COMPUTER SCIENCE FOR INDUSTRY 4.0: NETWORKING, BIG DATA MANAGEMENT AND MACHINE LEARNING

Internazionalizzazione della Didattica COMPUTER SCIENCE FOR INDUSTRY 4.0: NETWORKING, BIG DATA MANAGEMENT AND MACHINE LEARNING

0623000004
DIPARTIMENTO DI INGEGNERIA INDUSTRIALE
CORSO DI LAUREA MAGISTRALE
SMART INDUSTRY ENGINEERING
2021/2022

OBBLIGATORIO
ANNO CORSO 1
ANNO ORDINAMENTO 2021
ANNUALE
CFUOREATTIVITÀ
12120LEZIONE
Obiettivi
IL CORSO SI PROPONE DI INTRODURRE LE PRINCIPALI TECNOLOGIE E METODOLOGIE INFORMATICHE ALLA BASE DEL PARADIGMA FUNZIONALE DELL'INDUSTRIA 4.0. IN PARTICOLARE, SI INTRODURRANNO DAPPRIMA I PRINCIPI CHE HANNO GUIDATO E GUIDANO LO SVILUPPO DELLE RETI INFORMATICHE. IN PARTICOLARE, VERRÀ PRESENTATO LO STACK PROTOCOLLARE TCP/IP, INTRODUCENDONE LE PRINCIPALI CARATTERISTICHE FUNZIONALI, E VERRANNO DESCRITTI I PROTOCOLLI E LE TOPOLOGIE DI RETE DI RIFERIMENTO CON PARTICOLARE ATTENZIONE ALLE RETI MESH. INOLTRE, IL CORSO INTRODUCE I CONCETTI DI BASE RELATIVI ALLA CYBER SECURITY. UNA RASSEGNA DEI PRINCIPALI APPROCCI METODOLOGICI E PRATICI RELATIVI ALLA PROGRAMMAZIONE DISTRIBUITA E AI SUOI PARADIGMI FUNZIONALI CHIUDERÀ QUESTA PARTE.
COME CONSEGUENZA DELLA CRESCENTE PERVASIVITÀ DEGLI STRUMENTI INFORMATICI CHE UTILIZZANO L'INTERNET OF THINGS COME PARADIGMA FUNZIONALE PER LE LORO ATTIVITÀ, C'È STATO UN AUMENTO ESPONENZIALE DELLA PRODUZIONE DI DATI. I BIG DATA, IL TERMINE CHE INDICA QUESTO DILUVIO DI DATI, SONO UNO DEGLI ASPETTI PIÙ CARATTERISTICI DEL MONDO DELL'INDUSTRIA 4.0. PERTANTO, NELLA SECONDA PARTE DEL CORSO, VERRÀ INTRODOTTO IL CONCETTO DI BIG DATA. DISCUTEREMO I LIMITI DELLE TECNOLOGIE TRADIZIONALI IN CONTESTI IN CUI IL VOLUME, IL THROUGHPUT O LA TIPOLOGIA RENDONO IMPEGNATIVA LA GESTIONE DEI DATI. VERRANNO PRESENTATE LE ARCHITETTURE, LE TECNICHE E GLI STRUMENTI PIÙ UTILIZZATI SUL MERCATO PER LA GESTIONE E L'ELABORAZIONE DI QUESTA GRANDE QUANTITÀ DI DATI.
INFINE, NELLA SUA TERZA PARTE, IL CORSO FORNIRÀ ANCHE I PRINCIPALI CONCETTI TEORICI DEL MACHINE LEARNING E LE TECNICHE E GLI STRUMENTI ADATTI PER APPLICARE QUESTI APPROCCI IN UN CONTESTO INDUSTRIALE. È PREVISTO UN PROJECT WORK FINALE IN CUI LA PARTE PRATICA UTILIZZERÀ IL LINGUAGGIO PYTHON E I PACCHETTI SOFTWARE OPEN-SOURCE PIÙ UTILIZZATI SUL MERCATO.
Prerequisiti
NESSUN PREREQUISITO.
Contenuti
RETI DI COMPUTER
INTRODUZIONE ALLE RETI DI COMPUTER
LO STACK DI PROTOCOLLO TCP/IP
- LIVELLO DI APPLICAZIONE
- LIVELLO DI TRASPORTO
- LIVELLO INTERNET
- LIVELLO DI COLLEGAMENTO DATI
- LIVELLO FISICO
ARCHITETTURE DI RETE
- WAN; MAN; LAN; PAN
- RETI MESH NELL'IOT INDUSTRIALE
SICUREZZA INFORMATICA
INTRODUZIONE ALLA CYBERSICUREZZA E RELATIVA TERMINOLOGIA. SICUREZZA DELLE INFORMAZIONI, ATTACCHI PASSIVI E ATTIVI, MECCANISMI E SERVIZI DI SICUREZZA
CRITTOGRAFIA SIMMETRICA E ASIMMETRICA MODELLO E CARATTERISTICHE DELLA CRITTOGRAFIA SIMMETRICA, ANALISI CRITTOGRAFICA E ATTACCHI BRUTE FORCE, ALGORITMI DI CRITTOGRAFIA SIMMETRICA, TECNICHE DI SOSTITUZIONE E TRASPOSIZIONE. CRITTOGRAFIA A BLOCCHI, CRITTOGRAFIA FEISTEL, DES, AES, 2DES, 3DES. MODALITÀ DI CRITTOGRAFIA A BLOCCHI CRITTOGRAFIA A CANALE E END-TO-END, DISTRIBUZIONE DELLE CHIAVI. CRITTOGRAFIA ASIMMETRICA MODELLO E CARATTERISTICHE DELLA CRITTOGRAFIA ASIMMETRICA, RSA. DISTRIBUZIONE DELLE CHIAVI (DIFFIE-HELLMAN).
INTRUSIONI, MALWARE (VIRUS, WORM, ECC.), ATTACCHI E CONTROMISURE. DDOS, FIREWALL, PROTEZIONE DEI DATI.
GRANDI DATI
FONTI E CARATTERISTICHE. PIATTAFORMA E ARCHITETTURE.
BASI DI DATI PER BIG DATA
APPROCCI ACID, BASE, SEC E TEOREMA CAP
APPROCCI NOSQL
CLOUD E GRANDI DATI
LINGUAGGI DI ELABORAZIONE DEI BIG DATA
IL LINGUAGGIO PYTHON
INTRODUZIONE ALL'ANALISI E ALLA GESTIONE DEI BIG DATA
APPRENDIMENTO AUTOMATICO
TECNICHE, ALGORITMI E METODOLOGIE
INTELLIGENZA ARTIFICIALE
APPRENDIMENTO PROFONDO
ANALISI DI CASI DI STUDIO
LABORATORIO DI DATA MINING CON AMBIENTI OPEN-SOURCE
Metodi Didattici
IL CORSO PREVEDE
- LEZIONI FRONTALI PER UN TOTALE DI 60 ORE
- ESERCITAZIONI ASSISTITE IN AULA: 20 ORE. GLI STUDENTI DOVRANNO SVILUPPARE, AUTONOMAMENTE O IN PICCOLI GRUPPI, ESERCIZI DI SINTESI SUGLI ARGOMENTI TEORICI PRECEDENTEMENTE INTRODOTTI.
- ATTIVITÀ DI LABORATORIO: 40 ORE. AGLI STUDENTI SARÀ RICHIESTO DI SVILUPPARE, ATTRAVERSO UN APPROCCIO DI PROBLEM-SOLVING, PROJECT WORKS RELATIVI AI PRINCIPALI ARGOMENTI SVILUPPATI NELLA PARTE TEORICA.
Verifica dell'apprendimento
IL RAGGIUNGIMENTO DEGLI OBIETTIVI DIDATTICI È CERTIFICATO DA UN ESAME CON VALUTAZIONE IN TRENTESIMI (IL LIVELLO MINIMO DI SUPERAMENTO È "18" E IL MASSIMO È "30 E LODE"), CHE COMPRENDE UNA PROVA ORALE CHE INCLUDE LA DISCUSSIONE DI UN PROJECT WORK, PRECEDENTEMENTE SVILUPPATO, DELLA DURATA APPROSSIMATIVA DI UN'ORA. DURANTE L'ESAME, LA COMMISSIONE
- VERIFICA IL LIVELLO DI CONOSCENZA DEGLI ARGOMENTI TRATTATI NELLE LEZIONI TEORICHE;
- VERIFICA LA CAPACITÀ DI PRESENTARE SU UN DETERMINATO ARGOMENTO;
- VERIFICA L'AUTONOMIA DI GIUDIZIO NEL PROPORRE L'APPROCCIO PIÙ APPROPRIATO PER ARGOMENTARE QUANTO RICHIESTO.
- ACCERTA LA CAPACITÀ DELLO STUDENTE DI INDIVIDUARE STRATEGIE PER LA SOLUZIONE DI PROBLEMI COMPLESSI.
NELLO SPECIFICO, LA PROVA ORALE CONSISTE IN TRE DOMANDE: LA PRIMA RIGUARDA IL PROJECT WORK E LA SUA STRATEGIA RISOLUTIVA, LA SECONDA E LA TERZA DOMANDA VERTERANNO SUGLI ARGOMENTI TRATTATI DURANTE LE LEZIONI (ES. PRINCIPALI PROTOCOLLI DI RETE, ARCHITETTURE DISTRIBUITE, ESEMPI DI PROGRAMMAZIONE DISTRIBUITA, PRINCIPALI CARATTERISTICHE DEI BIG DATA, BIG DATA ANALYTICS, TECNICHE DI MACHINE LEARNING). LO STUDENTE RAGGIUNGE IL LIVELLO DI ECCELLENZA SE DIMOSTRA LA CAPACITÀ DI FARE COLLEGAMENTI TRA GLI ARGOMENTI TEORICI TRATTATI E DIMOSTRA LA PIENA PADRONANZA DELLE ATTIVITÀ SVOLTE PER SVILUPPARE LA PROVA SCRITTA.
Testi
JAMES F. KUROSE, KEITH W. ROSS, COMPUTER NETWORKS AND THE INTERNET. A TOP-DOWN APPROACH, PEARSON
BRENDAN BURNS, DESIGNING DISTRIBUTED SYSTEMS: PATTERNS AND PARADIGMS FOR SCALABLE, RELIABLE SERVICES, O'REILLY'.
THOMAS ERL, WAJID KHATTAK, PAUL BUHLER, BIG DATA FUNDAMENTALS: CONCEPTS, DRIVERS & TECHNIQUES, PEARSON
MICHAEL MANOOCHEHRI, DATA JUST RIGHT: INTRODUCTION TO LARGE-SCALE DATA & ANALYTICS, 1ST EDITION, PEARSON
PAUL J. DEITEL, HARVEY DEITEL, INTRO TO PYTHON FOR COMPUTER SCIENCE AND DATA SCIENCE: LEARNING TO PROGRAM WITH AI, BIG DATA AND THE CLOUD, PEARSON
  BETA VERSION Fonte dati ESSE3
  • Didattica