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 didattico
Il calendario didattico indica i periodi di svolgimento delle attività formative, di sessioni d'esami, di laurea e di chiusura per le festività.
| Periodo | Dal | Al |
|---|---|---|
| I semestre | 1-ott-2024 | 31-gen-2025 |
| II semestre | 3-mar-2025 | 13-giu-2025 |
| Sessione | Dal | Al |
|---|---|---|
| Sessione invernale | 3-feb-2025 | 28-feb-2025 |
| Sessione estiva | 16-giu-2025 | 31-lug-2025 |
| Sessione autunnale | 1-set-2025 | 30-set-2025 |
| Periodo | Dal | Al |
|---|---|---|
| Tutti i Santi | 1-nov-2024 | 1-nov-2024 |
| Festa dell'Immacolata | 8-dic-2024 | 8-dic-2024 |
| Vacanze di Natale | 23-dic-2024 | 6-gen-2025 |
| Vacanze di Pasqua | 18-apr-2025 | 21-apr-2025 |
| Festa della Liberazione | 25-apr-2025 | 25-apr-2025 |
| Festa del Lavoro | 1-mag-2025 | 1-mag-2025 |
| Festa del Santo Patrono | 21-mag-2025 | 21-mag-2025 |
| Festa della Repubblica | 2-giu-2025 | 2-giu-2025 |
| Vacanze estive | 11-ago-2025 | 16-ago-2025 |
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
Per dubbi o domande leggi le risposte alle domande più frequenti F.A.Q. Iscrizione Esami
Docenti
+39 045 802 7913
damiano.bazzoni@univr.it
silvia.bonetti@univr.it
mariano.ceccato@univr.it
mila.dallapreda@univr.it
stefano.gatti@univr.it
niccolo.marastoni@univr.it
daniela.pianezzi@univr.it
rosamaria.vadala@univr.it
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.
1° Anno
| Insegnamenti | Crediti | TAF | SSD |
|---|
2° Anno Sarà attivato nell'A.A. 2025/2026
| Insegnamenti | Crediti | TAF | SSD |
|---|
| Insegnamenti | Crediti | TAF | SSD |
|---|
| Insegnamenti | Crediti | TAF | SSD |
|---|
| Insegnamenti | Crediti | TAF | SSD |
|---|
1 module among the following2 modules among the following1 module among the following (A.A. 2024/2025 Network science and econophysics not activated)1 module among the following2 modules among the followingLegenda | 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.
Statistical models for data science (2024/2025)
Codice insegnamento
4S009079
Docenti
Coordinatore
Crediti
6
Offerto anche nei corsi:
- Statistical Models del corso Laurea magistrale in Artificial Intelligence
- Statistical methods for business intelligence del corso Laurea magistrale in Data Science
- Statistical models for data science del corso Laurea magistrale in Data Science
Lingua di erogazione
Inglese
Settore Scientifico Disciplinare (SSD)
MAT/06 - PROBABILITÀ E STATISTICA MATEMATICA
Periodo
I semestre dal 1-ott-2024 al 31-gen-2025.
Corsi Singoli
Autorizzato
Obiettivi di apprendimento
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. Al fine di favorire la fusione degli aspetti teorici con la loro concreta applicazione per mezzo dello sviluppo di codice appropriato, i contenuti dell’intero corso verranno ulteriormente approfonditi attraverso lo studio di problemi reali riguardanti, e.g., i settori industriali, economici, sociali e biomedicali In particolare, l'implementazione dei metodi e modelli summenzionati, avverrà prevalentemente utilizzando il linguaggio Python, così come software orientati alla modellazione probabilistica, e.g., Knime, ElasticSearch, Kibana, R AnalyticFlow, Orange, etc. 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; · 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.
Prerequisiti e nozioni di base
Relativamente ad entrambi i moduli componenti dell'intero corso: nozioni di base della teoria della Probabilità, conoscenza dei principali modelli di variabili casuali notevoli tanto discrete che continue (e.g.: binomiale, Poisson, Gaussiana) e loro principali proprietà statistiche; teoremi di convergenza (e.g.: legge dei grandi numeri, teorema limite centrale), nozioni di base di processi stocastici a tempo discreto e continuo (e.g.:catene di Markov, processi di nascita e morte), rudimenti di analisi statistica e dei dati (e.g.: frequenza, media, moda, scarto quadratico).
Nozioni di base della programmazione in Python, relative in particolare alla sintassi generale, strutture dei dati, import/export, principali grafici per la visualizzazione dei dati. Rudimenti delle principali librerie come Numpy, Pandas e Matplotlib.
Programma
Il programma del corso è articolato nei seguenti macro-argomenti.
Parte 1 [ modulo 1 ]
1. Time domain analysis
2. Frequency domain analysis
3. Strumenti per l'analisi e la pulizia dei dati (e.g. identificazione di outliers)
4. Metodi di massima verosimiglianza, metriche di verosimiglianza, fitting densità di probabilità
5. Analisi in Componenti Principali (PCA) [regressori/predittori PCA-based]
5. Modelli AR, MA, ARMA, ARIMA, Box-Jenkins, ARCH, GARCH e generalizzazioni
6. TIme series decomposition ACF/PACF e "visualizzazioni" connesse
7. Test di ipotesi
8. Processi Gaussiani / di salto / composti
9. Decomposizione processi di tipo "white noise"
10. Statistica Bayesiana ed applicazioni
11. Valutazioni previsionali via considerazione di modelli statistico inferenziali, basati, e.g., su autocovarianza e autocorrelazione parziale, stagionalità (SARIMA), analisi in varianza (ANOVA, MANOVA), etc.
12. Tecniche di smoothing, decomposizione spettrale, fitting polinomiale, etc.
Parte 2 [ modulo 2 ]
1. Richiami alla programmazione in Python
2. Gestire e visualizzare le serie storiche
3. Statistiche descrittive
4. Analisi nel dominio della frequenza
5. Regressione lineare per serie storiche
6. Analizzare e decomporre le componenti principali delle serie storiche (trend, ciclo, stagionalità)
7. Metodi di forecasting: Exponential Smoothing (semplice, doppio, triplo)
8. Metodi di forecasting: AR, MA, ARMA, ARIMA, SARIMA
9. Metodi di forecasting: ARCH, GARCH e generalizzazioni
10. Come valutare i diversi modelli di forecasting
Tutti i punti sopracitati verranno approfonditi attraverso esercitazioni pratiche che richiedono l’implementazione di opportuni codici Python. Inoltre, i principali metodi di forecasting verranno ulteriormente approfonditi grazie anche alla trattazione e risoluzione di casi di studio reali di vario tipo.
Bibliografia
Modalità didattiche
il corso si articolerà in lezioni frontali, con condivisione di slide e note, e simulazioni/esercitazioni al computer.
Modalità di verifica dell'apprendimento
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 statistici 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 portarlo a termine, sarà l'oggetto della seconda e conclusiva parte dell'esame.
Criteri di valutazione
La valutazione della prova d'esame verrà effettuata combinando i risultati ottenuti a valere sui due moduli del corso, quindi dando pari importanza alla correttezza ed efficacia delle soluzioni adottate in fase di risoluzione di problemi concreti per via di implementazioni al calcolatore, così come alla comprensione dei modelli probabilistico/statistici ad esse soggiacenti.
Criteri di composizione del voto finale
Il voto finale sarà il risultato della valutazione paritetica delle due prove teoriche e di risoluzione di un "caso di studio" concordato dallo studente con gli insegnanti del corso, in accordo con quanto espresso nelle sezioni "Modalità d'esame" e "Criteri di valutazione".
Lingua dell'esame
Inglese / English
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.
5. Periodo di stage/tirocinio
Oltre ai CFU previsti dal piano di studi (verificare attentamente quanto indicato sul Regolamento Didattico) qui si possono trovare le informazioni su come attivare lo stage.
Verificare nel regolamento quali attività possono essere di tipologia D e quali di tipologia F.
Si ricorda, inoltre, che per i tirocini attivati dal 1 ottobre 2024 sarà possibile riconoscere le ore eccedenti in termini di crediti di tipologia D limitatamente alle sole esperienze di tirocinio svolte presso enti ospitanti esterni all’Ateneo.
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.
| anni | Insegnamenti | TAF | Docente |
|---|---|---|---|
| 1° 2° | Mathematics mini courses |
Giacomo Albi
(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: solo così potrai ricevere notifica di tutti gli avvisi dei tuoi docenti e della tua segreteria via mail e anche tramite l'app Univr.
Prova finale
Scadenziari e adempimenti amministrativi
Per gli scadenziari, gli adempimenti amministrativi e gli avvisi sulle sessioni di laurea, si rimanda al servizio Sessioni di laurea - Scienze e Ingegneria.
Necessità di attivare un tirocinio per tesi
Per stage finalizzati alla stesura della tesi di laurea, non è sempre necessaria l'attivazione di un tirocinio tramite l'Ufficio Stage. Per maggiori informazioni, consultare il documento dedicato, che si trova nella sezione "Documenti" del servizio dedicato agli stage e ai tirocini.
Regolamento della prova finale
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.
Documenti
| Titolo | Info File |
|---|---|
Regulations for the final exame
|
pdf, it, 326 KB, 19/03/24 |
Modalità e sedi di frequenza
Come riportato nel Regolamento Didattico, la frequenza al corso di studio non è obbligatoria.
È consentita l'iscrizione a tempo parziale. Per saperne di più consulta la pagina Possibilità di iscrizione Part time.
Le attività didattiche del corso di studi si svolgono negli spazi dell’area di Scienze e Ingegneria che è composta dagli edifici di Ca’ Vignal 1, Ca’ Vignal 2, Ca’ Vignal 3 e Piramide, siti nel polo di Borgo Roma.
Le lezioni frontali si tengono nelle aule di Ca’ Vignal 1, Ca’ Vignal 2, Ca’ Vignal 3 mentre le esercitazioni pratiche nei laboratori didattici dedicati alle varie attività.
Caratteristiche dei laboratori didattici a disposizione degli studenti
- Laboratorio Alfa
- 50 PC disposti in 13 file di tavoli
- 1 PC per docente collegato a un videoproiettore 8K Ultra Alta Definizione per le esercitazioni
- Configurazione PC: Intel Core i3-7100, 8GB RAM, 250GB SSD, monitor 24", Linux Ubuntu 24.04
- Tutti i PC sono accessibili da persone in sedia a rotelle
- Laboratorio Delta
- 120 PC in 15 file di tavoli
- 1 PC per docente collegato a due videoproiettori 4K per le esercitazioni
- Configurazione PC: Intel Core i3-7100, 8GB RAM, 250GB SSD, monitor 24", Linux Ubuntu 24.04
- Un PC è su un tavolo ad altezza variabile per garantire un accesso semplificato a persone in sedia a rotelle
- Laboratorio Gamma (Cyberfisico)
- 19 PC in 3 file di tavoli
- 1 PC per docente con videoproiettore 4K
- Configurazione PC: Intel Core i7-13700, 16GB RAM, 512GB SSD, monitor 24", Linux Ubuntu 24.04
- Laboratorio VirtualLab
- Accessibile via web: https://virtualab.univr.it
- Emula i PC dei laboratori Alfa/Delta/Gamma
- Usabile dalla rete universitaria o tramite VPN dall'esterno
- Permette agli studenti di lavorare da remoto (es. biblioteca, casa) con le stesse funzionalità dei PC di laboratorio
Caratteristiche comuni:
- Tutti i PC hanno la stessa suite di programmi usati negli insegnamenti di laboratorio
- Ogni studente ha uno spazio disco personale di XXX GB, accessibile da qualsiasi PC
- Gli studenti quindi possono usare qualsiasi PC in qualsiasi laboratorio senza limitazioni ritrovando sempre i documenti salvati precedentemente
Questa organizzazione dei laboratori offre flessibilità e continuità nel lavoro degli studenti, consentendo l'accesso ai propri documenti e all'ambiente di lavoro da qualsiasi postazione o da remoto.
