DATA ANALYSIS
- Anno accademico
- 2025/2026 Programmi anni precedenti
- Titolo corso in inglese
- DATA ANALYSIS
- Codice insegnamento
- FOY28 (AF:600971 AR:338371)
- Lingua di insegnamento
- Inglese
- Modalità
- In presenza
- Crediti formativi universitari
- 5
- Partizione
- A
- Livello laurea
- Corso di Formazione (DM270)
- Settore scientifico disciplinare
- NN
- Periodo
- II Semestre
- Anno corso
- 1
- Sede
- VENEZIA
- Spazio Moodle
- Link allo spazio del corso
Inquadramento dell'insegnamento nel percorso del corso di studio
Nel mondo di oggi, i dati hanno uno ruolo cruciale. La capacità di estrarre informazioni utili e interessanti da datasets complessi e di grandi dimensioni è di crescente importanza in diversi campi e discipline. Il corso DATA ANALYSIS mira a fornire agli studenti una solida preparazione sui concetti e sulle tecniche principali per analizzare dati, ed estrarne informazioni significative.
Risultati di apprendimento attesi
Il corso mira a fornire agli studenti una panoramica generale di alcuni degli aspetti principali dell'analisi dei dati, attraverso lezioni teoriche, esercitazioni, e programmazione in Python.
Prerequisiti
Si richiede agli studenti una conoscenza di base dei concetti matematici di variabile e funzione. Inoltre, ci si aspetta che gli studenti abbiano buone capacità di utilizzo del computer.
Contenuti
Il corso tratterà i seguenti temi:
- Statistica descrittiva (media, mediana, varianza, deviazione standard)
- Covarianza, Coefficiente di Correlazione di Pearson
- Cifre significative, arrotondamento
- Distribuzioni: uniforme, binomiale, Poisson, Gaussiana
- Teorema del limite centrale
- Propagazione degli errori
- Probabilità condizionata e teorema di Bayes
- Programmazione in Python con Google Colab
- Statistica descrittiva (media, mediana, varianza, deviazione standard)
- Covarianza, Coefficiente di Correlazione di Pearson
- Cifre significative, arrotondamento
- Distribuzioni: uniforme, binomiale, Poisson, Gaussiana
- Teorema del limite centrale
- Propagazione degli errori
- Probabilità condizionata e teorema di Bayes
- Programmazione in Python con Google Colab
Testi di riferimento
Statistics: A Guide to the Use of Statistical Methods in the Physical Sciences, by R. J. Barlow, Publisher: Wiley, 1993
Modalità di verifica dell'apprendimento
Il voto finale sarà una media pesata dei seguenti contributi:
- 10% presenza alle lezione
- 40% esame parziale
- 50% esame finale
- 10% presenza alle lezione
- 40% esame parziale
- 50% esame finale
Modalità di esame
scritto
Il/la docente ha il dovere di vigilare affinché siano rispettate le regole di autenticità e originalità delle prove d'esame. Di conseguenza, nei casi in cui vi sia il sospetto di un comportamento irregolare, l'esame può prevedere un ulteriore approfondimento, contestuale alla prova d'esame, che potrà essere realizzato anche in modalità differente rispetto alle modalità sopra riportate.
Graduazione dei voti
Di seguito la classificazione sulla base di un massimo di 30L
18–21 punti: assegnati per scarsa comprensione e capacità di risoluzione dei problemi poco sviluppate.
22–25 punti: Indica una buona comprensione e solide tecniche di risoluzione dei problemi.
26–27 punti: Riflette un'ottima comprensione e capacità di risoluzione dei problemi.
28–30L punti: Premiato per ottime prestazioni.
18–21 punti: assegnati per scarsa comprensione e capacità di risoluzione dei problemi poco sviluppate.
22–25 punti: Indica una buona comprensione e solide tecniche di risoluzione dei problemi.
26–27 punti: Riflette un'ottima comprensione e capacità di risoluzione dei problemi.
28–30L punti: Premiato per ottime prestazioni.
Metodi didattici
Lezioni teoriche, esercitazioni e sessioni di programmazione in Python.
Programma definitivo.
Data ultima modifica programma: 17/01/2026