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 Medical bioinformatics - 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. 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.
Insegnamenti e altre attività che si possono inserire autonomamente a libretto valide per l'a.a. 2024/25
anni | Insegnamenti | TAF | Docente |
---|---|---|---|
1° 2° | Attention laboratory | D |
Pietro Sala
(Coordinatore)
|
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° | Introduzione alla programmazione di smart contract per Ethereum | D |
Sara Migliorini
(Coordinatore)
|
1° 2° | Linguaggio programmazione Python [English edition] | D |
Carlo Combi
(Coordinatore)
|
1° 2° | Mini-course on Deep Learning & Medical Imaging | D |
Vittorio Murino
(Coordinatore)
|
1° 2° | Oltre Arduino: dal prototipo al prodotto con microcontroller STM | D |
Franco Fummi
(Coordinatore)
|
1° 2° | Progettazione di app REACT | D |
Graziano Pravadelli
(Coordinatore)
|
1° 2° | Progettazione di componenti hardware su FPGA | D |
Franco Fummi
(Coordinatore)
|
anni | Insegnamenti | TAF | Docente |
---|---|---|---|
1° 2° | Attention laboratory | D |
Pietro Sala
(Coordinatore)
|
1° 2° | Linguaggio Programmazione LaTeX | D |
Enrico Gregorio
(Coordinatore)
|
1° 2° | Linguaggio programmazione Python [Edizione in italiano] | D |
Carlo Combi
(Coordinatore)
|
1° 2° | Prototipizzazione con Arduino | D |
Franco Fummi
(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)
|
Biomedical decision support systems (2024/2025)
Codice insegnamento
4S004553
Docente
Coordinatore
Crediti
6
Offerto anche nei corsi:
- Biomedical decision support systems del corso Laurea magistrale in Artificial Intelligence [LM-18]
Lingua di erogazione
Inglese
Settore Scientifico Disciplinare (SSD)
INF/01 - INFORMATICA
Periodo
II semestre dal 3 mar 2025 al 13 giu 2025.
Corsi Singoli
Autorizzato
Obiettivi di apprendimento
Il corso si propone di fornire conoscenze avanzate per la gestione e l’analisi di grosse quantità di dati (in particolare dati provenienti dall’ambito biomedico). Fornire le basi teoriche e pratiche delle principali tecniche di data mining applicate sia in generale che in domini clinici. Conoscenza e capacità di comprensione A completamento del corso, gli studenti saranno in grado di: - orientarsi nell’utilizzo delle principali componenti comuni alle suite di Business Intelligence presenti sul mercato. In particolare gli studenti saranno in grado di scegliere e configurare la/le opportuna/e componente/i per fornire soluzioni al supporto delle decisioni destinate al personale medico sanitario; - realizzare complesse operazioni di Estrazione, Trasformazione & Caricamento (ETL) di dati clinici da differenti sorgenti (Database Relazionali, API, siti web) sia di tipo strutturato (e.g., tabelle relazionali) che di tipo semistrutturato (e.g., XML); - modellare ed implementare soluzioni OLAP (On-Line Analytical Processing) per il supporto alle decisioni in ambito clinico; - utilizzare/adattare sofisticate tecniche di data mining (Dipendenze Funzionali Approssimate, Regole di Associazione, Classificatori basati su Entropia) per estrarre conoscenza da grosse quantità di dati clinici. Conoscenze applicate e capacità di comprensione Allo studente verranno fornite le conoscenze necessarie per gestire in modo autonomo: - la scelta e applicazione delle tecniche di data mining per l'estrazione di sapere medico da grosse quantità di dati; - la scelta delle rappresentazioni grafiche e interattive più appropriate per la visualizzazione di determinate informazioni in ambito clinico. Autonomia di giudizio Capacità di assegnare priorità corrette informazioni da visualizzare a seconda delle necessità dell’utente finale e comunicarle tramite sofisticate tecniche di visualizzazione dei dati. Abilità comunicative Capacità di comprendere il linguaggio proprio del dominio dell’utente e trasmettere la conoscenza estratta dai dati forniti utilizzando tale linguaggio. Capacità di apprendere Capacità di comprendere le tecniche e gli algoritmi alla base del data mining generale, comprensive dei fattori che ne determinano l'efficenza e l'efficacia. Capacità di riconoscere le variabili in gioco e l’output desiderato dall’utente in problemi di data mining clinico e di operare scelte autonome per la risoluzione di tali problemi.
Prerequisiti e nozioni di base
Buone conoscenze di programmazione,
interrogazione/manipolazione basi di dati.
Programma
Richiami sulle Dipendenze Funzionali (FD):
Richiami sulle FD, verifica e vincoli in presenza di FD in PostgreSQL.
Dipendenze Funzionali Approssimate (AFD):
Introduzione dell’approssimazione nelle FD come misura di confidenza. Estrazione di conoscenza clinica tramite AFD: esempi. Analisi di AFD estratte in ambito clinico.
Algoritmi per l’estrazione di AFD:
AFD minimali: definizione, significato e interpretazione. Lower Bound Teorici al numero di AFD minimali: la maledizione della cardinalità. Algoritmo base per l’estrazione di AFD minimali. Rappresentazioni compatte dell’insieme delle AFD estratte. Algoritmi randomizzati per l’estrazione di AFD Minimali: teoria ed implementazione.
Approssimazione in presenza di misure:
Delta Dipendenze Funzionali (DFD): definizione, applicazione, e verifica. Interpretazione di DFD estratte da dati clinici. DFD approssimate (ADFD):
definizione, applicazione ed interpretazione su dati clinici (esempi).
Algoritmo per la verifica di singole ADFD ristrette al caso di due misure (2ADFD):
studio di complessità, implementazione. Estrazione di 2ADFD minimali da dati clinici.
Regole di Associazione (AR):
definizione, esempi in ambito clinico. Estrazione di AR: supporto e confidenza. Analisi teorica delle regole di associazione: la maledizione della cardinalità. Insieme di oggetti frequenti (FI) :
definizione, ruolo nell’estrazione di AR, e algoritmi per la generazione di candidati. Estrazione di AR da insiemi di FI. Insiemi di FI: insiemi minimali, insiemi chiusi. Strategie per l’esporazione del reticolo degli FI. Strutture alternative per la estrazione di insiemi frequenti (hash trees, FP-trees). Valutazione dei pattern di associazione: problematiche del sistema supporto/confidenza. Esempi di paradossi. Misure alternative per l’analisi dei pattern di associazione: definizione ed esempi.
Estrazione Trasformazione e Caricamento (ETL):
definizione, funzioni, ruolo all’interno di un data warehouse, flussi di dati.
Componenti base delle procedure ETL e loro funzionamento:
Job, Trasformazioni, Job Step, Transformation Step.
Modellazione concettuale di procedure ETL in Business Process Model and Notation (BPMN). Esempi di modellazione: casi studio. Utilizzo di procedure esterne all’interno di procedure ETL: comunicazione, staging e gestione delle terminazioni anomale. Utilizzo di API (Application Programming Interface)
all’interno di procedure ETL. Breve descrizione dell’utilizzo di XPATH. Screen scraping di siti web in procedure ETL attraverso l’utilizzo di XPATH. Utilizzo della strumentazione presente all’interno delle suite di Business Intelligence per implementare procedure ETL.
Classificatori basati su Entropia:
il concetto di entropia. Alberi di decisione in ambito biomedico. Il classificatore Iterative Dichotomiser 3 (ID3): algoritmo, esempi e implementazione.
Discretizzazione delle misure. Utilizzo di ID3 come discretizzatore per misure: problematiche, modifiche e implementazione. Applicazione all’analisi temporale delle reazioni avverse da farmaco.
Reportistica e OLAP (Online Analytical Processing):
Reportistica interattiva: interrogazione delle basi di dati cliniche, parametrizzazione della reportistica. Recupero dinamico dei dati per la reportistica tramite trasformazioni ETL. Modellazioni di analisi con cubi OLAP e loro implementazione: casi di studio.
Utilizzo della strumentazione presente all’interno delle suite di Business Intelligence per implementare reportistica interattiva e dinamica e cubi OLAP.
TESTI CONSIGLIATI:
DJ Hand, H Mannila, P Smyth
Principles of data mining
MIT Press Cambridge, MA, USA ©2001
ISBN:0-262-08290-X 9780262082907
Roland Bouman, Jos van Dongen
Pentaho Solutions: Business Intelligence and Data Warehousing with Pentaho and MySQL
Wiley Publishing, Inc.
ISBN: 978-0-470-48432-6
648 pages
September 2009
Fulton, Hal and Olsen, Russ
The ruby way: solutions and techniques in ruby programming, third edition
Addison-Wesley Professional ©2014
ISBN:0-321-71463-6
MATERIALI FORNITI ALLO STUDENTE:
lucidi del corso;
dati di esempio (in formato .csv) per eseguire gli esercizi proposti a lezione;
codice delle procedure esposte a lezione.
Bibliografia
Modalità didattiche
Durante la lezione in presenza (non registrata)
viengono approfonditi tali argomenti mediante
esempi e lo svolgimento di esercizi con discussione
e aiuto da parte del docente.
La lezione si svolge in aula si consiglia,
se possibile, di venire in presenza portando un portatile, è consentito/consigliato condividere un portatile tra
più persone.
Modalità di verifica dell'apprendimento
La modalità di esame è orientata alla verifica dell’autonomia e delle capacità da parte dello studente nell’applicare i concetti appresti alle lezione per sviluppare sistemi di supporto alle decisioni nelle loro principali declinazioni.
L'esame prevede un colloquio orale sulla realizzazione di 4/5 esercizi assegnati durante le lezioni, uno per ognuno dei macro-argomenti trattati nel corso.
I progetti sono da svolgere in modalità individuale o in gruppo il colloquio, l'orale verte esclusivamente sulla realizzazione dei due progetti. Una condizione necessaria ma non sufficiente al superamento dell'esame consiste nelle realizzazione dei due progetti nella loro interezza. Il voto finale sarà rappresentato dalla somma delle valutazioni dei singoli esercizi.
L'esame non cambia da studenti frequentanti a non frequentanti.
Criteri di valutazione
I progetti verranno valutati secondo i seguenti criteri:
attinenza ai requisiti;
correttezza, completezza e chiarezza del codice e della documentazione;
corretto impiego delle metodologie spiegate a lezione.
Criteri di composizione del voto finale
7,5 punti per ogni esercizio se vengono assegnati 4 esercizi e
6 punti per ogni esercizio se vengono assegnati 5 esercizi
NOTA IMPORTANTE: Tutti gli esercizi devono essere presentati per superare l'esame.
Lingua dell'esame
Inglese