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.
Calendario accademico
Il calendario accademico riporta le scadenze, gli adempimenti e i periodi rilevanti per la componente studentesca, personale docente e personale dell'Università. Sono inoltre indicate le festività e le chiusure ufficiali dell'Ateneo.
L’anno accademico inizia il 1° ottobre e termina il 30 settembre dell'anno successivo.
Calendario didattico
Il calendario didattico indica i periodi di svolgimento delle attività formative, di sessioni d'esami, di laurea e di chiusura per le festività.
| Periodo | Dal | Al |
|---|---|---|
| I semestre | 1-ott-2020 | 29-gen-2021 |
| II semestre | 1-mar-2021 | 11-giu-2021 |
| Sessione | Dal | Al |
|---|---|---|
| Sessione invernale d'esame | 1-feb-2021 | 26-feb-2021 |
| Sessione estiva d'esame | 14-giu-2021 | 30-lug-2021 |
| Sessione autunnale d'esame | 1-set-2021 | 30-set-2021 |
| Periodo | Dal | Al |
|---|---|---|
| Festa dell'Immacolata | 8-dic-2020 | 8-dic-2020 |
| Vacanze Natalizie | 24-dic-2020 | 3-gen-2021 |
| Vacanze Pasquali | 2-apr-2021 | 5-apr-2021 |
| Festa del Santo Patrono | 21-mag-2021 | 21-mag-2021 |
| Festa della Repubblica | 2-giu-2021 | 2-giu-2021 |
| Vacanze estive | 9-ago-2021 | 15-ago-2021 |
Calendario esami
Gli appelli d'esame sono gestiti dalla Unità Operativa Segreteria Corsi di Studio Scienze e Ingegneria.
Per consultazione e iscrizione agli appelli d'esame visita il sistema ESSE3.
Per problemi inerenti allo smarrimento della password di accesso ai servizi on-line si prega di rivolgersi al supporto informatico della Scuola o al servizio recupero credenziali
Per dubbi o domande leggi le risposte alle domande più frequenti F.A.Q. Iscrizione Esami
Docenti
Bullini Orlandi Ludovico
ludovico.bulliniorlandi@univr.it 045 802 8095
Piano Didattico
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.
| Insegnamenti | Crediti | TAF | SSD |
|---|
| Insegnamenti | Crediti | TAF | SSD |
|---|
1° Anno
| Insegnamenti | Crediti | TAF | SSD |
|---|
2° Anno
| Insegnamenti | Crediti | TAF | SSD |
|---|
| Insegnamenti | Crediti | TAF | SSD |
|---|
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.
Probability for data science (2020/2021)
Codice insegnamento
4S009077
Crediti
12
Lingua di erogazione
Inglese
Settore Scientifico Disciplinare (SSD)
MAT/06 - PROBABILITÀ E STATISTICA MATEMATICA
L'insegnamento è organizzato come segue:
Parte II
Parte I
Teoria
Obiettivi formativi
Il corso fornirà un'introduzione auto-contenuta e matematicamente rigorosa alle moderne tecniche di analisi dei dati e modellizzazione dei fenomeni aleatori, con particolare attenzione alle basi teoriche, proprie della teoria delle probabilità, necessarie per sviluppare soluzioni efficaci alle sfide caratterizzanti ambiti eterogenei, e.g., finanza, fault-detection, innovation forecasting, energy prediction, etc., tipici della Industria 4.0, con particolare riferimento alle sfide poste in ambito big data analytics. La presentazione di concetti, problemi e relative soluzioni teorico/pratiche, verrà orientata alle applicazioni, anche facendo uso di software statistico specifico (e.g.: Matlab, R, KNIME, etc.) sempre mantenendo un elevato livello di rigore matematico. All'interno del corso verranno ricordate le nozioni di base della teoria della Probabilità moderna (e.g.: variabili casuali, le loro distribuzioni e principali proprietà statistiche, teoremi di convergenza e applicazioni), con particolare attenzione ai processi stocastici fondamentali (e.g. : catene di Markov, processi di nascita e morte, teoria della code con applicazioni del mondo reale) e le loro applicazioni all'interno di scenari del mondo reale e caratterizzati dalla presenza di big data e serie temporali correlate.
Al termine del corso lo studente dovrà dimostrare di:
● conoscere le basi formali della teoria della probabilità
● saper utilizzare i concetti di variabile aleatoria (tanto in ambito discreto che continuo)
● saper sviluppare modelli basati su modelli probabilistici noti, e.g., v.a. binomiali, di Poisson, Gaussiane, misture di Gaussiane, etc.
● aver compreso e saper utilizzare la teoria di base dei processi stocastici, con particolare riferimento alla teoria delle catene di Markov (a tempo discreto e continuo), ai processi di nascita e morte ed applicazioni correlate
● conoscere e saper utilizzare i concetti di base in ambito statistico descrittivo ed inferenziale
Programma
Probabilità, condizionamento e indipendenza.
Variabili aleatorie e distribuzioni. Distribuzioni discrete. Valor medio e varianza. Distribuzioni continue.
Vettori aleatori. Indipendenza di variabili aleatorie. Covarianza e correlazione.
Teoremi limite: Legge dei Grandi numeri e Teorema Limite Centrale. Approssimazione normale.
Vettori aleatori normali.
Catene di Markov a tempo discreto. Markov Chain Monte Carlo.
Processi di Poisson ed elementi di Teoria delle Code. Catene di Markov a tempo continuo.
Introduzione alle reti aleatorie.
Bibliografia
| Attività | Autore | Titolo | Casa editrice | Anno | ISBN | Note |
|---|---|---|---|---|---|---|
| Parte II | S. Ross | A First Course in Probability (Edizione 10) | Pearson | 2018 | ||
| Parte II | P. Baldi | Calcolo delle Probabilità | McGraw Hill | 2007 | 9788838663659 | |
| Parte II | S. Ross | Introduction to Probability models (Edizione 12) | Academic Press | 2019 | ||
| Teoria | Durret, R. | Random graph dynamics | Cambridge university press | 2007 | ||
| Teoria | Bolloas, B. | Random graphs | Cambridge university press | 2001 | ||
| Teoria | Chung, F. R. K. and Lu, L. | Random graphs | AMS Bookstore | 2006 | ||
| Teoria | Duflo, M. | Random Iterative Models, Applications of Mathematics, 34 | SpringerVerlag, Berlin | 1997 | ||
| Teoria | Albert, R. and Barab´asi, A.-L. | Statistical mechanics of complex networks. Reviews of modern physics, 74(1):47. | 2002 | Reviews of modern physics, 74(1):47. |
Modalità d'esame
L’esame si svolge in due parti.
La prima parte, obbligatoria per tutti gli studenti, consiste di una prova scritta con esercizi.
La seconda parte può essere svolta, a scelta dello studente, con una delle seguenti modalità:
- prova orale, in cui lo studente dovrà essere in grado di esporre le nozioni e i modelli descritti nel corso, sia negli aspetti teorici che in quelli applicativi;
- un progetto assegnato dal docente, che includerà la scrittura di un codice per una simulazione.
Tipologia di Attività formativa D e F
Le attività formative in ambito D o F comprendono gli insegnamenti impartiti presso l'Università di Verona o periodi di stage/tirocinio professionale.
Nella scelta delle attività di tipo D, gli studenti dovranno tener presente che in sede di approvazione si terrà conto della coerenza delle loro scelte con il progetto formativo del loro piano di studio e dell'adeguatezza delle motivazioni eventualmente fornite.
| anni | Insegnamenti | TAF | Docente |
|---|---|---|---|
| 1° | Minicorso Blockchain | D |
Nicola Fausto Spoto
(Coordinatore)
|
Prospettive
Avvisi degli insegnamenti e del corso di studio
Per la comunità studentesca
Se sei già iscritta/o a un corso di studio, puoi consultare tutti gli avvisi relativi al tuo corso di studi nella tua area riservata MyUnivr.
In questo portale potrai visualizzare informazioni, risorse e servizi utili che riguardano la tua carriera universitaria (libretto online, gestione della carriera Esse3, corsi e-learning, email istituzionale, modulistica di segreteria, procedure amministrative, ecc.).
Entra in MyUnivr con le tue credenziali GIA.
Ulteriori servizi
I servizi e le attività di orientamento sono pensati per fornire alle future matricole gli strumenti e le informazioni che consentano loro di compiere una scelta consapevole del corso di studi universitario.
Prova Finale
La prova finale consiste nella preparazione e discussione di un elaborato scritto in lingua Inglese (tesi di laurea) relativo all'approfondimento di un tema scientifico affrontato nel corso di studi, ovvero relativo all'analisi e soluzione di un caso di studio (teorico e/o direttamente derivato da un problema di carattere industriale), ovvero relativo ad un lavoro di tipo sperimentale, eventualmente sviluppato all'interno di un percorso di tirocinio, ovvero frutto di un lavoro autonomo ed originale di ricerca, con collegati aspetti di formalizzazione matematica, progettazione informatica e realizzazione business oriented. Tali attività saranno svolte sotto la guida di un relatore presso una struttura universitaria, o anche esterna all'Università di Verona, tanto in Italia, quanto all'estero, purché riconosciuta e accettata a tal fine in accordo con il Regolamento didattico del corso di Laurea Magistrale in Data Science. La commissione preposta alla valutazione della prova finale (esposizione in lingua Inglese della tesi di laurea) è chiamata ad esprimere una valutazione che tenga conto dell'intero percorso di studi, valutando attentamente il grado di coerenza tra obbiettivi formativi e obbiettivi professionali, nonché la capacità di elaborazione intellettuale autonoma, il senso critico, le doti di comunicazione e la maturità culturale generale, in relazione agli obiettivi del corso di Laurea Magistrale in Data Science, e particolare, in relazione alle tematiche caratterizzanti la tesi di laurea, del candidato.
Gli studenti possono sostenere la prova finale solamente dopo aver assolto a tutti gli altri obblighi formativi previsti dal loro piano di studi ed agli adempimenti presso gli uffici amministrativi in conformità con i termini indicati nel manifesto generale degli studi.
La valutazione finale e la proclamazione verranno effettuate dalla commissione di esame finale nominata dal presidente del collegio didattico e composta da un presidente e almeno da altri quattro commissari scelti tra i docenti dell'Ateneo.
Il materiale presentato per la prova finale viene valutato dalla Commissione Valutazione Tesi, composta da tre docenti, tra cui possibilmente il relatore, e nominata dal presidente del collegio didattico. La commissione valutazione tesi formula una valutazione del lavoro svolto, e la trasmette alla commissione d'esame finale che esprimerà il giudizio finale. Il collegio didattico disciplina le procedure delle commissioni valutazione tesi, delle commissioni d'esame finale e dell'attribuzione del punteggio della prova finale mediante apposito regolamento deliberato dal collegio didattico.
Allegati
| Titolo | Info File |
|---|---|
Regolamento esame finale | Final exam regulation
|
387 KB, 27/04/22 |
Elenco delle proposte di tesi e stage
| Proposte di tesi | Area di ricerca |
|---|---|
| Domain Adaptation | Computer Science and Informatics: Informatics and information systems, computer science, scientific computing, intelligent systems - Computer graphics, computer vision, multi media, computer games |
| Domain Adaptation | Computer Science and Informatics: Informatics and information systems, computer science, scientific computing, intelligent systems - Machine learning, statistical data processing and applications using signal processing (e.g. speech, image, video) |
| Domain Adaptation | Computing Methodologies - IMAGE PROCESSING AND COMPUTER VISION |
| Domain Adaptation | Computing methodologies - Machine learning |
Modalità di frequenza
Come riportato nel Regolamento Didattico per l'A.A. 2021/2022, la frequenza al corso di studio non è obbligatoria.
Per le modalità di erogazione della didattica, si rimanda alle informazioni in costante aggiornamento dell'Unità di Crisi.
