99107 - SCIENZA DEI DATI PER L'AMBIENTE

Conoscenze e abilità da conseguire

Conoscere e sapere applicare principali metodi di analisi e di modellazione di dati monovariati, bivariati e multivariati.

Contenuti

Prerequisiti

Fondamenti di statistica e teoria delle probabilità.

Programma

Elementi di ingegneria dei dati

• big data
• raccolta di dati grezzi
• trasformazione dei dati
• condivisione di dati (database, data lake, data wharehouse)

Statistica descrittiva

• Rappresentazione dei dati in forma sintetica (tabelle, grafici)
  
• Ordinamento e distribuzione dei dati
• Matrici codevianza, covarianza e correlazione
• Riduzione della dimensionalità dei dati (decomposizione ai valori singolari, analisi delle componenti principali, analisi dei fattori)
  
• Riconoscimento di strutture di relazione implicite fra i dati

Metodi di apprendimento

• Apprendimento supervisionato parametrico: regressione lineare
• Apprendimento supervisionato non parametrico: classificazione
• Apprendimento non supervisionato non parametrico: clustering
• Apprendimento automatico (Machine Learning, ML)
• Reti neurali artificiali (Artificial Neural Networks, ANN)
• Algoritmi genetici (Genetic Algorithms, GA)

Elementi di statistica inferenziale

Fondamenti di programmazione in R

Indagine statistica anonima

Una volta raggiunto il limite dei 2/3 delle lezioni svolte verrà effettuata una rilevazione statistica per conoscere le opinioni degli studenti in merito al corso allo scopo di poterlo rendere più efficace. Siti di riferimento:

• https://opinionistudenti.unibo.it  
  
• https://val.unibo.it/ (studente)
• https://val.unibo.it/demo.php (questionario)
• https://gestioneval.unibo.it (docente)

Calendario

1. 18/10/2024 9:00-13:00
2. 25/10/2024 9:00-13:00
3. 08/11/2024 9:00-13:00
4. 15/11/2024 9:00-13:00
   
5. 22/11/2024 9:00-13:00
6. 29/11/2024 9:00-13:00
   
7. 06/12/2024 9:00-13:00
   
8. 13/12/2024 9:00-13:00
   
9. 20/12/2024 9:00-13:00
10. 08/01/2025 9:00-13:00
11. 10/01/2025 9:00-13:00
12. 13/01/2025 9:00-13:00
    
13. 15/01/2025 9:00-13:00
    
14. 17/01/2025 9:00-13:00

Testi/Bibliografia

• Data Science e Machine Learning: dai Dati alla Conoscenza
  Michele di Nuzzo
• Data Science. Guida ai Principi e alle Tecniche Base della Scienza dei Dati
  Sinan Ozdemir
• Modern Statistics with R From Wrangling and Exploring Data to Inference and Predictive Modelling
  Måns Thulin
• Statistica per Data Science con R
  Enrico Pegoraro
• R for Data Science
  Garrett Grolemund - Hadley Wickham
• Metodi Statistici per la Sperimentazione Biologica
  Alessandro Camussi, Frank Möller, Ercole Ottaviano, Mirella Sari Gorla
  Zanichelli, II edizione, 1995

Metodi didattici

L’insegnamento si compone di 6 CFU suddivisi in due moduli:

• modulo di teoria, 4 CFU, 32 h
• modulo di laboratorio, 2 CFU, 24 h

La lezione tipicamente ha una durata di 4 ore e prevede una parte teorica seguita da esercizi numerici ed esercitazioni pratiche svolte utilizzando i computer degli studenti, in modo che da acquisire dimestichezza con alcuni dei metodi alla base della materia.

Il software utilizzato è R e ogni studente dovrà installare tale programma sul proprio computer prima dell'inizio delle lezioni.

Il programma è gratuito e disponibile per i principali sistemi operativi:

• Linux
• MacOS (installare anche XQuartz per attivare l'interfaccia grafica)
• Windows

Si richiede altresì di installare l'ultima versione di:

• Pandoc (pandoc-3.5-windows-x86_64.msi)

E' possibile installare a uso facoltativo:

• RStudio

In considerazione delle tipologie di attività e metodi didattici adottati, la frequenza di questa attività formativa richiede lo svolgimento dei moduli 1 e 2 in modalità e-learning:

• https://www.unibo.it/it/servizi-e-opportunita/salute-e-assistenza/salute-e-sicurezza/sicurezza-e-salute-nei-luoghi-di-studio-e-tirocinio

Modalità di verifica e valutazione dell'apprendimento

La verifica dell'apprendimento è volta ad accertare l'acquisizione sia delle conoscenze teoriche che delle abilità pratiche attese.

Lo studente dovrà presentare un programma scritto in linguaggio R per l'analisi di un insieme di dati concordato con la docente, che fungerà da base per la discussione degli argomenti svolti a lezione.

Il voto finale esprime una valutazione sui contenuti espressi durante la prova finale.

Strumenti a supporto della didattica

Lezioni tenute alla lavagna e con supporto del video-proiettore.

Esercizi numerici.

Esercitazioni al computer (personale).

Il materiale didattico presentato a lezione verrà messo a disposizione dello studente in formato elettronico sul sito istituzionale del corso.

Coloro che necessitino di strumenti compensativi per ragioni dipendenti da disabilità, patologie o disturbi psicologici, o disturbi specifici dell’apprendimento (DSA) possono concordare l’adozione delle misure più opportune. rivolgendosi a:

• https://site.unibo.it/studenti-con-disabilita-e-dsa/it

 

Orario di ricevimento

Consulta il sito web di Assimo Maris