PRESENTAZIONE

This course aims to introduce the basic computational paradigms of data science and technology, with specific focus on the three pillars of Artificial Intelligence for the data world, i.e. numerical simulation, inverse problems theory and machine learning. Then the course will describe some applications in biochemistry, involving pattern recognition methods for image processing in Scanning Tunnelling Microscopy, the mathematical modelling of tracer kinetics in nuclear medicine and the use of Molecular Interaction Maps in oncology.

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

L'obiettivo generale del corso è quello di fornire agli studenti una prima panoramica delle principali questioni legate alla moderna scienza dei dati e del suo background culturale. Il corso ha anche due obiettivi più specifici. Il primo è illustrare alcuni strumenti computazionali che rappresentano la base metodologica di qualsiasi approccio dell'intelligenza artificiale ai problemi di analisi dei dati. Il secondo è quello di descrivere tre applicazioni che riguardano l'uso dei metodi della scienza dei dati in chimica e biochimica: il problema del riconoscimento e della classificazione automatica delle specie atomiche nella microscopia a scansione tunnel; la modellazione del metabolismo del glucosio attraverso i dati della medicina nucleare; la simulazione della rete di reazioni chimiche alla base di una specifica transizione cellulare nell'oncogenesi.

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

L'obiettivo generale del corso è quello di fornire agli studenti una prima panoramica delle principali questioni legate alla moderna scienza dei dati e del suo background culturale. Il corso ha anche due obiettivi più specifici. Il primo è illustrare alcuni strumenti computazionali che rappresentano la base metodologica di qualsiasi approccio dell'intelligenza artificiale ai problemi di analisi dei dati. Il secondo è quello di descrivere tre applicazioni che riguardano l'uso dei metodi della scienza dei dati in chimica e biochimica: il problema del riconoscimento e della classificazione automatica delle specie atomiche nella microscopia a scansione tunnel; la modellazione del metabolismo del glucosio attraverso i dati della medicina nucleare; la simulazione della rete di reazioni chimiche alla base di una specifica transizione cellulare nell'oncogenesi.

PREREQUISITI

Students attending the course should know in advance the basics of

• Linear Algebra (vectors, matrices and their norms; linear systems; inversion of a matrix; eigenvalues)

MODALITA' DIDATTICHE

lezioni e attività di laboratorio 

PROGRAMMA/CONTENUTO

L'insegnamento è caratterizzato dalle seguenti tre parti:

Strumenti di calcolo: armonizzazione delle competenze (8 ore)

Fondamenti di analisi numerica (2 ore)
Fondamenti di teoria bayesiana (3 ore)
Fondamenti di teoria della regolarizzazione (3 ore)
Intelligenza artificiale: i molteplici aspetti della modellazione dei dati (10 ore)

Simulazione numerica (2 ore)
Problemi inversi (4 ore)
Apprendimento automatico (4 ore)
Applicazioni ai dati chimici e biochimici (6 ore)

Imaging STM (2 ore)
Cinetica dei traccianti (2 ore)
Reti di reazioni chimiche (2 ore)

TESTI/BIBLIOGRAFIA

diapositive fornite dal professore

DOCENTI E COMMISSIONI

Commissione d'esame

MICHELE PIANA (Presidente)

FEDERICO BENVENUTO (Presidente Supplente)

LEZIONI

INIZIO LEZIONI

18 settembre 2023

Orari delle lezioni

L'orario di questo insegnamento è consultabile all'indirizzo: Portale EasyAcademy

ESAMI

Calendario appelli