Studying at the University of Verona
Here you can find information on the organisational aspects of the Programme, lecture timetables, learning activities and useful contact details for your time at the University, from enrolment to graduation.
Type D and Type F activities
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. Contamination lab
Il Contamination Lab Verona (CLab Verona) è un percorso esperienziale con moduli dedicati all'innovazione e alla cultura d'impresa che offre la possibilità di lavorare in team con studenti e studentesse di tutti i corsi di studio per risolvere sfide lanciate da aziende ed enti. Il percorso permette di ricevere 6 CFU in ambito D o F. Scopri le sfide: https://www.univr.it/clabverona
ATTENZIONE: Per essere ammessi a sostenere una qualsiasi attività didattica, incluse quelle a scelta, è necessario essere iscritti all'anno di corso in cui essa viene offerta. Si raccomanda, pertanto, ai laureandi delle sessioni di dicembre e aprile di NON svolgere attività extracurriculari del nuovo anno accademico, cui loro non risultano iscritti, essendo tali sessioni di laurea con validità riferita all'anno accademico precedente. Quindi, per attività svolte in un anno accademico cui non si è iscritti, non si potrà dar luogo a riconoscimento di CFU.
PROCEDURA PER IL RICONOSCIMENTO DELL'ATTIVITA' LAVORATIVA COME CREDITI DI STAGE
Come previsto da delibera del collegio didattico di Matematica e Data Science n°8 -23/24, lo studente che intende farsi riconoscere ore di attività lavorativa come crediti di stage, prima dell'inizio dell'attività, è tenuto ad inviare all'indirizzo mail della segreteria studenti e in copia conoscenza alla commissione pratiche studenti (paolo.daipra@univr.it, luca.dipersio@univr.it, barbara.gaudenzi@univr.it) esplicita richiesta. Nella richiesta va specificato il tipo di attività, nome dell’azienda e sede lavorativa e ore/crediti di cui si sta chiedendo il riconoscimento.
Affinché l'attività sia riconoscibile è d'obbligo che si sia svolta durante gli anni di iscrizione al corso di studi. Una volta accertata la coerenza tra l'attività lavorativa in essere e gli obiettivi del corso, lo studente riceverà tempestiva comunicazione dalla commissione pratiche studenti con in copia conoscenza la segreteria.
Al termine del periodo lavorativo stabilito, lo studente invia alla segreteria studenti la seguente documentazione:
- relazione finale dettagliata che viene inoltrata alla commissione per l’approvazione finale (firmata dallo studente e da un referente aziendale);
- una dichiarazione del legale rappresentante dell'azienda/ente e/o documentazione atta a dimostrare la tipologia di attività professionale e l'impegno orario ad essa dedicato.
La segreteria studenti provvederà all'invio della documentazione ricevuta alla commissione pratiche studenti e alla registrazione dei CFU (taf F ed eventuali ulteriori crediti taf D) deliberati dalla commissione stessa.
Insegnamenti e altre attività che si possono inserire autonomamente a libretto valide per l'a.a. 2024/25
| years | Modules | TAF | Teacher |
|---|---|---|---|
| 1° 2° | Elements of Cosmology and General Relativity | D |
Claudia Daffara
(Coordinator)
|
| 1° 2° | Introduction to quantum mechanics for quantum computing | D |
Claudia Daffara
(Coordinator)
|
| 1° 2° | Python programming language [English edition] | D |
Carlo Combi
(Coordinator)
|
| 1° 2° | APP REACT PLANNING | D |
Graziano Pravadelli
(Coordinator)
|
| years | Modules | TAF | Teacher |
|---|---|---|---|
| 1° 2° | Python programming language [Edizione in italiano] | D |
Carlo Combi
(Coordinator)
|
| 1° 2° | Programming Challanges | D |
Romeo Rizzi
(Coordinator)
|
| 1° 2° | Protection of intangible assets (SW and invention)between industrial law and copyright | D |
Mila Dalla Preda
(Coordinator)
|
| years | Modules | TAF | Teacher |
|---|---|---|---|
| 1° 2° | Mathematics mini courses |
Giacomo Albi
(Coordinator)
|
Statistical learning (2024/2025)
Teaching code
4S009067
Credits
6
Language
English
Also offered in courses:
- Statistical learning - PART I of the course Master's degree in Artificial intelligence
- Statistical learning - PART II of the course Master's degree in Artificial intelligence
- Statistical learning - PART II of the course Master's degree in Mathematics
- Statistical learning - PART I of the course Master's degree in Data Science
- Statistical learning - PART II of the course Master's degree in Data Science
Scientific Disciplinary Sector (SSD)
INF/01 - INFORMATICS
Courses Single
Authorized
The teaching is organized as follows:
Parte II
Parte I
Learning objectives
The course aims to introduce students to the statistical models used in data science. The foundations of statistical learning (supervised and unsupervised) will be developed by placing the emphasis on the mathematical basis of the different state-of-the-art methodologies. It also aims to provide rigorous derivations of the methods currently used in industrial and scientific applications to allow students to understand their requirements for correct use. Laboratory sessions will illustrate the use of fundamental algorithms and industrial case studies in which the student will be able to learn to analyze real data-sets by means of Python software. At the end of the course the students have to demonstrate the following skills: - knowledge of the main stages of data preparation, model creation and evaluation - ability to develop solutions for feature selection - knowledge and ability to use the main regression and regularization models (e.g., LASSO, Ridge Regression) - knowledge and ability to use the main methods for dimensionality reduction (e.g., Principal Component Regression, Partial Least Squares); - knowledge and ability to use the main methods for classification (e.g., KNN, Logistic Regression, LDA) - knowledge and ability to use the main methods for tree-based regression and classification (e.g., decision tree, random forest) - knowledge and ability to use the main methods for unsupervised data analysis (e.g., K-means clustering, hierarchical clustering)
Prerequisites and basic notions
Python programming basics; basics of statistics. Some basic concepts of programming and statistics will be resumed during the course.
Program
Theory:
-- Linear models for regression
-- Cross-validation
-- Variable and model selection in linear regression models
-- Regularization for linear regression models
-- Methods for dimensionality reduction
-- Classification models (Logistic Regression, Linear Discriminant Analysis)
-- Tree Based Methods (Decision Trees, Bagging, Random Forest, Boosting)
-- Unsupervised methods (Principal Component Analysis, K-Means Clustering, Hierarchical Clustering)
-- Introduction to Neural Networks (Single layer neural network, training a neural network)
-- Introduction to methods for time series forecasting
Laboratory:
- Introduction to data analysis with Python
- Linear regression (Python)
- Variable and model selection in linear models (Python)
- Ridge and Lasso regularization for linear regression models (Python)
- Classification with logistic regression (Python)
- Data clustering with k-means and hierarchical approaches (Python)
- Methods for time series forecasting
- Artificial Neural Networks (Python)
Bibliography
Didactic methods
Laboratory experiences, lectures, case study.
The rights of students will be preserved in situations of fragile health. In these cases, you are invited to contact the teacher directly to organize the most appropriate remedial strategies.
Learning assessment procedures
The exam consists of an written test on the topics covered in the course and the related exercises carried out in the laboratory. In case of low participation, the written exam will be replaced by an oral exam with equivalent questions. Compatibly with the number of students, the delivery and presentation of a project or a scientific paper on the topics of the course.
Evaluation criteria
Theoretical and applied knowledge of the techniques taught in the course; critical ability to select techniques based on the problem; ability to use the techniques taught in the course.
Criteria for the composition of the final grade
The final grade is the average of the grades of part 1 and 2.
Exam language
Inglese
Sustainable Development Goals - SDGs
This initiative contributes to the achievement of the Sustainable Development Goals of the UN Agenda 2030. More information on sustainability
