Acquisizione Dati e Controllo di Esperimenti

Il corso introduce i principali sistemi di acquisizione dati e i fondamenti dell'elettronica digitale, partendo dall'algebra di Boole e dalle porte logiche fino ad arrivare a memorie e processori. Verranno inoltre presentati i concetti di base del calcolo quantistico e delle porte logiche quantistiche.

La seconda parte del corso sarà dedicata alla programmazione scientifica in Python, con esercitazioni di laboratorio finalizzate all'acquisizione e all'elaborazione dei dati e al controllo di un braccio robotico.

Saranno quindi introdotti i principi del machine learning, partendo dai modelli di Ising, utilizzati anche in applicazioni di trigger e selezione degli eventi negli esperimenti di fisica. Le esercitazioni pratiche riguarderanno problemi di classificazione e l'addestramento di modelli di apprendimento automatico.

Il corso si concluderà con un'introduzione al quantum computing attraverso l'utilizzo del simulatore IBM Quantum e di sistemi quantistici reali, mostrando le basi del quantum machine learning e le sue applicazioni elementari alla classificazione dei dati.

Risultati di apprendimento attesi: al termine del corso lo studente avrà acquisito competenze di base sui sistemi di acquisizione dati, sull'elettronica digitale, sulla programmazione in Python, sulle tecniche fondamentali di machine learning e sui principi del calcolo e dell'apprendimento automatico quantistico.

Il corso richiede una preparazione di base nelle discipline scientifiche, in particolare conoscenze elementari di matematica (algebra, funzioni e concetti introduttivi di probabilità) e di fisica. È inoltre richiesta una familiarità di base con l'utilizzo del computer e degli strumenti informatici più comuni.

Non sono richieste conoscenze pregresse di programmazione, elettronica digitale, machine learning o calcolo quantistico, in quanto tali argomenti saranno introdotti e sviluppati durante il corso.

Per gli argomenti relativi all'elettronica digitale, ai sistemi di acquisizione dati (DAQ) e trigger, nonché all'introduzione al calcolo quantistico, il docente fornirà dispense e materiale didattico integrativo.

Come testi di riferimento e approfondimento si consigliano:

a) M. A. Nielsen, I. L. Chuang, Quantum Computation and Quantum Information, Cambridge University Press.

b) J. Watrous, Understanding Quantum Information and Computation, Cambridge University Press.

c) Dispense del corso di Elettronica Digitale.

d) Appunti e materiale didattico del corso sui sistemi di Data Acquisition (DAQ) e Trigger.

Il materiale fornito dal docente sarà comunque sufficiente per la preparazione dell'esame e per lo svolgimento delle attività di laboratorio.

Le lezioni si svolgeranno prevalentemente in presenza, con didattica frontale alla lavagna, al fine di favorire l'interazione diretta con gli studenti e la comprensione graduale dei concetti teorici. La trattazione degli argomenti sarà supportata dall'utilizzo di slide e di materiale didattico integrativo. In casi specifici potranno essere previsti interventi seminariali o testimonianze da remoto da parte di esperti del settore. Le attività di laboratorio saranno svolte mediante esercitazioni pratiche assistite, con particolare attenzione alla programmazione in Python e alle applicazioni di machine learning e calcolo quantistico.

la frequenza non è obbligatoria ma sempre fortemente consigliata

La verifica dell'apprendimento consisterà in una prova pratica e in una prova orale, che si svolgeranno nella medesima giornata. La prova pratica sarà finalizzata a valutare le competenze acquisite nell'ambito della programmazione, dell'analisi dei dati e delle attività di laboratorio svolte durante il corso. La prova orale verterà sugli argomenti teorici trattati, con particolare riferimento ai sistemi di acquisizione dati, all'elettronica digitale, al machine learning e ai fondamenti del calcolo quantistico. La valutazione finale terrà conto dell'esito complessivo di entrambe le prove.

Il corso introduce i principali sistemi di acquisizione dati e i fondamenti dell'elettronica digitale, partendo dall'algebra di Boole e dalle porte logiche fino ad arrivare a memorie e processori. Verranno inoltre presentati i concetti di base del calcolo quantistico e delle porte logiche quantistiche.

La seconda parte del corso sarà dedicata alla programmazione scientifica in Python, con esercitazioni di laboratorio finalizzate all'acquisizione e all'elaborazione dei dati e al controllo di un braccio robotico.

Saranno quindi introdotti i principi del machine learning, partendo dai modelli di Ising, utilizzati anche in applicazioni di trigger e selezione degli eventi negli esperimenti di fisica. Le esercitazioni pratiche riguarderanno problemi di classificazione e l'addestramento di modelli di apprendimento automatico.

Il corso si concluderà con un'introduzione al quantum computing attraverso l'utilizzo del simulatore IBM Quantum e di sistemi quantistici reali, mostrando le basi del quantum machine learning e le sue applicazioni elementari alla classificazione dei dati.

Risultati di apprendimento attesi: al termine del corso lo studente avrà acquisito competenze di base sui sistemi di acquisizione dati, sull'elettronica digitale, sulla programmazione in Python, sulle tecniche fondamentali di machine learning e sui principi del calcolo e dell'apprendimento automatico quantistico.

Il corso richiede una preparazione di base nelle discipline scientifiche, in particolare conoscenze elementari di matematica (algebra, funzioni e concetti introduttivi di probabilità) e di fisica. È inoltre richiesta una familiarità di base con l'utilizzo del computer e degli strumenti informatici più comuni.

Non sono richieste conoscenze pregresse di programmazione, elettronica digitale, machine learning o calcolo quantistico, in quanto tali argomenti saranno introdotti e sviluppati durante il corso.

Per gli argomenti relativi all'elettronica digitale, ai sistemi di acquisizione dati (DAQ) e trigger, nonché all'introduzione al calcolo quantistico, il docente fornirà dispense e materiale didattico integrativo.

Come testi di riferimento e approfondimento si consigliano:

a) M. A. Nielsen, I. L. Chuang, Quantum Computation and Quantum Information, Cambridge University Press.

b) J. Watrous, Understanding Quantum Information and Computation, Cambridge University Press.

c) Dispense del corso di Elettronica Digitale.

d) Appunti e materiale didattico del corso sui sistemi di Data Acquisition (DAQ) e Trigger.

Il materiale fornito dal docente sarà comunque sufficiente per la preparazione dell'esame e per lo svolgimento delle attività di laboratorio.

Le lezioni si svolgeranno prevalentemente in presenza, con didattica frontale alla lavagna, al fine di favorire l'interazione diretta con gli studenti e la comprensione graduale dei concetti teorici. La trattazione degli argomenti sarà supportata dall'utilizzo di slide e di materiale didattico integrativo. In casi specifici potranno essere previsti interventi seminariali o testimonianze da remoto da parte di esperti del settore. Le attività di laboratorio saranno svolte mediante esercitazioni pratiche assistite, con particolare attenzione alla programmazione in Python e alle applicazioni di machine learning e calcolo quantistico.

la frequenza non è obbligatoria ma sempre fortemente consigliata

La verifica dell'apprendimento consisterà in una prova pratica e in una prova orale, che si svolgeranno nella medesima giornata. La prova pratica sarà finalizzata a valutare le competenze acquisite nell'ambito della programmazione, dell'analisi dei dati e delle attività di laboratorio svolte durante il corso. La prova orale verterà sugli argomenti teorici trattati, con particolare riferimento ai sistemi di acquisizione dati, all'elettronica digitale, al machine learning e ai fondamenti del calcolo quantistico. La valutazione finale terrà conto dell'esito complessivo di entrambe le prove.

Il corso introduce i principali sistemi di acquisizione dati e i fondamenti dell'elettronica digitale, partendo dall'algebra di Boole e dalle porte logiche fino ad arrivare a memorie e processori. Verranno inoltre presentati i concetti di base del calcolo quantistico e delle porte logiche quantistiche.

La seconda parte del corso sarà dedicata alla programmazione scientifica in Python, con esercitazioni di laboratorio finalizzate all'acquisizione e all'elaborazione dei dati e al controllo di un braccio robotico.

Saranno quindi introdotti i principi del machine learning, partendo dai modelli di Ising, utilizzati anche in applicazioni di trigger e selezione degli eventi negli esperimenti di fisica. Le esercitazioni pratiche riguarderanno problemi di classificazione e l'addestramento di modelli di apprendimento automatico.

Il corso si concluderà con un'introduzione al quantum computing attraverso l'utilizzo del simulatore IBM Quantum e di sistemi quantistici reali, mostrando le basi del quantum machine learning e le sue applicazioni elementari alla classificazione dei dati.

Risultati di apprendimento attesi: al termine del corso lo studente avrà acquisito competenze di base sui sistemi di acquisizione dati, sull'elettronica digitale, sulla programmazione in Python, sulle tecniche fondamentali di machine learning e sui principi del calcolo e dell'apprendimento automatico quantistico.

Il corso richiede una preparazione di base nelle discipline scientifiche, in particolare conoscenze elementari di matematica (algebra, funzioni e concetti introduttivi di probabilità) e di fisica. È inoltre richiesta una familiarità di base con l'utilizzo del computer e degli strumenti informatici più comuni.

Non sono richieste conoscenze pregresse di programmazione, elettronica digitale, machine learning o calcolo quantistico, in quanto tali argomenti saranno introdotti e sviluppati durante il corso.

Per gli argomenti relativi all'elettronica digitale, ai sistemi di acquisizione dati (DAQ) e trigger, nonché all'introduzione al calcolo quantistico, il docente fornirà dispense e materiale didattico integrativo.

Come testi di riferimento e approfondimento si consigliano:

a) M. A. Nielsen, I. L. Chuang, Quantum Computation and Quantum Information, Cambridge University Press.

b) J. Watrous, Understanding Quantum Information and Computation, Cambridge University Press.

c) Dispense del corso di Elettronica Digitale.

d) Appunti e materiale didattico del corso sui sistemi di Data Acquisition (DAQ) e Trigger.

Il materiale fornito dal docente sarà comunque sufficiente per la preparazione dell'esame e per lo svolgimento delle attività di laboratorio.

Le lezioni si svolgeranno prevalentemente in presenza, con didattica frontale alla lavagna, al fine di favorire l'interazione diretta con gli studenti e la comprensione graduale dei concetti teorici. La trattazione degli argomenti sarà supportata dall'utilizzo di slide e di materiale didattico integrativo. In casi specifici potranno essere previsti interventi seminariali o testimonianze da remoto da parte di esperti del settore. Le attività di laboratorio saranno svolte mediante esercitazioni pratiche assistite, con particolare attenzione alla programmazione in Python e alle applicazioni di machine learning e calcolo quantistico.

la frequenza non è obbligatoria ma sempre fortemente consigliata

La verifica dell'apprendimento consisterà in una prova pratica e in una prova orale, che si svolgeranno nella medesima giornata. La prova pratica sarà finalizzata a valutare le competenze acquisite nell'ambito della programmazione, dell'analisi dei dati e delle attività di laboratorio svolte durante il corso. La prova orale verterà sugli argomenti teorici trattati, con particolare riferimento ai sistemi di acquisizione dati, all'elettronica digitale, al machine learning e ai fondamenti del calcolo quantistico. La valutazione finale terrà conto dell'esito complessivo di entrambe le prove.

Il corso introduce i principali sistemi di acquisizione dati e i fondamenti dell'elettronica digitale, partendo dall'algebra di Boole e dalle porte logiche fino ad arrivare a memorie e processori. Verranno inoltre presentati i concetti di base del calcolo quantistico e delle porte logiche quantistiche.

La seconda parte del corso sarà dedicata alla programmazione scientifica in Python, con esercitazioni di laboratorio finalizzate all'acquisizione e all'elaborazione dei dati e al controllo di un braccio robotico.

Saranno quindi introdotti i principi del machine learning, partendo dai modelli di Ising, utilizzati anche in applicazioni di trigger e selezione degli eventi negli esperimenti di fisica. Le esercitazioni pratiche riguarderanno problemi di classificazione e l'addestramento di modelli di apprendimento automatico.

Il corso si concluderà con un'introduzione al quantum computing attraverso l'utilizzo del simulatore IBM Quantum e di sistemi quantistici reali, mostrando le basi del quantum machine learning e le sue applicazioni elementari alla classificazione dei dati.

Risultati di apprendimento attesi: al termine del corso lo studente avrà acquisito competenze di base sui sistemi di acquisizione dati, sull'elettronica digitale, sulla programmazione in Python, sulle tecniche fondamentali di machine learning e sui principi del calcolo e dell'apprendimento automatico quantistico.

Il corso richiede una preparazione di base nelle discipline scientifiche, in particolare conoscenze elementari di matematica (algebra, funzioni e concetti introduttivi di probabilità) e di fisica. È inoltre richiesta una familiarità di base con l'utilizzo del computer e degli strumenti informatici più comuni.

Non sono richieste conoscenze pregresse di programmazione, elettronica digitale, machine learning o calcolo quantistico, in quanto tali argomenti saranno introdotti e sviluppati durante il corso.

Per gli argomenti relativi all'elettronica digitale, ai sistemi di acquisizione dati (DAQ) e trigger, nonché all'introduzione al calcolo quantistico, il docente fornirà dispense e materiale didattico integrativo.

Come testi di riferimento e approfondimento si consigliano:

a) M. A. Nielsen, I. L. Chuang, Quantum Computation and Quantum Information, Cambridge University Press.

b) J. Watrous, Understanding Quantum Information and Computation, Cambridge University Press.

c) Dispense del corso di Elettronica Digitale.

d) Appunti e materiale didattico del corso sui sistemi di Data Acquisition (DAQ) e Trigger.

Il materiale fornito dal docente sarà comunque sufficiente per la preparazione dell'esame e per lo svolgimento delle attività di laboratorio.

Le lezioni si svolgeranno prevalentemente in presenza, con didattica frontale alla lavagna, al fine di favorire l'interazione diretta con gli studenti e la comprensione graduale dei concetti teorici. La trattazione degli argomenti sarà supportata dall'utilizzo di slide e di materiale didattico integrativo. In casi specifici potranno essere previsti interventi seminariali o testimonianze da remoto da parte di esperti del settore. Le attività di laboratorio saranno svolte mediante esercitazioni pratiche assistite, con particolare attenzione alla programmazione in Python e alle applicazioni di machine learning e calcolo quantistico.

la frequenza non è obbligatoria ma sempre fortemente consigliata

La verifica dell'apprendimento consisterà in una prova pratica e in una prova orale, che si svolgeranno nella medesima giornata. La prova pratica sarà finalizzata a valutare le competenze acquisite nell'ambito della programmazione, dell'analisi dei dati e delle attività di laboratorio svolte durante il corso. La prova orale verterà sugli argomenti teorici trattati, con particolare riferimento ai sistemi di acquisizione dati, all'elettronica digitale, al machine learning e ai fondamenti del calcolo quantistico. La valutazione finale terrà conto dell'esito complessivo di entrambe le prove.

Il corso introduce i principali sistemi di acquisizione dati e i fondamenti dell'elettronica digitale, partendo dall'algebra di Boole e dalle porte logiche fino ad arrivare a memorie e processori. Verranno inoltre presentati i concetti di base del calcolo quantistico e delle porte logiche quantistiche.

La seconda parte del corso sarà dedicata alla programmazione scientifica in Python, con esercitazioni di laboratorio finalizzate all'acquisizione e all'elaborazione dei dati e al controllo di un braccio robotico.

Saranno quindi introdotti i principi del machine learning, partendo dai modelli di Ising, utilizzati anche in applicazioni di trigger e selezione degli eventi negli esperimenti di fisica. Le esercitazioni pratiche riguarderanno problemi di classificazione e l'addestramento di modelli di apprendimento automatico.

Il corso si concluderà con un'introduzione al quantum computing attraverso l'utilizzo del simulatore IBM Quantum e di sistemi quantistici reali, mostrando le basi del quantum machine learning e le sue applicazioni elementari alla classificazione dei dati.

Risultati di apprendimento attesi: al termine del corso lo studente avrà acquisito competenze di base sui sistemi di acquisizione dati, sull'elettronica digitale, sulla programmazione in Python, sulle tecniche fondamentali di machine learning e sui principi del calcolo e dell'apprendimento automatico quantistico.

Il corso richiede una preparazione di base nelle discipline scientifiche, in particolare conoscenze elementari di matematica (algebra, funzioni e concetti introduttivi di probabilità) e di fisica. È inoltre richiesta una familiarità di base con l'utilizzo del computer e degli strumenti informatici più comuni.

Non sono richieste conoscenze pregresse di programmazione, elettronica digitale, machine learning o calcolo quantistico, in quanto tali argomenti saranno introdotti e sviluppati durante il corso.

Per gli argomenti relativi all'elettronica digitale, ai sistemi di acquisizione dati (DAQ) e trigger, nonché all'introduzione al calcolo quantistico, il docente fornirà dispense e materiale didattico integrativo.

Come testi di riferimento e approfondimento si consigliano:

a) M. A. Nielsen, I. L. Chuang, Quantum Computation and Quantum Information, Cambridge University Press.

b) J. Watrous, Understanding Quantum Information and Computation, Cambridge University Press.

c) Dispense del corso di Elettronica Digitale.

d) Appunti e materiale didattico del corso sui sistemi di Data Acquisition (DAQ) e Trigger.

Il materiale fornito dal docente sarà comunque sufficiente per la preparazione dell'esame e per lo svolgimento delle attività di laboratorio.

Le lezioni si svolgeranno prevalentemente in presenza, con didattica frontale alla lavagna, al fine di favorire l'interazione diretta con gli studenti e la comprensione graduale dei concetti teorici. La trattazione degli argomenti sarà supportata dall'utilizzo di slide e di materiale didattico integrativo. In casi specifici potranno essere previsti interventi seminariali o testimonianze da remoto da parte di esperti del settore. Le attività di laboratorio saranno svolte mediante esercitazioni pratiche assistite, con particolare attenzione alla programmazione in Python e alle applicazioni di machine learning e calcolo quantistico.

la frequenza non è obbligatoria ma sempre fortemente consigliata

La verifica dell'apprendimento consisterà in una prova pratica e in una prova orale, che si svolgeranno nella medesima giornata. La prova pratica sarà finalizzata a valutare le competenze acquisite nell'ambito della programmazione, dell'analisi dei dati e delle attività di laboratorio svolte durante il corso. La prova orale verterà sugli argomenti teorici trattati, con particolare riferimento ai sistemi di acquisizione dati, all'elettronica digitale, al machine learning e ai fondamenti del calcolo quantistico. La valutazione finale terrà conto dell'esito complessivo di entrambe le prove.

Il corso introduce i principali sistemi di acquisizione dati e i fondamenti dell'elettronica digitale, partendo dall'algebra di Boole e dalle porte logiche fino ad arrivare a memorie e processori. Verranno inoltre presentati i concetti di base del calcolo quantistico e delle porte logiche quantistiche.

La seconda parte del corso sarà dedicata alla programmazione scientifica in Python, con esercitazioni di laboratorio finalizzate all'acquisizione e all'elaborazione dei dati e al controllo di un braccio robotico.

Saranno quindi introdotti i principi del machine learning, partendo dai modelli di Ising, utilizzati anche in applicazioni di trigger e selezione degli eventi negli esperimenti di fisica. Le esercitazioni pratiche riguarderanno problemi di classificazione e l'addestramento di modelli di apprendimento automatico.

Il corso si concluderà con un'introduzione al quantum computing attraverso l'utilizzo del simulatore IBM Quantum e di sistemi quantistici reali, mostrando le basi del quantum machine learning e le sue applicazioni elementari alla classificazione dei dati.

Risultati di apprendimento attesi: al termine del corso lo studente avrà acquisito competenze di base sui sistemi di acquisizione dati, sull'elettronica digitale, sulla programmazione in Python, sulle tecniche fondamentali di machine learning e sui principi del calcolo e dell'apprendimento automatico quantistico.

Il corso richiede una preparazione di base nelle discipline scientifiche, in particolare conoscenze elementari di matematica (algebra, funzioni e concetti introduttivi di probabilità) e di fisica. È inoltre richiesta una familiarità di base con l'utilizzo del computer e degli strumenti informatici più comuni.

Non sono richieste conoscenze pregresse di programmazione, elettronica digitale, machine learning o calcolo quantistico, in quanto tali argomenti saranno introdotti e sviluppati durante il corso.

Per gli argomenti relativi all'elettronica digitale, ai sistemi di acquisizione dati (DAQ) e trigger, nonché all'introduzione al calcolo quantistico, il docente fornirà dispense e materiale didattico integrativo.

Come testi di riferimento e approfondimento si consigliano:

a) M. A. Nielsen, I. L. Chuang, Quantum Computation and Quantum Information, Cambridge University Press.

b) J. Watrous, Understanding Quantum Information and Computation, Cambridge University Press.

c) Dispense del corso di Elettronica Digitale.

d) Appunti e materiale didattico del corso sui sistemi di Data Acquisition (DAQ) e Trigger.

Il materiale fornito dal docente sarà comunque sufficiente per la preparazione dell'esame e per lo svolgimento delle attività di laboratorio.

Le lezioni si svolgeranno prevalentemente in presenza, con didattica frontale alla lavagna, al fine di favorire l'interazione diretta con gli studenti e la comprensione graduale dei concetti teorici. La trattazione degli argomenti sarà supportata dall'utilizzo di slide e di materiale didattico integrativo. In casi specifici potranno essere previsti interventi seminariali o testimonianze da remoto da parte di esperti del settore. Le attività di laboratorio saranno svolte mediante esercitazioni pratiche assistite, con particolare attenzione alla programmazione in Python e alle applicazioni di machine learning e calcolo quantistico.

la frequenza non è obbligatoria ma sempre fortemente consigliata

La verifica dell'apprendimento consisterà in una prova pratica e in una prova orale, che si svolgeranno nella medesima giornata. La prova pratica sarà finalizzata a valutare le competenze acquisite nell'ambito della programmazione, dell'analisi dei dati e delle attività di laboratorio svolte durante il corso. La prova orale verterà sugli argomenti teorici trattati, con particolare riferimento ai sistemi di acquisizione dati, all'elettronica digitale, al machine learning e ai fondamenti del calcolo quantistico. La valutazione finale terrà conto dell'esito complessivo di entrambe le prove.