Guida degli insegnamenti
Syllabus
Partially translatedTradotto parzialmente
Giacomo DI TOLLO
Lingua di erogazione: INGLESELessons taught in: ENGLISH
Laurea - [ET07] DIGITAL ECONOMICS AND BUSINESS First Cycle Degree (3 years) - [ET07] DIGITAL ECONOMICS AND BUSINESS
Dipartimento: [040002] Dipartimento Scienze Economiche e SocialiDepartment: [040002] Dipartimento Scienze Economiche e Sociali
Anno di corsoDegree programme year : 3 - Secondo Semestre
Anno offertaAcademic year: 2025-2026
Anno regolamentoAnno regolamento: 2023-2024
Opzionale
Crediti: 6
Ore di lezioneTeaching hours: 44
TipologiaType: D - A scelta dello studente
Settore disciplinareAcademic discipline: SECS-S/06 - METODI MATEMATICI DELL'ECONOMIA E DELLE SCIENZE ATTUARIALI E FINANZIARIE
INGLESE
English
Nessun prerequisito è necessario per prendere parte a questo modulo.
No pre-requisites are necessary to attend this course.
Il corso si avvale della modalità blended, con 14 ore di didattica in modalità e-learning Blended (ART. 4 Regolamento e-learning) e 30 ore di didattica in presenza .
The course uses a blended learning approach, with 14 hours of blended e-learning (ART. 4 E-learning Regulations) and 30 hours of classroom teaching.
Al termine del corso lo studente/studentessa dev'essere in grado di: * Conoscere gli aspetti base del calcolo distribuito * Conoscere gli aspetti applicativi fondamentali dell'Intelligenza artificiale
Capacità di applicare conoscenze e comprensione.
Alla fine del corso lo studente/studentessa dev'essere in grado di: * Implementare ed eseguire approcci di intelligenza artificiale per la risoluzione di sistemi complessi
Competenze trasversali.
L'intelligenza artificiale e la sua applicazione a problemi reali è un soggetto multidisciplinare per natura. Le competenza multidisciplinari sono visibili in ogni voce del programma sottomenzionato. Al termine del corso, gli studenti sapranno come sviluppare e implementare un quadro basato sull'analisi, tenendo conto dei criteri appartenenti a tutte le parti interessate coinvolte.
Knowledge and Understanding.
At the end of the course, students should be able to: * Understand the basic aspects of distributed computing * Understand the fundamental applications of artificial intelligence
Capacity to apply Knowledge and Understanding.
At the end of the course, students should be able to: * Implement and execute artificial intelligence approaches for solving complex systems
Transversal Skills.
Artificial intelligence and its application to real-world problems is inherently multidisciplinary. Multidisciplinary expertise is evident in every item of the programme listed below. Upon completion of the course, students will know how to develop and deploy a analytics-based framework, taking into account the criteria belonging to all involved stakeholders.
PROGRAMMA 1. Prospettiva storica 2. Test di Turing 3. Intelligenza artificiale debole e forte 4. Scienze cognitive e macchine intelligenti 5. Classi di applicazione 6. Rappresentazione simbolica e sub-simbolica 7. Introduzione al calcolo distribuito 8. Analisi predittiva dei dati 9. Alberi decisionali e foreste casuali 10. Analisi semantica latente 11. Sistemi di raccomandazione 12. Rilevamento dei valori anomali 13. Analisi delle reti mediche 14. Analisi dei dati geospaziali, temporali e in streaming 15. Analisi del rischio finanziario tramite simulazioni Monte Carlo 16. Problemi di ottimizzazione vincolata, problemi di soddisfazione dei vincoli e risolutori 17. Metaeuristica: metodi basati sulla ricerca locale e metaeuristica basata sulla popolazione 18. Questioni di ricerca
PROGRAM 1. Historical perspective 2. Turing tests 3. Weak and strong Artificial Intelligence 4. Cognitive science and Intelligent Machines 5. Application classes 6. Symbolic and sub-symbolic representation 7. Introduction to Distributed Computing 8. Predictive Data Analysis 9. Decision Trees & Random Forests 10. Latent Semantic Analysis 11. Recommender Systems 12. Outlier Detection 13. Medical Network Analysis 14. Geospatial, Temporal & Streaming Data Analysis 15. Financial Risk Analysis via Monte Carlo Simulations 16. Constrained Optimization Problems, Constraint Satisfaction Problems and solvers 17. Metaheuristics: Local search-based methods and Population-based metaheuristics 18. Research issues
L'esame consiste in una prova scritta al computer e in una presentazione orale su un compito che consiste nello sviluppo di un progetto riguardante un aspetto specifico dell'Intelligenza Artificiale e dei Big Data. Per gli di studenti con disabilità/invalidità o disturbo specifico di apprendimento (DSA), che abbiano fatto debita richiesta di supporto per affrontare lo specifico esame di profitto all’Info Point Disabilità/DSA dell’Ateneo, le modalità di esame saranno adattate alla luce di quanto previsto dalle linee guida di Ateneo (https://www.univpm.it/Entra/Servizi_agli_studenti/Disabilita_e_DSA_Servizio_di_accoglienza).
Criteri di valutazione dell'apprendimento.
Nella prova scritta lo studente deve dimostrare la conoscenza degli argomenti appartenenti al programma
Criteri di misurazione dell'apprendimento.
Il voto sarà espresso in trentesimi. Lo studente supererà l'esame se otterrà almeno 18. È possibile il riconoscimento del massimo dei voti con lode (30 cum laude).
Criteri di attribuzione del voto finale.
Il voto finale viene assegnato sulla base della prova scritta e del lavoro svolto sulla piattaforma Moodle. Gli studenti che dimostrano una padronanza completa della materia ottengono il massimo dei voti. Per gli studenti con disabilità e DSA, su richiesta dello studente, le modalità di svolgimento dell'esame possono essere adattate alla luce delle disposizioni delle Linee guida dell'Università.
Learning Evaluation Methods.
The exam consists of a written computer test and an oral presentation on a task which consists in the development of a project concerning a specific aspect of Artificial Intelligence and Big Data. For students with disabilities/invalidities or specific learning disorders (DSA), who have duly submitted a request for support to take the specific suitability exam at the University Disability/DSA Info Point, the exam methods will be adapted in light of the provisions of the University guidelines (https://www.univpm.it/Entra/Servizi_agli_studenti/Disabilita_e_DSA_Servizio_di_accoglienza).
Learning Evaluation Criteria.
In the written test, the student must demonstrate knowledge of the topics belonging to the program
Learning Measurement Criteria.
The grade will be given in thirtieths. The student will pass the exam if he/she gets at least 18. The award of the highest grade with honors (30 cum laude) is possible.
Final Mark Allocation Criteria.
The final grade is awarded based on the written test and the work done on the moodle platform. Honors are awarded when the student demonstrates full mastery of the subject matter. For students with disabilities and DSA, at the student's request, the manner in which the exam is conducted may be adapted in light of the provisions of the University Guidelines.
[1] Hadoop: The Definitive Guide (4th Ed) Tom White. O'Reilly Media, April 2015. ISBN: 978-1491901632 [2] Learning Spark: Lightning-Fast Big Data Analysis Holden Karau, Andy Konwinski, Patrick Wendell and Matei Zaharia. O'Reilly Media, January 2015. ISBN: 978-1449358624 [3] Advanced Analytics with Spark: Patterns for Learning from Data at Scale (2nd Ed) Sandy Ryza, Uri Laserson, Sean Owen and Josh Wills. O'Reilly Media, July 2017. ISBN: 978-1491972953
[1] Hadoop: The Definitive Guide (4th Ed) Tom White. O'Reilly Media, April 2015. ISBN: 978-1491901632 [2] Learning Spark: Lightning-Fast Big Data Analysis Holden Karau, Andy Konwinski, Patrick Wendell and Matei Zaharia. O'Reilly Media, January 2015. ISBN: 978-1449358624 [3] Advanced Analytics with Spark: Patterns for Learning from Data at Scale (2nd Ed) Sandy Ryza, Uri Laserson, Sean Owen and Josh Wills. O'Reilly Media, July 2017. ISBN: 978-1491972953
Il corso si avvale della modalità blended, con 14 ore di didattica in modalità e- learning Blended (ART. 4 Regolamento e-learning) e 30 ore di didattica in presenza
The course uses a blended learning approach, with 14 hours of blended e-learning (ART. 4 E-learning Regulations) and 30 hours of classroom teaching
Le informazioni contenute nella presente scheda assumono carattere definitivo solo a partire dall'A.A. di effettiva erogazione dell'insegnamento. Academic year 2025-2026
Università Politecnica delle Marche
P.zza Roma 22, 60121 Ancona
Tel (+39) 071.220.1, Fax (+39) 071.220.2324
P.I. 00382520427