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.

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 2025/2026

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 librettorichiedere 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°4 -24/25, 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

Anno accademico:
I semestre Dal 01/10/24 Al 31/01/25
anni Insegnamenti TAF Docente
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)
II semestre Dal 03/03/25 Al 13/06/25
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)
Elenco degli insegnamenti con periodo non assegnato
anni Insegnamenti TAF Docente
1° 2° Mathematics mini courses Giacomo Albi (Coordinatore)

Codice insegnamento

4S008278

Coordinatore

Giacomo Albi

Crediti

6

Offerto anche nei corsi:

Lingua di erogazione

Inglese en

Settore Scientifico Disciplinare (SSD)

MAT/08 - ANALISI NUMERICA

Periodo

I semestre dal 1 ott 2024 al 31 gen 2025.

Corsi Singoli

Autorizzato

Obiettivi di apprendimento

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, e dell’ottimizzazione numerica 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. Verranno visti i fondamenti di ottimizzazione convessa e non-convessa, e le principali tecniche numeriche con applicazione alle tecniche di apprendimento supervisionato in analisi dei dati (macchine a vettori di supporto, reti neurali e metodi di kernel). Nelle sessioni di laboratorio gli studenti familiarizzeranno con gli strumenti e gli ambienti di programmazione utili ad affrontare alcuni casi di studio. Per superare l'esame, lo studente deve dimostrare di : - avere compreso gli aspetti fondanti della algebra lineare computazionale, dell’ottimizzazione numerica e della geometria differenziale applicata all’analisi dei dati. - essere in grado di presentare gli argomenti di discutere in modo organico e preciso sui vari argomenti del corso senza divagazioni. - di sapere come applicare le metodologie e concetti appresi per risolvere specifici problemi nella forma di esercizi, domande o progetti.

Prerequisiti e nozioni di base

Calcolo differenziale, algebra lineare, basi di analisi numerica,
conoscenza base di un linguaggio di programmazione

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

Visualizza la bibliografia con Leganto, strumento che il Sistema Bibliotecario mette a disposizione per recuperare i testi in programma d'esame in modo semplice e innovativo.

Modalità didattiche

* Lezioni frontali ed esercizi per casa
* Sviluppo di codice ed esempi
* Progetti singoli o di gruppo
Saranno specificamente tutelati gli studenti e le studentesse in situazioni di limitazione agli spostamenti per effetto di disposizioni nazionali di contrasto al COVID o in situazioni particolari di fragilità. In questi casi gli studenti e le studentesse sono invitati a contattare direttamente il docente per organizzare le modalità di recupero più opportune.

Modalità di verifica dell'apprendimento

Per superare l'esame gli studenti dovranno dimostrare di:
- aver compreso i principi alla base dell’algebra lineare computazionale, dell’ottimizzazione convessa e della geometria differenziale applicate all’analisi dei dati.
- essere in grado di esporre argomentazioni sulle tematiche del corso in modo preciso e organico senza divagazioni
- saper applicare le conoscenze acquisite per risolvere problemi applicativi presentati sotto forma di esercizi, domande e progetti.
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.

Le/gli studentesse/studenti con disabilità o disturbi specifici di apprendimento (DSA), che intendano richiedere l'adattamento della prova d'esame, devono seguire le indicazioni riportate QUI

Criteri di valutazione

Lo studente dovrà essere in grado di formalizzare e risolvere problemi di analisi dati adoperando, adattando e sviluppando i metodi numerici avanzati nell'ambito dell'ottimizzazione, dell'algebra lineare numerica visti durante l’insegnamento.

Criteri di composizione del voto finale

Esame orale con domande scritte (85%), risoluzione degli esercizi e progetto per casa (15%)

Lingua dell'esame

Inglese