Libri UniversitariZoom 100%

Prof. Michele Monaci: i libri dei suoi insegnamenti

Scheda docente sul sito dell’ateneo ›
Insegnamenti trovati: 5
Bologna 5 insegnamenti
Facoltà: Ingegneria e architettura

Prof. Michele Monaci: Discrete And Network Optimization M I.C.

6,4difficoltà
Bologna · Facoltà: Ingegneria e architettura · Ingegneria informatica (LM-32)
Di cosa si tratta: Problemi di decisione e di ottimizzazione, con programmazione lineare e programmazione lineare intera. Si studiano la formulazione di modelli matematici per problemi di ampia gamma e le tecniche di risoluzione più appropriate. Richiamate teoria degli insiemi, algebra vettoriale e matriciale come base di partenza, insieme alle competenze di programmazione.

Dettagli corso

1º annoCorso: LM-32
CFU: 6Canale: Unico
🕒 Orario lezioni
  • Mar12–14AULA 5.1
  • Gio16:30–19AULA 1.4

Tempo di studio e official info

Tempo consigliato per preparare l’esame: ≈ 3 settimane
Dati verificati il 02/10/2026

Libri indicati per la materia

Martello – LEZIONI DI RICERCA OPERATIVAISBN 9788886524667
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
n.d.
Difficoltà
6,4
Domande possibili all’esame
  1. Che cosa si intende per ottimizzazione discreta e quali problemi tipici la caratterizzano?
  2. Come si formula un problema di programmazione lineare intera?
  3. Che cosa si intende per rilassamento lineare e a che cosa serve nel calcolo di limiti?
  4. Come funziona il metodo del simplesso per la soluzione di un problema di programmazione lineare?
  5. Quali problemi classici di ottimizzazione su grafi vengono studiati nelle reti?
  6. Come si calcola il cammino minimo tra due nodi di una rete?
  7. Che cosa si intende per problema di flusso massimo e come si risolve?
  8. Quali algoritmi permettono di determinare un albero di copertura di costo minimo?
  9. In che modo la programmazione dinamica si applica a problemi di ottimizzazione discreta?
  10. Come si usano i metodi di branch and bound per risolvere problemi interi?
  11. Quali euristiche si utilizzano quando un problema combinatorio è troppo grande per essere risolto esattamente?
  12. Che cosa si intende per dualità in programmazione lineare e quale interpretazione economica offre?
  13. Come si modella un problema di localizzazione di impianti in una rete?
  14. Quali tecniche si usano per pianificare il trasporto di merci su una rete logistica?
  15. Come si valuta la complessità computazionale di un problema di ottimizzazione?
  16. In che modo la teoria della complessità classifica i problemi combinatori difficili?
  17. Quali vincoli tipici compaiono nella formulazione di un problema di assegnamento?
  18. Come si interpreta la soluzione di un problema di ottimizzazione in un contesto decisionale reale?
  19. Quali software di ottimizzazione supportano la risoluzione di modelli di grandi dimensioni?
  20. Quali applicazioni pratiche hanno le tecniche di ottimizzazione di rete nell'economia dei trasporti?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

Prof. Michele Monaci: Optimization And Machine Learning M

5,4difficoltà
Bologna · Facoltà: Ingegneria e architettura · Automation Engineering (LM-25)
Di cosa si tratta: Algoritmi per la soluzione di problemi di ottimizzazione non lineare sono alla base delle tecniche di machine learning, diffuse in telecomunicazioni, elettronica, controlli automatici e sistemi di supporto alle decisioni. Servono concetti fondamentali di ricerca operativa, implementazione di codici di calcolo e analisi della loro complessità.

Dettagli corso

1º annoCorso: LM-25
CFU: 6Canale: Unico

Tempo di studio e official info

Tempo consigliato per preparare l’esame: meno di 1 settimana
Slides disponibili online.
Dati verificati il 02/10/2026

Libri indicati per la materia

Scorri di lato: 4 libri
Bishop – Pattern Recognition and Machine LearningISBN 9780387310732
Tempo di studio del libro≈ 8 settimane
Obbligatorietà
Facoltativo
Adottato in
8 materie
Tipo
Manuale
Pagine
738 pagine
Difficoltà
8
S. Boyd e L. Vandenberghe, Convex Optimization. CambridgeISBN 9780521833783
Tempo di studio del libro≈ 8 settimane
Obbligatorietà
Facoltativo
Adottato in
1 materia
Tipo
Manuale
Pagine
716 pagine
Difficoltà
7,9
Grippo – Metodi di Ottimizzazione Non VincolataISBN 9788847017931
Tempo di studio del libro≈ 7 settimane
Obbligatorietà
Facoltativo
Adottato in
1 materia
Tipo
Manuale
Pagine
613 pagine
Difficoltà
7,5
J. Nocedal e S. J. Wright, Numerical Optimization.ISBN 9780387303031
Tempo di studio del libro≈ 7,5 settimane
Obbligatorietà
Facoltativo
Adottato in
3 materie
Tipo
Manuale
Pagine
664 pagine
Difficoltà
7,7
Domande possibili all’esame
  1. Che cosa distingue un problema di ottimizzazione vincolata da uno non vincolato?
  2. Come funziona il metodo del gradiente discendente e quale parametro ne governa il passo?
  3. Quali condizioni di Karush-Kuhn-Tucker devono essere soddisfatte in un ottimo vincolato?
  4. Che cosa si intende per funzione di costo convessa e perché è importante?
  5. Come si distingue l'apprendimento supervisionato da quello non supervisionato?
  6. Quale ruolo ha la regolarizzazione nel controllo dell'overfitting di un modello?
  7. Come si valuta la qualità di un classificatore tramite la matrice di confusione?
  8. In che modo la validazione incrociata stima l'errore di generalizzazione?
  9. Quali sono i vantaggi del metodo dei moltiplicatori di Lagrange?
  10. Come si affronta un problema di ottimizzazione con variabili intere?
  11. Che cosa indica la curva ROC e come si interpreta l'area sotto di essa?
  12. Quando conviene un algoritmo genetico rispetto a un metodo basato sul gradiente?
  13. Come si sceglie la dimensione del batch nell'addestramento di un modello?
  14. Che cosa succede quando la funzione obiettivo presenta più minimi locali?
  15. Come si può ridurre la dimensionalità dei dati prima di addestrare un modello?
  16. In che modo la normalizzazione dei dati influisce sulla convergenza di un algoritmo?
  17. Quali differenze esistono tra ottimizzazione lineare e non lineare nella pratica?
  18. Come si misura la complessità computazionale di un algoritmo di ottimizzazione?
  19. Quale ruolo gioca la scelta della funzione di attivazione in una rete addestrata con il gradiente?
  20. Come si decide quando interrompere l'addestramento per evitare il sovradattamento?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

Prof. Michele Monaci: Fondamenti di Ricerca Operativa T-A

5,4difficoltà
Bologna · Facoltà: Ingegneria e architettura · Ingegneria gestionale (L-9)
Di cosa si tratta: Ricerca operativa come metodi quantitativi di supporto alle decisioni, su basi di insiemistica, calcolo vettoriale e matriciale, statistica e nozioni di programmazione, che derivano da analisi matematica, geometria e algebra e fondamenti di informatica. Richiede anche una minima comprensione dell'inglese scritto, perché parte del materiale didattico è in questa lingua.

Dettagli corso

2º annoCorso: L-9
CFU: 6Canale: L-z
🕒 Orario lezioni
  • Mer11–14TA-02
  • Ven9–11:30TA-01

Tempo di studio e official info

Tempo consigliato per preparare l’esame: meno di 1 settimana
Dati verificati il 02/10/2026

Libri indicati per la materia

Scorri di lato: 4 libri
Nei negozi, con questo ISBN, c'è l'edizione del 1997; edizione indicata dal docente: 1999. Cerca l'edizione giusta prima di comprare.
Martello – ESERCIZI DI RICERCA OPERATIVAISBN 9788874887514
Tempo di studio del libronon incluso (libro di esercizi)
Obbligatorietà
Facoltativo
Adottato in
1 materia
Tipo
Eserciziario
Pagine
181 pagine
Difficoltà
6,3
Martello – ESERCIZI DI SIMULAZIONE NUMERICAISBN 9788874887507
Tempo di studio del libronon incluso (libro di esercizi)
Obbligatorietà
Facoltativo
Adottato in
1 materia
Tipo
Eserciziario
Pagine
n.d.
Difficoltà
5,4
Martello – LEZIONI DI RICERCA OPERATIVAISBN 9788886524667
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Facoltativo
Adottato in
1 materia
Tipo
Manuale
Pagine
n.d.
Difficoltà
5,4
Fischetti – LEZIONI DI RICERCA OPERATIVAISBN 9781980835011
Tempo di studio del libro≈ 2,5 settimane
Obbligatorietà
Facoltativo
Adottato in
1 materia
Tipo
Manuale
Pagine
226 pagine
Difficoltà
4,4
Domande possibili all’esame
  1. Che cosa si intende per problema di programmazione lineare e quali componenti lo definiscono?
  2. Come si risolve un problema di programmazione lineare con il metodo del simplesso?
  3. Quale è il significato economico delle variabili duali in un problema di ottimizzazione?
  4. Come si formula un problema di trasporto e quali condizioni di bilancio richiede?
  5. Che cosa rappresenta un grafo e come si modella un problema di rete?
  6. Come si determina il cammino minimo tra due nodi di un grafo pesato?
  7. Quali differenze esistono tra problemi di programmazione lineare intera e continua?
  8. Come si applica il metodo branch and bound per risolvere un problema intero?
  9. Che cosa si intende per analisi di sensitività in un modello di ottimizzazione?
  10. Come si costruisce un modello di scelta di localizzazione di impianti?
  11. Quali vantaggi offre la teoria delle code nel dimensionare un servizio?
  12. Come si calcola il tempo medio di attesa in un sistema con arrivi poissoniani?
  13. Che cosa si intende per flusso massimo in una rete e come si determina?
  14. Come si applica il metodo PERT alla pianificazione di un progetto?
  15. Quale ruolo ha il cammino critico nella gestione dei tempi di un progetto?
  16. Come si risolve un problema di assegnamento con il metodo ungherese?
  17. Quali metodi euristici si utilizzano quando un problema è troppo grande per la soluzione esatta?
  18. Come si valuta la qualità di una soluzione approssimata rispetto all'ottimo?
  19. Che cosa rappresenta la simulazione di eventi discreti nello studio di un sistema produttivo?
  20. Come si interpreta una matrice dei costi ridotti in un problema di trasporto?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

Altri docenti di Fondamenti di Ricerca Operativa T-A:

Prof. Michele Monaci: Optimization And Machine Learning M

5,4difficoltà
Bologna · Facoltà: Ingegneria e architettura · Automation Engineering (LM-25)
Di cosa si tratta: Algoritmi per la soluzione di problemi di ottimizzazione non lineare sono alla base delle tecniche di machine learning, diffuse in telecomunicazioni, elettronica, controlli automatici e sistemi di supporto alle decisioni. Servono concetti fondamentali di ricerca operativa, implementazione di codici di calcolo e analisi della loro complessità.

Dettagli corso

2º annoCorso: LM-25
CFU: 6Canale: Unico

Tempo di studio e official info

Tempo consigliato per preparare l’esame: meno di 1 settimana
Slides disponibili online.
Dati verificati il 02/10/2026

Libri indicati per la materia

Scorri di lato: 4 libri
Bishop – Pattern Recognition and Machine LearningISBN 9780387310732
Tempo di studio del libro≈ 8 settimane
Obbligatorietà
Facoltativo
Adottato in
8 materie
Tipo
Manuale
Pagine
738 pagine
Difficoltà
8
S. Boyd e L. Vandenberghe, Convex Optimization. CambridgeISBN 9780521833783
Tempo di studio del libro≈ 8 settimane
Obbligatorietà
Facoltativo
Adottato in
1 materia
Tipo
Manuale
Pagine
716 pagine
Difficoltà
7,9
Grippo – Metodi di Ottimizzazione Non VincolataISBN 9788847017931
Tempo di studio del libro≈ 7 settimane
Obbligatorietà
Facoltativo
Adottato in
1 materia
Tipo
Manuale
Pagine
613 pagine
Difficoltà
7,5
J. Nocedal e S. J. Wright, Numerical Optimization.ISBN 9780387303031
Tempo di studio del libro≈ 7,5 settimane
Obbligatorietà
Facoltativo
Adottato in
3 materie
Tipo
Manuale
Pagine
664 pagine
Difficoltà
7,7
Domande possibili all’esame
  1. Che cosa distingue un problema di ottimizzazione vincolata da uno non vincolato?
  2. Come funziona il metodo del gradiente discendente e quale parametro ne governa il passo?
  3. Quali condizioni di Karush-Kuhn-Tucker devono essere soddisfatte in un ottimo vincolato?
  4. Che cosa si intende per funzione di costo convessa e perché è importante?
  5. Come si distingue l'apprendimento supervisionato da quello non supervisionato?
  6. Quale ruolo ha la regolarizzazione nel controllo dell'overfitting di un modello?
  7. Come si valuta la qualità di un classificatore tramite la matrice di confusione?
  8. In che modo la validazione incrociata stima l'errore di generalizzazione?
  9. Quali sono i vantaggi del metodo dei moltiplicatori di Lagrange?
  10. Come si affronta un problema di ottimizzazione con variabili intere?
  11. Che cosa indica la curva ROC e come si interpreta l'area sotto di essa?
  12. Quando conviene un algoritmo genetico rispetto a un metodo basato sul gradiente?
  13. Come si sceglie la dimensione del batch nell'addestramento di un modello?
  14. Che cosa succede quando la funzione obiettivo presenta più minimi locali?
  15. Come si può ridurre la dimensionalità dei dati prima di addestrare un modello?
  16. In che modo la normalizzazione dei dati influisce sulla convergenza di un algoritmo?
  17. Quali differenze esistono tra ottimizzazione lineare e non lineare nella pratica?
  18. Come si misura la complessità computazionale di un algoritmo di ottimizzazione?
  19. Quale ruolo gioca la scelta della funzione di attivazione in una rete addestrata con il gradiente?
  20. Come si decide quando interrompere l'addestramento per evitare il sovradattamento?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

Prof. Michele Monaci: Optimization And Machine Learning M

5,4difficoltà
Bologna · Facoltà: Ingegneria e architettura · Ingegneria elettronica (LM-29)
Di cosa si tratta: Algoritmi per la soluzione di problemi di ottimizzazione non lineare sono alla base delle tecniche di machine learning, diffuse in telecomunicazioni, elettronica, controlli automatici e sistemi di supporto alle decisioni. Servono concetti fondamentali di ricerca operativa, implementazione di codici di calcolo e analisi della loro complessità.

Dettagli corso

2º annoCorso: LM-29
CFU: 6Canale: Unico

Tempo di studio e official info

Tempo consigliato per preparare l’esame: meno di 1 settimana
Slides disponibili online.
Dati verificati il 02/10/2026

Libri indicati per la materia

Scorri di lato: 4 libri
Bishop – Pattern Recognition and Machine LearningISBN 9780387310732
Tempo di studio del libro≈ 8 settimane
Obbligatorietà
Facoltativo
Adottato in
8 materie
Tipo
Manuale
Pagine
738 pagine
Difficoltà
8
S. Boyd e L. Vandenberghe, Convex Optimization. CambridgeISBN 9780521833783
Tempo di studio del libro≈ 8 settimane
Obbligatorietà
Facoltativo
Adottato in
1 materia
Tipo
Manuale
Pagine
716 pagine
Difficoltà
7,9
Grippo – Metodi di Ottimizzazione Non VincolataISBN 9788847017931
Tempo di studio del libro≈ 7 settimane
Obbligatorietà
Facoltativo
Adottato in
1 materia
Tipo
Manuale
Pagine
613 pagine
Difficoltà
7,5
J. Nocedal e S. J. Wright, Numerical Optimization.ISBN 9780387303031
Tempo di studio del libro≈ 7,5 settimane
Obbligatorietà
Facoltativo
Adottato in
3 materie
Tipo
Manuale
Pagine
664 pagine
Difficoltà
7,7
Domande possibili all’esame
  1. Che cosa distingue un problema di ottimizzazione vincolata da uno non vincolato?
  2. Come funziona il metodo del gradiente discendente e quale parametro ne governa il passo?
  3. Quali condizioni di Karush-Kuhn-Tucker devono essere soddisfatte in un ottimo vincolato?
  4. Che cosa si intende per funzione di costo convessa e perché è importante?
  5. Come si distingue l'apprendimento supervisionato da quello non supervisionato?
  6. Quale ruolo ha la regolarizzazione nel controllo dell'overfitting di un modello?
  7. Come si valuta la qualità di un classificatore tramite la matrice di confusione?
  8. In che modo la validazione incrociata stima l'errore di generalizzazione?
  9. Quali sono i vantaggi del metodo dei moltiplicatori di Lagrange?
  10. Come si affronta un problema di ottimizzazione con variabili intere?
  11. Che cosa indica la curva ROC e come si interpreta l'area sotto di essa?
  12. Quando conviene un algoritmo genetico rispetto a un metodo basato sul gradiente?
  13. Come si sceglie la dimensione del batch nell'addestramento di un modello?
  14. Che cosa succede quando la funzione obiettivo presenta più minimi locali?
  15. Come si può ridurre la dimensionalità dei dati prima di addestrare un modello?
  16. In che modo la normalizzazione dei dati influisce sulla convergenza di un algoritmo?
  17. Quali differenze esistono tra ottimizzazione lineare e non lineare nella pratica?
  18. Come si misura la complessità computazionale di un algoritmo di ottimizzazione?
  19. Quale ruolo gioca la scelta della funzione di attivazione in una rete addestrata con il gradiente?
  20. Come si decide quando interrompere l'addestramento per evitare il sovradattamento?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

Scorri di lato: 5 insegnamenti →

Domande frequenti Libri, programma ed esami del prof. Michele Monaci a Bologna

Che libro usa il prof. Michele Monaci per Discrete And Network Optimization M I.C. a Bologna?

Per Discrete And Network Optimization M I.C. (Canale unico) indica come obbligatorio: Martello – LEZIONI DI RICERCA OPERATIVA.

Quanto è impegnativo Discrete And Network Optimization M I.C.?

6 CFU, difficoltà stimata 6.4 su 10 rispetto agli esami della stessa area.

Che libro usa il prof. Michele Monaci per Optimization And Machine Learning M a Bologna?

Per Optimization And Machine Learning M (Canale unico) indica come obbligatorio: nessun testo obbligatorio. Facoltativi: Bishop – Pattern Recognition and Machine Learning, S. Boyd e L. Vandenberghe, Convex Optimization. Cambridge, Grippo – Metodi di Ottimizzazione Non Vincolata, J. Nocedal e S. J. Wright, Numerical Optimization..

Quanto è impegnativo Optimization And Machine Learning M?

6 CFU, difficoltà stimata 5.4 su 10 rispetto agli esami della stessa area.

Che libro usa il prof. Michele Monaci per Fondamenti di Ricerca Operativa T-A a Bologna?

Per Fondamenti di Ricerca Operativa T-A (Canale L-Z) indica come obbligatorio: nessun testo obbligatorio. Facoltativi: Martello – ESERCIZI DI RICERCA OPERATIVA, Martello – ESERCIZI DI SIMULAZIONE NUMERICA, Martello – LEZIONI DI RICERCA OPERATIVA, Fischetti – LEZIONI DI RICERCA OPERATIVA.

Quanto è impegnativo Fondamenti di Ricerca Operativa T-A?

6 CFU, difficoltà stimata 5.4 su 10 rispetto agli esami della stessa area.

Che libro usa il prof. Michele Monaci per Optimization And Machine Learning M a Bologna?

Per Optimization And Machine Learning M (Canale unico) indica come obbligatorio: nessun testo obbligatorio. Facoltativi: Bishop – Pattern Recognition and Machine Learning, S. Boyd e L. Vandenberghe, Convex Optimization. Cambridge, Grippo – Metodi di Ottimizzazione Non Vincolata, J. Nocedal e S. J. Wright, Numerical Optimization..

Quanto è impegnativo Optimization And Machine Learning M?

6 CFU, difficoltà stimata 5.4 su 10 rispetto agli esami della stessa area.

Che libro usa il prof. Michele Monaci per Optimization And Machine Learning M a Bologna?

Per Optimization And Machine Learning M (Canale unico) indica come obbligatorio: nessun testo obbligatorio. Facoltativi: Bishop – Pattern Recognition and Machine Learning, S. Boyd e L. Vandenberghe, Convex Optimization. Cambridge, Grippo – Metodi di Ottimizzazione Non Vincolata, J. Nocedal e S. J. Wright, Numerical Optimization..

Quanto è impegnativo Optimization And Machine Learning M?

6 CFU, difficoltà stimata 5.4 su 10 rispetto agli esami della stessa area.

Dove trovo la scheda ufficiale di un esame?

Ogni insegnamento qui sopra ha il link alla scheda ufficiale dell’ateneo: controllala sempre prima di acquistare.

Sei uno studente tra i 18 e i 22 anni?Con Prime Student hai 90 giorni gratis, poi Amazon Prime a soli 2,49 € al mese: consegne veloci e gratuite anche sui libri.Scopri Prime Student ›
Controlla sempre la scheda dell'esame. Le informazioni vengono dalle schede ufficiali degli atenei e possono cambiare o contenere errori: prima di acquistare verifica i testi sulla scheda ufficiale dell'esame (la trovi linkata in ogni esame) e, nel dubbio, chiedi al docente.
Aiutaci a tenerci aggiornati
Il prof ha indicato altri libri, pagine o modifiche? Scrivicelo.