine del corso lo studente sarà' in grado di descrivere modelli semplici di particelle attraverso gli ensemble statistici, di fare il limite termodinamico della funzione di partizione e determinare i funzionali termodinamici, e di intuire eventuali transizioni di fase per modelli semplici su reticolo.

Capacità' critiche e di giudizio:
capacità' di descrivere il comportamento meccanico e termodinamico di sistemi composti da un grande numero di particelle.

Capacità comunicative:
capacità' di enucleare i punti significativi della teoria, di saper illustrare con esempi opportuni le parti più' interessanti, di discutere matematicamente dei punti più' sottili, almeno per modelli semplici.

Capacità' di apprendimento:
le conoscenze acquisite permetteranno di affrontare studi avanzati, anche a livello di dottorato, relativi alla meccanica statistica di equilibrio e non, e di utilizzare gli strumenti di base della meccanica statistica in altri contesti.

Obiettivi formativi

1) Conoscenza e capacità di comprensione
Alla fine del corso, lo studente/la studentessa avranno appreso:
a) il concetto di sistema di controllo, di inclusione differenziale e le loro proprietà fondamentali;
b) il concetto di controllo ottimale e le condizioni necessarie e/o sufficienti per la sua esistenza;
c) il legame fra soluzioni ottimali di un sistema di controllo e l'equazione di Hamilton-Jacobi-Bellman;
d) il concetto di soluzione di viscosità per l'equazione di Hamilton-Jacobi.

2) Conoscenza e capacità di comprensione applicate
Alla fine del corso, lo studente/la studentessa sarà in grado di:
a) formulare in termini matematici un problema di ottimizzazione basato su un sistema di controllo;
b) individuare, tramite l'uso del Principio di Massimo di Pontryagin, le eventuali soluzioni ottimali di un problema di controllo ottimo;
c) affrontare l'analisi teorica delle soluzioni ottimali di un problema di controllo ottimo attraverso lo studio dell'equazione di Hamilton-Jacobi-Bellman ad esso associata.

3) Autonomia di giudizio
Durante il periodo delle lezioni verranno proposti problemi da affrontare autonomamente.
Attraverso lo studio in autonomia di questi problemi e il loro successivo svoltimento collegiale in classe, lo studente/la studentessa
acquisirà sia la capacità di valutare le proprie competenze, che la capacità di affrontare un ampio spettro di problemi di controllo ottimo.

4) Abilità comunicative
Lo svolgimento in forma scritta degli esercizi assegnati, sia in classe che durante le prove d'esame, e lo svolgimento della prova orale, permetteranno allo studente/alla studentessa di valutare le proprie capacità di comunicare ad altri, in forma corretta, le conoscenze acquisite durante il corso.

5) Capacità di apprendimento
Alla fine del corso lo studente/la studentessa sarà in grado di affrontare lo studio problemi di controllo e ottimizzazione; tale abilità viene acquisita grazie allo svolgimento dei problemi distribuiti durante il periodo delle lezioni.

Obiettivi formativi

Obiettivi generali: acquisire nozioni di base di analisi armonica relative alla trasformata continua e discreta di Fourier e alle serie di Fourier, e conoscere le principali applicazioni a problemi sia teorici che pratici di tali metodi.

Obiettivi specifici:

Conoscenza e comprensione: al temine del corso lo studente avra' acquisito le principali nozioni su trasformata di Fourier continua e discreta, serie di Fourier, wavelets, e loro uso in alcuni ambiti teorici e pratici (equazioni differenziali, trattamento di immagini, teroia dei segnali).

Applicare conoscenza e comprensione: al termine del corso lo studente sara' in grado di risolvere problemi di livello base di analisi armonica, avra' acquisito familarita' con trasformate e serie di Fourier, e sara' in grado di applicare tali tecniche alla soluzione di vari problemi concreti.

Capacita' critiche e di giudizio: lo studente avrà le basi per comprendere quando tecniche di analisi armonica possono essere utili come strumenti per la soluzione di problemi in vari ambiti dell'analisi e delle sue applicazioni.

Capacita' comunicative: capacità di esporre i contenuti nella parte orale della verifica e rispondere a quesiti teorici.

Capacita' di apprendimento: le conoscenze acquisite permetteranno uno studio, individuale o impartito in un corso, relativo ad aspetti più avanzati dell'analisi armonica, e di argomenti applicativi piu' specifici.

Obiettivi formativi

Obiettivi generali: acquisire conoscenze di base di Geometria Algebrica su un anello qualsiasi.

Conoscenza e comprensione: al temine del corso lo studente avrà acquisito le nozioni e i risultati di base relativi alla teoria
degli schemi, coomologia di fasci coerenti, teoria delle curve e superfici proiettive.

Applicare conoscenza e comprensione: al temine del corso lo studente sarà in grado di leggere e comprendere alcuni articoli di ricerca in Geometria Algebrica.

Capacità critiche e di giudizio: lo studente apprezzera` le analogie tra la Geometria Algebrica classica (sui complessi) e la Teoria dei numeri.

Capacità comunicative: lo studente dovrà avere la capacità di esporre i contenuti del corso, in particolare sapendoli illustrare su esempi concreti.

Capacità di apprendimento: le conoscenze acquisite permetteranno uno studio, individuale o impartito in un corso di dottorato, relativo ad aspetti più avanzati della Geometria Algebrica.

Obiettivi formativi

1) Conoscenza e capacità di comprensione
Alla fine del corso, lo studente/la studentessa avranno appreso:
a) il concetto di sistema di controllo, di inclusione differenziale e le loro proprietà fondamentali;
b) il concetto di controllo ottimale e le condizioni necessarie e/o sufficienti per la sua esistenza;
c) il legame fra soluzioni ottimali di un sistema di controllo e l'equazione di Hamilton-Jacobi-Bellman;
d) il concetto di soluzione di viscosità per l'equazione di Hamilton-Jacobi.

2) Conoscenza e capacità di comprensione applicate
Alla fine del corso, lo studente/la studentessa sarà in grado di:
a) formulare in termini matematici un problema di ottimizzazione basato su un sistema di controllo;
b) individuare, tramite l'uso del Principio di Massimo di Pontryagin, le eventuali soluzioni ottimali di un problema di controllo ottimo;
c) affrontare l'analisi teorica delle soluzioni ottimali di un problema di controllo ottimo attraverso lo studio dell'equazione di Hamilton-Jacobi-Bellman ad esso associata.

3) Autonomia di giudizio
Durante il periodo delle lezioni verranno proposti problemi da affrontare autonomamente.
Attraverso lo studio in autonomia di questi problemi e il loro successivo svoltimento collegiale in classe, lo studente/la studentessa
acquisirà sia la capacità di valutare le proprie competenze, che la capacità di affrontare un ampio spettro di problemi di controllo ottimo.

4) Abilità comunicative
Lo svolgimento in forma scritta degli esercizi assegnati, sia in classe che durante le prove d'esame, e lo svolgimento della prova orale, permetteranno allo studente/alla studentessa di valutare le proprie capacità di comunicare ad altri, in forma corretta, le conoscenze acquisite durante il corso.

5) Capacità di apprendimento
Alla fine del corso lo studente/la studentessa sarà in grado di affrontare lo studio problemi di controllo e ottimizzazione; tale abilità viene acquisita grazie allo svolgimento dei problemi distribuiti durante il periodo delle lezioni.

Obiettivi formativi

Il corso presenterà i risultati fondamentali relativi all'analisi ed alla approssimazione delle leggi di conservazione scalari e delle equazioni di Hamilton-Jacobi. Verranno inoltre presentati numerosi modelli che conducono allo studio di queste equazioni:
gasdinamica, modelli di traffico su reti, problemi di controllo ottimo, trattamento delle immagini, evoluzione dei fronti.

Il corso prevede attività pratiche di Laboratorio per lo sviluppo dei codici in C++ o MATLAB.

Obiettivi specifici:

Conoscenza e comprensione:
Gli studenti che abbiano superato l'esame conosceranno le principali tecniche numeriche sui temi trattati.

Applicare conoscenza e comprensione:
Gli studenti che abbiano superato l'esame saranno in grado di decidere quale tipo di metodo numerico sia opportuno utilizzare in rapporto al problema da risolvere. Gli studenti che abbiano superato l'esame saranno in grado di realizzare praticamente gli algoritmi in C++ o MATLAB.

Capacità critiche e di giudizio:
Gli studenti saranno in grado di valutare i risultati prodotti dai loro programmi, effettuare test e simulazioni.

Capacità comunicative:
Capacità di esporre e motivare la soluzione proposta per alcuni problemi scelti in classe sia alla lavagna che su computer.

Capacità di apprendimento:
le conoscenze acquisite permetteranno di costruire le basi per uno studio relativo ad aspetti più specialistici della analisi ed approssimazione di equazioni alle derivate non lineari. Lo studente prenderà familiarità con diverse nozioni e tecniche analitiche e numeriche relative ai temi presentati nel corso.

Obiettivi formativi

Obiettivi generali: acquisire conoscenze di base degli aspetti
fisico-matematici della Meccanica dei Fluidi e delle Teorie Cinetiche.

Obiettivi specifici:

Conoscenza e comprensione: conoscenza dei principi fisici
e delle assunzioni modellistiche che portano alle equazioni dei fluidi e dei sistemi di particelle,
conoscenza delle equazioni dei fluidi e dei gas, e delle loro proprietà matematiche:
formulazioni deboli, esistenza e unicità delle soluzioni,
modelli per l'evoluzione di dati singolari.

Applicare conoscenza e comprensione:
al termine del corso lo studente sarà in grado di
modellizzare i moti fluidi e gassosi, anche attraverso la formulazione di appropriati
funzionali di azione, discutere l'evoluzione di singolarità,
utilizzare gli strumenti matematici per
la trattazione dei fluidi e dei gas in altri contesti.
Per sviluppare questi aspetti, nel corso vengono assegnati e svolti
opportuni esercizi.

Capacità critiche e di giudizio:
capacità di enucleare gli aspetti più significativi della teoria,
di saper valutare i limiti e i vantaggi delle semplificazioni
operate (incomprimibilità, assenza o presenza di viscosità, ecc...),
e i limiti dei risultati matematici.

Capacità comunicative:
capacità di esporre lo sviluppo della
teoria fisico-matematica del moto dei fluidi e dei gas, evidenziando
la relazione tra gli aspetti fisici e quelli matematici;
capacità di illustrare le dimostrazioni,
riassumendo le idee importanti, e discutendo i dettagli matematici.

Capacità di apprendimento
le conoscenze acquisite permetteranno uno studio,
individuale o impartito in un corso di LM, relativo ad aspetti
numerici e modellistici della meccanica dei fluidi e delle teorie cinetiche.

Obiettivi formativi

Obiettivi generali

Il corso si propone di trasmettere agli studenti una conoscenza approfondita della struttura matematica della Meccanica Quantistica, delle motivazioni storico-critiche che hanno condotto alla sua formulazione e delle relazioni con altre discipline matematiche (analisi funzionale, teoria degli operatori, teoria dei gruppi di Lie e delle loro rappresentazioni unitarie).

Obiettivi specifici

A) Conoscenze e capacità di comprensione
Al temine del corso lo studente avrà acquisito alcune nozioni fondamentali relative alla teoria di Fourier, all'analogia formale tra meccanica classica e ottica geometrica, al percorso storico-critico che ha condotto al superamento della meccanica classica in favore della più generale meccanica quantistica, e alla struttura matematica delle teorie quantistiche. Particolare spazio sarà dedicato agli aspetti dinamici (evoluzione temporale) e all'analisi matematica delle simmetrie dei sistemi fisici considerati (rappresentazioni del gruppo di simmetria del sistema).

B) Capacità di applicare conoscenza e comprensione
La conoscenza della teoria generale sarà completata dall'applicazione delle nozioni generali ad alcuni modelli specifici, e dalla capacità di analizzare le simmetrie e la dinamica di semplici sistemi quantistici. Tra essi una particella in un potenziale lineare, in un potenziale armonico, in un campo magnetico uniforme e in un potenziale Kepleriano (atomo idrogenoide). Lo studente sarà potenzialmente in grado di applicare autonomamente le nozioni acquisite all'analisi di sistemi più complessi, tra cui atomi non-idrogenoidi, molecole e solidi cristallini.

C) Autonomia di giudizio
L'analisi del percorso storico-critico che ha condotto al superamento della meccanica classica in favore della più generale meccanica quantistica condurrà lo studente ad acquisire la capacità di giudicare autonomamente i presupposti concettuali su cui si basa una teoria fisico-matematica, e quindi a comprenderne l'ambito di applicazione e i limiti di validità. In tal modo, lo studente conquisterà la capacità di valutare in modo critico la validità di una teoria fisica, privilegiando un approccio epistemologico apofantico rispetto ad uno apodittico.
Lo studente sarà inoltre in grado di giudicare in autonomia la validità di un enunciato matematico, attraverso la disanima critica delle ipotesi e delle deduzioni che conducono alla dimostrazione rigorosa dell'enunciato stesso, e di
formulare, in modo autonomo, controesempi ad enunciati matematici in cui una delle ipotesi sia negata.

D) Abilità comunicative
Lo studente svilupperà la capacità di comunicare quanto appreso nella redazione di temi d'esame scritti e nell'esposizione svolta nel corso della prova orale. Sarà inoltre guidato a sviluppare la capacità di articolare un discorso in modo logicamente strutturato, distinguendo chiaramente tra ipotesi, procedimento deduttivo e conclusioni.

E) Capacità di apprendimento
Lo studente sarà in grado di identificare i temi più rilevanti delle materie trattate e connettere in modo logico le conoscenze acquisite.

Obiettivi formativi

Obiettivi generali: acquisire conoscenze di base dell'Analisi Matematica Non Lineare e delle sue applicazioni nello studio delle equazioni differenziali.
Obiettivi specifici:
Conoscenza e comprensione: al termine del corso lo studente avrà acquisito le nozioni e i risultati di base per lo studio di problemi differenziali che si presentano in forma variazionale, in particolare nel caso di equazioni ellittiche semilineari.
Applicare conoscenza e comprensione: al termine del corso lo studente sarà in grado di risolvere semplici problemi che richiedano l'uso di metodi variazionali per lo studio di punti critici di funzionali non lineari.
Capacità critiche e di giudizio: al termine del corso lo studente avra’ avuto modo di conoscere le nozioni ed i risultati principali della teoria variazionale delle equazioni a derivate parziali di tipo ellittico. Inoltre sarà in grado di individuare la metodologia idonea ad affrontare lo studio di alcuni problemi differenziali non lineari.
Capacità comunicative: capacità di esporre i contenuti nella parte orale dell’esame.
Capacità di apprendimento: le conoscenze acquisite permetteranno di affrontare lo studio di problemi variazionali non lineari che intervengono nello studio di Equazioni Differenziali , consentendo allo studente di proseguire nello studio anche di aspetti piu’ specialistici qualora ne fosse interessato.

Obiettivi formativi

Obiettivi generali: acquisire nozioni di base di analisi armonica relative alla trasformata continua e discreta di Fourier e alle serie di Fourier, e conoscere le principali applicazioni a problemi sia teorici che pratici di tali metodi.

Obiettivi specifici:

Conoscenza e comprensione: al temine del corso lo studente avra' acquisito le principali nozioni su trasformata di Fourier continua e discreta, serie di Fourier, wavelets, e loro uso in alcuni ambiti teorici e pratici (equazioni differenziali, trattamento di immagini, teroia dei segnali).

Applicare conoscenza e comprensione: al termine del corso lo studente sara' in grado di risolvere problemi di livello base di analisi armonica, avra' acquisito familarita' con trasformate e serie di Fourier, e sara' in grado di applicare tali tecniche alla soluzione di vari problemi concreti.

Capacita' critiche e di giudizio: lo studente avrà le basi per comprendere quando tecniche di analisi armonica possono essere utili come strumenti per la soluzione di problemi in vari ambiti dell'analisi e delle sue applicazioni.

Capacita' comunicative: capacità di esporre i contenuti nella parte orale della verifica e rispondere a quesiti teorici.

Capacita' di apprendimento: le conoscenze acquisite permetteranno uno studio, individuale o impartito in un corso, relativo ad aspetti più avanzati dell'analisi armonica, e di argomenti applicativi piu' specifici.

Obiettivi formativi

Risultati di apprendimento - Conoscenze acquisite:Gli studenti conosceranno varie caratterizzazioni del moto Browniano, le proprieta' fondamentali dei processi di diffusioni e i risultati principali del calcolo stocastico, tra i quali la formula di ItoRisultati di apprendimento - Competenze acquisite:Gli studenti saranno in grado di applicare il calcolo stocastico in vari contesti applicativi, dalla finanza matematica, alla fisica e alla biologia.

Obiettivi formativi

Obiettivi generali

Acquisire conoscenze di base sui metodi matematici impiegati nella modellistica dell'intelligenza artificiale, con particolare attenzione al "machine learning".

Obiettivi specifici

Conoscenza e comprensione: al temine del corso lo studente avrà acquisito le nozioni ed i risultati di base (prevalentemente negli ambiti di processi stocastici e meccanica statistica) utilizzati nello studio dei principali modelli di reti neurali (e.g., reti di Hopfield, macchine di Boltzmann, reti feed-forward).

Applicare conoscenza e comprensione: lo studente sarà in grado di individuare l’architettura ottimale per un certo “task” e di risolvere il modello risultante determinandone un diagramma di fase; lo studente avrà le basi per sviluppare, in autonomia, algoritmi di apprendimento e di richiamo.

Capacità critiche e di giudizio: lo studente sarà in grado di determinare i parametri che controllano il comportamento qualitativo di una rete neurale e di stimare valori per tali parametri che permettano il buon funzionamento della rete; sarà inoltre in grado di esaminare le analogie e le relazioni tra gli argomenti trattati nel corso ed in altri corsi dedicati a statistica ed analisi dati.

Capacità comunicative: capacità di esporre i contenuti nella parte orale e scritta della verifica, eventualmente attraverso l’ausilio di presentazioni.

Capacità di apprendimento: le conoscenze acquisite permetteranno uno studio, individuale o impartito in un corso di LM, relativo ad aspetti più specialistici di meccanica statistica, sviluppo di algoritmi, utilizzo di big data.

Obiettivi formativi

Obiettivi generali.

Il corso intende introdurre gli studenti alla teoria delle soluzioni di viscosita' e agli aspetti variazionali e metrici delle equazioni di Hamilton-Jacobi (HJ) del primo ordine (teoria KAM debole), illustrando alcune applicazioni a problemi asintotici.

Obiettivi specifici.

1. Conoscenza e capacità di comprensione.

Al temine del corso lo studente avrà acquisito le nozioni e i risultati di base della teoria delle soluzioni di viscosita' e degli aspetti metrici e variazionali delle equazioni di HJ del primo ordine (teoria KAM debole).

2. Conoscenza e capacità di comprensione applicata.

Gli studenti che abbiano superato l'esame saranno in grado di calcolare esplicitamente le soluzioni di equazioni di HJ in alcuni casi piu' semplici e di derivare delle informazioni qualitative nei casi piu' generali.

3. Capacità critiche e di giudizio.

Al termine del corso gli studenti avranno acquisito una conoscenza soddisfacente dei principali risultati e strumenti della teoria KAM debole, che fornirà loro un quadro interpretativo geometrico-dinamico dei vari fenomeni in gioco nello studio di equazioni di HJ del primo ordine.

4. Capacità comunicative.

Capacità di esporre i contenuti nella parte orale dell’esame.

5. Capacità di apprendimento.

Le conoscenze acquisite forniranno agli studenti le basi per affrontare lo studio di equazioni di HJ del primo ordine e per affacciarsi ad aspetti piu’ specialistici e di ricerca, ove interessati ad approfondire lo studio.

Obiettivi formativi

Obiettivi generali: acquisire conoscenze in Probabilità e Statistica in alta dimensione con applicazioni alla Data Science

Obiettivi specifici:

Conoscenza e comprensione: al termine del corso lo studente avrà acquisito le nozioni di base di Probabilità e Statistica in alta dimensione e conoscerà algoritmi per risolvere alcuni problemi rilevanti in Data Science

Applicare conoscenza e comprensione: al termine del corso lo studente potrà risolvere diversi problemi riguardanti strutture geometriche aleatorie in alta dimensione, riduzione di dimensione dei dati trattati, problemi di statistical learning e di regressione in alta dimensione.

Capacità critiche e di giudizio: lo studente comprenderà le idee alla base di diversi algoritmi e software utilizzati in Data Science, comprendendo anche le situazioni ottimali di applicazioni e gli eventuali limiti applicativi.

Capacità comunicative: lo studente dovrà mostrare capacità di esporre i contenuti del corso nella parte orale della verifica e nella soluzione di problemi nella prova scritta.

Capacità di apprendimento: le conoscenze acquisite permetteranno allo studente una comprensione multidisciplinare di diversi problemi motivati dalla data science e faciliteranno lo studio di argomenti ricerca attualmente molto attivi.

Obiettivi formativi

Il corso presenterà i risultati fondamentali relativi all'analisi ed alla approssimazione delle leggi di conservazione scalari e delle equazioni di Hamilton-Jacobi. Verranno inoltre presentati numerosi modelli che conducono allo studio di queste equazioni:
gasdinamica, modelli di traffico su reti, problemi di controllo ottimo, trattamento delle immagini, evoluzione dei fronti.

Il corso prevede attività pratiche di Laboratorio per lo sviluppo dei codici in C++ o MATLAB.

Obiettivi specifici:

Conoscenza e comprensione:
Gli studenti che abbiano superato l'esame conosceranno le principali tecniche numeriche sui temi trattati.

Applicare conoscenza e comprensione:
Gli studenti che abbiano superato l'esame saranno in grado di decidere quale tipo di metodo numerico sia opportuno utilizzare in rapporto al problema da risolvere. Gli studenti che abbiano superato l'esame saranno in grado di realizzare praticamente gli algoritmi in C++ o MATLAB.

Capacità critiche e di giudizio:
Gli studenti saranno in grado di valutare i risultati prodotti dai loro programmi, effettuare test e simulazioni.

Capacità comunicative:
Capacità di esporre e motivare la soluzione proposta per alcuni problemi scelti in classe sia alla lavagna che su computer.

Capacità di apprendimento:
le conoscenze acquisite permetteranno di costruire le basi per uno studio relativo ad aspetti più specialistici della analisi ed approssimazione di equazioni alle derivate non lineari. Lo studente prenderà familiarità con diverse nozioni e tecniche analitiche e numeriche relative ai temi presentati nel corso.

Obiettivi formativi

Obiettivi generali: acquisire conoscenze di base degli aspetti
fisico-matematici della Meccanica dei Fluidi e delle Teorie Cinetiche.

Obiettivi specifici:

Conoscenza e comprensione: conoscenza dei principi fisici
e delle assunzioni modellistiche che portano alle equazioni dei fluidi e dei sistemi di particelle,
conoscenza delle equazioni dei fluidi e dei gas, e delle loro proprietà matematiche:
formulazioni deboli, esistenza e unicità delle soluzioni,
modelli per l'evoluzione di dati singolari.

Applicare conoscenza e comprensione:
al termine del corso lo studente sarà in grado di
modellizzare i moti fluidi e gassosi, anche attraverso la formulazione di appropriati
funzionali di azione, discutere l'evoluzione di singolarità,
utilizzare gli strumenti matematici per
la trattazione dei fluidi e dei gas in altri contesti.
Per sviluppare questi aspetti, nel corso vengono assegnati e svolti
opportuni esercizi.

Capacità critiche e di giudizio:
capacità di enucleare gli aspetti più significativi della teoria,
di saper valutare i limiti e i vantaggi delle semplificazioni
operate (incomprimibilità, assenza o presenza di viscosità, ecc...),
e i limiti dei risultati matematici.

Capacità comunicative:
capacità di esporre lo sviluppo della
teoria fisico-matematica del moto dei fluidi e dei gas, evidenziando
la relazione tra gli aspetti fisici e quelli matematici;
capacità di illustrare le dimostrazioni,
riassumendo le idee importanti, e discutendo i dettagli matematici.

Capacità di apprendimento
le conoscenze acquisite permetteranno uno studio,
individuale o impartito in un corso di LM, relativo ad aspetti
numerici e modellistici della meccanica dei fluidi e delle teorie cinetiche.

Obiettivi formativi

Obiettivi generali

Il corso si propone di trasmettere agli studenti una conoscenza approfondita della struttura matematica della Meccanica Quantistica, delle motivazioni storico-critiche che hanno condotto alla sua formulazione e delle relazioni con altre discipline matematiche (analisi funzionale, teoria degli operatori, teoria dei gruppi di Lie e delle loro rappresentazioni unitarie).

Obiettivi specifici

A) Conoscenze e capacità di comprensione
Al temine del corso lo studente avrà acquisito alcune nozioni fondamentali relative alla teoria di Fourier, all'analogia formale tra meccanica classica e ottica geometrica, al percorso storico-critico che ha condotto al superamento della meccanica classica in favore della più generale meccanica quantistica, e alla struttura matematica delle teorie quantistiche. Particolare spazio sarà dedicato agli aspetti dinamici (evoluzione temporale) e all'analisi matematica delle simmetrie dei sistemi fisici considerati (rappresentazioni del gruppo di simmetria del sistema).

B) Capacità di applicare conoscenza e comprensione
La conoscenza della teoria generale sarà completata dall'applicazione delle nozioni generali ad alcuni modelli specifici, e dalla capacità di analizzare le simmetrie e la dinamica di semplici sistemi quantistici. Tra essi una particella in un potenziale lineare, in un potenziale armonico, in un campo magnetico uniforme e in un potenziale Kepleriano (atomo idrogenoide). Lo studente sarà potenzialmente in grado di applicare autonomamente le nozioni acquisite all'analisi di sistemi più complessi, tra cui atomi non-idrogenoidi, molecole e solidi cristallini.

C) Autonomia di giudizio
L'analisi del percorso storico-critico che ha condotto al superamento della meccanica classica in favore della più generale meccanica quantistica condurrà lo studente ad acquisire la capacità di giudicare autonomamente i presupposti concettuali su cui si basa una teoria fisico-matematica, e quindi a comprenderne l'ambito di applicazione e i limiti di validità. In tal modo, lo studente conquisterà la capacità di valutare in modo critico la validità di una teoria fisica, privilegiando un approccio epistemologico apofantico rispetto ad uno apodittico.
Lo studente sarà inoltre in grado di giudicare in autonomia la validità di un enunciato matematico, attraverso la disanima critica delle ipotesi e delle deduzioni che conducono alla dimostrazione rigorosa dell'enunciato stesso, e di
formulare, in modo autonomo, controesempi ad enunciati matematici in cui una delle ipotesi sia negata.

D) Abilità comunicative
Lo studente svilupperà la capacità di comunicare quanto appreso nella redazione di temi d'esame scritti e nell'esposizione svolta nel corso della prova orale. Sarà inoltre guidato a sviluppare la capacità di articolare un discorso in modo logicamente strutturato, distinguendo chiaramente tra ipotesi, procedimento deduttivo e conclusioni.

E) Capacità di apprendimento
Lo studente sarà in grado di identificare i temi più rilevanti delle materie trattate e connettere in modo logico le conoscenze acquisite.

Obiettivi formativi

Risultati di apprendimento - Conoscenze acquisite:Gli studenti conosceranno varie caratterizzazioni del moto Browniano, le proprieta' fondamentali dei processi di diffusioni e i risultati principali del calcolo stocastico, tra i quali la formula di ItoRisultati di apprendimento - Competenze acquisite:Gli studenti saranno in grado di applicare il calcolo stocastico in vari contesti applicativi, dalla finanza matematica, alla fisica e alla biologia.

Obiettivi formativi

Il corso intende introdurre lo studio di approcci multiscala (micro-meso-macro) per modelli di sistemi multi-agente. Esempi tipici sono: traffico veicolare, pedoni, dinamica delle opinioni, flocking/swarming, mercati finanziari e così via.
Il corso prevede anche attività di laboratorio per la parte computazionale relativa alla simulazione numerica dei modelli.

1. Conoscenza e capacità di comprensione

Gli studenti che abbiano superato l'esame sapranno modellizzare e studiare proprietà qualitative di fenomeni fisici attraverso diverse scale di descrizione: dalla microscopica, alla cinetica, fino alla macroscopica.

2. Conoscenza e capacità di comprensione applicata

Gli studenti che abbiano superato l'esame saranno in grado sapranno usare tecniche numeriche efficienti, deterministiche e non, per la simulazione dei modelli, e saranno in grado di realizzare praticamente gli algoritmi in C++ o MATLAB.

3. Autonomia di giudizio

Gli studenti saranno in grado di valutare la migliore scala di rappresentazione del fenomeno di riferimento, i risultati prodotti dai loro programmi, effettuare test e simulazioni.

4. Capacità comunicative

Gli studenti sapranno esporre e spiegare le scelte di modellizzazione, le proprietà dei modelli, sia alla lavagna che su computer.

5. Capacità di apprendimento

Le conoscenze acquisite permetteranno agli studenti di costruire le basi per ulteriori studi di ricerca relativi ai modelli di sistemi multi-agente.

Obiettivi formativi

Obiettivi generali:

Molti modelli della fisica matematica e in generale delle scienze naturali hanno come fondamento principi variazionali (principio di minimo energia, di minima azione,...) che ne descrivono le configurazioni di equilibrio e le evoluzioni dinamiche.
L’obiettivo del corso è rendere gli studenti consapevoli della varietà di problemi che possono essere affrontati con tecniche variazionali e fornire loro gli strumenti di base e il linguaggio matematico per l’analisi dei modelli presenti nelle varie scienze naturali.

Obiettivi specifici:

Conoscenza e comprensione:

al temine del corso la/lo studente avrà acquisito le nozioni e i risultati di base relativi sul metodo diretto del calcolo delle variazioni, le condizioni di semicontinuità, l’analisi asintotica via Gamma convergenza, e potrà applicare questo metodo in vari contesti di cui verranno fornite le basi funzionali almeno in dimensione 1 (funzionali integrali e spazi di Sobolev, funzionali geometrici e cenni di teoria geometrica della misura).

Applicare conoscenza e comprensione:

al temine del corso la/lo studente sarà in grado di cominciare lo studio di argomenti avanzati di calcolo delle variazioni. Sarà inoltre in grado di formulare un semplice modello variazionale (per esempio collegato a una specifica applicazione) e analizzarne il comportamento asintotico o e individuarne le caratteristiche che lo rendono un modello robusto.

Capacità critiche e di giudizio:

la/lo studente avrà le basi per collegare e utilizzare strumenti trattati in vari momenti della sua preparazione dalla analisi, fisica matematica e la probabilità. Sarà quindi in grado di apprezzarne l’interesse di una questione matematica in relazione anche al suo utilizzo per rispondere a una domanda proveniente da un problema applicato.

Capacità comunicative:

capacità di esporre in maniera rigorosa i contenuti teorici del corso e anche capacità di formulare il problema in esame comprendendo il ruolo della formulazione del modello giusto e della sua analisi. Capacità di spiegare quindi il risultato teorico nel linguaggio relativo all’applicazione in esame potenzialmente quindi spiegabile a pubblico non esperto di calcolo delle variazioni.

Capacità di apprendimento:

le conoscenze acquisite permetteranno di affrontare un eventuale lavoro di tesi magistrale nell’ambito della matematica applicata alle scienze sia con un approccio più teorico sia in collegamento all’analisi di uno specifico modello di interesse applicativo.

Obiettivi formativi

Risultati di apprendimento - Conoscenze acquisite:Il corso fornisce agli studenti strumenti avanzati per lo studio di alcuni tipi di equazioni differenziali (lineari e nonlineari) alle derivate parziali.Gli studenti che abbiano superato l'esame avranno raggiunto una buona familiarità con le più recenti nozioni di soluzione e con le relative proprietà qualitative.Risultati di apprendimento - Competenze acquisite:Gli studenti che abbiano superato l'esame saranno in grado di affrontare lo studio avanzato delle soluzioni di alcuni tipi di equazioni differenziali (lineari e nonlineari) alle derivate parziali.

Obiettivi formativi

Obiettivi generali:

Molti modelli della fisica matematica e in generale delle scienze naturali hanno come fondamento principi variazionali (principio di minimo energia, di minima azione,...) che ne descrivono le configurazioni di equilibrio e le evoluzioni dinamiche.
L’obiettivo del corso è rendere gli studenti consapevoli della varietà di problemi che possono essere affrontati con tecniche variazionali e fornire loro gli strumenti di base e il linguaggio matematico per l’analisi dei modelli presenti nelle varie scienze naturali.

Obiettivi specifici:

Conoscenza e comprensione:

al temine del corso la/lo studente avrà acquisito le nozioni e i risultati di base relativi sul metodo diretto del calcolo delle variazioni, le condizioni di semicontinuità, l’analisi asintotica via Gamma convergenza, e potrà applicare questo metodo in vari contesti di cui verranno fornite le basi funzionali almeno in dimensione 1 (funzionali integrali e spazi di Sobolev, funzionali geometrici e cenni di teoria geometrica della misura).

Applicare conoscenza e comprensione:

al temine del corso la/lo studente sarà in grado di cominciare lo studio di argomenti avanzati di calcolo delle variazioni. Sarà inoltre in grado di formulare un semplice modello variazionale (per esempio collegato a una specifica applicazione) e analizzarne il comportamento asintotico o e individuarne le caratteristiche che lo rendono un modello robusto.

Capacità critiche e di giudizio:

la/lo studente avrà le basi per collegare e utilizzare strumenti trattati in vari momenti della sua preparazione dalla analisi, fisica matematica e la probabilità. Sarà quindi in grado di apprezzarne l’interesse di una questione matematica in relazione anche al suo utilizzo per rispondere a una domanda proveniente da un problema applicato.

Capacità comunicative:

capacità di esporre in maniera rigorosa i contenuti teorici del corso e anche capacità di formulare il problema in esame comprendendo il ruolo della formulazione del modello giusto e della sua analisi. Capacità di spiegare quindi il risultato teorico nel linguaggio relativo all’applicazione in esame potenzialmente quindi spiegabile a pubblico non esperto di calcolo delle variazioni.

Capacità di apprendimento:

le conoscenze acquisite permetteranno di affrontare un eventuale lavoro di tesi magistrale nell’ambito della matematica applicata alle scienze sia con un approccio più teorico sia in collegamento all’analisi di uno specifico modello di interesse applicativo.

Obiettivi formativi

Risultati di apprendimento - Conoscenze acquisite:Il corso fornisce agli studenti strumenti avanzati per lo studio di alcuni tipi di equazioni differenziali (lineari e nonlineari) alle derivate parziali.Gli studenti che abbiano superato l'esame avranno raggiunto una buona familiarità con le più recenti nozioni di soluzione e con le relative proprietà qualitative.Risultati di apprendimento - Competenze acquisite:Gli studenti che abbiano superato l'esame saranno in grado di affrontare lo studio avanzato delle soluzioni di alcuni tipi di equazioni differenziali (lineari e nonlineari) alle derivate parziali.

Obiettivi formativi

Obiettivi generali: acquisire conoscenze di base in teoria dei processi stocastici e nella modellizzazione stocastica
di fenomeni reali.

Obiettivi specifici:

Conoscenza e comprensione: al temine del corso lo studente avrà acquisito le nozioni e i risultati di base riguardanti i processi stocastici a tempo discreto e a tempo continuo, su strutture discrete quali ad esempio grafi oppure su spazi continui.

Applicare conoscenza e comprensione: al temine del corso lo studente sarà in grado di modellizzare l'evoluzione temporale di vari fenomeni reali tramite i processi stocastici, di analizzare la stazionarieta` e/o la reversibilita` temporale dei processi stocastici, di calcolare probabilita` di assorbimento e tempi attesi di assorbimento, di simulare processi stocastici e di stimare la velocita` di convergenza all'equilibrio.

Capacità critiche e di giudizio: lo studente avrà le basi per studiare sistemi dinamici stocastici e acquisire la capacita` di valutare la bonta` di un modello rispetto ad altri nella modellizzazione di fenomeni reali.

Capacità comunicative: dovendo sostenere una prova orale di teoria, gli studenti svilupperanno le capacita` comunicative necessarie per bene esporre la teoria matematica e i vari modelli considerati nel corso.

Capacità di apprendimento: le conoscenze acquisite permetteranno uno studio più approfondito dei processi stocastici sia su spazi discreti che continui, aiutando lo studente nello studio di altri corsi quali ad esempio calcolo stocastico.

Obiettivi formativi

Obiettivi generali:

Acquisire conoscenze avanzate della teoria dei sistemi dinamici.

Obiettivi specifici:

Conoscenza e comprensione: Gli studenti che abbiano superato l'esame avranno acquisito conoscenze teoriche rigorose nel campo della teoria dei sistemi dinamici, con particolare attenzione alle applicazioni in meccanica e nelle scienze applicate in generale. In particolare, impareranno elementi di teoria della stabilità e di teoria iperbolica (quali intersezioni omocline ed esistenza di moti caotici). Impareranno inoltre elementi di teoria dei sistemi dinamici topologici e di teoria ergodica.

Applicare conoscenza e comprensione: Gli studenti che abbiano superato l'esame saranno in grado di: i) studiare problemi di stabilità dell’equilibrio e di moti periodici, sia quando questa è riconosciuta dalla parte lineare che con i metodi della teoria di Liapunov; iii) analizzare sistemi planari che presentano fenomeni di auto-oscillazione; iv) formalizzare in problemi concreti i concetti di intersezione di varietà stabile ed instabile ed i connessi fenomeni caotici; v) applicare le tecniche di base della teoria ergodica in problemi concreti.

Capacità critiche e di giudizio: Gli studenti che abbiano superato l'esame saranno in grado di utilizzare le conoscenze acquisite nell'analisi dei modelli evolutivi non lineari che si presentano nelle scienze applicate.

Capacità comunicative: Gli studenti che abbiano superato l'esame avranno maturato la capacità di comunicare ed esporre concetti, idee e metodologie della teoria dei sistemi dinamici.

Capacità di apprendimento: Le conoscenze acquisite consentiranno agli studenti che abbiano superato l'esame di approfondire, in modo individuale ed autonomo, tecniche e metodologie della teoria dei sistemi dinamici.

Obiettivi formativi

Il corso intende introdurre lo studio di approcci multiscala (micro-meso-macro) per modelli di sistemi multi-agente. Esempi tipici sono: traffico veicolare, pedoni, dinamica delle opinioni, flocking/swarming, mercati finanziari e così via.
Il corso prevede anche attività di laboratorio per la parte computazionale relativa alla simulazione numerica dei modelli.

1. Conoscenza e capacità di comprensione

Gli studenti che abbiano superato l'esame sapranno modellizzare e studiare proprietà qualitative di fenomeni fisici attraverso diverse scale di descrizione: dalla microscopica, alla cinetica, fino alla macroscopica.

2. Conoscenza e capacità di comprensione applicata

Gli studenti che abbiano superato l'esame saranno in grado sapranno usare tecniche numeriche efficienti, deterministiche e non, per la simulazione dei modelli, e saranno in grado di realizzare praticamente gli algoritmi in C++ o MATLAB.

3. Autonomia di giudizio

Gli studenti saranno in grado di valutare la migliore scala di rappresentazione del fenomeno di riferimento, i risultati prodotti dai loro programmi, effettuare test e simulazioni.

4. Capacità comunicative

Gli studenti sapranno esporre e spiegare le scelte di modellizzazione, le proprietà dei modelli, sia alla lavagna che su computer.

5. Capacità di apprendimento

Le conoscenze acquisite permetteranno agli studenti di costruire le basi per ulteriori studi di ricerca relativi ai modelli di sistemi multi-agente.

Obiettivi formativi

Obiettivi generali:
acquisire conoscenze specialistiche di base ed esperienza pratica
su alcuni argomenti classici dell’ottimizzazione a dimensione finita.

Obiettivi specifici

Conoscenze e comprensione:
conoscenza dei fondamenti teorici e pratici della teoria dell’ottimizzazione
e delle principali classi di problemi e di metodi risolutivi.

Applicare conoscenza e comprensione:
al termine del corso lo studente sarà in grado di classificare un problema
di ottimizzazione e scegliere quale metodo risolutivo sia il più adatto alla sua soluzione, tenendo conto dei vincoli derivanti dal tipo di applicazione (per esempio, accuratezza richiesta o limiti al tempo di calcolo a disposizione). Inoltre lo studente sarà in grado di interpretare correttamente i risultati forniti da codici risolutivi commerciali o ad-hoc.

Capacità critiche e di giudizio:
capacita' di enucleare gli aspetti significativi di un problema di ottimizzazione e dei suoi algoritmi risolutivi.

Capacità comunicative:
capacità di enucleare i punti signifivativi della teoria,
di saper illustrare con esempi opportuni le parti più interessanti,
di discutere matematicamente dei punti più sottili.

Capacità di apprendimento:
le conoscenze acquisite permetteranno di affrontare
lo studio di argomenti più avanzati e di inserirsi adeguatamente in ambienti
industriali e di ricerca dove si faccia uso di tecniche di ottimizzazione.

Obiettivi formativi

Obiettivi generali: acquisire conoscenze di base in teoria dei processi stocastici e nella modellizzazione stocastica
di fenomeni reali.

Obiettivi specifici:

Conoscenza e comprensione: al temine del corso lo studente avrà acquisito le nozioni e i risultati di base riguardanti i processi stocastici a tempo discreto e a tempo continuo, su strutture discrete quali ad esempio grafi oppure su spazi continui.

Applicare conoscenza e comprensione: al temine del corso lo studente sarà in grado di modellizzare l'evoluzione temporale di vari fenomeni reali tramite i processi stocastici, di analizzare la stazionarieta` e/o la reversibilita` temporale dei processi stocastici, di calcolare probabilita` di assorbimento e tempi attesi di assorbimento, di simulare processi stocastici e di stimare la velocita` di convergenza all'equilibrio.

Capacità critiche e di giudizio: lo studente avrà le basi per studiare sistemi dinamici stocastici e acquisire la capacita` di valutare la bonta` di un modello rispetto ad altri nella modellizzazione di fenomeni reali.

Capacità comunicative: dovendo sostenere una prova orale di teoria, gli studenti svilupperanno le capacita` comunicative necessarie per bene esporre la teoria matematica e i vari modelli considerati nel corso.

Capacità di apprendimento: le conoscenze acquisite permetteranno uno studio più approfondito dei processi stocastici sia su spazi discreti che continui, aiutando lo studente nello studio di altri corsi quali ad esempio calcolo stocastico.

Obiettivi formativi

Obiettivi generali:

Acquisire conoscenze avanzate della teoria dei sistemi dinamici.

Obiettivi specifici:

Conoscenza e comprensione: Gli studenti che abbiano superato l'esame avranno acquisito conoscenze teoriche rigorose nel campo della teoria dei sistemi dinamici, con particolare attenzione alle applicazioni in meccanica e nelle scienze applicate in generale. In particolare, impareranno elementi di teoria della stabilità e di teoria iperbolica (quali intersezioni omocline ed esistenza di moti caotici). Impareranno inoltre elementi di teoria dei sistemi dinamici topologici e di teoria ergodica.

Applicare conoscenza e comprensione: Gli studenti che abbiano superato l'esame saranno in grado di: i) studiare problemi di stabilità dell’equilibrio e di moti periodici, sia quando questa è riconosciuta dalla parte lineare che con i metodi della teoria di Liapunov; iii) analizzare sistemi planari che presentano fenomeni di auto-oscillazione; iv) formalizzare in problemi concreti i concetti di intersezione di varietà stabile ed instabile ed i connessi fenomeni caotici; v) applicare le tecniche di base della teoria ergodica in problemi concreti.

Capacità critiche e di giudizio: Gli studenti che abbiano superato l'esame saranno in grado di utilizzare le conoscenze acquisite nell'analisi dei modelli evolutivi non lineari che si presentano nelle scienze applicate.

Capacità comunicative: Gli studenti che abbiano superato l'esame avranno maturato la capacità di comunicare ed esporre concetti, idee e metodologie della teoria dei sistemi dinamici.

Capacità di apprendimento: Le conoscenze acquisite consentiranno agli studenti che abbiano superato l'esame di approfondire, in modo individuale ed autonomo, tecniche e metodologie della teoria dei sistemi dinamici.

Obiettivi formativi

Obiettivi generali: acquisire conoscenze di base degli aspetti
fisico-matematici della Meccanica dei Fluidi e delle Teorie Cinetiche.

Obiettivi specifici:

Conoscenza e comprensione: conoscenza dei principi fisici
e delle assunzioni modellistiche che portano alle equazioni dei fluidi e dei sistemi di particelle,
conoscenza delle equazioni dei fluidi e dei gas, e delle loro proprietà matematiche:
formulazioni deboli, esistenza e unicità delle soluzioni,
modelli per l'evoluzione di dati singolari.

Applicare conoscenza e comprensione:
al termine del corso lo studente sarà in grado di
modellizzare i moti fluidi e gassosi, anche attraverso la formulazione di appropriati
funzionali di azione, discutere l'evoluzione di singolarità,
utilizzare gli strumenti matematici per
la trattazione dei fluidi e dei gas in altri contesti.
Per sviluppare questi aspetti, nel corso vengono assegnati e svolti
opportuni esercizi.

Capacità critiche e di giudizio:
capacità di enucleare gli aspetti più significativi della teoria,
di saper valutare i limiti e i vantaggi delle semplificazioni
operate (incomprimibilità, assenza o presenza di viscosità, ecc...),
e i limiti dei risultati matematici.

Capacità comunicative:
capacità di esporre lo sviluppo della
teoria fisico-matematica del moto dei fluidi e dei gas, evidenziando
la relazione tra gli aspetti fisici e quelli matematici;
capacità di illustrare le dimostrazioni,
riassumendo le idee importanti, e discutendo i dettagli matematici.

Capacità di apprendimento
le conoscenze acquisite permetteranno uno studio,
individuale o impartito in un corso di LM, relativo ad aspetti
numerici e modellistici della meccanica dei fluidi e delle teorie cinetiche.

Obiettivi formativi

Risultati di apprendimento - Conoscenze acquisite:Gli studenti conosceranno varie caratterizzazioni del moto Browniano, le proprieta' fondamentali dei processi di diffusioni e i risultati principali del calcolo stocastico, tra i quali la formula di ItoRisultati di apprendimento - Competenze acquisite:Gli studenti saranno in grado di applicare il calcolo stocastico in vari contesti applicativi, dalla finanza matematica, alla fisica e alla biologia.

Obiettivi formativi

1) Conoscenza e capacità di comprensione
Alla fine del corso, lo studente/la studentessa avranno appreso:
a) il concetto di sistema di controllo, di inclusione differenziale e le loro proprietà fondamentali;
b) il concetto di controllo ottimale e le condizioni necessarie e/o sufficienti per la sua esistenza;
c) il legame fra soluzioni ottimali di un sistema di controllo e l'equazione di Hamilton-Jacobi-Bellman;
d) il concetto di soluzione di viscosità per l'equazione di Hamilton-Jacobi.

2) Conoscenza e capacità di comprensione applicate
Alla fine del corso, lo studente/la studentessa sarà in grado di:
a) formulare in termini matematici un problema di ottimizzazione basato su un sistema di controllo;
b) individuare, tramite l'uso del Principio di Massimo di Pontryagin, le eventuali soluzioni ottimali di un problema di controllo ottimo;
c) affrontare l'analisi teorica delle soluzioni ottimali di un problema di controllo ottimo attraverso lo studio dell'equazione di Hamilton-Jacobi-Bellman ad esso associata.

3) Autonomia di giudizio
Durante il periodo delle lezioni verranno proposti problemi da affrontare autonomamente.
Attraverso lo studio in autonomia di questi problemi e il loro successivo svoltimento collegiale in classe, lo studente/la studentessa
acquisirà sia la capacità di valutare le proprie competenze, che la capacità di affrontare un ampio spettro di problemi di controllo ottimo.

4) Abilità comunicative
Lo svolgimento in forma scritta degli esercizi assegnati, sia in classe che durante le prove d'esame, e lo svolgimento della prova orale, permetteranno allo studente/alla studentessa di valutare le proprie capacità di comunicare ad altri, in forma corretta, le conoscenze acquisite durante il corso.

5) Capacità di apprendimento
Alla fine del corso lo studente/la studentessa sarà in grado di affrontare lo studio problemi di controllo e ottimizzazione; tale abilità viene acquisita grazie allo svolgimento dei problemi distribuiti durante il periodo delle lezioni.

Obiettivi formativi

Il corso presenterà i risultati fondamentali relativi all'analisi ed alla approssimazione delle leggi di conservazione scalari e delle equazioni di Hamilton-Jacobi. Verranno inoltre presentati numerosi modelli che conducono allo studio di queste equazioni:
gasdinamica, modelli di traffico su reti, problemi di controllo ottimo, trattamento delle immagini, evoluzione dei fronti.

Il corso prevede attività pratiche di Laboratorio per lo sviluppo dei codici in C++ o MATLAB.

Obiettivi specifici:

Conoscenza e comprensione:
Gli studenti che abbiano superato l'esame conosceranno le principali tecniche numeriche sui temi trattati.

Applicare conoscenza e comprensione:
Gli studenti che abbiano superato l'esame saranno in grado di decidere quale tipo di metodo numerico sia opportuno utilizzare in rapporto al problema da risolvere. Gli studenti che abbiano superato l'esame saranno in grado di realizzare praticamente gli algoritmi in C++ o MATLAB.

Capacità critiche e di giudizio:
Gli studenti saranno in grado di valutare i risultati prodotti dai loro programmi, effettuare test e simulazioni.

Capacità comunicative:
Capacità di esporre e motivare la soluzione proposta per alcuni problemi scelti in classe sia alla lavagna che su computer.

Capacità di apprendimento:
le conoscenze acquisite permetteranno di costruire le basi per uno studio relativo ad aspetti più specialistici della analisi ed approssimazione di equazioni alle derivate non lineari. Lo studente prenderà familiarità con diverse nozioni e tecniche analitiche e numeriche relative ai temi presentati nel corso.

Obiettivi formativi

Obiettivi generali: acquisire conoscenze di base degli aspetti
fisico-matematici della Meccanica dei Fluidi e delle Teorie Cinetiche.

Obiettivi specifici:

Conoscenza e comprensione: conoscenza dei principi fisici
e delle assunzioni modellistiche che portano alle equazioni dei fluidi e dei sistemi di particelle,
conoscenza delle equazioni dei fluidi e dei gas, e delle loro proprietà matematiche:
formulazioni deboli, esistenza e unicità delle soluzioni,
modelli per l'evoluzione di dati singolari.

Applicare conoscenza e comprensione:
al termine del corso lo studente sarà in grado di
modellizzare i moti fluidi e gassosi, anche attraverso la formulazione di appropriati
funzionali di azione, discutere l'evoluzione di singolarità,
utilizzare gli strumenti matematici per
la trattazione dei fluidi e dei gas in altri contesti.
Per sviluppare questi aspetti, nel corso vengono assegnati e svolti
opportuni esercizi.

Capacità critiche e di giudizio:
capacità di enucleare gli aspetti più significativi della teoria,
di saper valutare i limiti e i vantaggi delle semplificazioni
operate (incomprimibilità, assenza o presenza di viscosità, ecc...),
e i limiti dei risultati matematici.

Capacità comunicative:
capacità di esporre lo sviluppo della
teoria fisico-matematica del moto dei fluidi e dei gas, evidenziando
la relazione tra gli aspetti fisici e quelli matematici;
capacità di illustrare le dimostrazioni,
riassumendo le idee importanti, e discutendo i dettagli matematici.

Capacità di apprendimento
le conoscenze acquisite permetteranno uno studio,
individuale o impartito in un corso di LM, relativo ad aspetti
numerici e modellistici della meccanica dei fluidi e delle teorie cinetiche.

Obiettivi formativi

Obiettivi generali: acquisire nozioni di base di analisi armonica relative alla trasformata continua e discreta di Fourier e alle serie di Fourier, e conoscere le principali applicazioni a problemi sia teorici che pratici di tali metodi.

Obiettivi specifici:

Conoscenza e comprensione: al temine del corso lo studente avra' acquisito le principali nozioni su trasformata di Fourier continua e discreta, serie di Fourier, wavelets, e loro uso in alcuni ambiti teorici e pratici (equazioni differenziali, trattamento di immagini, teroia dei segnali).

Applicare conoscenza e comprensione: al termine del corso lo studente sara' in grado di risolvere problemi di livello base di analisi armonica, avra' acquisito familarita' con trasformate e serie di Fourier, e sara' in grado di applicare tali tecniche alla soluzione di vari problemi concreti.

Capacita' critiche e di giudizio: lo studente avrà le basi per comprendere quando tecniche di analisi armonica possono essere utili come strumenti per la soluzione di problemi in vari ambiti dell'analisi e delle sue applicazioni.

Capacita' comunicative: capacità di esporre i contenuti nella parte orale della verifica e rispondere a quesiti teorici.

Capacita' di apprendimento: le conoscenze acquisite permetteranno uno studio, individuale o impartito in un corso, relativo ad aspetti più avanzati dell'analisi armonica, e di argomenti applicativi piu' specifici.

Obiettivi formativi

Risultati di apprendimento - Conoscenze acquisite:Gli studenti conosceranno varie caratterizzazioni del moto Browniano, le proprieta' fondamentali dei processi di diffusioni e i risultati principali del calcolo stocastico, tra i quali la formula di ItoRisultati di apprendimento - Competenze acquisite:Gli studenti saranno in grado di applicare il calcolo stocastico in vari contesti applicativi, dalla finanza matematica, alla fisica e alla biologia.

Obiettivi formativi

1) Conoscenza e capacità di comprensione
Alla fine del corso, lo studente/la studentessa avranno appreso:
a) il concetto di sistema di controllo, di inclusione differenziale e le loro proprietà fondamentali;
b) il concetto di controllo ottimale e le condizioni necessarie e/o sufficienti per la sua esistenza;
c) il legame fra soluzioni ottimali di un sistema di controllo e l'equazione di Hamilton-Jacobi-Bellman;
d) il concetto di soluzione di viscosità per l'equazione di Hamilton-Jacobi.

2) Conoscenza e capacità di comprensione applicate
Alla fine del corso, lo studente/la studentessa sarà in grado di:
a) formulare in termini matematici un problema di ottimizzazione basato su un sistema di controllo;
b) individuare, tramite l'uso del Principio di Massimo di Pontryagin, le eventuali soluzioni ottimali di un problema di controllo ottimo;
c) affrontare l'analisi teorica delle soluzioni ottimali di un problema di controllo ottimo attraverso lo studio dell'equazione di Hamilton-Jacobi-Bellman ad esso associata.

3) Autonomia di giudizio
Durante il periodo delle lezioni verranno proposti problemi da affrontare autonomamente.
Attraverso lo studio in autonomia di questi problemi e il loro successivo svoltimento collegiale in classe, lo studente/la studentessa
acquisirà sia la capacità di valutare le proprie competenze, che la capacità di affrontare un ampio spettro di problemi di controllo ottimo.

4) Abilità comunicative
Lo svolgimento in forma scritta degli esercizi assegnati, sia in classe che durante le prove d'esame, e lo svolgimento della prova orale, permetteranno allo studente/alla studentessa di valutare le proprie capacità di comunicare ad altri, in forma corretta, le conoscenze acquisite durante il corso.

5) Capacità di apprendimento
Alla fine del corso lo studente/la studentessa sarà in grado di affrontare lo studio problemi di controllo e ottimizzazione; tale abilità viene acquisita grazie allo svolgimento dei problemi distribuiti durante il periodo delle lezioni.

Obiettivi formativi

Obiettivi generali: acquisire nozioni di base di analisi armonica relative alla trasformata continua e discreta di Fourier e alle serie di Fourier, e conoscere le principali applicazioni a problemi sia teorici che pratici di tali metodi.

Obiettivi specifici:

Conoscenza e comprensione: al temine del corso lo studente avra' acquisito le principali nozioni su trasformata di Fourier continua e discreta, serie di Fourier, wavelets, e loro uso in alcuni ambiti teorici e pratici (equazioni differenziali, trattamento di immagini, teroia dei segnali).

Applicare conoscenza e comprensione: al termine del corso lo studente sara' in grado di risolvere problemi di livello base di analisi armonica, avra' acquisito familarita' con trasformate e serie di Fourier, e sara' in grado di applicare tali tecniche alla soluzione di vari problemi concreti.

Capacita' critiche e di giudizio: lo studente avrà le basi per comprendere quando tecniche di analisi armonica possono essere utili come strumenti per la soluzione di problemi in vari ambiti dell'analisi e delle sue applicazioni.

Capacita' comunicative: capacità di esporre i contenuti nella parte orale della verifica e rispondere a quesiti teorici.

Capacita' di apprendimento: le conoscenze acquisite permetteranno uno studio, individuale o impartito in un corso, relativo ad aspetti più avanzati dell'analisi armonica, e di argomenti applicativi piu' specifici.

Obiettivi formativi

Il corso presenterà i risultati fondamentali relativi all'analisi ed alla approssimazione delle leggi di conservazione scalari e delle equazioni di Hamilton-Jacobi. Verranno inoltre presentati numerosi modelli che conducono allo studio di queste equazioni:
gasdinamica, modelli di traffico su reti, problemi di controllo ottimo, trattamento delle immagini, evoluzione dei fronti.

Il corso prevede attività pratiche di Laboratorio per lo sviluppo dei codici in C++ o MATLAB.

Obiettivi specifici:

Conoscenza e comprensione:
Gli studenti che abbiano superato l'esame conosceranno le principali tecniche numeriche sui temi trattati.

Applicare conoscenza e comprensione:
Gli studenti che abbiano superato l'esame saranno in grado di decidere quale tipo di metodo numerico sia opportuno utilizzare in rapporto al problema da risolvere. Gli studenti che abbiano superato l'esame saranno in grado di realizzare praticamente gli algoritmi in C++ o MATLAB.

Capacità critiche e di giudizio:
Gli studenti saranno in grado di valutare i risultati prodotti dai loro programmi, effettuare test e simulazioni.

Capacità comunicative:
Capacità di esporre e motivare la soluzione proposta per alcuni problemi scelti in classe sia alla lavagna che su computer.

Capacità di apprendimento:
le conoscenze acquisite permetteranno di costruire le basi per uno studio relativo ad aspetti più specialistici della analisi ed approssimazione di equazioni alle derivate non lineari. Lo studente prenderà familiarità con diverse nozioni e tecniche analitiche e numeriche relative ai temi presentati nel corso.

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.

Obiettivi formativi

Obiettivi generali: acquisire nozioni di base di analisi armonica relative alla trasformata continua e discreta di Fourier e alle serie di Fourier, e conoscere le principali applicazioni a problemi sia teorici che pratici di tali metodi.

Obiettivi specifici:

Conoscenza e comprensione: al temine del corso lo studente avra' acquisito le principali nozioni su trasformata di Fourier continua e discreta, serie di Fourier, wavelets, e loro uso in alcuni ambiti teorici e pratici (equazioni differenziali, trattamento di immagini, teroia dei segnali).

Applicare conoscenza e comprensione: al termine del corso lo studente sara' in grado di risolvere problemi di livello base di analisi armonica, avra' acquisito familarita' con trasformate e serie di Fourier, e sara' in grado di applicare tali tecniche alla soluzione di vari problemi concreti.

Capacita' critiche e di giudizio: lo studente avrà le basi per comprendere quando tecniche di analisi armonica possono essere utili come strumenti per la soluzione di problemi in vari ambiti dell'analisi e delle sue applicazioni.

Capacita' comunicative: capacità di esporre i contenuti nella parte orale della verifica e rispondere a quesiti teorici.

Capacita' di apprendimento: le conoscenze acquisite permetteranno uno studio, individuale o impartito in un corso, relativo ad aspetti più avanzati dell'analisi armonica, e di argomenti applicativi piu' specifici.

Obiettivi formativi

Obiettivi generali: acquisire le conoscenze e tecniche di base della Teoria dei grafi, alberi, circuiti, distanza, principali invarianti, algoritmi (di Kruskal e Prufer), della teoria degli ipergrafi (combinatoria estremale) e della Teoria di Ramsey, della teoria dei codici algebrici

Obiettivi specifici:

Conoscenza e comprensione: al termine del corso lo studente avrà acquisito le nozioni ed i risultati di base relativi alla Teoria dei grafi e ipergrafi, algebrica ed estremale e della teoria dei codici algebrici. Conoscerà anche almeno l'insieme dei problemi più significativi nell'ambito dei quali tali teorie trovano applicazioni.

Applicare conoscenza e comprensione: lo studente sarà in grado di risolvere problemi di tipo algebrico-combinatorio che richiedano l'uso di tecniche legate alla combinatoria dei grafi e alle principali strutture e sottostrutture e di discutere come si possano modellizzare problemi (in ambienti non prettamente matematici) per mezzo degli strumenti acquisiti.

Capacità critiche e di giudizio: lo studente avrà le basi per analizzare come argomenti della Teoria dei grafi e della teoria dei codici algebrici trattati nei corsi di base possano trovare applicazioni in diversi ambiti ed essere strumento essenziale nella soluzione di problemi concreti.

Capacità comunicative: il discente avrà la capacità di comunicare in maniera rigorosa le idee ed i contenuti esposti nel corso.

Capacità di apprendimento: le conoscenze acquisite permetteranno di portare avanti uno studio autonomo in un possibile contesto interdisciplinare (per coloro che hanno conoscenze ed interessi verso la Matematica Applicata, l'Informatica, la Genetica, la cosiddetta "Data Science").

Obiettivi formativi

Obiettivi generali

Acquisire conoscenze di base sui metodi matematici impiegati nella modellistica dell'intelligenza artificiale, con particolare attenzione al "machine learning".

Obiettivi specifici

Conoscenza e comprensione: al temine del corso lo studente avrà acquisito le nozioni ed i risultati di base (prevalentemente negli ambiti di processi stocastici e meccanica statistica) utilizzati nello studio dei principali modelli di reti neurali (e.g., reti di Hopfield, macchine di Boltzmann, reti feed-forward).

Applicare conoscenza e comprensione: lo studente sarà in grado di individuare l’architettura ottimale per un certo “task” e di risolvere il modello risultante determinandone un diagramma di fase; lo studente avrà le basi per sviluppare, in autonomia, algoritmi di apprendimento e di richiamo.

Capacità critiche e di giudizio: lo studente sarà in grado di determinare i parametri che controllano il comportamento qualitativo di una rete neurale e di stimare valori per tali parametri che permettano il buon funzionamento della rete; sarà inoltre in grado di esaminare le analogie e le relazioni tra gli argomenti trattati nel corso ed in altri corsi dedicati a statistica ed analisi dati.

Capacità comunicative: capacità di esporre i contenuti nella parte orale e scritta della verifica, eventualmente attraverso l’ausilio di presentazioni.

Capacità di apprendimento: le conoscenze acquisite permetteranno uno studio, individuale o impartito in un corso di LM, relativo ad aspetti più specialistici di meccanica statistica, sviluppo di algoritmi, utilizzo di big data.

Obiettivi formativi

Obiettivi generali: acquisire conoscenze in Probabilità e Statistica in alta dimensione con applicazioni alla Data Science

Obiettivi specifici:

Conoscenza e comprensione: al termine del corso lo studente avrà acquisito le nozioni di base di Probabilità e Statistica in alta dimensione e conoscerà algoritmi per risolvere alcuni problemi rilevanti in Data Science

Applicare conoscenza e comprensione: al termine del corso lo studente potrà risolvere diversi problemi riguardanti strutture geometriche aleatorie in alta dimensione, riduzione di dimensione dei dati trattati, problemi di statistical learning e di regressione in alta dimensione.

Capacità critiche e di giudizio: lo studente comprenderà le idee alla base di diversi algoritmi e software utilizzati in Data Science, comprendendo anche le situazioni ottimali di applicazioni e gli eventuali limiti applicativi.

Capacità comunicative: lo studente dovrà mostrare capacità di esporre i contenuti del corso nella parte orale della verifica e nella soluzione di problemi nella prova scritta.

Capacità di apprendimento: le conoscenze acquisite permetteranno allo studente una comprensione multidisciplinare di diversi problemi motivati dalla data science e faciliteranno lo studio di argomenti ricerca attualmente molto attivi.

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.

Obiettivi formativi

Obiettivi generali

Acquisire conoscenze di base sui metodi matematici impiegati nella modellistica dell'intelligenza artificiale, con particolare attenzione al "machine learning".

Obiettivi specifici

Conoscenza e comprensione: al temine del corso lo studente avrà acquisito le nozioni ed i risultati di base (prevalentemente negli ambiti di processi stocastici e meccanica statistica) utilizzati nello studio dei principali modelli di reti neurali (e.g., reti di Hopfield, macchine di Boltzmann, reti feed-forward).

Applicare conoscenza e comprensione: lo studente sarà in grado di individuare l’architettura ottimale per un certo “task” e di risolvere il modello risultante determinandone un diagramma di fase; lo studente avrà le basi per sviluppare, in autonomia, algoritmi di apprendimento e di richiamo.

Capacità critiche e di giudizio: lo studente sarà in grado di determinare i parametri che controllano il comportamento qualitativo di una rete neurale e di stimare valori per tali parametri che permettano il buon funzionamento della rete; sarà inoltre in grado di esaminare le analogie e le relazioni tra gli argomenti trattati nel corso ed in altri corsi dedicati a statistica ed analisi dati.

Capacità comunicative: capacità di esporre i contenuti nella parte orale e scritta della verifica, eventualmente attraverso l’ausilio di presentazioni.

Capacità di apprendimento: le conoscenze acquisite permetteranno uno studio, individuale o impartito in un corso di LM, relativo ad aspetti più specialistici di meccanica statistica, sviluppo di algoritmi, utilizzo di big data.

Obiettivi formativi

Obiettivi generali: acquisire conoscenze in Probabilità e Statistica in alta dimensione con applicazioni alla Data Science

Obiettivi specifici:

Conoscenza e comprensione: al termine del corso lo studente avrà acquisito le nozioni di base di Probabilità e Statistica in alta dimensione e conoscerà algoritmi per risolvere alcuni problemi rilevanti in Data Science

Applicare conoscenza e comprensione: al termine del corso lo studente potrà risolvere diversi problemi riguardanti strutture geometriche aleatorie in alta dimensione, riduzione di dimensione dei dati trattati, problemi di statistical learning e di regressione in alta dimensione.

Capacità critiche e di giudizio: lo studente comprenderà le idee alla base di diversi algoritmi e software utilizzati in Data Science, comprendendo anche le situazioni ottimali di applicazioni e gli eventuali limiti applicativi.

Capacità comunicative: lo studente dovrà mostrare capacità di esporre i contenuti del corso nella parte orale della verifica e nella soluzione di problemi nella prova scritta.

Capacità di apprendimento: le conoscenze acquisite permetteranno allo studente una comprensione multidisciplinare di diversi problemi motivati dalla data science e faciliteranno lo studio di argomenti ricerca attualmente molto attivi.

Obiettivi formativi

Obiettivi generali: acquisire le conoscenze e tecniche di base della Teoria dei grafi, alberi, circuiti, distanza, principali invarianti, algoritmi (di Kruskal e Prufer), della teoria degli ipergrafi (combinatoria estremale) e della Teoria di Ramsey, della teoria dei codici algebrici

Obiettivi specifici:

Conoscenza e comprensione: al termine del corso lo studente avrà acquisito le nozioni ed i risultati di base relativi alla Teoria dei grafi e ipergrafi, algebrica ed estremale e della teoria dei codici algebrici. Conoscerà anche almeno l'insieme dei problemi più significativi nell'ambito dei quali tali teorie trovano applicazioni.

Applicare conoscenza e comprensione: lo studente sarà in grado di risolvere problemi di tipo algebrico-combinatorio che richiedano l'uso di tecniche legate alla combinatoria dei grafi e alle principali strutture e sottostrutture e di discutere come si possano modellizzare problemi (in ambienti non prettamente matematici) per mezzo degli strumenti acquisiti.

Capacità critiche e di giudizio: lo studente avrà le basi per analizzare come argomenti della Teoria dei grafi e della teoria dei codici algebrici trattati nei corsi di base possano trovare applicazioni in diversi ambiti ed essere strumento essenziale nella soluzione di problemi concreti.

Capacità comunicative: il discente avrà la capacità di comunicare in maniera rigorosa le idee ed i contenuti esposti nel corso.

Capacità di apprendimento: le conoscenze acquisite permetteranno di portare avanti uno studio autonomo in un possibile contesto interdisciplinare (per coloro che hanno conoscenze ed interessi verso la Matematica Applicata, l'Informatica, la Genetica, la cosiddetta "Data Science").

Obiettivi formativi

Obiettivi generali: acquisire le conoscenze e tecniche di base della Combinatoria delle permutazioni, enumerativa, degli insieme parzialmente ordinati, e delle partizioni di interi, e comprenderne le loro principali applicazioni.

Obiettivi specifici:

Conoscenza e comprensione: al termine del corso lo studente avrà acquisito le nozioni ed i risultati di base relativi alla Combinatoria delle permutazioni (con particolare riguardo ai problemi enumerativi, algebrici e algoritmici, random) e alla combinatoria enumerativa (soprattutto concernenti i suoi aspetti algebrici). Conoscerà anche almeno l'insieme dei problemi più significativi nell'ambito dei quali tali teorie trovano applicazioni.

Applicare conoscenza e comprensione: lo studente sarà in grado di risolvere problemi di tipo algebrico-combinatorio che richiedano l'uso di tecniche legate alla combinatoria delle permutazioni ed enumerativa e di discutere come si possano modellizzare problemi (in ambienti non prettamente matematici) per mezzo degli strumenti acquisiti.

Capacità critiche e di giudizio: lo studente avrà le basi per analizzare come argomenti della combinatoria e dell'Algebra ed Algebra Lineare trattati nei corsi di base possano trovare applicazioni in diversi ambiti ed essere strumento essenziale nella soluzione di problemi concreti.

Capacità comunicative: il discente avrà la capacità di comunicare in maniera rigorosa le idee ed i contenuti esposti nel corso.

Capacità di apprendimento: le conoscenze acquisite permetteranno di portare avanti uno studio autonomo in un possibile contesto interdisciplinare (per coloro che hanno conoscenze ed interessi verso la Matematica Applicata, l'Informatica, la Genetica, la cosiddetta "Data Science").

Obiettivi formativi

1. Conoscenza e capacità di comprensione
Gli studenti che abbiano superato l'esame conosceranno e comprenderanno i principali strumenti per la Data Analisys: modelli Gaussiani, modelli lineari, analisi in componenti principali, analisi fattoriale, analisi discriminante, analisi della
correlazione canonica, multi-dimensional scaling, modelli causali, catene di Markov, grafi aleatori, algoritmi basati su grafi.

2. Conoscenza e capacità di comprensione applicata
Gli studenti che abbiano superato l'esame saranno in grado di risolvere problemi di Data Mining, tra cui model selection, prediction, classification, clustering, dimension reduction, feature extraction, inferenza causale.

3. Autonomia di giudizio
Gli studenti saranno in grado di valutare i risultati prodotti dai loro programmi, effettuare test e simulazioni.

4. Capacità comunicative
Gli studenti sapranno esporre e spiegare la soluzione di alcuni esercizi proposti, sia alla lavagna che su computer.

5. Capacità di apprendimento
Le conoscenze acquisite permetteranno agli studenti di costruire le basi per lo studio degli aspetti più specialistici della Data Science e dei metodi numerici in questa area.

Obiettivi formativi

L'obiettivo principale del corso è presentare un’introduzione compatta ma efficace alle basi del machine learning quantistico (QML), partendo dalle nozioni fondamentali della meccanica quantistica e dell'informatica quantistica. L’idea è spiegare come i fondamenti della meccanica quantistica consentano nuovi ed efficienti schemi di apprendimento a studenti privi di competenze specifiche in meccanica quantistica e informatica quantistica.

Gli studenti non impareranno semplicemente a tradurre le tecniche classiche di machine learning nel linguaggio dell'informatica quantistica, ma piuttosto a sviluppare un nuovo approccio alla rappresentazione e all'elaborazione dei dati, intrinsecamente diverso da quello utilizzato dai computer standard.

Il corso prevede lezioni frontali ed esercitazioni in aula, utili per verificare la preparazione personale degli studenti.

Obiettivi formativi

Obiettivi Generali
Il corso tratterà alcune questioni fondamentali della ricerca contemporanea in algoritmi nell'ambito della complessità computazionale, degli algoritmi probabilistici e del machine learning.

Obiettivi formativi

1. Conoscenza e capacità di comprensione
Gli studenti che abbiano superato l'esame conosceranno e comprenderanno i principali strumenti per la Data Analisys: modelli Gaussiani, modelli lineari, analisi in componenti principali, analisi fattoriale, analisi discriminante, analisi della
correlazione canonica, multi-dimensional scaling, modelli causali, catene di Markov, grafi aleatori, algoritmi basati su grafi.

2. Conoscenza e capacità di comprensione applicata
Gli studenti che abbiano superato l'esame saranno in grado di risolvere problemi di Data Mining, tra cui model selection, prediction, classification, clustering, dimension reduction, feature extraction, inferenza causale.

3. Autonomia di giudizio
Gli studenti saranno in grado di valutare i risultati prodotti dai loro programmi, effettuare test e simulazioni.

4. Capacità comunicative
Gli studenti sapranno esporre e spiegare la soluzione di alcuni esercizi proposti, sia alla lavagna che su computer.

5. Capacità di apprendimento
Le conoscenze acquisite permetteranno agli studenti di costruire le basi per lo studio degli aspetti più specialistici della Data Science e dei metodi numerici in questa area.

Obiettivi formativi

Obiettivi generali: acquisire le conoscenze e tecniche di base della Combinatoria delle permutazioni, enumerativa, degli insieme parzialmente ordinati, e delle partizioni di interi, e comprenderne le loro principali applicazioni.

Obiettivi specifici:

Conoscenza e comprensione: al termine del corso lo studente avrà acquisito le nozioni ed i risultati di base relativi alla Combinatoria delle permutazioni (con particolare riguardo ai problemi enumerativi, algebrici e algoritmici, random) e alla combinatoria enumerativa (soprattutto concernenti i suoi aspetti algebrici). Conoscerà anche almeno l'insieme dei problemi più significativi nell'ambito dei quali tali teorie trovano applicazioni.

Applicare conoscenza e comprensione: lo studente sarà in grado di risolvere problemi di tipo algebrico-combinatorio che richiedano l'uso di tecniche legate alla combinatoria delle permutazioni ed enumerativa e di discutere come si possano modellizzare problemi (in ambienti non prettamente matematici) per mezzo degli strumenti acquisiti.

Capacità critiche e di giudizio: lo studente avrà le basi per analizzare come argomenti della combinatoria e dell'Algebra ed Algebra Lineare trattati nei corsi di base possano trovare applicazioni in diversi ambiti ed essere strumento essenziale nella soluzione di problemi concreti.

Capacità comunicative: il discente avrà la capacità di comunicare in maniera rigorosa le idee ed i contenuti esposti nel corso.

Capacità di apprendimento: le conoscenze acquisite permetteranno di portare avanti uno studio autonomo in un possibile contesto interdisciplinare (per coloro che hanno conoscenze ed interessi verso la Matematica Applicata, l'Informatica, la Genetica, la cosiddetta "Data Science").

Obiettivi formativi

Obiettivi generali:
acquisire conoscenze specialistiche di base su un approccio rigoroso alla meccanica statistica di equilibrio

Obiettivi specifici:
Conoscenza e comprensione:
conoscenza degli ensemble statistici, delle misure di Gibbs e dei funzionali termodinamici; comprensione delle transizioni di fase per modelli paradigmatici di particelle su reticolo.

Applicare conoscenza e comprensione:
al termine del corso lo studente sarà' in grado di descrivere modelli semplici di particelle attraverso gli ensemble statistici, di fare il limite termodinamico della funzione di partizione e determinare i funzionali termodinamici, e di intuire eventuali transizioni di fase per modelli semplici su reticolo.

Capacità' critiche e di giudizio:
capacità' di descrivere il comportamento meccanico e termodinamico di sistemi composti da un grande numero di particelle.

Capacità comunicative:
capacità' di enucleare i punti significativi della teoria, di saper illustrare con esempi opportuni le parti più' interessanti, di discutere matematicamente dei punti più' sottili, almeno per modelli semplici.

Capacità' di apprendimento:
le conoscenze acquisite permetteranno di affrontare studi avanzati, anche a livello di dottorato, relativi alla meccanica statistica di equilibrio e non, e di utilizzare gli strumenti di base della meccanica statistica in altri contesti.

Obiettivi formativi

Obiettivi generali:
acquisire conoscenze specialistiche di base su un approccio rigoroso alla meccanica statistica di equilibrio

Obiettivi specifici:
Conoscenza e comprensione:
conoscenza degli ensemble statistici, delle misure di Gibbs e dei funzionali termodinamici; comprensione delle transizioni di fase per modelli paradigmatici di particelle su reticolo.

Applicare conoscenza e comprensione:
al termine del corso lo studente sarà' in grado di descrivere modelli semplici di particelle attraverso gli ensemble statistici, di fare il limite termodinamico della funzione di partizione e determinare i funzionali termodinamici, e di intuire eventuali transizioni di fase per modelli semplici su reticolo.

Capacità' critiche e di giudizio:
capacità' di descrivere il comportamento meccanico e termodinamico di sistemi composti da un grande numero di particelle.

Capacità comunicative:
capacità' di enucleare i punti significativi della teoria, di saper illustrare con esempi opportuni le parti più' interessanti, di discutere matematicamente dei punti più' sottili, almeno per modelli semplici.

Capacità' di apprendimento:
le conoscenze acquisite permetteranno di affrontare studi avanzati, anche a livello di dottorato, relativi alla meccanica statistica di equilibrio e non, e di utilizzare gli strumenti di base della meccanica statistica in altri contesti.

Obiettivi formativi

Obiettivi generali:
acquisire conoscenze specialistiche di base su un approccio rigoroso alla meccanica statistica di equilibrio

Obiettivi specifici:
Conoscenza e comprensione:
conoscenza degli ensemble statistici, delle misure di Gibbs e dei funzionali termodinamici; comprensione delle transizioni di fase per modelli paradigmatici di particelle su reticolo.

Applicare conoscenza e comprensione:
al termine del corso lo studente sarà' in grado di descrivere modelli semplici di particelle attraverso gli ensemble statistici, di fare il limite termodinamico della funzione di partizione e determinare i funzionali termodinamici, e di intuire eventuali transizioni di fase per modelli semplici su reticolo.

Capacità' critiche e di giudizio:
capacità' di descrivere il comportamento meccanico e termodinamico di sistemi composti da un grande numero di particelle.

Capacità comunicative:
capacità' di enucleare i punti significativi della teoria, di saper illustrare con esempi opportuni le parti più' interessanti, di discutere matematicamente dei punti più' sottili, almeno per modelli semplici.

Capacità' di apprendimento:
le conoscenze acquisite permetteranno di affrontare studi avanzati, anche a livello di dottorato, relativi alla meccanica statistica di equilibrio e non, e di utilizzare gli strumenti di base della meccanica statistica in altri contesti.

Obiettivi formativi

Obiettivi generali: acquisire conoscenze di base in teoria dei processi stocastici e nella modellizzazione stocastica
di fenomeni reali.

Obiettivi specifici:

Conoscenza e comprensione: al temine del corso lo studente avrà acquisito le nozioni e i risultati di base riguardanti i processi stocastici a tempo discreto e a tempo continuo, su strutture discrete quali ad esempio grafi oppure su spazi continui.

Applicare conoscenza e comprensione: al temine del corso lo studente sarà in grado di modellizzare l'evoluzione temporale di vari fenomeni reali tramite i processi stocastici, di analizzare la stazionarieta` e/o la reversibilita` temporale dei processi stocastici, di calcolare probabilita` di assorbimento e tempi attesi di assorbimento, di simulare processi stocastici e di stimare la velocita` di convergenza all'equilibrio.

Capacità critiche e di giudizio: lo studente avrà le basi per studiare sistemi dinamici stocastici e acquisire la capacita` di valutare la bonta` di un modello rispetto ad altri nella modellizzazione di fenomeni reali.

Capacità comunicative: dovendo sostenere una prova orale di teoria, gli studenti svilupperanno le capacita` comunicative necessarie per bene esporre la teoria matematica e i vari modelli considerati nel corso.

Capacità di apprendimento: le conoscenze acquisite permetteranno uno studio più approfondito dei processi stocastici sia su spazi discreti che continui, aiutando lo studente nello studio di altri corsi quali ad esempio calcolo stocastico.

Obiettivi formativi

Obiettivi Generali
Il corso tratterà alcune questioni fondamentali della ricerca contemporanea in algoritmi nell'ambito della complessità computazionale, degli algoritmi probabilistici e del machine learning.

Obiettivi formativi

Il corso intende introdurre lo studio di approcci multiscala (micro-meso-macro) per modelli di sistemi multi-agente. Esempi tipici sono: traffico veicolare, pedoni, dinamica delle opinioni, flocking/swarming, mercati finanziari e così via.
Il corso prevede anche attività di laboratorio per la parte computazionale relativa alla simulazione numerica dei modelli.

1. Conoscenza e capacità di comprensione

Gli studenti che abbiano superato l'esame sapranno modellizzare e studiare proprietà qualitative di fenomeni fisici attraverso diverse scale di descrizione: dalla microscopica, alla cinetica, fino alla macroscopica.

2. Conoscenza e capacità di comprensione applicata

Gli studenti che abbiano superato l'esame saranno in grado sapranno usare tecniche numeriche efficienti, deterministiche e non, per la simulazione dei modelli, e saranno in grado di realizzare praticamente gli algoritmi in C++ o MATLAB.

3. Autonomia di giudizio

Gli studenti saranno in grado di valutare la migliore scala di rappresentazione del fenomeno di riferimento, i risultati prodotti dai loro programmi, effettuare test e simulazioni.

4. Capacità comunicative

Gli studenti sapranno esporre e spiegare le scelte di modellizzazione, le proprietà dei modelli, sia alla lavagna che su computer.

5. Capacità di apprendimento

Le conoscenze acquisite permetteranno agli studenti di costruire le basi per ulteriori studi di ricerca relativi ai modelli di sistemi multi-agente.

Obiettivi formativi

L'obiettivo principale del corso è presentare un’introduzione compatta ma efficace alle basi del machine learning quantistico (QML), partendo dalle nozioni fondamentali della meccanica quantistica e dell'informatica quantistica. L’idea è spiegare come i fondamenti della meccanica quantistica consentano nuovi ed efficienti schemi di apprendimento a studenti privi di competenze specifiche in meccanica quantistica e informatica quantistica.

Gli studenti non impareranno semplicemente a tradurre le tecniche classiche di machine learning nel linguaggio dell'informatica quantistica, ma piuttosto a sviluppare un nuovo approccio alla rappresentazione e all'elaborazione dei dati, intrinsecamente diverso da quello utilizzato dai computer standard.

Il corso prevede lezioni frontali ed esercitazioni in aula, utili per verificare la preparazione personale degli studenti.

Obiettivi formativi

Obiettivi generali: acquisire le conoscenze e tecniche di base della Combinatoria delle permutazioni, enumerativa, degli insieme parzialmente ordinati, e delle partizioni di interi, e comprenderne le loro principali applicazioni.

Obiettivi specifici:

Conoscenza e comprensione: al termine del corso lo studente avrà acquisito le nozioni ed i risultati di base relativi alla Combinatoria delle permutazioni (con particolare riguardo ai problemi enumerativi, algebrici e algoritmici, random) e alla combinatoria enumerativa (soprattutto concernenti i suoi aspetti algebrici). Conoscerà anche almeno l'insieme dei problemi più significativi nell'ambito dei quali tali teorie trovano applicazioni.

Applicare conoscenza e comprensione: lo studente sarà in grado di risolvere problemi di tipo algebrico-combinatorio che richiedano l'uso di tecniche legate alla combinatoria delle permutazioni ed enumerativa e di discutere come si possano modellizzare problemi (in ambienti non prettamente matematici) per mezzo degli strumenti acquisiti.

Capacità critiche e di giudizio: lo studente avrà le basi per analizzare come argomenti della combinatoria e dell'Algebra ed Algebra Lineare trattati nei corsi di base possano trovare applicazioni in diversi ambiti ed essere strumento essenziale nella soluzione di problemi concreti.

Capacità comunicative: il discente avrà la capacità di comunicare in maniera rigorosa le idee ed i contenuti esposti nel corso.

Capacità di apprendimento: le conoscenze acquisite permetteranno di portare avanti uno studio autonomo in un possibile contesto interdisciplinare (per coloro che hanno conoscenze ed interessi verso la Matematica Applicata, l'Informatica, la Genetica, la cosiddetta "Data Science").

Obiettivi formativi

Obiettivi Generali
Il corso tratterà alcune questioni fondamentali della ricerca contemporanea in algoritmi nell'ambito della complessità computazionale, degli algoritmi probabilistici e del machine learning.

Obiettivi formativi

L'obiettivo principale del corso è presentare un’introduzione compatta ma efficace alle basi del machine learning quantistico (QML), partendo dalle nozioni fondamentali della meccanica quantistica e dell'informatica quantistica. L’idea è spiegare come i fondamenti della meccanica quantistica consentano nuovi ed efficienti schemi di apprendimento a studenti privi di competenze specifiche in meccanica quantistica e informatica quantistica.

Gli studenti non impareranno semplicemente a tradurre le tecniche classiche di machine learning nel linguaggio dell'informatica quantistica, ma piuttosto a sviluppare un nuovo approccio alla rappresentazione e all'elaborazione dei dati, intrinsecamente diverso da quello utilizzato dai computer standard.

Il corso prevede lezioni frontali ed esercitazioni in aula, utili per verificare la preparazione personale degli studenti.

Obiettivi formativi

1. Conoscenza e capacità di comprensione
Gli studenti che abbiano superato l'esame conosceranno e comprenderanno i principali strumenti per la Data Analisys: modelli Gaussiani, modelli lineari, analisi in componenti principali, analisi fattoriale, analisi discriminante, analisi della
correlazione canonica, multi-dimensional scaling, modelli causali, catene di Markov, grafi aleatori, algoritmi basati su grafi.

2. Conoscenza e capacità di comprensione applicata
Gli studenti che abbiano superato l'esame saranno in grado di risolvere problemi di Data Mining, tra cui model selection, prediction, classification, clustering, dimension reduction, feature extraction, inferenza causale.

3. Autonomia di giudizio
Gli studenti saranno in grado di valutare i risultati prodotti dai loro programmi, effettuare test e simulazioni.

4. Capacità comunicative
Gli studenti sapranno esporre e spiegare la soluzione di alcuni esercizi proposti, sia alla lavagna che su computer.

5. Capacità di apprendimento
Le conoscenze acquisite permetteranno agli studenti di costruire le basi per lo studio degli aspetti più specialistici della Data Science e dei metodi numerici in questa area.

Obiettivi formativi

1. Conoscenza e capacità di comprensione
Gli studenti che abbiano superato l'esame conosceranno e comprenderanno i principali strumenti per la Data Analisys: modelli Gaussiani, modelli lineari, analisi in componenti principali, analisi fattoriale, analisi discriminante, analisi della
correlazione canonica, multi-dimensional scaling, modelli causali, catene di Markov, grafi aleatori, algoritmi basati su grafi.

2. Conoscenza e capacità di comprensione applicata
Gli studenti che abbiano superato l'esame saranno in grado di risolvere problemi di Data Mining, tra cui model selection, prediction, classification, clustering, dimension reduction, feature extraction, inferenza causale.

3. Autonomia di giudizio
Gli studenti saranno in grado di valutare i risultati prodotti dai loro programmi, effettuare test e simulazioni.

4. Capacità comunicative
Gli studenti sapranno esporre e spiegare la soluzione di alcuni esercizi proposti, sia alla lavagna che su computer.

5. Capacità di apprendimento
Le conoscenze acquisite permetteranno agli studenti di costruire le basi per lo studio degli aspetti più specialistici della Data Science e dei metodi numerici in questa area.

Obiettivi formativi

Obiettivi generali: acquisire le conoscenze e tecniche di base della Combinatoria delle permutazioni, enumerativa, degli insieme parzialmente ordinati, e delle partizioni di interi, e comprenderne le loro principali applicazioni.

Obiettivi specifici:

Conoscenza e comprensione: al termine del corso lo studente avrà acquisito le nozioni ed i risultati di base relativi alla Combinatoria delle permutazioni (con particolare riguardo ai problemi enumerativi, algebrici e algoritmici, random) e alla combinatoria enumerativa (soprattutto concernenti i suoi aspetti algebrici). Conoscerà anche almeno l'insieme dei problemi più significativi nell'ambito dei quali tali teorie trovano applicazioni.

Applicare conoscenza e comprensione: lo studente sarà in grado di risolvere problemi di tipo algebrico-combinatorio che richiedano l'uso di tecniche legate alla combinatoria delle permutazioni ed enumerativa e di discutere come si possano modellizzare problemi (in ambienti non prettamente matematici) per mezzo degli strumenti acquisiti.

Capacità critiche e di giudizio: lo studente avrà le basi per analizzare come argomenti della combinatoria e dell'Algebra ed Algebra Lineare trattati nei corsi di base possano trovare applicazioni in diversi ambiti ed essere strumento essenziale nella soluzione di problemi concreti.

Capacità comunicative: il discente avrà la capacità di comunicare in maniera rigorosa le idee ed i contenuti esposti nel corso.

Capacità di apprendimento: le conoscenze acquisite permetteranno di portare avanti uno studio autonomo in un possibile contesto interdisciplinare (per coloro che hanno conoscenze ed interessi verso la Matematica Applicata, l'Informatica, la Genetica, la cosiddetta "Data Science").

Obiettivi formativi

Obiettivi generali:
acquisire conoscenze specialistiche di base su un approccio rigoroso alla meccanica statistica di equilibrio

Obiettivi specifici:
Conoscenza e comprensione:
conoscenza degli ensemble statistici, delle misure di Gibbs e dei funzionali termodinamici; comprensione delle transizioni di fase per modelli paradigmatici di particelle su reticolo.

Applicare conoscenza e comprensione:
al termine del corso lo studente sarà' in grado di descrivere modelli semplici di particelle attraverso gli ensemble statistici, di fare il limite termodinamico della funzione di partizione e determinare i funzionali termodinamici, e di intuire eventuali transizioni di fase per modelli semplici su reticolo.

Capacità' critiche e di giudizio:
capacità' di descrivere il comportamento meccanico e termodinamico di sistemi composti da un grande numero di particelle.

Capacità comunicative:
capacità' di enucleare i punti significativi della teoria, di saper illustrare con esempi opportuni le parti più' interessanti, di discutere matematicamente dei punti più' sottili, almeno per modelli semplici.

Capacità' di apprendimento:
le conoscenze acquisite permetteranno di affrontare studi avanzati, anche a livello di dottorato, relativi alla meccanica statistica di equilibrio e non, e di utilizzare gli strumenti di base della meccanica statistica in altri contesti.

Obiettivi formativi

Obiettivi generali:
acquisire conoscenze specialistiche di base su un approccio rigoroso alla meccanica statistica di equilibrio

Obiettivi specifici:
Conoscenza e comprensione:
conoscenza degli ensemble statistici, delle misure di Gibbs e dei funzionali termodinamici; comprensione delle transizioni di fase per modelli paradigmatici di particelle su reticolo.

Applicare conoscenza e comprensione:
al termine del corso lo studente sarà' in grado di descrivere modelli semplici di particelle attraverso gli ensemble statistici, di fare il limite termodinamico della funzione di partizione e determinare i funzionali termodinamici, e di intuire eventuali transizioni di fase per modelli semplici su reticolo.

Capacità' critiche e di giudizio:
capacità' di descrivere il comportamento meccanico e termodinamico di sistemi composti da un grande numero di particelle.

Capacità comunicative:
capacità' di enucleare i punti significativi della teoria, di saper illustrare con esempi opportuni le parti più' interessanti, di discutere matematicamente dei punti più' sottili, almeno per modelli semplici.

Capacità' di apprendimento:
le conoscenze acquisite permetteranno di affrontare studi avanzati, anche a livello di dottorato, relativi alla meccanica statistica di equilibrio e non, e di utilizzare gli strumenti di base della meccanica statistica in altri contesti.

Obiettivi formativi

Obiettivi generali:
acquisire conoscenze specialistiche di base su un approccio rigoroso alla meccanica statistica di equilibrio

Obiettivi specifici:
Conoscenza e comprensione:
conoscenza degli ensemble statistici, delle misure di Gibbs e dei funzionali termodinamici; comprensione delle transizioni di fase per modelli paradigmatici di particelle su reticolo.

Applicare conoscenza e comprensione:
al termine del corso lo studente sarà' in grado di descrivere modelli semplici di particelle attraverso gli ensemble statistici, di fare il limite termodinamico della funzione di partizione e determinare i funzionali termodinamici, e di intuire eventuali transizioni di fase per modelli semplici su reticolo.

Capacità' critiche e di giudizio:
capacità' di descrivere il comportamento meccanico e termodinamico di sistemi composti da un grande numero di particelle.

Capacità comunicative:
capacità' di enucleare i punti significativi della teoria, di saper illustrare con esempi opportuni le parti più' interessanti, di discutere matematicamente dei punti più' sottili, almeno per modelli semplici.

Capacità' di apprendimento:
le conoscenze acquisite permetteranno di affrontare studi avanzati, anche a livello di dottorato, relativi alla meccanica statistica di equilibrio e non, e di utilizzare gli strumenti di base della meccanica statistica in altri contesti.

Obiettivi formativi

Obiettivi generali: acquisire conoscenze di base in teoria dei processi stocastici e nella modellizzazione stocastica
di fenomeni reali.

Obiettivi specifici:

Conoscenza e comprensione: al temine del corso lo studente avrà acquisito le nozioni e i risultati di base riguardanti i processi stocastici a tempo discreto e a tempo continuo, su strutture discrete quali ad esempio grafi oppure su spazi continui.

Applicare conoscenza e comprensione: al temine del corso lo studente sarà in grado di modellizzare l'evoluzione temporale di vari fenomeni reali tramite i processi stocastici, di analizzare la stazionarieta` e/o la reversibilita` temporale dei processi stocastici, di calcolare probabilita` di assorbimento e tempi attesi di assorbimento, di simulare processi stocastici e di stimare la velocita` di convergenza all'equilibrio.

Capacità critiche e di giudizio: lo studente avrà le basi per studiare sistemi dinamici stocastici e acquisire la capacita` di valutare la bonta` di un modello rispetto ad altri nella modellizzazione di fenomeni reali.

Capacità comunicative: dovendo sostenere una prova orale di teoria, gli studenti svilupperanno le capacita` comunicative necessarie per bene esporre la teoria matematica e i vari modelli considerati nel corso.

Capacità di apprendimento: le conoscenze acquisite permetteranno uno studio più approfondito dei processi stocastici sia su spazi discreti che continui, aiutando lo studente nello studio di altri corsi quali ad esempio calcolo stocastico.

Obiettivi formativi

Obiettivi Generali
Il corso tratterà alcune questioni fondamentali della ricerca contemporanea in algoritmi nell'ambito della complessità computazionale, degli algoritmi probabilistici e del machine learning.

Obiettivi formativi

Il corso intende introdurre lo studio di approcci multiscala (micro-meso-macro) per modelli di sistemi multi-agente. Esempi tipici sono: traffico veicolare, pedoni, dinamica delle opinioni, flocking/swarming, mercati finanziari e così via.
Il corso prevede anche attività di laboratorio per la parte computazionale relativa alla simulazione numerica dei modelli.

1. Conoscenza e capacità di comprensione

Gli studenti che abbiano superato l'esame sapranno modellizzare e studiare proprietà qualitative di fenomeni fisici attraverso diverse scale di descrizione: dalla microscopica, alla cinetica, fino alla macroscopica.

2. Conoscenza e capacità di comprensione applicata

Gli studenti che abbiano superato l'esame saranno in grado sapranno usare tecniche numeriche efficienti, deterministiche e non, per la simulazione dei modelli, e saranno in grado di realizzare praticamente gli algoritmi in C++ o MATLAB.

3. Autonomia di giudizio

Gli studenti saranno in grado di valutare la migliore scala di rappresentazione del fenomeno di riferimento, i risultati prodotti dai loro programmi, effettuare test e simulazioni.

4. Capacità comunicative

Gli studenti sapranno esporre e spiegare le scelte di modellizzazione, le proprietà dei modelli, sia alla lavagna che su computer.

5. Capacità di apprendimento

Le conoscenze acquisite permetteranno agli studenti di costruire le basi per ulteriori studi di ricerca relativi ai modelli di sistemi multi-agente.

Obiettivi formativi

L'obiettivo principale del corso è presentare un’introduzione compatta ma efficace alle basi del machine learning quantistico (QML), partendo dalle nozioni fondamentali della meccanica quantistica e dell'informatica quantistica. L’idea è spiegare come i fondamenti della meccanica quantistica consentano nuovi ed efficienti schemi di apprendimento a studenti privi di competenze specifiche in meccanica quantistica e informatica quantistica.

Gli studenti non impareranno semplicemente a tradurre le tecniche classiche di machine learning nel linguaggio dell'informatica quantistica, ma piuttosto a sviluppare un nuovo approccio alla rappresentazione e all'elaborazione dei dati, intrinsecamente diverso da quello utilizzato dai computer standard.

Il corso prevede lezioni frontali ed esercitazioni in aula, utili per verificare la preparazione personale degli studenti.