2. Docenti
  3. MATTA Vincenzo
  4. Didattica

HEALTH DATA ANALYTICS

Vincenzo MATTA HEALTH DATA ANALYTICS

0623200012
DIPARTIMENTO DI INGEGNERIA DELL'INFORMAZIONE ED ELETTRICA E MATEMATICA APPLICATA
CORSO DI LAUREA MAGISTRALE
INFORMATION ENGINEERING FOR DIGITAL MEDICINE
2022/2023

OBBLIGATORIO
ANNO CORSO 1
ANNO ORDINAMENTO 2022
SECONDO SEMESTRE
CFUOREATTIVITÀ
1HEALTH DATA ANALYTICS- MOD 1
216LEZIONE
18LABORATORIO
2HEALTH DATA ANALYTICS- MOD 2
216LEZIONE
18LABORATORIO
VINCENZO MATTA1 T Curriculum
FABIO POSTIGLIONE2 Curriculum
Obiettivi
IL CORSO FORNISCE GLI STRUMENTI METODOLOGICI E TECNOLOGICI PER L’ANALISI DEI DATI, L’INFERENZA E LA VALUTAZIONE DELLA SIGNIFICATIVITÀ STATISTICA DELLE INFORMAZIONI IN AMBITO CLINICO/BIOMEDICO.

CONOSCENZE E CAPACITÀ DI COMPRENSIONE
- METODOLOGIE PER L’ANALISI DI DATI IN AMBITO CLINICO/BIOMEDICO (TECNICHE DI REGRESSIONE E INFERENZA STATISTICA; TEST DI IPOTESI E STRATEGIE DI DECISIONE; TECNICHE DI CLUSTERING).
- ARCHITETTURE DEI SISTEMI DI ANALISI DEI DATI E SUPPORTO ALLE DECISIONI, AD ES., OLAP (ONLINE ANALYTICS PROCESSING), UTILIZZATI IN AMBITO CLINICO/BIOMEDICO.

CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE
- ESTRARRE INFORMAZIONI DA DATASET CLINICI/BIOMEDICI UTILIZZANDO LE TECNICHE DI ANALISI DEI DATI ILLUSTRATE DURANTE IL CORSO.
- PADRONEGGIARE AMBIENTI DI SVILUPPO E FRAMEWORK SOFTWARE PER L’ANALISI STATISTICA DI DATI CLINICI/BIOMEDICI.
- PROGETTARE SOLUZIONI OLAP PER IL SUPPORTO ALLE DECISIONI IN AMBITO CLINICO/BIOMEDICO.
Prerequisiti
CONOSCENZE DI BASE DI PROBABILITÀ E PROGRAMMAZIONE.
Contenuti
Unità didattica 1: Regressione
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO: 14/0/6)
- 1 (ore lezione 2): Introduzione all’analisi dei dati in ambito clinico/biomedico. Stimatori parametrici. Minimo errore quadratico medio.
- 2 (ore lezione 2): Funzione di regressione. Regressione lineare semplice.
- 3 (ore lezione 2): Regressione lineare multipla.
- 4 (ore lezione 2): Inferenza statistica. Test di ipotesi e p-value.
- 5 (ore lezione 2): SELEZIONE DEI MODELLI LINEARI. SELEZIONE STEPWISE.
- 6 (ore lezione 2): Tecniche di regolarizzazione/shrinkage.
- 7 (ore laboratorio 2): Implementazione al calcolatore di algoritmi di regressione lineare semplice e multipla.
- 8 (ore laboratorio 2): Implementazione al calcolatore di tecniche di inferenza e regolarizzazione/shrinkage.
- 9 (ore lezione 2): APPROCCI NON PARAMETRICI SUPERVISIONATI. METODO K-NN.
- 10 (ore laboratorio 2): Implementazione al calcolatore del metodo k-nn.

Conoscenze e capacità di comprensione
TECNICHE DI REGRESSIONE E INFERENZA STATISTICA. REGOLARIZZAZIONE/SHRINKAGE PER DATI AD ELEVATA DIMENSIONALITA’.
Conoscenze e capacità di comprensione applicate
ESTRARRE INFORMAZIONI DA DATASET CLINICI/BIOMEDICI UTILIZZANDO LE TECNICHE DI REGRESSIONE. IMPIEGARE FRAMEWORK SOFTWARE PER L’IMPLEMENTAZIONE DI TECNICHE DI REGRESSIONE E INFERENZA SU DATI CLINICI/BIOMEDICI.


Unità didattica 2: STRATEGIE DI DECISIONE
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO: 6/0/4)
- 11 (ore lezione 2): Rilevanza del problema della decisione in ambito clinico/biomedico. Test di ipotesi.
- 12 (ore lezione 2): Metodi di decisione supervisionati. NAÏVE-BAYES.
- 13 (ore lezione 2): Metodi di decisione supervisionati. Regressione logistica.
- 14 (ore laboratorio 2): Implementazione al calcolatore di test di ipotesi.
- 15 (ore laboratorio 2): Implementazione al calcolatore del classificatore naïve-Bayes e della regressione logistica.

Conoscenze e capacità di comprensione
TEST DI IPOTESI E STRATEGIE DI DECISIONE
Conoscenze e capacità di comprensione applicate
PROGETTARE E REALIZZARE ALGORITMI DI DECISIONE PER DATASET CLINICI/BIOMEDICI. IMPIEGARE FRAMEWORK SOFTWARE PER LA REALIZZAZIONE DI ALGORITMI DI DECISIONE SU DATI CLINICI/BIOMEDICI.


Unità didattica 3: TECNICHE NON SUPERVISIONATE
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO: 6/0/4)
- 16 (ore lezione 2): Principal Component analysis.
- 17 (ore laboratorio 2): Implementazione al calcolatore della PCA.
- 18 (ore lezione 2): CLUSTERING. L'ALGORITMO K-MEANS. CLUSTERING GERARCHICO.
- 19 (ore lezione 2): CLUSTERING TRAMITE ALGORITMO EXPECTATION-MAXIMIZATION. ALGORITMO DBSCAN.
- 20 (ore laboratorio 2): Implementazione al calcolatore di algoritmi di clustering.

Conoscenze e capacità di comprensione
TECNICHE NON SUPERVISIONATE (PCA E CLUSTERING) PER L’ANALISI DI DATI.
Conoscenze e capacità di comprensione applicate
ESTRARRE INFORMAZIONI DA DATASET CLINICI/BIOMEDICI UTILIZZANDO TECNICHE NON SUPERVISIONATE.
IMPIEGARE FRAMEWORK SOFTWARE PER L’IMPLEMENTAZIONE DELLA PCA E DEGLI ALGORITMI DI CLUSTERING PER DATI CLINICI/BIOMEDICI.


Unità didattica 4: SISTEMI DI HEALTH DATA ANALYTICS
(ORE LEZIONE/ESERCITAZIONE/LABORATORIO: 4/0/4)
- 21 (ore lezione 2): ARCHITETTURE E SISTEMI DI ANALISI DATI E DECISION-MAKING IN AMBITO CLINICO/BIOMEDICO.
- 22 (ore lezione 2): PANORAMICA DEGLI STANDARD UTILIZZATI NEI SISTEMI DI HEALTH DATA ANALYTICS.
- 23 (ore laboratorio 2): FRAMEWORK PER L’ANALISI DI GRANDI MOLI DI DATI RILEVANTI IN AMBITO CLINICO/BIOMEDICO.
- 24 (ore laboratorio 2): FRAMEWORK PER L’ANALISI DI GRANDI MOLI DI DATI RILEVANTI IN AMBITO CLINICO/BIOMEDICO.

Conoscenze e capacità di comprensione
ARCHITETTURE E SISTEMI DI ANALISI DATI E DECISION-MAKING UTILIZZATI IN AMBITO CLINICO/BIOMEDICO.
Conoscenze e capacità di comprensione applicate
IMPIEGARE FRAMEWORK SOFTWARE PER L’ANALISI STATISTICA DI DATI CLINICI/BIOMEDICI. PROGETTARE SOLUZIONI PER ANALISI DATI E DECISION-MAKING IN AMBITO CLINICO/BIOMEDICO.



TOTALE ORE LEZIONE/ESERCITAZIONE/LABORATORIO 30/0/18
Metodi Didattici
L'INSEGNAMENTO PREVEDE LEZIONI TEORICHE, ESERCITAZIONI IN CLASSE, E UTILIZZO DI STRUMENTI SOFTWARE PER L’ANALISI DEI DATI.
Verifica dell'apprendimento
LA VALUTAZIONE DEL RAGGIUNGIMENTO DEGLI OBIETTIVI PREFISSATI AVVERRÀ MEDIANTE LA REALIZZAZIONE DI UN PROGETTO CHE VERTERÀ SULL’ANALISI DI DATI CLINICI/BIOMEDICI.
Testi
AN INTRODUCTION TO STATISTICAL LEARNING, G. JAMES, D. WITTEN, T. HASTIE, R. TIBSHIRANI, SPRINGER, 2013.

STATISTICS FOR HEALTH DATA SCIENCE, R. ETZIONI, M. MANDEL, AND R. GULATI, SPRINGER, 2021.

MATERIALE DIDATTICO INTEGRATIVO SARÀ DISPONIBILE NELLA SEZIONE DEDICATA DELL'INSEGNAMENTO ALL'INTERNO DELLA PIATTAFORMA E-LEARNING DI ATENEO (HTTP://ELEARNING.UNISA.IT) ACCESSIBILE AGLI STUDENTI DEL CORSO TRAMITE LE CREDENZIALI UNICHE DI ATENEO.
Altre Informazioni
L'INSEGNAMENTO È EROGATO IN INGLESE.
  BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2024-08-21]