Conoscenza e capacità di comprensione: comprendere i principi generali delle metodologie, delle tecniche e degli strumenti che permettono di 1) acquisire le evidenze digitali senza alterare o modificare il sistema informatico su cui si trovano 2) garantire che le prove acquisite su altro supporto siano identiche a quelle originali 3) analizzare i dati senza alterarli 4) correlare tra di loro evidenze di tipo diverso Conoscenza e capacitá di comprensione applicate: gli studenti dovranno acquisire quelle conoscenze metodologiche necessarie per applicare in casi reali le metodologie, le tecniche e gli strumenti propri dell'Informatica Forense. Autonomia di giudizio: gli studenti dovranno essere in grado di valutare quali delle metodologie, tecniche e strumenti dell'Informatica Forense appresi a lezione siano i piú adatti ad essere impiegati in un caso reale. Abilitá comunicative: gli studenti dovranno essere in grado di comunicare e spiegare i principi fondamentali dell'Informatica Forense. Capacitá di apprendere: gli studenti dovranno apprendere le conoscenze metodologiche necessarie per utilizzare anche metodologie, tecniche e strumenti non trattati nel corso, e che saranno frutto dei progressi nel campo dell'Informatica Forense.

Conoscenza e capacità di comprensione: Conoscere alcuni formalismi per la rappresentazione di modelli matematici (esprimibili anche in forma grafica) utili all’analisi dell’affidabilità e delle prestazioni di sistemi. Conoscere i principali metodi computazionali per l’analisi dei modelli (soluzione in forma chiusa, oppure soluzione con metodi di calcolo numerico, o tramite simulazione). Conoscere alcuni modelli di base e saper fare esempi di ambiti applicativi in cui tali modelli si possono efficacemente utilizzare. Capacità di applicare conoscenza e comprensione: Capacità di interpretare un modello ed i risultati ricavabili dalla sua analisi. Capacità di costruire il modello di un sistema tramite un determinato formalismo, definire gli indici di prestazione interessanti, calcolare questi ultimi utilizzando uno strumento software esistente o implementandone uno ad-hoc. Capacità di validare un modello confrontando i risultati della sua analisi con quelli calcolati tramite modelli alternativi o con misure effettuate su sistemi reali. Gli studenti dovranno raggiungere l'autonomia di giudizio rispetto al formalismo e ai metodi di analisi più adatti per affrontare un determinato problema. Dovranno saper scegliere il livello di dettaglio corretto per la descrizione del modello e degli indici di prestazione e scegliere gli strumenti software più adatti in base al formalismo e al metodo di analisi individuati. Gli studenti dovranno essere in grado di comunicare e spiegare le basi matematiche su cui si fondano i modelli e i relativi algoritmi di analisi. Dovranno inoltre essere in grado di descrivere i modelli sviluppati, giustificare le scelte fatte e illustrare l’interpretazione dei risultati ottenuti dall’analisi dei modelli. Gli studenti dovranno acquisire le conoscenze metodologiche necessarie per apprendere nuovi formalismi o metodi di analisi proposti nella letteratura scientifica e per implementare i relativi algoritmi.

Il corso ha l'obiettivo di fornire allo studente solide conoscenze dei più comuni strumenti della statistica multivariata preparare il futuro dottore in Scienze Chimiche ad affrontare il mondo del lavoro nell'ambito dell'analisi di dataset complessi o caratteristici dei normali problemi che si incontrano nei laboratori. Lo studente acquisirà capacità di senso critico, affinerà l’abilità di scegliere la miglior strategia sperimentale e di gestire problemi complessi in ambito tecnico-scientifico. Il corso ha anche lo scopo di sviluppare la capacità di apprendere autonomamente nuove tecniche di analisi multivariata. Abilità comunicative: acquisire e saper utilizzare un lessico chimico appropriato in relazione agli argomenti affrontati nel corso. Capacità di apprendimento in autonomia: lo studente sarà guidato alla soluzione di un caso studio proposto.

Sviluppare la capacità del laureando di esporre e discutere con chiarezza e padronanza un argomento di ricerca pertinente l’informatica.

Conoscenza e capacità di comprensione Il corso ha lo scopo di introdurre le nozioni fondamentali dei metodi di appendimento automatico e di apprendimento profondo come valutarli e come sviluppare i relativi sistemi. Capacità di applicare conoscenza e comprensione La conoscenza acquisita permetterà allo studente di: comprendere i concetti di bias e varianza dei modelli e come affrontare i relativi problemi (ad esempio le tecniche di regolarizzazione) comprendere i principali modelli di classificazione, regressione e di apprendimento non supervisionato, tra quelli maggiormente applicati correntemente; ottenere una comprensione dell'apprendimento profondo tale da poterlo applicare a una vasta gamma di argomenti con particolare riguardo alle applicazioni di computer vision, elaborazione di testi ed elaborazione di segnali Autonomia di giudizio: il corso consentirà allo studente di sviluppare un’autonomia di giudizio e porrà lo studente nelle condizioni di valutare le scelte maggiormente adeguate relativamente ai possibili modelli di apprendimento automatico. Abilità communicative: sulla base delle conoscenze acquisite, lo studente potrà sviluppare abilità comunicative e relazionali per poter lavorare in team alla progettazione di sistemi di apprendimento automatico e profondo e per poter evidenziare limiti e vantaggi dei vari approcci possibili. Capacita' di apprendimento: lo studio della disciplina consentirà allo studente di capire quali alternative esistono nella progettazione e programmazione di un sistema di apprendimento automatico e di poter scegliere l’approccio più adeguato al compito prefissato.

Conoscenza e capacità di comprensione Il corso ha lo scopo di introdurre le nozioni fondamentali dei metodi di appendimento automatico e di apprendimento profondo come valutarli e come sviluppare i relativi sistemi. Capacità di applicare conoscenza e comprensione La conoscenza acquisita permetterà allo studente di: comprendere i concetti di bias e varianza dei modelli e come affrontare i relativi problemi (ad esempio le tecniche di regolarizzazione) comprendere i principali modelli di classificazione, regressione e di apprendimento non supervisionato, tra quelli maggiormente applicati correntemente; ottenere una comprensione dell'apprendimento profondo tale da poterlo applicare a una vasta gamma di argomenti con particolare riguardo alle applicazioni di computer vision, elaborazione di testi ed elaborazione di segnali Autonomia di giudizio: il corso consentirà allo studente di sviluppare un’autonomia di giudizio e porrà lo studente nelle condizioni di valutare le scelte maggiormente adeguate relativamente ai possibili modelli di apprendimento automatico. Abilità communicative: sulla base delle conoscenze acquisite, lo studente potrà sviluppare abilità comunicative e relazionali per poter lavorare in team alla progettazione di sistemi di apprendimento automatico e profondo e per poter evidenziare limiti e vantaggi dei vari approcci possibili. Capacita' di apprendimento: lo studio della disciplina consentirà allo studente di capire quali alternative esistono nella progettazione e programmazione di un sistema di apprendimento automatico e di poter scegliere l’approccio più adeguato al compito prefissato.

MACHINE LEARNING Introdurre le nozioni fondamentali dei metodi di appendimento automatico, come valutarli e come sviluppare i relativi systemi. DEEP LEARNING Ottenere una comprensione dell'apprendimento profondo tale da poterlo applicare a una vasta gamma di argomenti.

Lo studente acquisisce: 1) Conoscenza e padronanza a) dei meccanismi molecolari alla base della duplicazione del DNA, della trascrizione e della traduzione in cellule eucariotiche e procariotiche e b) delle tecniche di base di biologia molecolare. 2) Abilità nell’utilizzare le conoscenze acquisite a corsi di fisiologia, di patologia generale e di altri corsi più specialistici, anche pratici, che prevedono una conoscenza a livello molecolare dei processi biologici che coinvolgono DNA, RNA e proteine. Grazie all’attività pratica, di gestire autonomamente le principali tecniche di base impiegate per l'estrazione del DNA, la sua amplificazione a mezzo PCR e la successiva analisi elettroforetica. 3) Abilità comunicative nella conoscenza ed utilizzo di un lessico appropriato in relazione agli argomenti trattati durante il corso.