Scuola di Medicina e Chirurgia
Università Magna Graecia di Catanzaro
Università Magna Graecia di Catanzaro
Fornire al discente competenze ed abilità relative ad algoritmi e strumenti nei campi della bioinformatica, del data science e dell’intelligenza artificiale. Elaborare l’insieme crescente di dati biomedici e clinici oggi disponibile è una sfida affascinante e imprescindibile per il mondo contemporaneo dove la conoscenza e l'informazione sono il primo valore.
Il corso mira a introdurre le tecniche avanzate applicate in bioinformatico per la scoperta di conoscenza. Tali algoritmi afferiscono alla classe del machine learning. Questo corso, dopo aver riepilogato i concetti fondmentali di bioinformatica, acquisiti nel corso di bioinformatica, accompagna nel mondo del machine learning utilizzando il linguaggio Python per costruire algoritmi sofisticati in grado di interrogare, rappresentare ed analizzare i dati. Particolare attenzione è posta agli algoritmi basati su reti: clustering, scoperta di conoscenza e allineamento.
Collegamenti Veloci:
Conoscenza e capacità di comprensione (knowledge and understanding)
Comprensione dei fondamenti di Data Science
Comprensione di Algoritmi avanzati per estrazione di conoscenza
Capacità di applicare conoscenza a comprensione (applying knowledge and understanding)
abilità a progettare la risoluzione di problemi mediante l’utilizzo e la personalizzazione di algoritmi esistenti
abilità a realizzare una soluzione algoritmica in linguaggio Python
Autonomia di giudizio (making judgement)
Abilità nella scelta della migliore soluzione per la risoluzione di problemi di estrazione di conoscenza e di analisi di dati biologici.
Capacità di apprendimento (learning skills)
Riepilogo dei Concetti Fondamentali di Bioinformatica
Introduzione a Data Science e Machine Learning.
Il problema della Classificazione dei Dati Biologici: principi ed applicazioni in
Scikit-Learn e Anaconda.
Il problema dell’apprendimento non supervisionato: Algoritmo k-means, k-medoids, DBSCAN e applicazioni su dati biologici.
Ensemble Learning
Intelligenza artificiale: creazione e uso di una rete neurale per la classificazione dei dati
Teoria delle Reti: introduzione e concetti fondamentali.
Algoritmi per la Scoperta di Comunità.
Algoritmi di Comparazione di reti.
Lezione Frontale 48 Ore
Lezione Individuale 102 Ore
Libri di testo Machine learning con Python. Costruire algoritmi per generare conoscenza: di Sebastian Raschka
The Data Science Design Manual Steven S Skiena
Ulteriori letture consigliate per approfondimento
Introduction to Algorithms (Cormen)
Altro materiale didattico
diapositive e dispense scaricabili dal sito
Sono previsti webinar sotto la supervisione del docente e simulazioni dell’uso di algoritmi.
Le modalità sono indicate dal Regolamento didattico d’Ateneo.
Integrare con le modalità di rilevazione della presenza.
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
L’esame finale sarà svolto in forma Orale
I criteri sulla base dei quali sarà giudicato lo studente sono:
Saranno utilizzati i seguenti criteri per la valutazione:
|
|
Conoscenza e comprensione argomento |
Capacità di analisi e sintesi |
Utilizzo di referenze |
|
Non idoneo |
Importanti carenze. Significative inaccuratezze |
Irrilevanti. Frequenti generalizzazioni. Incapacità di sintesi |
Completamente inappropriato |
|
18-20 |
A livello soglia. Imperfezioni evidenti |
Capacità appena sufficienti |
Appena appropriato |
|
21-23 |
Conoscenza routinaria |
E’ in grado di analisi e sintesi corrette. Argomenta in modo logico e coerente |
Utilizza le referenze standard |
|
24-26 |
Conoscenza buona |
Ha capacità di a. e s. buone gli argomenti sono espressi coerentemente |
Utilizza le referenze standard |
|
27-29 |
Conoscenza più che buona |
Ha notevoli capacità di a. e s. |
Ha approfondito gli argomenti |
|
30-30L |
Conoscenza ottima |
Ha notevoli capacità di a. e s. |
Importanti approfondimenti |