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 accademico

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.

Definizione dei periodi di lezione
Periodo Dal Al
I semestre 1-ott-2020 29-gen-2021
II semestre 1-mar-2021 11-giu-2021
Sessioni degli esami
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
Vacanze
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

Calendario esami

Per dubbi o domande leggi le risposte alle domande più frequenti F.A.Q. Iscrizione Esami

Docenti

B C D F G H I P Q S Z

Badino Massimiliano

symbol email massimiliano.badino@univr.it symbol phone-number +39 045 802 8459

Bazzani Claudia

symbol email claudia.bazzani@univr.it symbol phone-number 0458028734
LBO,  31 gennaio 2017

Bullini Orlandi Ludovico

symbol email ludovico.bulliniorlandi@univr.it symbol phone-number 045 802 8095

Carra Damiano

symbol email damiano.carra@univr.it symbol phone-number +39 045 802 7059

Carradore Marco

symbol email marco.carradore@univr.it

Castellini Alberto

symbol email alberto.castellini@univr.it symbol phone-number +39 045 802 7908

Ceccato Mariano

symbol email mariano.ceccato@univr.it

Chiarini Andrea

symbol email andrea.chiarini@univr.it symbol phone-number 045 802 8223
Foto,  10 marzo 2017

Cordoni Francesco Giuseppe

symbol email francescogiuseppe.cordoni@univr.it

Dai Pra Paolo

symbol email paolo.daipra@univr.it symbol phone-number +39 0458027093

Dalla Preda Mila

symbol email mila.dallapreda@univr.it

Di Persio Luca

symbol email luca.dipersio@univr.it symbol phone-number +39 045 802 7968

Farinelli Alessandro

symbol email alessandro.farinelli@univr.it symbol phone-number +39 045 802 7842

Giachetti Andrea

symbol email andrea.giachetti@univr.it symbol phone-number +39 045 8027998

Paci Federica Maria Francesca

symbol email federicamariafrancesca.paci@univr.it symbol phone-number +39 045 802 7909

Quintarelli Elisa

symbol email elisa.quintarelli@univr.it symbol phone-number +390458027852

Spoto Nicola Fausto

symbol email fausto.spoto@univr.it symbol phone-number +39 045 8027940

Zardini Alessandro

symbol email alessandro.zardini@univr.it symbol phone-number 045 802 8565

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.

1° Anno

InsegnamentiCreditiTAFSSD

2° Anno  Attivato nell'A.A. 2021/2022

InsegnamentiCreditiTAFSSD
Training
6
F
-
Final exam
22
E
-
Attivato nell'A.A. 2021/2022
InsegnamentiCreditiTAFSSD
Training
6
F
-
Final exam
22
E
-
Insegnamenti Crediti TAF SSD
Tra gli anni: 1°- 2°1 module among the following (1st year: Big Data epistemology and Social research; 2nd year: Cybercrime, Data protection in business organizations, Comparative and Transnational Law & Technology)
6
C
IUS/17
Tra gli anni: 1°- 2°2 courses among the following (1st year: Business analytics, Digital Marketing and market research; 2nd year: Logistics, Operations & Supply Chain, Digital transformation and IT change, Statistical methods for Business intelligence)
Tra gli anni: 1°- 2°2 courses among the following (1st year: Complex systems and social physics, Discrete Optimization and Decision Making, 2nd year: Statistical models for Data Science, Continuous Optimization for Data Science, Network science and econophysics, Marketing research for agrifood and natural resources)
Tra gli anni: 1°- 2°2 courses among the following (1st year: Data Visualisation, Data Security & Privacy, Statistical learning, Mining Massive Dataset, 2nd year: Machine Learning for Data Science)

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

4S009088

Crediti

6

Lingua di erogazione

Inglese en

Settore Scientifico Disciplinare (SSD)

M-FIL/02 - LOGICA E FILOSOFIA DELLA SCIENZA

Periodo

II semestre dal 1-mar-2021 al 11-giu-2021.

Obiettivi formativi

Il corso consentirà allo studente di acquisire le competenze concettuali necessarie ad applicare i concetti chiave dell’epistemologia (conoscenza, metodologia, giustificazione, spiegazione, etc.) al caso specifico della data science e alla discussione di conseguenze e implicazioni dei big data per la società in generale.

Al termine del corso lo studente dovrà dimostrare di:
● riconoscere e discutere le principali questioni epistemologiche relative alla conoscenza prodotta dalla raccolta e dalla manipolazione dei big data con particolare riferimento a tre aree tematiche: (1) specificità epistemologiche dei big data; (2) l’impatto dei big data sulla pratica scientifica; (3) Big Data e autorità culturale della scienza
● aver acquisito, attraverso l’analisi dettagliata di situazioni della vita reale, gli strumenti per un approccio più consapevole e critico al proprio lavoro come pure per la gestione e disseminazione dei big data nella sfera pubblica.

Programma

Il corso è dedicato ad esplorare le questioni epistemologiche, sociale e politiche connesse all'uso di big data, machine learning e intelligenza artificiale. Il programma è suddiviso in due moduli principale:

(A) Produrre conoscenza nell'era digitale. Questo modulo tratta delle domande epistemologiche sollevate dall'uso di machine learning e big data nella produzione di conoscenza scientifica. Esempi di tali domande sono: In che modo i big data cambiano le nostre pratiche e i nostri metodi scientifici? Quali sono i limiti dell'approccio computazionale alla scienza? I big data rendono superflue le teorie? Quali sono le caratteristiche epistemologiche dell'apprendimento statistico? La struttura del modulo è la seguente:

(A.1) Introduzione all'epistemologia della computabilità: complessità e indecidibilità.
(A.2) Il concetto di dato e la teoria computazionale della mente.
(A.3) Machine learning, big data e il metodo scientifico.

(B) Socio-epistemologia dei big data. Il secondo modulo si occupa dell'impatto socio-epistemologico e politico del machine learning e dei big data sulla pratica scientifica e sulla società in generale. Esempi delle questioni che verranno affrontate in questo modulo sono: Qual è l'impatto dell'uso dei big data sulla struttura sociale della ricerca scientifica? Come si può rendere l'intelligenza artificiale più spiegabile e responsabile? Come gli ambienti digitali quali i social network vengono influenzati dal machine learning? La struttura del modulo è la seguente:

(B.1) Ricerca scientifica e Big data.
(B.2) Intelligenza artificiale spiegabile.
(B.3) Verità e post-verità negli ambienti digitali.

Testi di riferimento
Autore Titolo Casa editrice Anno ISBN Note
Donald Gillies Artificial Intelligence and Scientific Method Oxford University Press 1996
Marcello Frixione e Dario Palladino Funzioni, macchine, algoritmi Carocci 2004
Sabina Leonelli La ricerca scientifica nell'era dei big data Meltemi 2018
Nils Nilsson The Quest for Artificial Intelligence: A History of Ideas and Achievements Cambridge University Press 2009
Francesco Berto Tutti pazzi per Gödel Laterza 2008

Modalità d'esame

Il corso combinerà lezioni frontali introduttive e discussioni di classe nella forma di seminari di lettura. La valutazione finale è il risultato di tre elementi:

(1) Una presentazione in classe di un testo o di un tema (30%)
(2) Un elaborato scritto (max 3000 parole) (30%)
(3) Esame orale (40%)

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

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.

 

Documenti e avvisi

Anno accademico:
Elenco degli insegnamenti con periodo non assegnato
anni Insegnamenti TAF Docente
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: solo così potrai ricevere notifica di tutti gli avvisi dei tuoi docenti e della tua segreteria via mail e a breve anche tramite l'app Univr.

Prova Finale

Scadenziari e adempimenti amministrativi

Per gli scadenziari, gli adempimenti amministrativi e gli avvisi sulle sessioni di laurea, si rimanda al servizio Sessioni di laurea - Scienze e Ingegneria.

Necessità di attivare un tirocinio per tesi

Per stage finalizzati alla stesura della tesi di laurea, non è sempre necessaria l'attivazione di un tirocinio tramite l'Ufficio Stage. Per maggiori informazioni, consultare il documento dedicato, che si trova nella sezione "Documenti" del servizio dedicato agli stage e ai tirocini.

Regolamento della 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.
 

Documenti

Titolo Info File
File pdf Regolamento esame finale | Final exam regulation pdf, it, 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, la frequenza al corso di studio non è obbligatoria.
 


Gestione carriere


Area riservata studenti


Erasmus+ e altre esperienze all’estero