Algoritmi per dati su larga scala2026/27
L'insegnamento si propone di descrivere il quadro complessivo dei processi per l'elaborazione dei big data, sia per quanto riguarda le metodologie e le tecnologie applicate in tale contesto.
Risultati attesi
Gli studenti:
- saranno in grado di utilizzare le tecnologie per la memorizzazione distribuita dei dati;
- apprenderanno il framework dell'elaborazione distribuita MapReduce e le sue principali estensioni;
- apprenderanno i principali algoritmi utilizzati per problemi classici relativi ai big data, e a implementarli in un ambiente di elaborazione distribuito;
- saranno in grado di scegliere i metodi appropriati per risolvere problemi caratterizzati da big data.
Avvisi
Nessun avviso per ora.
Orari del corso
Le lezioni si svolgono durante il secondo semestre e in presenza presso le strutture di Città Studi. L'orario è il seguente:
| Giorno | Ora | Luogo |
|---|---|---|
| martedì | 13:30 - 16:30 | Lab. magistrale 5 piano |
| giovedì | 13:30 - 16:30 | Lab. magistrale 5 piano |
Eventuali variazioni rispetto al calendario pianificato verranno comunicate in aula e pubblicizzate nel paragrafo Avvisi di questa pagina.
Ricevimento studenti
Su appuntamento, stanza 5015 del Dipartimento di Informatica.
È possibile contattare il docente tramite posta elettronica, avendo cura di leggere preventivamente la guida predisposta dal Prof. Sebastiano Vigna e di specificare chiaramente nell'oggetto del messaggio il nome dell'insegnamento e l'anno accademico. In particolare, si invitano gli studenti a usare sempre come mittente l'indirizzo fornito loro dall'Ateneo (basato cioè sul dominio studenti.unimi.it) firmando con nome, cognome e matricola e ricordando che i tempi di risposta possono variare in funzione degli impegni del docente.
Materiale didattico
Le lezioni sono basate:
- sul libro Mining of Massive Datasets, scritto da A. Rajaraman e J. Ullman (indicato come RU nel calendario delle lezioni), gratuitamente scaricabile dal sito degli autori e pubblicato in versione cartacea da Cambridge University Press (ISBN:9781107015357);
- sulle dispense e sul codice di esempio pubblicati nel calendario delle lezioni.
Programma
Il programma riguarda gli argomenti dettagliati nel calendario delle lezioni (disponibile all'inizio delle lezioni), che corrisponde al materiale trattato sul libro di testo, oltre che sui restanti documenti elencati tra il materiale didattico.
Propedeuticità
È richiesta la conoscenza degli argomenti principali di programmazione degli elaboratori, analisi matematica e probabilità e statistica al livello considerato in una laurea triennale di area informatica.
Calendario delle lezioni
| Lezione | Data | Argomento | Materiale |
|---|---|---|---|
| L01 | 12/01/2027 | HDFS e map-reduce. | |
| L02 | 14/01/2027 | Algoritmi map-reduce. Communication cost model. | |
| L03 | 19/01/2027 | Analisi di link. | |
| L04 | 21/01/2027 | Analisi di link. Spark. | |
| L05 | 26/01/2027 | Ricerca di elementi simili. | |
| L06 | 28/01/2027 | Ricerca di elementi simili. | |
| L07 | 02/02/2027 | Insiemi di elementi frequenti. | |
| L08 | 04/02/2027 | Insiemi di elementi frequenti. | |
| L09 | 09/02/2027 | Analisi di stream di dati. | |
| L10 | 11/02/2027 | Clustering. | |
| L11 | 16/02/2027 | Regressione. | |
| L12 | 18/02/2027 | Regressione logistica. Recommendation system. | |
| L13 | 23/02/2027 | Recommendation system. | |
| L14 | 25/02/2027 | Deep learning e TensorFlow. | |
| L15 | 02/03/2027 | Transformer e LLM. | |
| L16 | 04/03/2027 | Riduzione della dimensionalità. Gradient boosting. |
Modalità d'esame
L'esame consiste in una prova scritta comprendente quesiti a risposta aperta, di natura teorica o applicativa, sugli argomenti trattati durante il corso e con un livello di difficoltà coerente con quello delle attività didattiche svolte. Durante la prova è consentita la consultazione di un formulario fornito dal docente e l'utilizzo di calcolatrici non programmabili. Non è consentita la consultazione di libri di testo, appunti personali o altri materiali, né l'utilizzo di dispositivi elettronici diversi dalle calcolatrici ammesse.
La prova scritta è valutata in trentesimi, con una soglia minima di superamento pari a 18/30, e i risultati sono comunicati tramite posta elettronica. La valutazione tiene conto del livello di padronanza degli argomenti trattati, della correttezza dei procedimenti e delle soluzioni proposte, del corretto utilizzo della notazione e dei formalismi matematici e dell'appropriato impiego della terminologia tecnica.
In funzione dell'esito della prova scritta, il docente può richiedere lo svolgimento di una prova orale integrativa, finalizzata ad approfondire la valutazione della comprensione degli argomenti trattati e del livello complessivo di preparazione dello studente. Il voto finale, espresso in trentesimi, è determinato sulla base dell'esito della prova scritta e, ove prevista, della prova orale.
Appelli d'esame
| Sessione | Data |
|---|---|
| marzo | 30/03/27 |
| giugno | 18/06/27 |
| luglio | 07/07/27 |
| settembre | 13/09/27 |
| novembre | N/A |
| dicembre | N/A |