Skip to content

Sito web del corso di Laboratorio di Programmazione per Intelligenza Artificiale e Statistica

Notifications You must be signed in to change notification settings

RitaFerraro/ProgrammingLab-1

 
 

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

7 Commits
 
 
 
 
 
 
 
 

Repository files navigation

ProgrammingLab

Sito web del corso di Laboratorio di Programmazione per Intelligenza Artificiale e per Statistica dell'Università degli studi di Trieste.

Informazioni

Docente: Stefano Alberto Russo stefanoalberto.russo@phd.units.it

Aula ed orario: Martedì 12-14, Giovedì 13-15, aula Morin 2a.

Esame: compito per casa con qualche giorno a disposizione e discussione all' orale

Aiuto: La modalità principale è chiedere ai tutor: lucrezia.valeriani@phd.units.it e valentina.blasone@phd.units.it. Alternativamente, potete anche scrivermi per fissare un appuntamento come ricevimento studenti.

Materiale: Ci sono le dispense (ancora in versione bozza) e ci sono le slides di lezione, che trovate qui sotto, assieme agli esercizi (sia proposti dai tutor che in genere uno alla fine di ogni lezione) di cui verranno pubblicate alcune soluzioni. Essendo un corso di laboratorio, non c'è un vero e proprio libro di testo di riferimento.

News

  • 15/11/2022: Aggiunte le dispense in versione bozza (verranno man mano sistemate via per il corso)

Lezioni e slides

  • Lezione 1 (10/11/2022 h 13:00): Introduzione e strumenti | slides

  • Lezione 2 (15/11/2022 h 12:00): Intro su Python: tipi dati, costrutti, funzioni, moduli, be pythonic | slides

  • Lezione 3 (17/11/2022 h 13:00): I dati: interagire con i file ed il formato CSV | slides | shampoo_sales.csv | shampoo_sales.txt

  • Lezione 4 (22/11/2022 h 12:00): Gli oggetti in Python | slides

  • Lezione 5 (24/11/2022): Le eccezioni ed il flusso try-except | slides

  • Lezione 6 (29/11/2022): Controllo degli input e sanitizzazione | slides

  • Lezione 7 (01/12/2022): Testing e unit tests | slides

  • Lezione 8 (06/12/2022): Lavorare veramente 1: creiamo un modello | slides

  • Lezione 9 (08/12/2022): Lavorare veramente 2: fittiamo un modello | slides

  • Lezione 10 (13/12/2022): Lavorare veramente 3: valutiamo un modello | slides

  • Lezione 11 (15/12/2022 - da confermare): prima esercitazione | compito

  • Lezione 12 (20/12/2022 - da confermare): seconda esercitazione | compito

Modalità di esame

La modalità di esame è la seguente:

  1. Qualche giorno prima dell'appello verrà pubblicato sul sito un compito per casa, che sarà simile a quelli visti nelle esercitaziomi ma più lungo e complicato. Potrete svolgerlo con tutti gli strumenti di supporto che vorrete (libri, internet etc.) ma se ve lo fate fare da qualcuno poi tranquilli che all'orale casca il palco. In genere si vede subito se non avete scritto voi il vostro codice.

  2. Il giorno dell'esame, il vostro codice verrà sottoposto a testing automatico (tramite unit-testing) e poi discusso assieme. La consegna dell'esame deve avvenire tassativamente entro l'ora di inizio dell'appello orale, e può avvenire in due modi. In entrambi dovete mandare una mail a stefano.russo@gmail.com, dal vostro indirizzo email universitario, e potete:

    a. allegare lo script esame.py, oppure

    b. inserire il link diretto al codice sul vostro repository su GitHub (o altro sistema di versionamento) comprensivo di hash da valutare. Vedi Nota 2 per maggiorri dettagli. Per poter ambire al 30 e lode, dovete mandare l'esame con questo sistema.

  3. Il voto d'esame sara' dato dal voto assegnato dalla correzione automatica e dalla discussione.

  4. Nel caso in cui la correzione automatica dia un voto molto basso sul vostro codice o non funzioni proprio, nel caso cio' fosse dovuto ad una svista (come ad esempio se avete chiamato col nome sbagliato una funzione) potrete provare a sisteamare la cosa durante la discussione. Altrimenti, non sara' raggiunta la sufficienza.

Nota 1: Dovete sempre ed in ogni caso iscrivervi agli appelli su Esse3!

Nota 2: per mandare il codice come link a repository GitHub con hash, potete avere accesso a questo tipo di link cliccando su commits, che vi porterà alla lista di commit del vostro repository, e poi su <> per visionare il codice ad un particolare punto nella storia (cioè ad uno specifico hash). A questo punto cliccate sul file (ad esempio esame.py), e nella barra di navigazione del Browser avete ora un'URL al file contentente anche l'hash di quella specifica versione. Dovete mandare questo.

Nota 3 il file esame.py non deve includere i vostri esempi o prove e tantomento richieste di input da parte dell'utente, ma solo ed esclusivamente quello che viene chiesto dal testo (in genere una classe, una funzione ed una eccezione).

Licenza d'uso

Copyright © Stefano Alberto Russo.

I materiali sono distribuiti sotto licenza Creative Commons Attribution-ShareAlike 4.0 International License, che vuol dire grossomodo che a condizione di citare l'autore e di utilizzare la stessa tipologia di licenza, questi possono essere liberamente copiati, modificati, usati per creare opere derivate e ridistribuiti.

CC BY-SA 4.0 logo!

About

Sito web del corso di Laboratorio di Programmazione per Intelligenza Artificiale e Statistica

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published