ID:
A001858
Durata (ore):
48
CFU:
6
Url:
DATA SCIENCE/FORENSICS Anno: 2
Anno:
2023
Dati Generali
Periodo Di Attività
Primo Semestre (25/09/2023 - 12/01/2024)
Syllabus
Obiettivi Formativi
L'obiettivo del corso è quello di presentare agli studenti le opportunità e le problematiche relative all’utilizzo del Machine Learning in ambienti di calcolo distribuito (come il Cloud e l’Edge computing). In particolare, vengono analizzate le differenti tecnologie che rendono il Machine Learning fruibile anche in sistemi con limitare risorse di calcolo (nodi Edge), che permettono di bilanciare il carico computazionale tra nodi Edge e Cloud, e che implementano il Federated Learning. Vengono inoltre presentati casi applicativi specifici per comprendere l’effettiva applicabilità delle soluzioni tecnologiche esaminate.
Al termine del corso lo studente è in grado di:
- conoscere le caratteristiche fondamentali alla base del Cloud e dell’Edge computing;
- identificare i vantaggi e gli svantaggi dell’adozione di specifici framework per il Machine Learning in sistemi Cloud ed Edge;
- riconoscere gli strumenti tecnologici più adeguati a rispondere alle esigenze di analisi dei dati in casi applicativi specifici;
- implementare soluzioni basate sul Machine Learning per soddisfare specifici requisiti funzionali e non funzionali.
Al termine del corso lo studente è in grado di:
- conoscere le caratteristiche fondamentali alla base del Cloud e dell’Edge computing;
- identificare i vantaggi e gli svantaggi dell’adozione di specifici framework per il Machine Learning in sistemi Cloud ed Edge;
- riconoscere gli strumenti tecnologici più adeguati a rispondere alle esigenze di analisi dei dati in casi applicativi specifici;
- implementare soluzioni basate sul Machine Learning per soddisfare specifici requisiti funzionali e non funzionali.
Prerequisiti
Conoscenze di programmazione, di elementi
di Machine Learning e reti di calcolatori.
di Machine Learning e reti di calcolatori.
Metodi Didattici
Al fine di raggiungere gli obiettivi formativi previsti, il corso si articola attraverso lezioni frontali, esercitazioni in aula, esercitazioni guidate dal docente. Tutte le attività sono svolte con supporto di slide delle lezioni. Le slide presentate sono condivise tramite la piattaforma di e-learning di Ateneo.
Verifica Apprendimento
La verifica dell’apprendimento si basa principalmente su una prova orale, al fine di accertare le conoscenze e le abilità maturate dallo studente, nonché la capacità di esprimersi utilizzando il linguaggio tecnico specifico.
La prova orale ha una valutazione massima di 26.
La verifica prevede un progetto opzionale, a scelta dello studente. Il progetto viene discusso in sede di prova orale ed ha una valutazione compresa tra 0 e 6.
Il voto finale è dato dalla somma del voto del test, quello dell’esame orale ed, eventualmente, del progetto.
La prova orale ha una valutazione massima di 26.
La verifica prevede un progetto opzionale, a scelta dello studente. Il progetto viene discusso in sede di prova orale ed ha una valutazione compresa tra 0 e 6.
Il voto finale è dato dalla somma del voto del test, quello dell’esame orale ed, eventualmente, del progetto.
Testi
Edge Computing, Fundamentals, Advances and Applications. K. Anitha Kumari, G. Sudha Sadasivam, D. Dharani, M. Niranjanamurthy. CRC Press, 2022. ISBN 9781032126081
AI at the Edge. Daniel Situnayake, Jenny Plunkett. O'Reilly Media, Inc.2023. ISBN 9781098120207
AI at the Edge. Daniel Situnayake, Jenny Plunkett. O'Reilly Media, Inc.2023. ISBN 9781098120207
Contenuti
Computing paradigms: the major impacts of computing, parallel computing, shared memory systems, distributed memory systems, hybrid model, distributed computing, cluster computing, high-performance clusters, load balancing clusters, high-availability clusters, utility computing, grid computing.
Cloud Computing: characteristics of Cloud environments, Cloud models, Cloud services models, Cloud deployment models, other computing paradigms, ubiquitous computing, Jungle computing, fog computing, osmotic computing.
Edge Computing: Edge computing architecture, Edge devices, Edge server cluster, Cloud server, IoT devices, network management and control, orchestration, Edge computing interfaces and middleware.
Edge Analytics: types of data, data analytics, domains benefiting from big data analytics, real-time applications of data analytics, phases of data analytics, collection and pre-processing, machine learning-model building, performance evaluation, types of data analytics, Edge data analytics, machine learning for Edge devices
Discrete-Event Simulation: main components of a DES, Omnet++. Omnet++ modelling approach for distributed systems.
Cloud Computing: characteristics of Cloud environments, Cloud models, Cloud services models, Cloud deployment models, other computing paradigms, ubiquitous computing, Jungle computing, fog computing, osmotic computing.
Edge Computing: Edge computing architecture, Edge devices, Edge server cluster, Cloud server, IoT devices, network management and control, orchestration, Edge computing interfaces and middleware.
Edge Analytics: types of data, data analytics, domains benefiting from big data analytics, real-time applications of data analytics, phases of data analytics, collection and pre-processing, machine learning-model building, performance evaluation, types of data analytics, Edge data analytics, machine learning for Edge devices
Discrete-Event Simulation: main components of a DES, Omnet++. Omnet++ modelling approach for distributed systems.
Lingua Insegnamento
Lingua Inglese
Corsi
Corsi
DATA SCIENCE
Laurea Magistrale
2 anni
No Results Found
Persone
Persone
Professori/esse Associati/e
No Results Found