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 |
|---|---|---|
| Primo semestre | 4-ott-2021 | 28-gen-2022 |
| Secondo semestre | 7-mar-2022 | 10-giu-2022 |
| Sessione | Dal | Al |
|---|---|---|
| Sessione invernale d'esame | 31-gen-2022 | 4-mar-2022 |
| Sessione estiva d'esame | 13-giu-2022 | 29-lug-2022 |
| Sessione autunnale d'esame | 1-set-2022 | 30-set-2022 |
| Sessione | Dal | Al |
|---|---|---|
| Sessione di laurea estiva | 20-lug-2022 | 20-lug-2022 |
| Sessione di laurea autunnale | 19-ott-2022 | 19-ott-2022 |
| Sessione invernale | 15-mar-2023 | 15-mar-2023 |
| Periodo | Dal | Al |
|---|---|---|
| Festa di Tutti i Santi | 1-nov-2021 | 1-nov-2021 |
| Festa dell'Immacolata | 8-dic-2021 | 8-dic-2021 |
| Festività natalizie | 24-dic-2021 | 2-gen-2022 |
| Vacanze Pasquali | 15-apr-2022 | 19-apr-2022 |
| FESTA DEL LAVORO | 1-mag-2022 | 1-mag-2022 |
| Santo Patrono | 21-mag-2022 | 21-mag-2022 |
| Festa della Repubblica | 2-giu-2022 | 2-giu-2022 |
| Chiusura estiva | 15-ago-2022 | 20-ago-2022 |
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
+39 045 802 7913
marco.carradore@univr.it
mariano.ceccato@univr.it
mila.dallapreda@univr.it
giorgia.guerra@univr.it
niccolo.marastoni@univr.it
abigail.owusu@univr.it
igor.pelgreffi@univr.it
alice.raffaele@univr.it
rosamaria.vadala@univr.it
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 Attivato nell'A.A. 2022/2023
| 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.
Statistical learning (2021/2022)
Codice insegnamento
4S009067
Crediti
6
Coordinatore
Lingua di erogazione
Italiano
Offerto anche nei corsi:
- Statistical learning - PART II del corso Laurea magistrale in Mathematics
L'insegnamento è organizzato come segue:
Obiettivi formativi
L’insegnamento si propone di introdurre gli studenti ai modelli statistici utilizzati in “data science”. Si svilupperanno le fondamenta dell’apprendimento statistico (supervisionato e non supervisionato) ponendo l’enfasi sulle basi matematiche delle differenti metodologie allo stato dell’arte. Inoltre si punta a fornire derivazioni rigorose dei metodi correntemente utilizzati nelle applicazioni industriali e scientifiche per consentire agli studenti di comprenderne i requisiti per il corretto utilizzo. Sessioni di laboratorio complementari illustreranno l’utilizzo di fondamentali algoritmi e casi di studio industriali in cui lo studente potrà imparare ad analizzare data-set reali per mezzo di software Python. Al termine del corso lo studente dovrà dimostrare di: - conoscere le fasi principali di preparazione dei dati, costruzione e valutazione del modello; - saper sviluppare soluzioni per la selezione delle “feature”; - conoscere e saper utilizzare i principali modelli di regressione e regolarizzazione (e.g., LASSO, “Ridge Regression”); - conoscere e sapere utilizzare i principali metodi per la riduzione della dimensionalità (e.g., “Principal Component Regression”, “Partial Least Squares”); - conoscere e saper utilizzare i principali metodi per la classificazione (e.g., KNN, “Logistic Regression”, LDA) - conoscere e saper utilizzare i principali metodi di regressione e classificazione basati su alberi (e.g., alberi di decisione, “random forest”) - conoscere e saper utilizzare i principali metodi per l’analisi dei dati non supervisionati (e.g., “K-means clustering”, Clustering gerarchico)
Programma
-- Modelli lineari per la regressione (regressione lineare, selezione delle variabili, regolarizzazione)
-- Modelli di classificazione (Regressione logistica, Analisi lineare discriminante (LDA))
-- Metodi basati su alberi (alberi di decisione, "bagging", "random forest", "boosting")
-- Metodi non supervisionati (Analisi delle componenti principali (PCA), approccio "K-Means" per il partizionamento dei dati, partizionamento dei dati gerarchico)
-- Valutazione e selezione del modello (convalida incrociata)
-- Introduzione alle reti neurali (reti neurali a strato singolo, addestrare una rete neurale)
Laboratorio:
- Regressione lineare, metodi di selezione delle variabili, regolarizzazione (in Python)
- Classificazione con regressione logistica (in Python)
- Partizionamento dei dati con approcci k-means e gerarchico (in Python)
- Reti neurali artificiali (in Python)
Modalità d'esame
L'esame è costituito da una prova orale e dalla realizzazione e presentazione di una delle esercitazioni svolte in laboratorio sull'analisi di dati tramite metodi di statistical learning.
Tipologia di Attività formativa D e F
Le attività formative di tipologia D sono a scelta dello studente, quelle di tipologia F sono ulteriori conoscenze utili all’inserimento nel mondo del lavoro (tirocini, competenze trasversali, project works, ecc.). In base al Regolamento Didattico del Corso, alcune attività possono essere scelte e inserite autonomamente a libretto, altre devono essere approvate da apposita commissione per verificarne la coerenza con il piano di studio. Le attività formative di tipologia D o F possono essere ricoperte dalle seguenti attività.
1. Insegnamenti impartiti presso l'Università di Verona
Comprendono gli insegnamenti sotto riportati e/o nel Catalogo degli insegnamenti (che può essere filtrato anche per lingua di erogazione tramite la Ricerca avanzata).
Modalità di inserimento a libretto: se l'insegnamento è compreso tra quelli sottoelencati, lo studente può inserirlo autonomamente durante il periodo in cui il piano di studi è aperto; in caso contrario, lo studente deve fare richiesta alla Segreteria, inviando a carriere.scienze@ateneo.univr.it il modulo nel periodo indicato.
2. Attestato o equipollenza linguistica CLA
Oltre a quelle richieste dal piano di studi, per gli immatricolati dall'A.A. 2021/2022 vengono riconosciute:
- Lingua inglese: vengono riconosciuti 3 CFU per ogni livello di competenza superiore a quello richiesto dal corso di studio (se non già riconosciuto nel ciclo di studi precedente).
- Altre lingue e italiano per stranieri: vengono riconosciuti 3 CFU per ogni livello di competenza a partire da A2 (se non già riconosciuto nel ciclo di studi precedente).
Tali cfu saranno riconosciuti, fino ad un massimo di 6 cfu complessivi, di tipologia F se il piano didattico lo consente, oppure di tipologia D. Ulteriori crediti a scelta per conoscenze linguistiche potranno essere riconosciuti solo se coerenti con il progetto formativo dello studente e se adeguatamente motivati.
Gli immatricolati fino all'A.A. 2020/2021 devono consultare le informazioni che si trovano qui.
Modalità di inserimento a libretto: richiedere l’attestato o l'equipollenza al CLA e inviarlo alla Segreteria Studenti - Carriere per l’inserimento dell’esame in carriera, tramite mail: carriere.scienze@ateneo.univr.it
3. Competenze trasversali
Scopri i percorsi formativi promossi dal TALC - Teaching and learning center dell'Ateneo, destinati agli studenti regolarmente iscritti all'anno accademico di erogazione del corso https://talc.univr.it/it/competenze-trasversali
Modalità di inserimento a libretto: non è previsto l'inserimento dell'insegnamento nel piano di studi. Solo in seguito all'ottenimento dell'Open Badge verranno automaticamente convalidati i CFU a libretto. La registrazione dei CFU in carriera non è istantanea, ma ci saranno da attendere dei tempi tecnici.
4. Periodo di stage/tirocinio
Oltre ai CFU previsti dal piano di studi (verificare attentamente quanto indicato sul Regolamento Didattico): qui informazioni su come attivare lo stage.
Insegnamenti e altre attività che si possono inserire autonomamente a libretto
Insegnamenti non ancora inseriti
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.
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. 2022/2023, 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.
