IEG - Informatica per l'Editoria e il Giornalismo

Le lezioni si tengono nel I semestre il seguente orario:

• [-] venerdì ore 9.00-12.00 (lezione, Aula 16);
• [-] venerdì ore 17.00-19.00 (lezione pratica, Laboratorio Informatico).

Lezione n. 1 - Friday 2 October 2015

Presentazione del corso. Bibiliografia. Introduzione alle reti di calcolatori. Cenni storici su internet. Descrizione delle modalita` di connessione. Descrizione delle infrastrutture di rete.

Lezione n. 2 - Friday 9 October 2015

Descrizione del modello di Shannon. Il problema centrale della Teoria dell'Informazione: migliorare le caratteristiche del canale mediante opportuna codifica. Il concetto di Entropia nella Teoria dell'Informazione. La componente di incertezza nella comunicazione come misura della quantita` di informazione veicolata dal mezzo. Le computazioni, il determinismo e la quantita` di informazione.

Lezione n. 3 - Friday 16 October 2015

Classificazione di testi mediante lo spettro delle distribuzioni. Spettro di un corpus e di un testo. Probabilita` congiunta, distribuzioni marginali, probabilita` condizionata;

Lezione n. 4 - Friday 23 October 2015

Lezione n. 5 - Friday 30 October 2015

Applicazioni della teoria dell'informazione all'analisi automatica di testi. L'apprendimento automatico: il problema dell'information retrieval su grandi moli di dati. L'approccio statistico. La definizione di algoritmo di apprendimento. Definizione di famiglia di funzioni parametrizzate o modello. Criteri per l'apprendimento dei parametri. Valutazione dell'errore. Distinzione tra apprendimento supervisionato e apprendimento non supervisionato. Definizione di training set e validation set. Tecniche di rimescolamento determinare il campione di addestramento.

Lezione n. 6 - Friday 6 November 2015

Applicazioni della teoria dell'informazione all'analisi automatica di testi. L'apprendimento automatico: il problema dell'information retrieval su grandi moli di dati. L'approccio statistico. La definizione di algoritmo di apprendimento. Definizione di famiglia di funzioni parametrizzate o modello. Criteri per l'apprendimento dei parametri. Valutazione dell'errore. Distinzione tra apprendimento supervisionato e apprendimento non supervisionato. Definizione di training set e validation set. Tecniche di rimescolamento determinare il campione di addestramento.

Lezione n. 7 - Friday 13 November 2015

Introduzione al WEB. Distinzione tra Internet e World Wide Web. Servizi applicativi. Applicazioni Distribuite. Architetture Client-Server e Peer-to-peer. Supercalcolatori, classifica Top500. Architetture intermedie tra client-server e peer-to-peer: architetture multi-tier (multi-strato). Motori di ricerca. Differenza tra motore di ricerca e web-directories.

Lezione n. 8 - Friday 20 November 2015

Lezione n. 9 - Friday 27 November 2015

Algoritmo di PageRank. Matrice delle probabilita` di transizione. Autovalori e autovettori di una matrice. Distribuzione stazionaria associata ad una matrice di transizione. Calcolo della distribuzione stazionaria con il metodo dell'autovalore. Matrice stocastica per colonne. Metodo iterativo per calcolare la distribuzione stazionaria: metodo delle potenze. Termine di correzione per applicare il metodo degli autovalori a grafi con dangling nodes. Dumping factor. Matrice di Google. Cenni sulla SEO.

Lezione n. 10 - Friday 4 December 2015

Metodo delle potenze successive per accelerare il calcolo della distribuzione stazionaria (Powers Method). ntroduzione all'XML. Sintassi dell'XML. Grammatica di XML come linguaggio di mark-up derivato da HTML. Semantica dei documenti specializzati: grammatica per i dati applicativi. Automi a stati finiti. Linguaggio regolare associato ad un automa. Esempio di automa.

Lezione n. 11 - Friday 11 December 2015

Struttura elementare dei documenti HTML. La Data Type Definition per html. Documenti XML generici. Documenti XML come coppia grammatica di definizione, e documento ben formato secondo la grammatica. Grammatica in Forma Normale di Backus. Corrispondenza tra grammatica ed espressioni regolari. Teorema di equivalenza tra Espressioni regolari e Automi a stati finiti deterministici. Linguaggio accettato da un automa. Esempi di automi. L'automa che riconosce il linguaggio HTML.

Lezione n. 12 - Friday 18 December 2015