Insegnamento DATA SCIENCE E APPLICAZIONI IN FISICA

Corso
Fisica
Codice insegnamento
A002331
Sede
PERUGIA
Curriculum
Astrofisica e astroparticelle
Docente
Livio Fano'
Docenti
  • Livio Fano'
  • Daniele Spiga
Ore
  • 21 ore - Livio Fano'
  • 21 ore - Daniele Spiga
CFU
6
Regolamento
Coorte 2022
Erogato
2022/23
Attività
Affine/integrativa
Ambito
Attività formative affini o integrative
Settore
FIS/04
Tipo insegnamento
Opzionale (Optional)
Tipo attività
Attività formativa monodisciplinare
Lingua insegnamento
ITALIANO
Contenuti
Elementi di statistical learning e introduzione agli strumenti più comuni

Elementi base teorici e pratici sulle infrastrutture per il calcolo scientifico, in particolare per la gestione dei dati eterogenei (strutturati e non) e per la loro elaborazione
Testi di riferimento
The Elements of Statistical Learning
(Data Mining, Inference, and Prediction)
Autori: Trevor Hastie Robert Tibshirani Jerome Friedman

Dispense e materiale di approfondimento saranno forniti dal docente. Testi esterni saranno suggeriti durante il corso
Obiettivi formativi
Apprendimento dai dati attraverso l’uso di strumenti statici dedicati alla complessità computazionale e al grande volume di dati. Applicazioni specifiche per la Fisica.

Conoscenza di base dei sistemi di calcolo e gestione di dati in cloud. Nozioni di base su tecnologie quali container e orchestratori, finalizzato allo sviluppo di applicazioni native per il cloud.
Prerequisiti
E’ consigliato il corso di “metodi statistici per l’analisi dei dati”.
Metodi didattici
Il metodo di insegnamento si baserà su lezioni frontali per fornire le basi teoriche e sarà integrato con sessioni pratiche.

Verranno anche effettuati degli approfondimenti su infrastrutture reali utilizzate per la gestione di dati in cloud e relativa analisi.
Altre informazioni
La scienza dei dati combina metodi di studio avanzati di statistica con quelli dell’informatica, in particolare verso architetture infrastrutturali scalabili ad alta capacità di calcolo
Modalità di verifica dell'apprendimento
Agli studenti del corso verrà richiesto:

1) presentare alla classe durante il corso un approfondimento assegnato dal docente su uno degli argomenti affrontati
2) risolvere un problema assegnato alla fine del corso su argomenti trattati in classe
3) esame orale finale

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
Introduzione allo statistical learning:

1) accuratezza della predizione e modellazione, supervised learning
2) regressione e classificazione
3) model selection
4) decision trees - random forest
5) support vector machine
6) unsupervised learning e Principal Component Analysis
7) neural network e deep learning


Applicazioni alla ricerca:

1) introduzione al corso
2) Cloud (IaaS)/PaaS/SaaS
3) Cloud Storage
4) Introduzione a Docker Containers
5) Cloud Automation
6) Processamento di dati locali e remoti in cloud: semplice esempio
Condividi su