L'ottimizzazione è una disciplina inclusa nella scienza delle decisioni. Il corso introduce i fondamenti della disciplina e il ruolo del linguaggio di programmazione Python nell'ambito dell'ottimizzazione.
L’insegnamento si propone di fornire capacità di comprendere e utilizzare i principali strumenti, concettuali e computazionali, per l'interpretazione di grandi quantità di dati e per il loro utilizzo a fini predittivi, e avranno competenze relative all'analisi big data con particolare riferimento alle applicazioni riguardanti l'economia e altre scienze applicate. Gli studenti svilupperanno conoscenze base di programmazione grazie allo studio del linguaggio di programmazione Python e saranno in grado di progettare modelli matematici lineari PL/PLI per la risoluzione di problemi decisionali continui e discreti. - applicazioni riguardanti l'economia e altre scienze applicate. Gli studenti svilupperanno conoscenze base di programmazione grazie allo studio del linguaggio di programmazione Python e saranno in grado di progettare modelli matematici lineari PL/PLI per la risoluzione di problemi decisionali continui e discreti.
Al termine del corso, lo studente sarà in grado di:
Consigliati:
Algebra, Geometria Analitica, Ricerca Operativa, Programmazione.
Il corso prevede lezioni frontali svolte in aula informatica, per dare l'opportunità agli studenti di formulare, risolvere e analizzare insieme ai docenti i problemi proposti. Qualora non fosse possibile svolgere attività in presenza, verranno adottate le modalità didattiche decise dall'Ateneo. Per eventuali aggiornamenti fare riferimento ad Aulaweb. La frequenza non è obbligatoria. Per studenti con DSA o disabilità, sono previste modalità personalizzate secondo le disposizioni di Ateneo.
Gli studenti in possesso di certificazione di disabilità, DSA o bisogni educativi speciali devono contattare, all'inizio delle lezioni, sia il docente, sia il referente per la disabilità del Dipartimento, Prof.ssa Elena Lagomarsino elena.lagomarsino@unige.it , per concordare modalità didattiche e d'esame che, nel rispetto degli obiettivi dell'insegnamento, tengano conto delle modalità di apprendimento individuali e consentano l'uso di eventuali strumenti compensativi
Coerentemente con gli obiettivi precedentemente illustrati, vengono trattati i seguenti argomenti
Si suggeriscono i seguenti testi e materiali: Hillier, Lieberman, “Introduction to Operations Research”, McGraw Hill, 2016. Downey, A., et al. "Thinking Python. 2.0". Green Tea Press Supplemental Material, 2012. https://coin-or.github.io/pulp/index.html
Ricevimento: Ricevimento su appuntamento, in presenza o via Teams, da concordare tramite email con il docente.
Primo Semestre
https://easyacademy.unige.it/portalestudenti/index.php?view=easycourse&_lang=it&include=attivita
L'orario di questo insegnamento è consultabile all'indirizzo: Portale EasyAcademy
Gli studenti dovranno sostenere una prova scritta che può contenere domande a scelta multipla, domande aperte ed esercizi. Supera l'esame chi ottiene almeno 18/30.
Le conoscenze e competenze saranno verificate tramite test online ed esercitazioni durante le lezioni, valutando la capacità di applicare i metodi di ottimizzazione a problemi proposti, la correttezza delle soluzioni implementate in Python e la chiarezza espositiva. I criteri di valutazione includono: correttezza delle risposte, uso appropriato della terminologia, capacità di analisi e sintesi.
Rivolgersi al docente per ulteriori informazioni non comprese nella scheda insegnamento.