Insegnamento NUMERICAL METHODS FOR INFORMATION TECHNOLOGIES
- Corso
- Informatica
- Codice insegnamento
- A002096
- Curriculum
- Cybersecurity
- Docenti
-
- Bruno Iannazzo (Codocenza)
- Ore
- 47 ore (Codocenza) - Bruno Iannazzo
- CFU
- 6
- Regolamento
- Coorte 2024
- Erogato
- 2025/26
- Attività
- Affine/integrativa
- Ambito
- Attività formative affini o integrative
- Settore
- MAT/08
- Tipo insegnamento
- Opzionale (Optional)
- Tipo attività
- Attività formativa monodisciplinare
- Lingua insegnamento
- Inglese (o Italiano se scelto da tutti gli studenti).
- Contenuti
- Approfondimenti sugli aspetti numerici legati all'approssimazione, algebra lineare e ottimizzazione non lineare e loro applicazioni alla scienza dei dati.
- 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 informatiche. Capacità di curare gli aspetti della modellistica matematica, dall'astrazione matematica, alla sua interpretazione modellistica, alla simulazione su calcolatore.
- Prerequisiti
- Metodi didattici
- Lezioni frontali e laboratorio con Matlab/Octave.
- Altre informazioni
- Modalità di verifica dell'apprendimento
- Esame orale e seminario. L'orale può essere sostituito con un seminario e/o un progetto, se disponibile. La finalità della prova orale è la valutazione della comprensione degli argomenti del corso e della padronanza nel loro utilizzo. La finalità del seminario è la valutazione della capacità dello studente di presentare un argomento legato al corso ma studiato in autonomia. Per informazioni sui servizi di supporto agli studenti con disabilità e/o DSA visita la pagina http://www.unipg.it/disabilita-e-dsa
- Programma esteso
- Approssimazione ai minimi quadrati (fitting lineare) e decomposizione ai valori singolari (principal component analysis). Fattorizzazione QR e fattorizzazione non negativa. Problemi di grandi dimensioni: metodi di Krylov, trasformata veloce di Fourier. Ottimizzazione non lineare e su varietà differenziabile. Durante il corso verranno considerate alcune delle applicazioni delle teorie e metodi studiati alla scienza dei dati e alle tecnologie informatiche: fitting di dati; problemi di classificazione; machine learning.