Tecniche di Programmazione e Laboratorio 

Orario delle Lezioni (Aula Mauro Picone) 

Lunedì 11:00-14:00

Mercoledì 11:00-13:00 

Venerdì 09:00 - 11:00 (laboratorio) 

Prof. Stefano Leonardi: leonardi@diag. uniroma1.it (prima parte) 

Federico Fusco: federico.fusco@uniroma1.it (seconda parte)

Matteo Russo: mrusso@diag.uniroma1.it (tutor, laboratorio) 

Ricevimento (Via Ariosto 25) su richiesta via email oppure in Aula dopo la lezione del Mercoledì. 

Testo di riferimento: 

Guttag, John. Introduction to Computation and Programming Using Python: With Application to Understanding Data Second Edition. MIT Press, 2016. ISBN: 9780262529624. 

Slides e Codice I part Slides e Codice II part 

Comunicazione con gli studenti, Esercizi, altro materiale didattico su Classroom (code l2b4agr)

Syllabus 

I sezione: Analisi e progetto di algoritmi  

1. Introduzione alla complessità computazionale

2. Semplici algoritimi di ricerca.

3. Esercitazione su semplici algoritmi e loro analisi

4. Sorting

5. Sorting (contd)  e Hashing. 

6. Esercitazione su sorting e Hashing 

7. Plotting and Data Visualization 

8. Ricapitolazione di classi ed ereditarietà con applicazione alla visualizzazione. 

9. Assignment numero 1

II sezione: Ottimizzazione 

10. Introduzione all’ottimizzazione, il problema del knapsack, algoritmi greedy di ottimizzazione e Knapsack 0/1 

11. Algoritmi di ricerca su grafi

12. Esercitazione su algoritmi greedy di ottimizzazione 

13. Algoritmi greedy su grafi: shortest paths e MST  

14. Esempi di algoritmi su grafi. 

15. Esercitazione su algoritmi su grafi 

16. Programmazione Dinamica, serie di Fibonacci, 0/1 Knapsack 

17. Esercitazione di programmazione dinamica 

18. Assignment n. 2 

III Sezione: Simulazione probabilistica 

19. Random Walks on graphs e data visualization 

20. Applicazioni di random walks 

21. Esercitazione su random walks e visualizzazione 

22. Algoritmi probabilistici e cenni di probabilità 

23. Esempi di algoritmi probabilistici 

24. Esercitazione di algoritmi probabilistici 

25. Simulazione Monte-Carlo 

26. Esercitazione di simulazione monte-carlo 

27. Assignment n. 3 

IV Sezione: Comprensione dei dati e introduzione al  Machine Learning 

28. Esplorazione dei dati con  PANDAS 

29. Esempio di applicazione di PANDAS 

30. Esercitazione su PANDAS 

31. Introduzione al machine learning: feature vectors e spazi metrici 

32. Clustering K-means ed esempi di applicazioni 

33. Esercitazione su clustering 

34. Metodi di classificazione (K-NN, classificatori lineari)

35. Esercitazione su classificazione