Elenco dei corsi, crediti previsti e calendario delle attività.
Docente: Matteo Francia (DISI, Università di Bologna)
Periodo di svolgimento delle lezioni: novembre 2025
Anno di corso: a scelta tra primo o secondo anno
Durata: 12 ore
Crediti dottorali: 2,4 CD
Verifica finale: sì
Questo insegnamento discute la transizione dalle architetture di big data alla nozione più ampia di piattaforme dati e introduce alcune delle opportunità di ricerca e delle sfide aperte legate alla sinergia tra piattaforme dati e intelligenza artificiale. Il corso introduce il mondo dei big data, fornisce un'analisi approfondita della persistenza poliglotta (multistore, polystore e architettura lakehouse) per interrogare sistemi di database distribuiti eterogenei, mostra le principali tecniche basate sull'IA per la gestione intelligente delle piattaforme dati e riassume le sfide e applicazioni future.
Calendario:
- 7 novembre 2025 ore 13:00 - 17:00 (aula 2.7, campus di Cesena)
- 21 novembre 2025 ore 13:00 - 17:00 (aula 2.7, campus di Cesena)
- 28 novembre 2025 ore 13:00 - 17:00 (aula 2.7, campus di Cesena)
Docente: Roberto Casadei (DISI, Università di Bologna)
Periodo di svolgimento delle lezioni: da aprile a maggio 2026
Anno di corso: a scelta tra primo o secondo anno
Durata: 12 ore
Crediti dottorali: 2,4 CD
Verifica finale: sì
Questo corso introduce metodi e strumenti per la pianificazione e l'esecuzione di revisioni (sistematiche) della letteratura. Il corso fornirà un quadro concettuale sull'argomento, i tipi di revisioni della letteratura (e le loro differenze) e le linee guida più autorevoli per gli studi in informatica.
Verranno inoltre trattati i passaggi per la pianificazione delle revisioni della letteratura e le tecniche rigorose per l'estrazione e la presentazione efficace dei risultati. Articoli importanti saranno utilizzati come casi di studio. Infine, il corso fornirà strumenti basati su Python per supportare il processo di revisione della letteratura, inclusa la raccolta e l'analisi dei dati.
Calendario:
- 20 aprile 2026 ore 9:00 - 13:00 (aula 2.6, campus di Cesena)
- 4 maggio 2026 ore 9:00 - 13:00 (aula 2.6, campus di Cesena)
- 18 maggio 2026 ore 9:00 - 13:00 (aula 2.6, campus di Cesena)
Docente: Moreno Marzolla (DISI, Università di Bologna)
Periodo di svolgimento delle lezioni: da maggio a giugno 2026
Anno di corso: a scelta tra primo o secondo anno
Durata: 12 ore
Crediti dottorali: 2,4 CD
Verifica finale: sì
I sistemi complessi giocano un ruolo importante nella nostra comprensione della natura. Infatti, fenomeni molto diversi come un rubinetto che gocciola, pedoni che camminano su un ponte, uno stormo di uccelli o la futura evoluzione del sistema solare, sono tutti governati da auto-interazioni che producono comportamenti emergenti che possono apparire imprevedibili.
I computer ci aiutano a comprendere questi fenomeni e sono diventati uno strumento essenziale nello studio dei sistemi complessi. In questo corso esploreremo gli aspetti computazionali del caos, dei frattali e dei sistemi dinamici; capiremo cosa il calcolo può e non può fare rispetto all'analisi dei fenomeni naturali e artificiali.
Calendario:
- 8 Giugno 2026 ore 13:00 - 15:00 (Ercolani 3, Bologna)
- 15 Giugno 2026 ore 13:00 - 15:00 (Ercolani 3, Bologna)
- 17 Giugno 2026 ore 13:00 - 15:00 (Ercolani 2, Bologna)
- 22 Giugno 2026 ore 13:00 - 15:00 (Ercolani 3, Bologna)
- 29 Giugno 2026 ore 13:00 - 15:00 (Ercolani 3, Bologna)
- 1 Luglio 2026 ore 13:00 - 15:00 (Ercolani 1, Bologna)
Docente: Fabio Tosi (DISI, Università di Bologna)
Periodo di svolgimento delle lezioni: da giugno a luglio 2026
Anno di corso: a scelta tra primo o secondo anno
Durata: 14 ore
Crediti dottorali: 2,8 CD
Verifica finale: sì
Questo corso introduce la programmazione parallela GPU con CUDA, ormai essenziale per accelerare applicazioni ad alta intensità computazionale, in particolare nell'IA (Intelligenza Artificiale) e nella Computer Vision.
Il corso copre i concetti chiave di CUDA: il modello di programmazione, il modello di esecuzione e la gerarchia di memoria. Le implementazioni verranno esplorate in CUDA C e attraverso interfacce di alto livello come PyCUDA e CuPy, fino all'integrazione con framework IA moderni come PyTorch. Il corso presenterà casi pratici di utilizzo di CUDA per ottimizzare algoritmi di computer vision e deep learning, evidenziando la sua importanza nelle moderne applicazioni di IA.
Calendario:
- venerdì 3 luglio 2026, ore 9:00–12:30 (aula 1.4, Viale Risorgimento 2, Bologna)
- lunedì 6 luglio 2026, ore 9:00–12:30 (aula 1.4, Viale Risorgimento 2, Bologna)
- mercoledì 8 luglio 2026, ore 9:00–12:30 (aula 1.4, Viale Risorgimento 2, Bologna)
- venerdì 10 luglio 2026, ore 9:00–12:30 (aula 1.4, Viale Risorgimento 2, Bologna)
Docente: Andrea Roli (DISI, Università di Bologna)
Periodo di svolgimento delle lezioni: dal 15 giugno a 15 luglio 2026
Anno di corso: a scelta tra primo o secondo anno
Durata: 12 ore
Crediti dottorali: 2,4 CD
Verifica finale: sì
Lo scopo di questo corso è presentare agli studenti una selezione critica di articoli di rilevanza nell'ampio campo dell'intelligenza delle macchine. Verranno esaminati articoli – sia tecnici che filosofici – nei campi dell'intelligenza artificiale, della robotica, della cibernetica e dei sistemi cognitivi.
Calendario
- venerdì 19 Giugno 2026, 15-18 (aula 2.10, Campus di Cesena)
- mercoledì 1 Luglio 2026, 15-18 (aula 2.10, Campus di Cesena)
- martedì 7 Luglio 2026, 15-18 (aula 2.11, Campus di Cesena)
- giovedì 9 Luglio 2026, 15-18 (aula 2.10, Campus di Cesena)
[ .pdf 30Kb ]
Docente: Davide Evangelista (DISI, Università di Bologna)
Periodo di svolgimento delle lezioni: da maggio a giugno 2026
Anno di corso: a scelta tra primo o secondo anno
Durata: 12 ore
Crediti dottorali: 2,4 CD
Verifica finale: sì
I modelli generativi profondi rappresentano una delle innovazioni più rivoluzionarie degli ultimi anni nel campo dell'intelligenza artificiale, grazie alla loro notevole capacità di generare immagini e testi praticamente indistinguibili da quelli reali. Nonostante la loro crescente popolarità, questi modelli sono spesso trattati come "scatole nere", senza una comprensione approfondita del loro funzionamento. Questo corso si propone di introdurre gli studenti – anche quelli senza precedenti conoscenze sull'argomento – ai moderni modelli generativi, fornendo sia una solida base teorica che strumenti pratici per la loro implementazione.
Nello specifico, il corso:
-introdurrà i concetti fondamentali necessari per comprendere i moderni modelli generativi;
-esplorerà in profondità alcuni dei modelli più utilizzati, inclusi gli Autoencoder Variazionali (VAE), le Reti Generative Avversarie (GAN) e i Modelli di Diffusione;
-fornirà agli studenti le competenze necessarie per implementare questi modelli autonomamente e integrarli nella propria ricerca;
-costruirà una solida conoscenza di base, consentendo agli studenti di approfondire ulteriormente la loro comprensione attraverso la letteratura scientifica.
Bilanciando teoria e pratica, il corso offrirà una panoramica chiara e completa delle metodologie più avanzate nella modellazione generativa, promuovendone un uso consapevole e critico nella ricerca.
Calendario:
- 27 Maggio 2026 ore 14:00 - 17:00 (Aula Bodoniana 2, Via San Donato 19/2)
- 3 Giugno 2026 ore 14:00 - 17:00 (Aula Bodoniana 2, Via San Donato 19/2)
- 10 Giugno 2026 ore 14:00 - 17:00 (Aula Bodoniana 2, Via San Donato 19/2)
- 24 Giugno 2026 ore 14:00 - 17:00 (Aula Bodoniana 2, Via San Donato 19/2)
Docente: Lorenzo Pellegrini (DISI, Università di Bologna)
Periodo di svolgimento delle lezioni: da aprile a maggio 2026
Anno di corso: a scelta tra primo o secondo anno
Durata: 12 ore
Crediti dottorali: 2,4 CD
Verifica finale: sì
I modelli di Deep Learning e gli algoritmi di ottimizzazione non sono progettati per apprendere continuamente e faticano a generalizzare e ad adattarsi a nuove circostanze e ambienti. Per raggiungere capacità di apprendimento continuo, un agente intelligente deve contestualizzare le conoscenze passate mentre acquisisce nuove competenze e migliora i comportamenti esistenti in risposta a scenari inediti.
Tuttavia, di fronte a nuovi concetti da apprendere o a variazioni nella distribuzione dei dati, un modello addestrato con le classiche tecniche basate sul gradiente dimentica tutte le conoscenze accumulate in precedenza, portando al "catastrophic forgetting" (oblio catastrofico). Il concetto di apprendere continuamente dalle esperienze è stato a lungo esplorato nell'IA e nella robotica. La ricerca in questa direzione è stata definita con nomi diversi, come Lifelong Learning e Continual Learning, con quest'ultimo associato alla maggior parte degli approcci moderni.
Questo corso introduce il Continual Learning, coprendo le sue sfide chiave, i principali approcci, i benchmark di riferimento e le metriche di valutazione. Una parte pratica guiderà gli studenti attraverso Avalanche, il principale framework di ricerca in quest'area.
Le lezioni si terranno pressi il Campus di Cesena (Via dell’Università 50, Cesena), aula 2.13.
Calendario:
- 16 Aprile 2026, 15:00 - 18:00
- 23 Aprile 2026, 15:00 - 18:00
- 7 Maggio 2026, 15:00 - 18:00
- 14 Maggio 2026, 15:00 - 18:00
[ .pdf 125Kb ]
Docente: Andrea Sabbioni (DISI, Università di Bologna)
Periodo di svolgimento delle lezioni: novembre 2025
Anno di corso: a scelta tra primo o secondo anno
Durata: 10 ore
Crediti dottorali: 2 CD
Verifica finale: sì
Il Serverless Computing è un modello emergente di Cloud Computing in cui applicazioni, servizi e funzioni create dagli utenti sono gestite dai fornitori di cloud lungo l'intero ciclo di vita. Questo corso introduce gli studenti ai fondamenti necessari per comprendere questo modello emergente di cloud computing, le motivazioni dietro il suo successo e i vantaggi e svantaggi che offre rispetto ai modelli classici.
Il corso si concentrerà poi sui principali approcci architetturali adottati a livello infrastrutturale, sviluppati dalle principali soluzioni open-source disponibili sul mercato e proposte nella ricerca. Infine, il corso esplorerà le molteplici direzioni di ricerca per il Serverless e le infrastrutture cloud che supportano questo paradigma, nonché le nuove possibilità che l'applicazione di questo modello può fornire nei campi di Industry 5.0, Smart City e Cloud Continuum.
Docente: Alfredo Cuzzocrea (DISPES, Università della Calabria)
Periodo di svolgimento delle lezioni: novembre 2025
Anno di corso: a scelta tra primo o secondo anno
Durata: 20 ore
Crediti dottorali: 4 CD
Verifica finale: sì
Il tema della privacy dei Big Data sta guadagnando slancio nella comunità di ricerca, a causa delle numerose sfide poste dalla necessità di garantire la privacy di questo tipo di dati in applicazioni e sistemi reali. Il corso proposto partirà dalle fondamenta della privacy dei Big Data e si evolverà verso argomenti specializzati, con riferimento al caso dei Big Data multidimensionali.
Panoramica del Corso:
- Lezione 1: Privacy dei Big Data: Fondamenti;
- Lezione 2: Algoritmi all'avanguardia per la Privacy dei Big Data;
- Lezione 3: Federated Learning su Big Data;
- Lezione 4: Gestione di Big Data Multidimensionali che preserva la Privacy;
- Lezione 5: Analisi di Big Data che preserva la Privacy tramite Analisi Multidimensionale Drill-Across su Dati Gerarchici di Co-occorrenza Aggregati.
Calendario:
- 17 novembre 2025, ore 09:00-13:00
- 18 novembre 2025, ore 09:00-13:00
- 19 novembre 2025, ore 09:00-13:00
- 20 novembre 2025, ore 09:00-13:00
- 21 novembre 2025, ore 09:00-13:00
Docente: Mirco Musolesi (DISI, Università di Bologna)
Periodo di svolgimento delle lezioni: da giugno a luglio 2026
Anno di corso: a scelta tra primo o secondo anno
Durata: 16 ore
Crediti dottorali: 3,2 CD
Verifica finale: sì
Gli obiettivi di apprendimento di questo corso possono essere riassunti come segue:
- fornire agli studenti una comprensione completa delle tecniche all'avanguardia nell'apprendimento per rinforzo (reinforcement learning), specialmente nel campo dei metodi di approssimazione delle politiche;
- offrire una panoramica delle applicazioni dell'apprendimento per rinforzo a problemi di decision-making sia in scenari a singolo agente che a multi-agente;
- introdurre concetti chiave relativi all'applicazione dell'apprendimento per rinforzo per l'addestramento e la messa a punto di modelli fondamentali e grandi modelli linguistici (ad esempio, RLHF);
- familiarizzare gli studenti con le principali sfide di ricerca aperte nell'apprendimento per rinforzo, discutendo recenti articoli chiave nel settore.
Questo corso presuppone una solida comprensione dei fondamenti dell'apprendimento per rinforzo (inclusi sia i metodi tabellari che quelli di approssimazione) e un'esperienza pratica con i framework di deep learning (ad esempio, TensorFlow, PyTorch o JAX).
Calendario
- 9 Luglio 2026, ore 16:00-19:00 (Lecture Theatre 0.8, Viale Risorgimento)
- 10 Luglio 2026, ore 16:00-19:00 (Lecture Theatre 0.8, Viale Risorgimento)
- 15 Luglio 2026, ore 16:00-19:00 (Lecture Theatre 0.8, Viale Risorgimento)
- 17 Luglio 2026, ore 16:00-19:00 (Lecture Theatre 0.8, Viale Risorgimento)
- 23 Luglio 2026, ore 17:00-19:00 (Lecture Theatre 0.8, Viale Risorgimento)
- 24 Luglio 2026 ore 17:00-19:00 (Lecture Theatre 0.8, Viale Risorgimento)
©Copyright 2026 - ALMA MATER STUDIORUM - Università di Bologna - Via Zamboni, 33 - 40126 Bologna - PI: 01131710376 - CF: 80007010376 - Privacy - Note legali - Impostazioni Cookie