Ateneo - UPO

Il corso offre un'introduzione di base all'Informatica e alla Data Science applicate in ambito biomedico. Il programma accompagna la classe nella comprensione dei concetti fondamentali su come i dati vengono rappresentati ed elaborati dall'hardware, e su come il Sistema Operativo e le Reti facilitino la gestione e lo scambio delle informazioni. Acquisendo una conoscenza iniziale dei principi di programmazione e della logica algoritmica, la classe imparerà a elaborare e interpretare in modo efficiente le informazioni di natura biomedicale. Come linguaggio di programmazione viene introdotto Python che sarà usato come strumento per le operazioni essenziali di gestione, pulizia e visualizzazione di dati derivanti da studi sperimentali o osservazionali.

Materiale fornito durante le lezioni (slide, esercitazioni guidate, dati di esempio).

La missione del'insegnamento è fornire alla classe le conoscenze fondamentali e le competenze tecniche necessarie per orientarsi nell'intersezione tra informatica e ricerca biomedica. La classe esplorerà i principi fondamentali dell'informatica — tra cui l'architettura hardware, i sistemi operativi e le reti — per comprendere come questi sistemi supportino la gestione dei moderni dati biologici. Un obiettivo centrale è l'introduzione ai principi fondamentali della Data Science attraverso l'uso di Python e dei Notebook Interattivi che saranno eseguiti in ambiente Google Colab . Il corso mira a promuovere la capacità pratica di recuperare, rappresentare ed elaborare i dati, ponendo l'accento sulle "best practice" per la rendicontazione e la visualizzazione dei risultati scientifici in modo chiaro e riproducibile.

Il corso è pensato per principianti e non richiede alcuna conoscenza pregressa di programmazione o informatica. Alla classe è richiesta una conoscenza base dell'uso del computer (gestione dei file e navigazione web) e una buona comprensione dell'algebra e della statistica a livello scolastico per interpretare le tendenze dei dati. È utile una familiarità generale con i concetti biomedici, poiché tutti gli esempi e i progetti saranno basati su contesti di dati biologici.

Didattica frontale, Esercitazioni in aula

La classe è invitata ad iscriversi al corso sulla piattaforma Moodle per poter accedere al materiale didattico. Le studentesse e gli studenti con disabilità o con Disturbi Specifici dell’Apprendimento (DSA) o con Bisogni Educativi Speciali (BES) possono richiedere servizi e strumenti specifici a loro dedicati rivolgendosi allo Staff Sviluppo e Coordinamento Carriere e Servizi alle Studentesse e agli Studenti e consultando la pagina dedicata del sito di Ateneo: https://uniupo.it/it/servizi/servizi-studenti-disabili-e-dsa Le studentesse e gli studenti con disabilità, DSA, BES, una volta preso contatto con lo Staff di Ateneo, possono contattare la/il docente titolare dell'insegnamento in relazione alla declinazione delle modalità di esame, in merito agli aspetti didattici.

La valutazione finale sarà fatta in modalità congiunta con il modulo di Data Management.
L'esame valuta le competenze attraverso una prova scritta obbligatoria e la consegna di un progetto facoltativo.
La prova scritta si svolge il giorno dell'appello e si articola in un quiz con domande di difficoltà variabile corrispondenti a diversi livelli di punteggio per un totale di 28. Il massimo dei voti lo si può raggiungere se, superato lo scritto con almeno 26, si comunica ai docenti l'intenzione di svolgere anche un progetto in Python o R (a scelta).

  Il raggiungimento di 18-20 garantisce la sufficienza e attesta la comprensione minima della teoria della gestione dei dati e dell'informatica.
Il raggiungimento di 21-23 attesta una competenza intermedia dei principi della gestione dei dati e dell'informatica.
Il raggiungimento di 24-26 dimostra la capacità di applicare i principi della gestione dei dati, dell'informatica e della programmazione.
 Il raggiungimento di 27-28 dimostra la capacità di applicare in modo ottimizzato principi della gestione dei dati, dell'informatica e della programmazione.
 Il raggiungimento di 29-30 è riservato a coloro che, superata la prova scritta con un voto minimo di 26, desiderano sviluppare un progetto completo in Python o in R da concordare con i docenti. Il progetto include l'analisi di un dataset che sarà assegnato dei docenti.
 L'eccellenza (30 e Lode) è riservata a chi, oltre al massimo dei voti nello scritto e nel progetto, presenti un progetto impeccabile che dimostri totale autonomia da parte dello studente o della studentessa nello sviluppo e nell'analisi dei dati forniti.

1. Architettura dei Computer e Rappresentazione dei Dati 1a. Il Livello Hardware: Come interagiscono CPU, RAM e archiviazione (Storage) durante l'elaborazione dei dati. 1b. Sistema Binario e Logica: Come le informazioni biologiche (come le sequenze di DNA) vengono tradotte in 0 e 1. 1c. Gestione della Memoria: La differenza tra memoria volatile (RAM) e archiviazione permanente (SSD/Cloud). 2. Sistemi e Reti 2a. Sistemi Operativi (OS): Il ruolo del kernel e dei file system nell'organizzazione dei dati di ricerca. 2b. Internet e API: Come funziona il "Cloud". Capire come richiedere dati a server biomedici remoti (come l'NCBI) utilizzando il protocollo HTTP. 2c. Ambienti Virtuali: Introduzione ai Jupyter Notebook e a Google Colab come stazioni di lavoro per la ricerca. 3. Logica di Programmazione con Python 3a. Fondamenti: Variabili, tipi di dati (Interi, Float, Stringhe) e aritmetica di base. 3b. Flusso di Controllo: Uso delle istruzioni if per il processo decisionale e dei cicli for per elaborare liste di record di pazienti. 3c. Pensiero Funzionale: Scrivere funzioni di base per rendere il codice riutilizzabile su diversi dataset. 4. Manipolazione dei Dati e Analisi Matriciale 4a. NumPy: Capire la "Vettorizzazione" — perché il calcolo è più veloce quando eseguito su interi array contemporaneamente. 4b. Pandas: Apprendere la struttura "DataFrame". Come caricare, filtrare e raggruppare dati clinici tabulari. 4c. Pulizia dei Dati (Data Cleaning): Gestire i valori mancanti (NaN) e correggere gli errori dei sensori nei risultati sperimentali. 5. Scienza dei Dati e Visualizzazione 5a. Analisi Esplorativa dei Dati (EDA): Utilizzare .describe() e .groupby() per individuare tendenze in popolazioni biologiche. 5b. Visualizzazione con Seaborn/Matplotlib: Creare istogrammi, grafici a dispersione (scatter plot) e diagrammi a scatola (boxplot). 5c. Reporting Riproducibile: Best practice per documentare codice e risultati, permettendo ad altri scienziati di verificare le scoperte.

Conoscenza e Comprensione: Comprendere i principi fondamentali della rappresentazione dei dati nell'hardware e le basi logiche per la trasformazione di variabili biomediche grezze in formati strutturati. Capacità di Applicare Conoscenza e Comprensione: Eseguire operazioni essenziali di pulizia e trasformazione su dataset biomedici utilizzando Python, inclusa la capacità di filtrare errori sperimentali e calcolare aggregati statistici di base. Autonomia di Giudizio: Valutare la qualità dei dati biologici identificando problemi comuni come outlier o valori mancanti, e selezionare le procedure standard più idonee per la loro gestione. Abilità Comunicative: Presentare chiaramente i risultati analitici attraverso visualizzazioni scientifiche appropriate (come bar chart e scatter plot) e documentare i passaggi dell'analisi nei Jupyter Notebook per garantire la riproducibilità dello studio. Capacità di Apprendimento: Sviluppare un'autonomia iniziale nell'orientarsi tra i moderni strumenti digitali, come le librerie Python e le piattaforme in Cloud, per la gestione di database biomedici.