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)
|
Machine Learning for Data Science (2024/2025)
Teaching code
4S009069
Teacher
Coordinator
Credits
6
Also offered in courses:
- Machine Learning for Data Science of the course Master's degree in Data Science
Language
English
Scientific Disciplinary Sector (SSD)
ING-INF/05 - INFORMATION PROCESSING SYSTEMS
Period
Semester 1 dal Oct 1, 2024 al Jan 31, 2025.
Courses Single
Authorized
Learning objectives
The course aims to provide the basic tools for machine learning, together with specific techniques to deal with large amounts of data, such as deep learning. Theory and techniques will be specifically addressed to data science issues with particular emphasis on data analysis. At the end of the course the student has to show to have acquired the following skills:
- knowledge of the main types of data (e.g. binaries, texts, sounds, etc.)
- understanding and capability to use the basic elements of descriptive statistics, elementary probability, linear algebra with elements of optimization and regularization
- knowledge of basic machine learning techniques (e.g. support vector machines, random forest, etc.)
- knowledge of basic deep learning techniques (e.g. convolutional neural network, long-short memory machines, etc.)
- knowledge of the basics of Natural Language Processing for, for example, sentiment analysis
- knowledge of the basic issues in the context of measurement and Regression measures, e.g., RMSE (Root Mean Square Error), MAE, Rsquared and adjusted Rsquared)
- knowledge of the basic tools in supervised training, e.g., confusion matrix, accuracy, precision, recall, F1, Curve precision-recall, ROC, average precision, CMC NLP: Bleu, Spice
Prerequisites and basic notions
The student should have basic skills in math, linear algebra, probability and statistics.
Program
- Introduction to Machine Learning: basics, terminology, performance metrics, inductive bias
- Bayesian decision theory
- Parametric learning
- Support Vector Machines
- Artificial Neural Networks
- Convolutional Neural Networks
- Recurrent Neural Networks
- Auto-Encoders
- Unsupervised Machine Learning
Bibliography
Didactic methods
Lectures, exercises, laboratory sessions on the PC
Learning assessment procedures
The exam involves the discussion of a project proposing a solution to an industrial problem.
The student will present his/her work in about 15 minutes (with or without the use of support material such as slides, written report, demo, etc.), followed by a Q&A session.
Evaluation criteria
For the generation of the mark it will be taken into account:
- performance of the developed system (with different metrics depending on the problem);
- theoretical motivation behind the student's design choices;
- ability to clearly and concisely present the key points of the project;
- ability to support a discussion on possible alternative solutions and potential causes of failure of the solution developed.
The student must also demonstrate mastery of all the topics in the program (even those not addressed during the project).
Criteria for the composition of the final grade
The grade will be based on the discussion of an individual project that will focus on the topics of the course.
Exam language
Inglese/English
