| Nome del corso di laurea |
Matematica |
| Codice insegnamento |
A005437 |
| Curriculum |
Matematica per analisi di sistemi complessi e dati |
| Docenti |
- Bruno Iannazzo (Codocenza)
|
| Ore |
- 47 Ore (Codocenza) - Bruno Iannazzo
|
| CFU |
6 |
| Regolamento |
Coorte 2025 |
| Erogato |
Erogato nel 2025/26 |
| Erogato altro regolamento |
|
| Attività |
Affine/integrativa |
| Ambito |
Attività formative affini o integrative |
| Settore |
MAT/08 |
| Anno |
1 |
| Periodo |
Primo Semestre |
| Tipo insegnamento |
Opzionale (Optional) |
| Tipo attività |
Attività formativa monodisciplinare |
| Lingua insegnamento |
Inglese (o Italiano se scelto da tutti gli studenti). |
| Contenuti |
Approfondimenti sugli aspetti numerici legati all'approssimazione, algebra lineare e ottimizzazione non lineare e loro applicazioni alla scienza dei dati. |
| Testi di riferimento |
Per gli argomenti di analisi numerica si fa riferimento a dispense del docente e al testo J. Stoer, R. Bulirsch. Introduction to numerical analysis. Springer. 2013. Per gli argomenti opzionali si seguirà un testo di riferimento in inglese, comunicato dal docente. |
| Obiettivi formativi |
Approfondimento degli aspetti matematici relativi ad alcune importanti applicazioni legate alla scienza dei dati e alle tecnologie informatiche. Capacità di curare gli aspetti della modellistica matematica, dall'astrazione matematica, alla sua interpretazione modellistica, alla simulazione su calcolatore. |
| Prerequisiti |
|
| Metodi didattici |
Lezioni frontali e laboratorio con Matlab/Octave.
|
| Altre informazioni |
|
| Modalità di verifica dell'apprendimento |
Esame orale e seminario. L'orale può essere sostituito con un seminario e/o un progetto, se disponibile. La finalità della prova orale è la valutazione della comprensione degli argomenti del corso e della padronanza nel loro utilizzo. La finalità del seminario è la valutazione della capacità dello studente di presentare un argomento legato al corso ma studiato in autonomia. Per informazioni sui servizi di supporto agli studenti con disabilità e/o DSA visita la pagina http://www.unipg.it/disabilita-e-dsa |
| Programma esteso |
Approssimazione ai minimi quadrati (fitting lineare) e decomposizione ai valori singolari (principal component analysis). Fattorizzazione QR e fattorizzazione non negativa. Problemi di grandi dimensioni: metodi di Krylov, trasformata veloce di Fourier. Ottimizzazione non lineare e su varietà differenziabile. Durante il corso verranno considerate alcune delle applicazioni delle teorie e metodi studiati alla scienza dei dati e alle tecnologie informatiche: fitting di dati; problemi di classificazione; machine learning. |
