CODICE 80563 ANNO ACCADEMICO 2025/2026 CFU 9 cfu anno 1 BIOENGINEERING 11933 (LM-21 R) - GENOVA SETTORE SCIENTIFICO DISCIPLINARE ING-INF/06 LINGUA Inglese SEDE GENOVA PERIODO 1° Semestre 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: Progettare e applicare metodi di analisi e modellizzazione dei dati - compresi i dati temporali (segnali) - di interesse per la medicina e la biologia Identificare l'approccio corretto (selezione del modello, identificazione del modello, visualizzazione dei dati) per uno specifico problema di analisi dei dati 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 VITTORIO SANGUINETI Ricevimento: VITTORIO SANGUINETI. Su appuntamento: Tel. 0103356487 o vittorio.sanguineti@unige.it MARTINA BROFIGA Ricevimento: Su appuntamento: martina.brofiga@unige.it LEZIONI INIZIO LEZIONI https://corsi.unige.it/11159/p/studenti-orario Orari delle lezioni L'orario di questo insegnamento è consultabile all'indirizzo: Portale EasyAcademy 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.
