PRESENTAZIONE

L'insegnamento fornisce nozioni di base per l'analisi di dati e segnali di interesse per la biologia e la medicina.

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

L'insegnamento fornisce gli strumenti essenziali e le competenze operative per l’analisi quantitativa di dati e segnali di interesse per la medicina e la biologia, in una prospettiva probabilistica

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Entro la fine del corso gli studenti saranno in grado di:

1. Progettare e applicare metodi di analisi e modellizzazione dei dati - compresi i dati temporali (segnali) - di interesse per la medicina e la biologia
2. Identificare l'approccio corretto (selezione del modello, identificazione del modello, visualizzazione dei dati) per uno specifico problema di analisi dei dati
3. Utilizzare MATLAB per visualizzare e modellizzare dati e segnali biomedici

PREREQUISITI

Non ci sono prerequisiti formali, ma l'insegnamento richiede solide basi nell'analisi matematica e nell'algebra lineare.

MODALITA' DIDATTICHE

Il corso combina lezioni frontali e esercitazioni in aula

Le lezioni frontali si concentreranno su teoria e metodi per l'analisi dei dati.

Le esercitazioni in aula si concentreranno sull'applicazione a problemi di analisi dei dati reali nel contesto della bioingegneria.

PROGRAMMA/CONTENUTO

A. Analisi e visualizzazione dei dati (s1-s3)  Tipi di dato. Statistica descrittiva. Analisi come identificazione di modelli. Analisi statistica dei dati. La regressione. Visualizzazione dell'informazione.

B. Stime di densità di probabilità (s4-s6) Apprendimento senza supervisione. Modello gaussiano. Analisi delle componenti principali, analisi fattoriale, analisi delle componenti indipendenti, analisi dei cluster e algoritmo EM. Modelli grafici. Regressione e analisi fattoriale come modelli grafici.

C. Teoria delle decisioni (s7-s8). Teoria Bayesiana della decisione. Classificatori Bayesiani. Classificatori logistici. Modelli lineari generalizzati. Prestazioni di un classificatore: curva ROC. Generalizzazione e il bias-variance  trade-off

D. Modelli dinamici (s9-s10). Dati temporali (segnali). Segnali discreti vs continui. Modelli di Markov nascosti, Sistemi dinamici lineari. Filtro di Kalman.

E. Selezione di modelli (s11-s12). Inferenza statistica. Verifica di ipotesi. Modelli lineari generali e analisi della varianza. Modelli a effetti misti. Approccio Bayesiano alla selezione di modelli

TESTI/BIBLIOGRAFIA

Murphy, KP. Machine Learning: A Probabilistic Perspective.  MIT Press, 2012.

.

DOCENTI E COMMISSIONI

Commissione d'esame

VITTORIO SANGUINETI (Presidente)

CECILIA DE VICARIIS

MARTINA BROFIGA (Presidente Supplente)

LEZIONI

INIZIO LEZIONI

https://corsi.unige.it/11159/p/studenti-orario

ESAMI

MODALITA' D'ESAME

Esame scritto (peso 50%)

Project work (singoli o coppie, peso 50%)

• Soluzione di un problema reale di analisi / elaborazione dei dati biomedici, scelta da un elenco di progetti proposti
• Sviluppo di software per calcolo / analisi / elaborazione
• Applicazione interattiva (MATLAB Livescript) che riporta i risultati
• Scadenza fissa per la consegna degli elaborati (inizio febbraio)

MODALITA' DI ACCERTAMENTO

Il Project work sarà valutato in termini di:

1) Documentazione (correttezza, chiarezza, sintesi, terminologia): 10 punti

2) Implementazione (struttura e organizzazione del codice, efficienza): 10 punti

3) Visualizzazione dei dati (qualità tecnica delle figure, adeguatezza della tecnica di visualizzazione, efficacia, chiarezza): 10 punti

4) Bonus (2 pts max) se il report fornisce analisi aggiuntive (oltre a quelle richieste). Il bonus viene aggiunto solo se si ottiene il punteggio massimo negli altri tre criteri.

Calendario appelli