Studiare

In questa sezione è possibile reperire le informazioni riguardanti l'organizzazione pratica del corso, lo svolgimento delle attività didattiche, le opportunità formative e i contatti utili durante tutto il percorso di studi, fino al conseguimento del titolo finale.

Queste informazioni sono destinate esclusivamente agli studenti e alle studentesse già iscritti a questo corso.
Se sei un nuovo studente interessato all'immatricolazione, trovi le informazioni sul percorso di studi alla pagina del corso:

Laurea magistrale in Mathematics - Immatricolazione dal 2025/2026

Il piano didattico è l'elenco degli insegnamenti e delle altre attività formative che devono essere sostenute nel corso della propria carriera universitaria.
Selezionare il piano didattico in base all'anno accademico di iscrizione.

CURRICULUM TIPO:

1° Anno 

InsegnamentiCreditiTAFSSD

2° Anno   Attivato nell'A.A. 2020/2021

InsegnamentiCreditiTAFSSD
6
B
MAT/05
Final exam
32
E
-
Attivato nell'A.A. 2020/2021
InsegnamentiCreditiTAFSSD
6
B
MAT/05
Final exam
32
E
-
Insegnamenti Crediti TAF SSD
Tra gli anni: 1°- 2°
1 module between the following
Tra gli anni: 1°- 2°
1 module between the following
Tra gli anni: 1°- 2°
Tra gli anni: 1°- 2°
Other activities
4
F
-

Legenda | Tipo Attività Formativa (TAF)

TAF (Tipologia Attività Formativa) Tutti gli insegnamenti e le attività sono classificate in diversi tipi di attività formativa, indicati da una lettera.




S Stage e tirocini presso imprese, enti pubblici o privati, ordini professionali

Codice insegnamento

4S008278

Coordinatore

Giacomo Albi

Crediti

6

Lingua di erogazione

Inglese en

Settore Scientifico Disciplinare (SSD)

MAT/08 - ANALISI NUMERICA

Periodo

II semestre dal 2 mar 2020 al 12 giu 2020.

Obiettivi formativi

Al termine di questo insegnamento gli studenti dovranno essere in grado di capire ed applicare le nozioni di base, i concetti e i metodi dell’algebra lineare computazionale, dell’ottimizzazione convessa e della geometria differenziale applicate all’analisi dei dati. In particolare, dovranno padroneggiare il metodo della decomposizione ai valori singolari e delle matrici random per la rappresentazione di dati in dimensione bassa, le nozioni fondamentali dei problemi di ricostruzione di dati sparsi (ad esempio compressed sensing, ricostruzione di matrici di rango basso, dictionary learning algorithms). Saranno in grado anche di trattare la rappresentazione di dati come cluster attorno a varietà in dimensione alta ed in grafi random e apprenderanno tecniche per costruire carte locali e cluster di dati. Nelle sessioni di laboratorio gli studenti si familiarizzeranno con gli strumenti e gli ambienti di programmazione utili ad affrontare alcuni casi di studio.

Programma


- Algebra lineare computazionale: SVD, matrici random, sparse recovery (compressed sensing, low rank matrix recovery, dictionary learning).

- Ottimizzazione convessa.

- Geometria dei dati (ISOMAP, diffusion map, random graphs).


Testi di riferimento
Autore Titolo Casa editrice Anno ISBN Note
Stephane Mallat A Wavelet Tour of Signal Processing (Edizione 2) Academic Press 1999 9780124666061
Avrim Blum, John Hopcroft, Ravi Kannan, Foundations of Data Science Cambridge University Press 2020
John A. Lee, Michel Verleysen Nonlinear Dimensionality Reduction Springer 2006
I.T. Jolliffe Principal Component Analysis Springer 2002

Modalità d'esame

L'esame consiste di due parti: la risoluzione di esercizi e domande per iscritto e un esame orale.
Si incoraggia lo sviluppo di un progetto finale (non obbligatorio) ad integrazione dell'esame orale.

Le/gli studentesse/studenti con disabilità o disturbi specifici di apprendimento (DSA), che intendano richiedere l'adattamento della prova d'esame, devono seguire le indicazioni riportate QUI