Dottorato in informatica
Dottorato
A.A. 2022/2023
Area
Tecnico scientifica
Coordinatore di Dottorato
Il dottorato di ricerca in Informatica ha l'obiettivo di fornire ai dottorandi conoscenze scientifiche, metodologiche e tecnologiche avanzate proprie del settore scientifico-disciplinare dell'Informatica, di quelli affini e delle relative applicazioni. Queste conoscenze sono finalizzate alla formazione e all'avviamento alla ricerca teorica e applicata, con attenzione agli aspetti di interdisciplinarietà e internazionalizzazione, con ampia capacità di indagine e autonomia scientifica e culturale che consentano di produrre risultati originali e significativi per la comunità scientifica internazionale e per le aziende.
Il dottorato di ricerca in Informatica mira a conseguire:
- Una solida conoscenza ad ampio spettro sui fondamenti delle scienze, delle metodologie e delle tecnologie dell'informazione e affini,
- Avanzate e approfondite competenze su specifici aspetti disciplinari,
- Conoscenze inter-disciplinari per sfruttare sinergie culturali e metodologiche,
- Una solida preparazione metodologica allo svolgimento della ricerca nonché alla sua organizzazione, gestione, e diffusione,
- Opportunità di formazione a livello internazionale,
- Una migliore qualificazione dei dottori di ricerca e del loro inserimento professionale nella ricerca accademica e nelle aziende.
Il corso di dottorato è erogato interamente in lingua inglese.
Il dottorato di ricerca in Informatica mira a conseguire:
- Una solida conoscenza ad ampio spettro sui fondamenti delle scienze, delle metodologie e delle tecnologie dell'informazione e affini,
- Avanzate e approfondite competenze su specifici aspetti disciplinari,
- Conoscenze inter-disciplinari per sfruttare sinergie culturali e metodologiche,
- Una solida preparazione metodologica allo svolgimento della ricerca nonché alla sua organizzazione, gestione, e diffusione,
- Opportunità di formazione a livello internazionale,
- Una migliore qualificazione dei dottori di ricerca e del loro inserimento professionale nella ricerca accademica e nelle aziende.
Il corso di dottorato è erogato interamente in lingua inglese.
Tutte le classi di laurea magistrale - All classes of master's degree
Dipartimento di Informatica "Giovanni degli Antoni" - Via Celoria, 18 - Milano
- Sede amministrativa
Dipartimento di Informatica "Giovanni degli Antoni" - Via Celoria, 18 - Milano - Coordinatore del corso: prof. Roberto Sassi
[email protected] - Sito web del corso
http://www.di.unimi.it/ecm/home/didattica/dottorato/
| Titolo | Docente/i |
|---|---|
| Verifiche non funzionali su sistemi di continuum edge basati su 5G
Requisiti: Conoscenza delle principali tecniche di verifica e monitoraggio e testing non funzionale. Conoscenza delle architetture di telecomunicazione mobile e dei paradigmi Cloud e Edge. |
|
| Tecniche di data governance innovative per ambienti di Big Data
Requisiti: Conoscenza delle principali architetture e tecnologie big data. Conoscenza delle principali soluzioni di data governance per architetture big data. Conoscenza dell'architettura big data Apache. |
|
| Certificazione di modelli Machine Learning/Intelligenza Artificiale
Requisiti: Conoscenza delle principali tecniche di machine learning e intelligenza artificiale. Conoscenza delle principali tecniche di assurance. |
|
| Certificazione di infrastrutture e servizi cloud-edge
Requisiti: Conoscenza delle principali tecniche di certificazione e assurance di proprietà non funzionali. Conoscenza delle infrastrutture e dei servizi cloud-edge. |
|
| Un framework innovativo per la data governance e assurance di sistemi data intensive basati su ML
Requisiti: Conoscenza delle principali soluzioni di data governance e assurance per sistemi data intensive basati su ML. Conoscenza dell'architettura dei big data di Apache. |
|
| Sintesi e rendering 3D del suono per Realtà Virtuale e Aumentata
Requisiti: Elaborazione numerica dei segnali; Programmazione audio |
|
| Sviluppo e validazione di interfacce musicali innovative
Requisiti: Programmazione audio e MIDI; metodi sperimentali in HCI |
|
| Sviluppo di un ecosistema digitale per strumenti musicali accessibili
Requisiti: Programmazione audio; metodi sperimentali in HCI |
|
| Metodi per il planning autonomo con agenti e robot mobili
Requisiti: Fondamenti di algoritmi, ottimizzazione e machine learning |
|
| Protezione dei dati personali in applicazioni di sanità digitale con tecnologie pervasive | |
| Assiomatica per centralità di reti orientate e non orientate | |
| E-Health: integrazione di domotica, robot di servizi, exer-games, comunità virtuali e web-services mediante sistemi intelligenti e intelligenza emotiva per il supporto delle persone pre-fragili a casa. | |
| Sviluppo di reti neurali profonde basate su strati convolutivi per l’apprendimento con rinforzo: estrazioni di pattern di stato-azione a partire da applicazioni in domini diversi. | |
| AI per la modellazione di dinamiche ambientali cicliche per utilizzi a lungo termine di robot di servizio mobili e autonomi. | |
| Stimolazione multi-modale nella cura delle sindromi dello spettro autistico attraverso exer-game che combinano - grazie a un motore intelligente - game design, musica e interazione emotiva adattata allo stato dell'utente. | |
| Approcci innovativi sui serious games applicati al trattamento dei bambini con disabilità, basati sull'integrazione di intelligenza emotiva, game design e machine learning | |
| Cybersicurezza dei Sistemi Embedded (Ex DM 352/2022) | |
| Metodi di Graph representation learning per la medicina di Precisione
Requisiti: Conoscenze di base di machine learning |
|
| Approcci Object-centric nel Process Mining
Requisiti: Nozioni di base di Process Mining, Machine Learning e Graph Databases |
|
| Modelli di inferenza causale per un'assistenza sanitaria efficace
Requisiti: Nozioni di base di inferenza statistica e machine learning |
G. Gianini
|
| Algoritmi di apprendimento automatico debolmente supervisionati
Requisiti: Apprendimento automatico, analisi di algoritmi |
G. Pasi (Università Milano-Bicocca)
|
| Decisioni sequenziali tramite interazioni con un ambiente non stazionario
Requisiti: Apprendimento automatico, analisi di algoritmi |
|
| Data driven mathematical programming: integrare mathematical programming, machine learning e metodi probabilistici
Requisiti: Programmazione matematica, statistica, machine learning, progettazione ed analisi sperimentale di algoritmi |
|
| Large Scale Prescriptive Analytics: risolvere problemi di ottimizzazione in contesti reali dove dati di larga scala, dinamici ed eterogenei rendono le tecniche classiche inutilizzabili
Requisiti: Modellazione matematica, ricerca operativa, statistica, simulazione, progettazione ed analisi sperimentale di algoritmi |
|
| Modellazione delle proprietà di sicurezza e delle applicazioni per distributed ledger | |
| Tecniche privacy preserving per malware detection basate su machine learning | |
| Progettazione di circuiti per le tecnologie emergenti | |
| Sintesi logica per la sicurezza informatica | |
| Algoritmi per problemi di Ottimizzazione Combinatoria applicati a decisioni complesse
Requisiti: Algoritmi e strutture dati, Ricerca Operativa, Programmazione C |
|
| Algoritmi di ottimizzazione discreta per applicazioni industriali Algoritmi e strutture dati, Ricerca Operativa, Programmazione C | |
| Tecniche e concetti per l'apprendimento del movimento indoor
Requisiti: Programming skills e fondamenti di data science |
|
| Sicurezza e privatezza dei dati in scenari emergenti | |
| Sistemi di riconoscimento biometrico scarsamente vincolati | |
| Sicurezza e privatezza nei sistemi biometrici | |
| Metodi di deep learning per l'elaborazione del linguaggio naturale
Requisiti: Conoscenze preliminari di Natural Language Processing e machine learning |
|
| Modelli e tecniche per l'apprendimento di strutture dati succinte | |
| Esecuzione collaborativa e controllata di interrogazioni in sistemi distribuiti | |
| Apprendimento automatico su reti temporali e multilivello | |
| Apprendimento non supervisionato per intelligenza artificiale: addestramento di modelli senza usare ground truth | |
| Monitoraggio scarsamente vincolato nell'Industria 4.0 tramite tecniche di elaborazione di segnali, immagini e intelligenza artificiale | |
| Intelligenza Computazionale e Applicazioni
Requisiti: Competenze in Modellizzazione Probabilistica e Analisi Dati. Conoscenza di base dell'Apprendimento Computazionale. Familiarità con C/C++ e Python. |
G. Gianini
|
| Modellizzazione e Analisi dei Big Data
Requisiti: Competenze in Modellizzazione Probabilistica e Analisi Dati. Conoscenza di base dell'Apprendimento Computazionale. Familiarità con C/C++ e Python. |
G. Gianini
|
| Studio della comunicazione sociale umana basata su segnali facciali complessi
Requisiti: Computer vision, signal processing, machine learning |
|
| Modelli di visione artificiale e computazione affettiva per l’analisi del comportamento umano
Requisiti: Intelligenza Artificiale, Visione Computazionale, Modelli di Computazione Affettiva |
|
| Didattica dell’informatica e pensiero computazionale: approcci pedagogici, strategie didattiche, valutazione degli apprendimenti | |
| Tecnologie avanzate per l'educazione musicale
Requisiti: Competenze approfondite in ambito informatico e conoscenza degli aspetti basilari della musica |
G. Haus
|
| Tecnologie avanzate per i beni culturali musicali
Requisiti: Competenze approfondite in ambito informatico e conoscenza degli aspetti basilari della musica |
G. Haus
|
| Apprendimento automatico per l'elaborazione audio e musicale
Requisiti: Apprendimento automatico, statistica, elaborazione del segnale |
|
| Erogazione di servizi di entertainment in ambienti distribuiti
Requisiti: Reti |
|
| Streaming di ambienti 3D virtuali interattivi
Requisiti: Reti, grafica, realtà virtuale |
|
| Tecniche e modelli di apprendimento automatico per insiemi fuzzy | |
| Tecnologie assistive per dispositivi mobili | |
| Applicazioni del data management e dell'intelligenza artificiale in medicina | |
| Costruzioni di grafi semantici per applicazioni biomediche
Requisiti: Conoscenza di sistemi di gestione dati basati a grafo (e.g. neo4j), buone conoscenze di tecniche di Machine Learning, buone capacità di programmazione in Python |
|
| Verifica e convalida nella semantica dei linguaggi di programmazione
Requisiti: Programmazione funzionale, logica del prim'ordine |
|
| Identificare e superare le difficoltà nell'imparare a programmare
Requisiti: Esperienza nell'insegnamento dell'informatica nella scuola |
|
| Data Science per le Scienze Sociali e Umanistiche
Requisiti: Solido background in informatica, con particolare riferimento a machine learning e gestione dei dati. |
|
| Algoritmi per sistemi distribuiti
Requisiti: Algoritmi classici e distribuiti, Teoria della complessità |
|
| Sistemi formali e complessità
Requisiti: Automi e linguaggi formali |
|
| Cloud/Fog/Edge Computing affidabili e sostenibili: Intelligenza Artificiale per allocazione di risorse e task per prestazioni, consumo energetico, tolleranza ai guasti e resilienza | |
| Sistemi intelligenti per applicazioni industriali e ambientali basati su architetture IoT e intelligenza artificiale | |
| Metodi formali per sistemi sicuri
Requisiti: Competenze in metodi formali e logiche temporali. Competenze di sicurezza dei sistemi. |
|
| Algoritmi di programmazione matematica per problemi di ottimizzazione NP-hard
Requisiti: Algoritmi e strutture-dati, Ricerca operativa |
|
| Metodi di ottimizzazione in logistica
Requisiti: Algoritmi e strutture-dati, Ricerca operativa |
|
| Algoritmi basati su grafi per la caratterizazione delle aritmie cardiache
Requisiti: Si consigliano competenze di analisi dei segnali e di grafi. |
|
| Ricerca e sviluppo di algoritmi basati su graph-neural network per l’analisi di segnali e immagini biomedicali (Ex DM 352/2022)
Requisiti: Si consigliano competenze di machine learning. |
|
| Modelli innovativi per la descrizione del daltonismo | |
| Gestione ed elaborazione sicura e privata di dati distribuiti ad elevata efficienza energetica | |
| Analisi di segnali e immagini biomedicali per una digital health centrata sul paziente | |
| Ambienti intelligenti: analisi dei dati e apprendimento automatico per ambienti autoadattativi | |
| Deep learning: apprendimento ed explainability | |
| Modelli innovativi per la parametrizzazione di superfici per Geometry Processing, Computer Graphics
Requisiti: Computer Graphics OPPURE Geometry Processing |
|
| Strumenti per la creazione di asset 3D per industria videoludica
Requisiti: Computer Graphics o Geometry Processing o Computer Animation |
|
| Reti neuronali profonde basate su grafi | |
| La sicurezza delle primitive crittografiche
Requisiti: Competenze gradite: algebra e conoscenze crittografiche |
|
| Tecniche di elaborazione computazionale nei moderni sistemi crittografici
Requisiti: Competenze gradite: algebra e conoscenze crittografiche |
|
| Codice open source e tecniche crittografiche per migliorare la sicurezza dei dispositivi mobili
Requisiti: Competenze gradite: crittografia, sicurezza e programmazione |
|
| Graph mining in Web3 Social Media
Requisiti: Solido background in Network Science |
|
| Multi-Task Reinforcement Learning with Constraints: Online Decision Making through Interactions with a Non-Stationary Environment (Ex DM 352/2022) | |
| Development of a digital ecosystem for music making with different types of disabilities (Ex DM 352/2022) | |
| Open source and cryptography to enhance the security of mobile devices (Ex DM 352/2022) | |
| A novel data governance and assurance framework for ML-based, data intensive systems (Ex DM 352/2022) | |
| Performance test e benchmarking di architetture big data (hyperscale) (Ex DM 352/2022) | |
| ML robustness e certification (Ex DM 352/2022) | |
| Sistemi distribuiti (edge, IoT, HPC), federazione tra servizi big data con diverse divisioni che vogliono scambiarsi dati con privacy e assurance (Ex DM 352/2022) |
Elenco insegnamenti
ottobre 2022
| Attività formative | Docente/i | Crediti | Ore totali | Lingua |
|---|---|---|---|---|
| Facoltativo | ||||
| Security certification: from traditional software and cloud system to ml-based services | 3 | 15 | Inglese | |
novembre 2022
| Attività formative | Docente/i | Crediti | Ore totali | Lingua |
|---|---|---|---|---|
| Facoltativo | ||||
| Distributed models, madrepuce and large scale algorithms | 3 | 10 | Inglese | |
gennaio 2023
| Attività formative | Docente/i | Crediti | Ore totali | Lingua |
|---|---|---|---|---|
| Facoltativo | ||||
| Deep learning per elaborazione di segnali ed immagini | 2 | 10 | Inglese | |
| Heuristic algorithms for combinatorial optimization problems | 4 | 20 | Italiano, Inglese | |
| Introduction to quantum information and cryptography | Gianini Gabriele
|
4 | 20 | Inglese |
| Programmazione dinamica | 2 | 10 | Italiano | |
febbraio 2023
| Attività formative | Docente/i | Crediti | Ore totali | Lingua |
|---|---|---|---|---|
| Facoltativo | ||||
| Network flows (modeling, analysis and optimization of networks part 1) | 2 | 10 | Inglese | |
| Probabilistic model checking for complex, self-organising systems | 4 | 21 | Inglese | |
marzo 2023
| Attività formative | Docente/i | Crediti | Ore totali | Lingua |
|---|---|---|---|---|
| Facoltativo | ||||
| Constructing and mining biomedical knowledge graphs | 4 | 20 | Inglese | |
| Parameterized algorithms, parameterized complexity, and fixed-parameter tractability | 3 | 15 | Inglese | |
aprile 2023
| Attività formative | Docente/i | Crediti | Ore totali | Lingua |
|---|---|---|---|---|
| Facoltativo | ||||
| An introduction to category theory | 2 | 10 | Inglese | |
| Design sperimentale degli studi con gli utenti | 2 | 10 | Italiano | |
giugno 2023
| Attività formative | Docente/i | Crediti | Ore totali | Lingua |
|---|---|---|---|---|
| Facoltativo | ||||
| Reversible logic and quantum computing | 2 | 10 | Inglese | |
luglio 2023
| Attività formative | Docente/i | Crediti | Ore totali | Lingua |
|---|---|---|---|---|
| Facoltativo | ||||
| User support for data protection in emerging scenarios | 2 | 10 | Inglese | |
Seguire il percorso di dottorato
Contatti e aiuto
Gli uffici che forniscono assistenza ai dottorandi e agli enti finanziatori.