Libri UniversitariZoom 100%

Prof. Stefano Diciotti: i libri dei suoi insegnamenti

Scheda docente sul sito dell’ateneo ›
Insegnamenti trovati: 4
Bologna 4 insegnamenti
Facoltà: Ingegneria e architettura

Prof. Stefano Diciotti: Artificial Intelligence For Medicine M

4,1difficoltà
Bologna · Facoltà: Ingegneria e architettura · Ingegneria elettronica (LM-29)
Di cosa si tratta: Raccolta e gestione dei dati clinici, con controllo di qualità, armonizzazione, dataset sintetici e rapporto tra dimensione del dataset e intervalli di confidenza, introducono la tassonomia degli algoritmi di apprendimento automatico in ambito sanitario. Si trattano capacità del modello, generalizzazione, regolarizzazione, tuning degli iperparametri e strategie di validazione come hold-out e cross-validation.

Dettagli corso

1º annoCorso: LM-29
CFU: 6Canale: Unico

Tempo di studio e official info

Tempo consigliato per preparare l’esame: 13 settimane (3 mesi)
Dispense fornite dal docente.
Dati verificati il 02/10/2026

Libri indicati per la materia

Scorri di lato: 2 libri
Lutz – Learning PythonISBN 9781098171308
Tempo di studio del libro≈ 12,5 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
1134 pagine
Difficoltà
4,1
Goodfellow – Deep LearningISBN 9789732345528
Tempo di studio del libro≈ 8,5 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
787 pagine
Difficoltà
4,1
StrumentiPer questo esame ti serve anche

Strumenti da tenere accanto ai libri d'esame, oltre a quelli indicati dal docente.

Utile
Dizionario medico
Cerca su Amazon

Link affiliati Amazon di ricerca: il prezzo per te non cambia.

Domande possibili all’esame
  1. Quali dati clinici sono necessari per costruire un sistema di supporto alle decisioni in medicina?
  2. Come si valuta l'accuratezza diagnostica di un test medico tramite sensibilità e specificità?
  3. Che cosa rappresenta la curva ROC e come si interpreta nella valutazione di un test?
  4. Quali problemi di qualità dei dati limitano l'uso di grandi archivi clinici?
  5. Come si protegge la privacy dei pazienti nell'analisi di dati sanitari?
  6. In che modo la standardizzazione dei dati facilita il confronto tra centri clinici diversi?
  7. Come si verifica che un modello di previsione funzioni allo stesso modo su popolazioni differenti?
  8. Quali considerazioni regolatorie si devono affrontare prima di introdurre un software medico in clinica?
  9. Come si misura l'impatto di uno strumento di supporto decisionale sul tempo di diagnosi?
  10. Quali errori sistematici possono nascere dalla selezione dei casi usati per la valutazione?
  11. Come si spiega a un clinico il motivo di una raccomandazione prodotta da un modello?
  12. Quali indicatori si usano per monitorare un sistema sanitario digitale nel tempo?
  13. Come si integra un sistema di analisi con la cartella clinica elettronica di un ospedale?
  14. Quali sono i rischi di un eccessivo affidamento di un professionista su uno strumento automatico?
  15. Come si confrontano i benefici clinici di un percorso diagnostico guidato da dati con quelli di un percorso tradizionale?
  16. Quali metodi si usano per validare un dispositivo medico software in condizioni reali?
  17. In che modo la telemedicina modifica l'organizzazione dell'assistenza al paziente?
  18. Come si gestisce l'incertezza di una diagnosi quando il dato di partenza è incompleto?
  19. Quali competenze devono avere i professionisti che sviluppano e usano strumenti sanitari digitali?
  20. Come si documenta la tracciabilità delle decisioni prese con il supporto di uno strumento digitale?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

Prof. Stefano Diciotti: Artificial Intelligence For Medicine M

4,1difficoltà
Bologna · Facoltà: Ingegneria e architettura · Ingegneria elettronica (LM-29)
Di cosa si tratta: Raccolta e gestione dei dati clinici, con controllo di qualità, armonizzazione, dataset sintetici e rapporto tra dimensione del dataset e intervalli di confidenza, introducono la tassonomia degli algoritmi di apprendimento automatico in ambito sanitario. Si trattano capacità del modello, generalizzazione, regolarizzazione, tuning degli iperparametri e strategie di validazione come hold-out e cross-validation.

Dettagli corso

2º annoCorso: LM-29
CFU: 6Canale: Unico

Tempo di studio e official info

Tempo consigliato per preparare l’esame: 13 settimane (3 mesi)
Dispense fornite dal docente.
Dati verificati il 02/10/2026

Libri indicati per la materia

Scorri di lato: 2 libri
Lutz – Learning PythonISBN 9781098171308
Tempo di studio del libro≈ 12,5 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
1134 pagine
Difficoltà
4,1
Goodfellow – Deep LearningISBN 9789732345528
Tempo di studio del libro≈ 8,5 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
787 pagine
Difficoltà
4,1
StrumentiPer questo esame ti serve anche

Strumenti da tenere accanto ai libri d'esame, oltre a quelli indicati dal docente.

Utile
Dizionario medico

Link affiliati Amazon di ricerca: il prezzo per te non cambia.

Domande possibili all’esame
  1. Quali dati clinici sono necessari per costruire un sistema di supporto alle decisioni in medicina?
  2. Come si valuta l'accuratezza diagnostica di un test medico tramite sensibilità e specificità?
  3. Che cosa rappresenta la curva ROC e come si interpreta nella valutazione di un test?
  4. Quali problemi di qualità dei dati limitano l'uso di grandi archivi clinici?
  5. Come si protegge la privacy dei pazienti nell'analisi di dati sanitari?
  6. In che modo la standardizzazione dei dati facilita il confronto tra centri clinici diversi?
  7. Come si verifica che un modello di previsione funzioni allo stesso modo su popolazioni differenti?
  8. Quali considerazioni regolatorie si devono affrontare prima di introdurre un software medico in clinica?
  9. Come si misura l'impatto di uno strumento di supporto decisionale sul tempo di diagnosi?
  10. Quali errori sistematici possono nascere dalla selezione dei casi usati per la valutazione?
  11. Come si spiega a un clinico il motivo di una raccomandazione prodotta da un modello?
  12. Quali indicatori si usano per monitorare un sistema sanitario digitale nel tempo?
  13. Come si integra un sistema di analisi con la cartella clinica elettronica di un ospedale?
  14. Quali sono i rischi di un eccessivo affidamento di un professionista su uno strumento automatico?
  15. Come si confrontano i benefici clinici di un percorso diagnostico guidato da dati con quelli di un percorso tradizionale?
  16. Quali metodi si usano per validare un dispositivo medico software in condizioni reali?
  17. In che modo la telemedicina modifica l'organizzazione dell'assistenza al paziente?
  18. Come si gestisce l'incertezza di una diagnosi quando il dato di partenza è incompleto?
  19. Quali competenze devono avere i professionisti che sviluppano e usano strumenti sanitari digitali?
  20. Come si documenta la tracciabilità delle decisioni prese con il supporto di uno strumento digitale?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

Prof. Stefano Diciotti: Brain Signai And Image Processing (I.C.)

9,5difficoltà
Bologna · Facoltà: Ingegneria e architettura · Biomedical Engineering - sede di Cesena (LM-21)
Di cosa si tratta: Origine del segnale EEG di superficie dai potenziali neurali, ritmi cerebrali, potenziali evento-correlati e principali artefatti costituiscono la base fisiologica. Segue il preprocessing: filtraggio, ricampionamento, ri-referenziamento, estrazione delle epoche e rimozione degli artefatti con analisi delle componenti indipendenti. L'analisi nel dominio del tempo, della frequenza e tempo-frequenza include averaging degli ERP e densità spettrale di potenza.

Dettagli corso

2º annoCorso: LM-21
CFU: 12Canale: Unico
🕒 Orario lezioni
  • Lun11–14LAB. LIB (M)
  • Mar12–14LAB. LIB (M)
  • Mar9–12LAB. LIB (I)
  • Mer9–11LAB. 3.1

Tempo di studio e official info

Tempo consigliato per preparare l’esame: 13 settimane (3 mesi)
Dispense del docente disponibili su “IOL-Insegnamenti On Line” · Dispense fornite dal docente.
Dati verificati il 02/10/2026

Libri indicati per la materia

Scorri di lato: 4 libri
Puce – MEG-EEG PrimerISBN 9780197542187
Tempo di studio del libro≈ 5 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
455 pagine
Difficoltà
9,5
Cohen – Analyzing neural time series dataISBN 9780262019873
Tempo di studio del libro≈ 6,5 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
578 pagine
Difficoltà
9,5
Sarvas – Brain SignalsISBN 9780262039826
Tempo di studio del libro≈ 2,5 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
239 pagine
Difficoltà
9,5
Jenkinson – Introduction to Neuroimaging AnalysisISBN 9780198816300
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
258 pagine
Difficoltà
9,5
Domande possibili all’esame
  1. Come si acquisisce un segnale EEG e quali artefatti possono contaminarlo?
  2. Quali tecniche di filtraggio si usano per isolare le bande di frequenza dell'EEG?
  3. Che cosa si intende per trasformata di Fourier di un segnale cerebrale?
  4. Come si calcola lo spettro di potenza di un segnale elettrofisiologico?
  5. In che modo l'analisi wavelet supera i limiti dell'analisi di Fourier?
  6. Quali metodi si usano per ridurre gli artefatti oculari nell'EEG?
  7. Come si segmenta un'immagine di risonanza magnetica cerebrale?
  8. Quali operatori di filtraggio migliorano il contrasto in un'immagine medica?
  9. Come si estraggono caratteristiche rilevanti da un segnale neurale?
  10. Che cosa si intende per campionamento e aliasing in un segnale biomedico?
  11. Quali indicatori si usano per valutare la qualità di una ricostruzione d'immagine?
  12. Come si registra un potenziale evocato e come si migliora il rapporto segnale-rumore?
  13. In che modo l'analisi di connettività misura l'interazione tra regioni cerebrali?
  14. Quali algoritmi servono a riconoscere un evento epilettico in un segnale EEG?
  15. Come si elabora un'immagine tomografica per ottenerne una ricostruzione?
  16. Quali differenze esistono tra elaborazione in tempo reale e off-line dei segnali cerebrali?
  17. Come si valuta la stazionarietà di un segnale fisiologico?
  18. Quali proprietà distinguono un filtro digitale FIR da uno IIR?
  19. In che modo la coregistrazione di immagini multimodali aiuta la diagnosi?
  20. Quali metodi si impiegano per classificare i pattern nei segnali neurali?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

Prof. Stefano Diciotti: Computational Neuroimaging

3,3difficoltà
Bologna · Facoltà: Ingegneria e architettura · Biomedical Engineering - sede di Cesena (LM-21)
Di cosa si tratta: Anatomia cerebrale, con cellule e tessuti del cervello, strutture e atlanti digitali, precede la fisica della risonanza magnetica: spin, principi di imaging, tecniche di base, hardware dello scanner, presentazione delle immagini e artefatti. Si passa alle modalità di MRI per il neuroimaging, imaging strutturale e funzionale, immagini cliniche e imaging pesato in T1, con estrazione del cervello.

Dettagli corso

2º annoCorso: LM-21
CFU: 6Canale: Unico
🕒 Orario lezioni
  • Lun11–14LAB. LIB (M)
  • Mar12–14LAB. LIB (M)

Tempo di studio e official info

Tempo consigliato per preparare l’esame: ≈ 3 settimane
Dispense fornite dal docente.
Dati verificati il 02/10/2026

Libri indicati per la materia

Jenkinson – Introduction to Neuroimaging AnalysisISBN 9780198816300
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
258 pagine
Difficoltà
3,3
Domande possibili all’esame
  1. Che cosa si intende per modellazione computazionale applicata ai dati di neuroimaging?
  2. In che modo il segnale BOLD si collega all'attività neurale nella risonanza magnetica funzionale?
  3. Quali differenze esistono tra PET, fMRI, EEG e MEG in termini di risoluzione temporale e spaziale?
  4. Come si costruisce una matrice di disegno in un modello lineare generale per l'analisi fMRI?
  5. Perché i regressori vanno convoluti con la funzione di risposta emodinamica?
  6. Che cosa significa correggere per confronti multipli in una mappa statistica cerebrale?
  7. Quali metodi permettono di controllare il tasso di falsi positivi quando si testano molti voxel?
  8. Come si differenzia l'analisi multivariata dei pattern da quella univariata?
  9. Quali vantaggi offre la decodifica dei pattern rispetto alla sola localizzazione dell'attività?
  10. Che cosa si intende per modello di codifica nello studio della risposta neurale a stimoli complessi?
  11. In che modo si può stimare la connettività funzionale a riposo a partire dai dati fMRI?
  12. Quali assunzioni sottostanno ai modelli causali dinamici usati per studiare le interazioni tra regioni?
  13. Come si valuta la bontà di un modello computazionale confrontandolo con i dati sperimentali?
  14. Perché la coregistrazione tra immagini strutturali e funzionali è necessaria?
  15. Quali passaggi di preprocessing si applicano comunemente alle immagini fMRI prima dell'analisi statistica?
  16. Che cosa comporta il movimento del soggetto durante la scansione e come si può correggere?
  17. Come si definisce una regione di interesse e quali criteri guidano la sua scelta?
  18. In che modo la teoria dell'informazione viene applicata all'analisi dei dati di neuroimaging?
  19. Quali limiti presenta l'inferenza inversa quando si cerca di risalire alle cause neurali di un segnale misurato?
  20. Come si possono integrare dati provenienti da modalità diverse di neuroimaging in un unico modello?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

Scorri di lato: 4 insegnamenti →

Domande frequenti Libri, programma ed esami del prof. Stefano Diciotti a Bologna

Che libro usa il prof. Stefano Diciotti per Artificial Intelligence For Medicine M a Bologna?

Per Artificial Intelligence For Medicine M (Canale unico) indica come obbligatorio: Lutz – Learning Python, Goodfellow – Deep Learning.

Quanto è impegnativo Artificial Intelligence For Medicine M?

6 CFU, difficoltà stimata 4.1 su 10 rispetto agli esami della stessa area.

Che libro usa il prof. Stefano Diciotti per Artificial Intelligence For Medicine M a Bologna?

Per Artificial Intelligence For Medicine M (Canale unico) indica come obbligatorio: Lutz – Learning Python, Goodfellow – Deep Learning.

Quanto è impegnativo Artificial Intelligence For Medicine M?

6 CFU, difficoltà stimata 4.1 su 10 rispetto agli esami della stessa area.

Che libro usa il prof. Stefano Diciotti per Brain Signai And Image Processing (I.C.) a Bologna?

Per Brain Signai And Image Processing (I.C.) (Canale unico) indica come obbligatorio: Puce – MEG-EEG Primer, Cohen – Analyzing neural time series data, Sarvas – Brain Signals, Jenkinson – Introduction to Neuroimaging Analysis.

Quanto è impegnativo Brain Signai And Image Processing (I.C.)?

12 CFU, difficoltà stimata 9.5 su 10 rispetto agli esami della stessa area.

Che libro usa il prof. Stefano Diciotti per Computational Neuroimaging a Bologna?

Per Computational Neuroimaging (Canale unico) indica come obbligatorio: Jenkinson – Introduction to Neuroimaging Analysis.

Quanto è impegnativo Computational Neuroimaging?

6 CFU, difficoltà stimata 3.3 su 10 rispetto agli esami della stessa area.

Dove trovo la scheda ufficiale di un esame?

Ogni insegnamento qui sopra ha il link alla scheda ufficiale dell’ateneo: controllala sempre prima di acquistare.

Sei uno studente tra i 18 e i 22 anni?Con Prime Student hai 90 giorni gratis, poi Amazon Prime a soli 2,49 € al mese: consegne veloci e gratuite anche sui libri.Scopri Prime Student ›
Controlla sempre la scheda dell'esame. Le informazioni vengono dalle schede ufficiali degli atenei e possono cambiare o contenere errori: prima di acquistare verifica i testi sulla scheda ufficiale dell'esame (la trovi linkata in ogni esame) e, nel dubbio, chiedi al docente.
Aiutaci a tenerci aggiornati
Il prof ha indicato altri libri, pagine o modifiche? Scrivicelo.