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.
Piano Didattico
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 2025/2026Il 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
| Insegnamenti | Crediti | TAF | SSD |
|---|
| Insegnamenti | Crediti | TAF | SSD |
|---|
| Insegnamenti | Crediti | TAF | SSD |
|---|
1 module between the following1 module between the following3 modules among the followingLegenda | 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.
Foundations of data analysis (2021/2022)
Codice insegnamento
4S008278
Docente
Coordinatore
Crediti
6
Offerto anche nei corsi:
- Continuous optimization for data science del corso Laurea magistrale in Data Science (LM-91)
Lingua di erogazione
Inglese
Settore Scientifico Disciplinare (SSD)
MAT/08 - ANALISI NUMERICA
Periodo
Primo semestre dal 4 ott 2021 al 28 gen 2022.
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
*Introduzione all’ottimizzazione:
- condizioni di ottimalitá
- Metodi numerici
* Singular Value Decomposition:
- Best k-rank approximation, Randomize SVD
- Principal Component Analysis, pseudo inversa
* Compressed Sensing
- Basis pursuit problem: l1-minimization and sparse recovery
- Ricostruzione di immagini da dati sparsi.
* Analisi Dati
- Riduzione della dimensionalità (Local Linear Embedding, ISOMAP, diffusion map).
- Apprendimento supervisionato: Support Vector Machine (SVM).
- Apprendimento non supervisionato: K-means.
- Rete Neurali Artificiali e applicazioni.
Bibliografia
Modalità d'esame
L'esame consiste in una prova orale con domande scritte e discussione.
Si incoraggia lo sviluppo di un progetto (non obbligatorio) ad integrazione dell'esame orale.
