2. Docenti
  3. Didattica

ARTIFICIAL INTELLIGENCE FOR OMICS DATA ANALYSIS

Diego GRAGNANIELLO ARTIFICIAL INTELLIGENCE FOR OMICS DATA ANALYSIS

0623200011
DIPARTIMENTO DI INGEGNERIA DELL'INFORMAZIONE ED ELETTRICA E MATEMATICA APPLICATA
CORSO DI LAUREA MAGISTRALE
INFORMATION ENGINEERING FOR DIGITAL MEDICINE
2024/2025



OBBLIGATORIO
ANNO CORSO 2
ANNO ORDINAMENTO 2022
PRIMO SEMESTRE
CFUOREATTIVITÀ
324LEZIONE
216ESERCITAZIONE
18LABORATORIO
DIEGO GRAGNANIELLO T Curriculum
EDUARDO MARIA SOMMELLA Curriculum
Obiettivi
L’INSEGNAMENTO APPROFONDISCE GLI ASPETTI METODOLOGICI E TECNOLOGICI NECESSARI PER LA DEFINIZIONE DI MODELLI ED ARCHITETTURE DI INTELLIGENZA ARTIFICIALE PER LA MEDICINA DI PRECISIONE CON PARTICOLARE RIFERIMENTO ALL’ANALISI DI DATASET OMICI (AD ESEMPIO, DATI GENOMICI E PROTEOMICI) PER L’IDENTIFICAZIONE, LA CLASSIFICAZIONE E LO STUDIO DI PATOLOGIE E L’ANALISI DELL’EFFICACIA DEI FARMACI.


CONOSCENZE E CAPACITÀ DI COMPRENSIONE
MODELLI E ARCHITETTURE DI INTELLIGENZA ARTIFICIALE PER L’ANALISI, L’IDENTIFICAZIONE E LA CARATTERIZZAZIONE DI PATOLOGIE, OPERANDO SU DATI OMICI DI VARIA NATURA DISPONIBILI NEI DATASET PUBBLICI UNITAMENTE AI PRINCIPI ED ALLE TECNICHE PER UNA CORRETTA CONFIGURAZIONE, TUNING E VALUTAZIONE DELLE PERFORMANCE DEI MODELLI ADOTTATI.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE APPLICATE
IN BASE AL PROBLEMA DA RISOLVERE, INDIVIDUARE IL MODELLO/ARCHITETTURA DI INTELLIGENZA ARTIFICIALE PIÙ IDONEO E PROGETTARE, IMPLEMENTARE E VALIDARE, SOLUZIONI SOFTWARE PER LA MEDICINA DI PRECISIONE APPLICANDO TALI MODELLI/ARCHITETTURE. DEFINIRE I PARAMETRI PER L’ADDESTRAMENTO ED INTERPRETARE I RISULTATI FORNITI DAI MODELLI.
Prerequisiti
È PREVISTA LA PROPEDEUTICITÀ DEI CORSI DI COMPUTATIONAL GENOMICS E MACHINE LEARNING
Contenuti
UNITÀ DIDATTICA 1: STATISTICAL MACHINE LEARNING MODELS (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 8/4/2)
- 1 (2 ORE LEZIONE): INTRODUZIONE AI CLASSIFICATORI LINEARI E SVM
- 2 (2 ORE LEZIONE): REGRESSIONE LINEARE E REGRESSIONE LOGISTICA, REGRESSIONE
- 3 (2 ORE LEZIONE): CENNI AI SISTEMI MULTICLASSIFICATORE BASATI SU ALBERI
- 4 (2 ORE LEZIONE): CENNI ALLE RETI NEURALI BASATE SU GRAFO
- 5 (4 ORE ESERCITAZIONE): ESEMPI APPLICATIVI IN PYTHON: SCIKIT-LEARN E PYTORCH
- 6 (2 ORE LABORATORIO): LABORATORIO APPLICAZIONE SU DATI REALI

CONOSCENZE E CAPACITÀ DI COMPRENSIONE: CARATTERISTICHE DEI MODELLI, CONFIGURAZIONE E TUNING
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: UTILIZZARE IL MODELLO GIUSTO IN BASE AL PROBLEMA DA RISOLVERE, CONFIGURARLO CORRETTAMENTE ED INTERPRETARE I RISULTATI

UNITÀ DIDATTICA 2: WORKING WITH OMIC DATA (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 12/10/0)
- 7 (4/2 ORE LEZIONE/ESERCITAZIONE): GENOMICS/EPIGENOMICS: DATASETS, LORO UTILIZZO PER DIAGNOSI E CURA, ESEMPI APPLICATIVI
- 8 (4/2 ORE LEZIONE/ESERCITAZIONE): PROTEOMICS: DATASETS, LORO UTILIZZO PER DIAGNOSI E CURA, ESEMPI APPLICATIVI
- 9 (4/2 ORE LEZIONE/ESERCITAZIONE): METABOLOMICS: DATASETS, LORO UTILIZZO PER DIAGNOSI E CURA, ESEMPI APPLICATIVI
- 10 (4 ORE ESERCITAZIONE): ESEMPI DI APPLICAZIONE DI ML/DL
CONOSCENZE E CAPACITÀ DI COMPRENSIONE: QUALE TIPOLOGIA DI DATO UTILIZZARE IN FUNZIONE DELL'ANALISI DA EFFETTUARE
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: UTILIZZARE LE RISORSE DISPONIBILI IN RETE ED APPLICARE MODELLI DI ML PER L'ANALISI DEI DATI E SPIEGARE/MOTIVARE I RISULTATI

UNITÀ DIDATTICA 3: ML E DL CON "N < < P" (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 6/2/0)
- 11B(2 ORE LEZIONE): TECNICHE DI CLUSTERING E UNSUPERVISED LEARNING
- 12 (2 ORE LEZIONE): PCA, K-MEANS, T-SNE
- 13 (2 ORE LEZIONE): ANOMALY DETECTION
- 14 (2 ORE ESERCITAZIONE): TECNICHE DI OVERSAMPLING AND UNDERSAMPLING

CONOSCENZE E CAPACITÀ DI COMPRENSIONE: TECNICHE PER GESTIRE "N < < P" ED INTERPRETAZIONE/SPIEGAZIONE DEI RISULTATI
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: UTILIZZO DELLE TECNICHE PIÙ APPROPRIATE PER "N < < P" (SELECTION/REDUCTION UNSUPERVISED, DATA AUGMENTATION, RIMOZIONE DEGLI OUTLIERS, ECC.)


UNITÀ DIDATTICA 4: PROJECT WORK (ORE LEZIONE/ESERCITAZIONE/LABORATORIO 0/0/4)
CONOSCENZE E CAPACITÀ DI COMPRENSIONE: ANALISI DEL PROBLEMA DA AFFRONTARE ED INDIVIDUAZIONE DEI DATI, DEI MODELLI E DELLE TECNICHE PIÙ APPROPRIATE
CONOSCENZE E CAPACITÀ DI COMPRENSIONE APPLICATE: IMPLEMENTAZIONE E VALIDAZIONE DEI MODELLI ED INTERPRETAZIONE DEI RISULTATI RAGGIUNTI

TOTALE ORE LEZIONE/ESERCITAZIONE/LABORATORIO 26/16/6
Metodi Didattici
L'INSEGNAMENTO (48H DI LEZIONI, ESERCITAZIONI E ATTIVITÀ DI LABORATORIO) È CARATTERIZZATO DA UN SETTING DINAMICO, CHE COMPRENDE L'ANALISI DI CASI DI STUDIO CON LA PARTECIPAZIONE ATTIVA DEGLI STUDENTI CHE, DURANTE LE ATTIVITÀ DI ESERCITATIVE E LABORATORIALI ESEGUIRANNO APPROFONDIMENTI SPECIFICI SULLE CARATTERISTICHE DEI MODELLI DI MACHINE LEARNING E SULLA LORO OPPORTUNA CONFIGURAZIONE ED UTILIZZO NELL'ANALISI DI DATI OMICI.
IN PARTICOLARE, LE ATTIVITÀ DIDATTICHE INCLUDERANNO LEZIONI (18 ORE), ESERCITAZIONI (20 ORE) E LABORATORIO (10 ORE) QUESTE ULTIME DEDICATE ALLA REALIZZAZIONE DEL PROJECT WORK.
PER LO SVILUPPO DEL PROGETTO GLI STUDENTI APPLICHERANNO LE CONOSCENZE ACQUISITE AL FINE DI SCEGLIERE AUTONOMAMENTE I MODELLI ED I FRAMEWORK PIÙ APPROPRIATI PER RISOLVERE PROBLEMI SPECIFICI NEI DOMINI DI ANALISI PRESENTATI DURANTE IL CORSO.
LE ATTIVITÀ DIDATTICHE SARANNO SUPPORTATE DALL'USO DELLA PIATTAFORMA DI E-LEARNING DI ATENEO PER FACILITARE E STIMOLARE LA DISCUSSIONE E IL DIBATTITO TRA GLI STUDENTI, NONCHÉ PER LA NOTIFICA E LA DISTRIBUZIONE DI MATERIALE DIDATTICO.
Verifica dell'apprendimento
L'ESAME FINALE È FINALIZZATO A VALUTARE LE CONOSCENZE E LA COMPRENSIONE COMPLESSIVA DEI CONCETTI PRESENTATI NEL CORSO, LA CAPACITÀ DI APPLICARE TALI CONOSCENZE PER SVILUPPARE APPLICAZIONI SPECIFICHE E LA CAPACITÀ DI COMUNICARE E PRESENTARE IL LAVORO SVOLTO (ABILITÀ COMUNICATIVE).
L'ESAME CONSISTE IN UNA PARTE PRATICA E UNA PROVA ORALE (COLLOQUIO). LA PARTE PRATICA CONSISTE NELLO SVILUPPO DI UN PROGETTO DA SVOLGERE IN GRUPPI (2-4 STUDENTI) SULLE TEMATICHE TRATTATE DURANTE IL CORSO.
LA PROVA ORALE CONSISTE NELLA PRESENTAZIONE DEI RISULTATI RAGGIUNTI DURANTE LO SVILUPPO DEL LAVORO DEL PROGETTO E DISCUSSIONE SUGLI ARGOMENTI TRATTATI DURANTE IL CORSO.
OGNI MEMBRO DEL GRUPPO ESPONE IL PROPRIO CONTRIBUTO PER LA REALIZZAZIONE DEL PROGETTO INSIEME A UNA DISCUSSIONE SUGLI STRUMENTI E LE TECNOLOGIE UTILIZZATI, E SUI RISULTATI RAGGIUNTI.
DURANTE IL COLLOQUIO SARA ALTRESÌ VALUTATA LA PREPARAZIONE DELLO STUDENTE SUGLI AORGOMENTI TRATTATI DURANTE IL CORSO.
NELLA VALUTAZIONE FINALE, ESPRESSA CON UN PUNTEGGIO DI 30/30, LA PARTE PRATICA PESERÀ PER IL 65% E LA PROVA ORALE PER IL 35%.
LA LODE (30/30 CUM LAUDE) SARÀ ASSEGNATA AGLI STUDENTI CHE DIMOSTRERANNO UNA PIENA PADRONANZA DI TUTTI I PRINCIPALI ASPETTI METODOLOGICI E TECNOLOGICI AFFRONTATI NEL CORSO E COME QUESTI POSSONO ESSERE UTILIZZATI PER LA CREAZIONE DI SOLUZIONI IN DIVERSI DOMINI APPLICATIVI INSIEME CON LE IMPLICAZIONI DERIVANTI DAL LORO USO.
Testi
DISPENSE ED ALTRO MATERIALE FORNITO DAL DOCENTE SARA' 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.

SONO SUGGERITI I SEGUENTI TESTI

AURÉLIEN GÉRON, "HANDS-ON MACHINE LEARNING WITH SCIKIT-LEARN KERAS AND TENSORFLOW“, O REILLY ED.
GARETH JAMES, DANIELA WITTEN, TREVOR HASTIE, ROBERT TIBSHIRANI
AN INTRODUCTION TO STATISTICAL LEARNING, SPRINGER
Altre Informazioni
IL CORSO È EROGATO IN LINGUA INGLESE
Orari Lezioni

  BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2024-11-18]