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
Queste informazioni sono destinate esclusivamente agli studenti e alle studentesse già iscritti a questo corso.Se sei un nuovo studente interessato all'immatricolazione, trovi le informazioni sul percorso di studi alla pagina del corso:
Laurea magistrale in Mathematics - Immatricolazione dal 2025/2026Le 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. Periodo di stage/tirocinio
Oltre ai CFU previsti dal piano di studi (verificare attentamente quanto indicato sul Regolamento Didattico): qui informazioni su come attivare lo stage.
Insegnamenti e altre attività che si possono inserire autonomamente a libretto
anni | Insegnamenti | TAF | Docente | |
---|---|---|---|---|
1° | Genetica | D |
Massimo Delledonne
(Coordinatore)
|
|
1° 2° | Algoritmi | D |
Roberto Segala
(Coordinatore)
|
anni | Insegnamenti | TAF | Docente |
---|---|---|---|
1° 2° | Algoritmi | D |
Roberto Segala
(Coordinatore)
|
1° 2° | Linguaggio Programmazione LaTeX | D |
Enrico Gregorio
(Coordinatore)
|
1° 2° | Organizzazione aziendale | D |
Serena Cubico
(Coordinatore)
|
1° 2° | Storia e didattica della geologia | D |
Guido Gonzato
(Coordinatore)
|
anni | Insegnamenti | TAF | Docente | |
---|---|---|---|---|
1° 2° | Advanced topics in financial engineering | F | Non ancora assegnato | |
1° 2° | ECMI modelling week | F | Non ancora assegnato | |
1° 2° | ESA Summer of code in space (SOCIS) | F | Non ancora assegnato | |
1° 2° | Google summer of code (GSOC) | F | Non ancora assegnato | |
1° 2° | Mathematics mini courses |
Sisto Baldo
(Coordinatore)
|
||
1° 2° 3° | Linguaggio programmazione Python | D |
Giulio Mazzi
(Coordinatore)
|
Foundations of data analysis (2021/2022)
Codice insegnamento
4S008278
Docente
Coordinatore
Crediti
6
Offerto anche nei corsi:
- Continuous optimization for data science del corso Laurea magistrale in Data Science (LM-91)
Lingua di erogazione
Inglese
Settore Scientifico Disciplinare (SSD)
MAT/08 - ANALISI NUMERICA
Periodo
Primo semestre dal 4 ott 2021 al 28 gen 2022.
Obiettivi formativi
Al termine di questo insegnamento gli studenti dovranno essere in grado di capire ed applicare le nozioni di base, i concetti e i metodi dell’algebra lineare computazionale, dell’ottimizzazione convessa e della geometria differenziale applicate all’analisi dei dati. In particolare, dovranno padroneggiare il metodo della decomposizione ai valori singolari e delle matrici random per la rappresentazione di dati in dimensione bassa, le nozioni fondamentali dei problemi di ricostruzione di dati sparsi (ad esempio compressed sensing, ricostruzione di matrici di rango basso, dictionary learning algorithms). Saranno in grado anche di trattare la rappresentazione di dati come cluster attorno a varietà in dimensione alta ed in grafi random e apprenderanno tecniche per costruire carte locali e cluster di dati. Nelle sessioni di laboratorio gli studenti si familiarizzeranno con gli strumenti e gli ambienti di programmazione utili ad affrontare alcuni casi di studio.
Programma
*Introduzione all’ottimizzazione:
- condizioni di ottimalitá
- Metodi numerici
* Singular Value Decomposition:
- Best k-rank approximation, Randomize SVD
- Principal Component Analysis, pseudo inversa
* Compressed Sensing
- Basis pursuit problem: l1-minimization and sparse recovery
- Ricostruzione di immagini da dati sparsi.
* Analisi Dati
- Riduzione della dimensionalità (Local Linear Embedding, ISOMAP, diffusion map).
- Apprendimento supervisionato: Support Vector Machine (SVM).
- Apprendimento non supervisionato: K-means.
- Rete Neurali Artificiali e applicazioni.
Bibliografia
Modalità d'esame
L'esame consiste in una prova orale con domande scritte e discussione.
Si incoraggia lo sviluppo di un progetto (non obbligatorio) ad integrazione dell'esame orale.