- Oggetto:
- Oggetto:
Modelli di sistemi complessi
- Oggetto:
Models of complex systems
- Oggetto:
Anno accademico 2023/2024
- Codice attività didattica
- MFN0247A
- Docente
- Roberta Sirovich
- Corso di studio
- LM in Biotecnologie Industriali
- Anno
- 1° anno
- Periodo
- Da definire
- Tipologia
- Affine o integrativo
- Crediti/Valenza
- 3
- SSD attività didattica
- MAT/02 - algebra
- Erogazione
- Tradizionale
- Lingua
- Italiano
- Frequenza
- Obbligatoria
- Tipologia esame
- Scritto
- Tipologia unità didattica
- modulo
- Insegnamento integrato
- Modellistica Molecolare - DM 270 (MFN0247)
- Prerequisiti
- Calcolo di base, funzioni reali di variabile reale, calcolo differenziale, calcolo integrale. Elementi di calcolo delle probabilità. Elementi di Statistica di base.
- Oggetto:
Sommario insegnamento
- Oggetto:
Obiettivi formativi
In accordo con gli obiettivi generali del corso di laurea magistrale in Biotecnologie Industriali, che prevedono, per il primo anno di corso, una serie di insegnamenti riferiti per alle discipline di base proprie del contesto caratteristico delle biotecnologie industriali, sia per gli aspetti scientifici che per quelli applicativi il corso si prefigge di fornire una panoramica di tecniche che consentono di analizzare collezioni di dati campionati nell'osservazione e la misurazione di sistemi complessi.
The course contributes to the objectives of the Master program in Industrial Biotechnology, enabling students to integrate knowledge already acquired in their bachelor degree the with skills necessary for the analysis of dataset sampled from the observation of complex systems.
- Oggetto:
Risultati dell'apprendimento attesi
In linea con le conoscenze e competenze richieste per definire il profilo professionale caratteristico del biotecnologo/a industriale, chi ha seguito l'insegnamento dovrà essere in grado di (dettaglio secondo i descrittori di Dublino)
A: CONOSCENZA e CAPACITÀ DI COMPRENSIONE Comprendere il significato dei termini: problema di tipo regressivo, di classificazione, di clustering e di riduzione della dimensione. Conoscere le principali tecniche di analisi dati nell'ambito del Machine Learning.
B: CAPACITÀ APPLICATIVE Essere in grado di selezionare la tecnica di analisi che risponde alla domanda per rispondere alla quale si sono raccolti i dati, essere in grado di leggere i risultati ottenuti nell'ambito di studio al quale appartengono i dati.
C: AUTONOMIA DI GIUDIZIO Essere in grado di valutare l'effettiva qualità dell'analisi svolta, saper scegliere tra diverse tecniche che svolgono task simili, quale è più opportuno usare nel caso oggetto di studio.
D: ABILITÀ NELLA COMUNICAZIONE Essere in grado di esporre per via scritta (stesura di un report) il problema affrontato, i dati analizzati e i risultati ottenuti.
Students must acquire competences, detailed following the Dublin Descriptors below
A: KNOWLEDGE AND UNDERSTANDING Knowledge of the terms: regression problem, classification problem, clustering method, dimension reduction. Knowledge of the mostly known methods for data analysis in the framework of Machine Learning.
B: APPLYING KNOWLEDGE AND UNDERSTANDING Being able to select the methods designed to answer the question that motivated the data collection. Being able to interpret the obtained results in the framework of the study that provides the data.
C: INDIPENDENCE IN JUDGEMENT Being able to evaluate the quality of the proposed analysis and to choose between different procedures with the same goal of analysis.
D: COMUNICATION SKILLS Being able to ilustrate the problem, the dataset and the results obtained by writing a technical report.
- Oggetto:
Programma
Introduzione al Machine Learning. Definizione di Learning, metodi di learning, errori. Concetti di Bias e di Varianza. Supervised e unsupervised learning. Regressione, Classificazione. Riduzione della dimensione. Modelli lineari ed estensioni. Metodi tree-based. Reti Neurali. Principal Components Analysis e metodi di clustering.
Introduction to Machine Learning. Methods of learning, errors. Bias and Varianca. Supervised and unsupervised learning. Regression, classification. Dimensionality reduction. Linear models and extensions. Tree-based methods. Neural Networks. Principal Components Analysis and clustering methods.
- Oggetto:
Modalità di insegnamento
Lezioni in aula. Le lezioni comprenderanno parti teoriche e parti pratiche.
Lectures (in classroom). Lectures will comprise both theoretical and practical parts.
- Oggetto:
Modalità di verifica dell'apprendimento
L'esame consiste in una prova scritta. La valutazione della prova scritta sarà in trentesimi e concorre al voto finale dell'insegnamento Modellistica Molecolare insieme al modulo Simulazione molecolare al calcolatore. Il voto finale viene calcolato come media aritmetica dei risultati ottenuti nei due moduli.
Written examination. The mark is calculated on the range [ Insufficiente, 18/30-30/30]. The final mark for Modellistica Molecolare is calculated as the average between the two marks obtained for Simulazione molecolare al calcolatore and Modelli di Sistemi Complessi.
Testi consigliati e bibliografia
- Oggetto:
- Libro
- Titolo:
- An Introduction to Statistical Learning
- Anno pubblicazione:
- 2021
- Editore:
- Springer
- Autore:
- Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani
- ISBN
- Obbligatorio:
- No
- Registrazione
- Aperta
- Oggetto: