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)
|
Probability for Data Science (2024/2025)
Teaching code
4S009077
Academic staff
Coordinator
Credits
9
Language
English
Scientific Disciplinary Sector (SSD)
MAT/06 - PROBABILITY AND STATISTICS
Period
Semester 1 dal Oct 1, 2024 al Jan 31, 2025.
Courses Single
Authorized
Learning objectives
The course will provide a self-contained and mathematically rigorous introduction to modern techniques of data analysis and modeling of random phenomena, with special emphasis to the theoretical bases, typical of probability theory, necessary to develop effective solutions to the challenges characterizing heterogeneous areas, eg , finance, fault-detection, innovation forecasting, energy prediction, etc., typical of Industry 4.0, with particular reference to the challenges posed in the field of big data analytics. The presentation of concepts, problems and related theoretical / practical solutions will be oriented to the applications, also making use of specific statistical software (e.g. Matlab, R, KNIME, etc.) always maintaining a high level of mathematical rigor. The course will discuss the basics of modern Probability theory (eg: random variables, their distributions and main statistical properties, convergence theorems and applications), with particular attention to the fundamental stochastic processes (eg: Markov chains , birth and death processes, code theory with real world applications) and their applications within real world scenarios characterized by the presence of big data and related time series.
At the end of the course the student has to show to have acquired the following skills:
- knowledge of the formal basis of probability theory
- ability to use the concepts of random variables (both in a discrete and continuous environment)
- ability to develop models based on known probabilistic models, e.g., v.a. binomial, Poisson, Gaussian, Gaussian mixtures, etc.
- understanding and knowing how to use the basic theory of stochastic processes, with particular reference to Markov chain theory (discrete and continuous time), birth and death processes and related applications
- know and know how to use the basic notions in descriptive and inferential statistics
Prerequisites and basic notions
Calculus and linear algebra
Program
1. Probability, conditioning and independence.
2. Random variables and their distributions. Discrete distributions. Expectation and variance. Continuous distributions.
3. Random vectors. Independence of random variables. Covariance and correlation.
4. Limit Theorems: law of large numbers and central limit theorem. Normal approximation.
5. Normal random vectors.
6. Discrete time Markov chains. Markov Chain Monte Carlo methods.
7. Poisson processes and queuing theory. Continuous time Markov chains.
Bibliography
Didactic methods
All the topics will be illustrated in class. Additional material, as exercises, lecture notes and further references, will be available on Moodle page of the course.
The rights of students will be preserved in situations of travel limitation or confinement due to national provisions or in particular 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 a written test that involves solving several exercises. It can be completed either by passing two midterm exams during the semester or by passing a regular sitting during an exam session. A student must obtain a mark of at least 18/30 to pass the exam.
Evaluation criteria
The student must demonstrate that she is familiar with the basics in Probability and in Markov chain theory, that she can apply theory to problem-solving and she is able to solve exercises of appropriate difficulty.
Criteria for the composition of the final grade
The final grade is entirely based on the outcome of the written test
Exam language
English
Sustainable Development Goals - SDGs
This initiative contributes to the achievement of the Sustainable Development Goals of the UN Agenda 2030. More information on sustainability
