Offerta Didattica

INFORMATICA

MATHEMATICS FOR DATA ANALYSIS

Classe di corso: L-31 - Scienze e tecnologie informatiche

AA: 2021/2022

Sedi: MESSINA

SSD	TAF	tipologia	frequenza	moduli
MAT/07	Base	Libera	Libera	No

CFU	CFU LEZ	CFU LAB	CFU ESE	ORE	ORE LEZ	ORE LAB	ORE ESE
6	4	0	2	48	24	0	24

Legenda
CFU: n. crediti dell’insegnamento
CFU LEZ: n. cfu di lezione in aula
CFU LAB: n. cfu di laboratorio
CFU ESE: n. cfu di esercitazione
FREQUENZA:Libera/Obbligatoria
MODULI:SI - L'insegnamento prevede la suddivisione in moduli, NO - non sono previsti moduli
ORE: n. ore programmate
ORE LEZ: n. ore programmate di lezione in aula
ORE LAB: n. ore programmate di laboratorio
ORE ESE: n. ore programmate di esercitazione
SSD:sigla del settore scientifico disciplinare dell’insegnamento
TAF:sigla della tipologia di attività formativa
TIPOLOGIA:LEZ - lezioni frontali, ESE - esercitazioni, LAB - laboratorio

Obiettivi Formativi
Learning Goals

Obiettivi Formativi

Conoscenza di tecniche e metodologie matematiche per l’estrazione di informazione da dati massivi (analisi delle componenti principali, analisi fattoriale, procedure di fitting e interpolazione) e per il processo di apprendimento dai dati.

Learning Goals

Knowledge of mathematical techniques and methodologies for information extraction from large data sets (principal component analysis, factorial analysis, fitting and interpolation procedures) and learning from data process.

Metodi didattici
Teaching Methods

Metodi didattici

Lezioni e esercitazioni.

Teaching Methods

Lectures and exercise sessions.

Prerequisiti
Prerequisites

Prerequisiti

Algebra lineare, calcolo differenziale di funzioni reali di variabile reale, numeri complessi.

Prerequisites

Linear algebra, differential calculus of real functions, complex numbers.

Verifiche dell'apprendimento
Assessment

Verifiche dell'apprendimento

Prova orale con svolgimento congiunto di esercizi.

Assessment

Oral exam that includes solving exercises.

Programma del Corso
Course Syllabus

Programma del Corso

Statistica descrittiva. Elementi di Analisi Combinatoria. Probabilita`. Variabili aleatorie. Principali funzioni di distribuzione. Regressione lineare. Inferenza statistica: verifica d'ipotesi. Spazi vettoriali. Distanze e primi vicini. Elementi di algebra lineare. Autovalori e autovettori. Analisi delle componenti principali. Studio di casi semplici.

Course Syllabus

Descriptive statistics. Elements of combinatorics. Probability. Random variables. Main distribution functions. Linear regression. Inferential statistics: hypothesis test. Vector spaces. Distances and near neighbors. Elements of linear algebra. Eigenvalues and eigenvectors. Principal component analysis. Simple case studies.

Testi di riferimento: 1) Jeff M. Phillips. Mathematical foundations for data analysis, 2019. Disponibile online all'url http://www.cs.utah.edu/~jeffp/M4D/M4D.html 2) Gilbert Strang. Linear algebra and learning from data. Wellesey-Cambridge Press, 2019.

Esami: Elenco degli appelli

Elenco delle unità didattiche costituenti l'insegnamento

Docente: MATTEO GORGONE

Orario di Ricevimento - MATTEO GORGONE

Dato non disponibile