COMPUTING INFRASTRUCTURES FOR DATA SCIENCE

Il corso introduce i concetti fondamentali delle infrastrutture computazionali per la data science. L'obiettivo è fornire agli studenti una solida comprensione delle architetture hardware e software, dei sistemi distribuiti, del cloud computing e degli strumenti per la gestione efficiente di dati su larga scala. Particolare attenzione è dedicata alla scalabilità, all'affidabilità, alle prestazioni e all'ottimizzazione delle risorse, mettendo gli studenti in grado di progettare e utilizzare moderne infrastrutture di calcolo per applicazioni data-intensive.

Conoscenze di base di programmazione (preferibilmente Python) e concetti introduttivi di informatica. È consigliata una familiarità con l'analisi dei dati e con l'uso di ambienti di sviluppo software.

Conoscenza e comprensione: Gli studenti acquisiranno conoscenza delle principali infrastrutture computazionali per la data science, incluse architetture di calcolo, sistemi di storage, sistemi distribuiti e paralleli, piattaforme cloud e framework per l'elaborazione dei dati. Capacità di applicare conoscenza e comprensione: Gli studenti saranno in grado di selezionare e utilizzare le infrastrutture e gli strumenti appropriati per i compiti di data science, configurare ambienti distribuiti e cloud di base, e gestire flussi di elaborazione dati in modo efficiente. Autonomia di giudizio: Gli studenti svilupperanno la capacità di valutare criticamente diverse soluzioni infrastrutturali, valutando i trade-off in termini di prestazioni, scalabilità, costi e affidabilità per specifiche applicazioni. Abilità comunicative: Gli studenti saranno in grado di comunicare chiaramente concetti tecnici relativi alle infrastrutture di calcolo, usando terminologia appropriata, anche in sede di presentazione del progetto finale. Capacità di apprendimento: Le conoscenze acquisite permetteranno agli studenti di aggiornarsi autonomamente e di adattarsi alle tecnologie in evoluzione.

- Introduzione alle infrastrutture computazionali per la data science - Architetture hardware: CPU, GPU, acceleratori e gerarchie di memoria - Sistemi di storage e gestione dei dati - Modelli di calcolo distribuito e parallelo - Framework per l'elaborazione di big data: Hadoop e Apache Spark - Cloud computing: modelli di servizio (IaaS, PaaS, SaaS) e piattaforme - Containerizzazione e orchestrazione: Docker e Kubernetes - Scalabilità, affidabilità e tolleranza ai guasti - Valutazione e ottimizzazione delle prestazioni

- T. White (2015), Hadoop: The Definitive Guide, O'Reilly Media - M. Zaharia et al. (2016), Spark: The Definitive Guide, O'Reilly Media - B. Burns et al. (2022), Kubernetes: Up and Running, O'Reilly Media - Slide, articoli scientifici e materiale didattico integrativo forniti durante il corso (disponibili su MyLuiss)

Il corso si articola in lezioni frontali (24 ore totali, 2 ore a settimana per 12 settimane) ed esercitazioni pratiche di laboratorio aggiuntive. Le lezioni frontali coprono i contenuti teorici e concettuali del corso. Le sessioni di laboratorio aggiuntive, offrono agli studenti la possibilità di applicare concretamente le conoscenze acquisite attraverso l'utilizzo di strumenti e piattaforme reali (Docker, Hadoop, Spark, servizi cloud). Queste sessioni sono orientate allo sviluppo del progetto finale.

La valutazione del corso avviene in forma di idoneità (superato/non superato). Il superamento dell'idoneità è subordinato alla realizzazione e alla presentazione orale di un progetto pratico, sviluppato autonomamente durante le sessioni di laboratorio aggiuntive nel corso del semestre. Il progetto deve dimostrare la capacità dello studente di progettare, implementare e valutare un'infrastruttura computazionale per un caso d'uso di data science, facendo uso degli strumenti trattati nel corso. La presentazione del progetto si svolge in forma orale, con supporto visivo (slide), al termine del semestre (settimana 12).

I temi dei progetti finali vengono proposti dal docente all'inizio del semestre e assegnati individualmente o in piccoli gruppi. I temi riguardano la progettazione e l'implementazione di soluzioni basate sulle infrastrutture computazionali trattate nel corso (es. pipeline di elaborazione dati con Apache Spark, deployment di un'applicazione su cloud, gestione di un cluster containerizzato con Kubernetes). L'assegnazione del tema avviene tenendo conto delle preferenze degli studenti e della coerenza con il percorso formativo. Il progetto è accompagnato da una presentazione orale (10-15 minuti). Criteri di valutazione: correttezza tecnica, qualità dell'implementazione, chiarezza della presentazione, capacità critica nella discussione delle scelte progettuali.