Obiettivi Formativi

Far conoscere le teorie e le metodologie algoritmiche per la soluzione di problemi decisionali in differenti ambiti con particolare riguardo alla modellazione mediante grafi di relazioni tra gli elementi di un sistema complesso. Far conoscere costi e benefici legati all'adozione di algoritmi e strutture dati. Far conoscere i principi base di un moderno linguaggio di programmazione utilizzato per l'efficace modellazione di sistemi complessi. Far conoscere i principi base dei moderni sistemi di esecuzione distribuita di algoritmi ottimizzati per la risoluzione di problemi complessi, e i principi base della teoria dell’informazione utile alla conoscenza, codifica e compressione dei dati. Far applicare le teorie e le metodologie algoritmiche a casi di studio da analizzare criticamente affiancando alle lezioni frontali relative agli aspetti teorici esercitazioni pratiche di programmazione e analisi. Far riconoscere: 1) gli aspetti significativi (entità e relazioni) in un problema da modellare, 2) le conseguenze, in termini di comportamento del modello, delle ipotesi di partenza. Sviluppare un adeguato grado di autonomia di giudizio nella analisi di problemi complessi. Far apprendere un linguaggio specifico della disciplina. Sviluppare la capacità di comunicare efficacemente e con linguaggio tecnico nell’ambito della definizione e descrizione di problemi in sistemi complessi delineandone le soluzioni algoritmiche. Fare acquisire un metodo di studio e di analisi adeguato all'analisi autonoma di problemi avanzati. Sviluppare la capacità di verifica e aggiornamento nel settore del software necessari all’implementazioni di nuove soluzioni adeguate.

Learning Goals

Make the students know algorithmic theories and methodologies to solve decision problems in various contexts, concerning the creation of models using graphs of relations among the entities of a complex system. Make the students aware of costs and benefits related to the adoption of algorithms and data structures. Make the students know the basic principles of a modern programming language used for an effective modelling of complex systems Make the students know the basic principles of modern distributed execution systems used for the new family of optimized algorithms useful for solving complex problems. Make the students know the basic principles of information theory useful for the data knowledge, its coding and compressions. Make the students apply algorithmic theories and methodologies to study-cases that must be critically analysed. To this purpose, frontal lectures are accompanied with practical exercises concerning coding and analysis. Make the students recognize: 1) the significant aspects (entities and relations) in a problem that will be modelled, 2) the consequences, in terms of model results, of the starting hypotheses. Students' skills development an adequate level of independency in judgments and analysis of complex problems. Make the students know the course specific language. Achieving the ability to communicate effectively with technical language in the context of defining Make the students acquire a methodology of study and analysis adequate to the autonomous analysis of advanced problems. Make the students able to accomplish verification and updating in software sector necessary for implementing new possible solutions.

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 classe MS Teams dedicata.

Teaching Methods

To achieve the expected objectives, the course is organized in lectures, practical based lessons in the class and guided exercises with teacher support. All activities are carried out with the support of lecture slides. Slides presented during the lecture are shared through the MS Teams classroom.

Prerequisiti

Conoscenze di base di Algoritmi e Strutture Dati, conoscenza di un linguaggio di programmazione. Conoscenza di base di architetture di calcolo distribuito.

Prerequisites

Basic knowledge about Algorithms and Data Structures, and a programming language. A basic knowledge of distributed computational architectures

Verifiche dell'apprendimento

Prova orale con votazione finale in trentesimi. La valutazione terrà conto dei seguenti indicatori: - conoscenza e correttezza nell'esposizione degli argomenti (max 12) - competenza nell'utilizzo del lessico specialistico (max 12) - capacità di rielaborazione degli argomenti (max 7) Ogni indicatore prevede quattro possibili valori (tra parentesi la percentuale del voto massimo associato): eccellente (100%), buono (80%), sufficiente (60%), insufficiente (40%), scarso (20%).

Assessment

Oral exam with final grade out of thirty. The evaluation will consider the following indices: - knowledge and correctedness in the exposition of topics (max 12) - competence in the use of the specialized vocabulary (max 12) - ability in re-elaborate topics (max 7) For each index four possible values will be considered (in parentheses the corresponding percentage of the maximum grade): excellent (100%), good (80%), sufficient (60%), insufficient (40%), inadequate (20%).

Programma del Corso

-INTRODUZIONE A PYTHON: Introduzione a Python, Oggetti in Python: identificativi, oggetti, assegnazioni, creazione e utilizzo di oggetti, classi built-in, Espressioni, operatori e precedenza, Flusso di controllo: condizioni, iterazioni, Funzioni: trasmissione di informazioni, funzioni built-in, Gestione dell’I/O in Python, Gestione delle eccezioni: sollevazione e cattura di un’eccezione, Iteratori e generatori, Visibilità e spazio dei nomi, Moduli -PROGRAMMAZIONE ORIENTATA AGLI OGGETTI: Obiettivi, principi di progettazione e pattern della programmazioneorientata agli oggetti – Sviluppo software: progettazione, pseudo-codice, Definizione delle classi: overloading e metodi speciali, iteratori, Ereditarietà, Spazio dei nomi e orientazione agli oggetti, Copia superficiale e profonda -ANALISI DEGLI ALGORITMI: Operazioni primitive, Analisi asintotica: notazione Theta, notazione O, notazione Omega -ALGORITMI SUI GRAFI: Il tipo di dato astratto grafo, Strutture dati per i grafi: lista di archi, lista di adiacenza, mappa di adiacenza, matrice di adiacenza, Attraversamento dei grafi: ricerca in profondità, ricerca in ampiezza, Chiusura transitiva, Grafi diretti aciclici: ordinamento topologico, Percorsi minimi: grafi pesati, algoritmo di Dijkstra, Alberi di ricopertura minimi: algoritmo di Prim-Jarnik, algoritmo di Kruskal -INTRODUZIONE ALLA NETWORK SCIENCE: Grado, grado medio e distribuzione di grado, Reti pesate, reti bipartite, Percorsi e distanze – Connessione – Coefficiente di clustering -RETI RANDOM: Il modello di rete random, Numero di link, Distribuzione di grado, Le reti reali non sono poissoniane, Evoluzione di reti random, Le reti reali sono supercritiche, Small world, Coefficiente di clustering -PROPRIETÀ DI INVARIANZA DI SCALA: Leggi di potenza e reti scale-free, Hub, Significato di invarianza di scala -IL MODELLO DI BARABASI-ALBERT: Introduzione, Crescita e aggregazione preferenziale, Il modello di Barabasi-Abert, Dinamica del grado, distribuzione di grado, Assenza di crescita o aggregazione preferenziale -RETI IN EVOLUZIONE: Il modello di Bianconi-Barabasi – Misura della fitness -CORRELAZIONE DI GRADO: Introduzione, Assortatività e disassortatività, Misura delle correlazioni di grado -COMUNITÀ: Introduzione – Fondamenti delle comunità, Clusterizzazione gerarchica (algoritmo di Ravasz, algoritmo di Girvan-Newman), Modularità, Individuazione di comunità: algoritmo goloso di Newman -FENOMENI DIFFUSIVI: Introduzione, Modellazione di epidemie: modelli SI, SIS, SIR, Epidemie su reti

Course Syllabus

-PYTHON PRIMER: Python Overview, Objects in Python: identifiers, objects, assignment, creating and using objects, built-in classes, Expressions, Operators and Precedence, Control Flow: conditionals, loops, Functions: Information passing, built-in functions, I/O management in Python, Exception Handling: raising an exception, catching an exception, Iterators and Generators, Scopes and Namespaces, Modules -OBJECT-ORIENTED PROGRAMMING: Object-Oriented design goals, design principles and design patterns, Software Development: design, pseudo-code, Class Definitions: overloading and special methods, iterators, Inheritance, Namespaces and Object-Orientation, Shallow and Deep Copying -ALGORITHM ANALYSIS: Primitive operations, Asymptotic Analysis: Theta-notation, O-notation, Omega-notation -GRAPH ALGORITHMS: The Graph Abstract Data Type, Data structures for graphs: edge list, adjacency list, adjacency map, adjacency matrix, Graph Traversals: Depth-First Search, Breadth-First Search, Transitive closure, Directed Acyclic Graphs: topological ordering, Shortest Paths: Weighted graphs, Dijkstra's algorithm, Minimum spanning trees: Prim-Jarnik algorithm, Kruskal algorithm -INTRODUCTION TO NETWORK SCIENCE: Degree, average degree and degree distribution, Weighted networks, bipartite networks, Paths and Distances, Connectedness, Clustering Coefficient -RANDOM NETWORKS: The random network model, Number of links, Degree distribution, Real Networks are not Poisson, Evolution of a random network, Real networks are supercritical, Small worlds, Clustering coefficient -THE SCALE-FREE PROPERTY: Power laws and scale-free networks, Hubs, The meaning of scale-free -THE BARABASI-ALBERT MODEL: Introduction, Growth and preferential attachment, The Barabasi-Albert model, Degree dynamics, degree distribution, The absence of growth or preferential attachment -EVOLVING NETWORKS: The Bianconi-Barabasi model, Measuring fitness -DEGREE CORRELATION: Introduction, correlations, Assortativity and disassortativity, Measuring degree -COMMUNITIES: Introduction, Basics of Communities, Hierarchical Clustering (Ravasz algorithm, Girvan-Newman algorithm), Modularity, Community detection: the greedy Newman algorithm -SPREADING PHENOMENA: Introduction, Epidemic modeling: SI, SIS, SIR models, Network epidemics