Insegnamento NUMERICAL METHODS FOR INFORMATION TECHNOLOGIES
| Nome del corso di laurea | Informatica |
|---|---|
| Codice insegnamento | A002096 |
| Curriculum | Cybersecurity |
| Docente responsabile | Bruno Iannazzo |
| Docenti |
|
| Ore |
|
| CFU | 6 |
| Regolamento | Coorte 2020 |
| Erogato | Erogato nel 2021/22 |
| Attività | Affine/integrativa |
| Ambito | Attività formative affini o integrative |
| Settore | MAT/08 |
| Anno | 2 |
| Periodo | Primo Semestre |
| Tipo insegnamento | Opzionale (Optional) |
| Tipo attività | Attività formativa monodisciplinare |
| Lingua insegnamento | INGLESE |
| Contenuti | Approfondimenti sugli aspetti numerici legati all'approssimazione, algebra lineare e ottimizzazione non lineare e loro applicazioni alla scienza dei dati e alle tecnologie informatiche. |
| Testi di riferimento | Per gli argomenti di analisi numerica si fa riferimento a dispense del docente e al testo J. Stoer, R. Bulirsch. Introduction to numerical analysis. Springer. 2013. Per gli argomenti opzionali si seguirà un testo di riferimento in inglese, comunicato dal docente. |
| Obiettivi formativi | Approfondimento degli aspetti matematici relativi ad alcune importanti applicazioni legate alla scienza dei dati e alle tecnologie informatica. Capacità di curare gli aspetti della modellistica matematica, dall'astrazione matematica, alla sua interpretazione modellistica, alla simulazione su calcolatore. |
| Prerequisiti | Aspetti base dell'analisi numerica. |
| Metodi didattici | Lezioni frontali e laboratorio con Matlab/Octave. |
| Modalità di verifica dell'apprendimento | Esame orale e seminario. L'orale può essere sostituito con degli esercizi o un seminario o un progetto, se disponibile. |
| Programma esteso | Metodi numerici per problemi di grande dimensione e dati sparsi. Metodi di Krylov. Fattorizzazioni di matrici. Approssimazione ai minimi quadrati e con rango basso (SVD). Metodi numerici per l'ottimizzazione nonlineare. |