- Oggetto:
- Oggetto:
Modelli di sistemi complessi
- Oggetto:
Models of complex systems
- Oggetto:
Anno accademico 2018/2019
- Codice dell'attività didattica
- MFN0247A
- Docente
- Prof. Domenico Zambella
- Insegnamento integrato
- Modellistica Molecolare - DM 270 (MFN0247)
- Corso di studi
- LM in Biotecnologie Industriali
- Anno
- 1° anno
- Tipologia
- Affine o integrativo
- Crediti/Valenza
- 3
- SSD dell'attività didattica
- MAT/02 - algebra
- Modalità di erogazione
- Tradizionale
- Lingua di insegnamento
- Italiano
- Modalità di frequenza
- Obbligatoria
- Tipologia d'esame
- Scritto ed orale
- 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 rappresentare e simulare il comportamento di sistemi che presentano un alto grado di complessità.
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 representation and the simulation of the behaviour of systems with high degree of complexity.
- Oggetto:
Risultati dell'apprendimento attesi
In linea con le conoscenze e competenze richieste per definire il profilo professionale caratteristico di un biotecnologo industriale, lo studente dovrà essere in grado di (dettaglio secondo i descrittori di Dublino)
A: CONOSCENZA e CAPACITÀ DI COMPRENSIONE
Conoscere e discutere aspetti di modelli (probabilistici) per l'analisi di dati soperimentali.
B: CAPACITÀ APPLICATIVE
Saper impostare l'esplorazione e l'analisi dei dati usando strumenti informatici presentati a lezione.
C: AUTONOMIA DI GIUDIZIO
Saper isolare ed analizzare criticamente i fattori rilevanti per la scelta dei modelli più adatti.
D: ABILITÀ NELLA COMUNICAZIONE
Oltre ad acquisire il linguaggio tecnico appropiato a discutere dati sperimentali, lo studente familiarizzerà con il paradigma della ricerca riproduciblile e con gli strumenti che per la pubblicazione aperta e riproducibile dei risultati sperimentali.
Students must acquire competences, detailed following the Dublin Descriptors below
A: KNOWLEDGE AND UNDERSTANDING
Knowledge and ability to discuss and present the mechanisms both stochastic and deterministic dynamical models applied to biological systems.
B: APPLYING KNOWLEDGE AND UNDERSTANDING
Resolving problems and exercises in both stochastic and deterministic dynamical models. Determining equilibrium states and their stability.
C: INDIPENDENCE IN JUDGEMENT
Critically analysing the factors that relevant for modellig of biological systems.
D: COMUNICATION SKILLS
The student must acquire the proper technical lansguage necessary to discuss modellig in the various context considered in the course.
- Oggetto:
Modalità di insegnamento
Combinazione di lezioni frontali ed esercitazioni pratiche svolte in laboratorio informatico (in totale 24 ore).
Lectures (24 hours)
- Oggetto:
Modalità di verifica dell'apprendimento
La partecipazione alle lezioni/esercitazioni è parte integrale dell'esame. È richiesta la presenza ad almeno 10 lezioni su 12. Il pimo appello alla fine del corso consiste di una esercitazione riassuntiva di quelle svolte a lezione. L'esame nei rimanenti 4 appelli consiste di una prova pratica al calcolatore più un esame scritto teorico.
Written examination.
- Oggetto:
Programma
Ripasso delle nozioni di base di probabilità e statistica
Cenni di statistica Bayesiana
Il paradigma frequentista
Test binomiale, z-test, t-test, regressione lineare (semplice e multivariata), test ANOVA a una via.
L'esplorazione e l'elaborazione dei dati con Python
Il paradigma della ricerca riproducibile
I notebook di Jupyter quali strumenti per l'elaborazione dei dati e la pubblicazione dei risultati.
Probability a statistics, a review
Baysian statistics, an outline
Frequentist statistical inference
Binomial test, z-test, t-test, linear regression (simple and multivariate), oneway ANOVA.
Data exploration with Python
Reproducible research
Jupyter notebooks
Testi consigliati e bibliografia
- Oggetto:
Il materiale sarà disponibile online e verrà pubblicato contestualmente alle lezioni.
Teaching material will be published along with the course.
- Oggetto:
