Artificial Intelligence And Digital Innovation

Academic program

×
Print
Course
SCIENZA DELLE RETI E INFORMATION RETRIEVAL
Course ID
MF0744
Academic Year
2024/2025
Year of rule
2023/2024
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
Tecnologico-Informatico
Teaching leader
RUFFO Giancarlo Francesco
Teachers
Ruffo Giancarlo Francesco
CFU
6.0
Teaching duration (hours)
48.0
Individual study time
102.0
SSD
INF/01 - INFORMATICA
Course type
Attività formativa monodisciplinare
Course mandatoriety
OPZ
Course category
C
Year
2
Period
Secondo Semestre
Site
ALESSANDRIA
Grading type
V
Lingua insegnamento/Teaching language
ITALIANO
Italian
Contenuti/Content Summary
"Introduzione agli algoritmi principali e alle strutture dati per il recupero dei documenti, facenti parte di una collezione di grandi dimensioni, che soddisfano un determinato bisogno informativo. 
Introduzione ai modelli e alle tecniche analitiche principali di scienza delle reti, disciplina che consente di studiare un sistema complesso rappresentato nei termini di una rete (come una rete sociale, una rete di comunicazione, una rete di contatto, etc.)"
"Introduction to the main algorithms and data structures for the retrieval, within a large collection, of the documents that satisfy an information need. 
Introduction to the main network science models and data driven analytical tools. Network science is a discipline that allows to study a complex system represented by means of a network (like a social network, a communication network, a contact network, and so on)."
Testi di riferimento/Textbooks
"[ir] C. D. Manning, P. Raghavan and H. Schütze, Introduction to Information Retrieval, Cambridge University Press. 2008

[ns] F. Menczer, S. Fortunato & C. Davis, A First Course in Network Science, Cambridge University Press. 2020

Materiale addizionale fornito dal docente"
"[ir] C. D. Manning, P. Raghavan and H. Schütze, Introduction to Information Retrieval, Cambridge University Press. 2008

[ns] F. Menczer, S. Fortunato & C. Davis, A First Course in Network Science, Cambridge University Press. 2020

Additional material provided by the teacher"
Obiettivi formativi/Mission
"Lo scopo del corso è triplice. In primo luogo, studenti e studentesse impareranno cos’è un sistema di information retrieval (IR), quali sono le tecniche di base per progettare un sistema di IR efficiente e scalabile su grandi collezioni di documenti, le applicazioni principali (ad esempio, come costruire un motore di ricerca sul Web) e le direzioni future. 
In secondo luogo, impareranno i principi fondamentali della scienza delle reti (NS), incluse le tecniche di analisi delle reti complesse, i modelli di base per studiare le dinamiche di rete (es., contagio sociale, fenomeni virali, diffusione di epidemie, etc.).
Infine, verrà spiegato come la scienza delle reti possa servire a progettare i moderni sistemi di information retrieval."
"The purpose of the course is threefold. First, students will learn what an information retrieval (IR) system is, what are the basic techniques for designing an efficient and scalable IR system on large collections of documents, the main applications (for example, how to build a web search engine) and future directions.
Secondly, they will learn the fundamental principles of network science (NS), including the analysis of complex networks, the basic models for studying network dynamics (e.g., social contagion, viral phenomena, spread of epidemics, etc.).
Finally, it will be explained how network science can be used to design modern information retrieval systems."
Prerequisiti/Required background knowledge
Corsi avanzati di programmazione ed algoritmi; basi di algebra lineare, calcolo delle probabilità e statistica.
Advanced courses on Computer Programming and Algorithms; basics on linear algebra, probability theory and statistics.
Metodi didattici/Teaching methods
"Lezioni che introducono i concetti teorici ed esercitazioni in laboratorio che li applicano. 

Nelle lezioni si affrontano gli argomenti di teoria tramite presentazioni diapositive, con esempi e alcune domande per verificare l’apprendimento degli studenti. 

Nelle esercitazioni in laboratorio gli studenti sono guidati nella realizzazione di semplici progetti volti a mettere in pratica le conoscenze teoriche acquisite."
"Lectures that introduce theoretical concepts and laboratory exercises that apply them. 

In the lessons, theoretical topics are addressed through slide presentations, with examples and some questions to verify students' learning. 

In laboratory exercises, students are guided in the implementation of simple projects aimed at putting into practice the theoretical knowledge acquired."
Altre informazioni/Further information
Monitoraggio del processo di apprendimento: durante l’insegnamento gli studenti interagiranno con il docente per la soluzione di esercizi e di compiti di laboratorio
Monitoring the learning process: during the course the students will interact with the teacher to solve exercises and lab assignments.
Modalità di verifica dell'apprendimento/Assessment methods
"L'esame consta di tre parti: (a) la presentazione di un approfondimento a piacere, (b) la discussione di un progetto implementativo a scelta, (c) domande sparse sul programma. L'esame completo di tutte le sue parti si svolge in un unico giorno. È possibile preparare la presentazione ed il progetto in gruppo (di 2/3 persone al massimo).
Se la presentazione approfondisce un argomento del modulo di information retrieval, allora il progetto deve risolvere un problema pratico di network science - oppure viceversa. Una lista di fonti e di argomenti che possono essere scelti sarà fornita dal docente durante il corso.
Il voto sarà espresso in trentesimi e rappresenterà la sintesi della valutazione delle tre parti di cui sopra."
"The exam consists of three parts: (a) the presentation of an in-depth study of your choice, (b) the discussion of an implementation project of your choice, (c) scattered questions about the program. The complete examination of all its parts takes place in a single day. It is possible to prepare the presentation and the project in a group (of 2/3 students maximum).
If the presentation delves into a topic in the information retrieval module, then the project must solve a practical network science problem - or vice versa. A list of sources and topics that can be chosen will be provided by the teacher during the course.
The vote will be expressed out of thirty and will represent the summary of the evaluation of the three parts mentioned above."
Programma esteso/Content
"Information Retrieval: 
liste di posting. 
Costruzione e compressione degli indici. 
Modello a spazi vettoriali. 
Valori di rilevanza. 
Valutazione di un sistema di information retrieval. 
Classificazione di testo. 
Tecniche di clustering. 
Basi di ricerca su Web. 
Crawling ed indicizzazione su Web. 
Analisi basata sui collegamenti.

 Word e document embedding. Scienza delle Reti: 
introduzione alla teoria dei grafi; 
fenomeno dei piccoli mondi; 
hub; 
reti;
dirette e non dirette; 
modelli di rete; 
individuazione di comunità; 
reti dinamiche."
"Information Retrieval: 
Postings lists; 
Index construction and compression; 
Vector space model. Relevance scores; Evaluation of information retrieval systems;
Text classification;
Clustering techniques; 
Web search basics;
Web crawling and indexes;
Link analysis.

Word and Document embedding. Network Science: 
Introduction to networks Graph Theory;
Small worlds;
Hubs;
Directed and Weighted networks;
Network models;
Community detection;
Network Dynamics."
Risultati di apprendimento attesi/Intended learning objectives
"Conoscenza e comprensione: algoritmi e strutture dati di base per information retrieval e per analisi di reti complesse 
Conoscenza applicata e comprensione: gli studenti saranno in grado di implementare ed usare un sistema di information retrieval di base e allo stesso modo sapranno analizzare dati presentati sotto forma di una rete, usando strumenti di pubblico dominio
Effettuare valutazioni: gli studenti saranno in grado di esprimere in maniera autonoma una valutazione sulle tecniche più idonee per risolvere un generico problema di information retrieval e di scienza delle reti
Capacità comunicative: Gli studenti impareranno a comunicare ed a giustificare l’uso delle tecniche più appropriate per la soluzione di un dato problema
Capacità di apprendimento: gli studenti saranno in grado di apprendere in modo autonomo come raffinare le tecniche di base che impareranno durante il corso e a come usare al meglio gli strumenti disponibili"
"Knowledge and understanding: basic algorithms and data structures for Information Retrieval and Complex Networks Analysis.
Applying knowledge and understanding: students will be able to build and use a basic information retrieval system, as well as analyzing networked data, using available open source tools.
Making judgements: students will be able to autonomously evaluate the best techniques to solve information retrieval and network science problems. 
Communication skills: students will learn to communicate and justify the use of the appropriate technique for a given problem. 
Learning skills: students will be able to autonomously learn how to refine basic techniques and how to best use the available tools."
×
Print
Course
CYBERSECURITY E INFORMATICA FORENSE
Course ID
MF0654
Academic Year
2024/2025
Year of rule
2023/2024
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
Tecnologico-Informatico
Teaching leader
ANGLANO Cosimo Filomeno
Teachers
Anglano Cosimo Filomeno
CFU
9.0
Teaching duration (hours)
72.0
Individual study time
153.0
SSD
INF/01 - INFORMATICA
Course type
Attività formativa monodisciplinare
Course mandatoriety
OPZ
Course category
C
Year
2
Period
Primo Semestre
Site
ALESSANDRIA
Grading type
V
Lingua insegnamento/Teaching language
ITALIANO
Italian
Contenuti/Content Summary
Il corso esplora la disciplina della sicurezza informatica da due prospettive complementari. La prima é relativa alle metodologie e alle tecniche per la verifica della sicurezza dei sistemi informatici, e alla loro messa in sicurezza. La seconda è relativa alle procedure di risposta agli incidenti di sicurezza dopo che gli stessi si sono verificati. Per quanto riguarda la prima prospettiva, saranno trattate le vulnerabilità software dei sistemi informatici, al fine di acquisire le nozioni necessarie che forniscono la base metodologica per lo sviluppo delle metodologie impiegate per l'individuazione delle vulnerabilità eventualmente presenti in un sistema informatico. Saranno quindi trattate le metodologie di "vulnerability assessment" e di "penetration testing" che consentono di verificare il livello di sicurezza di un sistema informatico. Successivamente, partendo dal presupposto che, malgrado l'adozione di misure di sicurezza, un sistema informatico può comunque essere violato (ad esempio, in conseguenza a misure inadeguate e/o erroneamente implementate e/o divenute obsolete), saranno trattate le metodologie utilizzate per rispondere correttamente a un incidente di sicurezza ("Incident Response") e per ricostruire gli eventi che hanno caratterizzato tali incidenti ("Digital Forensics").
The course explores the discipline of cyber security from two complementary perspectives. The first one is related to methodologies and techniques for the verification of the security level attained by a computer systems, and for achieving a suitable security level. The second one relates to incident response procedures after the occurrence of a security incident. Regarding the first perspective, software vulnerabilities will be addressed in order to acquire the necessary knowledge providing the methodological basis for the development of the techniques that are used for identifying any vulnerabilities that may be present in a computing system. In particular, of "vulnerability assessment" and "penetration testing" will be dealt with. Subsequently, assuming that, despite the adoption of measures of security, a computer system can still be hacked (for example, as a result of inadequate and/or erroneously implemented and/or become obsolete security measures), the methodologies used to correctly respond to security incidents to reconstruct the events that characterized such incidents ("Digital Forensics") will be covered.
Testi di riferimento/Textbooks
1) W.Du, Computer Security: A Hands-on Approach, 3rd Edition, ISBN: 978-17330039-5-7 2) G. Johansen, Digital Forensics and Incident Response 3rd edition, Pack Publishing, 2022, ISBN 978-1803238678 3) A. Arnes, Digital Forensics, Wiley, 2017, ISBN 978-1119262381
1) W.Du, Computer Security: A Hands-on Approach, 3rd Edition, ISBN: 978-17330039-5-7 2) G. Johansen, Digital Forensics and Incident Response 3rd edition, Pack Publishing, 2022, ISBN 978-1803238678 3) A. Arnes, Digital Forensics, Wiley, 2017, ISBN 978-1119262381
Obiettivi formativi/Mission
Conoscere: • i principi della sicurezza informatica dei sistemi e delle applicazioni software • le metodologie e le tecniche di attacco informatico basate sulle relative vulnerabilità • le contromisure che é possibile predisporre per proteggersi da tali attacchi • le metodologie e le tecniche di penetration testing basate sugli attacchi in questione • le metodologie e le tecniche per la gestione di un incidente informatico • i principi generali delle metodologie, delle tecniche e degli strumenti che permettono, in caso di incidente informatico, 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 Saper: • Descrivere i requisiti di sicurezza di un sistema. Spiegare le principali vulnerabilitá dei sistemi software, i relativi attacchi e le possibili contromisure. • Sviluppare codice in grado di sfruttare le vulnerabilitá software per compromettere la sicurezza di un sistema. • Spiegare le principali vulnerabilitá dei sistemi web, i relativi attacchi e le possibili contromisure. • Spiegare le principali vulnerabilitá dei sistemi operativi per smartphone, i relativi attacchi e le possibili contromisure. • Spiegare le metodologie di penetration testing, e in particolare di tutti i passaggi che esse comportano.
Know: • the principles of IT security of software systems and applications • cyber attack methodologies and techniques based on related vulnerabilities • the countermeasures that can be set up to protect against such attacks • the methodologies and penetration testing techniques based on the attacks in question • the methodologies and techniques for managing a computer incident • the general principles of the methodologies, techniques and tools that allow, in the event of a computer incident, to 1) acquire digital evidence without altering or modifying the computer system on which they are located 2) ensure that the evidence acquired on another medium is identical to the original ones 3) analyze the data without altering them 4) correlate evidence of different types Be able to: • Describe the security requirements of a system. • Explain the main vulnerabilities of software systems, related attacks and possible countermeasures. • Develop code that exploits software vulnerabilities to compromise the security of a system. • Explain the main vulnerabilities of web systems, related attacks and possible countermeasures. • Explain the main vulnerabilities of smartphone operating systems, related attacks and possible countermeasures. • Explain the methodologies of penetration testing, and in particular of all the steps that they involve.
Prerequisiti/Required background knowledge
Conoscenza approfondita della teoria e del funzionamento delle architetture dei sistemi di elaborazione, dei sistemi operativi, delle reti di comunicazione, e della programmazione in linguaggio C.
In-depth knowledge of the theory and operation of computer system architectures, operating systems, communication networks, and C language programming.
Metodi didattici/Teaching methods
Lezioni in aula nelle quali vengono esposte le nozioni fondamentali, corredate di esempi. Saranno anche svolte in laboratorio alcune esercitazioni con le quali saranno applicate, a casi di studio semplificati rispetto ai sistemi reali, le diverse tecniche esposte durante le lezioni. Sulla piattaforma DIR sono indicati i libri di testo suggeriti ed è a disposizione degli studenti del materiale, che ricalca gli argomenti trattati a lezione, risultando di aiuto anche per chi non fosse stato presente.
Lectures in which the fundamental notions are exposed, accompanied by examples. Some exercises will also be carried out in the laboratory with which they will be applied, to simplified case studies compared to real systems, the different techniques exposed during the lessons. The suggested textbooks are indicated on the DIR platform and are available of the students of the material, which follows the topics treated in class, being of help even for those who were not present.
Modalità di verifica dell'apprendimento/Assessment methods
L'esame si svolge in forma scritta, e consiste in un insieme di domande (sia aperte, sia chiuse) sugli argomenti trattati nel corso. Saranno presenti domande sia di natura teorico-metodologica, sia di natura applicativa. Gli esami si svolgeranno, ove possibile, mediante l'uso di piattaforme informatiche. Le valutazioni saranno formulate mediante voti espressi in trentesimi, e saranno determinate mediante la valutazione dei seguenti parametri: a) correttezza e completezza delle risposte fornite alle domande di cui si compone l'esame b) capacità di organizzare discorsivamente la conoscenza inerente le risposte formulate per le domande di natura teorico-metodologica, nonché la capacità di ragionamento critico che é necessaria applicare nella formulazione delle risposte a talune domande c) capacità di applicare correttamente concetti di natura teorico-metodologica alla formulazione delle risposte alle domande di natura applicativa d) qualità dell'esposizione e) competenza nell'impiego del lessico specialistico. Durante la prova d'esame non sarà consentita la consultazione di libri di testo, dispense del docente, e altro materiale didattico. I risultati delle prove scritte saranno comunicati mediante l'invio di un messaggio sulla piattaforma DIR.
The exam takes place in written form, and consists of a set of questions (both open and closed) on the topics covered in the course. There will be questions both of a theoretical-methodological nature and of an applicative nature. The exams will take place, where possible, through the use of IT platforms. The evaluations will be formulated by means of marks expressed out of thirty, and will be determined by evaluating the following parameters: a) correctness and completeness of the answers given to the questions making up the exam b) ability to discursively organize the knowledge inherent in the answers formulated for the questions of a theoretical-methodological nature, as well as the capacity for critical reasoning that is necessary to apply in the formulation of the answers to certain questions c) ability to correctly apply theoretical-methodological concepts to the formulation of answers to applicative questions d) quality of the exposure e) competence in the use of the specialized vocabulary. During the exam, the consultation of textbooks, teacher's handouts and other teaching material will not be allowed. The results of the written tests will be communicated by sending a message on the DIR platform.
Programma esteso/Content
1. Software Security: Vulnerabilities, Attacks, and Countermeasures. 1.1 Buffer Overflow vulnerability and attack 1.2 Return-to-libc attack 1.3 Format String vulnerability and attack 2. Web Security: Vulnerabilities, Attacks, and Coutermeasures 2.1 Same Origin Policy 2.2 Cross-Site Scripting Attack 2.3 Cross-Site Request Forgerty Attack 2.4 SQL-Injection Attack 2.5 Click-Jacking Attack 3. Vulnerability assessment e penetration testing 4. Incident Response: methodologies, techniques, and tools. 5. Digital Forensics 5.1 Digital Evidence: properties and acquisition techniques 5.1: Acquisition of evidence from computers, mobile devices, network devices 5.2: Analysis of digital evidence
1. Software Security: Vulnerabilities, Attacks, and Countermeasures. 1.1 Buffer Overflow vulnerability and attack 1.2 Return-to-libc attack 1.3 Format String vulnerability and attack 2. Web Security: Vulnerabilities, Attacks, and Coutermeasures 2.1 Same Origin Policy 2.2 Cross-Site Scripting Attack 2.3 Cross-Site Request Forgerty Attack 2.4 SQL-Injection Attack 2.5 Click-Jacking Attack 3. Vulnerability assessment e penetration testing 4. Incident Response: methodologies, techniques, and tools. 5. Digital Forensics 5.1 Digital Evidence: properties and acquisition techniques 5.1: Acquisition of evidence from computers, mobile devices, network devices 5.2: Analysis of digital evidence
Risultati di apprendimento attesi/Intended learning objectives
Conoscenza e capacità di comprensione: familiarità con: • i principi della sicurezza informatica dei sistemi e delle applicazioni software • le metodologie e le tecniche di attacco informatico basate sulle relative vulnerabilità • le contromisure che é possibile predisporre per proteggersi da tali attacchi • le metodologie e le tecniche di penetration testing basate sugli attacchi in questione • le metodologie e le tecniche per la gestione di un incidente informatico • i principi generali delle metodologie, delle tecniche e degli strumenti che permettono, in caso di incidente informatico, 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 Capacità di applicare conoscenza e comprensione: Sapere: • identificare le vulnerabilità presenti sul sistema • applicare le metodologie di penetration testing al fine di valutare il livello di sicurezza dei sistemi e delle relative applicazioni, proponendo di conseguenza le opportune contromisure • individuare evidenze che consentano di determinare se e come un sistema informatico sia stato compromesso in seguito a un attacco che abbia avuto successo • applicare le metodologie necessarie per gestire l’incidente informatico mediante la raccolta, l’analisi e l’interpretazione dei dati necessari per determinare le modalità di attacco, e le relative responsabilità, rendendo tali dati idonei ad essere utilizzati in un giudizio civile o penale. Autonomia di giudizio: Analizzare e valutare autonomamente il livello di sicurezza di un sistema informatico, e se tale sistema sia stato compromesso in seguito a un attacco informatico. Valutare quali delle metodologie, tecniche e strumenti per la gestione di un incidente appresi a lezione siano i piú adatti ad essere impiegati in un caso reale. Abilità comunicative: Essere in grado di comunicare e spiegare, utilizzando la terminologia formale specifica alle tematiche trattate nel corso, gli aspetti legati alla sicurezza di un sistema di elaborazione, le contromisure da adottare per evitare incidenti di sicurezza, l'impatto di un incidente nel caso in cui si verifichi, le procedure necessarie per riportate in sicurezza il sistema e per ricostruire gli eventi chesi sono verificati durante un incidente. Capacità di apprendimento; Essere in grado di intraprendere con profitto studi successivi relativi alla cyber security e all'informatica forense.
Knowledge and understanding: Be familiar with: • the principles of IT security of systems and software applications • IT attack methodologies and techniques based on related vulnerabilities • the countermeasures that can be implemented to protect against such attacks • penetration testing methodologies and techniques based on the attacks in question • methodologies and techniques for managing an IT incident • the general principles of the methodologies, techniques and tools which allow, in the event of an IT incident, to 1) acquire digital evidence without altering or modifying the IT system on which it is located 2) guaranteeing that the evidence acquired on another medium is identical to the original ones 3) analyze the data without altering them 4) correlate evidence of different types Ability to apply knowledge and understanding: Know how to: • identify vulnerabilities present on the system • apply penetration testing methodologies in order to assess the security level of systems and related applications, consequently proposing the appropriate countermeasures • identify evidence that makes it possible to determine if and how a computer system has been compromised following a successful attack • apply the methodologies necessary to manage the IT incident through the collection, analysis and interpretation of the data necessary to determine the methods of attack, and the related responsibilities, making such data suitable for being used in civil or criminal proceedings . Making judgments: Independently analyze and evaluate the security level of a computer system, and whether this system has been compromised following a computer attack. Evaluate which of the methodologies, techniques and tools for managing an incident learned in class are the most suitable for use in a real case. Communication skills: Be able to communicate and explain, using the formal terminology specific to the topics covered in the course, the security aspects of a computer system, the countermeasures to be taken to avoid security incidents, the impact of an accident should it occur, the procedures necessary to bring the system back to safety and to reconstruct the events that occurred during an accident. Learning ability; Be able to profitably undertake subsequent studies related to cyber security and computer forensics.
×
Print
Course
VALUTAZIONE DELLE PRESTAZIONI E SIMULAZIONE
Course ID
MF0647
Academic Year
2024/2025
Year of rule
2023/2024
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
Tecnologico-Informatico
Teaching leader
FRANCESCHINIS Giuliana Annamaria
Teachers
Franceschinis Giuliana Annamaria, Cerotti Davide
CFU
9.0
Teaching duration (hours)
72.0
Individual study time
153.0
SSD
INF/01 - INFORMATICA
Course type
Attività formativa monodisciplinare
Course mandatoriety
OPZ
Course category
C
Year
2
Period
Primo Semestre
Site
ALESSANDRIA
Grading type
V
Lingua insegnamento/Teaching language
ITALIANO
Italian
Contenuti/Content Summary
Il corso definisce una serie di requisiti non funzionali che caratterizzano vari tipi di sistemi con particolare attenzione ai sistemi di calcolo e alle reti di calcolatori. Vengono presentati alcuni modelli matematici e metodi di analisi per la valutazione di prestazioni e affidabilità a partire dai modelli, utilizzabili in fase di progettazione o in momenti successivi quando il sistema oggetto di studio è operativo. Il corso prevede la sperimentazione di alcuni pacchetti software per la creazione di modelli di sistemi e la loro analisi con metodi analitici, numerici o simulativi. Vengono inoltre evidenziati possibili collegamenti con modelli usati nell’ambito dell’Intelligenza Artificiale, in particolare i modelli grafico probabilistici.
The course focuses on some non functional requirements that must be considered when designing systems, in particular computing systems and computer networks. Some mathematical models are presented allowing one to describe and analyze the performance and dependability of systems. Models can be built and analyzed either in early design phases, or later when the system under study is operational. The course also includes practical exercises using software packages supporting the design of system models and their analysis through analytical or numerical methods or simulation. Some connections are also highlighted with models from the field of Artificial Intelligence, in particular Probabilistic Graphical Models.
Testi di riferimento/Textbooks
J. Banks, J. S. Carson II, B. L. Nelson, David M. Nicol, Discrete-Event System Simulation , Fifth edition, Pearson Education 2010 K. Trivedi, A. Bobbio, "Reliability and Availability: Modeling, Analysis and Applications" - Cambridge University Press, 2017 Dispense o articoli scientifici scaricabili da DIR
J. Banks, J. S. Carson II, B. L. Nelson, David M. Nicol, Discrete-Event System Simulation , Fifth edition, Pearson Education 2010 K. Trivedi, A. Bobbio, "Reliability and Availability: Modeling, Analysis and Applications" - Cambridge University Press, 2017 Lecture notes or scientific publications to be downloaded from DIR
Obiettivi formativi/Mission
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 e le studentesse 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 e le studentesse 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 e le studentesse dovranno acquisire le conoscenze metodologiche necessarie per apprendere nuovi formalismi o metodi di analisi proposti nella letteratura scientifica e per implementare i relativi algoritmi.
Knowledge and understanding: know and understand: (a) some formalisms for the representation of mathematical models (which may also have a graphical representation) that can be used to study system dependability and performance properties; (b) the main computational methods for model analysis (closed form solution, numerical solution, or simulation); (c) some basic models and be able to discuss examples of application of such models. Apply knowledge and understanding: Have the ability to: (a) provide an interpretation of a model expressed in a known formalism, and of the results that can be obtained by analyzing it; (b) build the model of a system using a given formalism and define its performance/reliability indices of interest; (c) compute the indices using an existing software tool or building a new ad-hoc software analysis tool. (d) validate a model comparing the analysis results again those obtained from alternative models or measured on a real system.The students will achieve autonomy in judgement about what is the most appropriate formalism and analysis method to face a given problem. Will be able to choose the most appropriate detail level in describing the model and its performance indices, and choose the software tools that better support the chosen formalism and analysis method. Finally students shall be able to communicate and explain the mathematical basis on which the models and corresponding analysis algorithms have been developed. Moreover they will be able to describe the models they have built, justify the choices made in building the model and present an interpretation of the results of model analysis. The student shall acquire the methodological knowledge to learn new formalisms and analysis methods published in the scientific literature.
Prerequisiti/Required background knowledge
Corso di base in probabilità e statistica
Basic course in probability and statistics
Metodi didattici/Teaching methods
Lezioni frontali, esercitazioni in aula e in laboratorio anche tramite diversi pacchetti software per la progettazione, simulazione e soluzione di modelli. Vengono assegnati esercizi o approfondimenti su letteratura scientifica da svolgere in autonomia.
Class lectures, exercises in class and in laboratory, in particular using a few software tools for the design, simulation and solution of models. Homework are assigned consisting in practical exercises and/or autonomous study of research papers.
Altre informazioni/Further information
Sulla piattaforma DIR sono disponibili: la copia elettronica delle slide utilizzate a lezione, esempi di testi d’esame, quiz di autovalutazione, informazioni generali sul corso e avvisi relativi allo svolgimento del corso e sugli esami. A complemento dei testi di riferimento vengono indicati articoli scientifici in lingua inglese per approfondire alcuni argomenti trattati durante il corso. Le studentesse e gli studenti con disabilità o con Disturbi Specifici dell’Apprendimento (DSA) o con Bisogni Educativi Speciali (BES) possono richiedere servizi e strumenti specifici a loro dedicati, rivolgendosi allo "Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti" e consultando la pagina dedicata del sito di Ateneo: https://uniupo.it/it/servizi/servizi-studenti-disabili-e-dsa. Le studentesse e gli studenti con disabilità, DSA, BES, una volta preso contatto con lo Staff di Ateneo, possono contattare la/il docente titolare dell'insegnamento in relazione alla declinazione delle modalità di esame, in merito agli aspetti didattici.
It is possible to download electronic copy of all slides of the lectures, perform self-assessment tests, read general information on the course and news about the lectures and the exam organization on the e-learning platform DIR. Besides the reference textbooks some scientific publications in English are proposed, to study in more detail some of the topics presented during the course. Students with physical disabilities, Learning Disabilities or Special Education Needs can request specific services and tools via the "Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti", consulting the University webpage: https://www.uniupo.it/en/services/services-students-physical-or-learning-disabilities. Students with disabilities, learning disabilities or special education needs, once they have contacted the University Staff, can refer to the tutor in charge of the course to define the examination modalities, concerning academic aspects.
Modalità di verifica dell'apprendimento/Assessment methods
La verifica dell'apprendimento viene effettuata mediante compiti scritti o colloqui orali svolti dopo la fine del corso che comprenderanno circa cinque domande (che possono essere articolate in più punti ed includere lo svolgimento di esercizi) sugli argomenti trattati nel corso. L’esame comprende anche una seconda parte (obbligatoria) che consiste o nello svolgimento in autonomia di un esercizio pratico di modellazione di un caso di studio e relativa analisi tramite strumenti software disponibili o codice sviluppato dallo studente, o in alternativa l’approfondimento in autonomia di un argomento teorico. In entrambi i casi è previsto un colloquio finale di verifica. Nella valutazione finale viene dato maggior peso alla parte teorica: il voto della parte teorica può essere incrementato sulla base della qualità del lavoro svolto nella parte pratica.
The achievement of learning outcomes is evaluated through a written or oral examination after the end of the course, including about five questions (which in turn may comprise several points and include specific exercises) on the topics studied in the course. The examination comprises also a second part (mandatory), consisting either in a practical exercise including the modelling of a case study and the model analysis performed using existing software tools or directly developing the appropriate software artifact, or in the autonomous study of a theoretical topic. In both cases the practical or theoretical topic is presented in an oral discussion. The final evaluation is mainly dependent on the theory part of the exam, which can be increased according to the quality of the practical part.
Programma esteso/Content
Ripasso delle basi di calcolo delle probabilità e statistica necessarie per comprendere i modelli matematici proposti nel corso. Definizione di requisiti non funzionali di sistemi: indici di prestazione e affidabilità. La simulazione ad eventi discreti: principi di base, generazione di numeri casuali realizzazione di variabili casuali, studio in transitorio e a regime di indici di prestazione o affidabilità, prove ripetute e metodo batch, analisi dell’output della simulazione tramite metodi statistici. Validazione di un modello di simulazione. Formalismi: * Formalismi per la descrizione del comportamento di modelli dinamici e stocastici (reti di code, reti di Petri con e senza rappresentazione del tempo, catene di Markov) * Formalismi per lo studio dell’affidabilità dei sistemi, in particolare i Fault tree e loro estensioni. * Definizione di indici di prestazione e affidabilità tramite funzioni di reward. Metodi di analisi: * Catene di Markov: metodi analitici e numerici, simulazione. * Reti di code: analisi operazionale e simulazione. * Reti di Petri (stocastiche): analisi basata sullo spazio degli stati per lo studio qualitativo e quantitativo del comportamento del modello; analisi quantitativa e catene di Markov; simulazione. * Fault tree: analisi basata su metodi combinatori o sullo spazio degli stati (anche per estensioni del formalismo base) Cenni sulla relazione tra Fault Tree e modelli grafico-probabilistici (Reti Bayesiane). * Dimostrazione e sperimentazione in laboratorio di vari strumenti software e sviluppo di un programma simulatore.
Review of the basics of probability theory and statistics needed to understand the mathematical models discussed within the course. Definition of non functional requirements of systems: performance and dependability indices. Discrete event simulation: basic principles, random numbers and random variate generation, transient and steady state analysis, obtaining a sample of the measures of interest through simulation experiment repetitions or batch method; simulation output analysis through statistical methods. Validation of a simulation model. Formalisms: * Formalisms to describe the behavior of dynamic and stochastic models (queueing networks, Petri nets with and without timing, Markov chains). * Formalisms for studying the dependability of systems, in particular Fault Trees and extensions. * Definition of performance and dependability indices through reward functions. Analysis methods: * Markov chains: analytical and numerical solution, simulation. * Queueing Networks: operational analysis and simulation. * (Stochastic) Petri Nets: state space based analysis for studying the model qualitative and quantitative behavior; quantitative analysis and Markov chains; simulation. * Fault tree: analysis through combinatorial or state space methods (including extensions of the formalisms). Notes on the relationship between Fault trees and Probabilistic Graphical Models (Bayesian Networks). * Demonstration and lab experimentation of some software tools and development of a simulator.
Risultati di apprendimento attesi/Intended learning objectives
Conoscenze: Conoscere i principali formalismi per la rappresentazione di modelli matematici utilizzati all’analisi dell’affidabilità e delle prestazioni di sistemi. Conoscere i principali metodi computazionali per l’analisi dei modelli Conoscere alcuni modelli di base Capacità’ e abilità’ Saper spiegare il concetto di modello e uso dell’astrazione per focalizzare l’attenzione sui soli aspetti rilevanti rispetto ad uno specifico problema. Ideare un (semplice) modello matematico di un dato sistema e mostrare come ricreare il suo comportamento dinamico tramite la simulazione. Costruire il modello di un sistema utilizzando uno specifico formalismo (proposto nel corso) e implementarlo tramite un linguaggio di programmazione o tramite uno strumento software. Valutare l’adeguatezza di un formalismo (tra quelli proposti nel corso) per la modellazione di uno specifico sistema. Spiegare l’utilità dell’uso di modelli e della simulazione in vari domini applicativi. Spiegare i concetti di verifica e validazione di un modello, anche attraverso esempi concreti. Presentare i risultati dell’analisi (anche tramite simulazione) di un modello. Fornire una interpretazione dei risultati quantitativi ottenuti analizzando o simulando un modello e trarre opportune conclusioni sul comportamento del sistema modellato ed eventualmente indicare possibili modifiche al modello, e di conseguenza al sistema, per migliorarne le prestazioni o l’affidabilità.
Knowledge and understanding: Know the main formalisms for the representation of mathematical models, which can be used to study system dependability and performance properties; Know the main computational methods for model analysis know some basic models Competence and Skills Explain the concept of modeling and the use of abstraction to focus on the aspects relevant to a given problem. Devise a (simple) mathematical model of a system and show how its dynamics can be recreated through simulation. Build the model of a system using a specific formalism (presented in the course) and implement it through a programming language or through a software tool. Evaluate the adequacy of a given formalism (among those presented in the course) to model a specific system. Explain the benefits of using models and simulation in various application domains. Explain the meaning of model verification and validation, also providing practical examples. Present the results of the analysis (possibly through simulation) of a model. Provide an interpretation of quantitative results of model analysis or simulation, drive some conclusions on the behavior of the modelled system and possibly suggest changes in the system under study to improve its performance and/or dependability indices.
×
Print
Course
CALCOLABILITÀ E COMPLESSITÀ
Course ID
MF0655
Academic Year
2024/2025
Year of rule
2023/2024
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
Tecnologico-Informatico
Teaching leader
EGIDI Lavinia
Teachers
Egidi Lavinia
CFU
6.0
Teaching duration (hours)
48.0
Individual study time
102.0
SSD
INF/01 - INFORMATICA
Course type
Attività formativa monodisciplinare
Course mandatoriety
OPZ
Course category
C
Year
2
Period
Primo Semestre
Site
ALESSANDRIA
Grading type
V
Lingua insegnamento/Teaching language
ITALIANO
Italian
Contenuti/Content Summary
Il corso di calcolabilità e complessità è una sorta di pausa di riflessione sull'informatica in sé, che dà una distintiva profondità e ampiezza di visione e fornisce potenti strumenti tecnico-cognitivi di ampia applicabilità. Il corso si concentra sul significato di computazione, attraverso l'analisi dei modelli di calcolo e della loro potenza, e sulla inerente difficoltà dei problemi (non dei singoli algoritmi), mettendoli in relazione dal punto di vista delle risorse che richiedono. Invece di proporre tecniche e strumenti per realizzare sistemi e risolvere problemi, in questo corso ci si domanda se con un computer si può fare tutto: la risposta è no, in alcuni casi è proprio impossibile, in altri ci vuole troppo tempo o troppa memoria. Conoscere i limiti degli strumenti che si adoperano è fondamentale per essere in grado di porsi obiettivi raggiungibili, ridimensionando le richieste, accettando soluzioni approssimate. Le risposte che si ottengono in questo corso sono del tutto generali, valide e significative in qualunque ambito dell'informatica. In particolare, motivano e validano da un punto di vista teorico l’adozione delle tecniche tipiche dell’Intelligenza Artificiale.
The essence of this course is reasoning about computer science itself. It gives master graduates a distinctive depth and width of vision and provides them with powerful and widely applicable technical and cognitive tools. The course concentrates on the meaning of computing, through the analysis of models of computation and of their power, on the inherent hardness of problems (not of single algorithms), relating them to each other from the point of view of the resources they require. Instead of offering techniques and tools to implement systems and solve problems, the course rather investigates whether computers can do anything: the answer is no, in some cases computer solving is utterly impossible, in others the time and memory requirements are prohibitive. Being aware of the limits of the tools that one uses is essential in order to be able to set reasonable goals, resizing requests as needed, accepting approximate solutions. The answers obtained in this course are completely general, valid and meaningful in any field of computer science. In particular, they motivate and validate from a theoretical point of view the adoption of techniques typical of Artificial Intelligence.
Testi di riferimento/Textbooks
Testo principale: Thomas A. Sudkamp, Languages and Machines, Pearson International Edition, 2006. Per alcune (poche) parti: C. Papadimitriou, Computational Complexity, Addison-Wesley, 1994. Consultazione, per l’NP-completezza: Garey-Johnson, Computers and Intractability, Freeman, 1979. Del materiale aggiuntivo è fornito sul sito online del corso.
Main text: Thomas A. Sudkamp, Languages and Machines, Pearson International Edition, 2006. For some (few parts): C. Papadimitriou, Computational Complexity, Addison-Wesley, 1994. Reference on NP-completeness: Garey-Johnson, Computers and Intractability, Freeman, 1979. Additional material is provided on the course's online site.
Obiettivi formativi/Mission
Conoscenza e capacità di comprensione: Il corso introduce concetti fondamentali di calcolabilità e di complessità strutturale. La presentazione è basata sul modello di Macchina di Turing. Vengono spiegate tecniche per analizzare e confrontare la potenza di modelli di calcolo da una parte e la difficoltà di problemi dall'altra (simulazione, diagonalizzazione, dove-tailing e riduzione). Tali tecniche vengono applicate sia nell'ambito della calcolabilità che della complessità, per ottenere risultati classici quali la tesi di Church, l'esistenza e alcune proprietà di problemi non decidibili, proprietà di linguaggi e formalismi Turing-completi, la giustificazione dell'uso dell'O-grande in complessità, proprietà delle gerarchie di problemi rispetto alla loro difficoltà, l'esistenza di problemi NP-completi e la potenza della risorsa spazio rispetto al tempo. Capacita' di applicare conoscenza e comprensione: -capacità di confrontare modelli di calcolo -capacità di applicare metodologie di analisi della inerente difficoltà dei problemi -in particolare capacità di riconoscere il contesto in cui applicare le tecniche dimostrative di simulazione, riduzione e diagonalizzazione -capacità di applicare le tecniche descritte in casi semplici. Come effetto collaterale, verranno consolidate le competenze di programmazione. Autonomia di giudizio: verranno acquisiti strumenti , tecnici e cognitivi, che sono potenti e di ampia applicabilità, e si imparerà a riconoscere i limiti degli strumenti che dell'informatica, competenza fondamentale per essere in grado di porsi obiettivi raggiungibili, ridimensionando le richieste, e accettando soluzioni approssimate. Abilità comunicative: Per ottenere tali obbiettivi, verrà acquisito un linguaggio formale specifico. Inoltre verrà migliorata la padronanza della lingua inglese a livello tecnico informatico. Capacita' di apprendimento: si affinerà il rigore delle capacità di ragionamento logico. Mettendo in discussione l'onnipotenza degli strumenti di calcolo, si acquisirà un nuovo punto di vista dal quale rivedere quanto appreso nei corsi precedenti. Infine, gli strumenti tecnici e cognitivi che vengono sviluppati in questo corso sono applicabili a tutte le aree dell'informatica e dunque sono un arricchimento a prescindere dalle specifiche nozioni affrontate nel corso.
Knowledge and understanding: The course introduces basic concepts of computability and structural complexity. The presentation is based on the Turing Machine model. Techniques for analysis and comparison of the expressiveness of computational models on one side, and of the hardness of problems on the other (simulation, diagonalisation, dove-tailing and reduction) are explained. They are applied in both domains of computability and complexity, to achieve classical results such as Church's thesis, the existence and some properties of undecidable problems, properties of Turing-complete languages and formalisms, the justification of the use of big-O in complexity, properties of problem hierarchies with respect to their difficulty, the existence of NP-complete problems and the powerfulness of the resource space versus time. Applying knowledge and understanding: - comparing models of computation - applying methodologies for analyzing the inherent hardness of problems - in particular: ability to discern the context in which each of the proof techniques (simulation, reduction and diagonalization) is best applied - ability to apply the mentioned techniques to simple cases As a by-product, students will consolidate their own programming skills. Making judgements: The student will acquire technical and cognitive tools that are powerful and of wide applicability, and will learn to recognize the limits of the tools used by computer scientists; the latter is a fundamental competence to be able to set oneself reachable objectives, appropriately reducing requests and accepting approximate solutions. Communication skills: In order to attain such objectives, the student will acquire a specific formal language. Moreover the students will increase their proficiency in the technical English of computer science. Learning skills: The students will sharpen the rigor of their own logical reasoning skills. Challenging the idea of omnipotence of computational devices, they will have a new point of view from which to revisit all that they have learned so far. Finally the technical and cognitive tools developed in this course can be applied to any area of computer science and therefore constitute an enrichment independently of the specific notions around which they were introduced.
Prerequisiti/Required background knowledge
Conoscenza dei concetti fondamentali di programmazione, logica, analisi, e preferibilmente di architetture degli elaboratori e linguaggi formali. Capacità di programmare in Java.
Knowledge of the fundamental concept of programming, logic, analysis, and preferably computer architectures and formal languages. Java programming.
Metodi didattici/Teaching methods
Il corso consta di lezioni teoriche in aula e di attività in laboratorio. L' attività in laboratorio è parte integrante del corso. A lezione vengono presentati in modo formale definizioni e teoremi (con le rispettive dimostrazioni) per comunicare le nozioni, lavorare sul rigore del ragionamento logico e insegnare la terminologia formale. In particolare viene posta enfasi sulle tecniche alla base delle dimostrazioni e dei ragionamenti, confrontandone l'applicazione in vari ambiti, a supporto della concettualizzazione delle stesse e come stimolo per acquisirle a guisa di strumento di lavoro di utilizzo piú vasto. Inoltre si incoraggia la partecipazione suggerendo l'applicazione di tecniche, sviluppando il ragionamento con il richiamo di concetti fondamentali e risultati già presentati nel corso. In laboratorio si richiede la realizzazione di progetti software per approfondire la comprensione dei modelli studiati e per cogliere fino in fondo il carattere costruttivo delle dimostrazioni di quasi tutti i teoremi presentati durante il corso. La partecipazione in laboratorio trasforma per ciascuna persona l'eventuale frequenza passiva in esigenza di confrontarsi attivamente con le nozioni e i risultati che si studiano, e specialmente con i ragionamenti seguiti. Sulla piattaforma DIR sono a disposizione: tutte le informazioni pratiche sul corso, indicazioni sui libri di testo e il programma, materiale didattico aggiuntivo, argomenti trattati e indicazioni bibliografiche per ogni singola lezione compilati subito dopo la lezione, specifiche ed eventuale materiale aggiuntivo per l'attività che si svolge in laboratorio. In tal modo, chi frequenta può rivedere e approfondire l'attività di ciascuna lezione; coloro che non frequentano hanno a disposizione tutto il materiale per mantenersi al passo con il corso oppure per prepararsi in autonomia. Poiché il libro di testo consigliato è in inglese, lo studio sarà uno strumento per migliorare la propria padronanza del linguaggio tecnico informatico in inglese.
The course consists of theoretical classes and hands on activity in lab. In class definitions and theorems (with proofs) are presented formally in order to communicate to students the notions, to work on the rigor of reasoning and to teach the formal terminology. In particular the techniques on which proofs are based are emphasized, and their applications in different areas are compared; this serves the double aim of helping the students to conceptualize these techniques and of stimulating them to acquire the techniques as a tool for wider usage. Moreover the students are encouraged to participate suggesting the application of techniques, developing reasoning by recalling fundamental concepts and results previously presented in the course. In lab the students are requested to realize software projects in order to understand in depth the models studied and in order to fully comprehend the constructive character of almost all the proofs of the theorems presented in this course. Participation to lab activity replaces the possibly passive attendance to classes with a necessity to actively measure oneself with the notions and the results studied and especially with the arguments presented. On the DIR platform students find: all the practical information on the course, information on textbooks and the program, additional didactic material, for each class the subject treated and bibliographic references (written soon after the class), specifics and if necessary additional material for the activity in lab. This way, students that attend classes can review and consolidate subjects presented in class or activities proposed in lab; students that don't attend classes can keep abreast of the course or study autonomously. Since the recommended textbook is in English, preparing for the exam will give the students the possibility to practice the technical language of computer science.
Altre informazioni/Further information
L'attività in laboratorio richiede una partecipazione attiva e individuale e induce a porsi dei quesiti (e spesso di conseguenza a porne alla docente); in tal modo permette una regolare verifica del modo in cui gli argomenti vengono recepiti. L'attività prevede principalmente sviluppo in linguaggio Java: quindi al di là delle funzioni ai fini degli obiettivi formativi specifici del corso, è in generale un ulteriore momento per consolidare le proprie competenze di programmazione e per affinare le proprie capacità di utilizzo del linguaggio Java. Le persone con disabilità o con Disturbi Specifici dell’Apprendimento (DSA) o con Bisogni Educativi Speciali (BES) possono richiedere servizi e strumenti specifici a loro dedicati rivolgendosi allo Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti e consultando la pagina dedicata del sito di Ateneo: https://uniupo.it/it/servizi/servizi-studenti- disabili-e-dsa Le persone con disabilità, DSA, BES, una volta preso contatto con lo Staff di Ateneo, possono contattare la docente titolare dell'insegnamento in relazione alla declinazione delle modalità di esame, in merito agli aspetti didattici.
Hands-on activity requires active participation of the students, and leads the latter to ask themselves questions (and, as a consequence, often to ask questions to the instructor); this way it allows a regular monitoring of the way the subject is being understood. The activity in lab fundamentally requires programming in Java: therefore, beyond its importance as a means to reach the formative objectives of the course, it is in general an additional moment to consolidate the students' programming skills and to refine their competences as Java programmers. Students with physical disabilities, Learning Disabilities or Special Education Needs can request specific services and tools via the Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti, consulting the University webpage: https://www.uniupo.it/en/services/services- students-physical-or-learning-disabilities Students with disabilities, learning disabilities or special education needs, once they have contacted the University Staff, can refer to the tutor in charge of the course to define the examination modalities, concerning academic aspects.
Modalità di verifica dell'apprendimento/Assessment methods
Esame orale L'esame orale consta in media di tre domande: una generale introduttiva sui metodi formali, una su argomenti di calcolabilità e una riguardante argomenti di complessità. Lo scopo è verificare la comprensione dei concetti fondamentali e che l'esposizione sia fatta con proprietà di linguaggio, che siano stati acquisiti gli strumenti metodologici e li si sappiano applicare. Pertanto viene richiesto da una parte di esporre definizioni e dimostrazioni, e dall'altra di ragionare su contesti leggermente modificati o di fare collegamenti tra argomenti diversi trattati nel corso, o di applicare le tecniche apprese a problemi visti durante il corso o simili. Durante il colloquio si verifica anche il livello di formalità raggiunto nell'espressione e nel ragionamento. Il numero di domande poste all'orale è puramente indicativo perché, a seconda del modo in cui vengono date le risposte (formalità, chiarezza, completezza, precisione,...), possono essere necessarie piú domande o ne possono bastare meno per verificare che gli obiettivi formativi siano stati raggiunti.
Oral exam The oral exam consists normally of three questions: one general introductory question on formal methods, one more specific on computability aspects and the third on complexity. The goal is to ascertain whether the student has understood the fundamental concepts and can present them with a formal language, and has acquired the methodological instruments and can apply them. Therefore, on one hand the student is requested to present definitions and proofs, and on the other hand the student must reason on slightly modified contexts or explore connections among different parts of the course. During the interview the level of formality, both in expression and reasoning, is also ascertained. The number of questions can vary, depending on the quality of the answers (with respect to clarity, completeness, precision, formality,...), since the final aim is to ascertain that the formative objectives have been reached.
Programma esteso/Content
Introduzione alla calcolabilità: La prima parte di programma è volta all'acquisizione di tecniche formali e di strumenti per l'analisi e la formalizzazione del concetto di calcolabilità (Macchine di Turing, definizioni formali e funzionamento. Confronto di modelli diversi di macchina. Tecnica di simulazione. Funzioni calcolabili secondo Turing.) Segue una formalizzazione basilare di classi di difficoltà di problemi in base ad aspetti puramente di calcolabilità, senza tenere conto di limiti di risorse (Insiemi ricorsivi e ricorsivamente enumerabili. Enumeratori.). Il discorso prosegue con risultati generali e fondamentali che, nel seguire l'evoluzione storica, forniscono un primo raccordo con il mondo dell'informatica attuale (Tesi di Church, Codifica di macchine di Turing e macchina universale). Seguono risultati negativi che sottolineano i limiti degli strumenti informatici e vengono contestualmente forniti strumenti per l'estensione di tali risultati negativi (Diagonalizzazione, Esistenza di funzioni non calcolabili, Dimostrazioni del fatto che un insieme non è ricorsivo o non è ricorsivamente enumerabile, Indecidibilità, problema dell'HALT, riduzioni e teorema di Rice). Infine, la parte di calcolabilità si conclude rapportando gli strumenti e i risultati appresi, ad aspetti dell'informatica che si usano tutti i giorni o noti agli studenti da altri corsi (Importanza del costrutto "while" nei linguaggi di programmazione, Confronto di macchine di Turing con modelli di calcolo piú deboli (automi a stati finiti e a pila), grammatiche illimitate e dipendenti da contesto e ricorsività). Introduzione alla complessità strutturale: la parte di complessità relativizza l'analisi e la formalizzazione fatte precedentemente, nonché gli strumenti introdotti, ad una situazione piú realistica in cui le risorse sono limitate; si focalizza in particolare sul rapporto tra la difficoltà di problemi, e il significato delle classi di complessità nondeterministiche. (Misure di complessità, modelli e rappresentazione di problemi. Teorema di accelerazione lineare. Macchine di Turing non deterministiche, significato di non determinismo. Le classi P ed NP, problemi in NP, riduzioni polinomiali, NP-completezza, SAT e il teorema di Cook. Complessità in termini di spazio, relazioni tra complessità in termini di spazio e tempo, e spazio non deterministico e tempo; teorema di Savitch. Esistenza di problemi di complessità arbitraria, teoremi della gerarchia e funzioni time e space constructible.)
Introduction to Computability: The first part of the course aims at the acquisition of formal techniques and analysis tools, and to the formalization of the concept of computability (Turing Machines, formal definitions and operation. Comparison of different machine models. Simulation technique. Turing computable functions). Following, the course offers a basilar formalization of classes of hardness of problems, based solely on computability aspects, with no reference to resource limitations. (Recursive and recursively enumerable sets. Enumerators). Then the presentation moves to general results and, following the track of historical evolution, gives a first connection to present-day computer science (Church thesis, Turing machines coding and universal Turing machine). Then negative results underline the limits of computer science tools; moreover tools for the extension of such negative results are provided (Diagonalization. Existence of non computable functions. Proofs that sets are not enumerable or not recursively enumerable. Undecidability, Halting problem and reductions). The introduction to computability is concluded relating the tools and results learned to every-day computer science or to subjects known to students from other courses (Importance of the "while" construct in programming languages. Comparison of Turing machines with weaker models of computation, such as finite state and pushdown automata, unrestricted and context sensitive grammars, and recursivity). Introduction to structural complexity: The second part of the course relativizes the analysis and the formalization carried out in the introduction to computability, to a more realistic situation in which resources are limited; it focuses in particular on the relation among classes of problems distinguished in terms of computational hardness, and on the meaning of nondeterministic classes. (Complexity measures, models and problem representation. Linear speedup theorem. Non deterministic Turing machines and the meaning of non determinism. Classes P and NP, problems in NP, polynomial time reductions, NP-completeness, SAT and Cook's theorem Space complexity, deterministic space vs. deterministic time, non deterministic space vs. time; Savitch's theorem. Existence of problems of arbitrary complexity and hierarchy theorems, time and space constructible functions).
Risultati di apprendimento attesi/Intended learning objectives
Conoscenze Cconcetto di modello di calcolo, macchine di Turing, concetto di funzione calcolabile, ricorsività e ricorsiva enumerabilità di insiemi, classi di complessità in termini di tempo, P ed NP e loro rapporto, NP-completezza, complessità in termini di spazio; tecniche di simulazione, riduzione e diagonalizzazione; esistenza di problemi non decidibili e di problemi che richiedono troppe risorse di computazione per essere trattati in pratica Competenze ed abilità Spiegare il significato di modello di calcolo e in particolare dare una definizione formale di macchina di Turing. Applicare la tecnica di simulazione su esempi presentati nel corso ma, data la varietà di tali esempi, acquisendo la flessibilità per estenderla ad altre situazioni e contesti. Definire e spiegare i concetti di funzione calcolabile, insiemi ricorsivi e ricorsivamente enumerabili, ovvero le proprietà di calcolabilità di proprietà e funzioni. Presentare e discutere le tecniche per dimostrare la non ricorsività o la non ricorsiva enumerabilità di un insieme, ovvero piú in generale le proprietà di calcolabilità di una proprietà. Enunciare e spiegare il significato della Tesi di Church. Definire le classi di complessità in termini di tempi e di spazio. Definire e spiegare il significato di non determinismo. Definire il concetto di NP-completezza e la sua importanza. Analizzare il rapporto tra classi di complessità in funzione della variazione di risorse. Enunciare, spiegare e dimostrare i teoremi presentati a lezione. Analizzare la funzione delle specifiche ipotesi nei teoremi presentati a lezione. Mostrare applicazioni della tecnica di riduzione nell'opportuno ambito di utilizzo nel mondo della calcolabilità e in quello della complessità. Mostrare applicazioni della tecnica di diagonalizzazione nell'opportuno ambito di utilizzo nel mondo della calcolabilità e in quello della complessità. Proporre la tecnica giusta da utilizzare in particolari variazioni di qualche problema visto a lezione.
Knowledge Concept of model of computation, Turing machine, computable function, recursive and recursively enumerable sets, time complexity classes, P and NP and their mutual relationship, NP-completeness, space complexity; simulation, reduction and diagonalization techniques; existence of undecidable problems and of problems that require too many computational resources to be feasible in practice Competencies and skills Explain what is a computational model and in particular give a formal definition of the Turing machine. Apply the simulation technique to examples introduced in the course, but given the variety of such examples, the students will acquire the flexibility to extend it to other situations and contexts. Define and explain the concepts of computable function, recursive and recursively enumerable sets, that is the computability properties of sets and functions. State and explain the meaning of Church's Thesis. Define time and space complexity classes. Define and explain the concept of non-determinism. Define the concept of NP-completeness and its importance. Analyze the relationship between complexity classes as a function of amounts of resources. State, explain and prove the theorems presented in class. Analyze the function of specific hypotheses in the theorems presented in class. Show applications of the reduction technique in the appropriate area of usage in computability or complexity. Show applications of the diagonalization technique in the appropriate area of usage in computability or complexity. Propose the right technique to be used on a specific variation of some problem proposed in class.
×
Print
Course
SUPPORTO ALLA DECISIONE CLINICA E BIOINFORMATICA
Course ID
MF0646
Academic Year
2024/2025
Year of rule
2023/2024
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
Tecnologico-Informatico
Teaching leader
MONTANI Stefania
Teachers
Terenziani Paolo, Montani Stefania, Pennisi Marzio Alfio
CFU
9.0
Teaching duration (hours)
72.0
Individual study time
153.0
SSD
INF/01 - INFORMATICA
Course type
Attività formativa monodisciplinare
Course mandatoriety
OPZ
Course category
C
Year
2
Period
Secondo Semestre
Site
ALESSANDRIA
Grading type
V
Lingua insegnamento/Teaching language
ITALIANO
Italian
Contenuti/Content Summary
Il corso presenterà le principali metodologie e tecniche per sviluppare un sistema di supporto alle decisioni in campo bio-medico. In particolare, il primo modulo si concentrerà su sistemi basati sulla rappresentazione della conoscenza esplicita, mentre il secondo modulo sarà dedicato principalmente ai sistemi basati sulla conoscenza operativa (i dati). Per la parte di Bioinformatica verranno invece esaminate le principali metodologie e tecniche basate su AI e ML per l’analisi di dati relativi a sequenze biologiche, espressione genica, genomica e proteomica.
The course will present the main methodologies and techniques to develop a decision support system in the bio-medical field. In particular, the first module will focus on systems based on the representation of explicit knowledge, while the second module For what regards the Bioinformatics module, the course will take care to present the main methodologies and techniques based on AI and ML for the analysis of data relating to biological sequences, gene expression, genomics and proteomics.
Testi di riferimento/Textbooks
Z. Michalewicz et al., Adaptive Business Intelligence, Springer. Robert Greenes. Clinical Decision Support. The Road to Broad Adoption 2nd Edition – 2014. ISBN: 9780128100240 Hiroshi Mamitsuka: Textbook of Machine Learning and Data Mining: with Bioinformatics Applications. ISBN-13: 978-4991044502 Pierre Baldi & Soren Brunak: Bioinformatics: The Machine Learning Approach, Second Edition.: Mit Press, 2001 Philip Compeau & Pavel Pevzner: Bioinformatics Algorithms. An active Learning Approach. Volumi I e II. Active Learning Publishers. 2018
Z. Michalewicz et al., Adaptive Business Intelligence, Springer. Robert Greenes. Clinical Decision Support. The Road to Broad Adoption 2nd Edition – 2014. ISBN: 9780128100240 Hiroshi Mamitsuka: Textbook of Machine Learning and Data Mining: with Bioinformatics Applications. ISBN-13: 978-4991044502 Pierre Baldi & Soren Brunak: Bioinformatics: The Machine Learning Approach, Second Edition.: Mit Press, 2001 Philip Compeau & Pavel Pevzner: Bioinformatics Algorithms. An active Learning Approach. Volumi I e II. Active Learning Publishers. 2018
Obiettivi formativi/Mission
Gli studenti devono aver acquisito le seguenti conoscenze, competenze, ed abilita': principali tipologie di sistemi basati sulla conoscenza per il supporto alle decisioni cliniche, con particolare riferimento alla diagnosi ed al trattamento dei pazienti; principali metodologie e tecniche adottate in tali ambiti; analisi dei fattori abilitanti e delle criticità per l’adozione di tali sistemi nella pratica medica; metodologie e tecniche per rappresentazione e gestione della conoscenza, predizione, ottimizzazione, adattamento; capacità di identificare, interpretare, codificare e processare varie tipologie di dati biologici per applicazioni di apprendimento automatico. Occorre inoltre essere in grado di dimostrare la capacita' di applicarle tali conoscenze nel rispondere a quesiti di teoria, o nello svolgere alcuni esercizi, o nell’illustrare (oralmente) un approfondimento svolto in autonomia.
Students must acquire the following knowledge, competences, and abilities: principal types of knowledge-based systems for supporting clinical decisions, with particular attention to the diagnosis and patient treatment; principal methodologies and techniques adopted in this field; analysis of enabling factors and of critical issues for the adoption of these systems in medical practice; methodologies and techniques for: knowledge representation and management, prediction, optimization, adaptation; ability to identify, interpret, encode and process various types of biological data for machine learning applications. Students must also be able to apply such notions in answering theoretic questions as well as exercises, or in illustrating (orally) an in-depth study carried out independently
Prerequisiti/Required background knowledge
Nozioni di basi di dati
Database fundamentals
Metodi didattici/Teaching methods
Lezione frontale in aula o in laboratorio. Le lezioni frontali contempleranno anche la risposta a quesiti o la risoluzione di esercizi esemplificativi per lo svolgimento dell'esame. Esempi di test d'esame potranno essere forniti agli studenti. Le slide delle lezioni, i testi consigliati, ed altro materiale saranno forniti anche sulla piattaforma DIR, per consentire anche a chi non frequenta di tenersi al passo con lo svolgimento del corso.
Direct lessons in classroom or in lab. Classroom lessons will also include example questions or exercises useful for the final test. Example tests can also be provided to students. Slides, textbooks indications and additional material will be provided also through the DIR platform. In this way, the students who do not attend will be allowed to easily follow the course progression.
Altre informazioni/Further information
Le studentesse e gli studenti con disabilità o con Disturbi Specifici dell’Apprendimento (DSA) o con Bisogni Educativi Speciali (BES) possono richiedere servizi e strumenti specifici a loro dedicati rivolgendosi allo Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti e consultando la pagina dedicata del sito di Ateneo: https://uniupo.it/it/servizi/servizi-studenti- disabili-e-dsa Le studentesse e gli studenti con disabilità, DSA, BES, una volta preso contatto con lo Staff di Ateneo, possono contattare la/il docente titolare dell'insegnamento in relazione alla declinazione delle modalità di esame, in merito agli aspetti didattici.
Students with physical disabilities, Learning Disabilities or Special Education Needs can request specific services and tools via the Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti, consulting the University webpage: https://www.uniupo.it/en/services/services- students-physical-or-learning-disabilities Students with disabilities, learning disabilities or special education needs, once they have contacted the University Staff, can refer to the tutor in charge of the course to define the examination modalities, concerning academic aspects.
Modalità di verifica dell'apprendimento/Assessment methods
L’esame relativo alla prima parte del corso (approcci basati su rappresentazione esplicita della conoscenza) sarà in forma scritta, e prevederà domande teoriche ed eventuali piccoli esercizi applicativi. Eventualmente (ad esempio, per richiesta dello studente), la stessa tipologia di esame potra' essere svolta oralmente. L'esame relativo al modulo sulla conoscenza operativa è scritto e prevede un minimo di 3 domande, che verteranno su argomenti scelti tra: gestione della conoscenza operativa, predizione, ottimizzazione, adattamento. Il voto terra' conto dei risultati parziali ottenuti nelle singole domande (ad esempio eseguendone una media). Eventualmente (ad esempio, per richiesta dello studente), la stessa tipologia di esame potra' essere svolta oralmente. Per la parte di bioinformatica lo studente dovrà presentare un approfondimento sotto forma di seminario su una tematica inerente agli argomenti trattati.
The examination about the first part of the course (knowledge-based approaches) will be written, and will contain theoretical questions and, possibly, small exercises. Possibly (e.g., on student's request), the same exam type will be executed orally. The test about the operative knowledge module will be written and composed of three questions at least, focused on different course topics chosen among operative knowledge management, prediction, optimization, adaptation. The final score will take into account the partial scores of the different questions (e.g., calculating the average). Possibly (e.g., on student's request), the same exam type will be executed orally. For the bioinformatics part, the student will have to present an in-depth study in the form of a seminar on a topic related to the topics covered.
Programma esteso/Content
Il modulo dedicato ai sistemi basati su rappresentazione esplicita della conoscenza affronterà le seguenti problematiche: architetture e caratteristiche generali dei CDSS, sorgenti ed acquisizione di conoscenza, regole decisionali, sistemi per la diagnostica, sistemi per la gestione informatizzata di linee guida cliniche, vocabolari ed ontologie, sistemi per la gestione di clinical trial, analisi di fattori critici e fattori abilitanti per l’adozione pratica di CDSS. Nel modulo sulla conoscenza operativa l’esposizione sarà organizzata in quattro parti: 1. gestione della conoscenza operativa: Case-based Reasoning; soluzioni di Case-based Reasoning avanzate (dati in forma di serie temporali, fuzzy CBR, process-oriented CBR); 2. predizione: classificazione, regressione, serie temporali; metodi matematici, basati su distanze, logici, basati su euristiche; metodi ibridi;3. ottimizzazione: metodi matematici, algoritmi evoluzionistici, ant systems, metodi ibridi; 4. adattamento: tecniche per migliorare le prestazioni del modulo di previsione. Per il modulo di bioinformatica verranno trattati i seguenti argomenti: Introduzione alla biologia cellulare e computazionale. Competenze bioinformatiche essenziali (database, API, framework). Feature Engineering. Data imputation, Dimensionality Reduction, Applicazioni alle metodologie di regressione lineare e logistica a dati biologici. Alberi decisionali, Random Forest ed eXtreme Gradient Boosting per dati biologici. Utilizzo di Hidden Markov Models per l’identificazione di geni codificanti per proteine. Esempi di approcci basati su Deep Learning all’analisi di dati biologici.
The module dedicated to knowlege-based CDSS will face the following aspects: CDSS architectures and generalities, knowledge sources and knowledge acquisition, decision rules, diagnostic systems, computer-interpretable guideline systems, ontologies and vocabularies, systems for the management of clinical trials, analysis of critical and enabling factors for the practical applicability of CDSS. The operative knowledge module will be organised in four parts: 1. operative knowledge management: Case-based Reasoning; advanced Case-based Reasoning solutions (time series data, fuzzy CBR, process-oriented CBR); 2. prediction: classification, regression, time series; mathematical models, distance-based models, logic models, heuristic models; hybrid methods; 3. optimisation: mathematical methods, evolutionary algorithms, ant systems, hybrid methods; 4. adaptation: techniques to improve the prediction module performances. For the bioinformatics module the following topics will be covered: Introduction to cellular and computational biology. Essential bioinformatics skills (databases, APIs, frameworks). Feature Engineering. Data imputation, Dimensionality Reduction, Applications to linear and logistic regression methodologies to biological data. Decision Trees, Random Forest, and eXtreme Gradient Boosting for biological data. Use of Hidden Markov Models for the identification of protein coding genes. Examples of Deep Learning-based approaches to analyzing biological data.
Risultati di apprendimento attesi/Intended learning objectives
Conoscenze: Lo studente deve dimostrare di aver acquisito:i concetti di base relativi alle principali tipologie di sistemi basati sulla conoscenza per il supporto alle decisioni cliniche, per la diagnosi e\o il trattamento dei pazienti, metodologie e tecniche adottate in tali ambiti; Analisi dei fattori abilitanti e delle criticità per l’adozione di tali sistemi nella pratica medica; i concetti di base per la gestione della conoscenza, la predizione, l’ottimizzazione e l’adattamento; le conoscenze necessarie per comprendere e interpretare le varie problematiche e le varie tipologie di dati biologici presentati durante il corso. Deve essere inoltre in grado di dimostrare di aver compreso ed acquisito i principi di funzionamento delle varie metodologie e tecniche presentate. Competenze ed abilità: Lo studente deve aver acquisito la capacità di valutare l’adeguatezza delle tecniche e metodologie sviluppate nel corso per il trattamento di case studies reali, e di applicarle su case studies. Lo studente deve dimostrare di saper criticamente individuare il migliore approccio di analisi, sulla base dei relativi pregi e difetti, da applicare alla tipologia di dato biologico da analizzare. Autonomia di giudizio: capacità di lavorare in maniera autonoma, anche in situazioni complesse o a fronte di informazioni incomplete. Abilità comunicative: capacità di descrivere in modo chiaro le metodologie e tecniche studiate, e le loro applicazioni, sia ad utenti esperti sia ad utenti non tecnici; saper giustificare le scelte progettuali o implementative fatte comunicandole in modo chiaro anche a utenti meno esperti e non tecnici; capacità di descrivere in modo chiaro i principi di funzionamento delle metodologie studiate, i possibili vantaggi e svantaggi e la loro applicabilità a problemi reali a diverse tipologie di audience con diversi livelli di esperienza. Capacita' di apprendere: gli studenti devono aver sviluppato adeguate conoscenze delle metodologie di base e la capacità di analizzare le caratteristiche principali dei sistemi di supporto alla decisione clinica e delle metodologie proposte per analisi di dati biologici per poter in futuro apprendere, valutare e\o sviluppare nuovi sistemi; aver sviluppato la capacità di descrivere e saper scegliere le più opportune tecniche per la realizzazione di un sistema di supporto alle decisioni in ambito bio-medico; aver acquisito i principi di funzionamento delle metodologie analizzate al fine di proporne modifiche e adattamenti per migliorare l’applicabilità al caso specifico. Individuare e valutare criticamente le informazioni scientifiche provenienti dalle pubblicazioni in questo campo.
Knowledge: The student must have acquired: the notion relating to the main types of knowledge-based systems for supporting clinical decisions, for the diagnosis and/or patients treatment, to the methodologies and techniques adopted in these fields. Analysis of enabling factors and critical issues for the adoption of these systems in medical practice; the notions of: knowledge management, prediction, optimisation, adaptation; the knowledge to understand and interpret the various problems and the various types of biological data presented during the course. They must also be able to demonstrate the understanding and the acquisition of the operating principles of the various methodologies and techniques presented. Competence and ability: The student must have acquired the ability to evaluate the suitability of the techniques and methodologies developed in the course for the management of real-world case studies. Students must demonstrate the ability to critically identify the best analysis approach, based on the relative strengths and weaknesses, to be applied to different types of biological data. Judgement autonomy: ability to work in an autonomous way, and deal with complex situations or with incomplete information Communication abilities: ability to clearly describe the methodologies and techniques studied, and their applications, to both expert and non-technical users; ability to justify design or implementation choices and clearly communicate them also to a non-expert audience; ability to clearly describe the operating principles of the studied methodologies, the possible advantages and disadvantages and their applicability to real problems to different types of audiences with different levels of experience. Learning capability: Students must have developed adequate knowledge of basic methodologies and the ability to analyze the main characteristics of clinical decision support systems and of the proposed methodologies for the analysis of biological data, to be able to learn, evaluate and/or develop new systems. Students must be able to describe and properly choose the correct techniques to realize an healthcare decision support system. Students must have acquired the operating principles of the methodologies analyzed to propose changes and adaptations for improving their applicability to the specific case. Identify and critically evaluate scientific information from publications in this field
Course borrowed to
INFORMATICA (1932) - MF0742 SUPPORTO ALLE DECISIONI E ALLA GESTIONE DEI PROCESSI - ALESSANDRIA
×
Print
Course
BIOLOGIA DEGLI AMBIENTI, EFFETTI UOMO AMBIENTE
Course ID
MF0628
Academic Year
2024/2025
Year of rule
2023/2024
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
Bio-Medicale
Teachers
Nasuelli Martina, Menga Alessio, Ceresa Chiara
CFU
9.0
Teaching duration (hours)
72.0
Individual study time
0.0
SSD
BIO/05 - ZOOLOGIA, BIO/10 - BIOCHIMICA, BIO/19 - MICROBIOLOGIA GENERALE
Course type
Attività formativa integrata
Course mandatoriety
OBB
Year
2
Period
Primo Semestre
Site
VERCELLI
Grading type
V
Lingua insegnamento/Teaching language
Italiano
Italian
Contenuti/Content Summary
Si esplorano teorie e tecniche di censimento, campionamento e l'uso di indicatori animali per monitorare l'ambiente. Si discute anche l'ecologia del paesaggio e di analisi dei dati di biodiversità attraverso software GIS. Inoltre, si affronta l'analisi biochimica delle reti metaboliche, osservando come nel corso dell'evoluzione l'uomo si sia adattato all'ambiente. Le interazioni tra uomo, microrganismi e ambiente sono esaminate attraverso il concetto di microbioma umano e dei diversi microbioti. Si approfondiscono i biofilm e le tecnologie utilizzate nello studio delle comunità microbiche, l'evoluzione genomica e l'epigenetica, completando così una panoramica completa delle dinamiche ecologiche e biologiche.
Theories and techniques of census, sampling and the use of animal indicators to monitor the environment are explored. Landscape ecology and analysis of biodiversity data using GIS software are also discussed. In addition, biochemical analysis of metabolic networks is addressed, looking at how throughout evolution humans have adapted to the environment. Interactions between humans, microorganisms and the environment are examined through the concept of the human microbiome and different microbiota. Biofilms and technologies used in the study of microbial communities, genomic evolution, and epigenetics are explored in depth, completing a comprehensive overview of ecological and biological dynamics.
Testi di riferimento/Textbooks
Sutherland W.J. (1996) Ecological census techniques. A handbook. Cambridge University Press, Cambridge UK. Forman R.T.T. (1997) Land mosaics. Cambridge University Press, Cambridge. Manuale operativo del software QGIS. Appling, Anthony-Cahill, Mathews. BIOCHIMICA Molecole e metabolismo – Pearson. Biochimica della Nutrizione - Pignatti - Ed. Esculapio 2022. Research article: Robinson, et al., An atlas of human metabolism. Sci. Signal. 13, eaaz1482 (2020) -BROCK Biology of microorganisms Madigan • Bender • Buckley • Sattley • Stahl -The Human Microbiota and Microbiome Edited by Julian R. Marchesi -Human Microbiome in Health and Disease. Part A and Part B Editors: Bhabatosh Das, Vijai Singh - Articoli scientifici - Materiale a cura del docente
Sutherland W.J. (1996) Ecological census techniques. A handbook. Cambridge University Press, Cambridge UK. Forman R.T.T. (1997) Land mosaics. Cambridge University Press, Cambridge. Manuale operativo del software QGIS. Appling, Anthony-Cahill, Mathews. BIOCHIMICA Molecole e metabolismo – Pearson. Biochimica della Nutrizione - Pignatti - Ed. Esculapio 2022. Research article: Robinson, et al., An atlas of human metabolism. Sci. Signal. 13, eaaz1482 (2020) -BROCK Biology of microorganisms Madigan • Bender • Buckley • Sattley • Stahl -The Human Microbiota and Microbiome Edited by Julian R. Marchesi -Human Microbiome in Health and Disease. Part A and Part B Editors: Bhabatosh Das, Vijai Singh - Articoli scientifici - Materiale a cura del docente
Obiettivi formativi/Mission
L'insegnamento integrato si propone di fornire allo studente un approccio sistemico per comprendere i vari aspetti della biologia degli ambienti e per comprendere come l'uomo si integra in questa complessità.
This integrated teaching course aims to provide students with a systems approach to understanding the various aspects of the biology of environments and how humans fit into this complexity.
Prerequisiti/Required background knowledge
E' necessario aver acquisito buone conoscenze in materie biologiche ed ecologiche. Nozioni di base sulle macromolecole biologiche.
Good knowledge in biological and ecological subjects is required. Basics related to biological macromolecules.
Metodi didattici/Teaching methods
Lezioni frontali con presentazioni powerpoint, immagini, filmati. Esercizi guidati; commenti di letteratura scientifica. Esercitazioni in aula per verificare l'apprendimento dei concetti fondamentali. Seminari di esperti su tematiche specifiche. Aula informatica con PC per l'uso di software GIS (es. QGIS) e pacchetti R per elaborazioni-visualizzazioni di dati genetici.
Lectures with powerpoint presentations, images, movies. Guided exercises; commentaries from scientific literature. Classroom exercises to test learning of fundamental concepts. Seminars by experts on specific topics. Computer room with PCs for use of GIS software (e.g., QGIS) and R packages for processing-visualization of genetic data.
Modalità di verifica dell'apprendimento/Assessment methods
Esame verbalizzante orale, preceduto da un esame scritto con domande a risposta aperta e a risposta multipla
Oral exam with verbalization, preceded by a written exam with open-ended and multiple-choice questions
Programma esteso/Content
Vedi in dettaglio il programma dei singoli moduli dell'insegnamento integrato: applicazioni per la biodiversità; reti metaboliche; modelli microbiologici e genetici
See in detail the syllabus of the individual modules of the integrated course: applications for biodiversity; metabolic networks; microbiological and genetic models
Risultati di apprendimento attesi/Intended learning objectives
Conoscenze: Conoscenze applicative relative alla biodiversità. Acquisizione di conoscenze sulla struttura degli ambienti terrestri, utilizzando l'approccio dell'ecologia del paesaggio; utilizzo di dati satellitari o altri metodi di rilevamento a distanza; utilizzo di GIS; arricchimento dell’appropriato linguaggio scientifico in campo ecologico. Acquisizione di conoscenze sulle tecniche più comuni per l’analisi di dati genomici relativi alle specie animali. Conoscenza delle interrelazioni tra le vie del metabolismo e come il metabolismo sia cambiato nel corso dell’evoluzione. Conoscenza dei modelli microbiologici di studio dell’interazione fra l’uomo e i microrganismi, con particolare riferimento allo studio dei microbioti. Conoscenza dell’evoluzione dei genomi e dei processi epigenetici. Competenze e abilità: Gli studenti saranno in grado di identificare e reperire dati necessari per progetti di conservazione della natura; capacità d’interpretare i dati scientifici nell’ambito della zoologia applicata. Saranno in grado di analizzare i dati relativi allo studio del microbiota e sapranno interpretare dati genomici e approcci di genome editing. Gli studenti potranno collegare gli strumenti dell’intelligenza artificiale in un contesto metabolico, al fine di esplorare e evidenziare correlazioni tra uomo e ambiente.
Knowledge: Applied knowledge related to biodiversity. Acquisition of knowledge about the structure of terrestrial environments, using the landscape ecology approach; use of satellite data or other remote sensing methods; use of GIS; enrichment of appropriate scientific language in ecology. Acquisition of knowledge of the most common techniques for the analysis of genomic data related to animal species. Knowledge of the interrelationships among metabolic pathways and how metabolism has changed throughout evolution. Knowledge of microbiological models for studying the interaction between humans and microorganisms, with reference to the study of microbiota. Knowledge of the evolution of genomes and epigenetic processes. Skills and abilities: Students will be able to identify and retrieve data needed for nature conservation projects; ability to interpret scientific data in the field of applied zoology. They will be able to analyze data related to the study of the microbiota and know how to interpret genomic data and genome editing approaches. Students will be able to connect artificial intelligence tools in a metabolic context in order to explore and highlight correlations between humans and the environment.
Modules
Course ID Course SSD Teachers Agenda web
MF0629BIOLOGIA DEGLI AMBIENTI, EFFETTI UOMO AMBIENTE: APPLICAZIONI PER LA BIODIVERSITÀ BIO/05 - ZOOLOGIA Nasuelli Martina Not available
MF0631BIOLOGIA DEGLI AMBIENTI, EFFETTI UOMO AMBIENTE: RETI METABOLICHE BIO/10 - BIOCHIMICA Menga Alessio Not available
MF0632BIOLOGIA DEGLI AMBIENTI, EFFETTI UOMO AMBIENTE: MODELLI MICROBIOLOGICI E GENETICI BIO/19 - MICROBIOLOGIA GENERALE Ceresa Chiara Not available
Show parent course details
×
Print
Course
BIOLOGIA DEGLI AMBIENTI, EFFETTI UOMO AMBIENTE: APPLICAZIONI PER LA BIODIVERSITÀ
Course ID
MF0629
Academic Year
2024/2025
Year of rule
2023/2024
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
Bio-Medicale
Teaching leader
NASUELLI MARTINA
Teachers
Nasuelli Martina
CFU
3.0
Teaching duration (hours)
24.0
Individual study time
51.0
SSD
BIO/05 - ZOOLOGIA
Course type
Modulo di sola Frequenza
Course mandatoriety
OBB
Course category
C
Year
2
Period
Primo Semestre
Site
VERCELLI
Grading type
G
Lingua insegnamento/Teaching language
ITALIANO
Italian
Contenuti/Content Summary
Teoria e parti pratiche volte allo studio della biodiversità. Verrano fornite nozioni di base di ecologia applicata alla caratterizzazione della biodiversità, identificazione delle relative minacce, metodi di campionamento, studio e gli indici per il monitoraggio ambientale. Verrano affrontati concetti di ecologia del paesaggio, genetica di popolazione ed in particolare i metodi per la biodiversità basati sullo studio del DNA. Verrano impiegati softwares e pacchetti applicativi dedicati all’analisi di dati genomici delle specie animali.
Theory and practical parts aimed at the study of biodiversity. Basic notions of ecology applied to the characterisation of biodiversity, identification of relevant threats, sampling methods, study and indices for environmental monitoring will be provided. Concepts of landscape ecology, population genetics and in particular DNA-based biodiversity methods will be addressed. Softwares and application packages dedicated to the analysis of genomic data of animal species will be used.
Testi di riferimento/Textbooks
Sutherland W.J. (1996) Ecological census techniques. A handbook. Cambridge University Press, Cambridge UK. Forman R.T.T. (1997) Land mosaics. Cambridge University Press, Cambridge. Frankham, Richard, and others, Genetic Management of Fragmented Animal and Plant Populations (Oxford, 2017; online edn, Oxford Academic, 21 Sept. 2017) Taberlet, Pierre, and others, Environmental DNA: For Biodiversity Research and Monitoring (Oxford, 2018; online edn, Oxford Academic, 22 Mar. 2018)
Sutherland W.J. (1996) Ecological census techniques. A handbook. Cambridge University Press, Cambridge UK. Forman R.T.T. (1997) Land mosaics. Cambridge University Press, Cambridge. Frankham, Richard, and others, Genetic Management of Fragmented Animal and Plant Populations (Oxford, 2017; online edn, Oxford Academic, 21 Sept. 2017) Taberlet, Pierre, and others, Environmental DNA: For Biodiversity Research and Monitoring (Oxford, 2018; online edn, Oxford Academic, 22 Mar. 2018)
Obiettivi formativi/Mission
Conoscere le teorie che governano l'andamento della biodiversità e le tecniche per studiarla, le banche dati genetiche e degli organismi viventi e i principali sistemi per la gestione e la conservazione di habitat e di specie. Acquisire la capacità di elaborare ed interpretare dati raccolti in natura e saperli porre in relazione con le caratteristiche dell'ambiente esterno Saper individuare il ruolo e le conseguenze dei diversi interventi antropici nella gestione e conservazione della natura. Saper utilizzare software e applicative per l’analisi del DNA di specie animali.
Know the theories governing the development of biodiversity and the techniques for studying it, genetic and living organism databases and the main systems for the management and conservation of habitats and species. To acquire the ability to process and interpret data collected in nature and to be able to relate them to the characteristics of the external environment To be able to identify the role and consequences of the various human interventions in the management and conservation of nature. To be able to use software and applications for DNA analysis of animal species.
Prerequisiti/Required background knowledge
E' necessario aver acquisito buone conoscenze in materie biologiche ed ecologiche.
Good knowledge in biological and ecological subjects is required.
Metodi didattici/Teaching methods
Lezioni in aula con presentazione di powerpoint e lezioni pratiche sull'analisi dei dati. Aula informatica con PC per l'uso di software GIS (es. QGIS) e pacchetti R per elaborazioni-visualizzazioni di dati genetici.
Classroom lectures with powerpoint presentation and practical lessons on data analysis. Computer room with PC for the use of GIS software (e.g. QGIS) and R packages for processing-visualisation of genetic data.
Altre informazioni/Further information
La prima parte del corso è mirata all'apprendimento teorico della biodiversità, dei meccanismi evolutivi, speciazione e filogenesi. Verrà acquisita una buona padronanza della teoria, seguita da esempi pratici relativi a invertebrati e vertebrati e alle metodiche utili a raccogliere dati genomici e per analizzarli in un’ottica di studio della biodiversità. La presenza degli organismi viventi verrà poi interpretata utilizzando l'approccio dell'Ecologia del Paesaggio e del modello patch-corridoio-matrice, seconda parte del corso, volta ad acquisire la capacità di elaborare e interpretare dati raccolti in natura in un'ottica di conservazione della biodiversità o di gestione delle risorse naturali. Verrà fornita una base di dati e di esempi al fine di acquisire gli strumenti critici per comprendere le tematiche relative alla gestione e alla conservazione, seguendo i due filoni della conservazione di ambienti e della conservazione di specie.
The first part of the course is aimed at learning the theory of biodiversity, evolutionary mechanisms, speciation and phylogeny. A good grasp of theory will be acquired, followed by practical examples relating to invertebrates and vertebrates and the methods useful for collecting genomic data and analysing them from a biodiversity study perspective. The presence of living organisms will then be interpreted using the Landscape Ecology approach and the patch-corridor-matrix model, the second part of the course, aimed at acquiring the ability to process and interpret data collected in nature from a biodiversity conservation or natural resource management perspective. A base of data and examples will be provided in order to acquire the critical tools to understand management and conservation issues, following the two strands of environment conservation and species conservation.
Modalità di verifica dell'apprendimento/Assessment methods
Esame orale. La prova prevede la stesura di un elaborato partendo da dati disponibili dei database pubblici online, sulla base del quale verrano effettuate domande per verificare l'apprendimento delle nozioni fornite durante il corso.
Oral examination. The test involves writing a scientific report based on data available from public online databases, on the basis of which questions will be asked to test the learning of the notions provided during the course.
Programma esteso/Content
Tecniche di censimento e indici per il monitoraggio ambientale. Generalità su teoria e tecniche di censimento e sul campionamento, affidabilità e precisione delle stime, bilancio precisione/costi. Uso di tecniche di censimento e indici applicati a vari taxa di viventi: invertebrati, pesci, anfibi, rettili, uccelli e mammiferi. Ecologia del paesaggio: il paesaggio come mosaico, il modello patch-corridoio-matrice. Effetto della scala spaziale nelle indagini ecologiche. Le patches: dimensione, confronti LOS e SLOSS. Frammentazione dell’habitat. Effetti su numero di specie, biodiversità, produttività e biomassa, erosione, idrologia. Dimensione ottimale e area minima, genetica in una patch (MVP, popolazione vitale minima). Zone di margine. Corridoi: funzione come habitat, condotti, filtri, source e sink. Matrice: percolamento, caratteristiche ecologiche della matrice. Cartografia: proiezioni cartografiche, sistemi di coordinate geografiche, latitudine-longitudine e sistema UTM. Cartografia italiana e regionale, cartografia tematica, telerilevamento, habitat CORINE. Costruzione di mappe di interesse ecologico. I sistemi GIS, il telerilevamento e sistemi informativi per l’ambiente. GIS: utilizzo di software dedicati. Files vettoriali, gli oggetti: punti, linee, poligoni, aree. I layers, costruzione di mappe tematiche. Files raster: utilizzo e gestione delle immagini raster. Dati genomici ottenuti in laboratorio o ricerca in banche dati (Genbank, Malavi). Software dedicati alla gestione dei dati genomici, alla costruzione di alberi filogenetici, alla visualizzazione delle relazioni tra specie e alla biodiversità animale.
Census techniques and indices for environmental monitoring. Generalities on census theory and techniques and sampling, reliability and precision of estimates, precision/cost balance. Use of census techniques and indices applied to various taxa of living things: invertebrates, fish, amphibians, reptiles, birds, and mammals. Landscape ecology: landscape as mosaic, the patch-corridor-matrix model. Effect of spatial scale in ecological investigations. Patches: size, LOS and SLOSS comparisons. Habitat fragmentation. Effects on species numbers, biodiversity, productivity and biomass, erosion, hydrology. Optimal size and minimum area, genetics in a patch (MVP, minimum viable population). Edge zones. Corridors: function as habitat, conduits, filters, source and sink. Matrix: percolation, ecological characteristics of the matrix. Cartography: map projections, geographic coordinate systems, latitude-longitude and UTM system. Italian and regional cartography, thematic mapping, remote sensing, CORINE habitats. Construction of maps of ecological interest. GIS systems, remote sensing and environmental information systems. GIS: use of dedicated software. Vector files, the objects: points, lines, polygons, areas. Layers, construction of thematic maps. Raster files: use and management of raster images. Genomic data obtained in the laboratory or search in databases (Genbank, Malavi). Software dedicated to genomic data management, construction of phylogenetic trees, visualization of species relationships and animal biodiversity.
Risultati di apprendimento attesi/Intended learning objectives
L'insegnamento ha l'obiettivo di fornire allo studente conoscenze applicative relative alla biodiversità, in un'ottica di utilizzo dell'enorme mole di dati ambientali presenti nelle banche dati al fine di migliorare la gestione e la conservazione della natura. Particolare attenzione è mirata all’uso di softwares per la biodiversità e per l’analisi del DNA di specie animali. Conoscenza e capacità di comprensione: acquisizione di conoscenze sulla struttura degli ambienti terrestri, utilizzando l'approccio dell'ecologia del paesaggio; conservazione della natura e le tecniche più comuni per studiare la fauna; utilizzo di dati e GIS; arricchimento dell’appropriato linguaggio scientifico in campo ecologico. Acquisizione di conoscenze sulle tecniche più comuni per l’analisi di dati genomici relativi alle specie animali. Conoscenza e capacità di comprensione applicate: identificare e reperire dati necessari per progetti di conservazione della natura e saperli reperire da fonti affidabili; capacità d’interpretare i dati scientifici nell’ambito della zoologia applicata. Autonomia di giudizio: capacità di analizzare con senso critico gli elementi legati alla conservazione delle specie e alle minacce alla biodiversità, autonomia di giudizio nella valutazione dei dati sperimentali ricavati dallo studio delle specie in campo e dei dati ambientali forniti da Enti (dati fisico-chimici, telerilevamento) o presenti nelle banche date genetiche. Abilità comunicative: perfezionamento del lessico disciplinare nell’ambito della zoologia applicata, nonché della capacità di descrivere in modo chiaro e conciso fenomeni e problematiche legate alla conservazione rivolgendosi anche ai non addetti ai lavori. Abilità di relazionare sulle tematiche presentate durante il corso con un linguaggio scientifico appropriato. Capacità di apprendimento: acquisizione della capacità di approfondire criticamente ed aggiornare in maniera autonoma le competenze acquisite, tramite lettura di testi ed articoli scientifici. Capacità di utilizzare il materiale didattico per uno studio critico e ragionato.
The course aims to provide students with applied knowledge related to biodiversity, with a view to using the huge amount of environmental data in databases to improve nature management and conservation. Particular emphasis is placed on the use of softwares for biodiversity and DNA analysis of animal species. Knowledge and understanding: acquisition of knowledge about the structure of terrestrial environments, using the landscape ecology approach; nature conservation and the most common techniques for studying fauna; use of data and GIS; enrichment of the appropriate scientific language in the field of ecology. Acquisition of knowledge of the most common techniques for analysing genomic data on animal species. Applied knowledge and understanding: identifying and finding data required for nature conservation projects and being able to retrieve them from reliable sources; ability to interpret scientific data in the field of applied zoology. Autonomy of judgement: the ability to critically analyse elements related to species conservation and threats to biodiversity, autonomy of judgement in the evaluation of experimental data obtained from the study of species in the field and environmental data provided by organisations (physico-chemical data, remote sensing) or present in genetic databases. Communication skills: refinement of the disciplinary vocabulary in the field of applied zoology, as well as the ability to clearly and concisely describe phenomena and problems related to conservation, also addressing non-specialists. Ability to report on the topics presented during the course in appropriate scientific language. Learning ability: acquisition of the ability to critically deepen and update the acquired competences independently, by reading scientific texts and articles. Ability to use teaching material for critical and reasoned study.
Show parent course details
×
Print
Course
BIOLOGIA DEGLI AMBIENTI, EFFETTI UOMO AMBIENTE: RETI METABOLICHE
Course ID
MF0631
Academic Year
2024/2025
Year of rule
2023/2024
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
Bio-Medicale
Teaching leader
MENGA ALESSIO
Teachers
Menga Alessio
CFU
3.0
Teaching duration (hours)
24.0
Individual study time
51.0
SSD
BIO/10 - BIOCHIMICA
Course type
Modulo di sola Frequenza
Course mandatoriety
OBB
Course category
C
Year
2
Period
Primo Semestre
Site
VERCELLI
Grading type
G
Lingua insegnamento/Teaching language
ITALIANO
Italian
Contenuti/Content Summary
Il funzionamento dei sistemi cellulari dipende dal metabolismo; nel corso dell'evoluzione le reti metaboliche dell'organismo umano si sono adattate all'ambiente
the functioning of cellular systems depends on metabolism; in the course of evolution, the metabolic networks of the human organism have adapted to the environment
Testi di riferimento/Textbooks
Appling, Anthony-Cahill, Mathews. BIOCHIMICA Molecole e metabolismo – Pearson Biochimica della Nutrizione - Pignatti - Ed. Esculapio 2022 Research article: Robinson, et al., An atlas of human metabolism. Sci. Signal. 13, eaaz1482 (2020)
Appling, Anthony-Cahill, Mathews. BIOCHIMICA Molecole e metabolismo – Pearson Biochimica della Nutrizione - Pignatti - Ed. Esculapio 2022 Research article: Robinson, et al., An atlas of human metabolism. Sci. Signal. 13, eaaz1482 (2020)
Obiettivi formativi/Mission
Il modulo di insegnamento ha l'obiettivo di fornire allo studente conoscenze relative all’evoluzione delle reti metaboliche in relazione alle variazioni ambientali. Conoscenza e capacità di comprensione: acquisizione di conoscenze relative allo sviluppo delle reti metaboliche all’interno degli organismi, conoscenza delle relazioni con le variazioni dell’ambiente sia in contesti fisiologici sia in contesti patologici. Capacità di applicare conoscenza e comprensione: lo studente con la conoscenza acquisita sarà in grado di comprendere i tratti distintivi e peculiari dei processi metabolici nelle relazioni tra uomo e ambiente e di individuarne i tratti applicativi. Autonomia di giudizio: abilità a comprendere e discutere criticamente le conoscenze acquisite. Abilità a comprendere e discutere criticamente i risultati ottenuti nel campo della biochimica metabolica. Abilità comunicative: Dimostrare capacità di estrarre e sintetizzare l'informazione rilevante, perfezionamento del lessico disciplinare in ambito biochimico nonché della capacità di descrivere, con chiarezza e senso critico, fenomeni e problematiche relative alle reti metaboliche anche ai non addetti ai lavori. Capacità di apprendimento: capacità di leggere, comprendere e commentare un testo scientifico di biochimica metabolica in lingua inglese Acquisizione della capacità di approfondire e aggiornare criticamente obiettivi e/o i risultati di un piano di ricerca secondo un approccio sia quantitativo che qualitativo.
The teaching module aims to provide the student with knowledge relating to the evolution of metabolic networks in relation to environmental variations. Knowledge and understanding - acquisition of knowledge relating to the development of metabolic networks within organisms, knowledge of the relationships with changes in the environment both in physiological and pathological contexts. Applying knowledge and understanding: the student with the acquired knowledge will be able to understand the distinctive and peculiar traits of metabolic processes in the relationships between human beings and the environment and to identify their applicative traits. Autonomy of judgement - ability to understand and critically discuss acquired knowledge. Ability to understand and critically discuss the results obtained in the field of metabolical biochemistry. Communication skills - Demonstrate the ability to extract and synthesize relevant information, refine the disciplinary lexicon in the biochemical field as well as the ability to describe, with clarity and a critical sense, phenomena and problems relating to metabolic networks even to non-professionals. Learning skills - ability to read, understand and comment on a scientific text of metabolic biochemistry in English. Acquisition of the ability to critically deepen and update the objectives and / or results of a research plan, according to both a quantitative and a qualitative approach.
Prerequisiti/Required background knowledge
Nozioni di base relative alla biologia (cellule, organismi) e alle macromolecole biologiche
Basics related to biology (cells, organisms) and biological macromolecules
Metodi didattici/Teaching methods
lezioni frontali con presentazioni powerpoint, esercizi guidati; commenti di letteratura scientifica
Lectures with powerpoint presentations, guided exercises; commentaries on scientific literature
Altre informazioni/Further information
Il controllo dell'apprendimento in itinere viene effettuato attraverso test periodici forniti agli studenti con risoluzione successiva alla lavagna e autovalutazione
The control of learning in itinere is carried out through periodic tests provided to students with subsequent resolution in the classroom and self-assessment
Modalità di verifica dell'apprendimento/Assessment methods
L’esame consiste in un colloquio orale con domande volte a valutare le conoscenze teoriche sugli argomenti trattati a lezione
The exam consists of an oral interview with questions designed to assess theoretical knowledge on topics covered in class
Programma esteso/Content
Il metabolismo cellulare e di organismo come funzione energetica. Interrelazioni tre le vie metaboliche: reti metaboliche. Evoluzione delle reti metaboliche nell'organismo umano in relazione alle variazioni dell'ambiente. Differenze fra condizioni fisiologiche e patologiche. Reti di segnalazione, reti nutrizionali e reti neuronali.
Cellular and organism metabolism as an energy function. Interrelationships among metabolic pathways: metabolic networks. Evolution of metabolic networks in the human organism in relation to changes in the environment. Differences between physiological and pathological conditions. Signaling networks, nutritional networks and neuronal networks.
Risultati di apprendimento attesi/Intended learning objectives
Conoscenze: Conoscenza delle interrelazioni tra le vie del metabolismo e come il metabolismo sia cambiato nel corso dell’evoluzione. Competenze e abilità: Gli studenti potranno collegare gli strumenti dell’intelligenza artificiale in un contesto metabolico, al fine di esplorare e evidenziare correlazioni tra uomo e ambiente.
Knowledge: Knowledge of the interrelationships between metabolic pathways and how they have changed over the course of evolution. Competences and Skills: Students will be able to connect the tools of artificial intelligence in a metabolic context, in order to explore and highlight correlations between human beings and the environment.
Show parent course details
×
Print
Course
BIOLOGIA DEGLI AMBIENTI, EFFETTI UOMO AMBIENTE: MODELLI MICROBIOLOGICI E GENETICI
Course ID
MF0632
Academic Year
2024/2025
Year of rule
2023/2024
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
Bio-Medicale
Teaching leader
CERESA CHIARA
Teachers
Ceresa Chiara
CFU
3.0
Teaching duration (hours)
24.0
Individual study time
51.0
SSD
BIO/19 - MICROBIOLOGIA GENERALE
Course type
Modulo di sola Frequenza
Course mandatoriety
OBB
Course category
C
Year
2
Period
Primo Semestre
Site
VERCELLI
Grading type
G
Lingua insegnamento/Teaching language
ITALIANO
Italian
Contenuti/Content Summary
Le interazioni uomo/microrganismo e ambiente/microrganismo. Modelli microbiologici di comunità complesse: - il concetto di microbioma umano - i diversi microbioti dell’organismo umano - i biofilm. Le tecnologie impiegate per lo studio delle comuità microbiche, dell’evoluzione dei genomi e dell’epigenetica.
The interactions between humans and microorganisms and between the environment and microorganisms. Microbiological models of complex communities: - the concept of human microbiome - the different microbiota of the human body - the biofilms. Technologies employed for studying microbial communities, genome evolution, and epigenetics.
Testi di riferimento/Textbooks
-BROCK Biology of microorganisms Madigan • Bender • Buckley • Sattley • Stahl -The Human Microbiota and Microbiome Edited by Julian R. Marchesi -Human Microbiome in Health and Disease. Part A and Part B Editors: Bhabatosh Das, Vijai Singh - Articoli scientifici - Materiale a cura del docente
-BROCK Biology of microorganisms Madigan • Bender • Buckley • Sattley • Stahl -The Human Microbiota and Microbiome Edited by Julian R. Marchesi -Human Microbiome in Health and Disease. Part A and Part B Editors: Bhabatosh Das, Vijai Singh - Scientific articles - Materials by the lecturee
Obiettivi formativi/Mission
Conoscenza e capacità di comprensione: acquisizione di conoscenze relative alle tecnologie impiegate per lo studio del microbiota, dell’evoluzione dei genomi, dell’epigenetica e dell’editing genomico. Capacità di applicare conoscenza e comprensione: lo studente applicherà le conoscenze acquisite per integrare i dati provenienti da analisi del microbiota, e/o derivanti dallo studio dei processi genetici con l’impiego dell’intelligenza artificiale. Autonomia di giudizio: capacità di analizzare con senso critico gli elementi legati alla scelta del migliore metodo da applicare in base alle problematiche da affrontare, autonomia di giudizio nella valutazione critica dei dati ricavati dall’analisi del microbiota e dall’analisi del genoma. Abilità comunicative: perfezionamento del lessico disciplinare nell’ambito della genetica e della microbiologia secondo gli standard internazionali. Abilità di relazionare sulle tematiche presentate durante il corso con un linguaggio scientifico appropriato. Capacità di apprendimento: acquisizione della capacità di approfondire criticamente ed aggiornare in maniera autonoma le competenze acquisite, tramite lettura di testi ed articoli scientifici. Capacità di utilizzare il materiale didattico per uno studio critico.
Knowledge and understanding - acquisition of knowledge relating to the technologies used for the study of the microbiota, the evolution of genomes, epigenetics and genome editing. Applying knowledge and understanding: the student will apply the acquired knowledge to integrate data from microbiota analysis, and/ or resulting from the study of genetic processes with the use of artificial intelligence. Autonomy of judgement - ability to critically analyze the elements related to the choice of the best method to be applied based on the problems to be addressed, independent judgment in the critical evaluation of the data obtained from the analysis of the microbiota and from the analysis of the genome. Communication skills - improvement of the disciplinary lexicon in the field of genetics and microbiology according to international standards. Ability to report on the topics presented during the course with an appropriate scientific language. Learning skills - acquisition of the ability to critically deepen and autonomously update the skills acquired, by reading texts and scientific articles. Ability to use the teaching material for a critical study.
Metodi didattici/Teaching methods
Il corso prevede lezioni frontali svolte in aula. Argomenti di particolare interesse e attualità saranno discussi in aula con la lettura di pubblicazioni scientifiche in lingua inglese. Al termine di ogni argomento trattato nel corso, verranno effettuate esercitazioni in aula per verificare l'apprendimento dei concetti fondamentali.
The course includes lectures delivered in the classroom. Topics of particular interest and relevance will be examined and discussed by the reading of scientific publications. At the end of each topic covered in the course, classroom exercises will be carried out to verify the learning of the fundamental concepts.
Modalità di verifica dell'apprendimento/Assessment methods
Esame scritto con due domande a risposta aperta volte a valutare conoscenze, nozioni e capacità critica acquisite dallo studente e 6 domande a risposta multipla. Le domande a risposta multipla potranno essere delle seguenti tipologie: - Domanda a risposta multipla con una sola risposta vera - Domande vero/falso - Domande a completamento di parole - Il voto finale sarà dato dalla somma dei punteggi relativi a ciascuna domanda. Verrà inoltre valutata la capacità di rispondere alle domande a risposta aperta utilizzando un linguaggio tecnico-scientifico appropriato.
Written exam with two open questions aimed at evaluating knowledge, concepts and critical skills acquired by the student and 6 multiple-choice questions. Multiple choice questions can be of the following types: - Multiple choice question with only one true answer - True / false questions - Word completion questions -The final grade will be given by the sum of the scores for each question. The ability to answer open questions using an appropriate technical-scientific language will also be evaluated.
Programma esteso/Content
Il concetto di biodiversità microbica nei vari ambienti. Le interazioni uomo/microrganismo e microrganismo/ambiente. Definizioni e caratteristiche di microbioma/microbiota. I diversi microbioti dell’organismo umano e le loro connessioni. Metodi utilizzati per analizzare la biodiversità microbica, tra cui tecniche di sequenziamento del DNA, tecniche per la profilazione di comunità microbiche complesse, metagenomica e bioinformatica. Altri esempi di comunità microbiche complesse: i biofilm monospecie e multispecie, metodiche di analisi e meccanismi di ricombinazone genica tra i membri della comunità. Concetti di base e tecnologie per lo studio dell’evoluzione dei genomi e dell’epigenetica.
The concept of microbial biodiversity in various environments. The interactions between humans and microorganisms, and environment and microorganism. Definitions and characteristics of microbiome/microbiota - The different microbiotas of the human body and their connections. Methods used to analyze microbial biodiversity, including DNA sequencing techniques, techniques for profiling complex microbial communities, metagenomics, and bioinformatics. Other examples of complex microbial communities: mono and polymicrobial biofilms, methods of analysis and mechanisms of gene recombination among community members. Basic concepts and technologies for studying genome evolution and epigenetics.
Risultati di apprendimento attesi/Intended learning objectives
Conoscenze: Conoscenza dei modelli microbiologici di studio dell’interazione fra l’uomo e i microrganismi, con particolare riferimento allo studio dei microbioti. Conoscenza dell’evoluzione dei genomi e dei processi epigenetici. Competenze e abilità: Gli studenti saranno in grado di analizzare i dati relativi allo studio del microbiota e sapranno interpretare dati genomici e approcci di genome editing.
Knowledge: Provide information on microbiological models for studying the interaction between humans and microorganisms, with particular reference to the study of microbiota. Knowledge of the evolution of genomes and epigenetic processes. Competences and Skills: Students will be able to analyze data related to the study of the microbiota and will be able to evaluate genomic data and genome editing approaches.
×
Print
Course
MULTI-OMICA APPLICATA E STRUMENTAZIONE BIOMEDICALE
Course ID
MF0623
Academic Year
2024/2025
Year of rule
2023/2024
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
Bio-Medicale
Teaching leader
CHIOCCHETTI Annalisa
Teachers
Danani Andrea, Chiocchetti Annalisa, Raineri Davide, Stecco Alessandro, Distasi Carla, Ferrero Enrico
CFU
12.0
Teaching duration (hours)
96.0
Individual study time
0.0
SSD
BIO/11 - BIOLOGIA MOLECOLARE, MED/04 - PATOLOGIA GENERALE, MED/36 - DIAGNOSTICA PER IMMAGINI E RADIOTERAPIA, BIO/09 - FISIOLOGIA
Course type
Attività formativa integrata
Course mandatoriety
OBB
Year
2
Period
Secondo Semestre
Site
VERCELLI
Grading type
V
Modules
Course ID Course SSD Teachers Agenda web
MF0624MULTI-OMICA APPLICATA E STRUMENTAZIONE BIOMEDICALE: BIOINFORMATICA STRUTTURALE E MODELLISTICA MOLECOLARE BIO/11 - BIOLOGIA MOLECOLARE Danani Andrea Not available
MF0625MULTI-OMICA APPLICATA E STRUMENTAZIONE BIOMEDICALE: CITOMICA MED/04 - PATOLOGIA GENERALE Chiocchetti Annalisa, Raineri Davide Not available
MF0626MULTI-OMICA APPLICATA E STRUMENTAZIONE BIOMEDICALE: RADIOMICA MED/36 - DIAGNOSTICA PER IMMAGINI E RADIOTERAPIA Stecco Alessandro Not available
MF0627MULTI-OMICA APPLICATA E STRUMENTAZIONE BIOMEDICALE: BIOINFORMATICA DELLE RETI NEURALI BIO/09 - FISIOLOGIA Distasi Carla, Ferrero Enrico Not available
Show parent course details
×
Print
Course
MULTI-OMICA APPLICATA E STRUMENTAZIONE BIOMEDICALE: BIOINFORMATICA STRUTTURALE E MODELLISTICA MOLECOLARE
Course ID
MF0624
Academic Year
2024/2025
Year of rule
2023/2024
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
Bio-Medicale
Teaching leader
DANANI Andrea
Teachers
Danani Andrea
CFU
3.0
Teaching duration (hours)
24.0
Individual study time
51.0
SSD
BIO/11 - BIOLOGIA MOLECOLARE
Course type
Modulo di sola Frequenza
Course mandatoriety
OBB
Course category
C
Year
2
Period
Secondo Semestre
Site
VERCELLI
Grading type
G
Lingua insegnamento/Teaching language
Inglese
English
Contenuti/Content Summary
Il programma prevede un overview dei principali metodi di modellizzazione matematica e computazionale applicati in ambito biologico e farmaceutico. Verrà data particolare enfasi enfasi alla modellizzazione molecolare all'Intelligenza Artificiale, soprattutto al Machine learning, dove verranno mostrati parecchi esempi specifici dove questi approcci si mostrano molto efficaci.
The lecture includes an overview of the main methods of mathematical and computational modeling applied in the biological and pharmaceutical fields. Special emphasis will be given to molecular modeling and Artificial Intelligence, particularly Machine Learning, where several specific examples will be presented to demonstrate the effectiveness of these approaches.
Testi di riferimento/Textbooks
Slide delle lezioni. Testi realtivi a specifici argomenti specific trattati durante le lezioni sono menzionati all'interno.
Slides of the lectures. Textbook related to specific arguments treated in the lectures are mentioned inside the slides
Obiettivi formativi/Mission
Conoscenza e capacità di comprensione: sviluppare la capacità di formulare modelli matematici e computazionali in System Biology e Virtual screening, in particolare nell'ambito della modellazione dei target di interesse biologico e della loro interazione con farmaci biotecnologici a livello molecolare. Acquisizione di conoscenze metodologiche per l'analisi in silico delle principali proprietà strutturali, chimico-fisiche che influenzano il riconoscimento molecolare tra il target di interesse farmacologico. Strategie metodologiche per predire e validare il meccanismo d'azione dei farmaci e prodotti biotecnologici con particolare riferimento alla progettazione razionale di studi su modelli animali secondo il principio 3R. Autonomia di giudizio: capacità di analizzare con senso critico e autonomamente il grado di accuratezza e gli ambiti di applicazione degli approcci modellistici e computazionali impiegati nella descrizione di sistemi biologici e nello sviluppo di farmaci e prodotti biotecnologici. Abilità comunicative: perfezionamento del lessico disciplinare nell’ambito delle analisi delle principali proprietà strutturali, chimico-fisiche e stereo-elettroniche che per il riconoscimento molecolare tra il target farmacologico e i farmaci biotecnologici. Abilità di relazionare sulle tematiche presentate durante il corso con un linguaggio scientifico appropriato. Capacità di apprendimento: acquisizione della capacità di approfondire criticamente ed aggiornare in maniera autonoma le competenze acquisite, tramite lettura di testi ed articoli scientifici. Capacità di utilizzare il materiale didattico per uno studio critico e ragionato.
Knowledge: Developing the ability to formulate mathematical and computational models in System Biology and Virtual screening, particularly in the field of modeling biological target and their interaction with biotechnological drugs at the molecular level. Acquisition of methodological knowledge for the in silico analysis of the main structural and physicochemical properties influencing molecular recognition between the pharmacological target of interest. Methodological strategies to predict and validate the mechanism of action of drugs and biotechnological products with particular reference to the rational design of studies on animal models according to the 3R principle. Judgment skills: Ability to critically and independently analyze the accuracy and scope of application of the modeling and computational approaches employed in describing biological systems and in the development of drugs and biotechnological products. Communication skills: Enhancement of disciplinary vocabulary in the analysis of the main structural, physicochemical, and stereo-electronic properties for molecular recognition between the pharmacological target and biotechnological drugs. Ability to communicate on the topics presented during the course using appropriate scientific language. Learning skills: Acquisition of the ability to critically deepen and autonomously update the acquired skills through the reading of texts and scientific articles. Ability to use educational material for critical and reasoned study.
Prerequisiti/Required background knowledge
Conoscenze base di analisi e di biologia. Conoscenze base nella programmazione sono benvenute.
Basic knowledge in Analysis and Biology. Some basic knowledge in programming are welcome.
Metodi didattici/Teaching methods
Lezione frontale. Demo di modelli presentati a lezione. Esercizi svolti dallo studente.
Frontal lessons. Demos of models presented in the lectures. Exercises completed by the student.
Modalità di verifica dell'apprendimento/Assessment methods
Esame orale con presentazione di un progettino su un esempio specifico.
Oral exam with the presentation of a small project on a specific topic.
Programma esteso/Content
Contenuti: - Introduzione all'Intelligenza Artificiale moderna e al Deep Learning con alcuni esempi. - Modelli matematici nelle Scienze della Vita. Alcuni esempi in medicina e in System Biology. - Network Medicine e introduzione alla Multiomica. - Modellazione molecolare con alcune applicazioni biomediche e farmaceutiche. - Machine Learning allo screening virtuale di farmaci. Estrazione di caratteristiche per farmaci e proteine bersaglio. - Machine Learning da una prospettiva biologica: alcuni esempi (supervised learning e e regole di Bayes, elaborazione biologicamente ispirata con neuroni a impulsi, strutture simili a alberi nell'apprendimento automatico e nella biologia). Per gli ultimi due argomenti saranno forniti esempi pratici nel linguaggio di programmazione Python.
Contents: - Introduction to modern AI and Deep learning with some examples - Mathematical models in Life Sciences. Some examples in medicine and in System biology. - Network medicine and introduction to Multiomics. - Molecular modelling with some biomedical and pharmaceutical applications. - Machine learning applied to Virtual screening. Extraction of features for drugs and target proteins. - Machine learning from a biological perspective: some examples (supervised learning and Bayes rules, biologically inspired computing with spiking neurons, Tree-like structures in machine learning and biology) Practical examples in Python programming language will be provided for the last two topics.
Risultati di apprendimento attesi/Intended learning objectives
CONOSCENZE: - principali applicazioni di modelli matematici e di metodi computazionali; - valutazione critica di limiti e pregi dei metodi predittivi impiegati in system biology e nello sviluppo di farmaci e prodotti biotecnologici; COMPETENZE E ABILITA’: - capacità di comprendere in modo autonomo ed approfondito i metodi ed i risultati scientifici di una pubblicazione contenente studi computazionali - capacità di comunicare chiaramente i risultati di uno studio in silico; - conoscenza versatile dei metodi computazionali come base per ulteriori approfondimenti da studi personali nel campo - capacità di lavorare in gruppi di ricerca accademici o industriali su progetti multidisciplinari.
KNOWLEDGE: - main applications of mathematical models and computational methods; - critical evaluation of the limits and advantages of the predictive methods used in system biology and in the development of drugs and biotechnological products; COMPETENCES AND SKILLS: - ability to autonomously and thoroughly understand the scientific methods and results of a publication containing computational studies - ability to communicate the results of an in silico study; - versatile knowledge of computational methods as a basis for further insights from personal studies in the field - ability to work in academic or industrial research groups on multidisciplinary projects
Show parent course details
×
Print
Course
MULTI-OMICA APPLICATA E STRUMENTAZIONE BIOMEDICALE: CITOMICA
Course ID
MF0625
Academic Year
2024/2025
Year of rule
2023/2024
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
Bio-Medicale
Teaching leader
CHIOCCHETTI Annalisa
Teachers
Chiocchetti Annalisa, Raineri Davide
CFU
3.0
Teaching duration (hours)
24.0
Individual study time
51.0
SSD
MED/04 - PATOLOGIA GENERALE
Course type
Modulo di sola Frequenza
Course mandatoriety
OBB
Course category
C
Year
2
Period
Secondo Semestre
Site
VERCELLI
Grading type
G
Lingua insegnamento/Teaching language
INGLESE
English
Contenuti/Content Summary
Il Corso descrive diverse tecnologie e metodologie che analizzano, a livello di singola cellula, la complessità cellulare al fine di comprendere l’architettura e le funzioni del sistema cellulare.
The course describes different technologies and systems analysing, at a single cell level, cellular complexity to understand the molecular architecture and functionality of the cell system.
Testi di riferimento/Textbooks
nessuno
none
Obiettivi formativi/Mission
Gli studenti apprenderanno le basi della citometria a flusso, del cell sorting, dell’analisi a singola cellula, e della citometria di massa applicata ai tessuti, abbinate alle scienze omiche applicate a queste tecnologie.
Students will gain insights in flow cytometry, cell sorting, single cell analysis, imaging mass cytometry and omic applications to these technologies.
Prerequisiti/Required background knowledge
Sono necessarie conoscenze di base di immunologia e biochimica
Basic knowledge of immunology and biochemistry are required
Metodi didattici/Teaching methods
Lezioni frontali con l’ausilio di diapositive e ove possibile attività sugli strumenti
Frontal lessons with slides and active learning and when possible use of instrumentation
Altre informazioni/Further information
Le studentesse e gli studenti con disabilità, DSA, BES, una volta preso contatto con lo Staff di Ateneo, possono contattare la/il docente titolare dell'insegnamento in relazione alla declinazione delle modalità di esame, in merito agli aspetti didattici.
Students with disabilities, learning disabilities or special education needs, once they have contacted the University Staff, can refer to the tutor in charge of the course to define the examination modalities, concerning academic aspects.
Modalità di verifica dell'apprendimento/Assessment methods
L’esame consiste in untest composto da 3 affermazioni cui va risposto vero/falso fornendo poi una breve spiegazione che giustifichi la scelta. Ogni risposta può valere un massimo di 11 punti, garantendo il raggiungimento del 30 lode (33 punti)
The exam consists of 3 statements (true or false) + the explanation. Each statements accounts for a maximum of 11 points, so that the student can reach 33 corresponding to 30 cum laude.
Programma esteso/Content
1- citometria a flusso e le sue applicazioni 2- citometria multiparametrica 3- Cell Sorting e le sue applicazioni 4- Citomica a singola cellula 5- Vescicolomica 6- Citometria di massa applicato ai tessuti
1- Flow Cytometry and its application 2- multiparametric cell evaluation 3- Cell Sorting and its application 4- Single cell Cytomics 5- Vescicolomics 6- Imaging mass Cytomics
Risultati di apprendimento attesi/Intended learning objectives
Gli studenti impareranno come la citomica apra una prospettiva non solo nella comprensione della biologia nello spazio, ma soprattutto alla medicina specializzata.
Students should understand how cytomics not only provides a new framework for spatiotemporal systems biology but enriches personalized medicine
Show parent course details
×
Print
Course
MULTI-OMICA APPLICATA E STRUMENTAZIONE BIOMEDICALE: RADIOMICA
Course ID
MF0626
Academic Year
2024/2025
Year of rule
2023/2024
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
Bio-Medicale
Teaching leader
STECCO ALESSANDRO
Teachers
Stecco Alessandro
CFU
3.0
Teaching duration (hours)
24.0
Individual study time
51.0
SSD
MED/36 - DIAGNOSTICA PER IMMAGINI E RADIOTERAPIA
Course type
Modulo di sola Frequenza
Course mandatoriety
OBB
Course category
C
Year
2
Period
Secondo Semestre
Site
VERCELLI
Grading type
G
Lingua insegnamento/Teaching language
ITALIANO
Italian
Contenuti/Content Summary
Radiobiologia, fondamenti del funzionamento delle diverse apparecchiature utilizzate in radiodiagnostica,identificazione lesioni target, strumenti di segmentazione delle immagini radiologiche, le features radiomiche e il loro significato. Ruolo della radioterapia in oncologia Applicazioni cliniche della radiomica e radiogenomica e le loro criticità metodologiche
Radiobiology, fundamentals of the functioning of the various equipment used in radiodiagnostics, identification of target lesions, segmentation tools for radiological images, radiomic features and their meaning. Role of radiotherapy in oncology Clinical applications of radiomics and radiogenomics and their methodological problems
Testi di riferimento/Textbooks
Radiomics and Radiogenomics: Technical Basis and Clinical Applications (Imaging in Medical Diagnosis and Therapy) 1st Edition By Ruijiang Li, Lei Xing, Sandy Napel, Daniel L. Rubin ISBN 9780815375852 Published June 28, 2019 by Chapman and Hall/CRC
Radiomics and Radiogenomics: Technical Basis and Clinical Applications (Imaging in Medical Diagnosis and Therapy) 1st Edition By Ruijiang Li, Lei Xing, Sandy Napel, Daniel L. Rubin ISBN 9780815375852 Published June 28, 2019 by Chapman and Hall/CRC
Obiettivi formativi/Mission
L'insegnamento ha l'obiettivo di fornire allo studente conoscenze sull’analisi di immagini radiologiche per l’estrazione di dati con finalità sia diagnostiche che di ricerca. Conoscenza e capacità di comprensione: acquisizione di basi della radiobiologia; conoscere le diverse features radiomiche e il loro significato; conoscere il ruolo della radioterapia in oncologia; conoscere il ruolo delle immagini e work flow in radioterapia; conoscere le applicazioni cliniche della radiomica e radiogenomica e le loro criticità metodologiche; arricchimento dell’appropriato linguaggio scientifico in campo radiomico; capacità d’interpretare i dati dell’analisi di immagine radiologiche in ambito di diagnostica e di ricerca. Autonomia di giudizio: capacità di identificare le lesioni target. Abilità comunicative: perfezionamento del lessico disciplinare nell’ambito radiomica. Abilità di relazionare sulle tematiche presentate durante il corso con un linguaggio scientifico appropriato. Capacità di apprendimento: acquisizione della capacità di approfondire criticamente ed aggiornare in maniera autonoma le competenze acquisite, tramite lettura di testi ed articoli scientifici. Capacità di utilizzare il materiale didattico per uno studio critico e ragionato.
The course aims to provide the student with knowledge on the analysis of radiological images to extract data for both diagnostic and research purposes. Knowledge: acquisition of basis of radiobiology; know the different radiomic features and their meaning; know the role of radiotherapy in oncology; know the role of images and workflow in radiotherapy; know the clinical applications of radiomics and radiogenomics and their methodological criticalities; enrichment of the appropriate scientific language in the radiomics field; ability to interpret radiological image analysis data in diagnostics and research. Autonomy of judgment: ability to identify target lesions. Communication skills: improvement of the disciplinary lexicon in the field of radiomics. Ability to report on the topics presented during the course with an appropriate scientific language. Learning skills: acquisition of the ability to critically deepen and autonomously update the skills acquired by reading texts and scientific articles. Ability to use the didactic material for a critical and reasoned study.
Prerequisiti/Required background knowledge
Gli studenti devono avere una adeguata preparazione nei campi dell'anatomia, della fisica, della fisiologia, delle basi molecolari e della genetica umana.
Students must have adequate preparation in the fields of anatomy, physics, physiology, molecular basis and human genetics.
Metodi didattici/Teaching methods
Lezioni frontali ed esercitazioni teoriche e pratiche in reparto
Lectures and theoretical and practical exercises in the ward
Altre informazioni/Further information
Il docente da la disponibilità, nel ricevimento degli studenti, a risolvere le singole criticità con tutoraggio mirato.
The teacher gives availability to receive the students to solve the single critical issues with targeted tutoring.
Modalità di verifica dell'apprendimento/Assessment methods
Verifica con test a risposta multipla e successivo esame orale sugli argomenti trattati e sugli iter diagnostici
Verification with multiple choice tests and subsequent oral exam on the topics covered and on the diagnostic procedures
Programma esteso/Content
CONOSCENZE: - basi della radiobiologia - nozioni relative alla radiomica e radiogenomica e le loro applicazioni cliniche - nozioni di strumenti di segmentazione delle immagini radiologiche -fondamenti del funzionamento delle diverse apparecchiature utilizzate in radiodiagnostica - indicazioni alla radioterapia e work flow COMPETENZE E ABILITA’: Lo studente sarà in grado di comprendere in modo autonomo e approfondito: - capacità di conoscere le diverse features radiomiche e il loro significato - capacità di utilizzare gli strumenti di segmentazione delle immagini radiologiche - capacità di identificare le lesioni target - capacità di comprendere i fondamenti del funzionamento delle diverse apparecchiature utilizzate in radiodiagnostica
KNOWLEDGE: - basis of radiobiology - fundamentals related to radiomics and radiogenomics and their clinical applications - basis of segmentation tools for radiological images - fundamentals of the operation of the various equipment used in radio diagnostics - indications for radiotherapy and workflow COMPETENCES AND SKILLS: The student will be able to understand independently and in-depth: - ability to know the different radiomic features and their meaning - ability to use radiological image segmentation tools - ability to identify target lesions - ability to understand the fundamentals of the operation of the various equipment used in radiodiagnostics
Show parent course details
×
Print
Course
MULTI-OMICA APPLICATA E STRUMENTAZIONE BIOMEDICALE: BIOINFORMATICA DELLE RETI NEURALI
Course ID
MF0627
Academic Year
2024/2025
Year of rule
2023/2024
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
Bio-Medicale
Teaching leader
CHIOCCHETTI Annalisa
Teachers
Distasi Carla, Ferrero Enrico, Chiocchetti Annalisa
CFU
3.0
Teaching duration (hours)
24.0
Individual study time
51.0
SSD
BIO/09 - FISIOLOGIA
Course type
Modulo di sola Frequenza
Course mandatoriety
OBB
Course category
C
Year
2
Period
Secondo Semestre
Site
VERCELLI
Grading type
G
Lingua insegnamento/Teaching language
ITALIANO
Italian
Contenuti/Content Summary
L'insegnamento di Bioinformatica delle reti neurali offre un approfondimento dei meccanismi biofisici alla base della genesi, trasmissione, codifica e elaborazione dei segnali elettrici in neuroni e reti nervose. Per la parte di esercitazioni verranno proposti alcuni esercizi con il codice R
The Bioinformatics of Neural Networks course offers an in-depth study of the biophysical mechanisms underlying the genesis, transmission, coding and processing of electrical signals in neurons and nerve networks. For the exercise part, a number of numerical exercises with the R code will be proposed.
Testi di riferimento/Textbooks
Neuroscienze di Dale Purves, George J Augustine, David Fitzpatrick, William C. Hall, Anthony-Samuel Lamantia, Leonard E. White. Zanichelli, Ultima edizione Materiale fornito dai docenti.
Neuroscienze di Dale Purves, George J Augustine, David Fitzpatrick, William C. Hall, Anthony-Samuel Lamantia, Leonard E. White. Zanichelli, Last edition. Additional learning materials provided by the teachers.
Obiettivi formativi/Mission
Il corso affronta gli aspetti biologici delle reti neuronali quali l’organizzazione anatomica e funzionale del sistema nervoso, la modalità di codifica dell’informazione nel singolo neurone, la sua trasmissione nei circuiti nervosi, la plasticità delle reti e l’elaborazione dell’informazione nei circuiti centrali. Gli studenti approfondiranno sia aspetti teorici di base e modelli matematici che alcuni aspetti delle tecniche di indagine proprie delle Neuroscienze, quali tecniche elettrofisiologiche, di imaging e l’optogenetica. Conoscenza e capacità di comprensione: gli studenti acquisiranno le conoscenze e la capacità di comprensione dei meccanismi molecolari associati ai fenomeni bioelettrici di membrana, la trasmissione dei potenziali d’azione nei circuiti nervosi, gli effetti dell’attività elettrica sulla connettività delle reti e come questa attività costituisca la base delle funzioni del sistema nervoso. Capacità di applicare conoscenza e comprensione: la conoscenza acquisita permetterà allo studente di comprendere come la rete neuronale codifica e processa l’informazione e di applicare tale conoscenza alla realizzazione di semplici modelli basati su codici numerici. Autonomia di giudizio: gli studenti saranno in grado di analizzare con senso critico articoli scientifici e nuove informazioni Abilità comunicative: gli studenti saranno in grado di esporre, con appropriato linguaggio scientifico, i contenuti del corso in modo logico e completo, effettuando collegamenti tra i vari argomenti Capacità di apprendimento: gli studenti matureranno la capacità di reperire adeguate fonti scientifiche per aggiornare ed approfondire le conoscenze e le competenze acquisite. Capacità di utilizzo di software di analisi.
The course deals with the biological aspects of neuronal networks such as the anatomical and functional organization of the nervous system, the way information is encoded in individual neurons, its transmission in nervous circuits, the network plasticity and the processing of information in central circuits. Students will explore both basic theoretical aspects and mathematical models as well as some aspects of neuroscience investigation techniques, such as electrophysiology, imaging and optogenetics. Knowledge and understanding: students will acquire the knowledge and ability to understand the molecular mechanisms associated with membrane bioelectric phenomena, the transmission of action potentials in nerve circuits, the effects of electrical activity on network connectivity and how this activity forms the basis of nervous system function Applying knowledge and understanding: the acquired knowledge will allow the student to understand how the neural network encodes and processes information and to apply this knowledge to carry out simple models based on numerical codes. Making judgements: students will be able to critically analyze scientific articles and new information. Communication skills: students will be able to explain, with appropriate scientific language, the contents of the course in a logical and complete way, making connections between the various topics. Learning skills: students will develop the ability to find adequate scientific sources to update and deepen the knowledge and skills acquired. Ability to use analysis software.
Prerequisiti/Required background knowledge
Gli studenti devono possedere le conoscenze di base di matematica e statistica, fisica, biologia e fisiologia
Students must possess an adequate basic knowledge of mathematics and statistics, physics, biology and physiology
Metodi didattici/Teaching methods
Lezioni teoriche e esercitazioni
Theoretical lectures and exercises.
Altre informazioni/Further information
In itinere saranno assegnate letture di approfondimento
In-depth readings will be assigned in itinere
Modalità di verifica dell'apprendimento/Assessment methods
Esame orale Per la parte di esercitazioni verra’ richiesta la redazione di una breve relazione
Oral exam For the exercise part, a short report will be requested
Programma esteso/Content
Organizzazione del sistema nervoso. Il neurone. Il potenziale d’azione. Le sinapsi. Il sistema nervoso periferico. Il sistema nervoso centrale. La corteccia cerebrale: organizzazione anatomica, funzionale e plasticità sinaptica. Biofisica del neurone e modelli terorici. Il potenziale di membrana: equazione di Nernst-Planck, equazione di Nernst, equazione di Goldman-Hodgkin-Katz. Il circuito elettrico equivalente di membrana. Proprietà passive di membrana e equazioni di cavo. Il modello di Hodgkin-Huxley. Modelli markoviani per i canali ionici. Modelli Integrate-and-Fire. Tecniche di indagine. Tecniche elettrofisiologiche: la tecnica del patch-clamp. Matrici di multielettrodi (MEA). Microscopia live-imaging. Optogenetica
Organization of the nervous system. The neuron. The action potential. The synapse. The peripheral nervous system. The central nervous system. The cerebral cortex: anatomical and functional organization and synaptic plasticity. Biophysics of the neuron and theoretical models. The membrane potential: Nernst-Planck equation, Nernst equation, Goldman-Hodgkin-Katz equation. The equivalent electric circuit model of the cell membrane. Passive membrane properties and cable equations. The Hodgkin-Huxley model. Markovian models for ion channels. Integrate-and-Fire models. Investigation techniques. Electrophysiological techniques: the patch-clamp technique. Multi-electrode arrays (MEA). Live-imaging microscopy. Optogenetics
Risultati di apprendimento attesi/Intended learning objectives
Conoscenze: conoscere i meccanismi neuronali di codifica e di elaborazione dell’informazione nel sistema nervoso, con riferimento sia a neuroni singoli sia a popolazioni neuronali. Competenze e abilità: acquisire la capacità di analizzare e modellizzare l’attività delle reti neuronali
Knowledge: mechanisms of coding and information processing in the nervous system, with reference to both single neurons and neuronal populations. Competences and Skills: ability to analyze and model the activity of neuronal networks.
×
Print
Course
METODI BIOSTATICI ED EPIDEMIOLOGICI APPLICATI ALLA CLINICA E ALLA SANITÀ PUBBLICA GLOBALE
Course ID
MF0617
Academic Year
2024/2025
Year of rule
2023/2024
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
Bio-Medicale
Teaching leader
BARIZZONE NADIA
Teachers
Sacerdote Carlotta, Faggiano Fabrizio, Barizzone Nadia
CFU
9.0
Teaching duration (hours)
72.0
Individual study time
0.0
SSD
MED/01 - STATISTICA MEDICA, MED/42 - IGIENE GENERALE E APPLICATA, MED/03 - GENETICA MEDICA
Course type
Attività formativa integrata
Course mandatoriety
OBB
Year
2
Period
Primo Semestre
Site
VERCELLI
Grading type
V
Lingua insegnamento/Teaching language
Italiano
Italian
Contenuti/Content Summary
Ripasso sulle basi della genetica e della genomica. Struttura del genoma, replicazione del DNA, flusso dell'informazione genetica. Polimorfismi e mutazioni del DNA, Tecniche di PCR e sequenziamento: Sanger e Next Generation Sequencing. Applicazioni del Next Generation sequencing: whole exome sequencing, whole genome sequencing e analisi di pannelli (target resequencing). Pipeline di analisi di una corsa di sequenziamento genomico: allineamento, chiamata delle varianti, annotazione. Tecniche di genotipizzazione di polimorfismi noti del DNA. Piattaforme di genotipizzazione. Studi GWAS: tecniche, metodi di analisi. Tecniche di trascrittomica. Epigenetica e analisi di metilazione Conoscenze e capacità di comprensione: - nozioni fondamentali della statistica descrittiva e della presentazione dei dati in ambito biostatistico - logica dell’inferenza statistica (approccio frequentista, distribuzione del campionamento, l’intervallo di confidenza e test di ipotesi). - conoscenza epidemiologica per il disegno di uno studio epidemiologico - conoscenze per comprendere e misurare i fenomeni di salute e di malattia. Capacità di applicare conoscenza e comprensione: - capacità di risolvere semplici problemi statistici servendosi degli strumenti analitici adeguati. - capacità di disegnare un'analisi statistica per affrontare un problema epidemiologico. - capacità di riconoscere e valutare appropriati disegni di studio per rispondere a domande relative alla causalità di malattie, valutarne i possibili errori, punti di forza e debolezza in base alla domanda di ricerca. - capacità di utilizzare software statistici ai fini di analisi statistiche e epidemiologiche. Autonomia di giudizio: - essere in grado di definire l’intero ragionamento scientifico dal quesito di ricerca alla formulazione dell'ipotesi - essere in grado di esprimere giudizi e valutazioni epidemiologiche a partire da dati biologici. - Acquisire gli strumenti per valutare criticamente i risultati di un’analisi statistica e la letteratura epidemiologica. Abilità comunicative: - essere in grado di argomentare i principi di inferenza statistica e delle motivazioni per la scelta di un determinato test statistico. - spiegare i limiti e i vantaggi dei disegni di studio epidemiologico e i loro ambiti di applicazione. - descrivere le fasi della progettazione di una ricerca scientifica, dall’ideazione alla pubblicazione dei risultati. Capacità di apprendimento - apprendere le differenze tra ricerca e ricerca scientifica e nello specifico, le caratteristiche della ricerca epidemiologica nell’ottica della evidence based practice (EBP). 1) Cosa è la ricerca medica? 2) Perché la Evidence-Based Medicine? 3) Nodi metodologici della valutazione di efficacia 4) Conflitto di interessi e ruolo dell’industria 5) Studi per la valutazione di efficacia 6) strumenti di disseminazione 7) Revisioni sistematiche di letteratura (vs revisioni narrative) 8) Ricerca di letteratura 9) Estrazione dei dati dai documenti scientifici
Review of the basics of genetics and genomics. Genome structure, DNA replication, flow of genetic information. DNA polymorphisms and mutations, PCR and sequencing techniques: Sanger and Next Generation Sequencing. Applications of Next Generation sequencing: whole exome sequencing, whole genome sequencing and panel analysis (target resequencing). Analysis pipeline of a genomic sequencing run: alignment, variant calling, annotation. Genotyping techniques for known DNA polymorphisms. Genotyping platforms. GWAS studies: techniques, analysis methods. Transcriptomics techniques. Epigenetics and methylation analysis Knowledge and understanding: - basic notions of descriptive statistics and data presentation in the biostatistic field - logic of statistical inference (frequentist approach, sampling distribution, confidence interval and hypothesis tests). - epidemiological knowledge for the design of an epidemiological study - knowledge to understand and measure the phenomena of health and disease. Ability to apply knowledge and understanding: - ability to solve simple statistical problems using adequate analytical tools. - ability to design a statistical analysis to address an epidemiological problem. - ability to recognize and evaluate appropriate study designs to anserwquestions related to the causality of diseases, assessing possible errors, strengths and weaknesses based on the research question. - ability to use statistical software for statistical and epidemiological analysis purposes Autonomy of judgement: -to be able to define the entire scientific reasoning from the research question to the formulation of the hypothesis - to be able to express epidemiological judgments and evaluations starting from biological data. - to acquire the tools to critically evaluate the results of a statistical analysis and epidemiological literature. Communication skills: - ability of arguing the principles of statistical inference and the reasons for choosing a specific statistical test. - ability of explanation of the limitations and advantages of epidemiological study designs and their fields of application. - ability of description of the stages of planning a scientific research, from the conception to the publication of the results Learning ability: -Gaining of ability to understand the differences between research and scientific research and specifically, the characteristics of epidemiological research from the perspective of evidence based practice (EBP). 1) What is medical research? 2) Why Evidence-Based Medicine? 3) Methodological problems of effectiveness evaluation 4) Conflict of interest and the role of industry 5) Studies for the evaluation of efficacy 6) Dissemination tools 7) Systematic literature reviews (vs narrative reviews) 8) Literature search 9) Data extraction from scientific documents
Testi di riferimento/Textbooks
Haynes, Straus, Glasziou, Richardson. Evidence-based medicine: Come praticare e insegnare la medicina basata sulle prove di efficacia. Il Pensiero Scientifico Editore. Materiali condivisi in DIR Testo Suggerito: Evidence-based medicine. Come praticare e insegnare la medicina basata sulle prove di efficacia di Sharon E. Strauss, Walter Scott, e al. Il Pensiero Scientifico
Haynes, Straus, Glasziou, Richardson. Evidence-based medicine: Come praticare e insegnare la medicina basata sulle prove di efficacia. Il Pensiero Scientifico Editore. Materials shared in DIR Suggested textbook: Evidence-based medicine. Come praticare e insegnare la medicina basata sulle prove di efficacia di Sharon E. Strauss, Walter Scott, e al. Il Pensiero Scientifico
Obiettivi formativi/Mission
Conoscenza e capacità di comprensione: l'insegnamento ha l'obiettivo di fornire allo studente conoscenze teoriche e applicative sulle principali scienze omiche, in particolare sulle analisi genomiche e trascrittomiche. Capacità di applicare conoscenza e comprensione: capacità d’interpretare i dati genomici e trascrittomici in ambito di diagnostica e di ricerca. Autonomia di giudizio: autonomia di giudizio nel valutare criticamente i risultati sperimentali, con particolare attenzione ai dati ricavati da analisi di DNA-sequencing, RNA-sequencing e di tipo GWAS. Capacità di interpretare criticamente articoli scientifici nell’ambito delle scienze omiche. Abilità comunicative: perfezionamento del lessico disciplinare nell’ambito della genetica, della genomica e della trascrittomica. Abilità di relazionare sulle tematiche presentate durante il corso con un linguaggio scientifico appropriato. Capacità di apprendimento: acquisizione della capacità di approfondire criticamente ed aggiornare in maniera autonoma le competenze acquisite, tramite lettura di testi ed articoli scientifici. Capacità di utilizzare il materiale didattico per uno studio critico e ragionato. Conoscenze e capacità di comprensione: - nozioni fondamentali della statistica descrittiva e della presentazione dei dati in ambito biostatistico - logica dell’inferenza statistica (approccio frequentista, distribuzione del campionamento, l’intervallo di confidenza e test di ipotesi). - conoscenza epidemiologica per il disegno di uno studio epidemiologico - conoscenze per comprendere e misurare i fenomeni di salute e di malattia. Capacità di applicare conoscenza e comprensione: - capacità di risolvere semplici problemi statistici servendosi degli strumenti analitici adeguati. - capacità di disegnare un'analisi statistica per affrontare un problema epidemiologico. - capacità di riconoscere e valutare appropriati disegni di studio per rispondere a domande relative alla causalità di malattie, valutarne i possibili errori, punti di forza e debolezza in base alla domanda di ricerca. - capacità di utilizzare software statistici ai fini di analisi statistiche e epidemiologiche. Autonomia di giudizio: - essere in grado di definire l’intero ragionamento scientifico dal quesito di ricerca alla formulazione dell'ipotesi - essere in grado di esprimere giudizi e valutazioni epidemiologiche a partire da dati biologici. - Acquisire gli strumenti per valutare criticamente i risultati di un’analisi statistica e la letteratura epidemiologica. Abilità comunicative: - essere in grado di argomentare i principi di inferenza statistica e delle motivazioni per la scelta di un determinato test statistico. - spiegare i limiti e i vantaggi dei disegni di studio epidemiologico e i loro ambiti di applicazione. - descrivere le fasi della progettazione di una ricerca scientifica, dall’ideazione alla pubblicazione dei risultati. Capacità di apprendimento - apprendere le differenze tra ricerca e ricerca scientifica e nello specifico, le caratteristiche della ricerca epidemiologica nell’ottica della evidence based practice (EBP). Alla fine del corso gli studenti saranno in grado, con la supervisione di un esperto di contenuto, di alimentare un progetto di intelligenza artificiale relativo al trattamento o prevenzione di malattie, con dati di efficacia. In particolare saranno in grado di: - ricercare i report utili - selezionare quelli attinenti e di migliore qualità - identificare ed estrarre i dati necessari
Knowledge and understanding: the aim of the course is to provide the student with theoretical and applicative knowledge on the main omics sciences, in particular on genomic and transcriptomic analysis. Applying knowledge and understanding: ability to interpret genomic and transcriptomic data in the field of diagnostics and research. Autonomy of judgment: autonomy of judgment in critically evaluating the experimental results, with particular attention to data obtained from DNA-sequencing, RNA-sequencing and GWAS. Ability to critically interpret scientific articles in the field of omics sciences. Communication skills: improvement of the disciplinary lexicon in the field of genetics, genomics and transcriptomics. Ability to report on the topics presented during the course with an appropriate scientific language. Learning skills: acquisition of the ability to critically deepen and autonomously update the skills acquired, by reading texts and scientific articles. Ability to use the didactic material for a critical and reasoned study. Knowledge: - knowledge of the principles of descriptive medical statistics and of the statistical terminology adopted in the scientific field in the description of populations and samples. - knowledge of the probabilistic and inferential bases and of the methodological elements useful for the interpretation of the results of an epidemiological study. - knowledge of the epidemiological relationship and its relationship with causality. -knowledge of the main tools and methods to quantify the relationship between exposure and health outcomes. - knowledge of the main designs of epidemiological studies and the measures of occurrence and association appropriate to the data and context. Competences and Skills: - correct and efficient selection of a statistical sample - choice of valid and reliable tools to measure variables and appropriate analysis techniques according to the hypothesis. -recognition of an epidemiological relationship in the components that determine it and the ability to reason on its causality -identification of the design of an epidemiological study and evaluation of the possible advantages and disadvantages - interpretation of the results of quantitative methods for measuring health problems and the associations between risk factors and diseases. -management of statistical analyzes in R / Stata relating to the main methods used in epidemiology - reading of a scientific article, understanding the methods and learning how to critically evaluate the results At the end of the course the students will be able, under the supervision of a content expert, to feed an artificial intelligence project related to the treatment or prevention of diseases, with efficacy data. In particular they will be able to: - search for useful reports - select the relevant and best quality ones - identify and extract the necessary data
Prerequisiti/Required background knowledge
Conoscenze di base di genetica e biologia molecolare
Basic knowledge of genetics and molecular biology
Metodi didattici/Teaching methods
Lezioni frontali, esercitazioni in aula, analisi di materiali individualmente e in gruppo, esercitazioni individuali o in gruppo
Teaching methods Lectures, classroom exercises, analysis of materials individually and in groups, individual or group exercises
Altre informazioni/Further information
Le studentesse e gli studenti con disabilità o con Disturbi Specifici dell’Apprendimento (DSA) o con Bisogni Educativi Speciali (BES) possono richiedere servizi e strumenti specifici a loro dedicati rivolgendosi allo Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti e consultando la pagina dedicata del sito di Ateneo: https://uniupo.it/it/servizi/servizi-studenti-disabili-e-dsa Le studentesse e gli studenti con disabilità, DSA, BES, una volta preso contatto con lo Staff di Ateneo, possono contattare la docente titolare dell'insegnamento in relazione alla declinazione delle modalità di esame, in merito agli aspetti didattici.
Students with physical disabilities, Learning Disabilities or Special Education Needs can request specific services and tools via the Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti, consulting the University webpage: https://www.uniupo.it/en/services/services- students-physical-or-learning-disabilities Students with disabilities, learning disabilities or special education needs, once they have contacted the University Staff, can refer to the tutor in charge of the course to define the examination modalities, concerning academic aspects.
Modalità di verifica dell'apprendimento/Assessment methods
Esame orale Inoltre l'esame di uno degli insegnamenti del corso si articolerà in un esercizio di ricerca, lettura ed estrazione di dati utili per alimentare un progetto di machine learning da documenti scientifici
Oral examination one of the subjects will include Research, reading and extraction of useful data to feed an AI project from scientific documents
Programma esteso/Content
Ripasso sulle basi della genetica e della genomica. Struttura del genoma, replicazione del DNA, flusso dell'informazione genetica. Polimorfismi e mutazioni del DNA, Tecniche di PCR e sequenziamento: Sanger e Next Generation Sequencing. Applicazioni del Next Generation sequencing: whole exome sequencing, whole genome sequencing e analisi di pannelli (target resequencing). Pipeline di analisi di una corsa di sequenziamento genomico: allineamento, chiamata delle varianti, annotazione. Tecniche di genotipizzazione di polimorfismi noti del DNA. Piattaforme di genotipizzazione. Studi GWAS: tecniche, metodi di analisi. Tecniche di trascrittomica. Epigenetica e analisi di metilazione Conoscenze e capacità di comprensione: - nozioni fondamentali della statistica descrittiva e della presentazione dei dati in ambito biostatistico - logica dell’inferenza statistica (approccio frequentista, distribuzione del campionamento, l’intervallo di confidenza e test di ipotesi). - conoscenza epidemiologica per il disegno di uno studio epidemiologico - conoscenze per comprendere e misurare i fenomeni di salute e di malattia. Capacità di applicare conoscenza e comprensione: - capacità di risolvere semplici problemi statistici servendosi degli strumenti analitici adeguati. - capacità di disegnare un'analisi statistica per affrontare un problema epidemiologico. - capacità di riconoscere e valutare appropriati disegni di studio per rispondere a domande relative alla causalità di malattie, valutarne i possibili errori, punti di forza e debolezza in base alla domanda di ricerca. - capacità di utilizzare software statistici ai fini di analisi statistiche e epidemiologiche. Autonomia di giudizio: - essere in grado di definire l’intero ragionamento scientifico dal quesito di ricerca alla formulazione dell'ipotesi - essere in grado di esprimere giudizi e valutazioni epidemiologiche a partire da dati biologici. - Acquisire gli strumenti per valutare criticamente i risultati di un’analisi statistica e la letteratura epidemiologica. Abilità comunicative: - essere in grado di argomentare i principi di inferenza statistica e delle motivazioni per la scelta di un determinato test statistico. - spiegare i limiti e i vantaggi dei disegni di studio epidemiologico e i loro ambiti di applicazione. - descrivere le fasi della progettazione di una ricerca scientifica, dall’ideazione alla pubblicazione dei risultati. Capacità di apprendimento - apprendere le differenze tra ricerca e ricerca scientifica e nello specifico, le caratteristiche della ricerca epidemiologica nell’ottica della evidence based practice (EBP). 1) Cosa è la ricerca? Stabilire a spiegare relazioni causali fra fenomeni a. ricerca eziologica b. ricerca dei meccanismi c. ricerca di efficacia 2) Perché la Evidence-Based Medicine? 3) Nodi metodologici della valutazione di efficacia 4) Conflitto di interessi e ruolo dell’industria 5) Studi per la valutazione di efficacia a. studi primari b. studi secondari 6) strumenti di disseminazione a. Linee guida (GRADE) b. Point of care services: UPTODATE 7) Revisioni sistematiche di letteratura (vs revisioni narrative) a. Cochrane 8) Ricerca di letteratura a. Medline 9) Estrazione dei dati dai documenti scientifici a. identificare nei report scientifici indicatori utili per l’IA b. estrarre dai report scientifici dati utili per alimentare processi di IA i. patologia o condizione target ii. intervento in valutazione iii. tipo di studio (e validità) iv. misura di associazione v. misure di stabilità statistica
Review of the basics of genetics and genomics. Genome structure, DNA replication, flow of genetic information. DNA polymorphisms and mutations, PCR and sequencing techniques: Sanger and Next Generation Sequencing. Applications of Next Generation sequencing: whole exome sequencing, whole genome sequencing and panel analysis (target resequencing). Analysis pipeline of a genomic sequencing run: alignment, variant calling, annotation. Genotyping techniques for known DNA polymorphisms. Genotyping platforms. GWAS studies: techniques, analysis methods. Transcriptomics techniques. Epigenetics and methylation analysis Knowledge: - knowledge of the principles of descriptive medical statistics and of the statistical terminology adopted in the scientific field in the description of populations and samples. - knowledge of the probabilistic and inferential bases and of the methodological elements useful for the interpretation of the results of an epidemiological study. - knowledge of the epidemiological relationship and its relationship with causality. -knowledge of the main tools and methods to quantify the relationship between exposure and health outcomes. - knowledge of the main designs of epidemiological studies and the measures of occurrence and association appropriate to the data and context. Competences and Skills: - correct and efficient selection of a statistical sample - choice of valid and reliable tools to measure variables and appropriate analysis techniques according to the hypothesis. -recognition of an epidemiological relationship in the components that determine it and the ability to reason on its causality -identification of the design of an epidemiological study and evaluation of the possible advantages and disadvantages - interpretation of the results of quantitative methods for measuring health problems and the associations between risk factors and diseases. -management of statistical analyzes in R / Stata relating to the main methods used in epidemiology - reading of a scientific article, understanding the methods and learning how to critically evaluate the results 1) What is research? Establish and explain causal relationships between phenomena a. etiological research b. search of the mechanisms of the natural phenomena c. search for efficacy and effectiveness 2) Why Evidence-Based Medicine? 3) Methodological problems of effectiveness evaluation 4) Conflict of interest and the role of industry 5) Studies for the evaluation of efficacy a. primary studies b. secondary studies 6) Dissemination tools a. Guidelines (Grade) b. point of care services (uptodate) 7) Systematic literature reviews (vs narrative reviews) a. Cochrane 8) Literature search a. Medline 9) Data extraction from scientific documents a. identify useful indicators for AI in scientific reports b. extract useful data from scientific reports to feed AI processes c. target disease or condition d. evaluation intervention e. type of study (and validity) f. measure of association g. measures of statistical stability
Risultati di apprendimento attesi/Intended learning objectives
CONOSCENZE: al termine del corso lo studente avrà appreso le basi delle metodiche utilizzate in genomica e trascrittomica, e acquisito la capacità di comprendere ed interpretare questo tipo di dati col fine ultimo di sfruttarne le applicazioni in campo medicale, sia di ricerca che diagnostico. Gli studenti approfondiranno in particolare le tecniche di Next Generation Sequencing e le loro applicazioni in genomica e trascrittomica, e apprenderanno l’analisi statistica e bio-informatica di dati di Next Generation Sequencing e di Genome-Wide Association Study COMPETENZE E ABILITA’: capacità d’interpretare i dati genomici e trascrittomici in ambito di diagnostica e di ricerca; capacità di interpretare criticamente articoli scientifici nell’ambito delle scienze omiche. Comprensione del linguaggio della EBM; Sviluppo di competenze e abilità utili per partecipare attivamente a progetti di machine learning che richiedano l’identificazione di trattamenti e di interventi preventivi efficaci; capacità di interazione con professionisti di matrice sanitaria su tali progetti
KNOWLEDGE: during the course the student will learn the basics of the methods employed in genomics and transcriptomics, and acquired the ability to understand and interpret this type of data with the ultimate aim of exploiting its applications in the medical field, both for research and diagnostics purpose. The students will deepen the techniques of Next Generation Sequencing and their applications in genomics and transcriptomics, and will learn the statistical and bio-informatic analysis of data of Next Generation Sequencing and of Genome-Wide Association Studies. COMPETENCES AND SKILLS: ability to interpret genomic and transcriptomic data in the field of diagnostics and research. Ability to critically interpret scientific articles in the field of omics sciences. Understanding of the language of EBM; Development of skills and abilities useful for actively participating in machine learning projects that require the identification of effective treatments and preventive interventions; ability to interact with healthcare professionals on such projects
Modules
Course ID Course SSD Teachers Agenda web
MF0619METODI BIOSTATICI ED EPIDEMIOLOGICI APPLICATI ALLA CLINICA E ALLA SANITÀ PUBBLICA GLOBALE: BIOSTATISTICA ED EPIDEMIOLOGIA MED/01 - STATISTICA MEDICA Sacerdote Carlotta Not available
MF0620METODI BIOSTATICI ED EPIDEMOLOGICI APPLICATI ALLA CLINICA E ALLA SANITÀ PUBBLICA GLOBALE: EVIDENCE BASED MEDICINE E ANALISI DELLE DECISIONI CLINICHE MED/42 - IGIENE GENERALE E APPLICATA Faggiano Fabrizio Not available
MF0621METODI BIOSTATICI ED EPIDEMOLOGICI APPLICATI ALLA CLINICA E ALLA SANITÀ PUBBLICA GLOBALE: SCIENZE OMICHE MOLECOLARI MED/03 - GENETICA MEDICA Barizzone Nadia Not available
Show parent course details
×
Print
Course
METODI BIOSTATICI ED EPIDEMIOLOGICI APPLICATI ALLA CLINICA E ALLA SANITÀ PUBBLICA GLOBALE: BIOSTATISTICA ED EPIDEMIOLOGIA
Course ID
MF0619
Academic Year
2024/2025
Year of rule
2023/2024
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
Bio-Medicale
Teaching leader
SACERDOTE Carlotta
Teachers
Sacerdote Carlotta
CFU
3.0
Teaching duration (hours)
24.0
Individual study time
51.0
SSD
MED/01 - STATISTICA MEDICA
Course type
Modulo di sola Frequenza
Course mandatoriety
OBB
Course category
C
Year
2
Period
Primo Semestre
Site
VERCELLI
Grading type
G
Obiettivi formativi/Mission
Conoscenze e capacità di comprensione: - nozioni fondamentali della statistica descrittiva e della presentazione dei dati in ambito biostatistico - logica dell’inferenza statistica (approccio frequentista, distribuzione del campionamento, l’intervallo di confidenza e test di ipotesi). - conoscenza epidemiologica per il disegno di uno studio epidemiologico - conoscenze per comprendere e misurare i fenomeni di salute e di malattia. Capacità di applicare conoscenza e comprensione: - capacità di risolvere semplici problemi statistici servendosi degli strumenti analitici adeguati. - capacità di disegnare un'analisi statistica per affrontare un problema epidemiologico. - capacità di riconoscere e valutare appropriati disegni di studio per rispondere a domande relative alla causalità di malattie, valutarne i possibili errori, punti di forza e debolezza in base alla domanda di ricerca. - capacità di utilizzare software statistici ai fini di analisi statistiche e epidemiologiche. Autonomia di giudizio: - essere in grado di definire l’intero ragionamento scientifico dal quesito di ricerca alla formulazione dell'ipotesi - essere in grado di esprimere giudizi e valutazioni epidemiologiche a partire da dati biologici. - Acquisire gli strumenti per valutare criticamente i risultati di un’analisi statistica e la letteratura epidemiologica. Abilità comunicative: - essere in grado di argomentare i principi di inferenza statistica e delle motivazioni per la scelta di un determinato test statistico. - spiegare i limiti e i vantaggi dei disegni di studio epidemiologico e i loro ambiti di applicazione. - descrivere le fasi della progettazione di una ricerca scientifica, dall’ideazione alla pubblicazione dei risultati. Capacità di apprendimento - apprendere le differenze tra ricerca e ricerca scientifica e nello specifico, le caratteristiche della ricerca epidemiologica nell’ottica della evidence based practice (EBP).
Knowledge and understanding: - basic notions of descriptive statistics and data presentation in the biostatistic field - logic of statistical inference (frequentist approach, sampling distribution, confidence interval and hypothesis tests). - epidemiological knowledge for the design of an epidemiological study - knowledge to understand and measure the phenomena of health and disease. Ability to apply knowledge and understanding: - ability to solve simple statistical problems using adequate analytical tools. - ability to design a statistical analysis to address an epidemiological problem. - ability to recognize and evaluate appropriate study designs to anserwquestions related to the causality of diseases, assessing possible errors, strengths and weaknesses based on the research question. - ability to use statistical software for statistical and epidemiological analysis purposes Autonomy of judgement: -to be able to define the entire scientific reasoning from the research question to the formulation of the hypothesis - to be able to express epidemiological judgments and evaluations starting from biological data. - to acquire the tools to critically evaluate the results of a statistical analysis and epidemiological literature. Communication skills: - ability of arguing the principles of statistical inference and the reasons for choosing a specific statistical test. - ability of explanation of the limitations and advantages of epidemiological study designs and their fields of application. - ability of description of the stages of planning a scientific research, from the conception to the publication of the results Learning ability: -Gaining of ability to understand the differences between research and scientific research and specifically, the characteristics of epidemiological research from the perspective of evidence based practice (EBP).
Risultati di apprendimento attesi/Intended learning objectives
Conoscenze: - conoscenza dei principi della statistica medica descrittiva e della terminologia statistica adottata in ambito scientifico nella descrizione di popolazioni e campioni. - conoscenza delle basi probabilistiche ed inferenziali e degli elementi metodologici utili per l'interpretazione dei risultati di uno studio epidemiologico. - conoscenza della relazione epidemiologica e del suo rapporto con la causalità. -conoscenza dei principali strumenti e metodi per quantificare la relazione fra esposizione e outcome di salute. - conoscenza dei principali disegni di studi epidemiologici e le misure di occorrenza e associazione appropriate ai dati e al contesto. Competenze ed abilità: - selezione in maniera corretta e efficiente di un campione statistico - scelta di strumenti validi e affidabili per la misura delle variabili e delle tecniche di analisi appropriate in funzione dell’ipotesi. -riconoscimento di una relazione epidemiologica nelle componenti che la determinano e capacità di ragionare sulla sua causalità -identificazione del disegno di uno studio epidemiologico e valutazione dei possibili vantaggi e svantaggi - interpretazione dei risultati dei metodi quantitativi di misura dei problemi di salute e delle associazioni fra fattori di rischio e malattie. - conduzione delle analisi statistiche in R/Stata relativamente ai principali metodi utilizzati in epidemiologia -lettura di un articolo scientifico, comprendendone i metodi e sapendo valutare criticamente i risultati
Knowledge: - knowledge of the principles of descriptive medical statistics and of the statistical terminology adopted in the scientific field in the description of populations and samples. - knowledge of the probabilistic and inferential bases and of the methodological elements useful for the interpretation of the results of an epidemiological study. - knowledge of the epidemiological relationship and its relationship with causality. -knowledge of the main tools and methods to quantify the relationship between exposure and health outcomes. - knowledge of the main designs of epidemiological studies and the measures of occurrence and association appropriate to the data and context. Competences and Skills: - correct and efficient selection of a statistical sample - choice of valid and reliable tools to measure variables and appropriate analysis techniques according to the hypothesis. -recognition of an epidemiological relationship in the components that determine it and the ability to reason on its causality -identification of the design of an epidemiological study and evaluation of the possible advantages and disadvantages - interpretation of the results of quantitative methods for measuring health problems and the associations between risk factors and diseases. -management of statistical analyzes in R / Stata relating to the main methods used in epidemiology - reading of a scientific article, understanding the methods and learning how to critically evaluate the results
Show parent course details
×
Print
Course
METODI BIOSTATICI ED EPIDEMIOLOGICI APPLICATI ALLA CLINICA E ALLA SANITÀ PUBBLICA GLOBALE: METODI BIOSTATICI ED EPIDEMOLOGICI APPLICATI ALLA CLINICA E ALLA SANITÀ PUBBLICA GLOBALE: EVIDENCE BASED MEDICINE E ANALISI DELLE DECISIONI CLINICHE
Course ID
MF0620
Academic Year
2024/2025
Year of rule
2023/2024
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
Bio-Medicale
Teaching leader
FAGGIANO Fabrizio
Teachers
Faggiano Fabrizio
CFU
3.0
Teaching duration (hours)
24.0
Individual study time
51.0
SSD
MED/42 - IGIENE GENERALE E APPLICATA
Course type
Modulo di sola Frequenza
Course mandatoriety
OBB
Course category
C
Year
2
Period
Primo Semestre
Site
VERCELLI
Grading type
G
Lingua insegnamento/Teaching language
ITALIANO
Italian
Contenuti/Content Summary
1) Cosa è la ricerca medica? 2) Perché la Evidence-Based Medicine? 3) Nodi metodologici della valutazione di efficacia 4) Conflitto di interessi e ruolo dell’industria 5) Studi per la valutazione di efficacia 6) strumenti di disseminazione 7) Revisioni sistematiche di letteratura (vs revisioni narrative) 8) Ricerca di letteratura 9) Estrazione dei dati dai documenti scientifici
1) What is medical research? 2) Why Evidence-Based Medicine? 3) Methodological problems of effectiveness evaluation 4) Conflict of interest and the role of industry 5) Studies for the evaluation of efficacy 6) Dissemination tools 7) Systematic literature reviews (vs narrative reviews) 8) Literature search 9) Data extraction from scientific documents
Testi di riferimento/Textbooks
Haynes, Straus, Glasziou, Richardson. Evidence-based medicine: Come praticare e insegnare la medicina basata sulle prove di efficacia. Il Pensiero Scientifico Editore. Materiali condivisi in DIR Testo Suggerito: Evidence-based medicine. Come praticare e insegnare la medicina basata sulle prove di efficacia di Sharon E. Strauss, Walter Scott, e al. Il Pensiero Scientifico
Haynes, Straus, Glasziou, Richardson. Evidence-based medicine: Come praticare e insegnare la medicina basata sulle prove di efficacia. Il Pensiero Scientifico Editore. Materials shared in DIR Suggested textbook: Evidence-based medicine. Come praticare e insegnare la medicina basata sulle prove di efficacia di Sharon E. Strauss, Walter Scott, e al. Il Pensiero Scientifico
Obiettivi formativi/Mission
Alla fine del corso gli studenti saranno in grado, con la supervisione di un esperto di contenuto, di alimentare un progetto di intelligenza artificiale relativo al trattamento o prevenzione di malattie, con dati di efficacia. In particolare saranno in grado di: - ricercare i report utili - selezionare quelli attinenti e di migliore qualità - identificare ed estrarre i dati necessari
At the end of the course the students will be able, under the supervision of a content expert, to feed an artificial intelligence project related to the treatment or prevention of diseases, with efficacy data. In particular they will be able to: - search for useful reports - select the relevant and best quality ones - identify and extract the necessary data
Prerequisiti/Required background knowledge
Nessuno
Nessuno
Metodi didattici/Teaching methods
Lezioni frontali, esercitazioni in aula, analisi di materiali individualmente e in gruppo, esercitazioni individuali o in gruppo
Teaching methods Lectures, classroom exercises, analysis of materials individually and in groups, individual or group exercises
Altre informazioni/Further information
Da valutare l'utilità di sviluppare competenze nell'uso delle classificazioni mediche quali l'ICD
The utility of developing skills in the use of medical classifications such as the ICD will be assessed
Modalità di verifica dell'apprendimento/Assessment methods
L'esame di articolerà in un esercizio di ricerca, lettura ed estrazione di dati utili per alimentare un progetto di machine learning da documenti scientifici
Research, reading and extraction of useful data to feed an AI project from scientific documents
Programma esteso/Content
1) Cosa è la ricerca? Stabilire a spiegare relazioni causali fra fenomeni a. ricerca eziologica b. ricerca dei meccanismi c. ricerca di efficacia 2) Perché la Evidence-Based Medicine? 3) Nodi metodologici della valutazione di efficacia 4) Conflitto di interessi e ruolo dell’industria 5) Studi per la valutazione di efficacia a. studi primari b. studi secondari 6) strumenti di disseminazione a. Linee guida (GRADE) b. Point of care services: UPTODATE 7) Revisioni sistematiche di letteratura (vs revisioni narrative) a. Cochrane 8) Ricerca di letteratura a. Medline 9) Estrazione dei dati dai documenti scientifici a. identificare nei report scientifici indicatori utili per l’IA b. estrarre dai report scientifici dati utili per alimentare processi di IA i. patologia o condizione target ii. intervento in valutazione iii. tipo di studio (e validità) iv. misura di associazione v. misure di stabilità statistica
1) What is research? Establish and explain causal relationships between phenomena a. etiological research b. search of the mechanisms of the natural phenomena c. search for efficacy and effectiveness 2) Why Evidence-Based Medicine? 3) Methodological problems of effectiveness evaluation 4) Conflict of interest and the role of industry 5) Studies for the evaluation of efficacy a. primary studies b. secondary studies 6) Dissemination tools a. Guidelines (Grade) b. point of care services (uptodate) 7) Systematic literature reviews (vs narrative reviews) a. Cochrane 8) Literature search a. Medline 9) Data extraction from scientific documents a. identify useful indicators for AI in scientific reports b. extract useful data from scientific reports to feed AI processes c. target disease or condition d. evaluation intervention e. type of study (and validity) f. measure of association g. measures of statistical stability
Risultati di apprendimento attesi/Intended learning objectives
Comprensione del linguaggio della EBM; Sviluppo di competenze e abilità utili per partecipare attivamente a progetti di machine learning che richiedano l’identificazione di trattamenti e di interventi preventivi efficaci; capacità di interazione con professionisti di matrice sanitaria su tali progetti
Understanding of the language of EBM; Development of skills and abilities useful for actively participating in machine learning projects that require the identification of effective treatments and preventive interventions; ability to interact with healthcare professionals on such projects
Show parent course details
×
Print
Course
METODI BIOSTATICI ED EPIDEMIOLOGICI APPLICATI ALLA CLINICA E ALLA SANITÀ PUBBLICA GLOBALE: METODI BIOSTATICI ED EPIDEMOLOGICI APPLICATI ALLA CLINICA E ALLA SANITÀ PUBBLICA GLOBALE: SCIENZE OMICHE MOLECOLARI
Course ID
MF0621
Academic Year
2024/2025
Year of rule
2023/2024
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
Bio-Medicale
Teaching leader
BARIZZONE NADIA
Teachers
Barizzone Nadia
CFU
3.0
Teaching duration (hours)
24.0
Individual study time
51.0
SSD
MED/03 - GENETICA MEDICA
Course type
Modulo di sola Frequenza
Course mandatoriety
OBB
Course category
C
Year
2
Period
Primo Semestre
Site
VERCELLI
Grading type
G
Lingua insegnamento/Teaching language
ITALIANO
Italian
Contenuti/Content Summary
Ripasso sulle basi della genetica e della genomica. Struttura del genoma, replicazione del DNA, flusso dell'informazione genetica. Polimorfismi e mutazioni del DNA, Tecniche di PCR e sequenziamento: Sanger e Next Generation Sequencing. Applicazioni del Next Generation sequencing: whole exome sequencing, whole genome sequencing e analisi di pannelli (target resequencing). Pipeline di analisi di una corsa di sequenziamento genomico: allineamento, chiamata delle varianti, annotazione. Tecniche di genotipizzazione di polimorfismi noti del DNA. Piattaforme di genotipizzazione. Studi GWAS: tecniche, metodi di analisi. Tecniche di trascrittomica. Epigenetica e analisi di metilazione
Review of the basics of genetics and genomics. Genome structure, DNA replication, flow of genetic information. DNA polymorphisms and mutations, PCR and sequencing techniques: Sanger and Next Generation Sequencing. Applications of Next Generation sequencing: whole exome sequencing, whole genome sequencing and panel analysis (target resequencing). Analysis pipeline of a genomic sequencing run: alignment, variant calling, annotation. Genotyping techniques for known DNA polymorphisms. Genotyping platforms. GWAS studies: techniques, analysis methods. Transcriptomics techniques. Epigenetics and methylation analysis
Testi di riferimento/Textbooks
.
.
Obiettivi formativi/Mission
Conoscenza e capacità di comprensione: l'insegnamento ha l'obiettivo di fornire allo studente conoscenze teoriche e applicative sulle principali scienze omiche, in particolare sulle analisi genomiche e trascrittomiche. Capacità di applicare conoscenza e comprensione: capacità d’interpretare i dati genomici e trascrittomici in ambito di diagnostica e di ricerca. Autonomia di giudizio: autonomia di giudizio nel valutare criticamente i risultati sperimentali, con particolare attenzione ai dati ricavati da analisi di DNA-sequencing, RNA-sequencing e di tipo GWAS. Capacità di interpretare criticamente articoli scientifici nell’ambito delle scienze omiche. Abilità comunicative: perfezionamento del lessico disciplinare nell’ambito della genetica, della genomica e della trascrittomica. Abilità di relazionare sulle tematiche presentate durante il corso con un linguaggio scientifico appropriato. Capacità di apprendimento: acquisizione della capacità di approfondire criticamente ed aggiornare in maniera autonoma le competenze acquisite, tramite lettura di testi ed articoli scientifici. Capacità di utilizzare il materiale didattico per uno studio critico e ragionato.
Knowledge and understanding: the aim of the course is to provide the student with theoretical and applicative knowledge on the main omics sciences, in particular on genomic and transcriptomic analysis. Applying knowledge and understanding: ability to interpret genomic and transcriptomic data in the field of diagnostics and research. Autonomy of judgment: autonomy of judgment in critically evaluating the experimental results, with particular attention to data obtained from DNA-sequencing, RNA-sequencing and GWAS. Ability to critically interpret scientific articles in the field of omics sciences. Communication skills: improvement of the disciplinary lexicon in the field of genetics, genomics and transcriptomics. Ability to report on the topics presented during the course with an appropriate scientific language. Learning skills: acquisition of the ability to critically deepen and autonomously update the skills acquired, by reading texts and scientific articles. Ability to use the didactic material for a critical and reasoned study.
Prerequisiti/Required background knowledge
Conoscenze di base di genetica e biologia molecolare
Basic knowledge of genetics and molecular biology
Metodi didattici/Teaching methods
Lezioni frontali
Frontal lessons
Altre informazioni/Further information
Le studentesse e gli studenti con disabilità o con Disturbi Specifici dell’Apprendimento (DSA) o con Bisogni Educativi Speciali (BES) possono richiedere servizi e strumenti specifici a loro dedicati rivolgendosi allo Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti e consultando la pagina dedicata del sito di Ateneo: https://uniupo.it/it/servizi/servizi-studenti-disabili-e-dsa Le studentesse e gli studenti con disabilità, DSA, BES, una volta preso contatto con lo Staff di Ateneo, possono contattare la docente titolare dell'insegnamento in relazione alla declinazione delle modalità di esame, in merito agli aspetti didattici.
Students with physical disabilities, Learning Disabilities or Special Education Needs can request specific services and tools via the Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti, consulting the University webpage: https://www.uniupo.it/en/services/services- students-physical-or-learning-disabilities Students with disabilities, learning disabilities or special education needs, once they have contacted the University Staff, can refer to the tutor in charge of the course to define the examination modalities, concerning academic aspects.
Modalità di verifica dell'apprendimento/Assessment methods
Esame orale
Oral examination
Programma esteso/Content
Ripasso sulle basi della genetica e della genomica. Struttura del genoma, replicazione del DNA, flusso dell'informazione genetica. Polimorfismi e mutazioni del DNA, Tecniche di PCR e sequenziamento: Sanger e Next Generation Sequencing. Applicazioni del Next Generation sequencing: whole exome sequencing, whole genome sequencing e analisi di pannelli (target resequencing). Pipeline di analisi di una corsa di sequenziamento genomico: allineamento, chiamata delle varianti, annotazione. Tecniche di genotipizzazione di polimorfismi noti del DNA. Piattaforme di genotipizzazione. Studi GWAS: tecniche, metodi di analisi. Tecniche di trascrittomica. Epigenetica e analisi di metilazione
Review of the basics of genetics and genomics. Genome structure, DNA replication, flow of genetic information. DNA polymorphisms and mutations, PCR and sequencing techniques: Sanger and Next Generation Sequencing. Applications of Next Generation sequencing: whole exome sequencing, whole genome sequencing and panel analysis (target resequencing). Analysis pipeline of a genomic sequencing run: alignment, variant calling, annotation. Genotyping techniques for known DNA polymorphisms. Genotyping platforms. GWAS studies: techniques, analysis methods. Transcriptomics techniques. Epigenetics and methylation analysis
Risultati di apprendimento attesi/Intended learning objectives
CONOSCENZE: al termine del corso lo studente avrà appreso le basi delle metodiche utilizzate in genomica e trascrittomica, e acquisito la capacità di comprendere ed interpretare questo tipo di dati col fine ultimo di sfruttarne le applicazioni in campo medicale, sia di ricerca che diagnostico. Gli studenti approfondiranno in particolare le tecniche di Next Generation Sequencing e le loro applicazioni in genomica e trascrittomica, e apprenderanno l’analisi statistica e bio-informatica di dati di Next Generation Sequencing e di Genome-Wide Association Study COMPETENZE E ABILITA’: capacità d’interpretare i dati genomici e trascrittomici in ambito di diagnostica e di ricerca; capacità di interpretare criticamente articoli scientifici nell’ambito delle scienze omiche.
KNOWLEDGE: during the course the student will learn the basics of the methods employed in genomics and transcriptomics, and acquired the ability to understand and interpret this type of data with the ultimate aim of exploiting its applications in the medical field, both for research and diagnostics purpose. The students will deepen the techniques of Next Generation Sequencing and their applications in genomics and transcriptomics, and will learn the statistical and bio-informatic analysis of data of Next Generation Sequencing and of Genome-Wide Association Studies. COMPETENCES AND SKILLS: ability to interpret genomic and transcriptomic data in the field of diagnostics and research. Ability to critically interpret scientific articles in the field of omics sciences.
×
Print
Course
INTELLIGENZA ARTIFICIALE, FINTECH E FINANZA IMPRENDITORIALE
Course ID
MF0637
Academic Year
2024/2025
Year of rule
2023/2024
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
Economico-Aziendale
Teaching leader
Tenca Francesca
Teachers
Bertolosi Cristina, Tenca Francesca
CFU
10.0
Teaching duration (hours)
80.0
Individual study time
0.0
SSD
SECS-S/06 - METODI MATEMATICI DELL'ECONOMIA E DELLE SCIENZE ATTUARIALI E FINANZIARIE, SECS-P/11 - ECONOMIA DEGLI INTERMEDIARI FINANZIARI
Course type
Attività formativa integrata
Course mandatoriety
OBB
Year
2
Period
Annuale
Site
VERCELLI
Grading type
V
Obiettivi formativi/Mission
Gli obiettivi formativi del corso sono (declinati secondo i descrittori di Dublino) • Conoscenza e capacità di comprensione: conoscere e comprendere i metodi statistici introdotti, nonché le dinamiche alla base del successo delle società FinTech • Capacità di applicare conoscenza e comprensione: saperli implementare e interpretare in scenari simulati e reali; sapere costruire piani strategici per lo sviluppo e la crescita della società Fintech • Autonomia di giudizio: saper valutare autonomamente quando le metodologie sono applicabili • Abilità comunicative: saper comunicare i vantaggi e i limiti delle innovazioni attuali e future sugli intermediari finanziari, mercati, end-users ed anche ai non esperti di mercati finanziari. • Capacità di apprendimento: saper estendere i concetti e le idee viste nel corso a nuovi contesti.
The goals of the course are (Dublin descriptors) Knowledge and understanding: how to approach all aspects of Fintech transformation. Students will gain knowledge and a critical thinking perspective on the following areas: • understanding the origin of the Fintech phenomenon • understanding the impact on the financial and insurance industry Applying knowledge and understanding: • applying the appropriate machine learning models for solving operational problems; • Developing appropriate strategic choices aimed at make growing new Fintech companies. Making judgements: be able to make autonomously judgements on the use of the introduced methodologies and understanding pros and cons of the intelligent methodologies learned. Communication skills: know how to communicate the results, advantages and limitations of the current and forthcoming innovations on financial intermediaries, markets end-users and even to non-experts Learning skills: know how to extend the concepts and ideas seen in the course to new settings.
Risultati di apprendimento attesi/Intended learning objectives
Alla fine del corso lo studente dovrebbe (descrittori di Dublino): • Conoscenze: Valutare in modo critico la recente evoluzione dell'attività bancaria e le principali strategie che i diversi attori stanno attuando nel mercato. Essere in grado di raccogliere dati, analizzarli e offrire consigli su come utilizzarli per migliorare i servizi bancari Essere in grado di giudicare il ruolo delle banche e delle società FinTech in una società moderna. Comprendere perché le banche e il sistema bancario necessitino di una regolamentazione ed essere in grado di valutare la risposta normativa alla luce del mutato scenario. Essere in grado di analizzare la letteratura accademica e non accademica e identificare ed essere in grado di utilizzare le informazioni pertinenti. • Competenze ed abilità: L'industria deve affrontare una serie di sfide tecnologiche e legali ed eventi inaspettati. Ai professionisti AI sono richieste capacità analitiche e di pensiero critico che possono aiutarli a trovare soluzioni creative a tali problemi. Inoltre, lo studente dovrà essere in grado di comunicare con il suo team, fare brainstorming di idee e risolvere in modo collaborativo le criticità; sapere interagire direttamente con i clienti; essere in grado di interagire con la stampa, sia specializzata che no.
At the end of the classes, students should (Dublin descriptors) Knowledge:  Evaluate critically the evolving structure of banking as a business and the main strategies different actors are developing in the market.  Be able to mine data, analyse it, and offer recommendations on how to use them to improve banking services  Appraise the role of banks and FinTech companies in a modern society.  Understand why banks and banking need regulation and assess the regulatory response in light of the changing scenario.  Be able to analyze academic and non-academic literature on banking and identify and be able to use relevant information. • Skills and abilities The Fintech industry faces a host of technological and legal challenges and unexpected events. Fintech professionals are required to have analytical and critical thinking skills that can help them find creative solutions to such problems. In particular, the student will need to be able to communicate with his team, brainstorm ideas and collaboratively solve critical issues; to be able engage directly with clients; rely on solid communications to interact with the press. The new industry, particularly start-ups, faces a host of technological, legal and regulatory challenges and unexpected events. AI professionals are required to have analytical and critical thinking skills that can help them find creative solutions to such problems.
Modules
Course ID Course SSD Teachers Agenda web
MF0638INTELLIGENZA ARTIFICIALE, FINTECH E FINANZA IMPRENDITORIALE: INTELLIGENZA ARTIFICIALE, FINTECH E FINANZA IMPRENDITORIALE: MODULO 1 SECS-S/06 - METODI MATEMATICI DELL'ECONOMIA E DELLE SCIENZE ATTUARIALI E FINANZIARIE Bertolosi Cristina Not available
MF0639INTELLIGENZA ARTIFICIALE, FINTECH E FINANZA IMPRENDITORIALE: INTELLIGENZA ARTIFICIALE, FINTECH E FINANZA IMPRENDITORIALE: MODULO 2 SECS-P/11 - ECONOMIA DEGLI INTERMEDIARI FINANZIARI Tenca Francesca Not available
Show parent course details
×
Print
Course
INTELLIGENZA ARTIFICIALE, FINTECH E FINANZA IMPRENDITORIALE: INTELLIGENZA ARTIFICIALE, FINTECH E FINANZA IMPRENDITORIALE: MODULO 1
Course ID
MF0638
Academic Year
2024/2025
Year of rule
2023/2024
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
Economico-Aziendale
Teaching leader
BERTOLOSI Cristina
Teachers
Bertolosi Cristina
CFU
5.0
Teaching duration (hours)
40.0
Individual study time
85.0
SSD
SECS-S/06 - METODI MATEMATICI DELL'ECONOMIA E DELLE SCIENZE ATTUARIALI E FINANZIARIE
Course type
Modulo di sola Frequenza
Course mandatoriety
OBB
Course category
C
Year
2
Period
Primo Semestre
Site
VERCELLI
Grading type
G
Lingua insegnamento/Teaching language
ITALIANO
Italian
Contenuti/Content Summary
Nella prima parte del corso vengono introdotte le principali nozioni riguardanti la teoria classica di Portafoglio (Modello Media-Varianza, CAPM). Nella seconda metà, ci si concentra sul problema del rischio di mercato, focalizzandosi in particolare sul calcolo del VaR e sui requisiti regolamentari. I risultati principali e più significativi vengono derivati analiticamente e commentati. Per l'implementazione pratica dei modelli studiati ci si avvale dell'uso di Matlab e di Excel.
The first part of the course introduces the main notions regarding the classical theory of Portfolio (Model Media-Variance, CAPM). In the second half, the focus is on market risk, focusing in particular on VaR calculation and regulatory requirements. The main and most significant results are derived analytically and commented on. Matlab and Excel are used for the practical implementation of the studied models.
Testi di riferimento/Textbooks
Per la parte di Portafoglio: materiali forniti dalla docente e pubblicati su DIR. Un testo di utile consultazione è C. Huang, R. H. Litzenberger. Foundations for Financial Economics. Prentice Hall. 1988 Per la parte di rischio di mercato: Jorion P., (2007). Value at Risk, 3rd ed. Christoffersen, P., (2012). Elements of Financial Risk Management, Academic Press, 2nd edition.
Portfolio Theory: materials provided by the teacher and published on DIR. A useful reference textbook is C. Huang, R. H. Litzenberger. Foundations for Financial Economics. Prentice Hall. 1988 For the market risk part: Jorion P., (2007). Value at Risk, 3rd ed. Christoffersen, P., (2012). Elements of Financial Risk Management, Academic Press, 2nd edition. Additional materials provided by the teacher.
Obiettivi formativi/Mission
Alla fine del modulo, lo Studente avrà acquisito una conoscenza adeguata dei principali modelli di Teoria di Portafoglio, e sarà in grado di implemetarli autonomamente. Saprà inoltre riconoscere le criticità connesse al calcolo dei rendimenti e alla misurazione del rischio di mercato, con particolare riferimento al VaR come misura di rischio.
At the end of the module, the Student will have acquired an adequate knowledge of the main models of Portfolio Theory, and will be able to implement them independently. They will also recognize the critical issues related to the calculation of returns and the measurement of market risk, with particular reference to the VaR as a risk measure.
Prerequisiti/Required background knowledge
Conoscenze di base di matematica e statistica. Conoscenze minime di Excel e Matlab
Basic knowledge of mathematics and statistics. Minimum knowledge of Excel and Matlab
Metodi didattici/Teaching methods
Lezioni frontali ed esercitazioni.
Lectures and exercises.
Altre informazioni/Further information
La frequenza non è obbligatoria ma fortemente consigliata.
Attendance of the lecture class is not compulsory but is strongly recommended.
Modalità di verifica dell'apprendimento/Assessment methods
Esame orale obbligatorio alla fine del corso, durante il quale verrà richiesto il procedimento di risoluzione di alcuni esercizi a carattere sia computazionale che teorico.
A compulsory oral exam during which the student will also be asked to solve some problems on the course topics.
Programma esteso/Content
Breve ripasso su variabili aleatorie, distribuzioni, teoria dell'utilità attesa e decisioni in condizioni di rischio. Costruzione di un portafoglio di asset rischiosi, con e senza la presenza di un titolo risk-free, secondo il criterio media-varianza (Markowitz). Costruzione della frontiera efficiente. Indice di Sharpe. CAPM. Metodi di calcolo dei rendimenti: rendimenti lineari vs rendimenti logaritmici. Principali caratteristiche, proprietà e implicazioni per il calcolo del rendimento di un portafoglio. Introduzione alle principali tipologie di rischi finanziari. Rischio di mercato: criticità, requisiti regolamentari e calcolo del Value at Risk per singoli asset e per un portafoglio di asset rischiosi. Tutti i problemi vengono discussi da un punto di vista teorico, con attenzione alle implicazioni quantitative, e implemementati a titolo di esempio e di esercitazione in Matlab e/o Excel.
Brief review of random variables, distributions, expected utility theory, and decisions under risk conditions. Construction of a portfolio of risky assets, with and without the presence of a risk-free security, according to the criterion medium-variance (Markowitz). Efficient frontier construction. Sharpe index. CAPM. Returns calculation methods: linear returns vs logarithmic returns. Main characteristics, properties and implications for the calculation of the performance of a portfolio. Introduction to the main types of financial risks. Market risk: critical issues, regulatory requirements and calculation of Value at Risk for individual assets and for a portfolio of risky assets. All problems are discussed from a theoretical point of view, with attention to quantitative implications, and implememented as an example and as an exercise in Matlab and/or Excel.
Risultati di apprendimento attesi/Intended learning objectives
Alla fine del corso, lo Studente avrà acquisito una conoscenza adeguata dei principali aspetti di Portfolio Theory. Saprà inoltre valutare la rischiosità del proprio portafoglio. Inoltre, saprà implementare autonomamente i modelli studiati, fornendo un'interpretazione critica dei risultati.
At the end of the course, the student will have acquired an adequate knowledge of the main aspects of Portfolio Theory. They will also be able assess the risk of their portfolio. In addition, they will be able to independently implement the models studied, providing a critical interpretation of the results.
Show parent course details
×
Print
Course
INTELLIGENZA ARTIFICIALE, FINTECH E FINANZA IMPRENDITORIALE: INTELLIGENZA ARTIFICIALE, FINTECH E FINANZA IMPRENDITORIALE: MODULO 2
Course ID
MF0639
Academic Year
2024/2025
Year of rule
2023/2024
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
Economico-Aziendale
Teaching leader
Tenca Francesca
Teachers
Tenca Francesca
CFU
5.0
Teaching duration (hours)
40.0
Individual study time
85.0
SSD
SECS-P/11 - ECONOMIA DEGLI INTERMEDIARI FINANZIARI
Course type
Modulo di sola Frequenza
Course mandatoriety
OBB
Course category
C
Year
2
Period
Secondo Semestre
Site
VERCELLI
Grading type
G
Lingua insegnamento/Teaching language
ITALIANO
Italian
Contenuti/Content Summary
L’insegnamento affronta le principali modalità di finanziamento di start-up innovative e piccole e medie imprese, con particolare focus sul settore fintech, AI e modelli platform-based. Il corso esamina i processi e le decisioni di investimento dei principali attori dell’ecosistema finanziario, quali Venture Capitalists (VC), Business Angels (BA), piattaforme di Crowdfunding (CF).
The course deals with the main methods of financing innovative start-ups and small and medium-sized enterprises, with a particular focus on the fintech sector, AI and platform-based models. The course examines the investment processes and decisions of the main players in the financial ecosystem, such as Venture Capitalists (VC), Business Angels (BA), Crowdfunding platforms (CF).
Testi di riferimento/Textbooks
Il docente metterà a disposizione articoli scientifici e working paper, slides e casi di studio per approfondire le tematiche specifiche del corso.
The instructor will make available scientific articles and working papers, slides and case studies to deepen specific topics of the course.
Obiettivi formativi/Mission
Conoscenza e capacità di comprensione: l’insegnamento si propone di fornire le conoscenze necessarie per comprendere le decisioni di start-up e PMI con particolare riferimento al settore Fintech per quanto riguarda l'accesso alle diverse modalità di finanziamento; le decisioni dei diversi fornitori di capitale; e da ultimo, si propone di stimolare gli studenti alla risoluzione di brevi casi di studio su operazioni di investimento fatte da VC/BA in Italia e/o all’estero. Capacità di applicare conoscenza e comprensione: l’insegnamento intende trasferire la capacità di applicare le conoscenze acquisite al fine di valutare le caratteristiche, finalità e conseguenze per l’impresa delle diverse modalità di finanziamento presentate durante il corso, ed imparare come prendere migliori decisioni finanziarie. Autonomia di giudizio: l’insegnamento stimola la capacità critica degli studenti ad individuare lo strumento finanziario più adatto in base alla tipologia e alla fase del ciclo di vita dell’impresa. Abilità comunicative: l’insegnamento è altresì mirato all’acquisizione del linguaggio tecnico utilizzato dalla comunità finanziaria e dagli investitori professionali. Capacità di apprendimento: gli studenti impareranno a conoscere le principali fonti informative e bibliografiche, le principali risorse online e database per effettuare studi e ricerche nell’ambito disciplinare in oggetto.
Knowledge and understanding: the course aims to provide the necessary knowledge to understand the decisions of start-ups and SMEs with a focus on the Fintech sector regarding access to different financing methods; the decisions of the various capital providers; and finally, it aims to stimulate students to solve short cases on investment transactions made by VC / BA in Italy and / or abroad. Ability to apply knowledge and understanding: the course aims to transfer the ability to apply the knowledge acquired in order to evaluate the characteristics, purposes and consequences of different financing methods presented during the course, and learn how to make better financial decisions. Autonomy of judgment: the course stimulates the critical ability of students to identify the most suitable financial instrument based on the type and phase of the company's life cycle. Communication skills: the course aims to make students to acquire the technical language used by the financial community and professional investors. Learning skills: students will learn about the main information and bibliographic sources, the main online resources and databases for carrying out studies and research in this subject area.
Prerequisiti/Required background knowledge
-
-
Metodi didattici/Teaching methods
Conoscenza e capacità di comprensione: mediante lezioni teoriche frontali, analisi e discussione di casi di studio. Capacità di applicare conoscenza e comprensione: mediante lezioni teoriche frontali ed analisi e discussione di casi di studio. Autonomia di giudizio: durante il corso gli studenti saranno stimolati ad individuare soluzioni operative per prendere decisioni finanziarie adeguate principalmente dalla prospettiva imprenditore e dal lato investitore. Abilità comunicative: ricorso durante le lezioni a termini tecnici comunemente utilizzati dalla comunità finanziaria e spiegazione del relativo significato. Capacità di apprendimento: durante il corso sono previsti dei lavori di gruppo in forma scritta/report e/o orale.
Knowledge and understanding: through lectures, analysis and discussion of case studies. Ability to apply knowledge and understanding: through lectures and analysis and discussion of case studies. Independent judgment: during the course, students will be encouraged to identify operational solutions to make adequate financial decisions mainly from the entrepreneur perspective and also from the investor side. Communication skills: usage of technical terms commonly adopted by the financial community during class and explanation of their meaning. Learning skills: during the course there will be group work in written reports and/or oral form.
Altre informazioni/Further information
È previsto un percorso didattico per frequentanti che consentirà agli studenti, dietro lo svolgimento e la presentazione in aula di un caso di studio (in piccoli gruppi), di acquisire punti che concorreranno alla determinazione del voto finale. I docenti forniranno in aula ogni dettaglio in merito a tale percorso didattico per frequentanti. Le studentesse e gli studenti con disabilità o con Disturbi Specifici dell’Apprendimento (DSA) o con Bisogni Educativi Speciali (BES) possono richiedere servizi e strumenti specifici a loro dedicati rivolgendosi allo Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti e consultando la pagina dedicata del sito di Ateneo: https://uniupo.it/it/servizi/servizi-studenti- disabili-e-dsa Le studentesse e gli studenti con disabilità, DSA, BES, una volta preso contatto con lo Staff di Ateneo, possono contattare la/il docente titolare dell'insegnamento in relazione alla declinazione delle modalità di esame, in merito agli aspetti didattici.
There is an educational path for attending students that will allow students, behind the development and presentation in the classroom of a case study (in small groups), to acquire points that will contribute to the determination of the final grade. The teachers will provide every detail in the classroom regarding this educational path for attending students. Students with physical disabilities, Learning Disabilities or Special Education Needs can request specific services and tools via the Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti, consulting the University webpage: https://www.uniupo.it/en/services/services- students-physical-or-learning-disabilities Students with disabilities, learning disabilities or special education needs, once they have contacted the University Staff, can refer to the tutor in charge of the course to define the examination modalities, concerning academic aspects.
Modalità di verifica dell'apprendimento/Assessment methods
Una prova scritta obbligatoria sul programma del corso. Le domande saranno in parte “aperte” e in parte “chiuse” (a risposta multipla). Nel periodo di svolgimento dell’insegnamento sono inoltre previsti per gli studenti frequentanti dei lavori di gruppo relativi alle testimonianze ed ai casi di studio svolti in classe.
A written test on the course program. The questions will be partly "open" and partly "closed" (multiple choice). During the teaching period, group work related to testimonies and case studies carried out in class are also provided for attending students.
Programma esteso/Content
1. Introduzione: -Definizione di finanza imprenditoriale e finanza per giovani/piccole e medie imprese. - Definizione, principali applicazioni fintech/modelli di business e importanza del fintech nell'attuale panorama finanziario. -Funding gap ed acquisizione delle risorse finanziarie lungo le fasi del ciclo di vita dell’impresa. 2. Offerta di capitale: -Finanziamento tramite capitale di debito. -Finanziamento tramite capitale di equity: -Venture Capital: fundraising, processo di selezione imprese target e deal structuring, fase di post investment, exit. -Venture Capital: obiettivi e performance di diverse tipologie di VC, ovvero independent VC, corporate VC, governament VC. -Investitori informali: Business Angels e Crowdfunding. 3. Impatti del Fintech: -Cambiamenti nel settore finanziario -Inclusione finanziaria e accessibilità -Nuovi modelli di business -Rischi e sfide 4. Casi di studio (sono elencati di seguito a titolo di esempio due possibili casi di studio): -Valutazione delle imprese target Venture Capital: VC-method -Come strutturare una campagna di Crowdfunding 5. Integrazione della dimensione di genere: focus su female entrepreneurship e gender gap nella domanda e offerta di capitale.
1. Introduction: -Definition of entrepreneurial finance and finance for young people/small and medium enterprises. -Definition, main fintech applications/business model and importance of fintech in the current financial landscape. -Funding gap and acquisition of financial resources along the stages of the company's life cycle. 2. Capital offer: -Financing through debt capital. -Financing through equity capital: -Venture Capital: fundraising, target companies selection process and deal structuring, post investment phase, exit. -Venture Capital: objectives and performance of different types of VC, i.e. independent VC, corporate VC, government VC. - Informal investors: Business Angels and Crowdfunding. 3. Impact of Fintech: -Changes in the financial sector -Financial inclusion and accessibility -New business models -Risks and challenges 4. Case studies (two possible case studies are listed below as examples): -Evaluation of Venture Capital target companies: VC-method -How to structure a Crowdfunding campaign 5. Gender dimension: focus on female entrepreneurship and gender gap in the supply and demand of capital.
Risultati di apprendimento attesi/Intended learning objectives
-Saper prendere decisioni finanziare ottimali per il finanziamento di startup e PMI nel settore Fintech. -Saper valutare il processo di investimento di diversi intermediari finanziari nell'ecosistema startup
-Knowing how to make optimal financial decisions for the financing of startups and SMEs in the Fintech sector. -Knowing how to evaluate the investment process of different financial intermediaries in the startup ecosystem
×
Print
Course
INTELLIGENZA ARTIFICIALE E MARKETING
Course ID
MF0633
Academic Year
2024/2025
Year of rule
2023/2024
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
Economico-Aziendale
Teachers
Goia Aldo, Strazzari Nicola
CFU
10.0
Teaching duration (hours)
80.0
Individual study time
0.0
SSD
SECS-S/01 - STATISTICA, SECS-P/08 - ECONOMIA E GESTIONE DELLE IMPRESE
Course type
Attività formativa integrata
Course mandatoriety
OBB
Year
2
Period
Annuale
Site
VERCELLI
Grading type
V
Obiettivi formativi/Mission
Gli obiettivi formativi del corso sono (declinati secondo i descrittori di Dublino): • Conoscenza e capacità di comprensione: di comprensione delle opportunità offerte dall’applicazione dell’Intelligenza Artificiale (IA) per l’analisi e lo sviluppo di strategie di marketing automation, omnichannel, account-based marketing • Capacità di applicare conoscenza e comprensione: utilizzo di metodologie dell’Intelligenza Artificiale (IA) per analizzare e sviluppare di strategie di marketing automation, omnichannel, account-based marketing • Autonomia di giudizio: saper valutare autonomamente le problematiche e le strategie, esistenti e potenziali di marketing B2B, B2C, C2B basate sull’IA, con particolare attenzione al settore della sanità • Abilità comunicative: saper comunicare anche a non esperti i risultati, i vantaggi e i limiti delle metodologie • Capacità di apprendimento: saper estendere i concetti e le idee viste nel corso a nuovi contesti.
The educational objectives of the course are (declined according to the Dublin descriptors): • knowledge and understanding: understanding the opportunities offered by the Artificial Intelligence (AI) tools for the analysis and development of marketing automation, omnichannel, account-based marketing strategies • applying knowledge and understanding: the ability of applying AI methodologies to analyze and develop marketing automation, omnichannel, account-based marketing strategies • making judgements: knowing how to independently assess existing and potential B2B, B2C, C2B marketing problems and strategies based on AI, with particular attention to the health area • communication skills: knowing how to communicate the results, advantages and limitations of the methodologies even to non-experts • communication skills: knowing how to extend the concepts and ideas seen in the course to new contexts.
Risultati di apprendimento attesi/Intended learning objectives
Conoscenze: metodologie e tecniche di uso di Intelligenza Artificiale per creare strategie di marketing automation, omnichannel, account-based marketing Competenze ed abilità: 1. Identificare le opportunità offerte dall’IA nella formulazione di strategie di marketing di tipo B2B, B2C, C2B e scegliere lo strumento di analisi più consono 2. Analizzare la customer journey con strumenti di IA 3. Disegnare ed implementare strategie omnichannel basate su IA 4. Identificare le tendenze e le opportunità di marketing basato sull’IA nel settore sanitario
Knowledge: Methodologies and techniques to use Artificial Intelligence to develop strategies of marketing automation, of omnichannel, and of account-based marketing Skills and abilities: 1. Identify the opportunities offered by AI in the formulation of B2B, B2C, C2B marketing strategies and to choice the better analytic tool 2. Analyze the customer journey with AI tools 3. Design and implement omnichannel IA-based strategies 4. Analysis, design and implementation of AI-based marketing strategies in healthcare
Modules
Course ID Course SSD Teachers Agenda web
MF0634INTELLIGENZA ARTIFICIALE E MARKETING: INTELLIGENZA ARTIFICIALE E MARKETING: MODULO 1 SECS-S/01 - STATISTICA Goia Aldo Not available
MF0636INTELLIGENZA ARTIFICIALE E MARKETING: INTELLIGENZA ARTIFICIALE E MARKETING: MODULO 2 SECS-P/08 - ECONOMIA E GESTIONE DELLE IMPRESE Strazzari Nicola Not available
Show parent course details
×
Print
Course
INTELLIGENZA ARTIFICIALE E MARKETING: INTELLIGENZA ARTIFICIALE E MARKETING: MODULO 1
Course ID
MF0634
Academic Year
2024/2025
Year of rule
2023/2024
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
Economico-Aziendale
Teaching leader
GOIA Aldo
Teachers
Goia Aldo
CFU
5.0
Teaching duration (hours)
40.0
Individual study time
85.0
SSD
SECS-S/01 - STATISTICA
Course type
Modulo di sola Frequenza
Course mandatoriety
OBB
Course category
C
Year
2
Period
Primo Semestre
Site
VERCELLI
Grading type
G
Lingua insegnamento/Teaching language
ITALIANO
Italian
Contenuti/Content Summary
Il corso introduce alla metodologia statistica per il marketing quantitativo con l'ausilio di strumenti informatici ad hoc.
The course presents the statistical methodology for the quantitative marketing with the support of ad hoc software.
Testi di riferimento/Textbooks
Le lezioni si baseranno essenzialmente su alcuni capitoli del seguente volume: G. James, D. Witten, T. Hastie, R. Tibshirani (2013). An Introduction to Statistical Learning with Applications in R, Springer.
Some selected chapters in: G. James, D. Witten, T. Hastie, R. Tibshirani (2013). An Introduction to Statistical Learning with Applications in R, Springer.
Obiettivi formativi/Mission
ll corso introduce ai principali strumenti statistici per il marketing con l’ausilio di software dedicato. Lo scopo del corso è quello di accrescere la conoscenza delle principali tecniche statistiche multivariate esplorative e predittive utili in tali contesti, sviluppare abilità analitica attraverso l’impiego di tali tecniche e dei corrispondenti strumenti informatici e maturare una capacità critica nell’impiego degli stessi.
The course introduces the main statistical tools for management and marketing with the aid of an ad hoc software. The aim is to increase the knowledge on the main multivariate exploratory and predictive statistical techniques, to develop analytical skills through the use of these techniques and the corresponding IT tools and develop a critical capacity in the use of the same.
Prerequisiti/Required background knowledge
Conoscenze dei contenuti di un insegnamento di Statistica di base.
Contents of basic Statistics.
Metodi didattici/Teaching methods
Lezioni frontali ed esercitazioni in laboratorio.
Classroom lectures and laboratory exercises
Altre informazioni/Further information
Le studentesse e gli studenti con disabilità o con Disturbi Specifici dell’Apprendimento (DSA) o con Bisogni Educativi Speciali (BES) possono richiedere servizi e strumenti specifici a loro dedicati rivolgendosi allo Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti e consultando la pagina dedicata del sito di Ateneo: https://uniupo.it/it/servizi/servizi-studentidisabili-e-dsa Le studentesse e gli studenti con disabilità, DSA, BES, una volta preso contatto con lo Staff di Ateneo, possono contattare la/il docente titolare dell'insegnamento in relazione alla declinazione delle modalità di esame, in merito agli aspetti didattici.
Students with physical disabilities, Learning Disabilities or Special Education Needs can request specific services and tools via the Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti, consulting the University webpage: https://www.uniupo.it/en/services/servicesstudents-physical-or-learning-disabilities Students with disabilities, learning disabilities or special education needs, once they have contacted the University Staff, can refer to the tutor in charge of the course to define the examination modalities, concerning academic aspects.
Modalità di verifica dell'apprendimento/Assessment methods
La valutazione è basata sulla redazione e la discussione di una tesina.
Writing and discussing a short thesis.
Programma esteso/Content
1. Introduzione allo Statistical Learning: problemi di previsione ed inferenza. Supervised e Unsupervised Statistical Learning. 2. Il modello di regressione lineare semplice. Significato e stima OLS dei parametri. Intervalli di confidenza e test di significatività. 3. Il modello di regressione lineare multivariata: stima dei parametri e test di significatività, scomposizione della varianza e test F. Selezione delle variabili: metodi di ricampionamento (CV) e statistiche predittive (AIC, BIC, Cp). Leverage e punti ad alto impatto. Uso di variabili dummy per predittori qualitativi. Modelli con interazioni. Multicollinearità: definizione, effetti ed individuazione (VIF). Normalità dei residui: lettura del QQ-plot. Modelli moltiplicativi e loro linearizzazione. 4. La conjoint analysis classica. Pianificazione dell'esperimento: definizione dei fattori, dei livelli e degli stimoli. Piani fattoriali completi e frazionari. Valutazione dell'utilità: scale Likert. Modello, stimoli parziali e valutazione dell'importanza relativa dei fattori. 5. Classificazione supervisionata. Regola di decisione bayesiana e scelta delle variabili discriminanti. Modello logistico. Odds-ratio e loro relazione con le probabilità a posteriori. Diagnostica di classificazione: matrice di confusione e curva ROC. 6. Unsupervised statistical Learning. Metodi di clustering: metodi di partizionamento (k-means) e clustering gerarchica (metodi di linkage). Dendrogramma e sua interpretazione. 7. Modelli lineari regolarizzati: curse of dimensionality, regressione lineare penalizzata (Ridge regression, LASSO). 8. Ripasso delle regole base delle probabilità (probabilità congiunta, probabilità condizionata). Modelli discriminativi vs. generativi. Indipendenza condizionata. Modello Naive Bayes. 9. Alberi decisionali, information gain (entropia, indice di Gini), ensemble/bagging e random forest. Cenni al boosting.
1. Introduction to Statistical Learning: forecasting and inference. Supervised and Unsupervised Statistical Learning. 2. Linear Regression. OLS estimation. Confidence intervals and tests. 3. Multiple Linear Regression: OLS estimation and test, analysis of variance and F test. Variable selection: resampling (CV) and predictive statistics (AIC, BIC, Cp). Leverage and HIP. Dummy variables for categorical variables. Modeles with interactions. Multicollinearity: definition, effects and VIF. Normality of residuals: QQ-plot. Multiplicative models. 4. Classical conjoint analysis. Definition of factors, levels and stimuli. Factorial and complete design. Likert scales. 5. Supervised classification. Bayesian rule and selection of discriminant variables. Logistic Models. Odds-ratio and its relation with the posterior probability. Diagnostic analysis: confusion matrix and ROC curve. 6. Unsupervised statistical Learning. Clustering: k-means and hierarchical clustering. Dendrograms and their interpretation. 1. Review of probabilities and statistical inference. 2. Survey methods: statistical sampling and techniques for data collection in marketing research. 3. Data cleaning and pre-processing data. Exploratory analysis and data visualization. 4. Matrix representations of multidimensional data: data matrix, covariance matrix and correlation matrix, matrices of dissimilarity. 5. Main techniques of data-mining in management and marketing: • Hierarchical cluster analysis and k-means method. Segmentation methods; • Principal component analysis. 6. Multivariate linear regression model and logistic regression. 7. Conjoint analysis: general methodology and applications. 8. Customer satisfaction. 9. Regularization: curse of dimensionality, Ridge, Lasso. 10. Discrimination vs generative models, Naive Bayes model. 11. Trees, information gain (entropy, Gini index), ensemble/bagging eìand random forest. Boosting.
Show parent course details
×
Print
Course
INTELLIGENZA ARTIFICIALE E MARKETING: INTELLIGENZA ARTIFICIALE E MARKETING: MODULO 2
Course ID
MF0636
Academic Year
2024/2025
Year of rule
2023/2024
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
Economico-Aziendale
Teaching leader
STRAZZARI NICOLA
Teachers
Strazzari Nicola
CFU
5.0
Teaching duration (hours)
40.0
Individual study time
85.0
SSD
SECS-P/08 - ECONOMIA E GESTIONE DELLE IMPRESE
Course type
Modulo di sola Frequenza
Course mandatoriety
OBB
Course category
C
Year
2
Period
Secondo Semestre
Site
VERCELLI
Grading type
G
Lingua insegnamento/Teaching language
ITALIANO
Italian
Contenuti/Content Summary
il corso ha in oggetto lo studio del marketing e le applicazioni dell'Intelligenza Artificiale nel marketing. In particolare il corso si concentra sull'analisi delle fondamenta del marketing, alla luce dell'evoluzione che la disciplina ha sperimentato negli ultimi anni sia in termini di approccio sia in termini di strumenti e canali, e approfondisce, attraverso modelli ed esempi, le tematiche legate all'Intelligenza Artificiale non solo da un punto di vista teorico ma anche applicativo.
The course focuses on the study of marketing and the applications of Artificial Intelligence in marketing. In particular, it analyzes the fundamentals of marketing in light of the evolution the discipline has undergone in recent years, both in terms of approach and in terms of tools and channels. Additionally, it explores topics related to Artificial Intelligence through models and examples, addressing them not only from a theoretical perspective but also from a practical standpoint.
Testi di riferimento/Textbooks
"Advanced Analytics e Artificial Intelligence per il marketing", edizione Pearson di Sergio Suriano, Nico Di Domenica, Marco Fusi, Luigi Capone. Durante il corso verranno indicate i capitoli che saranno parte del programma di esame. Inoltre verranno forniti articoli ed altri riferimenti bibliografici ad integrazione del libro di testo. Per coprire la prima parte dei contenuti legati ai concetti fondamentali del marketing, si consiglia di fare riferimento a qualunque testo di Marketing adottato durante il corso di Marketing della triennale.
"Advanced Analytics e Artificial Intelligence per il marketing", edizione Pearson di Sergio Suriano, Nico Di Domenica, Marco Fusi, Luigi Capone
Obiettivi formativi/Mission
1) Conoscenza e capacità di comprensione: - conoscere il marketing, come è cambiato, i processi di marketing 2) Capacità di applicare conoscenza e comprensione: - applicare i modelli di marketing per studiare logiche e design di campagne e applicare l'IA al marketing 3) Autonomia di giudizio: - capire l'impatto e il ruolo dell'IA sul marketing 4) Capacità di apprendimento: - conoscere l'applicazione dell'IA al marketing e afferrarne le future applicazioni
1.Knowledge and Understanding: Understand marketing, its evolution, and marketing processes. 2. Ability to Apply Knowledge and Understanding: -Apply marketing models to study the logic and design of campaigns and implement AI in marketing. 3. Autonomy of Judgment: - Comprehend the impact and role of AI in marketing. 4. Learning Skills: -Understand the application of AI in marketing and grasp its future applications.
Prerequisiti/Required background knowledge
Non ci sono pre-requisiti. La frequenza non è obbligatoria ma è altamente consigliata.
There are no prerequisites. Attendance is not mandatory but is highly recommended. Students who have not had Marketing during their bachelor's degree are advised to inform the instructor.
Metodi didattici/Teaching methods
La didattica durante il Corso si svolge principalmente in maniera frontale con l'ausilio di lucidi. La partecipazione attiva è favorita attraverso il confronto spontaneo con gli studenti su temi affrontati e attraverso momenti dedicati alle presentazioni e all’analisi di casi realizzati dagli studenti. Compatibilmente con lo svolgimento del programma ci potranno essere le testimonianze di esperti professionisti rappresentanti di aziende responsabili delle attività in oggetto del corso. Il programma delle testimonianze verrà comunicato durante il corso.
The main teaching method takes place through lectures supported by slides. Active participation is encouraged through spontaneous discussions with students on the topics covered, as well as through sessions dedicated to student presentations and case analyses. Subject to the course schedule, there may be guest lectures from industry professionals responsible for activities related to the course content. Dates and times for these guest lectures will be communicated during the course.
Altre informazioni/Further information
Tutti i contenuti del corso saranno pubblicati su DIR. Le studentesse e gli studenti con disabilità o con Disturbi Specifici dell’Apprendimento (DSA) o con Bisogni Educativi Speciali (BES) possono richiedere servizi e strumenti specifici a loro dedicati rivolgendosi allo Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti e consultando la pagina dedicata del sito di Ateneo: https://uniupo.it/it/servizi/servizi-studentidisabili-e-dsa Le studentesse e gli studenti con disabilità, DSA, BES, una volta preso contatto con lo Staff di Ateneo, possono contattare la/il docente titolare dell'insegnamento in relazione alla declinazione delle modalità di esame, in merito agli aspetti didattici.
Slides will be available on DIR. Students with physical disabilities, Learning Disabilities or Special Education Needs can request specific services and tools via the Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti, consulting the University webpage: https://www.uniupo.it/en/services/servicesstudents-physical-or-learning-disabilities Students with disabilities, learning disabilities or special education needs, once they have contacted the University Staff, can refer to the tutor in charge of the course to define the examination modalities, concerning academic aspects.
Modalità di verifica dell'apprendimento/Assessment methods
20% partecipazione 20% progetto - realizzazione di una campagna di marketing con l'applicazione dell'IA. Consegna al termine delle lezioni prima del primo appello di esame. 30 % esame scritto 30% esame orale. L'esame scritto consta di tre parti: la prima con domande a risposta multipla; la seconda con domande aperte di contenuto; la terza domande aperte di ragionamento. La durata della prova è di un'ora. L'esame orale si svolge il medesimo giorno. ATTENZIONE: Si consiglia agli studenti NON FREQUENTANTI di contattare il docente per indicazioni complete su letture aggiuntive e altro necessari alla valutazione finale.
20% Participation 20% Project – Development of a marketing campaign applying AI. Submission at the end of lectures before the first exam session. 25% Written Exam 25% Oral Exam The written exam consists of three parts: the first with multiple-choice questions; the second with open-ended content questions; the third with open-ended reasoning questions. The duration of the exam is one hour. The oral exam takes place on the same day. Students that CANNOT ATTEND class should contact the professor for the complete info over extra readings and tasks necessary for the final assessment.
Programma esteso/Content
Parte I Capire i processi di marketing - che cosa è il marketing , comprendere l'evoluzione - progettare la strategia, il ruolo del marketing, il marketing mix Parte II analizzare consumatori e mercati - micro e macro ambiente - la ricerca di marketing PARTE III progettare e gestire il marketing - segmentazione del mercato, targeting, posizionamento e differenziazione - retail e trade marketing - digital marketing PARTE IV IA Valorizzazione delle attività di marketing attraverso un approccio data-driven - principali approcci alla misurazione delle attività di marketing - modelli di attribuzione nel digital marketing
Part I: Understanding Marketing Processes What is marketing; understanding its evolution Designing strategy, the role of marketing, the marketing mix Part II: Analyzing Consumers and Markets Micro and macro environment Marketing research Part III: Designing and Managing Marketing Market segmentation, targeting, positioning, and differentiation Retail and trade marketing Digital marketing Part IV: Artificial Intelligence Enhancing marketing activities through a data-driven approach Main approaches to measuring marketing activities Attribution models in digital marketing
Risultati di apprendimento attesi/Intended learning objectives
Essere in grado di applicare i concetti legati alle attività principali del marketing alle campagne e al contempo integrarle con modelli di IA.
Be capable of applying concepts related to core marketing activities to campaigns while integrating them with AI models.
×
Print
Course
INTELLIGENZA ARTIFICIALE E STRATEGIA DI IMPRESA
Course ID
MF0640
Academic Year
2024/2025
Year of rule
2023/2024
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
Economico-Aziendale
Teachers
Bertolosi Cristina, Rossi Paolo
CFU
10.0
Teaching duration (hours)
80.0
Individual study time
0.0
SSD
SECS-S/06 - METODI MATEMATICI DELL'ECONOMIA E DELLE SCIENZE ATTUARIALI E FINANZIARIE, SECS-P/07 - ECONOMIA AZIENDALE
Course type
Attività formativa integrata
Course mandatoriety
OBB
Year
2
Period
Annuale
Site
VERCELLI
Grading type
V
Obiettivi formativi/Mission
Gli obiettivi formativi del corso sono (declinati secondo i descrittori di Dublino) • Conoscenza e capacità di comprensione: Competenze pratiche nell'attuazione di una strategia di trasformazione digitale. La capacità di articolare e comprendere cosa significano queste innovazioni per il settore e creare strategie aziendali efficaci per gestire la trasformazione digitale. Capacità di applicare conoscenza e comprensione: • comprendere come sfruttare la potenza delle nuove tecnologie per migliorare le operazioni e accrescere il valore aziendale. • comprendere le strategie aziendali e condurre la pianificazione tecnica sulla base dei nuovi servizi e prodotti ML. • Autonomia di giudizio: saper valutare autonomamente quando le metodologie sono applicabili • Abilità comunicative: saper comunicare anche a non esperti i risultati, i vantaggi e i limiti delle metodologie implementate Capacità di apprendimento: saper estendere i concetti e le idee viste nel corso a nuovi contesti.
The goals of the course are (Dublin descriptors) • Knowledge and understanding: Practical skills in implementing a digital transformation strategy The ability to articulate what these innovations mean for the industry, and create effective business strategies to manage digital transformation. Applying knowledge and understanding: A foundational understanding of how to harness the power of disruptive technologies by improving operations and increasing business value. The student will be able to understand business strategies and to conduct technical planning on new ML services and products. Making judgements: be able to make autonomously judgements on the use of the introduced methodologies Communication skills: know how to communicate the results, advantages and limitations of the methodologies implemented even to non-experts Learning skills: know how to extend the concepts and ideas seen in the course to new settings.
Risultati di apprendimento attesi/Intended learning objectives
Alla fine del corso lo studente dovrebbe (descrittori di Dublino): • Conoscenza. Lo studente sarà in grado di comprensione come AI e ML influenzino la strategia di business di un'azienda; sarà in grado di comprendere ed utilizzare i diversi modi in cui i concetti di machine learning vengono utilizzati nelle applicazioni aziendali. Sarà in grado di comprendere come un utilizzo analitico dei dati e nelle tecnologie correlate possa aiutare le aziende a comprendere i dati grezzi e creare una migliore offerta ai propri clienti. Lo studente sarà in grado di contribuire a implementare pratiche di automazione e rendere i servizi aziendali più veloci, economici e affidabili. • Competenze ed abilità La natura dirompente e dinamica dell'IA richiede professionisti che abbiano non solo competenze tecniche ma anche un alto quoziente emotivo per una proficua interazione con gli altri soggetti. Le capacità critiche che lo studente deve acquisire includono la capacità di collaborare efficacemente con gli altri, lavorare in team, costruire relazioni, condividere idee e gestire i conflitti. Lo studente dovrà essere in grado di comunicare con il suo team, fare brainstorming di idee e risolvere in modo collaborativo le criticità; sapere interagire direttamente con i clienti; essere in grado di interagire con la stampa, sia specializzata che no.
At the end of the classes, students should (Dublin descriptors) Knowledge. The student will understand how AI and ML affect the business strategy of a firm. The student will be able to understand the many different ways in which leading edge machine learning concepts are being utilized in business applications. He will be able to understand how expertise in data science and related technologies can help companies make better sense of raw data and draw insightful conclusions about their customers. The combination of smart machines and skilled humans also helps these firms implement automation practices and make their services faster, cheaper and more reliable. • Skills and abilities Critical people skills for the new industry include the ability to collaborate effectively with others and work in teams, build relationships, share ideas and manage conflict. Indeed, the disruptive and fast-moving nature of AI means that skilled employees with a high emotional quotient are more likely to succeed than those who have only technical skills. AI professionals are required to have analytical and critical thinking skills that can help them find creative solutions to such problems. In particular, the student will need to be able to communicate with his team, brainstorm ideas and collaboratively solve critical issues; to be able engage directly with clients; rely on solid communications to interact with the press.
Modules
Course ID Course SSD Teachers Agenda web
MF0641INTELLIGENZA ARTIFICIALE E STRATEGIA DI IMPRESA: INTELLIGENZA ARTIFICIALE E STRATEGIA DI IMPRESA: MODULO 1 SECS-S/06 - METODI MATEMATICI DELL'ECONOMIA E DELLE SCIENZE ATTUARIALI E FINANZIARIE Bertolosi Cristina Not available
MF0642INTELLIGENZA ARTIFICIALE E STRATEGIA DI IMPRESA: INTELLIGENZA ARTIFICIALE E STRATEGIA DI IMPRESA: MODULO 2 SECS-P/07 - ECONOMIA AZIENDALE Rossi Paolo Not available
Show parent course details
×
Print
Course
INTELLIGENZA ARTIFICIALE E STRATEGIA DI IMPRESA: INTELLIGENZA ARTIFICIALE E STRATEGIA DI IMPRESA: MODULO 1
Course ID
MF0641
Academic Year
2024/2025
Year of rule
2023/2024
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
Economico-Aziendale
Teaching leader
BERTOLOSI Cristina
Teachers
Bertolosi Cristina
CFU
5.0
Teaching duration (hours)
40.0
Individual study time
85.0
SSD
SECS-S/06 - METODI MATEMATICI DELL'ECONOMIA E DELLE SCIENZE ATTUARIALI E FINANZIARIE
Course type
Modulo di sola Frequenza
Course mandatoriety
OBB
Course category
C
Year
2
Period
Primo Semestre
Site
VERCELLI
Grading type
G
Lingua insegnamento/Teaching language
ITALIANO
Italian
Contenuti/Content Summary
Il corso affronta il problema delle decisioni strategiche dal punto di vista dei derivati. In particolare, ci si concentra sul problema di pricing di opzioni, principalmente di tipo Europeo e Americano, e di copertura. Dal punto di vista applicativo, vengono utilizzati alberi binomiali e simulazioni Monte Carlo. Si faranno inoltre cenni a problemi di dynamic programming e di reinforcement learning.
The course treats the topic of strategic decisions from the viewpoint of derivatives. Moreover, the focus will be on financial options, and, particularly, on pricing and hedging problems. European and American style options are the main reference. Binomial trees and Monte Carlo simulations are the main tools that will be applied.
Testi di riferimento/Textbooks
Il testo di riferimento principale è: Hull, J. C., Opzioni, Futures e altri Derivati. Edizione italiana a cura di Emilio Barone. XI ed., Pearson Education. Sono consigliati, inoltre, Glasserman, P. (2004) Monte Carlo Methods in Financial Engineering. In: Stochastic Modelling and Applied Probability, Springer-Verlag, New York. Guthrie, Graeme, 2009. "Real Options in Theory and Practice", OUP Catalogue, Oxford University Press. Brandimarte,Paolo, From Shortest Paths to Reinforcement Learning: A MATLAB-Based Tutorial on Dynamic Programming. 2021, Springer International Publishing Ulteriori materiali (slide, file costruiti in classe, etc.) verranno forniti di volta in volta dalla docente e pubblicati su DIR.
Required reading: Hull, J. C., Options, Futures and other derivatives. Italian edition by Emilio Barone. XI ed., Pearson Education. Suggested readings: Glasserman, P. (2004) Monte Carlo Methods in Financial Engineering. In: Stochastic Modelling and Applied Probability, Springer-Verlag, New York. Guthrie, Graeme, 2009. "Real Options in Theory and Practice", OUP Catalogue, Oxford University Press. Brandimarte,Paolo, From Shortest Paths to Reinforcement Learning: A MATLAB-Based Tutorial on Dynamic Programming. 2021, Springer International Publishing Additional materials will be published on the Moodle (DIR) page of the course by the teacher.
Obiettivi formativi/Mission
Al termine del corso, lo Studente dovrà aver acquisita la conoscenza di come costruire un modello binomiale con evoluzione stocastica del prezzo degll'asset sottostante; saprà inoltre utilizzare tale modello per pricing ed hedging di alcuni strumenti derivati. Disporrà inoltre di conoscenze riguardanti la formula di Black&Scholes (come limite di un modello binomiale) ed il suo utilizzo per fini di pricing. Avrà inoltre acquisito una conoscenza di base riguardo i processi stocastici in tempo continuo, con particolare riferimento al moto Browniano aritmetico e al moto Browniano geometrico. Saprà prezzare strumenti derivati di tipo Europeo tramite simulazioni Monte Carlo e valutare in modo critico i risultati ottenuti. Verrà introdotto ai metodi di Reinforcement Learning come strumento di supporto alle decisioni data driven.
At the end of the course, the student must have acquired the knowledge of how to build a binomial model with stochastic evolution of the price of the underlying asset; he will also be able to use this model for pricing and hedging of some derivative instruments. The Student will also have knowledge about the Black&Scholes formula (as the limit of a binomial model) and its use for pricing purposes. They will also have acquired a basic knowledge of stochastic processes in continuous time, with particular reference to arithmetic Brownian motion and geometric Brownian motion. They will be able to price European derivative instruments through Monte Carlo simulations and critically evaluate the results obtained. They will be introduced to Reinforcement Learning methods as a data driven decision support tool.
Prerequisiti/Required background knowledge
Conoscenze di base di matematica e statistica. Minima conoscenza di Excel e Matlab
Basic knowledge of mathematics and statistics. Minimum knowledge of Excel and Matlab
Metodi didattici/Teaching methods
Lezioni frontali, teoria ed esercizi. Parte delle lezioni verrà svolta utilizzando Excel e Matlab
Lectures, theory and exercises. Part of the lessons will be conducted using Excel and Matlab
Altre informazioni/Further information
La frequenza non è obbligatoria ma fortemente consigliata.
Attendance of the lecture class is not compulsory but is strongly recommended.
Modalità di verifica dell'apprendimento/Assessment methods
Esame orale obbligatorio alla fine del modulo durante il quale verrà richiesto il procedimento di risoluzione di alcuni esercizi a carattere sia computazionale che teorico.
A compulsory oral exam at the end of the module, during which the student will also be asked to solve some problems on the course topics.
Programma esteso/Content
Introduzione agli strumenti derivati. Caratteristiche deicontratti, posizioni lunghe e corte. Opzioni finanziare, caratteristiche di un contratto standard, opzioni call e put, Americane ed Europee, variabili che influenzano il prezzo delle opzioni. Restrizioni sui prezzi delle opzioni, modellizzazione dell'evoluzione del sottostante tramite alberi binomiali. Probabilità neutrali al rischio. Pricing di un opzione tramite modello binomiale. Delta di un opzione. Portafoglio di replica (dinamico). Il caso delle opzioni Americane. Il modello di Black & Scholes. Processi stocastici: generalità, processi in tempo discreto e in tempo continuo. Processi di Markov. Brownian motion. Modelli per il prezzzo e il per il rendimento dei titoli azionari: geometric Brownian motion e arithmetic Brownian motion. Introduzione a metodi di simulazione Monte Carlo: campionamento da una variabile casuale uniforme e inverse transform method. Pricing di derivati tramite Monte Carlo: convergenza dell'algoritmo. Tecniche di riduzione della varianza: anthitetic variates. Cenni di reinforcement learning: SARSA e Q-learning.
Introduction to derivatives. Features of contracts, long and short positions. Financing options, features of a standard contract, American and European call and put options, variables that affect the price of options. Price restrictions of options, modelling of the evolution of the underlying by means of binomial trees. Risk neutral probability. Pricing of an option via binomial model. Delta of an option. Replication portfolio (dynamic). The case of American options. The Black & Scholes model. Stochastic processes: generalities, discrete time and continuous time processes. Markov processes. Brownian motion. Models for price and returns of stocks: geometric Brownian motion and arithmetic Brownian motion. Introduction to Monte Carlo simulation methods: sampling from a uniform random variable and inverse transform method. Pricing of derivatives via Monte Carlo: algorithm convergence. Variance reduction techniques: anthitetic variates. Reinforcement learning: SARSA and Q-learning.
Risultati di apprendimento attesi/Intended learning objectives
Dovrà essere acquisita la conoscenza di come costruire un modello binomiale con evoluzione stocastica dei prezzi degli assets sottostanti e utilizzare tale modello per pricing ed hedging di alcuni classici strumenti derivati. Dovranno inoltre essere acquisite le conoscenze riguardanti la formula di Black&Scholes (come limite di un modello binomiale) ed il suo utilizzo per fini di pricing ed hedging. Dovrà essere in grado di simulare con tecniche Monte Carlo l'evoluzione stocastica del prezzo del sottostante per semplici processi e utilizzare i risultati ottenuti per prezzare alcuni classici strumenti derivati, interpretando criticamente i risultati ottenuti. Dovrà conoscere le principali caratteristiche dei problemi di reinforcement learning.
The knowledge of how to construct a binomial model with stochastic evolution of the prices of the underlying assets and to use such model for pricing and hedging of some classical derivative instruments will have to be acquired. Knowledge of the Black&Scholes formula (as the limit of a binomial model) and its use for pricing and hedging purposes must also be acquired. The Student must be able to simulate with Monte Carlo techniques the stochastic evolution of the price of the underlying for simple processes and use the results obtained to price some classic derivative instruments, critically interpreting the results obtained. They will also need to know the main features of reinforcement learning problems.
Show parent course details
×
Print
Course
INTELLIGENZA ARTIFICIALE E STRATEGIA DI IMPRESA: INTELLIGENZA ARTIFICIALE E STRATEGIA DI IMPRESA: MODULO 2
Course ID
MF0642
Academic Year
2024/2025
Year of rule
2023/2024
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
Economico-Aziendale
Teaching leader
ROSSI Paolo
Teachers
Rossi Paolo
CFU
5.0
Teaching duration (hours)
40.0
Individual study time
85.0
SSD
SECS-P/07 - ECONOMIA AZIENDALE
Course type
Modulo di sola Frequenza
Course mandatoriety
OBB
Course category
C
Year
2
Period
Secondo Semestre
Site
VERCELLI
Grading type
G
Lingua insegnamento/Teaching language
ITALIANO
Italian
Contenuti/Content Summary
Il corso si focalizza sull’applicazione dell’Intelligenza Artificiale alla strategia d’impresa, con la finalità di promuovere la sostenibilità e generare un impatto sociale positivo. Attraverso una serie di lezioni interattive e casi studio, gli studenti acquisiranno una comprensione approfondita delle sfide e delle opportunità legate all'utilizzo della IA per sviluppare strategie aziendali sostenibili e orientate all’impatto sociale.
The course focuses on the application of Artificial Intelligence to business strategy, with the aim of promoting sustainability and generating a positive social impact. Through a series of interactive lessons and case studies, students will gain an in-depth understanding of the challenges and opportunities of using AI to develop sustainable, social impact-oriented business strategies.
Testi di riferimento/Textbooks
De Baggis M., Puliafito A. (2023), In principio era ChatGPT: Intelligenze artificiali per testi, immagini, video e quel che verrà, Apogeo. Sentinelli S., Placa A. (2024), Fare la domanda giusta. L’arte di lavorare con ChatGPT e le AI, Apogeo. Penco L., Profumo G. (2023), Strategie e governo dell’impresa. Scritti in onore di Pietro Genco, Giappichelli. Ferilli S et al. (2021) L’intelligenza artificiale per lo sviluppo sostenibile, CNR Edizioni. Ulteriori possibilità di approfondimento saranno indicate nel corso della I lezione
De Baggis M., Puliafito A (2023), In the beginning it was ChatGPT: Artificial intelligence for texts, images, videos and what will come , Apogeo. Sentinelli S., Placa A. (2024), Fare la domanda giusta. L’arte di lavorare con ChatGPT e le AI, Apogeo. Penco L., Profumo G. (2023), Corporate strategies and governance. Writings in honor of Pietro Genco , Giappichelli. Ferilli S et al. (2021) Artificial intelligence for sustainable development , CNR Edizioni. Further possibilities for further study will be indicated during the first lesson
Obiettivi formativi/Mission
- Comprendere il ruolo cruciale dell'IA nelle strategie aziendali moderne, focalizzandosi sulla sostenibilità e l’impatto sociale. - Accrescere la capacità di tradurre in pratica le opportunità della IA, con specifico riferimento alle realtà aziendali. - Accrescere la capacità di identificare eventuali punti di criticità rispetto all’utilizzo della IA, con specifico riferimento alle realtà aziendali, riflettendo anche rispetto alle possibilità di miglioramento e mitigazione dei rischi. - Innovare i processi di business tramite IA, con un approccio coerente con le logiche di generazione del valore e le sfide attuali. - Analizzare come la IA possa essere utilizzata per allineare le attività aziendali con gli SDGs e gestire le relazioni d’impresa in modo efficace ed etico. - Esplorare le potenzialità della IA per migliorare la creazione di valore sostenibile e promuovere l'innovazione sociale all'interno delle organizzazioni.
- Understand the crucial role of AI in modern business strategies, focusing on sustainability and social impact. - Increase the ability to translate AI opportunities into practice, with specific reference to corporate realities. - Increase the ability to identify any critical points with respect to the use of AI, with specific reference to corporate realities, also reflecting on the possibilities for improvement and mitigation of risks. - Innovate business processes through AI, with an approach consistent with the logic of value generation and current challenges - Analyze how AI can be used to align business activities with the SDGs and manage business relationships effectively and ethically. - Explore the potential of AI to improve sustainable value creation and promote social innovation within organizations.
Prerequisiti/Required background knowledge
Nessuna propedeuticità
No propaedeutics
Metodi didattici/Teaching methods
Lezioni, incontri con esperti, esercitazioni, presentazione di casi studio, interazioni durante gli incontri in aula.
Lessons, meetings with experts, exercises, presentation of case studies, interactions during classroom meetings.
Altre informazioni/Further information
La frequenza al corso è facoltativa ma fortemente consigliata.
Attendance at the course is optional but strongly recommended.
Modalità di verifica dell'apprendimento/Assessment methods
Al termine del corso verrà richiesta la redazione di un elaborato sui temi trattati in aula. Seguirà un colloquio orale di presentazione dei lavori e approfondimento dei contenuti appresi.
At the end of the course you will be asked to write a position paper on the topics covered in class. An oral interview will follow to present the works and explore the contents learned.
Programma esteso/Content
1. Storia dell'intelligenza artificiale Durante questo primo incontro verranno presentati i contenuti del corso e delle relative lezioni. La lezione verterà poi sull’esplorazione dei progressi tecnologici che hanno portato, ad oggi, a discutere di nuove forme di intelligenza artificiale. Inoltre, verranno presentate alcune sfide etiche e alcuni dibattiti filosofici emergenti, rispetto allo sviluppo della IA. 2. Creazione di valore sostenibile Durante la lezione verrà approfondito il concetto di management, esplicitando le visioni da questo concetto evocate, sia nel presente che nel passato. Si tratterà di management e di come le prospettive ad esso legate si stiano dirigendo verso direzioni sempre più green, grazie all’attenzione posta nei confronti di bisogni e valori di cui i lavoratori e le aziende si fanno portatori. 3. I portatori di interesse e le relazioni d'impresa Questa lezione mette in evidenza l’importanza di identificare chi sono coloro per cui viene ad essere prodotto valore all’interno delle organizzazioni. Verranno definiti gli stakeholder con cui un’organizzazione può entrare in contatto, oltre alla loro posizione rispetto al nucleo centrale dell’impresa stessa. Inoltre, si cercherà di comprendere come il valore prodotto possa essere distribuito in modo congruo tra gli stakeholder e i vari attori coinvolti. 4. IA ed economia cognitiva La presente lezione cercherà di esaminare le implicazioni economiche dell'IA sul cambiamento strutturale dell'economia, comprese le opportunità di crescita economica, la ridistribuzione delle risorse e le sfide nell'adattamento alle nuove dinamiche del mercato del lavoro. Approfondiremo inoltre le politiche pubbliche e le strategie di regolamentazione necessarie per gestire in modo efficace l'impatto dell'IA sull'economia e sulla società. 5. IA e processi aziendali Durante questa lezione verrà definito come la IA possa supportare i manager nelle decisioni strategiche e operative, allo stesso tempo cercheranno di essere espresse presentate alcune modalità che possono essere utilizzate all’interno delle organizzazioni per velocizzare e facilitare i processi. Nello specifico si farà riferimento alle imprese e ai processi industriali per comprendere quali possano essere gli sviluppi futuri. 6. IA e sanità (con testimonianza) La lezione approfondirà i benefici e le sfide nell’implementazione della IA nel settore sanitario, inclusi i problemi di privacy dei dati, l’equità nell’accesso ai servizi sanitari e l’etica nell’uso dei dati dei pazienti. Verranno inoltre esaminate le nuove opportunità di ricerca e sviluppo nell'ambito della medicina personalizzata e della diagnosi precoce. 7. IA e comunicazione (con testimonianza) La lezione intende esplorare il ruolo della IA nella trasformazione dei media e delle strategie di comunicazione, con specifico riferimento all’area aziendale, evidenziando l’importanza dell’interpretazione corretta dei dati e della gestione di eventuali rischi che potrebbero incorrere. Verrà inoltre trattato il tema relativo alla creazione e distribuzione automatizzata dei contenuti. 8. IA e giornalismo (con testimonianza) La lezione si propone di esplorare il rapporto tra spazio, tempo e identità narrativa, evidenziando come la narrazione sia una forma essenziale di significato e identità. Attraverso il concetto di cronotopo, si analizzerà il ruolo dello storytelling nell’organizzazione della realtà storico-sociale e nella definizione dell’identità umana nell’era della disinformazione e dei social media. 9. IA e Pubblica Amministrazione La lezione si pone l’obiettivo di evidenziare l’importanza fondamentale dell’IA nell'ottimizzazione dei processi, allo stesso modo, verranno presentati i rischi e le sfide etiche nell’uso della IA nella pubblica amministrazione. Tra questi verranno trattati temi come la sicurezza dei dati e la trasparenza. Infine, verranno esplorati i modelli di governance e le partnership pubblico-privato che possono facilitare l’adozione responsabile della IA nei servizi pubblici. 10. L'impresa socialmente orientata e SDGs Nel corso della lezione verranno approfondite le modalità con cui le aziende possono allineare le proprie attività e le proprie strategie aziendali con gli Obiettivi di Sviluppo Sostenibile (SDGs) delle Nazioni Unite, al fine di contribuire al raggiungimento di un impatto sociale, ambientale ed economico positivo. Verranno inoltre analizzate le strategie di business che promuovono l'innovazione sociale e l'impatto positivo sulla comunità. Infine, verrà effettuato un momento di confronto e di sintesi rispetto alle lezioni precedenti. NOTA: i numeri sequenziali delle lezioni sono indicativi e suscettibili di modifica in corso d’opera
1. History of artificial intelligence During this first meeting the contents of the course and the related lessons will be presented. The lesson will then focus on exploring the technological advances that have led to the discussion of new forms of artificial intelligence to date. Furthermore, some emerging ethical challenges and philosophical debates regarding the development of AI will be presented. 2. Sustainable value creation During the lesson the concept of management will be explored in depth, explaining the visions evoked by this concept, both in the present and in the past. It will deal with management and how the perspectives linked to it are moving towards increasingly green directions, thanks to the attention paid to the needs and values of which workers and companies are the bearers. 3. Stakeholders and business relations This lesson highlights the importance of identifying who are those for whom value is produced within organizations. The stakeholders with which an organization can come into contact will be defined, as well as their position with respect to the central core of the company itself. Furthermore, we will try to understand how the value produced can be distributed appropriately among the stakeholders and the various actors involved. 4. AI and automotive During this lesson it will be defined how AI can support managers in strategic and operational decisions, at the same time some methods that can be used within organizations to speed up and facilitate processes will try to be expressed. Specifically, reference will be made to companies that deal with automotive with the aim of understanding what future developments may be 5. AI and Cognitive economics This lecture will seek to examine the economic implications of AI on structural change in the economy, including opportunities for economic growth, redistribution of resources, and challenges in adapting to new labor market dynamics. We will also delve into the public policies and regulatory strategies needed to effectively manage the impact of AI on the economy and society. 6. AI and healthcare (with testimony) The class will delve into the benefits and challenges of implementing AI in healthcare, including issues of data privacy, equity in access to healthcare services, and ethics in the use of patient data. We will also examine new research and development opportunities in personalized medicine and early diagnosis provided by AI. 7. AI and communication (with testimony) The lesson intends to explore the role of AI in the transformation of media and communication strategies, with specific reference to the corporate area, highlighting the importance of correctly interpreting data and managing any risks that may be incurred. The topic relating to the automated creation and distribution of content will also be covered. 8. AI and Public Administration The lesson aims to highlight the fundamental importance of AI in process optimization, in the same way, the risks and ethical challenges in the use of AI in public administration will be presented. Among these, topics such as data security and transparency will be covered. Finally, governance models and public-private partnerships that can facilitate the responsible adoption of AI in public services will be explored. 9. AI and journalism (with testimony) The lesson aims to explore the relationship between space, time and narrative identity, highlighting how narrative is an essential form of meaning and identity. Through the concept of chronotope, we will analyze the role of storytelling in the organization of historical-social reality and in the definition of human identity in the era of misinformation and social media. 10. Socially oriented enterprise and SDGs During the lesson, the ways in which companies can align their activities and corporate strategies with the United Nations Sustainable Development Goals (SDGs) will be explored in depth, in order to contribute to achieving a positive social, environmental and economic impact. Business strategies that promote social innovation and positive community impact will also be analyzed, At the end of the lesson, there will be a moment of synthesis regarding to the previous lessons. NOTE: the sequential numbers of the lessons are indicative and subject to change during construction
Risultati di apprendimento attesi/Intended learning objectives
Al termine del corso gli studenti saranno in grado di analizzare come l'IA possa essere utilizzata per integrare obiettivi economici, ambientali e sociali, generando un impatto positivo a lungo termine. In questo modo, i partecipanti al corso saranno in grado di individuare e progettare strategie aziendali entro le quali possa essere valorizzato l’utilizzo della IA, ponendo l’attenzione agli Obiettivi di Sviluppo Sostenibile (SDGs) delle Nazioni Unite. Infine, sapranno applicare le conoscenze acquisite attraverso casi studio e simulazioni pratiche, dimostrando la capacità di analizzare criticamente le sfide e le opportunità legate all’uso della IA nelle strategie aziendali per la sostenibilità e l’impatto sociale.
At the end of the course students will be able to analyze how AI can be used to integrate economic, environmental and social objectives, generating a positive long-term impact. In this way, course participants will be able to identify and design business strategies within which the use of AI can be enhanced, paying attention to the United Nations Sustainable Development Goals (SDGs). Finally, they will be able to apply the knowledge acquired through case studies and practical simulations, demonstrating the ability to critically analyze the challenges and opportunities related to the use of AI in corporate strategies for sustainability and social impact.
×
Print
Course
GIUSTIZIA DIGITALE
Course ID
MF0645
Academic Year
2024/2025
Year of rule
2023/2024
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
Socio-Giuridico-Politico
Teaching leader
HERITIER PAOLO
Teachers
Heritier Paolo
CFU
9.0
Teaching duration (hours)
72.0
Individual study time
153.0
SSD
IUS/20 - FILOSOFIA DEL DIRITTO
Course type
Attività formativa monodisciplinare
Course mandatoriety
OBB
Course category
C
Year
2
Period
Primo Semestre
Site
ALESSANDRIA
Grading type
V
Lingua insegnamento/Teaching language
ITALIANO
Italian
Contenuti/Content Summary
Il corso intende analizzare le matrici testuali e giuridiche della nozione di rete nell’evoluzione del pensiero tecnologico per giungere a un’analisi dei contemporanei problemi della nozione di diritto. Contro alcune letture riduttive e superate, che pensano il diritto come il fenomeno di una norma posta dallo stato che si applica a un contesto tecnologico nuovo, occorre trasformare radicalmente la concezione del ruolo del giurista entro tematiche tecnologiche dell’informatica e dell’intelligenza artificiale, al fine di formare professioni giuristi in grado di adottare un accostamento propositivo ai problemi che la rapida evoluzione tecnologica pone al sapere giuridico ed informatici in grado di comprendere in profondità la natura della scienza giuridica e la sua prossimità al sapere informatico. Muovendo dagli studi sociali sulla scienza, il corso elaborerà una nozione di rete del diritto entro l’ambito della teoria generale del diritto in grado di riprendere la concezione reticolare del testo presente nei glossatori, fino a mostrarne la vicinanza con la nozione di testo ipertestuale alla base del linguaggio HTLM. Al tempo stesso si mostrerà come la recente evoluzione del sapere giuridico e il ruolo accresciuto della giurisprudenza configurino il sistema giuridico come un modello reticolare che presenta affinità profonde con la teoria dell’informazione epistemologicamente alla base dello sviluppo delle reti informatiche. L’analisi si concentrerà poi sul nesso tra l’evoluzione storica della nozione di persona giuridica e i temi più delicati della robotica sociale interna ed esterna e del ‘vivere con i robot’ come tratto specifico della società contemporanea, concentrandosi in particolare su tipologie diverse di robot come Nao, Pepper e i geminoid e i problemi che presentano, andando oltre la riduzione del problema a un confronto tra l’etica e il diritto, per approdare a una concezione diversa dell’interazione sociale. Da ultimo il corso analizzerà l’impatto dei big data, del capitalismo della sorveglianza, sentiment analysis, dei social network e della componente estetica e mediatica del normativo sull’evoluzione degli ordinamenti giuridici contemporanei. Le studentesse e gli studenti con disabilità o con Disturbi Specifici dell’Apprendimento (DSA) o con Bisogni Educativi Speciali (BES) possono richiedere servizi e strumenti specifici a loro dedicati rivolgendosi allo Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti e consultando la pagina dedicata del sito di Ateneo: https://uniupo.it/it/servizi/servizi-studentidisabili-e-dsa Le studentesse e gli studenti con disabilità, DSA, BES, una volta preso contatto con lo Staff di Ateneo, possono contattare la/il docente titolare dell'insegnamento in relazione alla declinazione delle modalità di esame, in merito agli aspetti didattici.
The course intends to analyze the textual and juridical matrices of the notion of network in the evolution of the technological thinking in order to reach an analysis of the contemporary problems of the notion of law. Against some reductive and outdated readings, which conceive the law as the phenomenon of a rule set by the state that applies to a new technological context, it is necessary to radically transform the conception of the role of the jurist within technological fields of informatics and artificial intelligence, in order to form jurists able to adopt a proactive approach to the problems that the rapid technological evolution poses to legal knowledge and computer scientists able to understand in depth the nature of legal science and its proximity to informatics knowledge. Starting from the social studies on science and technology (SSST), the course will elaborate a notion of network of law within the general theory of law able to take up the reticular conception of the text present in the glossators, up to show its closeness to the notion of hypertextual text at the basis of the HTLM language. Simultaneously it will be shown how the recent evolution of legal knowledge and the increased role of jurisprudence configure the legal system as a reticular model that has deep affinities with the theory of information epistemologically underlying the development of computer networks. The analysis will then focus on the link between the historical evolution of the notion of legal person and the more sensitive issues of internal and external social robotics and of 'living with robots' as a specific feature of contemporary society, focusing in particular on different types of robots such as Nao, Pepper, the geminoid, and the problems they present, going beyond the reduction of the problem to a comparison between ethics and law, to arrive at a different conception of social interaction between man and robots. Finally, the course will analyze the impact of big data, surveillance capitalism, sentiment analysis, social networks and the aesthetic and media element of the law on the evolution of contemporary legal systems. Students with physical disabilities, Learning Disabilities or Special Education Needs can request specific services and tools via the Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti, consulting the University webpage: https://www.uniupo.it/en/services/servicesstudents-physical-or-learning-disabilities Students with disabilities, learning disabilities or special education needs, once they have contacted the University Staff, can refer to the tutor in charge of the course to define the examination modalities, concerning academic aspects.
Testi di riferimento/Textbooks
L'esame verterà sui contenuti delle lezioni a partire dai seguenti testi: L. Damiano, P. Dumouchel, Vivere con i robot. Saggio sull'empatia artificiale, Cortina, Milano 2019; S. Zuboff, Il capitalismo della sorveglianza. Il futuro dell'umanità nell'era dei nuovi poteri, Luiss University press, 2019; P. Heritier, Homo Homini Homo. Vol. 1 Lettera e spirito, prospettiva, occhio della macchina, Mimesis, Milano 2024; L. Fuller, A. Porciello, Il caso degli speleologi di Lon L. Fuller e alcuni nuovi punti di vista. Un approccio alla filosofia del diritto attraverso dieci pareri di fantasia, Rubbettino 2012; A. Garapon, J. Lasségue, La giustizia digitale. Determinismo tecnologico e libertà, il Mulino, 2021; G. Sartor, Intelligenza Artificiale e diritto, Giappichelli, 2022: S. Tagliagambe, Metaverso e gemelli digitali. La nuova alleanza fra reti artificiali e naturali; Mondadori, 2022. Programma per studentesse e studenti non frequentanti: G. Sartor, Intelligenza Artificiale e diritto, Giappichelli, 2022: S. Tagliagambe, Metaverso e gemelli digitali. La nuova alleanza fra reti artificiali e naturali; Mondadori, 2022. L. Fuller, A. Porciello, Il caso degli speleologi di Lon L. Fuller e alcuni nuovi punti di vista. Un approccio alla filosofia del diritto attraverso dieci pareri di fantasia, Rubbettino 2012. P. Heritier, Homo Homini Homo. Vol. 1 Lettera e spirito, prospettiva, occhio della macchina, Mimesis, Milano 2024.
The examination will cover the content of the lectures from the following texts: L. Damiano, P. Dumouchel, Vivere con i robot. Saggio sull'empatia artificiale, Cortina, Milano 2019; S. Zuboff, Il capitalismo della sorveglianza. Il futuro dell'umanità nell'era dei nuovi poteri, Luiss University press, 2019; P. Heritier, Lo schermo delle norme, in corso di pubblicazione; L. Fuller, A. Porciello, Il caso degli speleologi di Lon L. Fuller e alcuni nuovi punti di vista. Un approccio alla filosofia del diritto attraverso dieci pareri di fantasia, Rubbettino 2012, A. Garapon, J Lasségue, Le numérique contre le politique. Crise de l'espace et reconfiguration des médiations sociales, PUF, 2021. G. Sartor, Intelligenza Artificiale e diritto, Giappichelli, 2022: S. Tagliagambe, Metaverso e gemelli digitali. La nuova alleanza fra reti artificiali e naturali; Mondadori, 2022. Non attending students program: G. Sartor, Intelligenza Artificiale e diritto, Giappichelli, 2022: S. Tagliagambe, Metaverso e gemelli digitali. La nuova alleanza fra reti artificiali e naturali; Mondadori, 2022. L. Fuller, A. Porciello, Il caso degli speleologi di Lon L. Fuller e alcuni nuovi punti di vista. Un approccio alla filosofia del diritto attraverso dieci pareri di fantasia, Rubbettino 2012.
Obiettivi formativi/Mission
Le studentesse e gli studenti acquisiranno • capacità di comprendere la prossimità tra sistema giuridico, cibernetica e società digitale sulla base dell’analisi storica dell’evoluzione del sistema giuridico e della sua interazione con l’evoluzione tecnologica • capacità di riconoscer la matrice artificiale del diritto e della nozione di persona giuridica e delle sue applicazioni alla robotica contemporanea • Capacità di partecipare a gruppi di studio fortemente interdisciplinari composti di giuristi, informatici, analisti dei media • Capacità di comprendere la matrice comunicativa della norma giuridica e la sua necessità di essere veicolata tramite mezzi di comunicazione e social network per essere effettiva • Capacità di orientamento nel dibattito contemporaneo e sviluppo del senso critico rispetto ai pregiudizi diffusi su diritto e tecnologia, diritto e robotica, diritto e intelligenza artificiale • Capacità di auto-apprendimento rispetto ad un settore relativamente nuovo ed in rapida evoluzione a partire da una visione rinnovata del dialogo tra scienze e humanities.
Students will acquire • Ability to understand the proximity between the legal system, cybernetics and digital society based on the historical analysis of the evolution of the legal system and its interaction with technological evolution • Ability to recognize the artificial matrix of law and of the notion of legal person and its applications to contemporary robotics • Ability to participate in highly interdisciplinary study groups composed of jurists, computer scientists, media analysts • Ability to understand the communicative matrix of the legal norm and its need to be conveyed through media and social networks to be effective • Ability to orient oneself in the contemporary debate and develop a critical sense with respect to the widespread prejudices about law and technology, law and robotics, law and artificial intelligence • Capacity for self-learning in a relatively new and rapidly evolving field, starting from a renewed vision of the dialogue between sciences and humanities.
Prerequisiti/Required background knowledge
Nessuno
None
Metodi didattici/Teaching methods
Accanto alle lezioni tradizionali per gli studenti frequentanti verranno proposte modalità di approfondimento individuale
In addition to the traditional lectures for attending students, individual in-depth studies will be offered.
Modalità di verifica dell'apprendimento/Assessment methods
L’esame si svolgerà in forma orale e scritta a partire da un problema complesso volto all' accertamento della capacità critica di ragionamento. Per le studentesse e gli studenti frequentanti un ulteriore elemento di valutazione sarà fornito dalla partecipazione attiva alla lezione, alle attività seminariali previste e alle analisi casisitiche.
The examination will take place in oral and written form on the basis of a complex problem aimed at ascertaining critical reasoning skills. For attending students an additional element of assessment will be provided by active participation in lectures, seminar activities and case studies.
Programma esteso/Content
Il corso verterà sul nesso tra l'impostazione teorico generale e le nuove impostazioni teoriche. In particolare saranno presi in esame il metodo retorico e le trasformazioni della consuetudine (soft law, governance, best practice, ecc.) in chiave estetico giuridico. Durante il corso saranno affrontati i seguenti argomenti: - teorie dell'umano, del postulano, del trasumano e dell'umanesimo giuridico di fronte alle sfida della robotica; - teorie della consuetudine e metodo retorico nelle fonti del diritto; - contraddittorio e processo; - teoria della consuetudine e del costume e analisi dei big data - tecniche orali e scritte di retorica giuridica e di legal visual argumentation; - robotica giuridica e neuroscienze affettive; - un esperimento di sentiment analysis o di rappresentazione di mappa in VR 360° verrà realizzato durante il corso e ne sarà illustrata la metodologia.
The course will focus on the connection between general and new theoretical approaches. In particular, the rhetorical method and the transformations of custom (soft law, governance, best practice, etc.) from a legal aesthetic perspective will be examined with reference to digital societies. The following topics will be addressed during the course: - theories of the human, the posthuman, the trans-human and legal humanism in the face of the challenge of robotics; - theories of custom and rhetorical method in the sources of law; - cross-examination and trial; - theory of custom and custom and big data analysis - oral and written techniques of legal rhetoric and legal visual argumentation;- legal robotics and affective neurosciences; -Sentiment analysis/360°VR conceptual map experiments and methodology.
Risultati di apprendimento attesi/Intended learning objectives
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 – 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.
Knowledge - Knowledge of the topics indicated, with emphasis on epistemology, hermeneutics and legal aesthetics, media theory, sentiment analysis, social robotics. Development of an autonomous critical capacity in each of the indicated fields. Competencies - Development of critical skills in the use of social networks, removal of bias against man-robot interaction and sentiment analysis, development of basic skills in each of the three areas indicated. Development of independent source research and appropriate communication in scientific and media contexts on these topics. Skills - Development of basic competence in the analysis of social interaction and the human-computer relationship, ability to identify hidden legal problems in the adoption of innovative technologies, improvement of the ability to communicate effectively in an interdisciplinary design and programming context with experts of knowledge different from one's own.
×
Print
Course
DEMOCRAZIA DIGITALE
Course ID
MF0643
Academic Year
2024/2025
Year of rule
2023/2024
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
Socio-Giuridico-Politico
Teaching leader
CHIAROTTO FRANCESCA
Teachers
Chiarotto Francesca
CFU
9.0
Teaching duration (hours)
72.0
Individual study time
153.0
SSD
SPS/02 - STORIA DELLE DOTTRINE POLITICHE
Course type
Attività formativa monodisciplinare
Course mandatoriety
OBB
Course category
C
Year
2
Period
Primo Semestre
Site
ALESSANDRIA
Grading type
V
Lingua insegnamento/Teaching language
ITALIANO
Italian
Contenuti/Content Summary
Il corso prende in considerazione il dibattito corrente sulla democrazia. Da un lato, esso è collocato nel quadro della storia del pensiero politico europeo e occidentale, mettendo in luce l’evoluzione dell’idea democratica e delle istituzioni che in cui tale idea si è concretizzata nel corso dell’età moderna e contemporanea. Dall’altro lato, il corso mette a fuoco lo sviluppo del modello democratico nell’età globale a cavallo tra XX e XXI secolo, evidenziando le opportunità e i rischi dell’incontro fra democrazia e strumenti digitali.
The course considers the current debate about democracy. On the one hand, it is collocated in the framework of the history of European and Western political thought, by highlighting the evolution of the democratic idea and the institutions to which it was connected during the modern and contemporary age. On the other hand, the course focuses on the development of the democratic movement in the global age between the 20th and 21st century, by stressing opportunities and risks emerging as a consequence of the connection between democracy and digital resources.
Testi di riferimento/Textbooks
Prima parte: S. Petrucciani, Democrazia, Torino, Einaudi, 2014 Seconda parte: M. Calise e F. Musella, Il Principe digitale, Roma-Bari, Laterza, 2019; G. Balbi, L’ultima ideologia. Breve storia della rivoluzione digitale, Roma-Bari, Laterza, 2022; O. Pollicino e P. Dunn, Intelligenza artificiale e democrazia. Opportunità e rischi di disinformazione e discriminazione (Bup 2024).
Part I: S. Petrucciani, Democrazia, Torino, Einaudi, 2014 Parte II: M. Calise e F. Musella, Il Principe digitale, Roma-Bari, Laterza, 2019; G. Balbi, L’ultima ideologia. Breve storia della rivoluzione digitale, Roma-Bari, Laterza, 2022; O. Pollicino e P. Dunn, Intelligenza artificiale e democrazia. Opportunità e rischi di disinformazione e discriminazione (Bup 2024).
Obiettivi formativi/Mission
CONOSCENZA E CAPACITA’ DI COMPRENSIONE: Il corso si concentra sulla crisi del modello democratico classico nel XXI secolo analizzandone le cause e le dinamiche, con particolare attenzione per lo sviluppo tecnologico, informatico, digitale e i suoi effetti sulle idee politiche e sui sistemi istituzionali. CAPACITA’ DI APPLICARE CONOSCENZA E COMPRENSIONE Sviluppo di capacità comunicativa e di esposizione sintetica del modello di democrazia, e dell’analisi dell’interazione tra di esso e lo sviluppo tecnologico, informatico, digitale, mediante opportune terminologia e metodi espostivi . AUTONOMIA DI GIUDIZIO Gli studenti potranno così sviluppare uno spirito critico verso la realtà politica e sociale del nostro tempo e acquisire le basi culturali per ragionare sulle prospettive della teoria e della prassi democratica nell’età globale. ABILITA’ COMUNICATIVE Sviluppo di capacità comunicativa e di esposizione sintetica del modello di democrazia, e dell’analisi dell’interazione tra di esso e lo sviluppo tecnologico, informatico, digitale, mediante opportune terminologia e metodi espositvi. CAPACITA’ DI APPRENDIMENTO Gli studenti dovranno acquisire gli strumenti concettuali di base necessari per seguire il dibattito presente e gli aggiornamenti futuri su specifiche questioni connesse al modello democrayico, alle idee politiche e ai sitemi istituzionali in relazione allle implicazioni date dagli sviluppi tecnologici legati al digitale e in particolare all’intelligenza artificiale e alla sua utilizzo in questi ambiti.
KNOWLEDGE AND UNDERSTANDING: The course focuses on the crisis of the classical democratic model in the 21st century by analyzing the causes and dynamics, with particular attention to technological, information and digital development and its effects on political ideas and institutional systems. ABILITY TO APPLY KNOWLEDGE AND UNDERSTANDING Students will be able to analyze the democratic class model in the 21st century in the light of the implications, which new information and digital technologies have on it; they will be able to identify the effects on political ideas and the challenges they pose to current institutional systems. . AUTONOMY OF JUDGMENT Students will be able to develop a critical spirit towards the current political and social models and to acquire the cultural foundations to reason on the perspectives of democratic theory and on the practice in the global age. COMMUNICATION SKILLS Development of communication skills and synthetic presentation of the model of democracy, and analysis of the interaction between it and technological, IT and digital development, using appropriate terminology and methods of exposure. LEARNING SKILLS Students will have to acquire the basic conceptual tools necessary to follow the present debate and future updates on specific issues related to the democratic model, political ideas and institutional systems in relation to the implications given by digital technological developments and in particular to artificial intelligence developments and to its application in these fields.
Prerequisiti/Required background knowledge
Conoscenza generale della storia moderna e contemporanea.
General knowledge of the history of modern and contemporary age.
Metodi didattici/Teaching methods
Il corso è somministrato in massima parte con metodologia basata su lezioni tradizionali dalla cattedra da parte del docente titolare, ma prevede altresì esercitazioni e incontri seminariali. La frequenza è consigliata.
The course will be mainly organized on the basis of traditional lessons by the teacher, but it will also offer exercises and seminars. Attendance is suggested.
Altre informazioni/Further information
Il docente discuterà con gli studenti la possibilità di svolgere una prova scritta intermedia.
The teacher will discuss with the students the opportunity of programming an intermediate written test.
Modalità di verifica dell'apprendimento/Assessment methods
L'esame finale sarà orale.
The final exam will be oral.
Programma esteso/Content
Il corso prende in considerazione il dibattito corrente sulla democrazia. Da un lato, esso è collocato nel quadro della storia del pensiero politico europeo e occidentale, mettendo in luce l’evoluzione dell’idea democratica e delle istituzioni che in cui tale idea si è concretizzata nel corso dell’età moderna e contemporanea (con particolare attenzione per i concetti di Stato, sovranità, popolo, nazione, cittadinanza, rappresentanza, costituzione). Dall’altro lato, il corso mette a fuoco lo sviluppo del modello democratico nell’età globale a cavallo tra XX e XXI secolo, evidenziando le opportunità e i rischi dell’incontro fra democrazia e strumenti digitali. Il corso ricostruirà le origini della cosiddetta “rivoluzione digitale” e gli effetti politici dell’Intelligenza Artificiale.
The course considers the current debate about democracy. On the one hand, it is collocated in the framework of the history of European and Western political thought, by highlighting the evolution of the democratic idea and the institutions to which it was connected during the modern and contemporary age (with particular reference to the concepts of State, sovereignty, people, nation, citizenship, representation, constitution). On the other hand, the course focuses on the development of the democratic movement in the global age between the 20th and 21st century, by stressing opportunities and risks emerging as a consequence of the connection between democracy and digital resources. The course will reconstruct the origins of the so-called “digital revolution” and the political effects of Artificial Intelligence.
Risultati di apprendimento attesi/Intended learning objectives
Conoscenze – comprendere i principi fondamentali del pensiero politico democratico, di ricostruire le origini e i caratteri delle democrazie contemporanee e di analizzare le ragioni della loro crisi. Competenze ed abilità Gli studenti svilupperanno la capacità e l’abilità di discutere criticamente le opportunità e rischi che la rivoluzione digitale pone alla sfera politica tra XX e XXI secolo. In particolare, durante le lezioni e l’esame orale agli studenti sarà richiesto di utilizzare i riferimenti e i materiali presentati nel corso per elaborare argomentazioni razionali intorno al tema della democrazia digitale.
Knowledge - The students will be able to understand the fundamental principles of the democratic political thought, to reconstruct the origins and the features of the contemporary democracies, and to analyse the reasons of their crisis. Competences and Skills The students will acquire the competneces and the skills of realise critical discussion about the opportunities and the risks the digital revolution offers to the political sphere between 20th and 21st centuries. In particular, during the lessons and the oral exam the students will be asked to use the references and the material presented in class to elaborate rational arguments about the issue of digital democracy. Development of basic competence in the analysis of social interaction and the human-computer relationship, ability to identify hidden legal problems in the adoption of innovative technologies, improvement of the ability to communicate effectively in an interdisciplinary design and programming context with experts of knowledge different from one's own.
×
Print
Course
SOCIOLOGIA DIGITALE
Course ID
MF0644
Academic Year
2024/2025
Year of rule
2023/2024
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
Socio-Giuridico-Politico
Teaching leader
BALDUZZI GIACOMO
Teachers
Balduzzi Giacomo
CFU
9.0
Teaching duration (hours)
72.0
Individual study time
153.0
SSD
SPS/07 - SOCIOLOGIA GENERALE
Course type
Attività formativa monodisciplinare
Course mandatoriety
OBB
Course category
C
Year
2
Period
Primo Semestre
Site
ALESSANDRIA
Grading type
V
Lingua insegnamento/Teaching language
ITALIANO
Italian
Contenuti/Content Summary
La sociologia digitale è una modalità di indagare, analizzare e comprendere quale l'impatto, lo sviluppo e l'uso delle tecnologie e la loro integrazione nei mondi sociali, nelle istituzioni sociali, nella vita quotidiana, nelle relazioni tra persone e gruppi. Contemporaneamente, a livello più individuale, si assiste a una vera e propria "incarnazione" delle tecnologie nell'immaginario, nella mente, nella sfera simbolica, cognitiva e nel corpo stesso delle persone. Il corso ha l'obiettivo di introdurre le varie dimensioni sociali, culturali e politiche della società digitale e di fornire una serie di strumenti teorici, metodologici e operativi che consentano agli strumenti di orientarsi tra vari temi e problemi connessi a questo ambito di ricerca, quali per esempio il ruolo degli utilizzatori nei processi di innovazione, il problema dei dati comportamentali e il loro utilizzo nel contesto del "capitalismo della sorveglianza", il problema della proprietà e dei beni comuni nell'economia delle piattaforme, le questioni legate alla scienza, alla conoscenza e all'informazione e la loro riconcettualizzazione nella società digitale del rischio, il contributo dei dispositivi digitali nell'incorporazione e nella percezione del sé, la politica digitale e l'evoluzione delle forme e degli strumenti di partecipazione democratica.
Digital sociology is a mode of investigating, analyzing, and understanding the impact, development, and use of technologies and their integration into social worlds, social institutions, daily life, and relationships between people and groups. Simultaneously, on a more individual level, there is a true "embodiment" of technologies in the imagination, mind, symbolic sphere, cognition, and the very body of individuals. By introducing the various social, cultural, and political dimensions of the digital society, the course aims to provide a set of theoretical, methodological, and operational tools with the intention of enabling students to navigate the various themes and issues related to this field of research. These include, for example, the role of users in innovation processes, the issue of behavioral data and its use in the context of "surveillance capitalism," the problem of ownership and common goods in the platform economy, issues related to science, knowledge, and information and their reconceptualization in the digital risk society, the contribution of digital devices to the incorporation and perception of the self, digital politics, and the evolution of forms and tools of democratic participation.
Testi di riferimento/Textbooks
Nessuno. Il docente fornirà dispense e materiali attraverso la piattaforma moodle.
None. The teacher will provide handouts and materials through the moodle platform.
Obiettivi formativi/Mission
Conoscenza e comprensione Il corso ha lo scopo di presentare e discutere con gli studenti i principali temi connessi con la digitalizzazione della società che sono stati oggetto di studio da parte della sociologia. Tali temi riguardano: le caratteristiche e le controversie della società digitale, la comprensione dei processi sociali e tecnologici degli spazi digitali, la ricerca empirica nelle piattaforme digitali. Il corso offre, dunque, gli strumenti teorici e metodologici necessari per l'analisi delle forme di socialità, del cambiamento sociale, dei processi di opinione pubblica, delle diseguaglianze economiche e sociali che caratterizzano il presente in un contesto di quotidianità dell’interazione digitale Capacità di applicare conoscenza e comprensione - Gli studenti e le studentesse acquisiranno • capacità di comprensione del cambiamento sociale connesso allo sviluppo dell’intelligenza artificiale • capacità di riflessione critica sui processi generativi dei modelli decisionali tramite algoritmi e le possibili conseguenze sociali. • capacità di orientarsi nel dibattito sull’impatto sociale della digitalizzazione e dei meccanismi di interazione sociale alla base del suo sviluppo. • Capacità di orientamento sui principali strumenti empirici di ricerca sociale negli ambienti digitali. Autonomia di giudizio - Il corso mira a promuovere una forte autonomia di giudizio nel riconoscere, analizzare e comunicare possibili criticità relative ai processi sociali all’interno dello spazio socio-digitale, analizzandone le conseguenze a livello micro e macro sociale anche con l’uso di specifiche strategie di ricerca empirica. Abilità comunicative - Capacità di presentare le proprie competenze e conoscenze in maniera chiara ed articolata in occasione di eventi pubblici, accademici e divulgativi, sui temi della società digitale e di interagire con studiosi di altre discipline che si occupano di intelligenza artificiale. Capacità di apprendimento - Gli studenti dovranno acquisire gli strumenti teorici e metodologici per affrontare e partecipare al dibattito contemporaneo sull’impatto sociale dell’intelligenza artificiale e sugli strumenti analitici per la sua analisi.
Knowledge and Understanding The course aims to present and discuss with students the main issues related to the digitalisation of society and which have been studied by sociology. These themes concern: the characteristics and controversies of the digital society, understanding the social and technological processes of digital spaces, and empirical research in digital platforms. The course therefore offers the theoretical and methodological tools necessary for the analysis of forms of sociality, social change, processes of public opinion, and economic and social inequalities that characterise the present in the context of daily digital interaction. Ability to apply knowledge and understanding - Students will acquire • the ability to understand the social change associated with the development of artificial intelligence • the ability to reflect critically on the processes generating decision-making models by means of algorithms and their possible social consequences • the ability to orient themselves in the debate on the social impact of digitalisation and the mechanisms of social interaction underlying its development. • The ability to orient oneself on the main empirical tools of social research in digital contexts Autonomy of judgement - The course aims to promote a strong autonomy of judgement in recognising, analysing and communicating possible criticalities related to social processes within the socio-digital space, analysing the consequences at micro and macro social level also with the use of specific empirical research strategies. Communication skills Ability to present one's skills and knowledge in a clear and articulate manner at public, academic and dissemination, events on digital society issues and to interact with scholars from other disciplines dealing with artificial intelligence. Learning skills - Students will acquire the theoretical and methodological tools to address and participate in the contemporary debate on the social impact of artificial intelligence as well as the analytical tools for its analysis.
Prerequisiti/Required background knowledge
Come da “Guida dello studente”.
See “Guida dello studente”.
Metodi didattici/Teaching methods
Lezioni frontali, lezioni seminariali, esercitazioni pratiche.
Lectures, seminars, practical classes.
Altre informazioni/Further information
Strumenti didattici: - diapositive - video - materiali integrativi a cura del docente.
Teaching tools: - slides - video - supplementary materials.
Modalità di verifica dell'apprendimento/Assessment methods
Esame finale orale. La discussione prenderà le mosse dal progetto al quale gli studenti lavoreranno durante il corso. Durante la discussione gli studenti saranno chiamati a dimostrare padronanza con le teorie e gli strumenti appresi durante il corso e applicati per l'elaborazione del progetto, nonché di avere acquisito le competenze metodologiche e tecniche proprie di base della ricerca sociale applicata all'ambito dell'innovazione digitale.
Final oral exam. The discussion will start from the project that students will work on during the course. During the discussion, students will be required to demonstrate their knowledge on theories and tools learned throughout the course. Additionally, they should show proficiency in the methodological and technical skills relevant to applied social research in the field of digital innovation.They have applied these knowledge already mentioned to develop their project.
Programma esteso/Content
La prima parte (20 ore) introdurrà per brevi cenni alcune teorie e questioni generali proprie delle discipline sociologiche; essa inoltre si soffermerà su alcuni elementi di sfondo storico relativi all'innovazione digitale e all'intelligenza artificiale. La seconda parte (10 ore) esplorerà aree di interesse nella sociologia digitale e nella sociologia dell'innovazione. La terza parte (20 ore) si dedicherà a probemi e tematiche dell'innovazione e della società digitale e includerà seminari su tipologie e narrazioni dell'innovazione, beni comuni e dinamiche collettive dell'innovazione. La quarta parte (20 ore) affronterà alcuni problemi relativi alla dimensione sociale dell'innovazione, oltre a curare l'identificazione, la formulazione e la discussione delle proposte progettuali.
The first part (20 hours) will introduce general theories and issues specific to sociological disciplines, with brief hints. It will also cover some historical background elements related to digital innovation and artificial intelligence. The second part (10 hours) will explore areas of interest in digital sociology and the sociology of innovation. The third part (20 hours) will focus on issues of innovation and the digital society, including seminars on types and narratives of innovation, common goods, and collective dynamics of innovation. The fourth part (20 hours) will address issues related to the social dimension of innovation, as well as the identification, formulation, and discussion of project proposals.
Risultati di apprendimento attesi/Intended learning objectives
Conoscenze – Al termine del corso gli studenti dovrebbero aver acquisito le seguenti conoscenze: saper problematizzare la relazione tra tecnologie digitali e società; saper leggere in chiave critica i fenomeni che caratterizzano la società digitale, con particolare attenzione alle forme di socialità e alle diseguaglianze sociali che la contraddistinguono; saper valutare il ruolo della tecnologia in un dato contesto sociale. Competenze e skills Competenze –Capacità di analizzare fenomeni e contesti sociali inquadrandoli nell'ambito delle trasformazioni storiche, socio-economiche, culturali e politiche proprie della società digitale. - comprendere e analizzare, nell'ambito delle trasformazioni in chiave digitale dei processi di produzione della conoscenza in diversi ambiti (welfare, lavoro, educazione, ambiente, territorio, vita urbana, etc.). Abilità – Abilità nell’aggiornamento costante sul dibattito scientifico dei temi centrali del corso. Abilità nelle funzioni di raccolta e gestione critica dei dati digitali, nonché di collaborare alla definizione di strategie di ricerca e di decisone politica basate su dati digitali, anche in integrazione con altre discipline scientifiche.
Knowledge - By the end of the course, students should have acquired the following knowledge: to be able to problematise the relationship between digital technologies and society; to be able to critically interpret the phenomena that characterise the digital society, with particular attention to the forms of sociality and social inequalities that distinguish it; to be able to evaluate the role of technology in a given social context. Competences and skills Competences - Ability to analyse phenomena and social contexts by setting them in the context of the historical, socio-economic, cultural and political transformations of the digital society and to understand and analyse the digital transformation of knowledge production processes in different fields (welfare, work, education, environment, territory, urban life, etc.) Skills - Ability to constantly follow the scientific debate on the central topics of the course. Ability to collect and critically manage digital data and to collaborate in the definition of research and policy strategies based on digital data, also in integration with other scientific disciplines.
×
Print
Course
FILOSOFIA DELLA SCIENZA
Course ID
MF0650
Academic Year
2024/2025
Year of rule
2024/2025
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
000-GENERICO
Teaching leader
BENZI MARGHERITA
Teachers
Benzi Margherita
CFU
6.0
Teaching duration (hours)
48.0
Individual study time
102.0
SSD
M-FIL/02 - LOGICA E FILOSOFIA DELLA SCIENZA
Course type
Attività formativa monodisciplinare
Course mandatoriety
OPZ
Course category
C
Year
1
Period
Primo Semestre
Site
VERCELLI
Grading type
V
Lingua insegnamento/Teaching language
ITALIANO
Italian
Contenuti/Content Summary
Il corso si articola in tre parti: - introduzione ai principali concetti e metodi che secondo la filosofia della scienza contemporanea caratterizzano l'impresa scientifica - confronto tra la filosofia della scienza ed i nuovi problemi epistemologici legati all'intelligenza artificiale - analisi delle implicazioni etiche e sociali di tali problemi epistemologici
The course consists of three parts: - introduction to the main concepts and methods that, according to contemporary philosophy of science, characterise the scientific enterprise - comparison between the philosophy of science and the new epistemological problems associated with artificial intelligence - analysis of the ethical and social implications of these epistemological problems
Testi di riferimento/Textbooks
S. Okasha, Il mio primo libro di filosofia della scienza, Einaudi 2002 o altre edizioni, capp.1, 2, 3, 5 J. Pearl,The seven tools of causal inference, with reflections on machine learning. Communications of the ACM, 62(3) 2019, 54-60 (su DIR)+ R. Kitchin, (2014). Big Data, new epistemologies and paradigm shifts. Big data & society, 1(1) +(su DIR) Due capitoli di uno dei seguenti testi: T. Numerico, Big data e algoritmi. Prospettive critiche. Carocci 2021 (a scelta) M. Boden, L'intelligenza artificiale, Il Mulino 2019 (a scelta) E. Datteri, Filosofia delle scienze cognitive: spiegazione, previsione, simulazione, Carocci 2012, capitoli 2-3.
S. Okasha, Il mio primo libro di filosofia della scienza, Einaudi 2002 o altre edizioni, capp.1, 2, 3, 5 J. Pearl,The seven tools of causal inference, with reflections on machine learning. Communications of the ACM, 62(3) 2019, 54-60 (su DIR)+ R. Kitchin, (2014). Big Data, new epistemologies and paradigm shifts. Big data & society, 1(1) +(su DIR) Due capitoli di uno dei seguenti testi: T. Numerico, Big data e algoritmi. Prospettive critiche. Carocci 2021 (a scelta) M. Boden, L'intelligenza artificiale, Il Mulino 2019 (a scelta) E. Datteri, Filosofia delle scienze cognitive: spiegazione, previsione, simulazione, Carocci 2012,chaiters 2-3.
Obiettivi formativi/Mission
Conoscenza e comprensione - Il corso intende presentare alcune delle tematiche classiche della filosofia della scienza che da lungo tempo offrono un terreno comune di confronto e di elaborazione a filosofi e scienziati impegnati nell’elaborazione di sistemi di intelligenza artificiale. Tra queste, le definizioni di intelligenza e razionalità, la relazione dati-teorie, le diverse forme del ragionamento scientifico (inferenze induttive, deduttive, abduttive e basate sull’analogia) e i relativi contesti di applicazione, i fondamenti filosofici delle diverse nozioni di probabilità e di incertezza, i concetti di causa e di spiegazione, e il ruolo dei valori nella scienza. Tali tematiche saranno trattate in riferimento ai ‘nuovi’ problemi epistemologici sollevati dall’intelligenza artificiale, aprendo la via a loro una loro più ampia comprensione di aspetti centrali quali la spiegabilità, la causalità e i rispettivi ruoli di dati, modelli e teorie nella produzione di conoscenza. Sotto il profilo etico, sarà esplorata la componente epistemologica dei problemi etici posti dall’Intelligenza Artificiale, in particolare quelli derivanti dai bias cognitivi ed alla loro capacità di influenzare la presa di decisione in ambito politico e sociale. Capacità di applicare conoscenza e comprensione - Gli studenti e le studentesse acquisiranno • capacità di comprensione e di applicazione dei problemi epistemologici dalle nuove metodologie di intelligenza artificiale • capacità di riconoscere bias cognitivi, pregiudizi ed elementi discriminatori eventualmente presenti in prodotti nei prodotti dell’IA, con particolare riferimento a quelli previstivi • Capacità di partecipare a gruppi di studio /lavoro fortemente interdisciplinari • Capacità di valutare in maniera eticamente consapevole il responso di sistemi di sostegno alle decisioni e di artefatti dotati di una relativa autonomia decisionale • Capacità di orientamento nel dibattito contemporaneo su filosofia della scienza, filosofia dell’intelligenza artificiale, filosofia della tecnologia, etica dell’intelligenza artificiale, • Capacità di auto-apprendimento rispetto ad un settore relativamente nuovo ed in rapida evoluzione Autonomia di giudizio - Il corso mira a promuovere una forte autonomia di giudizio nel riconoscere, analizzare e comunicare possibili criticità etiche ed epistemologiche relative a metodi e applicazioni in diversi ambiti dell’ intelligenza artificiale; mira altresì a contribuire alla formazione di un atteggiamento critico che non si limiti ad accettare i risultati dell’intelligenza artificiale, ma che collabori ad esplicitare le premesse e i principi spesso applicati in maniera inconsapevole nei suoi prodotti. Abilità comunicative - Capacità di presentare le proprie conoscenze e tesi in maniera chiara ed articolata, capacità di intervento in occasione eventi di public engagement e di terza su aspetti etici e filosofici dell’intelligenza artificiale, capacità di comunicare all’interno di work teams con membri di diversa provenienza disciplinare. Capacità di apprendimento - Gli studenti dovranno acquisire gli strumenti concettuali di base necessari per seguire il dibattito presente e gli aggiornamenti futuri su specifiche questioni connesse ai risvolti epistemologi ed etici dell’intelligenza artificiale.
Knowledge and Understanding -The course aims to present some of the classic themes of the philosophy of science, which have long provided common ground for philosophers and computer scientists involved in the development of artificial intelligence systems. Among these, the definitions of intelligence and rationality, the relationship between data and theories, the different forms of scientific reasoning (inductive, deductive, abductive, and analogical inferences) and their contexts of application, the philosophical foundations of the different notions of probability and uncertainty, the concepts of cause and explanation, and the role played by values in scientific enterprise. These issues will be addressed with reference to the 'new' epistemological problems raised by artificial intelligence, paving the way for a broader understanding of central aspects such as explainability and the interplay between data, models and theories in the production of knowledge. From an ethical point of view, the epistemological component of the ethical problems posed by artificial intelligence will be explored, in particular those arising from cognitive biases and their ability to influence decision-making in different political and social areas. Applying knowledge and understanding - Students will acquire • Ability to understand and apply the epistemological problems of the new artificial intelligence methodologies • Ability to recognise cognitive biases, prejudices, and disruptive elements that may be present in artificial intelligence products, with particular reference to predictive ones • Ability to participate in highly interdisciplinary study/work groups • Ability to evaluate the ethical import of the response of decision-support systems and artifacts with some decision-making autonomy • Ability to navigate contemporary debates in philosophy of science, philosophy of artificial intelligence, philosophy of technology, and ethics of artificial intelligence • Capacity for self-learning in a relatively new and rapidly evolving field Autonomy of judgement - The course aims to promote a strong autonomy of judgement in recognising, analysing and communicating possible ethical and epistemological critical issues related to methods and applications in different fields of AI; it also aims to provide a critical attitude that contributes to question and to make explicit the premises and principles often applied unconsciously in its products. Communication skills - Ability to present one’s own knowledge and thesis in a clear and articulate manner, ability to speak at public engagement events and third-party events on ethical and philosophical aspects of artificial intelligence, ability to communicate within work-teams with members of different disciplinary backgrounds. Learning skills - Students should acquire the basic conceptual tools necessary to follow the current debate and the current updates on specific issues related to the epistemological and ethical aspects of artificial intelligence.
Prerequisiti/Required background knowledge
Interesse per le implicazioni etiche della scienza e della tecnologia. Proprietà di linguaggio
Interest in the ethical implications of science and technology. Propriety of language.
Metodi didattici/Teaching methods
Lezioni frontali, anche con uso di audiovisivi e lavoro di gruppo. La presentazione e discussione da parte delle studentesse e degli studenti di saggi su temi concordati con la docente sono considerate forme di controllo in itinere dell'apprendimento. Saranno altresì valutate la partecipazione attiva alle lezioni e alla discussione in classe.
Lectures, in-class discussion of some of the topics covered, and student-produced essays on topics previously agreed upon with the lecturer. Lecture slides and any suggested supplementary readings will be posted on the DIR platform to enable students who cannot attend to follow the course proceedings.
Altre informazioni/Further information
Le studentesse e gli studenti sono invitati a seguire gli aggiornamenti della pagina del corso pubblicata su DIR per il materiale integrativo e di supporto alle lezioni nonché per il programma dettagliato. Le studentesse e gli studenti con disabilità o con Disturbi Specifici dell’Apprendimento (DSA) o con Bisogni Educativi Speciali (BES) possono richiedere servizi e strumenti specifici a loro dedicati rivolgendosi allo Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti e consultando la pagina dedicata del sito di Ateneo: https://uniupo.it/it/servizi/servizi-studenti- disabili-e-dsa Le studentesse e gli studenti con disabilità, DSA, BES, una volta preso contatto con lo Staff di Ateneo, possono contattare la/il docente titolare dell'insegnamento in relazione alla declinazione delle modalità di esame, in merito agli aspetti didattici.
Students are strongly recommended to follow the updates of the course page published on DIR for supplementary readings as well as for the detailed program of the course.
Modalità di verifica dell'apprendimento/Assessment methods
Esame orale, consistente in cinque domande, con punteggio da 1 a 6. Le risposte verranno valutate secondo i seguenti criteri: correttezza, proprietà di linguaggio, capacità di elaborazione autonoma. Per coloro che frequentano, la partecipazione attiva alle lezioni verrà valutata fino a tre punti.
Oral examination, consisting of five questions, marked from 1 to 6. The answers will be assessed according to the following criteria: correctness, ownership of language, ability to process independently. For those attending, active participation in class will be assessed up to three points.
Programma esteso/Content
1. COSA CARATTERIZZA LA CONOSCENZA SCIENTIFICA 1.1 Inferenze deduttive, induttive e abduttive 1.2 Interpretazioni della probabilità 1.3 Spiegazione e previsione 1.4 Cause e meccanismi 1.5 Teorie e modelli 1.6 Esperimenti e simulazioni 1.7 I valori nella scienza 1.8 Integrazione della questione di genere: perché si parla di "medicina di genere"? 2. RICERCA SCIENTIFICA E BIG DATA 2.1 Definizione dei principali concetti 2.2 “vecchia” e “nuova” intelligenza artificiale 2.3 Come definire i dati 2.4 Correlare e prevedere 2.5 La costruzione dei dati 2.6 Abbiamo ancora bisogno di teorie? 2.7 E di cause? 3. LE DECISIONI ALGORITMICHE 3.1. Profilazione, filtraggio raccomandazione algoritmica 3.2 Ancora il problema dell’induzione 3.3 Opacità epistemica degli algoritmi 3.5 Pregiudizi nascosti 3.6 Decisioni algoritmiche e responsabilità 3.7 Necessità di un approccio condiviso e proposte concrete per realizzarlo
1. WHAT CHARACTERISES SCIENTIFIC KNOWLEDGE 1.1 Deductive, inductive and abductive inferences 1.2 Interpretations of probability 1.3 Explanation and prediction 1.4 Causes and mechanisms 1.5 Theories and Models 1.6 Experiments and Simulations 1.7 Values in Science 1.8. Gender integration. why do we talk about "gender medicine"? 2. SCIENTIFIC RESEARCH AND BIG DATA 2.1 Definition of the main concepts 2.2 "Old" and "new" artificial intelligence 2.3 How to define data 2.4 Correlating and predicting 2.5 The construction of data 2.6 Do we still need theories? 2.7 What about causes? 3. ALGORITHMIC DECISIONS 3.1. Profiling, filtering algorithmic recommendation 3.2 The induction problem again 3.3 Epistemic opacity of algorithms 3.5 Hidden biases 3.6 Algorithmic decisions and responsibility 3.7 Need for a shared approach and concrete proposals to realise it
Risultati di apprendimento attesi/Intended learning objectives
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.
Knowledge - Knowledge of the topics mentioned above, with particular regard to the basic elements of the philosophy of science and the current discussion of the main ethical and epistemological issues in the philosophy of artificial intelligence Competences - To be able to understand and keep abreast of the topics covered in the course; to apply appropriate methods of study and critical debate, to make use of appropriate bibliographical tools and other information sources, to communicate adequately in the forums for discussion of the topics covered in the previous points. Skills - Improvement of critical skills. Autonomous organisation of in-depth studies on the topics dealt with, learning, elaboration of autonomous, justified and informed judgements on the above topics, argumentative and expositive abilities in written and oral contexts appropriate to the interlocutor, contributing profitably and productively to interdisciplinary team-work activities.
×
Print
Course
STATISTICA COMPUTAZIONALE
Course ID
MF0649
Academic Year
2024/2025
Year of rule
2024/2025
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
000-GENERICO
Teaching leader
BONGIORNO Enea Giuseppe
Teachers
Bongiorno Enea Giuseppe
CFU
6.0
Teaching duration (hours)
48.0
Individual study time
102.0
SSD
SECS-S/01 - STATISTICA
Course type
Attività formativa monodisciplinare
Course mandatoriety
OPZ
Course category
C
Year
1
Period
Primo Semestre
Site
VERCELLI
Grading type
V
Lingua insegnamento/Teaching language
ITALIANO
Italian
Contenuti/Content Summary
Introduzione alla statistica computazionale con particolare attenzione a modelli e algoritmi di generazione di variabili casuali, visualizzazione di dati multivariati, inferenza statistica, metodi Monte Carlo, metodi di ricampionamento. Le metodologie studiate a lezione verranno implementate usando il software statistico R.
Introduction to computational statistics with particular attention to models and algorithms to generate random variables, multivariate data visualization, statistic inference, Monte Carlo methods, resampling. Introduced methodologies will be implemented by means of the statistical software R.
Testi di riferimento/Textbooks
- M. L. Rizzo (2019): Statistical Computing with R, Second Edition. Chapman & Hall, Boca Raton. - Materiale a cura del docente.
- M. L. Rizzo (2019): Statistical Computing with R, Second Edition. Chapman & Hall, Boca Raton. - Lecture notes.
Obiettivi formativi/Mission
Gli obiettivi formativi del corso sono (declinati secondo i descrittori di Dublino): • Conoscenza e capacità di comprensione: conoscere e comprendere i metodi statistici introdotti, • Capacità di applicare conoscenza e comprensione: saperli implementare e interpretare in scenari simulati e reali, • Autonomia di giudizio: saper valutare autonomamente quando le metodologie sono applicabili • Abilità comunicative: saper comunicare anche a non esperti i risultati, i vantaggi e i limiti delle metodologie implementate • Capacità di apprendimento: saper estendere i concetti e le idee viste nel corso a nuovi contesti.
The goals of the course are (Dublin descriptors) • knowledge and understanding: know the introduced statistical techniques • applying knowledge and understanding: know how to implement and interpret them in real and simulated scenarios • making judgements: be able to make autonomously judgements on the use of the introduced methodologies • communication skills: know how to communicate the results, advantages and limitations of the methodologies implemented even to non-experts • learning skills: know how to extend the concepts and ideas seen in the course to new settings.
Prerequisiti/Required background knowledge
Fondamenti di matematica, probabilità e statistica.
Fundamentals of mathematics, probability and statistics.
Metodi didattici/Teaching methods
Lezioni teoriche frontali ed esercitazioni in laboratorio. La frequenza alla lezioni è fortemente raccomandata.
Both theoretical and practical classes will be held in a computer lab. Frequency of lessons is highly recommended.
Altre informazioni/Further information
Per ulteriori informazioni (come i collegamenti alle pagine web dei software utilizzati), si prega di consultare la pagina del corso su D.I.R. all’indirizzo: https://dir.uniupo.it/ Le studentesse e gli studenti con disabilità o con Disturbi Specifici dell’Apprendimento (DSA) o con Bisogni Educativi Speciali (BES) possono richiedere servizi e strumenti specifici a loro dedicati rivolgendosi allo Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti e consultando la pagina dedicata del sito di Ateneo: https://uniupo.it/it/servizi/servizi-studenti- disabili-e-dsa Le studentesse e gli studenti con disabilità o con Disturbi Specifici dell’Apprendimento (DSA) o con Bisogni Educativi Speciali (BES) possono richiedere servizi e strumenti specifici a loro dedicati rivolgendosi allo Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti e consultando la pagina dedicata del sito di Ateneo: https://uniupo.it/it/servizi/servizi-studentidisabili-e-dsa Le studentesse e gli studenti con disabilità, DSA, BES, una volta preso contatto con lo Staff di Ateneo, possono contattare la/il docente titolare dell'insegnamento in relazione alla declinazione delle modalità di esame, in merito agli aspetti didattici.
Further informations (such as link to software website) can be found at the web page of the course: https://dir.uniupo.it/ Students with physical disabilities, Learning Disabilities or Special Education Needs can request specific services and tools via the Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti, consulting the University webpage: https://www.uniupo.it/en/services/services- students-physical-or-learning-disabilities Students with physical disabilities, Learning Disabilities or Special Education Needs can request specific services and tools via the Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti, consulting the University webpage: https://www.uniupo.it/en/services/servicesstudents-physical-or-learning-disabilities Students with disabilities, learning disabilities or special education needs, once they have contacted the University Staff, can refer to the tutor in charge of the course to define the examination modalities, concerning academic aspects.
Modalità di verifica dell'apprendimento/Assessment methods
L'esame è costituito da una prova orale consistente in domande teoriche e nella discussione di un eventuale elaborato.
The exam is formed by an oral examination that consists in theoretical questions and in a discussion about a possibly essay.
Programma esteso/Content
0. Introduzione ad R. 1. Manipolazione dei dati in R. Visualizazione dei dati (elementi di statistica descrittiva). 2. Metodi di generazione dei dati. 3. Statistica Inferenziale (stima puntuale, test di Ipotesi, metodi (non-)parametrici) 4. Introduzione ai processi stocastici (Catene di Markov discrete e continue) 5. Introduzione alla statistica Bayesiana e tecniche MCMC (Monte Carlo Markov Chain) 6. Tecniche di ricampionamento (bootstrap e jackknife). Gli argomenti del corso potranno subire modifiche a seconda delle esigenze didattiche che emergono durante lo svolgimento dello stesso.
0. Introduction to R. 1. Data manipulation in R. Visualization of data (elements of descriptive Statistics). 2. Generating data. 3. Inferential statistics (point estimation, Hypothesis test, (non-)parametric methods) 4. Introduction to stochastic processes (Discrete and continuous time Markov Chains) 5. Introduction to Bayesian statistics and simple Monte Carlo Markov Chain (MCMC) techniques 6. Resampling tecniques (bootstrap and jackknife) The topics of the course may undergo changes according to the didactic needs that emerge during the course.
Risultati di apprendimento attesi/Intended learning objectives
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.
At the end of the classes, students should (Dublin descriptors) • Knowledge: know the main reasons and applications that require the introduction of methods for generating random numbers, for Monte Carlo simulations and for resampling. • Skills and abilities: knowing how to evaluate the areas of application, implement and interpret, in simulated and real scenarios, the methodologies tackle in classes. Knowing how to communicate, even to non-experts, the results, advantages and limitations of the methodologies implemented. Knowing how to extend the concepts and ideas seen in the course to new contexts.
×
Print
Course
APPRENDIMENTO AUTOMATICO E APPRENDIMENTO PROFONDO
Course ID
MF0616
Academic Year
2024/2025
Year of rule
2024/2025
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
000-GENERICO
Teaching leader
PORTINALE Luigi
Teachers
Portinale Luigi
CFU
9.0
Teaching duration (hours)
72.0
Individual study time
153.0
SSD
INF/01 - INFORMATICA
Course type
Attività formativa monodisciplinare
Course mandatoriety
OBB
Course category
B
Year
1
Period
Secondo Semestre
Site
ALESSANDRIA
Grading type
V
Lingua insegnamento/Teaching language
Italiano
Italian
Contenuti/Content Summary
Il corso si suddivide logicamente in due moduli: Machine Learning (6 CFU) e Deep Learning (3 CFU). MACHINE LEARNING I diversi modelli di apprendimento automatico (supervisionato e non supervisionato); Regressione e classificazione; Bias e varianza dei modelli, regolarizzazione; Metodi di clustering; Determinazione di anomalie; Valutazione dei modelli di appendimento automatico; Strumenti di sviluppo. DEEP LEARNING Teoria e pratica dell’ Apprendimento Profondo
The cours is structured in two different logical modules: Machine Learning (6 CFU) and Deep Learning (3 CFU) MACHINE LEARNING Supervised and unsupervised models of machine learning; Regression and classification; Bias and variance, regularization; Clustering methods; Anomaly detection; Evaluation of machine learning models; Machine learning tools. DEEP LEARNING Theory and Implementation of Deep Learning methods
Testi di riferimento/Textbooks
A. Geron: Hands-on Machine Learning with scikit-learn and Tensorflow. (2nd edition), O’Reilly, 2019; P. Flach, Machine Learning, Cambridge Univ. Press, 2012; I.H. Witten, E. Frank, M.A. Hall, C.J. Pal. Data Mining: Practical Machine Learning Tools (4 ed.), Morgan Kaufmann, 2016. I. Goodfellow, Y. Bengio, A. Courville. Deep Learning, MIT Press, 2016
A. Geron: Hands-on Machine Learning with scikit-learn and Tensorflow,(2nd edition), O’Reilly, 2019; P. Flach, Machine Learning, Cambridge Univ. Press, 2012; I.H. Witten, E. Frank, M.A. Hall, C.J. Pal. Data Mining: Practical Machine Learning Tools (4th ed.), Morgan Kaufmann, 2016. I. Goodfellow, Y. Bengio, A. Courville. Deep Learning, MIT Press, 2016
Obiettivi formativi/Mission
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.
Knowledge and understanding: the class will introduce the basic notions of machine learning methods, how to evaluate them and how to develop the related systems. Applying knowledge and understanding: the acquired knowledge will allow the student: to know the concepts of bias and variance of the models and how to deal with the related problems (e.g. regularization techniques) to know the main classification, regression and unsupervised models most used in current applications gain an understanding of deep learning that can be applied to a wide range of topics with particular focus on computer vision, word and text processing, signal processing applications. Making judgements: contents in this class will allow the student to develop autonomous judgement skills; he/she will be able to evaluate different choices concerning the possible machine learning models. Communications skills: the student will develop relational and communication skills that will allow him/her to work in team, and to emphasize pros and cons of the possible machine learning models. Learning skills: the study of the principles of the discipline will allow the student to have a correct understanding of the possible alternatives in the development of a machine learning system, and it will allow him/her to choose the most suitable approach.
Prerequisiti/Required background knowledge
Probabilita’ e Statistica, Analisi Matematica, Matematica Discreta (calcolo matriciale), Linguaggio Python (base)
Probability and statistics, Calculus, Discrete mathematics (matrix calculus), Python language (base)
Metodi didattici/Teaching methods
Lezioni frontali e sviluppo di esempi prototipali con esercitazioni
Classroom lectures and development of simple prototypes with practicals.
Altre informazioni/Further information
Materiale didattico a complemento dei testi suggeriti fornito dal docente, tramite piattaforma DIR. Disponibilità di lezioni registrate.
Lectures material to complement suggested books provided through DIR teaching platform. Availability of recorded lectures.
Modalità di verifica dell'apprendimento/Assessment methods
Esame orale con discussione di un semplice progetto.
Oral examination with discussion of a simple project.
Programma esteso/Content
MACHINE LEARNING Introduzione al machine learning: apprendimento supervisionato e non supervisionato; Regressione lineare univariata e multivariata, ridge regression; Regressione logistica; Regolarizzazione; Reti Neurali; Valutazione di un sistema ML; Decision Trees; Bayesian Learning; Lazy Learning; Metodi di ensemble learning; Clustering; Riduzione della dimensionalita: PCA; Anomaly detection; Il tool Weka; Le API scikit-learn. DEEP LEARNING Principi teorici dell'Apprendimento Profondo Deep feedforward neural nets Reti convolutive Reti ricorrenti Autoencoder Attention e Transformers Pre-Training Applicazioni Package implementativi
MACHINE LEARNING Introduction to machine learning: supervised and unsupervised learning; Linear regression (univariate and multivariate), ridge regression; Logistic regression; Regularization; Neural Networks; ML evaluation; Support Vector Machines; Decision Trees; Bayesian Learning; Lazy Learning; Ensemble learning methods; Clustering; Dimensionality reduction: PCA; Anomaly detection; The Weka tool; The scikit-learn APIs. DEEP LEARNING Deep Learning theory Deep feedforward neural nets Convolutional networks Recurrent nets Autoencoder Attention e Transformers Pre-Training Applications Implementation Packages
Risultati di apprendimento attesi/Intended learning objectives
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.
KNOWLEDGE: to know the main methodologies of machine learning (supervised and unsupervised) and of deep learning to know methods and techniques for the evaluation of the models to know the suitability features of ML models with respect to a given application COMPETENCE AND SKILL to be able to develop an ML/DL model relative to a specific application to be able suitably deal with bias and variance of the models to be able to evaluate the results of an ML system, following suitable metrics to be able to use and apply some of the main tools for ML/DL systems development. to be able to connect notions presented in different parts of the class; to be able to suitably interface with application experts; to know the right terminology.
×
Print
Course
SISTEMI DISTRIBUITI E BIG DATA
Course ID
MF0651
Academic Year
2024/2025
Year of rule
2024/2025
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
000-GENERICO
Teaching leader
GIANNINI Paola
Teachers
Giannini Paola, Canonico Massimo, Guazzone Marco
CFU
12.0
Teaching duration (hours)
96.0
Individual study time
204.0
SSD
INF/01 - INFORMATICA
Course type
Attività formativa monodisciplinare
Course mandatoriety
OBB
Course category
B
Year
1
Period
Secondo Semestre
Site
ALESSANDRIA
Grading type
V
Lingua insegnamento/Teaching language
Italiano
Italian
Contenuti/Content Summary
Principi e soluzioni tecniche e metodologiche per la progettazione e la gestione di sistemi, architetture, e applicazioni distribuite per l’analisi dei Big Data.
Principles and current technical and methodological solutions for the design and management of systems, architectures, and distributed applications for Big Data analysis.
Testi di riferimento/Textbooks
Per la parte "Big Data Systems", non c'è un libro di testo di riferimento specifico. Il materiale di studio si basa su articoli scientifici, documentazione tecnica e altro materiale fornito dal docente. Tuttavia, i libri di testo elencati di seguito coprono una buona parte degli argomenti trattati nella prima parte del corso: * M. van Steen e A.S. Tanenbaum, "Distributed Systems, 4th ed.," 2023 (scaricabile gratuitamente dal sito web: https://www.distributed-systems.net). * M. Kleppman, "Designing Data-Intensive Applications: The Big Ideas Behind Reliable, Scalable, and Maintainable Systems," O'Reilly, 2017. * J. S. Damji, B. Wenig, T. Das, e D. Lee, "Learning Spark: Lightning-Fast Data Analytics, 2/E," O'Reilly, 2020. Per la parte "Rust Programming" non c'e' un libro di riferimento: il docente fornirà tutto il materiale attraverso le slide, i suoi appunti e link a materiale in rete. Per la parte "Cloud Computing", il libro di riferimento è quello scaricabile al seguente link: https://iris.uniupo.it/handle/11579/140999.
For the "Big Data Systems" part, there is no specific reference textbook. The teaching material consists of scientific articles, technical documentation and other material provided by the lecturer. However, the following textbooks cover most of the topics covered in the first part of the course: * M. van Steen and A.S. Tanenbaum, "Distributed Systems, 4th ed.," 2023 (freely downloadable from the website: https://www.distributed-systems.net). * M. Kleppman, "Designing Data-Intensive Applications: The Big Ideas Behind Reliable, Scalable, and Maintainable Systems," O'Reilly, 2017. * J. S. Damji, B. Wenig, T. Das, and D. Lee, "Learning Spark: Lightning-Fast Data Analytics, 2/E," O'Reilly, 2020. For the "Rust Programming" part, there is no specific reference textbook. The teaching material consists of scientific articles, technical documentation and other material provided by the lecturer. For the "Cloud Computing" part, the textbook can be downloaded from here: https://iris.uniupo.it/handle/11579/140999.
Obiettivi formativi/Mission
Il corso ha l’obiettivo di illustrare i principi e le attuali soluzioni tecniche e metodologiche per la progettazione e la gestione di sistemi, architetture, e applicazioni distribuite per l’analisi dei Big Data. In particolare, il corso affronta le diverse problematiche inerenti all’acquisizione, memorizzazione e processamento dei Big Data, presentando le principali soluzioni (hardware e software) che sono state proposte per la loro gestione. Il corso inoltre introduce il linguaggio di programmazione Rust e le peculiarità che lo rendono adatto al processamento di Big Data. Il corso prevede esercitazioni di laboratorio al fine di poter combinare gli aspetti metodologici e tecnologici visti in classe. * Conoscenze: Al termine del corso, lo studente/la studentessa avrà appreso i principi e le principali soluzioni tecniche e metodologiche per la progettazione e la gestione di sistemi, architetture, e applicazioni distribuite per l’analisi dei Big Data nonché concetti avanzati di programmazione in particolare relazione con l’analisi statica (attraverso i tipi) della memoria. * Competenze ed abilità: Al termine del corso, lo studente/la studentessa avrà appreso le conoscenze per il raggiungimento degli obiettivi formativi, nel modo misurato dal voto d'esame. In particolare, lo studente/la studentessa sarà in grado di approfondire autonomamente argomenti inerenti ai sistemi e alle architetture per Big Data, e di utilizzare tali conoscenze per valutare in maniera critica sistemi e applicazioni esistenti, e affrontare nuovi problemi, e valutare l’appropriatezza della loro implementabilità in Rust.
The course aims to illustrate the principles and current technical and methodological solutions for the design and management of systems, architectures, and distributed applications for Big Data analysis. In particular, the course addresses the various problems concerning the acquisition and processing of Big Data, by presenting the main solutions (both hardware and software) that have been proposed for their management. The course also introduces the Rust programming language and the peculiarities that make it suitable for Big Data processing. The course includes hands-on exercises in order to be able to combine the methodological and technological aspects seen in the classroom. * Knowledge: At the end of the course, the student will have learned the principles and the main technical and methodological solutions for the design and management of systems, architectures, and distributed applications for Big Data analysis as well as advanced programming concepts especially relating to static analysis (through types) of memory. * Competences and skills: At the end of the course, the student will have learned the knowledge to achieve the educational objectives, in the way measured by the examination grade. In particular, the student will be able to autonomously investigate topics related to systems and architectures for Big Data, and to use this knowledge to critically evaluate existing systems and applications as well as to tackle new problems, and to evaluate the appropriateness of their implementability in Rust.
Prerequisiti/Required background knowledge
Fondamenti di programmazione, basi di dati e sistemi operativi.
Fundamentals of programming, database and operating systems.
Metodi didattici/Teaching methods
Lezioni frontali ed esercitazioni di laboratorio.
Class lectures and hands-on lab lectures.
Altre informazioni/Further information
Non sono previste prove in itinere. Le studentesse e gli studenti con disabilità o con Disturbi Specifici dell’Apprendimento (DSA) o con Bisogni Educativi Speciali (BES) possono richiedere servizi e strumenti specifici a loro dedicati rivolgendosi allo Staff "Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti" e consultando la pagina dedicata del sito di Ateneo: https://uniupo.it/it/servizi/servizi-studenti-disabili-e-dsa Le studentesse e gli studenti con disabilità, DSA, BES, una volta preso contatto con lo Staff di Ateneo, possono contattare la/il docente titolare dell'insegnamento in relazione alla declinazione delle modalità di esame, in merito agli aspetti didattici.
There are no mid-term exams. Students with physical disabilities, Learning Disabilities or Special Education Needs can request specific services and tools to the Staff of the "Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti", consulting the University webpage: https://www.uniupo.it/en/services/services-students-physical-or-learning-disabilities Students with disabilities, learning disabilities or special education needs, once they have contacted the University Staff, can refer to the tutor in charge of the course to define the examination modalities, concerning academic aspects.
Modalità di verifica dell'apprendimento/Assessment methods
La valutazione finale viene stabilita collegialmente dai docenti del corso tenendo conto delle conoscenze e competenze acquisite dalla studentessa/dallo studente verificate attraverso le risposte a una serie di domande teoriche ed esercizi sugli argomenti della parte di "Big Data Systems", lo sviluppo di 7 o 8 esercizi pratici con relativa discussione sugli argomenti trattati nella parte "Rust Programming”, e una discussione orale e la consegna di un esercizio per la parte "Cloud Computing”: su ciascuna delle tre componenti occorre superare una soglia minima. In particolare, per la parte di "Big Data Systems", ad ogni domanda è associato un punteggio espresso in trentesimi; per raggiungere la sufficienza è necessario ottenere almeno 18 punti, mentre il superamento di 30 punti consente di raggiungere il punteggio di 30 e lode. Per la parte di "Rust Programming", la sufficienza è raggiunta se lo studente/la studentessa dimostra di aver eseguito in autonomia gli esercizi. Questo viene controllato con una discussione in cui si chiede allo studente/alla studentessa di sviluppare una variazione di alcuni degli esercizi svolti commentandone i punti salienti. I voti poi sono graduati considerando lo stile di programmazione. Per la parte "Cloud Computing” lo studente deve rispondere ad una serie di domande per raggiungere il voto di 25/30 mentre la consegna e discussione dell'esercizio proposto, può portarlo al voto di 30/30 con lode. Nella valutazione finale, la parte di "Big Data Systems" pesa per il 50%, quella di "Rust Programming" per il 25%, e infine quella di "Cloud Computing" per il 25%, in coerenza con il numero di CFU erogati per le tre parti.
The final evaluation is established collegially by the teachers taking into account the knowledge and skills acquired by the student verified through the answers to a series of theoretical questions and exercises on the topics of the "Big Data Systems" part, the development of 7 or 8 practical exercises with related discussion on the topics covered in the "Rust Programming" part, and an oral exam and a practical exercise for "Cloud Computing" part: on each of the three components a minimum threshold must be achieved. In particular, for the "Big Data Systems" part, each question is associated with a score with 30 as the maximum grade; to reach the passing grade it is necessary to obtain at least 18, while exceeding 30 allows the student to reach a score of 30 with honors. For the "Rust Programming" part, passing is achieved if the student demonstrates that he/she has performed the exercises on his/her own. This is checked with a discussion in which the student is asked to develop a variation of some of the exercises, commenting the important decisions. The grade then depends on the programming style. For "Cloud Computing", the student can decide for only an oral exam to get up to 25/30 or he/she can decide to provide and discuss a practical execese to get up to 30/30 with honors. In the final evaluation, the part of "Big Data Systems" weighs 50%, that of "Rust Programming" for 25%, and finally that of "Cloud Computing" for 25%, according to the number of credits for the three parts.
Programma esteso/Content
Il corso si compone di tre parti: 1. Parte "Big Data Systems" (6 CFU): - Introduzione ai Big Data: motivazioni, principi e problematiche. - Sistemi per l'acquisizione dei dati. - File system e data store distribuiti. - Sistemi per la gestione di risorse di cluster computazionali. - Sistemi e framework per il processamento di batch di dati. - Sistemi e framework per il processamento di flussi di dati. 2. Parte "Rust Programming" (3 CFU): - Introduzione al Cloud Computing. - Teoria e pratica su Google Cloud Platform. - Teoria e pratica su Amazon Web Services. - Teoria e pratica su OpenStack. 3. Parte "Cloud Computing" (3 CFU): Introduzione alla programmazione in Rust: - Gestione della memoria automatica: ownership, borrowing e lifetime di riferimenti. - Tipi di dato elementari e strutturati. - Gestione degli errori e pattern di programmazione funzionale. - Tipi generici e traits - Multithreading
The course consists of three parts: 1. "Big Data Systems" part (6 CFU): - Introduction to Big Data: motivations, principles, issues and challenges - Data acquisition systems. - Distributed file systems and data stores. - Cluster resource management systems. - Batch processing systems - Stream processing systems. 2. "Rust Programming" part (3 CFU): - Introduction to Cloud Computing. - Theory and practice on Google Cloud Platform. - Theory and practice on Amazon Web Services. - Theory and practice on OpenStack. 3. "Cloud Computing" part (3 CFU): Introduction to Rust programming: - Automatic memory management: ownership, borrowing and lifetime of references. - Primitive and structured data types. - Error handling and functional programming patterns. - Generic types and traits - Multithreading
Risultati di apprendimento attesi/Intended learning objectives
* Conoscenza e capacità di comprensione: Al termine del corso, lo studente/la studentessa 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/la studentessa 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/la studentessa avrà appreso le metodologie per la progettazione e realizzazione di sistemi e applicazioni per Big Data. Nello specifico, lo studente/la studentessa 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/la studentessa 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/la studentessa 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/la studentessa 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.
* Knowledge and understanding: At the end of the course, the student will have acquired the methodological knowledge to independently investigate topics related to systems and architectures for Big Data, and to use this knowledge to evaluate existing systems as well as to tackle new problems. *Applying knowledge and understanding: At the end of the course, the student will have learned the methodologies for the design and development of systems and applications for Big Data. Specifically, the student will be able to design and develop distributed, scalable, safe and efficient batch processing and data stream processing applications, using the main open-source frameworks for the ingestion, processing and storage of Big Data. * Making judgments: At the end of the course, the student will be able to independently identify the most suitable solutions to create distributed systems and applications for Big Data analysis and to evaluate both the architectural and implementation choices, and the performance of existing systems and applications for Big Data. * Communication Skills: At the end of the course, the student will have acquired the most suitable fluency in terminology related to systems and applications for Big Data analysis, will be able to present the architecture of a system for Big Data with appropriate technical terms and language and to argue critically about the various alternatives both at a system and application level. * Learning Skills: At the end of the course, the student will have acquired the methodological knowledge to independently investigate topics related to systems and architectures for Big Data, and to use this knowledge to evaluate existing systems, to tackle new problems as well as to evaluate advantages and disadvantages of choosing programming languages for the development.
×
Print
Course
BASI DI DATI PER BUSINESS INTELLIGENCE
Course ID
MF0609
Academic Year
2024/2025
Year of rule
2024/2025
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
000-GENERICO
Teaching leader
LEONARDI GIORGIO
Teachers
Bottrighi Alessio, Leonardi Giorgio
CFU
9.0
Teaching duration (hours)
72.0
Individual study time
153.0
SSD
INF/01 - INFORMATICA
Course type
Attività formativa monodisciplinare
Course mandatoriety
OBB
Course category
B
Year
1
Period
Primo Semestre
Site
VERCELLI
Grading type
V
Lingua insegnamento/Teaching language
Italiano
Italian
Contenuti/Content Summary
Basi di dati: Principali modelli dei dati adottati dai sistemi di gestione delle basi di dati (DBMS). Modello relazionale: principali aspetti teorici di tale modello ed esempi di progettazione pratica. Introduzione al linguaggio SQL e sue applicazioni alla gestione di una base di dati. Data warehouse: metodologie e tecniche per reperire, analizzare, sintetizzare e ri-organizzare dati operazionali, al supporto di decisioni strategiche. No-SQL: le caratteristiche e i metodi di interrogazione dei principali tipi di database no-SQL, i criteri di scelta tra i differenti tipi di database no-SQL
Data base: main data models used by data base systems (DBMS). Relational model: main theoretical aspects and practical design principles. Introduction to the SQL language and its applications for database management. Data warehouse: methods and techniques to gather, analyse, summarize and re-organize operational data to support strategic decision-making. No-SQL: the characteristics and query methods of the main types of no-SQL databases, the criteria for choosing between the different types of no-SQL databases
Testi di riferimento/Textbooks
Atzeni, Ceri, Fraternali, Paraboschi, Torlone Basi di Dati: Modelli e Linguaggi di Interrogazione Mc Graw-Hill, quinta edizione, 2018 M. Golfarelli, S. Rizzi: “Data Warehose”, McGraw-Hill, Milano A. Ploetz, D. Kandhare, S. Kadambi, X. Wu, Seven NoSQL Databases in a Week, Packt Publishing Limited, 2018
Atzeni, Ceri, Fraternali, Paraboschi, Torlone Basi di Dati: Modelli e Linguaggi di Interrogazione Mc Graw-Hill, quinta edizione, 2018 M. Golfarelli, S. Rizzi: “Data Warehose”, McGraw-Hill, Milano A. Ploetz, D. Kandhare, S. Kadambi, X. Wu, Seven NoSQL Databases in a Week, Packt Publishing Limited, 2018
Obiettivi formativi/Mission
Conoscenza e capacità di comprensione: - metodologie di analisi e organizzazione di strutture relazionali, implementazione di queste strutture in data base relazionali, complete delle interrogazioni necessarie - metodologie per reperire, analizzare, sintetizzare e ri-organizzare i dati operazionali; metodologie di progettazione a livello concettuale e di realizzazione livello logico in ambito relazionale di datawarehousing - metodologie di progettazione a livello concettuale e di realizzazione livello logico in ambito noSQL Capacita' di applicare conoscenza e comprensione: - capacità di progettazione a livello concettuale, di realizzazione livello logico, e di interrogazione in ambito di database relazionali - capacità di progettazione a livello concettuale e di realizzazione livello logico in ambito relazionale di datawarehousing, a partire dalle sorgenti di dati operazionali - capacità di progettazione a livello concettuale e di realizzazione livello logico in ambito differenti database noSQL Autonomia di giudizio: - abilità nella progettazione concettuale e logica di una base di dati relazionale e nella sua interrogazione - abilità nel determinare i fatti di interesse, la granularità, le dimensioni e le gerarchie dimensionali per un data warehouse - abilità nel valutare le specifiche caratteristiche di un database noSQL in relazione al contesto applicativo Abilità comunicative: L'obiettivo del corso è quello di acquisire e di saper utilizzare la terminologia dell'area e saper discutere di aspetti di progettazione, modellazione e interrogazioni nei differenti ambiti delle basi di dati Capacita' di apprendimento - analizzare, modellare e interrogare dati in ambito dei database relazionali - analizzare e modellare in modo uniforme dati provenienti da sorgenti eterogenee - analizzare dati per modellarli in ambito noSQL effettuando le scelte progettuali più adattate
Knowledge and understanding: - methodologies of analysis and organization of relational structures, implementation of these structures in relational databases, including with the necessary queries - methodologies for retrieving, analyzing, synthesizing and re-organizing operational data; design methodologies for the conceptual level and for the logical level in the field of relational datawarehousing - design methodologies for the conceptual level and for the logical level in the noSQL context Applying knowledge and understanding: - ability to design both at a conceptual level and to a logical level, and to query in the context of relational databases - ability to design at a conceptual level and to create a logical level in the context of relational datawarehousing, starting from operational data sources - ability to design at a conceptual level and at a logical level in the context of different noSQL databases Making judgements: - ability in the conceptual and logical design of a relational database and in its interrogation - ability to determine the facts of interest, granularity, dimensions and dimensional hierarchies for a data warehouse - ability to evaluate the specific characteristics of a noSQL database focusing on the application context Communication skills: Students must acquire and know how to use the terminology of the area and must be able to discuss aspects of design, modeling and queries in the different database fields. Learning skill - analyzing, modeling and querying data in the context of relational databases - analyzing and modeling data from heterogeneous sources - analyzing data to model them in the noSQL environment by making the most suitable design choices
Prerequisiti/Required background knowledge
Nessuno.
None.
Metodi didattici/Teaching methods
Lezioni frontali in aula e esercitazioni in aula e in laboratorio informatico. Il materiale didattico verrà fornito anche sulla piattaforma DIR.
Face-to-face lectures and exercises in classroom and in computer science lab. Teaching materials will also be provided through the DIR platform.
Altre informazioni/Further information
Le studentesse e gli studenti con disabilità o con Disturbi Specifici dell’Apprendimento (DSA) o con Bisogni Educativi Speciali (BES) possono richiedere servizi e strumenti specifici a loro dedicati rivolgendosi allo Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti e consultando la pagina dedicata del sito di Ateneo: https://uniupo.it/it/servizi/servizi-studenti-disabili-e-dsa Le studentesse e gli studenti con disabilità, DSA, BES, una volta preso contatto con lo Staff di Ateneo, possono contattare la/il docente titolare dell'insegnamento in relazione alla declinazione delle modalità di esame, in merito agli aspetti didattici.
Students with physical disabilities, Learning Disabilities or Special Education Needs can request specific services and tools via the Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti, consulting the University webpage: https://www.uniupo.it/en/services/services-students-physical-or-learning-disabilities Students with disabilities, learning disabilities or special education needs, once they have contacted the University Staff, can refer to the tutor in charge of the course to define the examination modalities, concerning academic aspects.
Modalità di verifica dell'apprendimento/Assessment methods
L'esame è scritto (2 ore). Il testo è suddiviso in 3 sezioni, una per ogni parte del corso (basi di dati, data warehouse e no-SQL). Ogni sezione può essere a sua volta suddivisa in questioni relative alla teoria ed esercizi da risolvere. La sufficienza richiede di completare correttamente i quesiti inclusi in un minimo di 2 sezioni.
Written examination (2 hours). The exam is composed by 3 parts, each of which on a different section of the course (data base, data warehouse and no-SQL). Each part can in turn be composed by theoretical questions and exercises to be solved. Passing requires to correctly complete a minimum of 2 sections.
Programma esteso/Content
Basi di dati: introduzione ai principali sistemi di gestione delle basi di dati (DBMS). Viene approfondito il modello relazionale, in particolare sono presentati i principali aspetti teorici ed aspetti più pratici con esempi di progettazione, ponendo attenzione alla qualità dei modelli implementati (es. forme normali). Il corso si articola nelle seguenti parti: Modello Relazionale; Modello Entità-Relazione; Traduzione del Modello ER nel modello Relazionale. Viene inoltre descritta brevemente l'architettura di un DBMS, che viene presentata succintamente seguendo lo schema di descrizione generale a tre livelli di astrazione: esterno, logico e fisico. Vengono introdotte le nozioni di base sugli indici e sulle transazioni. Introduzione al linguaggio SQL per la gestione delle tabelle e per la manipolazione dei dati. Data warehouse: obiettivi e architetture - tecniche per reperire e riconciliare i dati operazionali - linguaggi di query OLAP - modelli e tecniche per l'implementazione del conceptual multidimensional data model in ambito relazionale No-SQL: principali approcci NoSQL (chiave-valore, colonna, documento e grafo): caratteristiche, metodi interrogazione, e criteri di valutazione delle performance.
Databases: introduction to the main database management systems (DBMS). The relational model is studied in depth, in particular the main theoretical aspects and more practical aspects are presented with design examples, paying attention to the quality of the implemented models (e.g. normal forms). The course is divided into the following parts: Relational Model; Entity-Relationship Model; Translation of the ER Model into Relational Model. The architecture of a DBMS is also briefly described, following the general description scheme with three levels of abstraction: external, logical and physical. The basics of indexes and transactions are introduced. Introduction to the SQL language for table management and data manipulation. Data warehouse: objectives and architectures; techniques to find and reconcile operational data; OLAP query languages; models and techniques for the implementation of the conceptual multidimensional data model in the relational field. No-SQL: main No-SQL approach (key-value, column, document e graph): characteristics, , query languages, and performance evaluation criteria.
Risultati di apprendimento attesi/Intended learning objectives
Il corso prevede di acquisire le seguenti conoscenze: - strumenti metodologici e formali per progettare strutture logiche e fisiche di una base di dati relazionale - linguaggio SQL - tecniche per reperire e riconciliare i dati operazionali - linguaggi di query OLAP - capacità di gestione di modelli e tecniche per l'implementazione del conceptual multidimensional data model in ambito relazionale - principi fondanti dei database NoSQL. - principi di progettazione in ambito NoSQL e capacità di valutazione delle scelte progettuali. e l'acquisizione delle seguenti competenze ed abilità: - progettazione di una base di dati relazionale - utilizzo del linguaggio SQL - capacità di formulare query OLAP - progettazione e interrogazione di database NO-SQL
Students must have acquired the following knowledge, skills, and abilities: - knowledge of the methodological and formal tools for designing the logical and physical structures of a relational database - knowledge and use of the SQL language - knowledge of techniques for retrieving and reconciling operational data - general knowledge of OLAP query languages and - knowledge of model and technique management skills for the implementation of the conceptual multidimensional data model in the relational field - knowledge of the founding principles of NoSQL databases. - knowledge of NoSQL design principles and ability to evaluate design choices. The students have to be able to demonstrate the ability and skills: - to designing a relational database - to use SQL language - to formulate OLAP queries -to design and to retrieve information in NO-SQL databases
×
Print
Course
RAPPRESENTAZIONE DELLA CONOSCENZA E LOGICA COMPUTAZIONALE
Course ID
MF0653
Academic Year
2024/2025
Year of rule
2024/2025
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
000-GENERICO
Teaching leader
THESEIDER DUPRE' Daniele
Teachers
Giordano Laura, Theseider Dupre' Daniele
CFU
9.0
Teaching duration (hours)
72.0
Individual study time
153.0
SSD
INF/01 - INFORMATICA
Course type
Attività formativa monodisciplinare
Course mandatoriety
OBB
Course category
B
Year
1
Period
Secondo Semestre
Site
ALESSANDRIA
Grading type
V
Lingua insegnamento/Teaching language
ITALIANO
Italian
Contenuti/Content Summary
Rappresentazione della conoscenza e ragionamento mediante formule e regole logiche, programmazione logica. Programmazione logica a vincoli; Answer Set Programming. Problem solving dichiarativo mediante strumenti di programmazione logica e ASP. Logiche descrittive, logiche temporali.
Knowledge representation and reasoning in logic and logic programming. Constraint logic programming; Answer Set Programming. Declarative problem solving using logic programming and ASP tools. Description logics, temporal logics.
Testi di riferimento/Textbooks
S. Russell, P. Norvig. Artificial Intelligence: A Modern Approach (3rd edition), Prentice-Hall 2010. P. Hitzler, M. Krötzsch, S. Rudolph, Foundations of Semantic Web, CRC Press, 2010. K. Marriott, P. Stuckey, Programming with Constraints: an Introduction, MIT Press, 1998. M. Gebser, R. Kaminski, B. Kaufmann, and T. Schaub, Answer Set Solving in Practice, Morgan and Claypool, 2012.
S. Russell, P. Norvig. Artificial Intelligence: A Modern Approach (3rd edition), Prentice-Hall 2010. P. Hitzler, M. Krötzsch, S. Rudolph, Foundations of Semantic Web, CRC Press, 2010. K. Marriott, P. Stuckey, Programming with Constraints: an Introduction, MIT Press, 1998. M. Gebser, R. Kaminski, B. Kaufmann, and T. Schaub, Answer Set Solving in Practice, Morgan and Claypool, 2012.
Obiettivi formativi/Mission
Conoscenza e capacità di comprensione: conoscere e comprendere la semantica di diversi formalismi di rappresentazione della conoscenza dichiarativa basati sulla logica, i fondamenti dei metodi di ragionamento automatico su tale conoscenza, l’espressività e le limitazioni anche computazionali. Capacità di applicare conoscenza e comprensione: capacità di applicare i suddetti formalismi e metodi a problemi reali, ai fini della risoluzione di problemi con metodi dichiarativi e del riutilizzo di conoscenza per risoluzioni di problemi diversi relativi ad uno stesso dominio. Autonomia di giudizio: giudicare l’appropriatezza dei diversi formalismi e metodi a problemi reali Abilità comunicative: capacità di illustrare, sia a livello tecnico che non tecnico, le soluzioni proposte per problemi assegnati durante il corso Capacità di apprendimento: esercitare la capacità di approfondimento autonomo attraverso la lettura di materiale di approfondimento sugli argomenti del corso.
Knowledge and comprehension: the semantics of different formalisms of representation of declarative knowledge based on logic, the foundations of methods for the automatic reasoning concerning such knowledge, expressiveness and computational limitations of them. Capability to apply knowledge and comprehension: ability to apply the formalisms and methods shown to real-world problems, in order to solve problems using declarative methods and to reuse knowledge to solve different problems relating to the same domain. Judgement autonomy: judging the appropriateness of the different formalisms and methods to real-world problems Communication skills: ability to explain, both at a technical and non-technical level, the solutions proposed for problems assigned during the course Learning skills: exercise the ability to study independently by reading in-depth documentation on the topics of the course.
Prerequisiti/Required background knowledge
Logica Matematica.
Mathematical logic.
Metodi didattici/Teaching methods
Lezioni frontali e sperimentazione in laboratorio. Le lezioni, oltre a descrivere i formalismi ne discutono le potenzialità e le limitazioni. Le esercitazioni permettono di conoscere strumenti software per utilizzare i diversi formalismi.
Lectures and practical activity in lab. Lectures describe the different formalism and discuss their power as well as their limitations. Practical activity allows students to get to know software tools for the different formalisms.
Altre informazioni/Further information
Le studentesse e gli studenti con disabilità o con Disturbi Specifici dell’Apprendimento (DSA) o con Bisogni Educativi Speciali (BES) possono richiedere servizi e strumenti specifici a loro dedicati rivolgendosi allo Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti e consultando la pagina dedicata del sito di Ateneo: https://uniupo.it/it/servizi/servizi-studenti-disabili-e-dsa Le studentesse e gli studenti con disabilità, DSA, BES, una volta preso contatto con lo Staff di Ateneo, possono contattare la/il docente titolare dell'insegnamento in relazione alla declinazione delle modalità di esame, in merito agli aspetti didattici.
Students with physical disabilities, Learning Disabilities or Special Education Needs can request specific services and tools via the Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti, consulting the University webpage: https://www.uniupo.it/en/services/services-students-physical-or-learning-disabilities Students with disabilities, learning disabilities or special education needs, once they have contacted the University Staff, can refer to the tutor in charge of the course to define the examination modalities, concerning academic aspects.
Modalità di verifica dell'apprendimento/Assessment methods
Verifica della soluzione di esercizi pratici. Esame orale o esonero scritto. La prova prevede diverse domande, riguardanti argomenti svolti in una parte diversa del programma, , ed atte a verificare il raggiungimento degli obiettivi formativi. La valutazione complessiva terrà conto dei risultati conseguiti nelle singole domande.
Evaluation of the solutions for practical exercises. Oral or written examination. The exam involves several questions on different subjects within the course contents; the questions are suited to verifying the achievement of the learning outcomes. The evaluation takes into account the answers to individual questions.
Programma esteso/Content
Rappresentazione della conoscenza e ragionamento automatico in logica. Risoluzione. Programmazione logica. La programmazione logica a vincoli; l'Answer Set Programming. Problem solving dichiarativo mediante strumenti di programmazione logica e ASP. Logiche descrittive, logiche temporali.
Knowledge representation and automated reasoning in logic. Resolution. Logic programming. Constraint logic programming; Answer Set Programming. Declarative problem solving using logic programming and ASP. Description logics, temporal logics.
Risultati di apprendimento attesi/Intended learning objectives
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.
Achievement, measured by grade, of the training objectives. Particularly: Knowledge: knowledge related to the formalisms of representation of declarative knowledge based on logic, and to the methods of automatic reasoning on such knowledge Competence and ability: ability to judge the adequacy of the different formalisms and of the methods to real-world problems, to implement their application, discussing the proposed solution both on a technical and non-technical level.
×
Print
Course
SISTEMA IMPRESA
Course ID
MF0611
Academic Year
2024/2025
Year of rule
2024/2025
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
000-GENERICO
Teaching leader
TUROLLA Andrea
Teachers
Turolla Andrea
CFU
6.0
Teaching duration (hours)
48.0
Individual study time
102.0
SSD
SECS-P/07 - ECONOMIA AZIENDALE
Course type
Attività formativa monodisciplinare
Course mandatoriety
OPZ
Course category
C
Year
1
Period
Primo Semestre
Site
VERCELLI
Grading type
V
Lingua insegnamento/Teaching language
ITALIANO
Italian
Contenuti/Content Summary
Inquadramento teorico sull'esistenza e sul funzionamento delle aziende – con particolare riferimento alle imprese di produzione di beni e servizi – analizzando: le manifestazioni di vita e le condizioni di esistenza delle imprese nel dinamico ambiente che le circonda. In quest’ottica, si analizzeranno – in sintesi – le principali aree funzionali del management ed i principali processi aziendali, nonché le modalità attraverso le quali avviene la produzione delle informazioni economico-finanziarie e patrimoniali necessarie alla gestione delle imprese e la loro lettura nel bilancio d’esercizio che ne costituisce la sintesi naturale. Inoltre, saranno analizzati i principali indicatori normalmente utilizzati dagli operatori del settore.
Theoretical framework on the existence and functioning of companies - with particular reference to companies producing goods and services - analyzing: the manifestations of life and the conditions of existence of companies in the dynamic environment that surrounds them. We will analyse - in summary - the main functional areas of management and the main business processes, as well as the methods through which the production of the economic-financial and equity information necessary for the management of the companies and their reading in the financial statements takes place. exercise which constitutes its natural synthesis. Furthermore, the main indicators normally used by sector operators will be analysed.
Testi di riferimento/Textbooks
- Testo in corso di redazione - Materiale a cura del docente
- Text in press - Material by the teachers
Obiettivi formativi/Mission
1. Conoscenza e capacità di comprensione (knowledge and understanding). Il corso mira a fornire allo studente la terminologia e le metodologie fondamentali delle discipline economico-aziendali utili per rappresentare e comprendere il funzionamento delle aziende. 2. Capacità di applicare conoscenza e comprensione (applying knowledge and understanding). La conoscenza acquisita in materia economico-aziendale porrà le basi per sviluppare nello studente le capacità e le competenze tecnico-contabili, gestionali ed organizzative di base per lo studio delle discipline specifiche. In particolare, lo studente acquisirà il linguaggio tecnico proprio delle discipline aziendali e sarà messo in grado di acquisire i concetti e il linguaggio di base dell’analisi economica dei processi aziendali e di cogliere gli elementi rappresentativi delle aziende e le determinanti dei loro equilibri. 3. Autonomia di giudizio (making judgements). Il corso consentirà allo studente di sviluppare un’autonomia di giudizio e porrà lo studente nelle condizioni di esprimere considerazioni relativamente agli equilibri aziendali ed ai fatti di gestione. 4. Abilità comunicative (communication skills). Sulla base delle conoscenze acquisite, lo studente potrà sviluppare abilità comunicative e relazionali per effettuare una prima analisi dello “stato di salute” delle imprese. 5. Capacità di apprendimento (learning skills). Lo studio della disciplina consentirà allo studente di capire le dinamiche aziendali inquadrando l’analisi del singolo momento gestionale nella visione unitaria e coordinata dei fatti aziendali.
1. Knowledge and understanding. The course aims to provide the student the terminology and the fundamental methodologies of the economic-business disciplines useful for represent and understand the functioning of companies. 2. Ability to apply knowledge and understanding. The knowledge acquired in business economics will lay the foundations for developing the student's technical-accounting and managerial skills and competences and basic organization for the study of specific disciplines. In particular, the student will acquire the technical language typical of business disciplines and will be able to acquire concepts and language basic economic analysis of business processes and to grasp the representative elements of companies e the determinants of their equilibrium. 3. Making judgments. The course will allow the student to develop an autonomy of judgment and will put the student in a position to express considerations relating to company balance and management facts. 4. Communication skills (communication skills). Based on the knowledge acquired, the student will be able to develop communicative and relational skills to carry out an initial analysis of the "state of health" of companies. 5. Learning skills. The study of the discipline will allow the student to understand the dynamics companies by framing the analysis of the single management moment in the unitary and coordinated vision of the business facts.
Prerequisiti/Required background knowledge
Nessuno
None
Metodi didattici/Teaching methods
1. Acquisizione delle conoscenze: mediante lo svolgimento di lezioni frontali e lo studio autonomo da parte degli studenti sulla base del materiale didattico previsto dal corso. 2. Acquisizione della capacità di applicare le conoscenze: mediante lo svolgimento di esercitazioni da parte del docente durante il corso e l’autonomo svolgimento da parte degli studenti di esercizi tratti anche da esempi di prove d’esame. 3. Acquisizione dell’autonomia di giudizio: durante il corso gli studenti saranno stimolati a valutare autonomamente casi rilevanti. 4. Acquisizione del linguaggio tecnico: durante l’insegnamento sarà illustrato il significato dei termini comunemente usati da parte degli operatori professionali. 5. Acquisizione delle capacità di apprendimento: generalmente, partendo dalla presentazione teorica delle diverse problematiche, si descriverà l’eventuale problema da risolvere e si analizzeranno criticamente le diverse possibili soluzioni.
1. Acquisition of knowledge: through the performance of lectures and self-study by students on the basis of the teaching material provided by the course. 2. Acquisition of the ability to apply knowledge: by carrying out exercises by the teacher during the course and autonomously exercises carrying out by students. 3. Acquisition of autonomy of judgment: during the course, students will be encouraged to independently evaluate relevant cases. 4. Acquisition of technical language. 5. Acquisition of the skills of learning: generally, starting from the theoretical presentation of the various problems, we will describe any problem to be solved and the various possible solutions.
Altre informazioni/Further information
Per ulteriori informazioni (come i collegamenti alle pagine web dei software utilizzati), si prega di consultare la pagina del corso su D.I.R. all’indirizzo: https://dir.uniupo.it/ Pur non essendo obbligatoria, si consiglia vivamente – ove possibile – la frequenza al corso. Le studentesse e gli studenti con disabilità o con Disturbi Specifici dell’Apprendimento (DSA) o con Bisogni Educativi Speciali (BES) possono richiedere servizi e strumenti specifici a loro dedicati rivolgendosi allo Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti e consultando la pagina dedicata del sito di Ateneo: https://uniupo.it/it/servizi/servizi-studenti-disabili-e-dsa Le studentesse e gli studenti con disabilità, DSA, BES, una volta preso contatto con lo Staff di Ateneo, possono contattare la/il docente titolare dell'insegnamento in relazione alla declinazione delle modalità di esame, in merito agli aspetti didattici
Further information (such as link to software website) can be found at the web page of the course: https://dir.uniupo.it/. Although not compulsory, attendance is strongly recommended. Students with physical disabilities, Learning Disabilities or Special Education Needs can request specific services and tools via the Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti, consulting the University webpage: https://www.uniupo.it/en/services/services-students-physical-or-learning-disabilities Students with disabilities, learning disabilities or special education needs, once they have contacted the University Staff, can refer to the tutor in charge of the course to define the examination modalities, concerning academic aspects.
Modalità di verifica dell'apprendimento/Assessment methods
Una prova scritta obbligatoria della durata compresa tra sessanta e novanta minuti, comprendente domande, esercizi ed applicazioni numeriche, in coerenza con i contenuti dell’insegnamento. 1. Conoscenza e capacità di comprensione: mediante domande a risposta aperta 2. Capacità di applicare conoscenza e comprensione: mediante esercizi 3. Autonomia di giudizio: mediante domande a risposta aperta, anche basate su esercizi. 4. Abilità comunicative: mediante domande a risposta aperta. 5. Capacità di apprendimento: la capacità di apprendimento potrà essere valutata anche mediante il sostenimento di una prova intermedia durante il corso.
A compulsory written test lasting between sixty and ninety minutes, including questions, exercises and numerical applications, consistent with the teaching content. 1. Knowledge and understanding: through open-ended questions: 2. Ability to apply knowledge and understanding: through exercises. 3. Autonomy of judgment: through open-ended questions and exercises. 4. Communication skills: through open-ended questions. 5. Learning ability: learning ability can also be assessed by taking one mid-term exam during the course.
Programma esteso/Content
✓Introduzione al corso: obiettivi formativi e contenuti, metodi didattici, sistema di valutazione dell’apprendimento. ✓ Definizione di azienda quale sistema economico, sociale, aperto, teleologico. ✓ Ambiente generale e specifico ed interrelazioni con il sistema impresa. ✓ I principali equilibri del sistema impresa e le sue caratteristiche. ✓ Le aree funzionali del management: approcci alternativi. ✓ Le aree funzionali del management: caratteristiche, integrative ed altre (pianificazione, controllo e d’informazione). ✓ Le aree funzionali caratteristiche: marketing. ✓ Le aree funzionali caratteristiche: produzione e logistica. ✓Le aree funzionali caratteristiche: ricerca e sviluppo. ✓ Le aree funzionali integrative: organizzazione e personale. ✓ Le aree funzionali integrative: finanza. ✓ Le altre aree funzionali: pianificazione strategica. ✓ Le altre aree funzionali: amministrazione e controllo di gestione. ✓ I principali processi amministrativi. ✓ Il bilancio d’esercizio come sintesi della gestione aziendale: documenti, logica sottostante e capacità informativa. ✓ Le informazioni dello stato patrimoniale. ✓ Le informazioni del conto economico. ✓ Le informazioni del rendiconto finanziario. ✓ La lettura di un bilancio d’esercizio. ✓ I principali indicatori finanziari. ✓ I principali indicatori patrimoniali. ✓ I principali indicatori di redditività. ✓ L’analisi di un bilancio d’esercizio Gli argomenti del corso potranno subire modifiche a seconda delle esigenze didattiche che emergono durante lo svolgimento dello stesso.
✓Introduction to the course: training objectives and contents, teaching methods, learning evaluation system. ✓ Definition of a company as an economic, social, open, teleological system. ✓ General and specific environment and interrelations with the business system. ✓ The main balances of the business system and its characteristics. ✓ The functional areas of management: alternative approaches. ✓ The functional areas of management: characteristics, integrative and other (planning, control and information). ✓ The characteristic functional areas: marketing. ✓ The characteristic functional areas: production and logistics. ✓The characteristic functional areas: research and development. ✓ The integrative functional areas: organization and personnel. ✓ The integrative functional areas: finance. ✓ The other functional areas: strategic planning. ✓ The other functional areas: administration and management control. ✓ The main administrative processes. ✓ The financial statements as a summary of company management: documents, underlying logic and information capacity. ✓ Information from the balance sheet. ✓ Information on the income statement. ✓ Information from the cash flow statement. ✓ The reading of a financial statement. ✓ The main financial indicators. ✓ The main equity indicators. ✓ The main profitability indicators. ✓ The analysis of a financial statement The topics of the course may undergo changes according to the didactic needs that emerge during the course.
Risultati di apprendimento attesi/Intended learning objectives
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.
Knowledge The concepts the main business processes which underlie the logic behind the preparation of a financial statement. Skills and abilities • understand and critically analyse, albeit in a basic way, the main business processes; understand the logic behind the preparation of a financial statement. • reading and understanding a financial statement. • be able to make autonomously judgements on the use of the introduced methodologies • know how to communicate the results, advantages and limitations of the methodologies implemented even to non-experts • know how to extend the concepts and ideas seen in the course to new settings.
×
Print
Course
INTELLIGENZA ARTIFICIALE E SUPPORTO ALLE DECISIONI
Course ID
MF0610
Academic Year
2024/2025
Year of rule
2024/2025
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
000-GENERICO
Teaching leader
PORTINALE Luigi
Teachers
Portinale Luigi
CFU
9.0
Teaching duration (hours)
72.0
Individual study time
153.0
SSD
INF/01 - INFORMATICA
Course type
Attività formativa monodisciplinare
Course mandatoriety
OBB
Course category
B
Year
1
Period
Primo Semestre
Site
VERCELLI
Grading type
V
Lingua insegnamento/Teaching language
ITALIANO
Italian
Contenuti/Content Summary
Il corso di INTELLIGENZA ARTIFICIALE E SUPPORTO ALLE DECISIONI si compone logicamente di due moduli: Intelligenza Artificiale (6 CFU) e Sistemi Intelligenti di Supporto alle Decisioni (3 CFU). INTELLIGENZA ARTIFICIALE: Algoritmi di ricerca nello spazio degli stati; Sistemi di ragionamento basato su casi; Rapresentazione di conoscenza incerta: probabilita' e Reti Bayesiane, SISTEMI INTELLIGENTI DI SUPPORTO ALLE DECISIONI: Teoria delle decisioni; Utilita’ multi-attributo; Diagrammi di influenza; Decisioni one-shot e sequenziali.
The course is logically composed by two modules: Artificial Intelligence (6 CFU) and Intelligent Decision Support Systems (3 CFU). ARTIFICIAL INTELLIGENCE State space search; Case-Based Reasoning; Uncertain knowledge representation: probability theory and Bayesian Networks; INTELLIGENT DECISION SUPPORT SYSTEMS Decision Theory, Multi-attribute utility, Influence diagrams, One-shot and sequential decisions.
Testi di riferimento/Textbooks
S. Russell, P. Norvig. Artificial Intelligence: A Modern Approach (4a edizione), Prentice-Hall. Traduzione italiana pubblicata da Pearson Education.
S. Russell, P. Norvig. Artificial Intelligence: A Modern Approach (4th edition), Prentice-Hall.
Obiettivi formativi/Mission
Conoscenza e capacità di comprensione Il corso mira ad introdurre le nozioni fondamentali e gli scopi di un agente intelligente secondo la visione corrente dell’IA Capacità di applicare conoscenza e comprensione La conoscenza acquisita permetterà allo studente di: comprendere le metodiche algoritmiche necessarie per permettere ad un agente di ricercare soluzioni in uno spazio degli stati. Comprendere l’architettura e i meccanismi di risoluzione di problemi in sistemi basati su precedenti (case-based reasoning). comprendere il ruolo del ragionamento incerto in un sistema knowledge-based. comprendere ed applicare le tecniche di modellizzazione ed analisi tramite formalismi a reti probabilistiche; comprendere ed applicare le nozioni fondamentali di teoria delle decisioni in presenza di incertezza e di utilità multi-attributo estendere le conoscenze sulle reti probabilistiche alle reti decisionali per modellare ed analizzare decisioni sia di tipo one-shot che di tipo sequenziale usare ed applicare appositi tools per l’analisi di problemi decisionali. Autonomia di giudizio: il corso consentirà allo studente di sviluppare un’autonomia di giudizio e porrà lo studente nelle condizioni di valutare le scelte di rappresentazione ed inferenza adeguate per il corretto sviluppo di un sistema di IA in generale e di supporto alle decisioni in particolare. 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 IA 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 intelligente a supporto delle decisioni e di poter scegliere l’approccio più adeguato al compito prefissato.
Knowledge and understanding: the class will introduce the fundamentals notions and the goals of intelligent agents by considering the current vision of modern AI. Applying knowledge and understanding: the acquired knowledge will allow the student: to understand algorithms to perform state-space search. to understand the architecture and the inference methods for solving problems in precedent-based systems (case-based reasoning). to understand the role of uncertainty in a knowledge-based system. to understand and apply modeling and analysis techniques concerning formalisms based on probabilistic networks. to understand and aplly main notions about decision theory in presence of uncertainty and multi-attribute utility; to extend notions of probabilistic networks to decision networks, in order to model and analyze one-shot and sequential decisions. to use and apply suitable tools for decision problem analysis. Making judgements: contents in this class will allow the student to develop autonomous judgement skills; he/she will be able to evaluate different choices from both representational and inference point of view, in a way to design a suitable intelligent decision support system. Communications skills: the student will develop relational and communication skills that will allow him/her to work in team, and to emphasize pros and cons of the possible approaches. Learning skills: the study of the principles of the discipline will allow the student to have a correct understanding of the possible alternatives in the development of an intelligent decision support system, and it will allow him/her to choose the most suitable approach.
Prerequisiti/Required background knowledge
Algoritmi e strutture dati; Calcolo delle Probabilita’ (consigliati)
Suggested: Algorithms and data structures Probability.
Metodi didattici/Teaching methods
Lezioni frontali in aula, esercitazioni tramite piattaforma Moodle, uso di strumenti software.
Lectures and exercises using Moodle and software tools.
Altre informazioni/Further information
Disponibili registrazioni lezioni in aula e video lezioni
Video lectures available
Modalità di verifica dell'apprendimento/Assessment methods
Esame scritto integrato da eventuale esame orale. Possibilità di presentazione di un progetto pratico.
Written and oral (not mandatory) exam. Potential project presentation.
Programma esteso/Content
INTELLIGENZA ARTIFICIALE: Introduzione e cenni storici sull'AI. Ricerca nello spazio degli stati: ricerca path-based cieca ed euristica. L'algoritmo A*. Algoritmi di miglioramento iterativo: hill-climbing e simulated annealing; Cenni su problemi CSP. Algoritmi per giochi a 2 concorrenti: minimax e alfa/beta pruning. Rappresentazione della conoscenza: cenni su formalismi logici e a regole. Sistemi di Case-Based Reasoning; Conoscenza Incerta: richiami di calcolo delle probabilità. Bayesian Belief Networks (proprietà ed algoritmi) e uso di tool per il loro sviluppo (Genie, Hugin, ecc...). SISTEMI INTELLIGENTI DI SUPPORTO ALLE DECISIONI: Teoria delle decisioni. Utilita’ multi-attributo. Diagrammi di influenza Decisioni one-shot e sequenziali.
ARTIFICIAL INTELLIGENCE: Introduction and history of AI State space search: path-based blind and heuristic search. A* algorithm. Iterative improvement algorithms: hillclimbing and simulated annealing CSP problems Two players games: minimax and alpha/beta pruning Knowledge representations: hints on logical formalism. Case-Based Reasoning systems; the CBR-Works tool. Uncertain knowledge: probability theory, Bayesian Networks (properties and algorithms); BN tools (Genie, Hugin, etc...). INTELLIGENT DECISION SUPPORT SYSTEMS: Decision Theory. Multi-attribute utility Influence diagrams One-sot and sequential decisions.
Risultati di apprendimento attesi/Intended learning objectives
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.
KNOWLEDGE: to know the main features and the architecture of an intelligent knowledge-based system. To know main AI state space search algorithms. To be able to represent knowledge in intelligent systems even when uncertainty is present. To know the main inference algorithms adopted in modern intelligent systems. To be able to model ad analyze one-shot and sequential decision processes, using probabilistic graphical models. COMPETENCE AND SKILLS: to be able to understand the role of different architectural modules of an intelligent agent. To design agent or modules of agents able to solve problems in a state space, to solve problems based on precedents, to solve problems with uncertain knowledge, to suggest decision under uncertainty. To be able to connect notions present in different parts of the class; to be able to suitably interface with domain experts; to know the right terminology.
×
Print
Course
DIRITTO E SOCIETÀ DIGITALE
Course ID
MF0612
Academic Year
2024/2025
Year of rule
2024/2025
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
000-GENERICO
Teaching leader
PASERI Ludovica
Teachers
Paseri Ludovica
CFU
6.0
Teaching duration (hours)
48.0
Individual study time
102.0
SSD
IUS/09 - ISTITUZIONI DI DIRITTO PUBBLICO
Course type
Attività formativa monodisciplinare
Course mandatoriety
OPZ
Course category
C
Year
1
Period
Primo Semestre
Site
VERCELLI
Grading type
V
Lingua insegnamento/Teaching language
ITALIANO
Italian
Contenuti/Content Summary
Il corso mette a tema il ruolo del digitale nell’odierna società, nella quale le tecnologie dell'informazione e della comunicazione (ICT) sono integrate nelle attività quotidiane, economiche, sociali e culturali a tal punto che dalle stesse dipenda il benessere degli individui. La crescente rilevanza delle ICT ha generato una progressiva “datificazione delle società umane” (Durante, Pagallo, 2022, 8), nelle quali i dati assumono il ruolo di elementi costitutivi della trasformazione digitale, dal momento che “definiscono il modo in cui produciamo, consumiamo e viviamo” (COM EU 2020/66). A partire da tale contesto, l’intento del corso è indagare la relazione tra diritto e società digitale, muovendosi lungo due linee direttrici: da un lato analizzando il quadro normativo avente ad oggetto “la politica dei dati” (Durante, Pagallo, 2022); dall’altro lato, esaminando la relazione tra diritto, tecnologia e scienza con particolare riferimento al ruolo delle istituzioni nella governance della ricerca scientifica. Nello studio del quadro normativo europeo e nazionale avente ad oggetto i dati, verrà riservata particolare attenzione al trattamento dei dati personali e alla tutela del diritto fondamentale alla protezione dei dati personali e del diritto alla privacy. Nell’indagine tra diritto, tecnologia e scienza, si approfondirà il ruolo di una scienza aperta, pluralista e inclusiva nel contesto di una società digitale e democratica.
The course focuses on the role of the current digital transformation of society, in which information and communication technologies (ICTs) are integrated into everyday economic, social and cultural activities to such an extent that the well-being of individuals depends on them. The growing relevance of ICTs has generated a progressive “datafication of human societies” (Durante, Pagallo, 2022, 8), in which data take on the role of constitutive elements of the digital transformation, since they “define the way we produce, consume and live” (COM EU 2020/66). Against this background, the aim of the course is to investigate the relationship between law and digital society, proceeding in two strands: on the one hand, analysing the regulatory framework concerning “the politics of data” (Durante, Pagallo, 2022); on the other hand, examining the relationship between law, technology and science with particular reference to the role of institutions in the governance of scientific research. Studying the European and national regulatory framework concerning data, special attention is drawn to the processing of personal data and the safeguard of the fundamental right to the protection of personal data and the right to privacy.  In the investigation between law, technology and science, the role of an open, pluralistic and inclusive science in the context of a digital and democratic society will be explored.
Testi di riferimento/Textbooks
L’esame riguarderà i contenuti delle lezioni e prevede lo studio dei seguenti testi: - Massimo Durante, Ugo Pagallo (a cura di), La politica dei dati. Il governo delle nuove tecnologie tra diritto, economia e società, Mimesis edizioni, Milano-Udine, 2022, pp. 123-140; pp. 203-260; - Linee guida del Garante all’applicazione del GDPR (https://www.garanteprivacy.it/regolamentoue/guida-all-applicazione-del-regolamento-europeo-in-materia-di-protezione-dei-dati-personali); - Ludovica Paseri, Scienza aperta: Politiche europee per un nuovo paradigma della ricerca, Mimesis edizioni, Milano-Udine, 2024, pp. 15-43; 65-98; 129-201.
The exam focuses on the content of the lectures and includes the study of the following texts: Massimo Durante, Ugo Pagallo (eds.), La politica dei dati. Il governo delle nuove tecnologie tra diritto, economia e società, Mimesis edizioni, Milano-Udine, 2022, pp. 123-140; pp. 203-260; Guidelines of the Italian data protection authority on the application of the GDPR (https://www.garanteprivacy.it/regolamentoue/guida-all-applicazione-del-regolamento-europeo-in-materia-di-protezione-dei-dati-personali); Ludovica Paseri, Scienza aperta: Politiche europee per un nuovo paradigma della ricerca, Mimesis edizioni, Milano-Udine, 2024, pp. 15-43; 65-98; 129-201.
Obiettivi formativi/Mission
L’obiettivo dell'insegnamento è fornire a studenti e studentesse le conoscenze e gli elementi formativi di base del diritto nella società digitale, per poter padroneggiare le fonti normative del contesto di riferimento e la loro applicazione giurisprudenziale. L’intento è altresì quello di potenziare la capacità argomentativa e sviluppare riflessioni critiche sui principali temi del corso per condurre studenti e studentesse ad esprimersi correttamente nel linguaggio tecnico-giuridico.
The purpose of the course is to provide students with the knowledge and fundamentals of law in the digital society, in order to be able to understand the normative sources of the context and their application. The aim is also to strengthen argumentative skills and develop critical thinking on the main topics of the course in order to lead students to express themselves correctly in technical-legal language.
Prerequisiti/Required background knowledge
Nessuno
None
Metodi didattici/Teaching methods
L'insegnamento si svolgerà attraverso lezioni frontali in presenza, per la durata complessiva di 48 ore. Il corso potrà essere integrato da materiali didattici, presentazioni in ppt, etc. Tutti i materiali integrativi saranno resi disponibili sulla piattaforma Dir.
The course, delivered in presence, consists of 48 teaching hours. The lectures are integrated by reading and study materials, ppt presentations, reports, etc. All the materials will be made available through the Dir platform.
Altre informazioni/Further information
Modalità di verifica dell'apprendimento/Assessment methods
L'esame si svolgerà in forma orale, in un'unica soluzione, su tutto il programma. Si articolerà attraverso domande tese ad accertare sia l'acquisizione della conoscenza del programma d’esame sia la capacità di svolgere argomentazioni e riflessioni critiche sui principali temi indagati nel corso. Ai fini della valutazione si terrà adeguato conto della capacità degli studenti e delle studentesse di esprimersi nel linguaggio tecnico-giuridico.
An oral exam covering the entire syllabus is required to pass the course. It will be structured through questions aimed to ascertain both the acquisition of knowledge of the program and the ability to develop arguments and critical thinking on the main topics investigated throughout the course. The students’ ability to express themselves in technical-legal language will be adequately taken into account in the assessment.
Programma esteso/Content
Il corso si struttura in quattro parti: 1) Introduzione (4h) La parte introduttiva del corso è dedicata all’analisi dei concetti in campo e delle nozioni fondamentali quali quella di “politica dei dati”, “datificazione”, “società ICT-dipendenti”. In questo contesto verrà altresì illustrato il quadro normativo di riferimento, a livello europeo e nazionale. 2) Politica dei dati (14h) Nella seconda parte del corso verranno approfonditi alcuni aspetti problematici del diritto nella società digitale. Il plesso di questioni inedite poste dalla trasformazione digitale rende necessario approfondire (i) i rischi e le opportunità dell’innovazione tecnologica, con specifico riferimento all’intelligenza artificiale; (ii) i vari modelli di governance a disposizione; (iii) le implicazioni delle discriminazioni algoritmiche; (iv) nonché le questioni di proprietà intellettuale connesse ai dati. 3) Protezione dati personali e privacy (15h) La terza parte del corso è dedicata ad un approfondimento del quadro normativo in materia di protezione dei dati personali e privacy a livello europeo e nazionale. Sarà oggetto di studio il Regolamento generale sulla protezione dei dati personali (GDPR) e verranno discussi i temi più problematici relativi al trattamento de dai personali nella società digitale. 4) Scienza aperta (15h) Nell’ultima parte del corso sarà poi indagato il ruolo della scienza nella società digitale, nonché le risposte politiche e istituzionali date alle sfide derivanti dalla trasformazione tecnologica nel contesto della ricerca scientifica. Particolare attenzione sarà dedicata al concetto di apertura della scienza, a come esso sia cambiato nel tempo e all’interpretazione data dalle istituzioni Europee.
The course is structured in four parts:  1) Introduction (4h) The first part of the course is dedicated to the analysis of the concepts and notions such as “politics of data”, “datafication”, “ICT-dependent societies”. In this context, the regulatory framework on data goverance, at European and national level, will be illustrated. 2) Politics of data (14h) In the second part of the course, the attention is drawn to the major legal issues of the digital society. The set of previously unseen issues raised by the digital transformation makes it necessary to delve into (i) the risks and opportunities of technological innovation, with specific reference to artificial intelligence; (ii) the various governance models available; (iii) the implications of algorithmic discrimination; (iv) as well as intellectual property issues related to data.  3) Data Protection and Privacy (15h) The third part of the course is devoted to an in-depth study of the legal framework on personal data protection and privacy at European and national level. The General Data Protection Regulation (GDPR) will be studied and the most problematic issues concerning the processing of personal data in the digital society will be discussed.  4) Open Science (15h)  In the last part of the course, the role of science in the digital society will be investigated, as well as the political and institutional responses given to the challenges arising from the technological transformation in the context of scientific research. Particular attention will be given to the concept of openness of science, how it has changed over time and the interpretation given by European institutions.
Risultati di apprendimento attesi/Intended learning objectives
All’esito di questo insegnamento le studentesse e gli studenti dovranno dimostrare: - di avere acquisito le conoscenze e gli elementi formativi di base del corso; - di conoscere le fonti normative e la loro applicazione giurisprudenziale nell'ambito di riferimento; - di essere in grado di svolgere argomentazioni e riflessioni critiche sui temi del corso; - di comprendere e utilizzare correttamente il linguaggio tecnico-giuridico.
As a result of the course, students are expected to: -  have acquired the basic knowledge and background elements of the course; -  be familiar with the regulatory sources and their application in the relevant field; -  be able to develop arguments and critical thinking on the topics discussed during the course; -  understand and correctly use the technical-legal language.
×
Print
Course
DATA MINING PER DATI SPERIMENTALI
Course ID
MF0613
Academic Year
2024/2025
Year of rule
2024/2025
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
000-GENERICO
Teaching leader
PIOVESAN LUCA
Teachers
Piovesan Luca
CFU
9.0
Teaching duration (hours)
72.0
Individual study time
153.0
SSD
INF/01 - INFORMATICA
Course type
Attività formativa monodisciplinare
Course mandatoriety
OBB
Course category
B
Year
1
Period
Secondo Semestre
Site
VERCELLI
Grading type
V
Lingua insegnamento/Teaching language
ITALIANO
Italian
Contenuti/Content Summary
Il corso presenta le tecniche di machine learning e deep learning avanzate per l'analisi di dati sperimentali. Oltre ad una componente teorica, introduce in laboratorio alle librerie Python più avanzate per la loro implementazione pratica.
The course presents the machine learning and deep learning techniques for the analysis of experimental data. Besides a theoretical component, in laboratory the most advanced Python libraries for ML and DL are introduced.
Testi di riferimento/Textbooks
Bishop, C., Pattern Recognition and Machine Learning, Springer Goodfellow et al., Deep Learning, MIT Press
Bishop, C., Pattern Recognition and Machine Learning, Springer Goodfellow et al., Deep Learning, MIT Press
Obiettivi formativi/Mission
Conoscenza e capacità di comprensione: il corso ha l'obiettivo di fornire allo studente solide conoscenze dei più comuni metodi e strumenti del data mining nell'ambito dell'analisi di dataset complessi o caratteristici dei normali problemi che si incontrano in ambiti generali di raccolta dati. Capacità di applicare conoscenza e comprensione: dato un dataset più o meno complesso, ed una conoscenza del dominio sufficiente, il futuro dottore sarà in grado di condurre autonomamente un’analisi dei dati basata su tecniche di data mining e deep learning, comprensiva delle fasi di pretrattamento dei dati e valutazione dei risultati ottenuti. Questo obiettivo sarà raggiunto anche grazie alla realizzazione in autonomia di un progetto di laboratorio. Autonomia di giudizio: lo studente acquisirà l’abilità di scegliere la miglior strategia modellistica e di analisi e di gestione di problemi complessi in ambito analisi dei dati o apprendimento automatico. Inoltre, acquisirà competenze di valutazione della bontà di modelli ottenuti tramite tecniche di data mining o deep learning. Abilità comunicative: lo studente acquisirà un lessico appropriato in relazione agli argomenti affrontati nel corso, al fine di poter collaborare con altri esperti del settore. Capacità di apprendimento: scopo fondamentale del corso è anche quello di sviluppare la capacità di apprendere autonomamente nuove tecniche di data mining e deep learning particolarmente adatte a settori specifici.
Knowledge and understanding: the course aims at providing students with solid knowledge about the most important data mining methods and instruments, focusing on the analysis of complex and real-world datasets. Applying knowledge and understanding: given a dataset, and an adequate domain knowledge, the future graduate will be able to autonomously carry on a data analysis based on data mining and deep learning techniques, considering also the preprocessing and result evaluation phases. Such a goal will be achieved also by the development of a laboratory project, autonomously carried out by students. Making judgments: students will acquire the ability of choosing the best strategy to manage complex problems in the fields of data analysis and machine learning. In addition, students will acquire competences of evaluation of the models obtained by applying data mining or deep learning techniques. Communication Skills: students will learn an adequate terminology about the arguments presented in the course, in order to be able to collaborate with other experts of the field. Learning Skills: students will acquire the ability of autonomously learning new data mining or deep learning techniques, useful in specific fields.
Prerequisiti/Required background knowledge
Prerequisiti formali: nessuno. Prerequisiti sostanziali: nozioni base di statistica, nozioni base di programmazione Python (tipi di dati, flusso di controllo, funzioni, liste, classi, gestione degli errori)
Formal prerequisites: none. Substantial prerequisites: basic notions of statistics, basic notions of Python programming (data types, Controlling program flow, Functions, Lists, Classes, Exception handling)
Metodi didattici/Teaching methods
Il corso è insegnato in aula e in laboratorio. Nelle lezioni in aula vengono esposte le nozioni fondamentali, corredate di esempi. Viene discussa l'utilità ai fini pratici dei diversi modelli per trattare task e dati differenti. In laboratorio lo studente viene guidato nell'uso dei modelli visti a lezione. Vengono suggeriti diversi dataset da analizzare e viene spiegato come procurarsene di nuovi sia per esercitarsi ulteriormente e discuterne con il docente, sia ai fini dell'esame finale
The course is taught in class and in lab. In class the fundamental notions are presented, along with examples. The presentation is completed with discussions on the usage of different models to solve specific kinds of task for different data. In lab the student is guided in using the models seen in class. Several datasets are proposed for exercises, and it is discussed how to obtain further datasets, to be used both for exercises and for the final test.
Altre informazioni/Further information
L'attività in laboratorio richiede una partecipazione attiva e individuale degli studenti, che in tal modo sviluppano abilità pratiche (le capacità di realizzare un programma). Inoltre, il coinvolgimento attivo li induce a porsi dei quesiti (e spesso di conseguenza a porne al docente); in tal modo si realizza una regolare verifica del modo in cui gli argomenti vengono recepiti. Le studentesse e gli studenti con disabilità o con Disturbi Specifici dell’Apprendimento (DSA) o con Bisogni Educativi Speciali (BES) possono richiedere servizi e strumenti specifici a loro dedicati rivolgendosi allo Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti e consultando la pagina dedicata del sito di Ateneo: https://uniupo.it/it/servizi/servizi-studenti- disabili-e-dsa Le studentesse e gli studenti con disabilità, DSA, BES, una volta preso contatto con lo Staff di Ateneo, possono contattare la/il docente titolare dell'insegnamento
Hands-on activity requires active participation of the students, who this way develop prcatical skills (ability to implement a program). Moreover, he active involvement leads the students to ask themselves questions (and, as a consequence, often to ask questions to the instructor); this allows a regular monitoring of the way the subject is being understood. Students with physical disabilities, Learning Disabilities or Special Education Needs can request specific services and tools via the Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti, consulting the University webpage: https://www.uniupo.it/en/services/services- students-physical-or-learning-disabilities Students with disabilities, learning disabilities or special education needs, once they have contacted the University Staff, can refer to the tutor in charge of the course to define the examination modalities, concerning academic aspects.
Modalità di verifica dell'apprendimento/Assessment methods
Esame orale concernente l'analisi di uno o più dataset, sia con tecniche di machine learning che deep learning. L'obiettivo di questa parte è di verificare che lo studente sia autonomo nella realizzazione di un task su un dataset reale. La presentazione è seguita da una discussione (1-3 domande) sulle tecniche viste a lezione. Il goal della discussioner è di verificare che lo studente abbia acquisito le nozioni teoriche di base viste a lezione.
Oral examination corcerning the analysis of one or more datasets, both with machine learning and deep learning techniques. The goal of this part is to verify that the student is autonomous in the fulfillment of a task on a real dataset. The presentation is followed by a discussion (1-3 questions) regarding the techniques presented during the course. The goal of the discussion is to verify that the student has acquired the basic theoretical notions discussed during the course.
Programma esteso/Content
- Fasi principali di una pipeline di data science (KDD process) - Preprocessing - Normalizzazione, standardizzazione, Discretizzazione, Encoding, 1-hot encoding label encoding - Machine learning supervisionato: Regressione Regressione lineare univariata/multivariata Trade-off bias/variance Regolarizzazione Ridge Lasso Validazione modelli Tecniche di validazione Metriche di valutazione MSE, MAE, R2 - Classificazione Modelli: Decision tree Ensemble learning Random forest Boosted trees KNN Regressione logistica Metriche di valutazione Accuracy, precision, recall, Fb score Machine learning non supervisionato: - Clustering Modelli K-means DBSCAN Clustering gerarchico - Metriche di valutazione Intrinseche SSE, silhouette Estrinseche Rand index, Mutual information - Riduzione dimensionalita' PCA Reti neurali: perceptron funzioni di attivazione (sigmoid, tanh e relu) multilayer perceptron Uso: forward propagation e backpropagation con discesa del gradiente. Ottimizzazioni e regolarizzazioni per reti neurali profonde (problema del gradiente instabile). Convolutional neural networks e uso nella computer vision. Transfer learning. Residual neural network. Recurrent Neural Network. Autoencoders. Adversarial Learning. Python Introduzione a NumPy Scikit-learn API scikit-learn Preprocessing (transformers) Classificazione/Regressione/Clustering (estimators) Pipelines Validazione modelli train_test_split, KFold, cross_val_score, cross_val_predict Metriche di valutazione sklearn.metrics.* Selezione modelli ParameterGrid, GridSearchCV, RandomizedSearchCV Utilizzo di Tensorflow e Keras per modelli di deep learning
- Data science pipeline (KDD process) - preprocessing - normalization, standardization, discretization, encoding, 1-hot encoding, label encoding - Supervised machine learning: regression, linear regression univariate, multivariate. Ridge, lasso regularization. Model validation. MSE, MAE, R2. Classification Models: decision trees, ensemble learning, random forest, Boosted trees KNN Logistic regression. Evaluation metrics: Accuracy, precision, recall, Fb score. Unsupervised ML Clustering: K-means DBSCAN, hierarchical clustering. SSE, silhouette Rand index, Mutual information. PCA. Neural networks: perceptron activation functions (sigmoid, tanh e relu) multilayer perceptron Use: forward propagation and backpropagation with gradient descent. Optimizations and regularizations for deep neural networks (unstable gradient problem). Convolutional neural networks and computer vision. Transfer learning. Residual neural network. Recurrent Neural Network. Autoencoders. Adversarial Learning. Python: introduction to NumPy Scikit-learn API scikit-learn Preprocessing (transformers) Classification/Regression/Clustering (estimators) Pipelines Model validation train_test_split, KFold, cross_val_score, cross_val_predict Evaluation metrics sklearn.metrics.* Model selection: ParameterGrid, GridSearchCV, RandomizedSearchCV Tensorflow and Keras for deep learning
Risultati di apprendimento attesi/Intended learning objectives
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.
Knowledge: Theoretical Knowledge: knowledge of the most recent data mining techniques (pattern recognition, classification, regression, non-linear methods) and a good knowledge of the modern techniques of deep learning. Practical knowledge: knowledge of the main data mining software. Ability of carrying on and of presenting a case study. Competences and skills: Application of the presented techniques: applying, using specific software, the analysis techniques to vertically solve proposed case studies. Evaluation: critically comparing different methods and models. Choose the most suitable approach for a specific problem. Presentation: producing a technical report about the data analysis, using an appropriate terminology about the topics of the course. Learning: being able to use documentation autonomously, in order to acquire the competences needed to solve new problems.
×
Print
Course
ARCHITETTURE COMPUTAZIONALI, RETI E SICUREZZA
Course ID
MF0614
Academic Year
2024/2025
Year of rule
2024/2025
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
000-GENERICO
Teaching leader
Fulcini Tommaso
Teachers
Fulcini Tommaso, Laudadio Lorenzo, Garaccione Giacomo
CFU
12.0
Teaching duration (hours)
96.0
Individual study time
204.0
SSD
INF/01 - INFORMATICA
Course type
Attività formativa monodisciplinare
Course mandatoriety
OBB
Course category
B
Year
1
Period
Secondo Semestre
Site
VERCELLI
Grading type
V
Lingua insegnamento/Teaching language
Italiano
Italian
Contenuti/Content Summary
Il corso offre una panoramica completa delle fondamenta dell'informatica, introducendo gli studenti alle sfaccettature complesse dei sistemi di calcolo, dalle strutture hardware, come processori e supporti di memorizzazione, alla rappresentazione dei dati e al dimensionamento dello spazio di memorizzazione. Inoltre, approfondisce la comprensione degli studenti sulla distinzione tra i vari strati software, inclusi firmware, sistema operativo e applicazioni. Gli studenti esploreranno la complessità delle reti e dei protocolli di comunicazione, comprendendo l'importanza del dimensionamento dei dispositivi in termini di capacità di memorizzazione e potenza di trasmissione. Saranno inoltre portati a familiarizzare con i componenti fondamentali per la connessione alla rete di una varietà di dispositivi, tra cui PC, dispositivi mobili e sensori IoT. Sarà data enfasi all'esplorazione dei requisiti software, sia funzionali che non funzionali, e alla diversità di applicazioni e servizi, disponibili sia localmente che in rete. Questo segmento del corso comprende anche una panoramica sui diversi tipi di licenze software e fornisce un'introduzione al lavoro con UML (Unified Modeling Language), uno strumento standardizzato per la modellazione di software. Infine, gli studenti si immergeranno nel mondo della sicurezza informatica. Saranno introdotti a una vasta gamma di argomenti, tra cui i requisiti di sicurezza, le diverse tipologie di attacchi, l'organizzazione e la gestione degli incidenti, e i protocolli crittografici. Un focus importante sarà dato all'apprendimento dei principi di funzionamento dei firewall e al riconoscimento della varietà di soluzioni crittografiche disponibili, insieme alla comprensione di come queste si relazionino ai requisiti di sicurezza ed efficienza con l'obiettivo di sviluppare negli studenti una consapevolezza critica che li accompagni nel loro futuro percorso professionale.
The course provides a comprehensive overview of the fundamentals of computer science, introducing students to the complex facets of computing systems, from hardware structures, such as processors and storage media, to data representation and storage space sizing. Additionally, it deepens students' understanding of the distinction between various software layers, including firmware, operating system, and applications. Students will explore the complexity of networks and communication protocols, understanding the importance of device sizing in terms of storage capacity and transmission power. They will also be encouraged to familiarize themselves with the fundamental components for connecting a variety of devices to the network, including PCs, mobile devices, and IoT sensors. Emphasis will be placed on exploring software requirements, both functional and non-functional, and on the diversity of applications and services, available both locally and over the network. This segment of the course also includes an overview of the different types of software licenses and provides an introduction to working with UML (Unified Modeling Language), a standardized tool for software modeling. Lastly, students will immerse themselves in the world of computer security. They will be introduced to a wide range of topics, including security requirements, different types of attacks, the organization and management of incidents, and cryptographic protocols. Significant focus will be given to learning the principles of firewall operation and recognizing the variety of cryptographic solutions available, along with understanding how these relate to security and efficiency requirements. The aim is to develop in students a critical awareness that will accompany them in their future professional path.
Testi di riferimento/Textbooks
INFORMATICA DI BASE 7/ED di Dennis Curtin, Kim Foley, Kunal Sen, Cathy Morin, Agostino Marengo, Alessandro Pagano McGraw-Hill Reti di calcolatori e Internet, Un approccio top-down James F. Kurose, Keith W. Ross Pearson Charles Pfleeger & Shari Lawrence Pfleeger & Lizzie Coles-Kemp Security in Computing, 6th Edition Addison-Wesley Professional
INFORMATICA DI BASE 7/ED di Dennis Curtin, Kim Foley, Kunal Sen, Cathy Morin, Agostino Marengo, Alessandro Pagano McGraw-Hill Reti di calcolatori e Internet, Un approccio top-down James F. Kurose, Keith W. Ross Pearson Charles Pfleeger & Shari Lawrence Pfleeger & Lizzie Coles-Kemp Security in Computing, 6th Edition Addison-Wesley Professional
Obiettivi formativi/Mission
Il corso fornisce agli studenti una panoramica completa delle sue fondamenta, equipaggiandoli con strumenti per capire l'importanza delle scelte fatte nei sistemi hardware, applicazioni software, connettività di rete e aspetti di sicurezza. L'obiettivo è che gli studenti siano in grado di interagire in modo informato con gli esperti per valutare correttamente le necessità nel loro specifico ambito applicativo. Il corso si avvale di un approccio pratico, affiancando all'analisi teorica l'analisi di casi di studio e alcune attività di sperimentazione. Ciò aiuta a migliorare la comprensione degli argomenti e a familiarizzare gli studenti con i principali strumenti delle diverse aree specifiche. Gli studenti svilupperanno la conoscenza e la capacità di comprendere la rappresentazione digitale delle informazioni, la loro comunicazione e l'elaborazione tramite strumenti informatici. Il corso fornisce una conoscenza di base sulla struttura e il funzionamento di un sistema di calcolo e dei protocolli di comunicazione, con le loro componenti hardware e software. Inoltre, evidenzia le similitudini e le differenze tra diverse architetture e le mette in relazione con i requisiti di uno specifico contesto applicativo. È posta enfasi sull'esplorazione dei requisiti software, sia funzionali che non funzionali, e sulla varietà di applicazioni e servizi, disponibili sia localmente che in rete. Gli studenti saranno anche introdotti a lavorare con UML (Unified Modeling Language), uno strumento standardizzato per la modellazione del software. Infine, il corso si immerge nel mondo della sicurezza informatica, introducendo gli studenti a una vasta gamma di argomenti. Saranno illustrati i requisiti di sicurezza, le diverse tipologie di attacchi, l'organizzazione e la gestione degli incidenti e i protocolli crittografici. Gli studenti impareranno i principi di funzionamento dei firewall e riconosceranno la varietà di soluzioni crittografiche disponibili, capendo come queste si relazionano ai requisiti di sicurezza ed efficienza. Le competenze acquisite permetteranno agli studenti di apprezzare le potenzialità e i limiti delle diverse architetture di sistemi di calcolo, dei diversi protocolli e dei corrispondenti rischi di sicurezza. Saranno in grado di identificare i requisiti essenziali per un sistema efficace nel loro contesto applicativo, fornendo indicazioni agli esperti incaricati di costruire o adattare il sistema per soddisfare tali requisiti. Gli studenti acquisiranno la capacità di valutare problemi di dimensionamento dei sistemi in funzione del tipo di problemi da risolvere e di sicurezza. Nell'analisi dei requisiti funzionali e non funzionali di sistemi innovativi nel loro campo applicativo, saranno in grado di contribuire alla valutazione dell'adeguatezza della combinazione tra protocolli di comunicazione e dispositivi da adottare, e alla scelta delle misure di sicurezza più opportune, in collaborazione con analisti, sviluppatori esperti e specialisti di sicurezza. Infine, acquisiranno la capacità di utilizzare la terminologia tecnica specifica del settore e di esporre efficacemente le caratteristiche salienti dei problemi applicativi di loro competenza, confrontando possibili soluzioni alternative, sia architetturali che di comunicazione e di protezione, con l'aiuto di esperti del settore. Il corso, inoltre, si propone di fornire agli studenti la capacità di apprendere autonomamente. Saranno in grado di apprezzare e valutare le nuove tecnologie e protocolli che si basano sui principi fondamentali trattati nel corso, aggiornando le proprie conoscenze.
The course provides students with a comprehensive overview of its foundations, equipping them with tools to understand the importance of choices made in hardware systems, software applications, network connectivity, and security aspects. The aim is for students to be able to interact knowledgeably with experts to correctly assess the needs in their specific application area. The course adopts a practical approach, complementing theoretical analysis with case study analysis and some experimentation activities. This helps to improve understanding of the topics and familiarize students with the main tools of different specific areas. Students will develop knowledge and the ability to understand the digital representation of information, their communication, and processing through computer tools. The course provides a basic understanding of the structure and operation of a computing system and communication protocols, with their hardware and software components. In addition, it highlights the similarities and differences between various architectures and relates them to the requirements of a specific application context. Emphasis is placed on exploring software requirements, both functional and non-functional, and on the variety of applications and services, available both locally and online. Students will also be introduced to working with UML (Unified Modeling Language), a standardized tool for software modeling. Finally, the course delves into the world of information security, introducing students to a wide range of topics. Security requirements, different types of attacks, organization and management of incidents, and cryptographic protocols will be illustrated. Students will learn the operating principles of firewalls and will recognize the variety of available cryptographic solutions, understanding how these relate to security and efficiency requirements. The skills acquired will allow students to appreciate the potential and limits of different computing system architectures, different protocols, and corresponding security risks. They will be able to identify the essential requirements for an effective system in their application context, providing guidance to experts responsible for building or adapting the system to meet such requirements. Students will gain the ability to evaluate system sizing problems based on the type of problems to be solved and security. In analyzing the functional and non-functional requirements of innovative systems in their application field, they will be able to contribute to evaluating the suitability of the combination of communication protocols and devices to adopt, and to choosing the most appropriate security measures, in collaboration with analysts, expert developers, and security specialists. Finally, they will acquire the ability to use the specific technical terminology of the sector and to effectively present the salient features of application problems in their field of competence, comparing possible alternative solutions, both architectural and communication and protection, with the help of industry experts. Furthermore, the course aims to provide students with the ability to learn autonomously. They will be able to appreciate and evaluate new technologies and protocols based on the fundamental principles discussed in the course, updating their knowledge.
Prerequisiti/Required background knowledge
Programmazione base in Python
Basic programming in Python
Metodi didattici/Teaching methods
Lezione Frontale Flipped Classroom Esercitazioni
Frontal Lesson Flipped Classrooms Exercises
Modalità di verifica dell'apprendimento/Assessment methods
Esame orale
Esame orale
Programma esteso/Content
Informatica di base (2 CFU) - Panoramica sui concetti di base - Architettura di un elaboratore - Rappresentazione dei dati - Logica booleana Reti (4 CFU) - Introduzione alle reti - Il modello ISO/OSI - Il protocollo Ethernet - Il protocollo IP - I protocolli TCP e UDP - Il protocollo HTTP - Le applicazioni web e l'uso dei metodi HTTP - Esempi in Python - Tipologie di sistemi informativi basati su applicazioni web Definizione dei requisiti software (3 CFU) - Ingegneria dei requisiti - Modellazione concettuale con UML - Definizione dei casi d'uso con UML - Definizione delle narrative dei casi d'uso - Licenze del software Sicurezza (3CFU) - Concetti di base della sicurezza informatica - Crittografia - Sicurezza nel web - Sicurezza nelle comunicazioni di rete - Sicurezza nel cloud - Elementi di privacy
Basic Computer Science (2 CFU) - Overview of basic concepts - Computer architecture - Data representation - Boolean logic Networks (4 CFU) - Introduction to networks - The ISO/OSI model - The Ethernet protocol - The IP protocol - The TCP and UDP protocols - The HTTP protocol - Web applications and the use of HTTP methods - Examples in Python - Types of information systems based on web applications Software requirements definition (3 CFU) - Requirements engineering - Conceptual modelling with UML - Definition of use cases with UML - Definition of use case narratives - Software licensing Security (3CFU) - Basic concepts of computer security - Cryptography - Web security - Security in network communications - Security in the cloud - Elements of privacy
Risultati di apprendimento attesi/Intended learning objectives
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.
Knowledge After taking the examination, students will know: - The mechanisms of data representation; - The criteria for dimensioning the space required for data storage; - The main components of a computer and their interactions; - The characteristics of processors: from CPUs on board integrated systems to multi-core CPUs and GPUs; - The different types of storage media and their classification according to characteristics; - The different types of computing systems, from embedded and wearable to supercomputers; - The distinction between Hardware and Software and the distinction between Hardware, Firmware, Operating System and Applications, according to a layered structure of computer architectures; Virtual machines; - The different types of applications and services (also accessible over the network). - The different types of software licences; - The characteristics of the various communication protocols; - The criteria for sizing devices (also based on storage capacity) and their transmission power; - The main components required to enable the connection of a PC, mobile device or IoT sensor to the network; - The characteristic components of mobile devices and IoT sensors; - The interfacing of IoT devices with mobile applications and from them to cloud systems; - The difference between functional and non-functional requirements - The modelling of a conceptual model - The modelling of system use cases - Security requirements, attacks and their classification, cookies and tracking; - General principles of security and cryptography; - Organisation, procedures, incident management; - Cryptographic algorithms and protocols and their use to achieve security requirements; - Access control and authentication protocols; - HTTPS and TLS protocols; - Introduction to firewalls and other network security devices and the importance of organisational aspects in this area. Skills Students will become familiar with digital technologies, including for network communication, with respect to their potential for solving specific problems. Furthermore, they will gain awareness of security risks and familiarity with protection mechanisms, hardware, software and organisational. In particular, they will be able to - identify data sources and the problems of their acquisition, encoding and storage; in general, determine the amount of data to be processed, in relation to the application context - determine the type of processing to which the data must be subjected in order to assess the computing power required to obtain processing times appropriate to the specific application context; - identify the protocols and type of device best suited to the scenario in question; - understand the basic steps involved in defining the requirements of a system - understand the basic security requirements of one's own application environment, being clear about the possible risks; - relate the various cryptographic tools to the security and efficiency requirements they guarantee. In particular: - characteristics and functioning of digital signatures; - appropriate tools for secrecy and privacy; - mechanisms for secure user identification and access control; - interact with experts in the development of software architectures and hardware sizing to meet the requirements of efficiency, reliability and scalability posed by the specific problem, also with a view to future evolution; - interact with security experts to jointly determine the best tools to use in the specific context; - updating one's knowledge of available technologies, with a view to a continuous search for the most effective solution to the challenges posed by one's application environment.
×
Print
Course
FONDAMENTI DI SISTEMI INTELLIGENTI
Course ID
MF0652
Academic Year
2024/2025
Year of rule
2024/2025
Degree
INTELLIGENZA ARTIFICIALE E INNOVAZIONE DIGITALE
Curriculum
000-GENERICO
Teaching leader
THESEIDER DUPRE' Daniele
Teachers
Giordano Laura, Terenziani Paolo, Theseider Dupre' Daniele
CFU
9.0
Teaching duration (hours)
72.0
Individual study time
153.0
SSD
INF/01 - INFORMATICA
Course type
Attività formativa monodisciplinare
Course mandatoriety
OBB
Course category
B
Year
1
Period
Secondo Semestre
Site
VERCELLI
Grading type
V
Lingua insegnamento/Teaching language
ITALIANO
Italian
Contenuti/Content Summary
Principi e metodologie fondamentali dei sistemi intelligenti basati sulla rappresentazione della conoscenza e ragionamento, ed in particolare di sistemi basati su regole logiche, ontologie e knowledge graphs, sistemi per la pianificazione, ragionamento su vincoli, integrazione di diversi tipi di ragionatori automatici
Fundamental principles and methodologies of intelligent systems based on knowledge representation and reasoning; in particular, systems based on logical rules, ontologies and knowledge graphs, planning systems, constraint reasoning, integration of different automated reasoners
Testi di riferimento/Textbooks
Intelligenza Artificiale. Un approccio moderno. Quarta Edizione. Peter Norvig, Stuart Russel, PEARSON.
Artificial Intelligence: a Moden Approach. Fourth Edition. Peter Norvig, Stuart Russel, PEARSON.
Obiettivi formativi/Mission
Conoscenza e capacità di comprensione: conoscere e comprendere i fondamenti dei sistemi intelligenti basati sulla conoscenza Capacità di applicare conoscenza e comprensione: capacità di applicare i suddetti sistemi a problemi reali anche tratti dai domini degli ambiti applicativi specifici considerati nel corso di studio. Autonomia di giudizio: giudicare l’appropriatezza dei diversi sistemi, metodologie e formalismi per gestire problemi reali Abilità comunicative: capacità di illustrare, sia a livello tecnico che non tecnico, le soluzioni proposte per problemi assegnati durante il corso. Capacità di apprendimento: esercitare la capacità di approfondimento autonomo attraverso la lettura di materiale di approfondimento sugli argomenti del corso.
Knowledge and comprehension: the fundamentals of intelligent knowledge-based systems. Capability to apply knowledge and comprehension: the ability to apply the intelligent knowledge-based systems to real-world problems, related to the domains considered in the course of study. Autonomy of judgment: judging the appropriateness of the different systems, methodologies and formalisms for managing real-world real-world real-world real-world problems Communication skills: ability to explain, both on a technical and non-technical level, the solutions proposed for problems assigned during the course. Learning skills: exercise the ability to study independently by reading in-depth documentation on the topics of the course
Metodi didattici/Teaching methods
Lezioni frontali in aula, esercitazioni.
Lectures, exercises.
Altre informazioni/Further information
Le studentesse e gli studenti con disabilità o con Disturbi Specifici dell’Apprendimento (DSA) o con Bisogni Educativi Speciali (BES) possono richiedere servizi e strumenti specifici a loro dedicati rivolgendosi allo Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti e consultando la pagina dedicata del sito di Ateneo: https://uniupo.it/it/servizi/servizi-studenti-disabili-e-dsa Le studentesse e gli studenti con disabilità, DSA, BES, una volta preso contatto con lo Staff di Ateneo, possono contattare la/il docente titolare dell'insegnamento in relazione alla declinazione delle modalità di esame, in merito agli aspetti didattici.
Students with physical disabilities, Learning Disabilities or Special Education Needs can request specific services and tools via the Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti, consulting the University webpage: https://www.uniupo.it/en/services/services-students-physical-or-learning-disabilities Students with disabilities, learning disabilities or special education needs, once they have contacted the University Staff, can refer to the tutor in charge of the course to define the examination modalities, concerning academic aspects.
Modalità di verifica dell'apprendimento/Assessment methods
Esame orale con domande sui vari argomenti del corso, e includente una presentazione di un argomento approfondito tra quelli proposti dai docenti
Oral examination with question on different topics, and a presentation on a topic among the ones proposed by the lecturers.
Programma esteso/Content
Concetti di base di logica matematica. Rappresentazione della conoscenza e ragionamento mediante regole logiche, ontologie e knowledge graphs. Ragionamento su vincoli. Risoluzione dichiarativa di problemi. Asnwer Set Programming. Supporto alla decisione: principi generali, acquisizione e rappresentazione della conoscenza, metodi inferenziali. La dimensione temporale: problematiche e metodologie di temporal reasoning. Planning classico e ricerca nello spazio degli stati. Planning gerarchico, planning in contesti non-deterministici.
Basic concepts in mathematical logic. Knowledge representation and reasoning with logical rules, ontologies, knowledge graphs. Constraint reasoning, declarative problem solving, answer set programming. Decision support: knowledge acquisition and representation, inferential techniques. The temporal dimension: problems and temporal reasoning methodologies. Classical planning and State-space search. Hierarchical planning, planning in a non-deterministic world.
Risultati di apprendimento attesi/Intended learning objectives
Conoscenza e capacità di comprensione: conoscere e comprendere i fondamenti dei sistemi intelligenti basati sulla conoscenza, con particolare interesse per i sistemi basati su regole logiche, ontologie e knowledge graphs, la pianificazione, il ragionamento su vincoli, l'integrazione di diversi ragionatori automatici. Capacità di applicare conoscenza e comprensione: capacità 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. Autonomia di giudizio: giudicare l’appropriatezza dei diversi sistemi, metodologie e formalismi per gestire problemi reali Abilità comunicative: capacità di illustrare, sia a livello tecnico che non tecnico, le soluzioni proposte per problemi assegnati durante il corso. Capacità di apprendimento: esercitare la capacità di approfondimento autonomo attraverso la lettura di materiale di approfondimento sugli argomenti del corso.
Knowledge: knowledge of the fundamental principles and methodologies of intelligent systems based on knowledge, and in particular for systems based on logical rules, ontologies and knowledge graphs, planning systems, integration of different automated reasoners. Competence and ability: given real problems, the ability to evaluate the adequacy of the systems and methodologies studied to solve them and (ii) to select and apply the most appropriate systems and methodologies to such problems. Autonomy of judgement: judging the appropriateness of different systems, methodologies and formalism for real-world problems Communication: ability of illustrating solutions both for a technical and a non-technical audience. Learning: ability of studying material proposed for essays.
Print guide
Print
Year Course ID Course Teachers SSD Curriculum Site CFU
1 MF0611 Analysis of business system Turolla Andrea SECS-P/07 All VERCELLI 6.0
1 MF0610 Artificial intelligence and decision support Portinale Luigi INF/01 All VERCELLI 9.0
1 MF0614 Computational architectures, networks and security Fulcini Tommaso, Laudadio Lorenzo, Garaccione Giacomo INF/01 All VERCELLI 12.0
1 MF0649 Computational statistics Bongiorno Enea Giuseppe SECS-S/01 All VERCELLI 6.0
1 MF0613 Data mining for experimental data Piovesan Luca INF/01 All VERCELLI 9.0
1 MF0609 Database systems and business intelligence Bottrighi Alessio, Leonardi Giorgio INF/01 All VERCELLI 9.0
1 MF0651 Distributed systems and big data Giannini Paola, Canonico Massimo, Guazzone Marco INF/01 All ALESSANDRIA 12.0
1 MF0652 Foundations of intelligent systems Giordano Laura, Terenziani Paolo, Theseider Dupre' Daniele INF/01 All VERCELLI 9.0
1 MF0612 Law and digital society Paseri Ludovica IUS/09 All VERCELLI 6.0
1 MF0653 Logical knowledge representation and reasoning Giordano Laura, Theseider Dupre' Daniele INF/01 All ALESSANDRIA 9.0
1 MF0616 Machine learning and deep learning Portinale Luigi INF/01 All ALESSANDRIA 9.0
1 MF0650 Philosophy of science Benzi Margherita M-FIL/02 All VERCELLI 6.0
2 MF0623 Applied multi-omics and biomedical instrumentation Danani Andrea, Chiocchetti Annalisa, Raineri Davide, Stecco Alessandro, Distasi Carla, Ferrero Enrico BIO/11, MED/04, MED/36, BIO/09 Bio-medicale VERCELLI 12.0
2 MF0640 Artificial intelligence and business strategy Bertolosi Cristina, Rossi Paolo SECS-S/06, SECS-P/07 Economico-aziendale VERCELLI 10.0
2 MF0633 Artificial intelligence and marketing Goia Aldo, Strazzari Nicola SECS-S/01, SECS-P/08 Economico-aziendale VERCELLI 10.0
2 MF0637 Artificial intelligence, fintech and entrepreneurial finance Bertolosi Cristina, Tenca Francesca SECS-S/06, SECS-P/11 Economico-aziendale VERCELLI 10.0
2 MF0617 Biostatical and epidemiological methods, applied to clinical and to global public health Sacerdote Carlotta, Faggiano Fabrizio, Barizzone Nadia MED/01, MED/42, MED/03 Bio-medicale VERCELLI 9.0
2 MF0646 Clinical decision support and bioinformatics Terenziani Paolo, Montani Stefania, Pennisi Marzio Alfio INF/01 Tecnologico-informatico ALESSANDRIA 9.0
2 MF0655 Computability and complexity Egidi Lavinia INF/01 Tecnologico-informatico ALESSANDRIA 6.0
2 MF0654 Cybersecurity and computer forensics Anglano Cosimo Filomeno INF/01 Tecnologico-informatico ALESSANDRIA 9.0
2 MF0643 Digital democracy Chiarotto Francesca SPS/02 Socio-giuridico-politico ALESSANDRIA 9.0
2 MF0645 Digital justice Heritier Paolo IUS/20 Socio-giuridico-politico ALESSANDRIA 9.0
2 MF0644 Digital sociology Balduzzi Giacomo SPS/07 Socio-giuridico-politico ALESSANDRIA 9.0
2 MF0628 Environmental biology, man-environment effects Nasuelli Martina, Menga Alessio, Ceresa Chiara BIO/05, BIO/10, BIO/19 Bio-medicale VERCELLI 9.0
2 MF0744 Network science and information retrieval Ruffo Giancarlo Francesco INF/01 Tecnologico-informatico ALESSANDRIA 6.0
2 MF0647 Performance evaluation and simulation Franceschinis Giuliana Annamaria, Cerotti Davide INF/01 Tecnologico-informatico ALESSANDRIA 9.0
Data synched: 16/07/2026, 04:09