2. Docenti
  3. Didattica

METODI NUMERICI PER L'ANALISI DEI DATI IN AMBITO CYBERSECURITY

Angelamaria CARDONE METODI NUMERICI PER L'ANALISI DEI DATI IN AMBITO CYBERSECURITY

0522700012
DIPARTIMENTO DI INFORMATICA
CORSO DI LAUREA MAGISTRALE
SICUREZZA INFORMATICA E TECNOLOGIE CLOUD
2024/2025

ANNO CORSO 2
ANNO ORDINAMENTO 2023
PRIMO SEMESTRE
CFUOREATTIVITÀ
432LEZIONE
216LABORATORIO
ANGELAMARIA CARDONE T Curriculum
DAJANA CONTE Curriculum
Obiettivi
L’INSEGNAMENTO HA L’OBIETTIVO DI FORNIRE LA CONOSCENZA TEORICA DI BASE E PROMUOVERE LO SVILUPPO DELLE ABILITÀ DI UTILIZZO DI METODI NUMERICI PER L’ANALISI DEI DATI IN AMBITO CYBERSECURITY.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE
LO STUDENTE ACQUISIRÀ CONOSCENZE E COMPRENSIONE IN MERITO A:
•LO STUDIO DELL’INFORMAZIONE: RICERCA E ANALISI DI TESTI, SELEZIONE DI INFORMAZIONI RILEVANTI, MODALITÀ DI DIFFUSIONE DI INFORMAZIONE E DISINFORMAZIONE;
•METODI DI ALGEBRA LINEARE NUMERICA FINALIZZATI ALL’ACQUISIZIONE DELLE INFORMAZIONI RILEVANTI ED ALLO STUDIO DI RETI COMPLESSE;
•LE PRINCIPALI METRICHE DI CENTRALITÀ IN UN GRAFO, MIRATE ALLA COMPRENSIONE DEI NODI DI UNA RETE CAPACI DI ACQUISIRE O FORNIRE PIÙ INFORMAZIONE;
•ALCUNI MODELLI DIFFERENZIALI PER LA DIFFUSIONE DI INFORMAZIONI E DI MALWARE;
•I PRINCIPALI FONDAMENTI MATEMATICI DEL MACHINE LEARNING, CON PARTICOLARE ATTENZIONE ALLE RETI NEURALI ARTIFICIALI ED ALLE TECNICHE NUMERICHE FONDANTI PER LA LORO APPLICAZIONE.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE
LO STUDENTE SARÀ CAPACE DI
•ANALIZZARE METODI NUMERICI;
•SVILUPPARE E UTILIZZARE SOFTWARE MATEMATICO PER LA SELEZIONE DELLE INFORMAZIONI RILEVANTI, PER IL CALCOLO DI DIVERSE METRICHE DI CENTRALITÀ IN UN GRAFO, PER MODELLIZZARE LA DIFFUSIONE DI INFORMAZIONI

AUTONOMIA DI GIUDIZIO
LO STUDENTE SARÀ IN GRADO DI:
•SELEZIONARE IL METODO NUMERICO PIÙ ADATTO AL PROBLEMA IN ESAME ATTRAVERSO L’ANALISI DELLE CARATTERISTICHE DEL PROBLEMA STESSO;
•ANALIZZARE DIVERSI CASI STUDIO, RELATIVI AD ARGOMENTI TRATTATI DURANTE IL CORSO, MEDIANTE OPPORTUNI MODELLI MATEMATICI, CONFRONTANDO I RISULTATI OTTENUTI DA TALI MODELLI CON I DATI A DISPOSIZIONE.

ABILITÀ COMUNICATIVE
LO STUDENTE SARÀ IN GRADO DI:
•ESPORRE IN MANIERA CHIARA I CONTENUTI TEORICI RELATIVI AGLI ARGOMENTI TRATTATI DURANTE LE LEZIONI FRONTALI;
•REALIZZARE PROGETTI IN GRUPPO, PER RISOLVERE PROBLEMI RELATIVI AGLI ARGOMENTI DEL CORSO, E RELAZIONARE SULL’ATTIVITÀ SVOLTA.

CAPACITÀ DI APPRENDIMENTO
LO STUDENTE SARÀ IN GRADO DI:
•UTILIZZARE STRUMENTI BIBLIOGRAFICI TRADIZIONALI E LE RISORSE INFORMATICHE DI ANALISI E DI ARCHIVIAZIONE.




Prerequisiti
ELEMENTI DI MATEMATICA DISCRETA E DI CALCOLO MATRICIALE.
Contenuti
1.FONDAMENTI DI CALCOLO MATRICIALE. ANALISI DI DATI ATTRAVERSO LA FATTORIZZAZIONE SVD DI MATRICI: PRINCIPAL COMPONENT ANALYSIS, LATENT SEMANTIC ANALYSIS. COMPRESSIONE DI IMMAGINI. SISTEMI DI RACCOMANDAZIONE. TECNICHE DEL GRADIENTE E DEL NEAREST NEIGHBORS. (12 ORE)
2.METODI MATRICIALI PER L’ANALISI DELLE RETI COMPLESSE: GRAFI E MATRICI, CONNETTIVITÀ E RETI DI ADIACENZA. MISURE DI CENTRALITÀ E COMUNICABILITÀ, SOMIGLIANZA E DISTANZA BASATE SU TECNICHE SPETTRALI E FUNZIONI DI MATRICI. METODI HITS E PAGE RANK PER IL RANKING DI RETI COMPLESSE. (12 ORE)
3.DISINFORMAZIONE E FAKE NEWS. MODELLI EPIDEMIOLOGICI PER L’ANALISI DELLA DIFFUSIONE DELL’INFORMAZIONE. APPLICAZIONE DI MODELLI EPIDEMIOLOGICI ANCHE PER LA DIFFUSIONE DI MALWARE. (12 ORE)
4.TECNICHE NUMERICHE PER IL DEEP LEARNING: FUNZIONI DI ATTIVAZIONE E FUNZIONI DI COSTO, DISCESA DEL GRADIENTE, DISCESA STOCASTICA DEL GRADIENTE. MODELLI LINEARI: I MINIMI QUADRATI. RETI NEURALI ARTIFICIALI, BACKPROPAGATION, PHYSICS-INFORMED NEURAL NETWORKS. (12 ORE)
Metodi Didattici
6 CFU, 48 ORE PER:
-LEZIONI FRONTALI (32 ORE)
-LABORATORIO (16 ORE)

LE LEZIONI FRONTALI IN AULA PRESENTERANNO I FONDAMENTI TEORICI CHE PERMETTERANNO AGLI STUDENTI DI APPLICARE TALI CONOSCENZE NELLE LEZIONI DI LABORATORIO.
PER CIASCUNO DEGLI ARGOMENTI TRATTATI VERRANNO PRESENTATE SITUAZIONI DI INTERESSE NELLA REALTÀ CHE RICHIEDONO L'USO DELLE METODOLOGIE NUMERICHE STUDIATE.
Verifica dell'apprendimento
- PROVA PRATICA: ESECUZIONE DEL SOFTWARE MATEMATICO SVILUPPATO O UTILIZZATO NELLE LEZIONI DI LABORATORIO. TALE PROVA MIRA A VERIFICARE LA CAPACITÀ DELLO STUDENTE DI RISOLVERE SEMPLICI PROBLEMI RELATIVI ALL’ANALISI DEI DATI E DI CONFRONTARE LE PRESTAZIONI DI CODICI DIVERSI.
- COLLOQUIO ORALE SUI CONTENUTI TEORICI PER VERIFICARE LA CONOSCENZA DELLE NOZIONI DI BASE DEI METODI NUMERICI TRATTATI PER PROBLEMI RELATIVI ALL’ANALISI DEI DATI.

- PER GLI STUDENTI CHE FREQUENTANO IL CORSO SONO PREVISTE DUE PROVE IN ITINERE DI ESONERO, SECONDO LE STESSE MODALITÀ DELL’ESAME.
Testi
A. TESTI DI RIFERIMENTO
1.BRUNTON, S., & KUTZ, J. (2019). DATA-DRIVEN SCIENCE AND ENGINEERING: MACHINE LEARNING, DYNAMICAL SYSTEMS, AND CONTROL. CAMBRIDGE UNIVERSITY PRESS.
2.DAVID C. ANASTASIU, ET AL., BIG DATA AND RECOMMENDER SYSTEMS, 2016.
3.CHRISTOPHER R. ABERGER, RECOMMENDER: AN ANALYSIS OF COLLABORATIVE FILTERING TECHNIQUES, 2016,
4.N. LANGVILLE, C. D. MEYER: GOOGLE'S PAGERANK AND BEYOND. PRINCETON UNIV. PRESS, 2006.
5.CATHERINE F. HIGHAM AND DESMOND J. HIGHAM, DEEP LEARNING: AN INTRODUCTION FOR APPLIED MATHEMATICIANS | SIAM REVIEW
6.MICHELE BENZI, PAOLA BOITO, MATRIX FUNCTIONS IN NETWORK ANALYSIS - BENZI - 2020 - GAMM-MITTEILUNGEN - WILEY ONLINE LIBRARY
7.MARTIN ATZMUELLER, RUSHED KANAWATI, EXPLAINABILITY IN CYBER SECURITY USING COMPLEX NETWORK ANALYSIS: A BRIEF METHODOLOGICAL OVERVIEW (ACM.ORG)
8.MICHAEL MUHLMEYER, SHAURYA AGARWAL, INFORMATION SPREAD IN A SOCIAL MEDIA AGE, MODELING AND CONTROL, WITH MATLAB EXAMPLES AND CASE STUDIES, TAYLOR & FRANCIS, 2021.
9.NETWORKS: AN INTRODUCTION, MARK E. J. NEWMAN. 2010, OXFORD UNIVERSITY PRESS
10. DIAPOSITIVE DEL CORSO HTTP://ELEARNING.INFORMATICA.UNISA.IT

B. TESTI DI CONSULTAZIONE
-V. COMINCIOLI, METODI NUMERICI E STATISTICI PER LE SCIENZE APPLICATE, MILANO, AMBROSIANA, 1992.
-T. HASTIE, R. TIBSHIRANI J. FRIEDMAN: THE ELEMENTS OF STATISTICAL LEARNING: DATA MINING, INFERENCE, AND PREDICTION. SECOND EDITION, 2009
-I.T. JOLLIFFE, PRINCIPAL COMPONENT ANALYSIS, SECOND EDITION, SPRINGER, 2002
-A FIRST COURSE IN NETWORK THEORY. ESTRADA, ERNESTO, AND PHILIP A. KNIGHT. OXFORD UNIVERSITY PRESS, USA, 2015.
Altre Informazioni
ANCARDONE@UNISA.IT; DAJCONTE@UNISA.IT
Orari Lezioni

  BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2024-11-18]