Daniele Angeloni

Neolaureato magistrale in Ingegneria Informatica e Robotica (curriculum Data Science and Data Engineering) presso l’Università degli Studi di Perugia, con votazione 110/110 e lode.

Dopo il diploma, ho lavorato in ambito IT occupandomi della gestione di infrastrutture di rete e di assistenza tecnica, acquisendo esperienza nella risoluzione di problematiche e nel supporto agli utenti, per poi scegliere di intraprendere il percorso universitario, conseguendo prima la Laurea Triennale in Ingegneria Informatica ed Elettronica e successivamente la Laurea Magistrale in Ingegneria Informatica e Robotica, con l’obiettivo di consolidare e ampliare le mie competenze.

Ho sviluppato competenze in Intelligenza Artificiale, Machine Learning, Deep Learning, Cloud Computing, Big Data, Cybersecurity e Data Visualization, unite a solide basi di ingegneria del software, algoritmi avanzati e sistemi distribuiti.

Affronto le problematiche con un approccio razionale e strutturato al problem solving, orientato agli obiettivi e al raggiungimento di risultati concreti, adattandomi rapidamente a nuovi contesti e tecnologie.

Sono una persona precisa e meticolosa, con forte motivazione alla crescita professionale. Mi inserisco facilmente in contesti lavorativi grazie a buone capacità relazionali, spirito di squadra, capacità di ascolto e comunicazione, unite a buone doti organizzative e di gestione del tempo.

Attualmente sono vicepresidente della Pro Loco e volontario della Protezione Civile, ruoli che mi hanno permesso di sviluppare senso di responsabilità e competenze di leadership.

Tesi Magistrale – Progettazione, sviluppo e validazione di soluzioni basate su Intelligenza Artificiale agentica per l’automazione dei processi aziendali nell’ecosistema Microsoft

• Progettazione di un’architettura multi-agent per l’automazione di processi di analisi ERP
• Implementazione e confronto di strategie LLM-based (Fine-Tuning, RAG, Dynamic Few-Shot, pipeline ibride avanzate)
• Sviluppo in ambiente cloud-native Microsoft (Azure e servizi AI)
• Validazione tramite metriche quantitative, LLM-as-a-Judge, valutazioni umane e analisi dell’impatto operativo ed economico (ROI)

Tesi Triennale – Container as a Service: analisi della containerizzazione come soluzione per la gestione dei servizi cloud

• Analisi delle tecnologie di containerizzazione e orchestrazione (Docker, Kubernetes)
• Confronto tra diverse piattaforme e modelli architetturali
• Studio dell’impatto su scalabilità, efficienza e gestione dei microservizi
• Approfondimento del paradigma Cloud Native e dei servizi CaaS

• Sistema Distribuito RAG per documenti AI
  Sviluppo di una pipeline distribuita RAG su dataset scientifici utilizzando HDFS, Apache Spark, Ray e Qdrant. Implementazione di retrieval semantico con SentenceTransformers, generazione con LLM (Gemma/Phi3) e valutazione automatica tramite LLM-as-a-Judge.
• Monocular Depth Estimation da Immagini RGB tramite Deep Learning
  Implementazione di un modello encoder–decoder basato su ResNet-50 in PyTorch per la stima della profondità da immagini RGB. Addestramento con loss MSE + SSIM e ottimizzazione tramite tecniche di transfer learning e skip connections.
• Predictive Modeling su Dati Strutturati tramite Machine Learning
  Sviluppo e confronto di modelli di classificazione su dati strutturati, includendo analisi esplorativa (EDA), data cleaning e preprocessing. Implementazione e ottimizzazione di algoritmi come Logistic Regression, KNN, SVM e reti neurali (MLP), con valutazione delle performance.
• Sistema di Monitoraggio e Analisi del Traffico di Rete
  Progettazione di una pipeline di Network Monitoring con sFlow, sFlow-RT, Prometheus e Grafana in ambiente virtualizzato Linux. Il sistema consente raccolta, analisi e visualizzazione in tempo reale del traffico e rilevazione di anomalie.
• Gestione di Cluster Kubernetes e Architetture Cloud-Native
  Configurazione di un cluster Kubernetes v1.34 su macchine virtuali con kubeadm e containerd, integrando networking (Calico) e strumenti di observability (OpenTelemetry, Jaeger). Sperimentazione di funzionalità avanzate di orchestrazione e gestione risorse.
• Model-Based Deep Learning per Robust PCA su traffico Internet
  Sviluppo di modelli per la decomposizione Low-Rank + Sparse di matrici di traffico Internet, evolvendo da ADMM classico a tecniche di Deep Unfolding con componenti learnable. Implementazione in Python/MATLAB con analisi del model mismatch e valutazione tramite metriche NMSE.
• Data Visualization di dataset complessi
  Sviluppo di visualizzazioni interattive con D3.js, JavaScript e Python per l’esplorazione di dataset complessi. Implementazione di dashboard dinamiche con mappe, grafici e tecniche avanzate di visual analytics.
• Progettazione e Implementazione di Database Relazionale
  Progettazione completa di una base di dati relazionale a partire dai requisiti, con modellazione E-R, normalizzazione e traduzione in schema logico. Implementazione in SQL (PostgreSQL) con vincoli di integrità, query e funzioni per la gestione e interrogazione dei dati.
• Data Science for Health Systems
  Analisi esplorativa e inferenziale su dati sanitari reali con R, includendo preprocessing, test di normalità e test non parametrici. Produzione di visualizzazioni e confronto tra gruppi tramite analisi statistica.
• Sviluppo di un videogioco arcade desktop in Java (Swing)
  Implementazione di una versione personalizzata di Amidar con interfaccia grafica in Java Swing, gestione eventi, logica di gioco multi-livello e sistema di leaderboard persistente.