Corso di laurea magistrale in Chimica Clinica Forense e dello Sport

L'insegnamento si propone di insegnare i concetti base della programmazione Python e le sue applicazioni e strumenti nel campo della chemiometria e del machine learning. In particolare, si apprenderanno i principali metodi e algoritmi di import e gestione dei dati, costruzione di grafici, test di ipotesi, disegno sperimentale, analisi esplorativa dei dati, apprendimento non supervisionato, apprendimento supervisionato (classificazione, regressione) e data fusion. Parallelamente alle lezioni teoriche, verranno svolte esercitazioni pratiche con Python di programmazione e chemiometria su esempi e casi studio reali.

Conoscenza e capacità di comprensione:

Gli studenti/studentesse dovranno:

• acquisire familiarità con la terminologia e il gergo di Python e della chemiometria;
• apprendere i concetti base di statistica (univariata, bivariata e multivariata);
• acquisire conoscenza degli strumenti di base per grafici e grafici;
• acquisire conoscenza delle strategie di pre-processamento dei dati;
• acquisire conoscenza di vari approcci chemiometrici per l'apprendimento non supervisionato (principal component analysis, clustering, self-organizing maps, t-SNE, UMAP, MCR-ALS);
• acquisire conoscenza di vari approcci chemiometrici per l'apprendimento supervisionato (multiple linear regression, principal component regression, partial least squares, distance-based models, logistic regression, Naïve Bayes, discriminant analysis, decision trees, random forest, XGBoost, neural networks, support vector machines);
• apprendere le tecniche e le strategie del disegno sperimentale e per la validazione dei metodi analitici;
• progettare esperimenti e analizzare dati relativi ad applicazioni e problemi in chimica clinica, forense e dello sport (analisi della struttura dei dati, selezione delle variabili, selezione degli algoritmi da utilizzare, validazione dei modelli costruiti);
• acquisire competenze sui principali strumenti chemiometrici disponibili in Python.

Capacità di applicare conoscenza e comprensione:

Oltre alla conoscenza dei singoli argomenti, è richiesta la capacità di collegare aspetti apparentemente differenti per identificare somiglianze/differenze nei dati oggetto di studio. L'acquisizione delle suddette competenze potenzierà la capacità di interagire con la figura professionale del data analyst.

Abilità comunicative:

Le studentesse e gli studenti dovranno dimostrare di possedere una terminologia appropriata e una comprensione e conoscenza di base della programmazione Python per la chemiometria.

• Introduzione (l’ambiente di programmazione ed il linguaggio Python, analisi di dati e big data nel contesto della chemiometria; concetti generali: apprendimento non supervisionato, apprendimento supervisionato (classificazione, regressione) e il reinforcement learning, disegno sperimentale);
• Fondamenti di grafica per l’analisi dati;
• Elementi di statistica univariata, bivariata e multivariata (funzioni di distribuzione di probabilità, stima della verosimiglianza, modelli parametrici e non parametrici; test di ipotesi);
• Caratteristiche principali dei modelli chemiometrici (selezione delle variabili; pre-processamento dei dati; selezione del modello; validazione e cross-validation; bias e varianza; overfitting e underfitting);
• Apprendimento non supervisionato (principal component analysis, clustering, self-organizing maps, t-SNE, UMAP, MCR-ALS);
• Apprendimento supervisionato (multiple linear regression, principal component regression, partial least squares, distance-based models, logistic regression, Naïve Bayes, discriminant analysis, decision trees, random forest, XGBoost, neural networks, support vector machines);
• Applicazione Python di algoritmi chemiometrici selezionati a casi di studio in chimica clinica, forense e sportiva.

L'insegnamento prevede 32 ore di lezioni frontali e teorico-pratiche: simultaneamente alle lezioni teoriche, verranno svolte esercitazioni pratiche con Python di programmazione e chemiometria su esempi e casi studio reali. 

Le lezioni saranno svolte in presenza.

L'insegnamento ha una forte natura pratica, quindi tutte le studentesse e tutti gli studenti dovranno utilizzare il proprio computer durante il corso al fine di apprendere al meglio gli strumenti del linguaggio di programmazione Python.

Verranno fornite comunicazioni relative all'insegnamento e ai programmi da installare sul proprio computer.

Il materiale didattico sarà fornito e gestito tramite la piattaforma Moodle.

L’esame consiste in:

1. Preparazione di una relazione tecnica (utilizzando gli strumenti Python per la chemiometria discussi nel corso) su un dataset specifico, assegnato individualmente a ciascuno studente/studentessa dal docente. La relazione deve essere compilata e inviata al docente entro 2 giorni prima della data effettiva dell'esame;
2. Esame orale in cui verrà discussa la relazione tecnica e altri argomenti generali dell'insegnamento.

Gli studenti e le studentesse verranno suddivisi in gruppi da due-tre persone. Di tanto in tanto, il flusso delle lezioni viene interrotto per consentire un ripasso all'interno dei gruppi sul materiale didattico svolto, mentre il Docente passa di gruppo in gruppo per fornire chiarimenti. Idealmente, ciascun gruppo prepara e sostiene congiuntamente l'esame di profitto finale.