Scuola di Medicina e Chirurgia

Università Magna Graecia di Catanzaro

Attività formative curriculari a scelta dello studente Data Mining e Intelligenza Artificiale

Ingegneria Informatica e Biomedica

L'obiettivo principale del corso consiste nel rendere gli studenti in grado di analizzare i dati memorizzati in database con strumenti di crescente complessità sia descrittivi che predittivi applicando metodi e modelli propri del Data Mining, dell’Intelligenza Artificiale quali Deep Learning, Network Embedding e Analysis.


Le principali conoscenze acquisite sono relative a:
- data analytics 
- knowledge discovery in databases,
- data mining
- machine learning

Artificial Intelligence

Network Embedding e Analsis

 

Le principali abilità (ossia la capacità di applicare le conoscenze acquisite) sono:
- analisi descrittive dei dati,
- analisi predittive dei dati.

 

Saranno presentate applicazioni nel campo della bioinformatica e dell’informatica medica quali: Analisi di Dati Biomedici (Trascrittomica, Interattomica, Metabolomica), Studio di tecniche di dati mono e bidimensionali (es. dati geografici e/o segnali e/o immagini).

Competenze trasversali: • abilità nella risoluzione di problemi, in particolare attraverso lo sviluppo di algoritmi; • abilità alla collaborazione in piccoli gruppi ed alla condivisione e presentazione del lavoro svolto; • autonomia nella ricerca di librerie utili alla risoluzione di homework.

Collegamenti Veloci:
Docente:
Pietro Hiram Guzzi
hguzzi@unicz.it
Martedi 16:18, Mercoledi 9:11 Previo Appuntamento

SSD:
ING-INF/05 - Sistemi di elaborazione delle informazioni

CFU:
6
Obiettivi del Corso e Risultati di apprendimento attesi

  1. Conoscenza e capacità di comprensione (knowledge and understanding)
  1. comprensione dei principi del Data Analytics
  2. comprensione dei principi dell’architettura dell’analisi di Reti
  3. comprensione dei principi della rappresentazione dei dati
  4. comprensione dei principi della machine learning
  5. comprensione dei principi dell’intelligenza artificiale

 

  • Capacità di applicare conoscenza a comprensione (applying knowledge and understanding)
  • capacità di utilizzo dei principali algoritmi e modelli di Data Mining
  • capacità di utilizzo di algoritmi di Intelligenza Artificiale
  • conoscenze di base sugli aspetti di Network Embedding e Analysis
  • abilità a progettare la risoluzione di problemi mediante gli algoritmi del dominio
  • abilità a realizzare una soluzione algoritmica in linguaggio Python

Programma

Argomenti in breve

 Addestrare gli algoritmi a compiti di classificazione

 Utilizzare algoritmi di Network Analysis ed Embedding

 Utilizzare i classificatori della libreria scikit-learn

 Selezionare i dati con le tecniche di pre-elaborazione

 Ridurre la dimensionalità dei dati con le tecniche compressione

 Conoscere, valutare e combinare i modelli di machine learning

 Integrare modelli di machine learning in applicazioni web

 Elaborare previsioni attraverso i modelli di analisi a regressione

 Individuare nuovi cluster e pattern di dati

 Addestrare reti neurali.

 Creare analisi del sentiment elaborando dati testuali dai social media

 Lavorare con Theano per ottimizzare gli algoritmi di machine learning

Stima dell’impegno orario richiesto per lo studio individuale del programma

Lezione Frontale 48 Ore

Studio Individuale 102 Ore

Risorse per l'apprendimento

Machine Learning in Python. S Rascka

Data Science and Algorithms S Skiena

Deep Learning Y. Bengio Mit Press Volume 1

  • Dispense del Corso.

Altro materiale didattico

diapositive e dispense scaricabili dal sito

Attività di supporto

Modalità di frequenza

Le modalità sono indicate dal Regolamento didattico d’Ateneo.

Integrare con le modalità di rilevazione della presenza.

Modalità di accertamento

Le modalità generali sono indicate nel regolamento didattico di Ateneo all’art.22 consultabile al link http://www.unicz.it/pdf/regolamento_didattico_ateneo_dr681.pdf