Prof. Barbara Di Camillo

Argomenti del programma: Parte I – Introduzione 1 Motivazioni, applicazioni e componenti fondamentali del problema di apprendimento. Parte II – Apprendimento supervisionato 2 Modello statistico dell'apprendimento e teoria PAC. 3 Modelli lineari per regressione e classificazione. 4 Gradient Descent e Stochastic Gradient Descent. 5 Compromesso bias-varianza, selezione del modello e validazione.

• Slide delle lezioni, articoli scientifici e ulteriore materiale didattico resi disponibili dal docente tramite la piattaforma Moodle del corso.

Argomenti del programma: Parte 1 – Genomica e analisi della variabilità genetica - Richiami di biologia molecolare: DNA, RNA e proteine. - Tecnologie di sequenziamento ad alta processività. - Variabilità genetica e polimorfismi a singolo nucleotide (SNP). - Alleli, genotipi e fenotipi. - Equilibrio di Hardy-Weinberg. - Genome-Wide Association Studies (GWAS). - Test statistici per l'associazione genotipo-fenotipo. - Test chi-quadrato.

Argomenti del programma: Parte I – Introduzione 1 Motivazioni, applicazioni e componenti fondamentali del problema di apprendimento. Parte II – Apprendimento supervisionato 2 Modello statistico dell'apprendimento e teoria PAC. 3 Modelli lineari per regressione e classificazione. 4 Gradient Descent e Stochastic Gradient Descent. 5 Compromesso bias-varianza, selezione del modello e validazione.

• Slide delle lezioni, articoli scientifici e ulteriore materiale didattico resi disponibili dal docente tramite la piattaforma Moodle del corso.

Argomenti del programma: Parte 1 – Genomica e analisi della variabilità genetica - Richiami di biologia molecolare: DNA, RNA e proteine. - Tecnologie di sequenziamento ad alta processività. - Variabilità genetica e polimorfismi a singolo nucleotide (SNP). - Alleli, genotipi e fenotipi. - Equilibrio di Hardy-Weinberg. - Genome-Wide Association Studies (GWAS). - Test statistici per l'associazione genotipo-fenotipo. - Test chi-quadrato.

Argomenti del programma: Parte I – Introduzione 1 Motivazioni, applicazioni e componenti fondamentali del problema di apprendimento. Parte II – Apprendimento supervisionato 2 Modello statistico dell'apprendimento e teoria PAC. 3 Modelli lineari per regressione e classificazione. 4 Gradient Descent e Stochastic Gradient Descent. 5 Compromesso bias-varianza, selezione del modello e validazione.

Argomenti del programma: Parte I – Introduzione 1 Motivazioni, applicazioni e componenti fondamentali del problema di apprendimento. Parte II – Apprendimento supervisionato 2 Modello statistico dell'apprendimento e teoria PAC. 3 Modelli lineari per regressione e classificazione. 4 Gradient Descent e Stochastic Gradient Descent. 5 Compromesso bias-varianza, selezione del modello e validazione.

Argomenti del programma: Parte I – Introduzione 1 Motivazioni, applicazioni e componenti fondamentali del problema di apprendimento. Parte II – Apprendimento supervisionato 2 Modello statistico dell'apprendimento e teoria PAC. 3 Modelli lineari per regressione e classificazione. 4 Gradient Descent e Stochastic Gradient Descent. 5 Compromesso bias-varianza, selezione del modello e validazione.

• Slide delle lezioni, articoli scientifici e ulteriore materiale didattico resi disponibili dal docente tramite la piattaforma Moodle del corso.

Argomenti del programma: Parte 1 – Genomica e analisi della variabilità genetica - Richiami di biologia molecolare: DNA, RNA e proteine. - Tecnologie di sequenziamento ad alta processività. - Variabilità genetica e polimorfismi a singolo nucleotide (SNP). - Alleli, genotipi e fenotipi. - Equilibrio di Hardy-Weinberg. - Genome-Wide Association Studies (GWAS). - Test statistici per l'associazione genotipo-fenotipo. - Test chi-quadrato.

Argomenti del programma: Parte I – Introduzione 1 Motivazioni, applicazioni e componenti fondamentali del problema di apprendimento. Parte II – Apprendimento supervisionato 2 Modello statistico dell'apprendimento e teoria PAC. 3 Modelli lineari per regressione e classificazione. 4 Gradient Descent e Stochastic Gradient Descent. 5 Compromesso bias-varianza, selezione del modello e validazione.

Argomenti del programma: Parte I – Introduzione 1 Motivazioni, applicazioni e componenti fondamentali del problema di apprendimento. Parte II – Apprendimento supervisionato 2 Modello statistico dell'apprendimento e teoria PAC. 3 Modelli lineari per regressione e classificazione. 4 Gradient Descent e Stochastic Gradient Descent. 5 Compromesso bias-varianza, selezione del modello e validazione.