HEALTH DATA ANALYTICS

Internazionalizzazione della Didattica HEALTH DATA ANALYTICS

0622900031
DIPARTIMENTO DI INGEGNERIA DELL'INFORMAZIONE ED ELETTRICA E MATEMATICA APPLICATA
CORSO DI LAUREA MAGISTRALE
DIGITAL HEALTH AND BIOINFORMATIC ENGINEERING
2021/2022

OBBLIGATORIO
ANNO CORSO 1
ANNO ORDINAMENTO 2018
SECONDO SEMESTRE
CFUOREATTIVITÀ
1HEALTH DATA ANALYTICS MOD.1
216LEZIONE
18LABORATORIO
2HEALTH DATA ANALYTICS MOD.2
216LEZIONE
18LABORATORIO
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
- INTRODUZIONE (ORE LEZIONE/ESERCITAZIONE/LABORATORIO: 2/0/0)
REGRESSIONE VS. DECISIONE. PREDIZIONE VS. INFERENZA. METODI PARAMETRICI VS. METODI NON PARAMETRICI. METODI SUPERVISIONATI VS. METODI NON SUPERVISIONATI.
- REGRESSIONE (ORE LEZIONE/ESERCITAZIONE/LABORATORIO: 8/3/4)
REGRESSIONE LINEARE. SUBSET SELECTION. SHRINKAGE (RIDGE, LASSO). PRINCIPAL COMPONENT REGRESSION. HIGH-DIMENSIONAL DATA. CROSS-VALIDATION. METODI LOCALI (ES., NEAREST-NEIGHBOR, NAÏVE-KERNEL). APPLICAZIONI DI REGRESSIONE E STATISTICA INFERENZIALE A DATI CLINICI/BIOMEDICI.

- DECISIONE (ORE LEZIONE/ESERCITAZIONE/LABORATORIO: 6/3/4)
TEST DI IPOTESI. NAÏVE-BAYES. ALGORITMO DEL GRADIENTE E DEL GRADIENTE STOCASTICO. REGRESSIONE LOGISTICA. APPLICAZIONE DELLE STRATEGIE DI DECISIONE E VALUTAZIONE DELLA SIGNIFICATIVITÀ STATISTICA A DATI CLINICI/BIOMEDICI.

- CLUSTERING (ORE LEZIONE/ESERCITAZIONE/LABORATORIO: 6/2/4).
ALGORITMO K-MEANS. CLUSTERING GERARCHICO. ALGORITMO EXPECTATION-MAXIMIZATION. ALGORITMO DBSCAN. ANALISI ALLE COMPONENTI PRINCIPALI. CLUSTERING DI DATI CLINICI/BIOMEDICI.

- SISTEMI DI HEALTH DATA ANALYTICS (ORE LEZIONE/ESERCITAZIONE/LABORATORIO: 4/0/2)
ARCHITETTURE DI SISTEMI PER L’ANALISI DATI E IL SUPPORTO ALLE DECISIONI IN AMBITO CLINICO/BIOMEDICO. PANORAMICA DEGLI STANDARD UTILIZZATI PER LA HEALTH DATA ANALYTICS (ES., OLAP). FRAMEWORK PER IMPLEMENTAZIONI DISTRIBUITE (ES., APACHE SPARK).

TOTALE ORE LEZIONE/ESERCITAZIONE/LABORATORIO 26/8/14

- STRUMENTI DI CALCOLO
R; MATLAB; PHYTON; APACHE SPARK.
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
  • Didattica