Studiare
In questa sezione è possibile reperire le informazioni riguardanti l'organizzazione pratica del corso, lo svolgimento delle attività didattiche, le opportunità formative e i contatti utili durante tutto il percorso di studi, fino al conseguimento del titolo finale.
Tipologia di Attività formativa D e F
Queste informazioni sono destinate esclusivamente agli studenti e alle studentesse già iscritti a questo corso.Se sei un nuovo studente interessato all'immatricolazione, trovi le informazioni sul percorso di studi alla pagina del corso:
Laurea magistrale in Computer Engineering for intelligent Systems - Immatricolazione dal 2025/2026Le attività formative di tipologia D sono a scelta dello studente, quelle di tipologia F sono ulteriori conoscenze utili all’inserimento nel mondo del lavoro (tirocini, competenze trasversali, project works, ecc.). In base al Regolamento Didattico del Corso, alcune attività possono essere scelte e inserite autonomamente a libretto, altre devono essere approvate da apposita commissione per verificarne la coerenza con il piano di studio. Le attività formative di tipologia D o F possono essere ricoperte dalle seguenti attività.
1. Insegnamenti impartiti presso l'Università di Verona
Comprendono gli insegnamenti sotto riportati e/o nel Catalogo degli insegnamenti (che può essere filtrato anche per lingua di erogazione tramite la Ricerca avanzata).
Modalità di inserimento a libretto: se l'insegnamento è compreso tra quelli sottoelencati, lo studente può inserirlo autonomamente durante il periodo in cui il piano di studi è aperto; in caso contrario, lo studente deve fare richiesta alla Segreteria, inviando a carriere.scienze@ateneo.univr.it il modulo nel periodo indicato.
2. Attestato o equipollenza linguistica CLA
Oltre a quelle richieste dal piano di studi vengono riconosciute:
- Lingua inglese: vengono riconosciuti 3 CFU per ogni livello di competenza superiore a quello richiesto dal corso di studio (se non già riconosciuto nel ciclo di studi precedente).
- Altre lingue e italiano per stranieri: vengono riconosciuti 3 CFU per ogni livello di competenza a partire da A2 (se non già riconosciuto nel ciclo di studi precedente).
Tali cfu saranno riconosciuti, fino ad un massimo di 6 cfu complessivi, di tipologia F se il piano didattico lo consente, oppure di tipologia D. Ulteriori crediti a scelta per conoscenze linguistiche potranno essere riconosciuti solo se coerenti con il progetto formativo dello studente e se adeguatamente motivati.
Modalità di inserimento a libretto: richiedere l’attestato o l'equipollenza al CLA e inviarlo alla Segreteria Studenti - Carriere per l’inserimento dell’esame in carriera, tramite mail: carriere.scienze@ateneo.univr.it
3. Competenze trasversali
Scopri i percorsi formativi promossi dal TALC - Teaching and learning center dell'Ateneo, destinati agli studenti regolarmente iscritti all'anno accademico di erogazione del corso https://talc.univr.it/it/competenze-trasversali
Modalità di inserimento a libretto: non è previsto l'inserimento dell'insegnamento nel piano di studi. Solo in seguito all'ottenimento dell'Open Badge verranno automaticamente convalidati i CFU a libretto. La registrazione dei CFU in carriera non è istantanea, ma ci saranno da attendere dei tempi tecnici.
4. Contamination lab
Il Contamination Lab Verona (CLab Verona) è un percorso esperienziale con moduli dedicati all'innovazione e alla cultura d'impresa che offre la possibilità di lavorare in team con studenti e studentesse di tutti i corsi di studio per risolvere sfide lanciate da aziende ed enti. Il percorso permette di ricevere 6 CFU in ambito D o F. Scopri le sfide: https://www.univr.it/clabverona
ATTENZIONE: Per essere ammessi a sostenere una qualsiasi attività didattica, incluse quelle a scelta, è necessario essere iscritti all'anno di corso in cui essa viene offerta. Si raccomanda, pertanto, ai laureandi delle sessioni di dicembre e aprile di NON svolgere attività extracurriculari del nuovo anno accademico, cui loro non risultano iscritti, essendo tali sessioni di laurea con validità riferita all'anno accademico precedente. Quindi, per attività svolte in un anno accademico cui non si è iscritti, non si potrà dar luogo a riconoscimento di CFU.
Insegnamenti e altre attività che si possono inserire autonomamente a libretto valide per l'a.a. 2024/25
| anni | Insegnamenti | TAF | Docente |
|---|---|---|---|
| 1° 2° | Introduzione alla programmazione di smart contract per Ethereum | D |
Sara Migliorini
(Coordinatore)
|
| 1° 2° | Oltre Arduino: dal prototipo al prodotto con microcontroller STM | D |
Franco Fummi
(Coordinatore)
|
| 1° 2° | Progettazione di app REACT | D |
Graziano Pravadelli
(Coordinatore)
|
| 1° 2° | Progettazione di componenti hardware su FPGA | D |
Franco Fummi
(Coordinatore)
|
| anni | Insegnamenti | TAF | Docente |
|---|---|---|---|
| 1° 2° | Linguaggio Programmazione LaTeX | D |
Enrico Gregorio
(Coordinatore)
|
| 1° 2° | Prototipizzazione con Arduino | D |
Franco Fummi
(Coordinatore)
|
| 1° 2° | Sfide di programmazione | D |
Romeo Rizzi
(Coordinatore)
|
| 1° 2° | Tutela dei beni immateriali (SW e invenzione) tra diritto industriale e diritto d’autore | D |
Mila Dalla Preda
(Coordinatore)
|
Data management and machine intelligence (2024/2025)
Codice insegnamento
4S012352
Crediti
12
Coordinatore
Lingua di erogazione
Inglese
Offerto anche nei corsi:
- Deep learning del corso Laurea magistrale in Computer Engineering for Robotics and Smart Industry
- Advanced database & information systems del corso Laurea magistrale in Computer Engineering for Robotics and Smart Industry
Corsi Singoli
Autorizzato
L'insegnamento è organizzato come segue:
Obiettivi di apprendimento
L'obiettivo del corso è consentire agli studenti di acquisire conoscenze approfondite delle metodologie e degli strumenti necessari per gestire grandi moli di dati nei nuovi sistemi non basati sul modello relazionale e di acquisire conoscenze approfondite delle nuove tecniche di machine learning basate su reti profonde per il processamento dei dati. Nel primo modulo, Data Management Systems, si considereranno quindi sistemi basati su modelli semi-strutturati o document-based, NoSQL e modelli estesi con le dimensioni tempo e spazio. In particolare, verranno considerati i sistemi che devono memorizzare dati prodotti anche da sensori e dispositivi mobili in modo tale che sia possibile una corretta integrazione di tali nuove fonti di dati con il sistema informativo aziendale. Lo studente al termine del corso sarà in grado di progettare e interrogare basi di dati non tradizionali con strumenti tipici dell’approccio NoSQL. Nel secondo modulo, lo studente apprenderà i fondamenti delle reti neurali come evoluzione di modelli lineari, inclusa l'architettura, le funzioni di attivazione e la backpropagation. Conoscerà le basi degli algoritmi di ottimizzazione utilizzati nell'addestramento delle reti neurali. Acquisirà compestense sulle architetture di reti neurali di base: lo studente conoscerà vari tipi di reti neurali come le reti neurali convoluzionali (CNN) per l'analisi delle immagini, le reti neurali ricorrenti (RNN) per i dati sequenziali e i transformer per l'elaborazione del linguaggio naturale. Sarà in grado di comprendere i principi di progettazione alla base di queste architetture e delle relative applicazioni, e le teorie matematiche sottostanti. Nondimeno, sarà in grado di applicare le tecniche a problemi reali, capendo quali debbano essere i dati in input e in output. Lo studente comprenderà l'importanza della preelaborazione dei dati e come preparare i dati per l'addestramento. Sarà in grado di applicare tecniche di data augmentation per aumentare la diversità dei dati di addestramento. Infine, acquisirà competenze su achitetture di reti neurali avanzate: Lo studente sarà in grado di affrontare problemi di elaborazione del linguaggio naturale (NLP) e visione artificiale (CV) come la classificazione del testo, il riconoscimento di oggetti e la traduzione automatica. A questo proposito, lo studente saprà come utilizzare strumenti avanzati quali variational encoders, generative adversarial network, NERF, large language models. Lo studente apprenderà anche le basi dell’interpretabilità di una rete neurale. Questo permetterà di offrire strumenti di garanzia sui risultati prodotti dalle reti neurali. Al termine del corso avrà anche acquisito esperienza pratica con framework di deep learning popolari come TensorFlow, PyTorch e Keras. Sarà in grado di creare, addestrare e valutare modelli di deep learning utilizzando questi framework.
Prerequisiti e nozioni di base
Modulo di Data Management: Fondamenti di informatica (logica di programmazione, strutture dati di base), sistemi operativi (gestione dei file, concetti di processi e thread), matematica di base (algebra, logica). TCP/IP e modelli di rete.
Modulo di Deep Learning: Algebra Lineare (Vettori e matrici, operazioni con matrici, autovalori e autovettori, spazi vettoriali e loro trasformazioni), Calcolo (derivate e integrali, derivate parziali), Probabilità e statistica, Programmazione (Python o Matlab), Machine learning (modelli supervisionati e non supervisionati)
Bibliografia
Criteri di composizione del voto finale
Il voto finale viene assegnato come somma dei voti dei due moduli, i quali andranno da 9 (la sufficienza) a 15 (il massimo per un insegnamento). La lode verrà assegnata di comune accordo dai docenti dei due moduli.
