Conoscenze – Conoscenza degli argomenti citati sopra, con particolare riguardo agli elementi-base della filosofia della scienza e la discussione corrente sui principali temi etici ed epistemologici della filosofia dell’intelligenza artificiale Competenze ed abilità Competenze - Essere in grado di comprendere e aggiornarsi sui temi oggetto del corso; di applicare adeguati metodi di studio e dibattito critico, di servirsi di opportuni strumenti bibliografici e altre fonti informazione, di comunicare adeguatamente nelle sedi di discussione delle tematiche trattate nei punti precedenti. Abilità - Miglioramento delle capacità critiche. Organizzazione autonoma di approfondimenti sulle tematiche trattate, apprendimento, elaborazione di giudizi autonomi, giustificati ed informati sulle tematiche sopra esposte, capacità argomentative ed espositive in ambito scritto e orale adeguate all’interlocutore, contribuire proficuamente e produttivamente alle attività di team-work interdisciplinare.

Alla fine del corso lo studente dovrebbe avere acquisito le seguenti: • Conoscenze: conoscere le motivazioni e le applicazioni principali che necessitano l’introduzione di metodi per generare numeri casuali, per simulazioni montecarlo e di ricampionamento. • Competenze ed abilità: saper valutare gli ambiti di applicazione, implementare e interpretare, in scenari simulati e reali, le metodologie viste. Saper comunicare, anche a non esperti, i risultati, i vantaggi e i limiti delle metodologie implementate. Saper estendere i concetti e le idee viste nel corso a nuovi contesti.

CONOSCENZE: Conoscere le principali metodiche di apprendimento automatico supervisionato e non supervisionato e di apprendimento profondo. conoscere le metodiche di valutazione dei modelli conoscere le caratteristiche applicative dei vari modelli COMPETENZE E ABILITA’ saper sviluppare un modello di apprendimento automatico in funzione dell’applicazione richiesta saper valutare le caratteristiche in termini di bias e varianza dei modelli sviluppato saper valutare i risultati di un sistema di apprendimento automatico secondo le metriche più adeguate saper usare ed applicare gli opportuni tool di sviluppo saper stabilire le connessioni tra argomenti trattati in parti diverse del corso, sapersi interfacciare e comunicare adeguatamente con eventuali esperti dell’applicazione di riferimento; conoscere la terminologia adeguata.

* Conoscenza e capacità di comprensione: Al termine del corso, lo studente avrà appreso i concetti avanzati sulle architetture e sui sistemi distribuiti per l’analisi dei Big Data e sullo sviluppo di applicazioni software in tale contesto. Nello specifico, lo studente sarà in grado di realizzare applicazioni distribuite e scalabili per l’elaborazione batch e di data stream, e di gestire sistemi per l’acquisizione, la memorizzazione e il processamento di Big Data anche in ambito Cloud. * Capacità di applicare conoscenza e comprensione: Al termine del corso, lo studente avrà appreso le metodologie per la progettazione e realizzazione di sistemi e applicazioni per Big Data. Nello specifico, lo studente sarà in grado di progettare e sviluppare applicazioni distribuite, scalabili, sicure ed efficienti di batch processing e di data stream processing, usando i principali framework open source per l’acquisizione, il processamento e la memorizzazione di Big Data. *Autonomia di giudizio Al termine del corso, lo studente sarà in grado di identificare autonomamente le soluzioni più idonee per realizzare sistemi e applicazioni distribuite per l’analisi dei Big Data e di valutare sia le scelte architetturali e implementative, che le prestazioni di sistemi e applicazioni per Big Data esistenti. * Abilità comunicative: Al termine del corso, lo studente avrà acquisito la padronanza della terminologia più appropriata inerente ai sistemi e alle applicazioni per l’analisi di Big Data, sarà in grado di presentare l’architettura di un sistema per Big Data con termini e linguaggio tecnico consono e di argomentare in maniera critica riguardo alle varie alternative sia a livello sistemistico che applicativo. * Capacità di apprendimento: Al termine del corso, lo studente avrà acquisito le conoscenze metodologiche per approfondire autonomamente argomenti inerenti ai sistemi e alle architetture per Big Data, e di utilizzare tali conoscenze per valutare sistemi esistenti, affrontare nuovi problemi nonché valutare vantaggi e svantaggi della scelta di linguaggi di programmazione per l’implementazione.

Raggiungimento, in grado misurato dal voto, degli obiettivi formativi. In particolare: Conoscenze: conoscenza e comprensione dei principi e delle metodologie fondamentali dei sistemi intelligenti basati sulla conoscenza, ed in perticolare di (1) sistemi basati su regole logiche, ontologie e knowledge graphs, (2), sistemi multi-agente, (3) sistemi per la pianificazione e per la diagnosi, (4) sistemi per il trattamento del linguaggio naturale Competenze e abilità: dati problemi reali, capacità (i) di valutare l’adeguatezza dei sistemi e delle metodologie studiate per andare a risolverli e (ii) di selezionare ed applicare a tali problemi i sistemi e le metodologie più opportune.

Gli studenti devono aver acquisito le seguenti conoscenze: - conoscenza degli strumenti metodologici e formali per progettare le strutture logiche e fisiche di una base di dati relazionale - conoscenza del linguaggio SQL - conoscenza delle tecniche per reperire e riconciliare i dati operazionali - conoscenza generale dei linguaggi di query OLAP - conoscenza a capacità di gestione di modelli e tecniche per l'implementazione del conceptual multidimensional data model in ambito relazionale - conoscenza dei principi fondanti dei database NoSQL. - conoscenza dei principi di progettazione in ambito NoSQL e capacità di valutazione delle scelte progettuali. Gli studenti devono aver acquisito competenze ed abilità: - progettare una base di dati relazionale - utilizzo del linguaggio SQL - capacità di formulare query OLAP - progettare e interrogare database NO-SQL

Conoscenza: i concetti dei principali processi aziendali che stanno alla base delle logiche sottostanti la formazione di un bilancio d’esercizio. Competenze/abilità • analizzare criticamente, sebbene in modo basico, i principali processi aziendali; comprendere le logiche sottostanti la formazione di un bilancio d’esercizio. • comprendere e saper leggere criticamente il bilancio. • saper valutare autonomamente quando le metodologie sono applicabili • saper comunicare anche a non esperti i risultati, i vantaggi e i limiti delle metodologie implementate • saper estendere i concetti e le idee viste nel corso a nuovi contesti.

CONOSCENZE: Conoscere le caratteristiche principali e l’architettura di un agente intelligente e basato su conoscenza. Conoscere i principali algoritmi di ricerca nello spazio degli stati usati nell' IA Saper rappresentare conoscenza in sistemi intelligenti anche in presenza di incertezza, Conoscere gli algoritmi di inferenza tipici dei sistemi intelligenti moderni. Saper modellare ed analizzare processi decisionali one-shot e sequenziali tramite modelli grafico-probabilistici COMPETENZE E ABILITA’: essere in grado di: comprendere il ruolo dei diversi moduli di un architettura di agente intelligente; progettare agenti o moduli di agenti in grado di risolvere problemi in spazi degli stati, di risolvere problemi sulla base di esperienze precedenti, di risolvere problemi in presenza di incertezza, di suggerire decisioni (anche di tipo sequenziale ) adeguate in presenza di incertezza. saper stabilire le connessioni tra argomenti trattati in parti diverse del corso, sapersi interfacciare e comunicare adeguatamente con eventuali esperti dell’applicazione di dominio; conoscere la terminologia adeguata.

Conoscenze – Conoscenza degli argomenti indicati, con particolare riguardo all’epistemologia, ermeneutica ed estetica giuridica, teoria dei media, sentiment analysis, robotica sociale. Sviluppo di un’autonoma capacità critica in ciascuno die campi indicati. Competenze ed abilità Competenze – Sviluppo di competenze critiche nell’uso dei social network, rimozione dei pregiudizi nei confronti dell’interazione uomo- robot e della sentiment analysis, elaborazione di capacità di base in ciascuno degli ambiti indicati. Sviluppo di ricerca autonoma sulle fonti e di comunicazione adeguata in contesti scientifici e mediatici su questi temi. Abilità – Sviluppo di una competenza di base nell’analisi dell’interazione sociale e del rapporto uomo-macchina, capacità di individuare i problemi giuridici nascosti nell’adozione di tecnologie innovative, miglioramento della capacità di comunicazione efficace in un contesto di progettazione e programmazione interdisciplinare con esperti di sapere diverso dal proprio.

Conoscenze: Conoscenze teoriche: conoscenza delle basi teorico/pratiche delle più moderne tecniche di data mining (pattern recognition, classificazione, regressione, metodi non lineari) ed una buona conoscenza delle moderne tecniche di deep learning. Conoscenze pratiche: conoscenza dei principali strumenti software per il data mining e di come risolvere un caso studio e presentarlo. Competenze ed abilità: Applicazione delle tecniche acquisite: saper applicare mediante software dedicato le tecniche di analisi dati viste a lezione per la soluzione verticale di casi studio proposti. Valutazione: saper confrontare criticamente diversi metodi e modelli. Saper scegliere l’approccio più adatto alla soluzione di un caso di studio proposto. Esposizione: essere in grado di redigere un report tecnico-scientifico sull’analisi di dati, utilizzando un lessico appropriato in relazione agli argomenti affrontati nel corso. Apprendimento: capacità di utilizzare il materiale di studio in autonomia al fine di acquisire le competenze utili a risolvere nuovi casi di studio proposti.

Conoscenze Dopo aver sostenuto l'esame, gli studenti conosceranno: - I meccanismi di rappresentazione dei dati; - I criteri di dimensionamento dello spazio necessario per la memorizzazione dei dati; - I principali componenti di un computer e le loro interazioni; - Le caratteristiche dei processori: dalle CPU a bordo dei sistemi integrati, alle CPU multi-core, alle GPU; - I diversi tipi di supporti di memorizzazione e la loro classificazione in base alle caratteristiche; - I diversi tipi di sistemi di calcolo, da quelli integrati e indossabili ai supercomputer; - La distinzione tra Hardware e Software e la distinzione tra Hardware, Firmware, Sistema Operativo e Applicazioni, secondo una struttura a strati delle architetture informatiche; Macchine virtuali; - I diversi tipi di applicazioni e servizi (accessibili anche in rete). - I diversi tipi di licenze software; - Le caratteristiche dei vari protocolli di comunicazione; - I criteri di dimensionamento dei dispositivi (anche in base alla capacità di memorizzazione) e la loro potenza di trasmissione; - I principali componenti necessari per consentire la connessione alla rete di un PC, di un dispositivo mobile o di un sensore IoT; - I componenti caratteristici dei dispositivi mobili e dei sensori IoT; - L'interfacciamento dei dispositivi IoT con le applicazioni mobili e da queste ai sistemi cloud; - La differenza tra requisiti funzionali e non funzionali - La modellazione di un modello concettuale - La modellazione dei casi d'uso del sistema - I requisiti di sicurezza, gli attacchi e la loro classificazione, i cookie e la tracciabilità; - Principi generali di sicurezza e crittografia; - Organizzazione, procedure, gestione degli incidenti; - Algoritmi e protocolli crittografici e loro utilizzo per ottenere i requisiti di sicurezza; - Protocolli di controllo degli accessi e di autenticazione; - Protocolli HTTPS e TLS; - Introduzione ai firewall e ad altri dispositivi di sicurezza di rete e importanza degli aspetti organizzativi in questo ambito. Competenze Gli studenti acquisiranno familiarità con le tecnologie digitali, anche per la comunicazione di rete, rispetto alle potenzialità che esse hanno per risolvere problemi specifici. Inoltre, acquisiranno consapevolezza dei rischi di sicurezza e familiarità con i meccanismi di protezione, hardware, software e organizzativi. In particolare saranno in grado di: - identificare le fonti dei dati e i problemi della loro acquisizione, codifica e archiviazione; in generale, determinare la quantità di dati da elaborare, in relazione al contesto applicativo; - determinare il tipo di elaborazione a cui i dati devono essere sottoposti per valutare la potenza di calcolo necessaria per ottenere tempi di elaborazione adeguati allo specifico contesto applicativo; - individuare i protocolli e il tipo di dispositivo più adatti allo scenario in questione; - comprendere quali sono i passi fondamentali della definizione dei requisiti di un sistema - comprendere i requisiti fondamentali di sicurezza del proprio ambiente applicativo, avendo ben chiari i possibili rischi; - mettere in relazione i vari strumenti crittografici con i requisiti di sicurezza ed efficienza che essi garantiscono. In particolare: - caratteristiche e funzionamento della firma digitale; - gli strumenti adatti per la segretezza e la privacy; - meccanismi per l'identificazione sicura degli utenti e per il controllo degli accessi; - interagire con esperti nello sviluppo di architetture software e nel dimensionamento dell'hardware per soddisfare i requisiti di efficienza, affidabilità e scalabilità posti dal problema specifico, anche in vista di un'evoluzione futura; - interagire con esperti di sicurezza per determinare insieme gli strumenti migliori da utilizzare nel contesto specifico; - aggiornare le proprie conoscenze sulle tecnologie disponibili, nell'ottica di una continua ricerca della soluzione più efficace alle sfide poste dal proprio ambiente applicativo.

Raggiungimento, in grado misurato dal voto, degli obiettivi formativi. In particolare: Conoscenze relative ai formalismi di rappresentazione della conoscenza dichiarativa basati sulla logica, e ai metodi di ragionamento automatico su tale conoscenza Competenze ed abilità: capacità di giudicare l’adeguatezza dei diversi formalismi e metodi a problemi reali, di realizzarne l’applicazione, illustrando la soluzione a livello tecnico e non.