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)
|
Machine learning for biological structures and networks (2024/2025)
Codice insegnamento
4S009831
Crediti
6
Lingua di erogazione
Inglese
Settore Scientifico Disciplinare (SSD)
ING-INF/05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI
Corsi Singoli
Autorizzato
L'insegnamento è organizzato come segue:
Teoria
Laboratorio
Obiettivi di apprendimento
Il corso si propone fornire i fondamenti teorici e applicativi della Pattern Recognition per l'analisi di dati biologici dotati di struttura complessa (come grafi, reti, sequenze, stringhe). In particolare verranno presentate e discusse le principali tecniche computazionali per l'analisi di dati strutturati, con particolare attenzione alla rappresentazione, agli approcci generativi e agli approcci discriminativi. Conoscenza e capacità di comprensione Al termine dell'insegnamento lo studente dovrà dimostrare di saper applicare su dati reali le metodologie per il riconoscimento di modelli dei dati complessi attraverso tecniche la costruzione di un sistema di Pattern Recognition. Conoscenze applicate e capacità di comprensione a) Rappresentazione di dati biologici con struttura complessa b) Classificazione di dati biologici con struttura complessa c) Clustering di dati biologici con struttura complessa Autonomia di giudizio In particolare, alla fine del corso lo studente dovrà dimostrare di essere in grado di proporre in modo autonomo soluzioni efficaci ed efficienti per il dominio applicativo biomedico e bioinformatico e di individuare le criticità per il trattamento di problemi complessi di bioinformatica. Abilità comunicative Alla fine del corso lo studente dovrà dimostrare di essere in grado di relazionarsi con i colleghi nello svolgimento di lavori in gruppo. Capacità di apprendere Alla fine del corso lo studente dovrà dimostrare di essere in grado di apprendere nuove metodologie per la soluzione di problemi bioinformatici e clinici e applicarli in modo autonomo. In particolare dovrà dimostrare di essere in grado di analizzare un problema biologico che coinvolge dati con una struttura complessa utilizzando il punto di vista della Pattern Recognition; avrà inoltre le conoscenze necessarie per poter ideare, sviluppare e implementare le diverse componenti di un sistema di Pattern Recognition per l'analisi di dati biologici strutturati. Sarà inoltre in grado di proseguire gli studi in modo autonomo nell'ambito della Pattern Recognition.
Prerequisiti e nozioni di base
Teoria: nozioni di base di Pattern Recognition (verrà comunque fornita una breve panoramica all'inizio del corso), nozioni di base di Algoritmi, probabilità, statistica, algebra.
Laboratorio: Capacità di programmare. Linguagguio usato: Matlab (ci sarà una breve lezione introduttiva per gli studenti che non lo conoscono)
Programma
CAPITOLO 1. Basi di PR e Introduzione ai dati strutturati.
CAPITOLO 2. Rappresentazione per dati strutturati
- Approcci Bag of Words
- Approcci di rappresentazione basati sulla dissimilarità
- Riduzione della dimensionalità
- Learning representation con le reti Neurali
CAPITOLO 3. Modelli per dati strutturati
- Introduzione ai modelli grafici probabilistici
- Reti di Bayes
- Inferenza e Addestramento
CAPITOLO 4. Kernel per dati strutturati
- Support Vector Machines e kernel
- kernel per dati strutturati
CAPITOLO 5. Paradigmi di learning avanzati
Completa il corso una parte di laboratorio, nella quale verranno implementati alcuni degli algoritmi visti nella parte di teoria.
Bibliografia
Modalità didattiche
Lezioni frontali e di laboratorio in presenza
Modalità di verifica dell'apprendimento
Per superare l'esame gli studenti dovranno dimostrare di:
- essere in grado di descrivere i diversi componenti di un sistema di Pattern Recognition per dati strutturati in modo preciso, organico e senza divagazioni
- saper analizzare, capire e descrivere un sistema di Pattern Recognition (o una sua parte) relativo ad un problema di tipo biologico che coinvolge dati strutturati
L'esame consiste in:
i) una prova scritta contenente domande a risposta aperta sugli argomenti trattati nel corso e un esercizio di comprensione del codice per la parte di laboratorio
ii) una presentazione orale di un articolo scientifico pubblicato in importanti riviste di settore su un tema specifico deciso durante il corso. L'articolo viene scelto dal candidato e approvato dal docente del corso
Le due parti dell'esame sono superabili separatamente e il voto complessivo è dato dalla somma delle valutazioni in 15esimi ottenute nelle due parti. Ogni parte si ritiene superata con un voto maggiore o uguale a 9. L’esame si ritiene superato se sono superate entrambe le parti. Il risultato di ognuna delle due parti rimane valido per l’intero anno accademico in corso.
Criteri di valutazione
Per lo scritto:
- Comprensione del testo delle domande e conoscenza dell'argomento teorico sottostante.
- Chiarezza e precisione del linguaggio utilizzato per rispondere alla domanda
Per la parte orale:
- Capacità di scegliere un articolo scientifico di rilevanza rispetto ad un tema fissato
- Capacità di capire le tematiche proposte nell'articolo
- Capacità di riassumere l'articolo in una presentazione tipo conferenza, tralasciando i dettagli superflui ma descrivendo tutti gli aspetti della storia
- Capacità di attirare l'attenzione dei partecipanti e capacità di spiegare i concetti
Criteri di composizione del voto finale
il voto complessivo è dato dalla somma delle valutazioni in 15esimi ottenute nelle due parti.
Lingua dell'esame
English
Sustainable Development Goals - SDGs
Questa iniziativa contribuisce al perseguimento degli Obiettivi di Sviluppo Sostenibile dell'Agenda 2030 dell'ONU.Maggiori informazioni su www.univr.it/sostenibilita
