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

A B C D F G I M O P Q R S T V Z

Albi Giacomo

giacomo.albi@univr.it +39 045 802 7913

Badino Massimiliano

massimiliano.badino@univr.it +39 045 802 8459

Bazzani Claudia

claudia.bazzani@univr.it 0458028734

Begalli Diego

diego.begalli@univr.it +39 045 8028491

Boscolo Galazzo Ilaria

ilaria.boscologalazzo@univr.it +39 045 8127804

Carra Damiano

damiano.carra@univr.it +39 045 802 7059

Carradore Marco

marco.carradore@univr.it

Castellini Alberto

alberto.castellini@univr.it +39 045 802 7908

Ceccato Mariano

mariano.ceccato@univr.it

Chiarini Andrea

andrea.chiarini@univr.it 045 802 8223

Cobelli Nicola

nicola.cobelli@univr.it 0458028295

Collet Francesca

francesca.collet@univr.it

Confente Ilenia

ilenia.confente@univr.it 045 802 8174

Dai Pra Paolo

paolo.daipra@univr.it +39 0458027093

Dalla Preda Mila

mila.dallapreda@univr.it

D'Asaro Fabio Aurelio

fabioaurelio.dasaro@univr.it 0458028431

Di Persio Luca

luca.dipersio@univr.it +39 045 802 7968

Farinelli Alessandro

alessandro.farinelli@univr.it +39 045 802 7842

Gaudenzi Barbara

barbara.gaudenzi@univr.it 045 802 8623

Giachetti Andrea

andrea.giachetti@univr.it +39 045 8027998

Guerra Giorgia

giorgia.guerra@univr.it

Marastoni Niccolo'

niccolo.marastoni@univr.it

Mola Lapo

lapo.mola@univr.it 045/8028565

Owusu Abigail

abigail.owusu@univr.it

Paci Federica Maria Francesca

federicamariafrancesca.paci@univr.it +39 045 802 7909

Pelgreffi Igor

igor.pelgreffi@univr.it

Quintarelli Elisa

elisa.quintarelli@univr.it +39 045 802 7852

Raffaele Alice

alice.raffaele@univr.it

Setti Francesco

francesco.setti@univr.it +39 045 802 7804

Troiano Stefano

stefano.troiano@univr.it +39 045 8028817

Vadala' Rosa Maria

rosamaria.vadala@univr.it

Zardini Alessandro

alessandro.zardini@univr.it 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.

InsegnamentiCreditiTAFSSD
Training
6
F
-
Final exam
22
E
-

1° Anno

InsegnamentiCreditiTAFSSD

2° Anno

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.




SStage e tirocini presso imprese, enti pubblici o privati, ordini professionali

Codice insegnamento

4S009079

Coordinatore

Luca Di Persio

Crediti

6

Lingua di erogazione

Inglese en

Settore Scientifico Disciplinare (SSD)

MAT/06 - PROBABILITÀ E STATISTICA MATEMATICA

Periodo

Primo semestre dal 4-ott-2021 al 28-gen-2022.

Obiettivi formativi

Il corso sarà dedicato all'apprendimento del background matematico necessario per descrivere, analizzare e trarre valore da insiemi di dati, eventualmente Big Data e non strutturati, e padroneggiare i principali modelli probabilistici utilizzati in ambito data science. Partendo da modelli di base, ad esempio regressioni, predittori basati su PCA, statistiche Bayesiane, filtri, ecc., verrà posta enfasi particolare agli approcci quantitativi matematicamente rigorosi volti all'ottimizzazione delle fasi di raccolta, pulizia ed organizzazione di dati (e.g.: serie storiche, dati non strutturati generati in ambito social media, elementi semantici, etc.). Verranno inoltre introdotti gli strumenti matematici necessari a trattare la descrizione delle serie temporali, le loro analisi e previsioni. I contenuti dell'intero corso verranno somministrati in interazione con lo studio di problemi reali afferenti a settori industriali, economici, sociali, etc., eterogenei, utilizzando software orientati alla modellazione probabilistica, ad esempio, Knime, ElasticSearch, Kibana, R AnalyticFlow, Orange, ecc.


Al termine del corso lo studente dovrà dimostrare di:

● conoscere e saper utilizzare gli strumenti basilari per il trattamento delle serie storiche e loro indicatori, e.g.,
● conoscere e saper sviluppare soluzioni previsionali a valere su modelli statistico inferenziali, e.g., AR, MA, ARMA, ARIMA, ARIMAX: Box-Jenkins, autocovarianza e autocorrelazione parziale, stagionalità (SARIMA), analisi in varianza (ANOVA, MANOVA), etc.
● saper identificare i parametri caratterizzanti una certa popolazione via metodi, e.c., di minimizzazione dell’errore, massima verosimiglianza, etc.
● saper stimare/identificare/ricostruire caratteristiche relative ad analisi al primo ordine, tecniche di smoothing, decomposizione spettrale, fitting polinomiale, etc.

Programma

Il programma del corso è articolato nei seguenti macro-argomenti
Time domain analysis
Frequency domain analysis
Strumenti per l'analisi e la pulizia dei dati (e.g. identificazione di outliers)
Metodi di massima versoimiglianza, metriche di verosimiglianza, fitting densità di probabilità
Analisi in Componenti Principali (PCA) [regressori/predittori PCA-based]
Modelli AR, MA, ARMA, ARIMA, Box-Jenkins, ARCH, GARCH e generalizzazioni
TIme series decomposition
ACF/PACF e "visualizzazioni" connesse
Test di ipotesi
Processi Gaussiani / di salto / composti
Decomposizione processi di tipo "white noise"
Statistica Bayesiana ed applicazioni
Valutazioni previsionali via considerazione di modelli statistico inferenziali, basati, e.g.,
su autocovarianza e autocorrelazione parziale, stagionalità (SARIMA), analisi in varianza (ANOVA, MANOVA), etc.
Tecniche di smoothing, decomposizione spettrale, fitting polinomiale, etc.
Realizzazione dei modelli di cui ai punti precedenti per la risoluzione di concreti casi di studio.
Quest'ultimo aspetto riguarderà principalmente, ma non esclusivamente, la codifica in Python e/o l'utilizzo di librerie/software statistico/probabilistiche quali, e.g., Knime, ElasticSearch, Kibana, R, TensorFlow, Prophet, AnalyticFlow, Orange, ecc.

Visualizza la bibliografia con Leganto, strumento che il Sistema Bibliotecario mette a disposizione per recuperare i testi in programma d'esame in modo semplice e innovativo.

Modalità d'esame

L'esame finale consta di due parti: una teorica, la successiva pratico/implementativa. Conseguentemente, la prima parte dell'esame è funzionale alla verifica dell'apprendimento dei concetti teorici caratterizzanti i metodi statisitici ed i collegati modelli ed algoritmi, alla base delle implementazioni informatico-computazionali utilizzate nella risoluzione di un progetto che lo studente concorderà con i docenti del corso.
Tale "caso di studio", unitamente alla discussione delle parti di codifica realizzate per portarli a termine,
sarà l'oggetto della seconda e conclusiva parte dell'esame.

Bibliografia

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.

 

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.

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

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

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
Doc_Univr_pdf 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.


Gestione carriere


Area riservata studenti