2. Docenti
  3. D'AMBROSIO CIRIACO
  4. Didattica

SISTEMI DI SUPPORTO ALLE DECISIONI

CIRIACO D'AMBROSIO SISTEMI DI SUPPORTO ALLE DECISIONI

0522200049
DIPARTIMENTO DI MATEMATICA
CORSO DI LAUREA MAGISTRALE
MATEMATICA
2025/2026

ANNO CORSO 1
ANNO ORDINAMENTO 2018
SECONDO SEMESTRE
CFUOREATTIVITÀ
648LEZIONE
RAFFAELE CERULLI T Curriculum
CIRIACO D'AMBROSIO Curriculum
Obiettivi
IL CORSO DI SISTEMI DI SUPPORTO ALLE DECISIONI SI PROPONE DI FORNIRE UNA SERIE DI STRUMENTI PER AFFRONTARE PROBLEMI DECISIONALI CARATTERIZZATI DA UN ALTO LIVELLO DI COMPLESSITÀ, DA SITUAZIONI DI INCERTEZZA SUI DATI, O DALLA PRESENZA DI OBIETTIVI MULTIPLI E IN CONFLITTO TRA LORO. INOLTRE, INTRODUCE I PRINCIPALI APPROCCI BASATI SU MODELLI MATEMATICI PER L’APPRENDIMENTO AUTOMATICO (MACHINE LEARNING) E IL DATA MINING PER AFFRONTARE PROBLEMI DI CLASSIFICAZIONE E IDENTIFICAZIONE, REGRESSIONE, E CLUSTERING.
IL CORSO HA UNA FORTE CONNOTAZIONE METODOLOGICA ED APPLICATIVA. OLTRE AL NECESSARIO CONTENUTO TEORICO, IL CORSO DI PROPONE DI FORNIRE LE CONOSCENZE PER L’UTILIZZO DI SOFTWARE TRAMITE IL QUALE RISOLVERE PROBLEMA PRATICI.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE
ALLA FINE DEL CORSO LO STUDENTE:
- CONOSCERÀ I CONCETTI BASILARI DI BIG DATA E DATA MINING;
- COMPRENDERÀ LE DIFFERENZE PRINCIPALI TRA LA DEFINIZIONE CLASSICA DI ALGORITMO E ALGORITMO DI APPRENDIMENTO AUTOMATICO;
- COMPRENDERÀ LE PRINCIPALI DIFFERENZE TRA APPRENDIMENTO SUPERVISIONATO E NON SUPERVISIONATO;
- CONOSCERÀ LE FASI PRINCIPALI PER LA REALIZZAZIONE DI UN SISTEMA DI APPRENDIMENTO AUTOMATICO;
- CONOSCERÀ I PRINCIPALI ALGORITMI DI CLASSIFICAZIONE, REGRESSIONE, E CLUSTERING;
- CONOSCERÀ I FONDAMENTI PRINCIPALI SU CUI SI BASANO LE RETI NEURALI.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE
ALLA FINE DEL CORSO LO STUDENTE SARÀ IN GRADO DI:
- UTILIZZARE STRUMENTI INFORMATICI PER LA REALIZZAZIONE DI SEMPLICI MODELLI DECISIONALI;
- PROGETTARE E REALIZZARE SEMPLICI SISTEMI BASATI SULL’APPRENDIMENTO SUPERVISIONATO;
- PROGETTARE E REALIZZARE SEMPLICI SISTEMI BASATI SULL’APPRENDIMENTO NON SUPERVISIONATO;
- PROGETTARE, REALIZZARE ED APPLICARE UN SISTEMA DI APPRENDIMENTO AUTOMATICO PER L’ATTIVITÀ DI CLASSIFICAZIONE, REGRESSIONE E CLUSTERING IN CONTESTI DIVERSI;
- PROGETTARE E REALIZZARE ED APPLICARE UN SISTEMA DI APPRENDIMENTO AUTOMATICO BASATO SU RETI NEURALI.

AUTONOMIA DI GIUDIZIO
ALLA FINE DEL CORSO LO STUDENTE SARÀ IN GRADO DI:
- SAPER RICONOSCERE IN MODO AUTONOMO ED EFFICACE I MODELLI E I SISTEMI DI APPRENDIMENTO AUTOMATICO PIÙ ADATTI PER LA RISOLUZIONE DEL PROBLEMA IN ESAME;
- CONFIGURARE IL COMPORTAMENTO DI UN SISTEMA AUTOMATICO IN BASE AI RISULTATI OTTENUTI E DI RIUSCIRE AD INTERPRETARE CORRETTAMENTE I RISULTATI.

ABILITÀ COMUNICATIVE
ALLA FINE DEL CORSO LO STUDENTE AVRÀ ACQUISITO ADEGUATE CAPACITÀ DI ANALISI DEI PROBLEMI DECISIONALI. SARÀ IN GRADO DI ANALIZZARE E PRESENTARE GLI APPROCCI RISOLUTIVI A TALI PROBLEMI UTILIZZANDO UNA NOTAZIONE ADEGUATA E UN LINGUAGGIO APPROPRIATO CHE METTA IN LUCE LE COMPETENZE DELLE METODOLOGIE TEORICHE E PRATICHE ACQUISITE. SARÀ, INOLTRE, CAPACE DI REALIZZARE LA PROGETTAZIONE DI UN SISTEMA DI DECISIONE E DI DESCRIVERE IN MODO CHIARO I CONCETTI NECESSARI PER LA COMPRENSIONE DEI PRINCIPI, DEI MODELLI E DEGLI ALGORITMI UTILIZZATI PER LA SUA REALIZZAZIONE.

CAPACITÀ DI APPRENDIMENTO
LO STUDENTE SARÀ IN GRADO DI:
- UTILIZZARE LA DOCUMENTAZIONE DI STRUMENTI INFORMATICI PER LA REALIZZAZIONE DI UN SISTEMA DI APPRENDIMENTO AUTOMATICO;
- UTILIZZARE LIBRERIE SOFTWARE E PROCEDERE ALL’AGGIORNAMENTO CONTINUO DELLE PROPRIE CONOSCENZE, UTILIZZANDO LA LETTERATURA E LA DOCUMENTAZIONE TECNICA DEGLI ALGORITMI E DEGLI STRUMENTI PRESENTATI AL CORSO;
- APPLICARE LE CONOSCENZE ACQUISITE A CONTESTI DIFFERENTI DA QUELLI PRESENTATI DURANTE IL CORSO;
- APPROFONDIRE GLI ARGOMENTI TRATTATI USANDO MATERIALI DIDATTICI O SCIENTIFICI DIVERSI DA QUELLI USATI DURANTE IL CORSO.
Prerequisiti
GLI STUDENTI DEVONO AVERE CHIARI I CONCETTI BASE DI MATEMATICA DISCRETA E RICERCA OPERATIVA E DI TEORIA DELLA PROBABILITÀ E STATISTICA.
Contenuti
IL CORSO PROPONE CONTENUTI DI TIPO SIA SCIENTIFICI SIA TECNOLOGICI.
I CONTRIBUTI SCIENTIFICI RIGUARDANO LE CONOSCENZE NECESSARIE PER SVILUPPARE UN MODULO DI DATA ANALYTICS E RIGUARDANO COMPETENZE DI OTTIMIZZAZIONE APPLICATE A MODELLISTICA DI PROCESSI DECISIONALI.
IN PARTICOLARE VERRANNO AFFRONTATI:
- INTRODUZIONE AI BIG DATA, AL DATA MINING, E AL PROBLEMA DELL'APPRENDIMENTO AUTOMATICO (LEZIONI 6 ORE)
- APPRENDIMENTO SUPERVISIONATO: MODELLI DI MACHINE LEARNING: IL PERCETTRONE, ADALINE, SUPPORT VECTOR MACHINE (LEZIONI 10 ORE)
- APPRENDIMENTO NON SUPERVISIONATO: TECNICHE DI CLUSTER. ALGORITMO K-MEANS (LEZIONI 4 ORE)
- MODELLI PREVISIONALI: RETI NEURALI (FEEDFORWARD, CONVOLUTIONAL, DEEP LEARNING) (LEZIONI 4 ORE)
- UTILIZZO DI STRUMENTI INFORMATICI (HARDWARE E SOFTWARE) PER LA REALIZZAZIONE SI SEMPLICI MODELLI DECISIONALI:
- PRINCIPI DI BASE DEL LINGUAGGIO PYTHON (LEZIONI 4 ORE; ESERCIZI 2 ORE)
- IMPLEMENTAZIONE DEGLI ALGORITMI DI CLASSIFICAZIONE SUPERVISIONATO E LORO ADDESTRAMENTO (LEZIONI 6 ORE; ESERCITAZIONI 2 ORE)
- IMPLEMENTAZIONE DEGLI ALGORITMI DI CLASSIFICAZIONE NON SUPERVISIONATO E LORO ADDESTRAMENTO (LEZIONI 4 ORE; ESERCITAZIONI 2 ORE)
- IMPLEMENTAZIONE DI MODELLI PREVISIONALI (LEZIONI 2 ORE; ESERCITAZIONI 2 ORE)
Metodi Didattici
L’INSEGNAMENTO PREVEDE LEZIONI FRONTALI DELLA DURATA DI 48 ORE COMPLESSIVE (6 CFU), CHE SI SVOLGONO IN AULA CON L’AUSILIO DI PROIEZIONI; ALLA FINE DELLA PRESENTAZIONE DI UN ARGOMENTO SONO PREVISTI VARI ESEMPI APPLICATIVI ED ESERCITAZIONI. NELLE ESERCITAZIONI IN AULA VIENE ASSEGNATO AGLI STUDENTI UN ESERCIZIO DA RISOLVERE UTILIZZANDO LE TECNICHE PRESENTATE NELLE LEZIONI TEORICHE E APPLICATIVE. LO SVOLGIMENTO DEL PROBLEMA È GUIDATO DAL DOCENTE E TENDE A SVILUPPARE E RAFFORZARE LE CAPACITÀ DELL’ALLIEVO DI IDENTIFICARE E APPLICARE LE TECNICHE PIÙ IDONEE ALLA RISOLUZIONE DELL’ESERCIZIO.
Verifica dell'apprendimento
LA PROVA DI ESAME È FINALIZZATA A VALUTARE NEL SUO COMPLESSO LE CONOSCENZE E LE CAPACITÀ DI COMPRENSIONE DEI CONCETTI PRESENTATI A LEZIONE, NONCHÉ LA CAPACITÀ DI APPLICARE TALI CONOSCENZE NELLA RISOLUZIONE DI PROBLEMI DECISIONALI.
LA PROVA DI ESAME CONSISTE IN UN COLLOQUIO ORALE SUI CONTENUTI DEL CORSO TRAMITE IL QUALE SARANNO VALUTATE LE CONOSCENZE ACQUISITE IN MERITO SIA AGLI ASPETTI TEORICI CHE A QUELLI APPLICATIVI PER LA RISOLUZIONE DI PROBLEMI DECISIONALI.
LA VALUTAZIONE DELL'ORALE È ESPRESSA IN TRENTESIMI E TIENE CONTO DELLA CAPACITÀ DI DESCRIZIONE DEL FUNZIONAMENTO DEGLI ALGORITMI PRESENTATI A LEZIONE E DELLA CAPACITÀ DI ESPORRE IN MODO CHIARO E SINTETICO GLI ARGOMENTI STUDIATI.
IL LIVELLO DI VALUTAZIONE MINIMO (18) È ATTRIBUITO QUANDO LO STUDENTE MOSTRA UNA CONOSCENZA FRAMMENTARIA DEI CONTENUTI TEORICI E UNA LIMITATA CAPACITÀ DI FORMULARE I PROBLEMI DECISIONALI E DI APPLICARE GLI ALGORITMI RISOLUTIVI.
IL LIVELLO DI VALUTAZIONE MASSIMO (30) È ATTRIBUITO QUANDO LO STUDENTE DIMOSTRA UNA CONOSCENZA COMPLETA ED APPROFONDITA DEGLI ARGOMENTI DEL CORSO E MOSTRA UNA NOTEVOLE CAPACITÀ DI INDIVIDUARE I METODI PIÙ APPROPRIATI PER RISOLVERE I PROBLEMI DECISIONALI AFFRONTATI.
LA LODE VIENE ATTRIBUITA QUANDO IL CANDIDATO DIMOSTRA SIGNIFICATIVA PADRONANZA DEI CONTENUTI TEORICI ED OPERATIVI E MOSTRA DI SAPER PRESENTARE GLI ARGOMENTI CON NOTEVOLE PROPRIETÀ DI LINGUAGGIO E CAPACITÀ DI ELABORAZIONE AUTONOMA ANCHE IN CONTESTI DIVERSI DA QUELLI PROPOSTI DAL DOCENTE NELLE ATTIVITÀ DIDATTICHE.
Testi
- SEBASTIAN RASCHKA, VAHID MIRJALILI: PYTHON MACHINE LEARNING - THIRD EDITION, 2019.
- AURÉLIEN GÉRON: HANDS-ON MACHINE LEARNING WITH SCIKIT-LEARN KERAS AND TENSORFLOW 2ND EDITION, O'REILLY, 2019.
- HORSTMANN CAY, RANCE D. NECAISE: CONCETTI DI INFORMATICA E FONDAMENTI DI PYTHON, SECONDA EDIZIONE, APOGEO, MAGGIOLI EDITORE, 2019.
- GEORGE L. NEMHAUSER, LAURENCE A. WOLSEY, INTEGER AND COMBINATORIAL OPTIMIZATION, 1999.
- DIMITRIS BERTSIMAS, JACK DUNN, MACHINE LEARNING UNDER A MODERN OPTIMIZATION LENS, DYNAMIC IDEAS LLC, 2019
- APPUNTI DELLE LEZIONI FORNITI DAL DOCENTE DURANTE IL CORSO.
Altre Informazioni
- EMAIL: RAFFAELE@UNISA.IT
- IL CORSO È EROGATO IN ITALIANO;
- LA FREQUENZA NON È OBBLIGATORIA MA CALDAMENTE CONSIGLIATA;
- GLI ESERCIZI SVOLTI E LE PRECEDENTI TRACCE DI ESAME SONO DISPONIBILI SULLA PAGINA WEB DEL DOCENTE: HTTPS://DOCENTI.UNISA.IT/001227/RISORSE
- L’ORARIO DI RICEVIMENTO È DISPONIBILE SULLA PAGINA WEB DEL DOCENTE: HTTPS://DOCENTI.UNISA.IT/001227/HOME
  BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2025-10-07]