Offerta Didattica
INFORMATICA
MATHEMATICS FOR DATA ANALYSIS
Classe di corso: L-31 - Scienze e tecnologie informatiche
AA: 2022/2023
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 |
LegendaCFU: 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
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
Lezioni frontali ed esercitazioni in presenza. La presentazione di casi di studio sarà svolta mediante l'ausilio di software scientifico.Teaching Methods
Face-to-face lectures and exercitations. The presentation of case studies will be accompanied by means of scientific software.Prerequisiti
Calcolo differenziale di funzioni reali di variabile reale, numeri complessi.Prerequisites
Differential calculus of real functions, complex numbers.Verifiche dell'apprendimento
L'esame, orale, è volto a verificare il grado di raggiungimento degli obiettivi formativi: livello di conoscenza degli argomenti teorici e capacità di impostare e risolvere problemi.Assessment
The exam is oral and is devoted to verify the level of the achievement of the educational goals: knowledge of the theoretical contents and ability to set and solve problems.Programma del Corso
Elementi di algebra lineare: spazi vettoriali, vettori e matrici, operazioni, norme vettoriali e matriciali, dipendenza e indipendenza lineare, determinante, rango di una matrice, inversa di una matrice, base di uno spazio vettoriale, cambiamento di base, spazi Euclidei, operatori lineari, sistemi lineari, autovalori e autovettori. diagonalizzazione di matrici, forme quadratiche. Distanze e primi vicini: metriche, distanze Lp, distanza Euclidea, distanza di Mahalanobis, distanza del coseno, distanza angolare, distanze tra insiemi e stringhe, distanza di Jaccard, distanze di modifica tra stringhe, modelli della borsa di parole, k-gramma. Elementi di Statistica descrittiva. Elementi di Analisi Combinatoria. Elementi di teoria della probabilità: spazi di probabilità, assiomi della probabilità, probabilità condizionata e indipendenza, probabilità assoluta, teorema di Bayes, variabili aleatorie, densità di probabilità, principali funzioni di distribuzione. Fitting: metodo dei minimi quadrati, regressione lineare semplice, regressione lineare con più variabili esplicative, regressione polinomiale, fitting di dati con un modello. Inferenza statistica: campionamento, stime di parametri, test d'ipotesi, test Chi quadrato. Analisi delle componenti principali: dati matriciali, proiezioni, decomposizione ai valori singolari di matrici, applicazioni con MATLAB.Course Syllabus
Elements of linear algebra: vector spaces, vectors and matrices, operations, vector and matrix norms, linear independence and linear dependence, rank of a matrix, inverse of a matrix, basis of a vector space, change of basis, Euclidean spaces, linear operators, linear systems, eigenvalues and eigenvectors, matrix diagonalization, quadratic forms. Distances and nearest neighbors: metrics, Lp distances, Euclidean distance, Mahalanobis distance, cosine distance, angular distance, distances for sets and strings, Jaccard distance, edit distances, bag-of-words models, k-grams. Elements of Descriptive statistics. Elements of Combinatorics. Elements of Probability theory: probability spaces, probability axioms, conditional probability, independence, total probability, Bayesâ theorem, random variables, probability density, main distribution functions. Fitting: least square method, simple linear regression, linear regression with multiple explanatory variables, polynomial regression, fitting data with a model. Inferential statistics: sampling, parameter estimates, hypothesis test, Chi-squared test. Principal component analysis: matrix data, projections, singular value decomposition, applications with MATLAB.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