Data analysis for biomedical sciences (2020/2021)

Codice insegnamento
cod wi: DT000076
Docente
Gloria Menegaz
Coordinatore
Gloria Menegaz
crediti
3
Settore disciplinare
INF/01 - INFORMATICA
Lingua di erogazione
Italiano
Sede
VERONA
Periodo
A.A. 20/21 dottorato dal 1-ott-2020 al 30-set-2021.

Orario lezioni

Vai all'orario delle lezioni

Obiettivi formativi

L'obbietto del corso è di fornire agli studenti gli strumenti necessari ad affrontare problemi di analisi di dati in ambito biomedicale.

Programma

L'intelligenza artificiale ha ormai acquisito un ruolo di primaria importanza anche in ambito biomedicale e delle neuroscienze, sia per finalità di ricerca che per applicazioni a carattere traslazionale quali l'identificazione di nuovi biomarcatori e il supporto alla diagnostica.
L'obbiettivo del corso è di introdurre gli studenti ai principali metodi di machine learning dello stato dell'arte che sono maggiormente utilizzati in ambito biomedicale e delle neuroscienze forendo sia le basi teoriche che strumenti implementativi.

A tale scopo il corso si struttura come un tutorial in cui viene data grande rileìvanza alla parte di laboratorio. In particolare, si tratta di una settimana full-immersion, in cui ogni giornata è dedicata ad un argomento in particolare ed è cosi strutturata: una prima parte della durata di circa 1 ora in cui vengono introdotti gli argomenti trattati e una consistente parte di laboratorio (hands-on session) in cui viene presentato e affrontato uno specifico problema. Durante questa fare, verrà innanzitutto presentato e commentato il codice che consente di risolvere il problema utilizzando lo strumento su cui si focalizza la giornata, e poi verranno proposti alcuni esercizi da risolvere nel tempo rimanente. Le esercitazioni saranno svolte in Python in quanto linguaggio maggiormente utilizzato in questo ambito.

Al fine di massimizzare la fruizione del corso stesso, verranno resi preventivamente disponibili una serie di articoli relativi agli argomenti trattati e verranno fornite istruzioni riguardanti il software.

Il corso si articola come segue

-- LAB 1: Introduzione a Python
-- LAB 2: regressione lineare base, regressione lineare multivariata
-- LAB 3: PLS (Partial least square)
-- LAB 4: Random Forest
-- LAB 5: SVM (Support Vector Machines)

Modalità d'esame

La prova finale consisterà in un colloquio relativo agli argomenti trattati.