2. Docenti
  3. SENATORE Sabrina
  4. Didattica

SEMANTIC TECHNOLOGIES

Sabrina SENATORE SEMANTIC TECHNOLOGIES

0622700104
DIPARTIMENTO DI INGEGNERIA DELL'INFORMAZIONE ED ELETTRICA E MATEMATICA APPLICATA
CORSO DI LAUREA MAGISTRALE
INGEGNERIA INFORMATICA
2023/2024



ANNO CORSO 2
ANNO ORDINAMENTO 2022
SECONDO SEMESTRE
CFUOREATTIVITÀ
324LEZIONE
324ESERCITAZIONE
SABRINA SENATORE T Curriculum
Obiettivi
OBIETTIVI FORMATIVI
L’INSEGNAMENTO FORNISCE GLI STRUMENTI METODOLOGICI E TECNOLOGICI ALLA BASE DEL WEB SEMANTICO PER
RAPPRESENTARE, MEMORIZZARE, INTEGRARE ED INTERROGARE DATABASES, ANCHE OMICI E CLINICI.

CONOSCENZE E CAPACITÀ DI COMPRENSIONE
TECNOLOGIE DEL WEB SEMANTICO CON PARTICOLARE RIFERIMENTO ALLE ONTOLOGIE ED AI LINGUAGGI PER LA
RAPPRESENTAZIONE DELLA CONOSCENZA (RDF/S, OWL) E PER IL REASONING, AI PRINCIPI DI FUNZIONAMENTO
DEI SISTEMI DI MEMORIZZAZIONE DEI DATI SEMANTICI (TRIPLE STORE, GRAPH DATABASE) E DEI LINGUAGGI DI
INTERROGAZIONE (SPARQL), AI PRINCIPI ALLA BASE DEI LINKED OPEN DATA E DEI PRINCIPALI DATASOURCE IN VARI DOMINI COME MEDICI, BIOLOGICI.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE APPLICATE
UTILIZZARE LE TECNOLOGIE SEMANTICHE ED I DATASOURCE PUBBLICI PER MODELLARE DOMINI DI INTERESSE ANCHE RELATIVI AI DATI MEDICI ED OMICI PRODOTTI DA DIVERSI APPLICATIVI PER LA SALUTE DIGITALE. UTILIZZARE LE TECNOLOGIE SEMANTICHE PER LA COSTRUZIONE DI BASI DI CONOSCENZA, ANCHE A SUPPORTO DEL PERSONALE MEDICO PER LO STUDIO E L’ANALISI DI MALATTIE INTEGRANDO LE INFORMAZIONI DISPONIBILI NEI DIVERSI DATASOURCE PUBBLICI (LINKED OPEN DATA).


AUTONOMIA DI GIUDIZIO:
GLI STUDENTI DOVRANNO ESSERE IN GRADO DI:
-MODELLARE OPPORTUNAMENTE UNO SCHEMA ONTOLOGICO E POPOLARLO CON INDIVIDUI;
-GENERARE NUOVE TRIPLE DAL REASONING PER SUSSUNZIONE
-DEFINIRE QUERY IN SPARQL
-USARE TRIPLE STORE PER IL DATA MANIPOLATION



ABILITÀ COMUNICATIVE:
GLI STUDENTI ACQUISIRANNO LA PADRONANZA DELLE TECNOLOGIE CHE CARATTERIZZANO IL SEMANTIC WEB.
DURANTE IL CORSO GLI STUDENTI DOVRANNO PRESENTARE UN ARGOMENTO ASSEGNATO LORO E DESCRIVERLO CON PADRONANZA DELL'ARGOMENTO E ANALISI CRITICA.

CAPACITÀ DI APPRENDIMENTO:
IL CORSO MIRA A STIMOLARE LE CAPACITÀ ANALITICHE E DI RICERCA DEGLI STUDENTI. AL TERMINE DEL CORSO, GLI STUDENTI SARANNO IN GRADO DI IMPIEGARE GLI STRUMENTI METODOLOGICI ED OPERATIVI PER LA PROGETTAZIONE DI APPLICAZIONI CHE RICHIEDANO UN APPROCCIO ONTOLOGICO E SEMANTICO.






Prerequisiti
NESSUN PREREQUISITO RICHIESTO
Contenuti
Unità didattica 1: Semantic Web: nozioni preliminari
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 8/4/0)
- 1 (2 ORE Lezione): INTRODUZIONE; CONCETTI BASILARI DEL SEMANTIC WEB; SEMANTIC WEB LAYER CAKE; BIG DATA E LINKED DATA, Knowledge GRAPH

- 2 (2 ORE Lezione): Metadato e semantica: XML, XML SCHEMA; Namespace, Il Data model RDF; definizione di triple, istanze e asserzioni, nodi vuoti.
- 3 (2 ORE Lezione): Il linguaggio triple-based Turtle. Serializzazioni di RDF in XML e Turtle. Esempi vari.
- 4 (2 ORE lezione): RDF-SCHEMA; Concetto di classe e individuo e proprietà. Dominio e range. Reificazione. REASONING PER SUSSUNZIONE
- 5 (4 ORE Esercitazione): Modellazione mediante RDF Validator di asserzioni in RDF (triple di individui) e RDF-S (triple di classi e proprietà associate alle istanze e relative sussunzioni). Traduzione in Turtle.

CONOSCENZE E CAPACITÀ DI COMPRENSIONE: Il Web semantico e relativi principi, con RIFERIMENTO ALLE tassonomie; Il data model RDF e lo schema RDF-S ; il REASONING per sussunzione

CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: Capacità di modellare a livello semantico un dominio conoscitivo/applicativo usando RDF e RDF-S. Capacità di generare nuove triple per sussunzione. Serializzare RDF in XML e Turtle.


Unità didattica 2: Ontologie, Linguaggi semantici e Modellazione semantica di un dominio

(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 10/6/0)
- 6 (2 ORE Lezione): Cos’è un’ontologia; DEFINIZIONE; APPROCCIO FORMALE; RAPPRESENTAZIONE ONTOLOGICA. TASSONOMIA E ONTOLOGIA
- 7 (2 ORE Lezione): FONDAMENTI DI DESCRIPTION LOGIC; OWL: Classi e Ruoli astratti e concreti; Operatori Logici; REASONING su knowledge base
- 8 (2 ORE Lezione): Restrizioni di ruolo; Open World Assumption (OWA); Relazioni di ruolo e tipologie. OWL2: ulteriori costrutti
- 9 (2 ORE Lezione): . ONTOLOGY ENGINEERING; ONTOLOGY DEVELOPMENT PROCESS; ONTOLOGY MAPPING, MATCHING ALIGNMENT
- 10 (2 ORE Lezione): FOAF, SKOS, ontologie di dominio specifiche in base all’homework assegnato (ad esempio, GENE ONTOLOGY, SSN/SOSA, ecc.); RIUSO DELLE ONTOLOGIE
-11 (2 ore Esercitazione): Protegè: uso dell’ambiente e modellazione dei concetti ontologici di base. Validazione e Identificazioni di Inconsistenze (sia a livello di Abox- popolazione che a livello di T-box classi) del modello mediante l’uso di reasoner integrato.
-12 (4 ore Esercitazione): Modellazione dell'ontologia con Protegè: classi e relazioni di sussunzione, restrizioni di ruolo; Popolazione. Inferenza mediante reasoner integrato in Protegè (ad es. Pellet) per validazione ontologia. Verifica della consistenza della knowledge base definita e risoluzione di eventuali inconsistenze.

CONOSCENZE E CAPACITÀ DI COMPRENSIONE: Concetto di ontologia, schema ontologico e popolamento (knowledge base). Distinzione tra A-box e T-box. Inferenze per restrizioni di classi. Mapping e Allineamento Ontologico. Ontologie note.

CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: Modellare un’ontologia partendo da un dominio di interesse. Definire lo schema ontologico, la popolazione. Uso e integrazione di ontologie note. Verifica e consistenza del modello.

Unità didattica 3: Il linguaggio di interrogazione SPARQL

(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 4/8/0)
- 13 (2 ORE Lezione): Il linguaggio SPARQL ; SPARL Endpoint; LINGUAGGIO DI INTERROGAZIONE RDF-BASED; Struttura di una query: Graph pattern;
- 14 (2 ORE Lezione): Il linguaggio SPARQL ; SPARL Endpoint; LINGUAGGIO DI INTERROGAZIONE RDF-BASED; Named Graphs, I PRINCIPALI TRIPLESTORE; Il Server sparql Apache Jena Fuseki -

12- (2 ORE Esercitazione): Interrogazioni SPARQL da Protegè
13- (2 ORE Esercitazione): Importazione della knowledge base and Interrogazioni SPARQL in Apache Jena Fuseki
14 -(4 ORE Esercitazione): Costruzione di una knowledge base partendo dalla definizione dello schema ontologico, popolamento dell'ontologia e interrogazioni SPARQL, assegnato un dominio di interesse. Riuso di ontologie studiate.

CONOSCENZE E CAPACITÀ DI COMPRENSIONE: Il protocollo/linguaggio SPARQL; le clausole SPARQL per le interrogazioni della knowledge base.
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: Definire query sulla knowledge base; generare nuove triple mediante le clausole di query SPARQL ed estendere ontologia.

Unità didattica 4: I linked data
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO 2/6/0)
- 15 (2 ORE Lezione): I linked (open) data. I principi dei linked data; topologia del Web of Data; Linked Data Publishing patterns, Best practice to produce LOD; Linked data e Knowledge graph.

16- (2 ORE Esercitazione): Il graph database Neo4J, Neo4j RDF & Semantics toolkit– Importare ed esportare linked data come grafi RDF – mapping tra knowledge base locale e linked data- Cipher per interrogare la conoscenza.
17- (4 ORE Esercitazione): Importazione delle asserzioni RDF-based definite nello sviluppo della knowledge base (realizzate nelle attività esercitative precedenti) in Neo4J. Integrazione della knowledge base con linked data associati a schemi pubblici, visualizzazione del grafo RDF ed eventuali viste mediante query.

CONOSCENZE E CAPACITÀ DI COMPRENSIONE: I linked data e il loro ruolo nel Web e nell’ambito dei BIG Data e per la gestione e integrazione di dati. Modalità per trasformare dati strutturati e non strutturati in linked open data.

CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: Capacità di navigare e selezionare i linked open data fruibili sul Web e recuperare dati di interesse; grafi di Linked Data, e costruzione di Linked Data partendo da grafi RDF.


TOTALE ORE LEZIONE/ESERCITAZIONE/LABORATORIO 24/24/0
Metodi Didattici
LEZIONI FRONTALI ED ESERCITAZIONI IN AULA. NELLE LEZIONI FRONTALI VENGONO PRESENTATI GLI ARGOMENTI INTRODUCENDO PROBLEMI NUOVI O DI COMPLESSITÀ CRESCENTE. NELLE ESERCITAZIONI VIENE PROPOSTO UN COMPITO DA ULTIMARE UTILIZZANDO LE TECNICHE PRESENTATE NELLE LEZIONI FRONTALI. E’ PREVISTA UNA VERIFICA COLLETTIVA CON CHIARIMENTI SU EVENTUALI PROBLEMI RISCONTRATI.
Verifica dell'apprendimento
DISCUSSIONE DELL'HOMEWORK FINALE E ESAME ORALE. DURANTE IL CORSO SARANNO ASSEGNATI DEGLI HOMEWORK PER LE VARIE UNITÀ DIDATTICHE. L'ULTIMO HOMEWORK SINTETIZZERÀ I PRINCIPALI CONTENUTI DEL CORSO E VERRÀ PRESENTATO E DISCUSSO IN SEDE D'ESAME.
NELL'ESAME ORALE, LO STUDENTE DEVE DIMOSTRARE DI CONOSCERE TUTTI GLI ARGOMENTI STUDIATI NEL CORSO.
Testi
PASCAL HITZLER, MARKUS KRÖTZSCH, SEBASTIAN RUDOLPH
FOUNDATIONS OF SEMANTIC WEB TECHNOLOGIES
CHAPMAN & HALL/CRC, 2009.

TOM HEATH AND CHRISTIAN BIZER (2011) LINKED DATA: EVOLVING THE WEB INTO A GLOBAL DATA SPACE (PRIMA EDIZIONE). SYNTHESIS LECTURES ON THE SEMANTIC WEB: THEORY AND TECHNOLOGY, 1:1, 1-136. MORGAN & CLAYPOOL.

MATERIALE DIDATTICO INTEGRATIVO SARA' DISPONIBILE NELLA SEZIONE DEDICATA DELL'INSEGNAMENTO ALL'INTERNO DELLA PIATTAFORMA E-LEARNING DI ATENEO (HTTP://ELEARNING.UNISA.IT) ACCESSIBILE AGLI STUDENTI DEL CORSO TRAMITE LE CREDENZIALI UNICHE DI ATENEO.

Altre Informazioni
L'INSEGNAMENTO E' EROGATO IN INGLESE
  BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2024-11-05]