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.
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. 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
| anni | Insegnamenti | TAF | Docente |
|---|---|---|---|
| 1° 2° | Elementi di Cosmologia e Relatività generale | D |
Claudia Daffara
(Coordinatore)
|
| 1° 2° | Introduzione alla meccanica quantistica per il quantum computing | D |
Claudia Daffara
(Coordinatore)
|
| 1° 2° | Linguaggio programmazione Python [English edition] | D |
Carlo Combi
(Coordinatore)
|
| 1° 2° | Progettazione di app REACT | D |
Graziano Pravadelli
(Coordinatore)
|
| anni | Insegnamenti | TAF | Docente |
|---|---|---|---|
| 1° 2° | Linguaggio programmazione Python [Edizione in italiano] | D |
Carlo Combi
(Coordinatore)
|
| 1° 2° | Sfide di programmazione | D |
Romeo Rizzi
(Coordinatore)
|
| 1° 2° | Tutela dei beni immateriali (SW e invenzione) tra diritto industriale e diritto d’autore | D |
Mila Dalla Preda
(Coordinatore)
|
| anni | Insegnamenti | TAF | Docente |
|---|---|---|---|
| 1° 2° | Mathematics mini courses |
Giacomo Albi
(Coordinatore)
|
Machine learning for data science (2024/2025)
Codice insegnamento
4S009069
Docente
Coordinatore
Crediti
6
Offerto anche nei corsi:
- Machine learning for data science del corso Laurea magistrale in Data Science (LM-91)
Lingua di erogazione
Inglese
Settore Scientifico Disciplinare (SSD)
ING-INF/05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI
Periodo
I semestre dal 1 ott 2024 al 31 gen 2025.
Corsi Singoli
Autorizzato
Obiettivi di apprendimento
L’insegnamento intende offrire la teoria di base per l’apprendimento automatico accanto a tecniche specifiche capaci di lavorare con grandi quantità di dati, quali il deep learning. Teoria e tecniche saranno specificatamente indirizzati a problematiche di data science con particolare enfasi all’analisi di dati. Al termine del corso lo studente dovrà dimostrare di: -conoscere le principali tipologie di dato (e.g.: binari, testi, suoni, etc.) -comprendere e saper utilizzare gli elementi base della statistica descrittiva, della probabilità elementare, dell’algebra lineare con elementi di ottimizzazione e regolarizzazione -conoscere tecniche di base in ambito machine learning (e.g.: support vector machines, random forest, etc) -conoscere tecniche di base in ambito deep learning (e.g. : convolutional neural network, long-short memory machines, etc.) -conoscere le basi in ambito Natural Language Processing per, e.g., sentiment analysis -avere basi in relazione a misure di valutazione e Regressione, e.g., RMSE (Root Mean Square Error), MAE, Rsquared e adjusted Rsquared) -consocere le basi in ambito addestramento supervisionato, e.g., matrice di confusione, accuratezza, precision, recall, F1, Curve precision-recall, ROC, average precision, CMC NLP: Bleu, Spice
Prerequisiti e nozioni di base
Lo studente dovrebbe avere conoscenze di base in analisi matematica, algebra lineare, probabilità e statistica.
Programma
- 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
Bibliografia
Modalità didattiche
Lezioni frontali, esercitazioni, sessioni di laboratorio al PC
Modalità di verifica dell'apprendimento
L’esame prevede la discussione con il docente di un progetto che propone una soluzione ad un problema industriale.
Lo studente dovrà presentare il proprio lavoro in circa 15 minuti (con o senza l'uso di materiale di supporto come slides, relazione scritta, demo, ecc.), seguiti da domande da parte del docente.
Criteri di valutazione
Per la composizione del voto si terrà conto di:
- performance del sistema sviluppato (con metriche diverse da problema a problema);
- motivazione teorica che ha spinto lo studente ad effettuare le scelte progettuali;
- capacità di esporre in modo chiaro e conciso i punti chiave del progetto;
- capacità di sostenere una discussione sulle possibili soluzioni alternative e potenziali cause di fallimento della soluzione elaborata.
Lo studente dovrà altresì dimostrare padronanza di tutti gli argomenti in programma (anche quelli non affrontati nel corso del progetto).
Criteri di composizione del voto finale
Il voto sarà basato sulla discussione di un progetto individuale che verterà sugli argomenti del corso.
Lingua dell'esame
Inglese/English
