Codice insegnamento

4S009831

Crediti

6

Coordinatore

Manuele Bicego

Lingua di erogazione

Inglese

Settore Scientifico Disciplinare (SSD)

ING-INF/05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI

Corsi Singoli

Autorizzato

Moodle Seminari 0

L'insegnamento è organizzato come segue:

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
- Altri approcci
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