1. COSA CARATTERIZZA LA CONOSCENZA SCIENTIFICA 1.1 Inferenze deduttive, induttive e abduttive 1.2 Interpretazioni della probabilità 1.3 Spiegazione e previsione 1.4 Cause e meccanismi 1.5 Teorie e modelli 1.6 Esperimenti e simulazioni 1.7 I valori nella scienza 2. RICERCA SCIENTIFICA E BIG DATA 2.1 Definizione dei principali concetti 2.2 “vecchia” e “nuova” intelligenza artificiale 2.3 Come definire i dati 2.4 Correlare e prevedere 2.5 La costruzione dei dati 2.6 Abbiamo ancora bisogno di teorie? 2.7 E di cause? 3. LE DECISIONI ALGORITMICHE 3.1. Profilazione, filtraggio raccomandazione algoritmica 3.2 Ancora il problema dell’induzione 3.3 Opacità epistemica degli algoritmi 3.5 Pregiudizi nascosti 3.6 Decisioni algoritmiche e responsabilità 3.7 Necessità di un approccio condiviso e proposte concrete per realizzarlo

0. Introduzione ad R. 1. Manipolazione dei dati in R. Visualizazione dei dati (elementi di statistica descrittiva). 2. Metodi di generazione dei dati. 3. Statistica Inferenziale (stima puntuale, test di Ipotesi, metodi (non-)parametrici) 4. Introduzione ai processi stocastici (Catene di Markov discrete e continue) 5. Introduzione alla statistica Bayesiana e tecniche MCMC (Monte Carlo Markov Chain) 6. Tecniche di ricampionamento (bootstrap e jackknife). Gli argomenti del corso potranno subire modifiche a seconda delle esigenze didattiche che emergono durante lo svolgimento dello stesso.

MACHINE LEARNING Introduzione al machine learning: apprendimento supervisionato e non supervisionato; Regressione lineare univariata e multivariata, ridge regression; Regressione logistica; Regolarizzazione; Reti Neurali; Valutazione di un sistema ML; Decision Trees; Bayesian Learning; Lazy Learning; Metodi di ensemble learning; Clustering; Riduzione della dimensionalita: PCA; Anomaly detection; Il tool Weka; Le API scikit-learn. DEEP LEARNING Principi teorici dell'Apprendimento Profondo Deep feedforward neural nets Reti convolutive Reti ricorrenti Autoencoder Pre-Training Applicazioni Package implementativi

Il corso si compone di tre parti. Prima parte (6 CFU): - Introduzione ai Big Data: motivazioni, principi e problematiche. - Sistemi per l'acquisizione dei dati. - File system e data store distribuiti. - Sistemi per la gestione di risorse di cluster computazionali. - Sistemi e framework per il processamento di batch di dati. - Sistemi e framework per il processamento di flussi di dati. Seconda parte (3 CFU): - Introduzione al Cloud Computing. - Teoria e pratica su Google Cloud Platform. - Teoria e pratica su Amazon Web Services. - Teoria e pratica su OpenStack. Terza parte (3 CFU): Introduzione alla programmazione in Rust: - Gestione della memoria automatica: ownership, borrowing e lifetime di riferimenti. - Tipi di dato elementari e strutturati. - Gestione degli errori e pattern di programmazione funzionale. - Tipi generici e traits - Multithreading

Basi di dati: introduzione ai principali sistemi di gestione delle basi di dati (DBMS). Viene approfondito il modello relazionale, in particolare sono presentati i principali aspetti teorici ed aspetti più pratici con esempi di progettazione, ponendo attenzione alla qualità dei modelli implementati (es. forme normali). Il corso si articola nelle seguenti parti: Modello Relazionale; Modello Entità-Relazione; Traduzione del Modello ER nel modello Relazionale. Viene inoltre descritta brevemente l'architettura di un DBMS, che viene presentata succintamente seguendo lo schema di descrizione generale a tre livelli di astrazione: esterno, logico e fisico. Vengono introdotte le nozioni di base sugli indici e sulle transazioni. Introduzione al linguaggio SQL per la gestione delle tabelle e per la manipolazione dei dati. Data warehouse: obiettivi e architetture - tecniche per reperire e riconciliare i dati operazionali - linguaggi di query OLAP - modelli e tecniche per l'implementazione del conceptual multidimensional data model in ambito relazionale No-SQL: principali approcci NoSQL (chiave-valore, colonna, documento e grafo): caratteristiche, metodi interrogazione, e criteri di valutazione delle performance.

Concetti di base di logica matematica. Rappresentazione della conoscenza e ragionamento mediante regole logiche, ontologie e knowledge graphs. Ragionamento su vincoli. Risoluzione dichiarativa di problemi. Asnwer Set Programming. Supporto alla decisione: principi generali, acquisizione e rappresentazione della conoscenza, metodi inferenziali. La dimensione temporale: problematiche e metodologie di temporal reasoning. Planning classico e ricerca nello spazio degli stati. Planning gerarchico, planning in contesti non-deterministici.

✓Introduzione al corso: obiettivi formativi e contenuti, metodi didattici, sistema di valutazione dell’apprendimento. ✓ Definizione di azienda quale sistema economico, sociale, aperto, teleologico. ✓ Ambiente generale e specifico ed interrelazioni con il sistema impresa. ✓ I principali equilibri del sistema impresa e le sue caratteristiche. ✓ Le aree funzionali del management: approcci alternativi. ✓ Le aree funzionali del management: caratteristiche, integrative ed altre (pianificazione, controllo e d’informazione). ✓ Le aree funzionali caratteristiche: marketing. ✓ Le aree funzionali caratteristiche: produzione e logistica. ✓Le aree funzionali caratteristiche: ricerca e sviluppo. ✓ Le aree funzionali integrative: organizzazione e personale. ✓ Le aree funzionali integrative: finanza. ✓ Le altre aree funzionali: pianificazione strategica. ✓ Le altre aree funzionali: amministrazione e controllo di gestione. ✓ I principali processi amministrativi. ✓ Il bilancio d’esercizio come sintesi della gestione aziendale: documenti, logica sottostante e capacità informativa. ✓ Le informazioni dello stato patrimoniale. ✓ Le informazioni del conto economico. ✓ Le informazioni del rendiconto finanziario. ✓ La lettura di un bilancio d’esercizio. ✓ I principali indicatori finanziari. ✓ I principali indicatori patrimoniali. ✓ I principali indicatori di redditività. ✓ L’analisi di un bilancio d’esercizio Gli argomenti del corso potranno subire modifiche a seconda delle esigenze didattiche che emergono durante lo svolgimento dello stesso.

INTELLIGENZA ARTIFICIALE: Introduzione e cenni storici sull'AI. Ricerca nello spazio degli stati: ricerca path-based cieca ed euristica. L'algoritmo A*. Algoritmi di miglioramento iterativo: hill-climbing e simulated annealing; Cenni su problemi CSP. Algoritmi per giochi a 2 concorrenti: minimax e alfa/beta pruning. Rappresentazione della conoscenza: cenni su formalismi logici e a regole. Sistemi di Case-Based Reasoning; Conoscenza Incerta: richiami di calcolo delle probabilità. Bayesian Belief Networks (proprietà ed algoritmi) e uso di tool per il loro sviluppo (Genie, Hugin, ecc...). SISTEMI INTELLIGENTI DI SUPPORTO ALLE DECISIONI: Teoria delle decisioni. Utilita’ multi-attributo. Diagrammi di influenza Decisioni one-shot e sequenziali.

Il corso verterà sul nesso tra l'impostazione teorico generale e le nuove impostazioni teoriche. In particolare saranno presi in esame il metodo retorico e le trasformazioni della consuetudine (soft law, governance, best practice, ecc.) in chiave estetico giuridico. Durante il corso saranno affrontati i seguenti argomenti: - teorie dell'umano, del postulano, del trasumano e dell'umanesimo giuridico di fronte alle sfida della robotica; - teorie della consuetudine e metodo retorico nelle fonti del diritto; - contraddittorio e processo; - teoria della consuetudine e del costume e analisi dei big data - tecniche orali e scritte di retorica giuridica e di legal visual argumentation; - robotica giuridica e neuroscienze affettive; - un esperimento di sentiment analysis verrà realizzato durante il corso e ne sarà illustrata la metodologia.

- Fasi principali di una pipeline di data science (KDD process) - Preprocessing - Normalizzazione, standardizzazione, Discretizzazione, Encoding, 1-hot encoding label encoding - Machine learning supervisionato: Regressione Regressione lineare univariata/multivariata Trade-off bias/variance Regolarizzazione Ridge Lasso Validazione modelli Tecniche di validazione Metriche di valutazione MSE, MAE, R2 - Classificazione Modelli: Decision tree Ensemble learning Random forest Boosted trees KNN Regressione logistica Metriche di valutazione Accuracy, precision, recall, Fb score Machine learning non supervisionato: - Clustering Modelli K-means DBSCAN Clustering gerarchico - Metriche di valutazione Intrinseche SSE, silhouette Estrinseche Rand index, Mutual information - Riduzione dimensionalita' PCA Reti neurali: perceptron funzioni di attivazione (sigmoid, tanh e relu) multilayer perceptron Uso: forward propagation e backpropagation con discesa del gradiente. Ottimizzazioni e regolarizzazioni per reti neurali profonde (problema del gradiente instabile). Convolutional neural networks e uso nella computer vision. Transfer learning. Residual neural network. Recurrent Neural Network. Autoencoders. Adversarial Learning. Python Introduzione a NumPy Scikit-learn API scikit-learn Preprocessing (transformers) Classificazione/Regressione/Clustering (estimators) Pipelines Validazione modelli train_test_split, KFold, cross_val_score, cross_val_predict Metriche di valutazione sklearn.metrics.* Selezione modelli ParameterGrid, GridSearchCV, RandomizedSearchCV Utilizzo di Tensorflow e Keras per modelli di deep learning

Informatica di base (2 CFU) - Panoramica sui concetti di base - Architettura di un elaboratore - Rappresentazione dei dati - Logica booleana Reti (4 CFU) - Introduzione alle reti - Il modello ISO/OSI - Il protocollo Ethernet - Il protocollo IP - I protocolli TCP e UDP - Il protocollo HTTP - Le applicazioni web e l'uso dei metodi HTTP - Esempi in Python - Tipologie di sistemi informativi basati su applicazioni web Definizione dei requisiti software (3 CFU) - Ingegneria dei requisiti - Modellazione concettuale con UML - Definizione dei casi d'uso con UML - Definizione delle narrative dei casi d'uso - Licenze del software Sicurezza (3CFU) - Concetti di base della sicurezza informatica - Crittografia - Sicurezza nel web - Sicurezza nelle comunicazioni di rete - Sicurezza nel cloud - Elementi di privacy

Rappresentazione della conoscenza e ragionamento automatico in logica. Risoluzione. Programmazione logica. La programmazione logica a vincoli; l'Answer Set Programming. Problem solving dichiarativo mediante strumenti di programmazione logica e ASP. Logiche descrittive, logiche temporali.

"Information Retrieval: 
liste di posting. 
Costruzione e compressione degli indici. 
Modello a spazi vettoriali. 
Valori di rilevanza. 
Valutazione di un sistema di information retrieval. 
Classificazione di testo. 
Tecniche di clustering. 
Basi di ricerca su Web. 
Crawling ed indicizzazione su Web. 
Analisi basata sui collegamenti.

 Word e document embedding. Scienza delle Reti: 
introduzione alla teoria dei grafi; 
fenomeno dei piccoli mondi; 
hub; 
reti;
dirette e non dirette; 
modelli di rete; 
individuazione di comunità; 
reti dinamiche."

1. Software Security: Vulnerabilities, Attacks, and Countermeasures. 1.1 Buffer Overflow vulnerability and attack 1.2 Return-to-libc attack 1.3 Format String vulnerability and attack 2. Web Security: Vulnerabilities, Attacks, and Coutermeasures 2.1 Same Origin Policy 2.2 Cross-Site Scripting Attack 2.3 Cross-Site Request Forgerty Attack 2.4 SQL-Injection Attack 2.5 Click-Jacking Attack 3. Vulnerability assessment e penetration testing 4. Incident Response: methodologies, techniques, and tools. 5. Digital Forensics 5.1 Digital Evidence: properties and acquisition techniques 5.1: Acquisition of evidence from computers, mobile devices, network devices 5.2: Analysis of digital evidence

Ripasso delle basi di calcolo delle probabilità e statistica necessarie per comprendere i modelli matematici proposti nel corso. Definizione di requisiti non funzionali di sistemi: indici di prestazione e affidabilità. La simulazione ad eventi discreti: principi di base, generazione di numeri casuali realizzazione di variabili casuali, studio in transitorio e a regime di indici di prestazione o affidabilità, prove ripetute e metodo batch, analisi dell’output della simulazione tramite metodi statistici. Validazione di un modello di simulazione. Formalismi: * Formalismi per la descrizione del comportamento di modelli dinamici e stocastici (reti di code, reti di Petri con e senza rappresentazione del tempo, catene di Markov) * Formalismi per lo studio dell’affidabilità dei sistemi, in particolare i Fault tree e loro estensioni. * Definizione di indici di prestazione e affidabilità tramite funzioni di reward. Metodi di analisi: * Catene di Markov: metodi analitici e numerici, simulazione. * Reti di code: analisi operazionale e simulazione. * Reti di Petri (stocastiche): analisi basata sullo spazio degli stati per lo studio qualitativo e quantitativo del comportamento del modello; analisi quantitativa e catene di Markov; simulazione. * Fault tree: analisi basata su metodi combinatori o sullo spazio degli stati (anche per estensioni del formalismo base) Cenni sulla relazione tra Fault Tree e modelli grafico-probabilistici (Reti Bayesiane). * Dimostrazione e sperimentazione in laboratorio di vari strumenti software e sviluppo di un programma simulatore.

Introduzione alla calcolabilità: La prima parte di programma è volta all'acquisizione di tecniche formali e di strumenti per l'analisi e la formalizzazione del concetto di calcolabilità (Macchine di Turing, definizioni formali e funzionamento. Confronto di modelli diversi di macchina. Tecnica di simulazione. Funzioni calcolabili secondo Turing.) Segue una formalizzazione basilare di classi di difficoltà di problemi in base ad aspetti puramente di calcolabilità, senza tenere conto di limiti di risorse (Insiemi ricorsivi e ricorsivamente enumerabili. Enumeratori.). Il discorso prosegue con risultati generali e fondamentali che, nel seguire l'evoluzione storica, forniscono un primo raccordo con il mondo dell'informatica attuale (Tesi di Church, Codifica di macchine di Turing e macchina universale). Seguono risultati negativi che sottolineano i limiti degli strumenti informatici e vengono contestualmente forniti strumenti per l'estensione di tali risultati negativi (Diagonalizzazione, Esistenza di funzioni non calcolabili, Dimostrazioni del fatto che un insieme non è ricorsivo o non è ricorsivamente enumerabile, Indecidibilità, problema dell'HALT, riduzioni e teorema di Rice). Infine, la parte di calcolabilità si conclude rapportando gli strumenti e i risultati appresi, ad aspetti dell'informatica che si usano tutti i giorni o noti agli studenti da altri corsi (Importanza del costrutto "while" nei linguaggi di programmazione, Confronto di macchine di Turing con modelli di calcolo piú deboli (automi a stati finiti e a pila), grammatiche illimitate e dipendenti da contesto e ricorsività). Introduzione alla complessità strutturale: la parte di complessità relativizza l'analisi e la formalizzazione fatte precedentemente, nonché gli strumenti introdotti, ad una situazione piú realistica in cui le risorse sono limitate; si focalizza in particolare sul rapporto tra la difficoltà di problemi, e il significato delle classi di complessità nondeterministiche. (Misure di complessità, modelli e rappresentazione di problemi. Teorema di accelerazione lineare. Macchine di Turing non deterministiche, significato di non determinismo. Le classi P ed NP, problemi in NP, riduzioni polinomiali, NP-completezza, SAT e il teorema di Cook. Complessità in termini di spazio, relazioni tra complessità in termini di spazio e tempo, e spazio non deterministico e tempo; teorema di Savitch. Esistenza di problemi di complessità arbitraria, teoremi della gerarchia e funzioni time e space constructible.)

Il modulo dedicato ai sistemi basati su rappresentazione esplicita della conoscenza affronterà le seguenti problematiche: architetture e caratteristiche generali dei CDSS, sorgenti ed acquisizione di conoscenza, regole decisionali, sistemi per la diagnostica, sistemi per la gestione informatizzata di linee guida cliniche, vocabolari ed ontologie, sistemi per la gestione di clinical trial, analisi di fattori critici e fattori abilitanti per l’adozione pratica di CDSS. Nel modulo sulla conoscenza operativa l’esposizione sarà organizzata in quattro parti: 1. gestione della conoscenza operativa: Case-based Reasoning; soluzioni di Case-based Reasoning avanzate (dati in forma di serie temporali, fuzzy CBR, process-oriented CBR); 2. predizione: classificazione, regressione, serie temporali; metodi matematici, basati su distanze, logici, basati su euristiche; metodi ibridi;3. ottimizzazione: metodi matematici, algoritmi evoluzionistici, ant systems, metodi ibridi; 4. adattamento: tecniche per migliorare le prestazioni del modulo di previsione. Per il modulo di bioinformatica verranno trattati i seguenti argomenti: Introduzione alla biologia cellulare e computazionale. Competenze bioinformatiche essenziali (database, API, framework). Feature Engineering. Data imputation, Dimensionality Reduction, Applicazioni alle metodologie di regressione lineare e logistica a dati biologici. Alberi decisionali, Random Forest ed eXtreme Gradient Boosting per dati biologici. Utilizzo di Hidden Markov Models per l’identificazione di geni codificanti per proteine. Esempi di approcci basati su Deep Learning all’analisi di dati biologici.

Vedi in dettaglio il programma dei singoli moduli dell'insegnamento integrato: applicazioni per la biodiversità; reti metaboliche; modelli microbiologici e genetici

Tecniche di censimento e indici per il monitoraggio ambientale. Generalità su teoria e tecniche di censimento e sul campionamento, affidabilità e precisione delle stime, bilancio precisione/costi. Uso di tecniche di censimento e indici applicati a vari taxa di viventi: invertebrati, pesci, anfibi, rettili, uccelli e mammiferi. Ecologia del paesaggio: il paesaggio come mosaico, il modello patch-corridoio-matrice. Effetto della scala spaziale nelle indagini ecologiche. Le patches: dimensione, confronti LOS e SLOSS. Frammentazione dell’habitat. Effetti su numero di specie, biodiversità, produttività e biomassa, erosione, idrologia. Dimensione ottimale e area minima, genetica in una patch (MVP, popolazione vitale minima). Zone di margine. Corridoi: funzione come habitat, condotti, filtri, source e sink. Matrice: percolamento, caratteristiche ecologiche della matrice. Cartografia: proiezioni cartografiche, sistemi di coordinate geografiche, latitudine-longitudine e sistema UTM. Cartografia italiana e regionale, cartografia tematica, telerilevamento, habitat CORINE. Costruzione di mappe di interesse ecologico. I sistemi GIS, il telerilevamento e sistemi informativi per l’ambiente. GIS: utilizzo di software dedicati. Files vettoriali, gli oggetti: punti, linee, poligoni, aree. I layers, costruzione di mappe tematiche. Files raster: utilizzo e gestione delle immagini raster. Dati genomici ottenuti in laboratorio o ricerca in banche dati (Genbank, Malavi). Software dedicati alla gestione dei dati genomici, alla costruzione di alberi filogenetici, alla visualizzazione delle relazioni tra specie e alla biodiversità animale.

Il metabolismo cellulare e di organismo come funzione energetica. Interrelazioni tre le vie metaboliche: reti metaboliche. Evoluzione delle reti metaboliche nell'organismo umano in relazione alle variazioni dell'ambiente. Differenze fra condizioni fisiologiche e patologiche. Reti di segnalazione, reti nutrizionali e reti neuronali.

Il concetto di biodiversità microbica nei vari ambienti. Le interazioni uomo/microrganismo e microrganismo/ambiente. Definizioni e caratteristiche di microbioma/microbiota. I diversi microbioti dell’organismo umano e le loro connessioni. Metodi utilizzati per analizzare la biodiversità microbica, tra cui tecniche di sequenziamento del DNA, tecniche per la profilazione di comunità microbiche complesse, metagenomica e bioinformatica. Altri esempi di comunità microbiche complesse: i biofilm monospecie e multispecie, metodiche di analisi e meccanismi di ricombinazone genica tra i membri della comunità. Concetti di base e tecnologie per lo studio dell’evoluzione dei genomi e dell’epigenetica.

Contenuti: - Introduzione all'Intelligenza Artificiale moderna e al Deep Learning con alcuni esempi. - Modelli matematici nelle Scienze della Vita. Alcuni esempi in medicina e in System Biology. - Network Medicine e introduzione alla Multiomica. - Modellazione molecolare con alcune applicazioni biomediche e farmaceutiche. - Machine Learning allo screening virtuale di farmaci. Estrazione di caratteristiche per farmaci e proteine bersaglio. - Machine Learning da una prospettiva biologica: alcuni esempi (supervised learning e e regole di Bayes, elaborazione biologicamente ispirata con neuroni a impulsi, strutture simili a alberi nell'apprendimento automatico e nella biologia). Per gli ultimi due argomenti saranno forniti esempi pratici nel linguaggio di programmazione Python.

1- citometria a flusso e le sue applicazioni 2- citometria multiparametrica 3- Cell Sorting e le sue applicazioni 4- Citomica a singola cellula 5- Vescicolomica 6- Citometria di massa applicato ai tessuti

CONOSCENZE: - basi della radiobiologia - nozioni relative alla radiomica e radiogenomica e le loro applicazioni cliniche - nozioni di strumenti di segmentazione delle immagini radiologiche -fondamenti del funzionamento delle diverse apparecchiature utilizzate in radiodiagnostica - indicazioni alla radioterapia e work flow COMPETENZE E ABILITA’: Lo studente sarà in grado di comprendere in modo autonomo e approfondito: - capacità di conoscere le diverse features radiomiche e il loro significato - capacità di utilizzare gli strumenti di segmentazione delle immagini radiologiche - capacità di identificare le lesioni target - capacità di comprendere i fondamenti del funzionamento delle diverse apparecchiature utilizzate in radiodiagnostica

Organizzazione del sistema nervoso. Il neurone. Il potenziale d’azione. Le sinapsi. Il sistema nervoso periferico. Il sistema nervoso centrale. La corteccia cerebrale: organizzazione anatomica, funzionale e plasticità sinaptica. Biofisica del neurone e modelli terorici. Il potenziale di membrana: equazione di Nernst-Planck, equazione di Nernst, equazione di Goldman-Hodgkin-Katz. Il circuito elettrico equivalente di membrana. Proprietà passive di membrana e equazioni di cavo. Il modello di Hodgkin-Huxley. Modelli markoviani per i canali ionici. Modelli Integrate-and-Fire. Tecniche di indagine. Tecniche elettrofisiologiche: la tecnica del patch-clamp. Matrici di multielettrodi (MEA). Microscopia live-imaging. Optogenetica

Ripasso sulle basi della genetica e della genomica. Struttura del genoma, replicazione del DNA, flusso dell'informazione genetica. Polimorfismi e mutazioni del DNA, Tecniche di PCR e sequenziamento: Sanger e Next Generation Sequencing. Applicazioni del Next Generation sequencing: whole exome sequencing, whole genome sequencing e analisi di pannelli (target resequencing). Pipeline di analisi di una corsa di sequenziamento genomico: allineamento, chiamata delle varianti, annotazione. Tecniche di genotipizzazione di polimorfismi noti del DNA. Piattaforme di genotipizzazione. Studi GWAS: tecniche, metodi di analisi. Tecniche di trascrittomica. Epigenetica e analisi di metilazione Conoscenze e capacità di comprensione: - nozioni fondamentali della statistica descrittiva e della presentazione dei dati in ambito biostatistico - logica dell’inferenza statistica (approccio frequentista, distribuzione del campionamento, l’intervallo di confidenza e test di ipotesi). - conoscenza epidemiologica per il disegno di uno studio epidemiologico - conoscenze per comprendere e misurare i fenomeni di salute e di malattia. Capacità di applicare conoscenza e comprensione: - capacità di risolvere semplici problemi statistici servendosi degli strumenti analitici adeguati. - capacità di disegnare un'analisi statistica per affrontare un problema epidemiologico. - capacità di riconoscere e valutare appropriati disegni di studio per rispondere a domande relative alla causalità di malattie, valutarne i possibili errori, punti di forza e debolezza in base alla domanda di ricerca. - capacità di utilizzare software statistici ai fini di analisi statistiche e epidemiologiche. Autonomia di giudizio: - essere in grado di definire l’intero ragionamento scientifico dal quesito di ricerca alla formulazione dell'ipotesi - essere in grado di esprimere giudizi e valutazioni epidemiologiche a partire da dati biologici. - Acquisire gli strumenti per valutare criticamente i risultati di un’analisi statistica e la letteratura epidemiologica. Abilità comunicative: - essere in grado di argomentare i principi di inferenza statistica e delle motivazioni per la scelta di un determinato test statistico. - spiegare i limiti e i vantaggi dei disegni di studio epidemiologico e i loro ambiti di applicazione. - descrivere le fasi della progettazione di una ricerca scientifica, dall’ideazione alla pubblicazione dei risultati. Capacità di apprendimento - apprendere le differenze tra ricerca e ricerca scientifica e nello specifico, le caratteristiche della ricerca epidemiologica nell’ottica della evidence based practice (EBP). 1) Cosa è la ricerca? Stabilire a spiegare relazioni causali fra fenomeni a. ricerca eziologica b. ricerca dei meccanismi c. ricerca di efficacia 2) Perché la Evidence-Based Medicine? 3) Nodi metodologici della valutazione di efficacia 4) Conflitto di interessi e ruolo dell’industria 5) Studi per la valutazione di efficacia a. studi primari b. studi secondari 6) strumenti di disseminazione a. Linee guida (GRADE) b. Point of care services: UPTODATE 7) Revisioni sistematiche di letteratura (vs revisioni narrative) a. Cochrane 8) Ricerca di letteratura a. Medline 9) Estrazione dei dati dai documenti scientifici a. identificare nei report scientifici indicatori utili per l’IA b. estrarre dai report scientifici dati utili per alimentare processi di IA i. patologia o condizione target ii. intervento in valutazione iii. tipo di studio (e validità) iv. misura di associazione v. misure di stabilità statistica

1) Cosa è la ricerca? Stabilire a spiegare relazioni causali fra fenomeni a. ricerca eziologica b. ricerca dei meccanismi c. ricerca di efficacia 2) Perché la Evidence-Based Medicine? 3) Nodi metodologici della valutazione di efficacia 4) Conflitto di interessi e ruolo dell’industria 5) Studi per la valutazione di efficacia a. studi primari b. studi secondari 6) strumenti di disseminazione a. Linee guida (GRADE) b. Point of care services: UPTODATE 7) Revisioni sistematiche di letteratura (vs revisioni narrative) a. Cochrane 8) Ricerca di letteratura a. Medline 9) Estrazione dei dati dai documenti scientifici a. identificare nei report scientifici indicatori utili per l’IA b. estrarre dai report scientifici dati utili per alimentare processi di IA i. patologia o condizione target ii. intervento in valutazione iii. tipo di studio (e validità) iv. misura di associazione v. misure di stabilità statistica

Ripasso sulle basi della genetica e della genomica. Struttura del genoma, replicazione del DNA, flusso dell'informazione genetica. Polimorfismi e mutazioni del DNA, Tecniche di PCR e sequenziamento: Sanger e Next Generation Sequencing. Applicazioni del Next Generation sequencing: whole exome sequencing, whole genome sequencing e analisi di pannelli (target resequencing). Pipeline di analisi di una corsa di sequenziamento genomico: allineamento, chiamata delle varianti, annotazione. Tecniche di genotipizzazione di polimorfismi noti del DNA. Piattaforme di genotipizzazione. Studi GWAS: tecniche, metodi di analisi. Tecniche di trascrittomica. Epigenetica e analisi di metilazione

Breve ripasso su variabili aleatorie, distribuzioni, teoria dell'utilità attesa e decisioni in condizioni di rischio. Costruzione di un portafoglio di asset rischiosi, con e senza la presenza di un titolo risk-free, secondo il criterio media-varianza (Markowitz). Costruzione della frontiera efficiente. Indice di Sharpe. CAPM. Metodi di calcolo dei rendimenti: rendimenti lineari vs rendimenti logaritmici. Principali caratteristiche, proprietà e implicazioni per il calcolo del rendimento di un portafoglio. Introduzione alle principali tipologie di rischi finanziari. Rischio di mercato: criticità, requisiti regolamentari e calcolo del Value at Risk per singoli asset e per un portafoglio di asset rischiosi. Tutti i problemi vengono discussi da un punto di vista teorico, con attenzione alle implicazioni quantitative, e implemementati a titolo di esempio e di esercitazione in Matlab e/o Excel.

1. Introduzione: -Definizione di finanza imprenditoriale e finanza per giovani/piccole e medie imprese. - Definizione, principali applicazioni fintech/modelli di business e importanza del fintech nell'attuale panorama finanziario. -Funding gap ed acquisizione delle risorse finanziarie lungo le fasi del ciclo di vita dell’impresa. 2. Offerta di capitale: -Finanziamento tramite capitale di debito. -Finanziamento tramite capitale di equity: -Venture Capital: fundraising, processo di selezione imprese target e deal structuring, fase di post investment, exit. -Venture Capital: obiettivi e performance di diverse tipologie di VC, ovvero independent VC, corporate VC, governament VC. -Investitori informali: Business Angels e Crowdfunding. 3. Impatti del Fintech: -Cambiamenti nel settore finanziario -Inclusione finanziaria e accessibilità -Nuovi modelli di business -Rischi e sfide 4. Casi di studio (sono elencati di seguito a titolo di esempio due possibili casi di studio): -Valutazione delle imprese target Venture Capital: VC-method -Come strutturare una campagna di Crowdfunding 5. Integrazione della dimensione di genere: focus su female entrepreneurship e gender gap nella domanda e offerta di capitale.

1. Introduzione allo Statistical Learning: problemi di previsione ed inferenza. Supervised e Unsupervised Statistical Learning. 2. Il modello di regressione lineare semplice. Significato e stima OLS dei parametri. Intervalli di confidenza e test di significatività. 3. Il modello di regressione lineare multivariata: stima dei parametri e test di significatività, scomposizione della varianza e test F. Selezione delle variabili: metodi di ricampionamento (CV) e statistiche predittive (AIC, BIC, Cp). Leverage e punti ad alto impatto. Uso di variabili dummy per predittori qualitativi. Modelli con interazioni. Multicollinearità: definizione, effetti ed individuazione (VIF). Normalità dei residui: lettura del QQ-plot. Modelli moltiplicativi e loro linearizzazione. 4. La conjoint analysis classica. Pianificazione dell'esperimento: definizione dei fattori, dei livelli e degli stimoli. Piani fattoriali completi e frazionari. Valutazione dell'utilità: scale Likert. Modello, stimoli parziali e valutazione dell'importanza relativa dei fattori. 5. Classificazione supervisionata. Regola di decisione bayesiana e scelta delle variabili discriminanti. Modello logistico. Odds-ratio e loro relazione con le probabilità a posteriori. Diagnostica di classificazione: matrice di confusione e curva ROC. 6. Unsupervised statistical Learning. Metodi di clustering: metodi di partizionamento (k-means) e clustering gerarchica (metodi di linkage). Dendrogramma e sua interpretazione. 7. Modelli lineari regolarizzati: curse of dimensionality, regressione lineare penalizzata (Ridge regression, LASSO). 8. Ripasso delle regole base delle probabilità (probabilità congiunta, probabilità condizionata). Modelli discriminativi vs. generativi. Indipendenza condizionata. Modello Naive Bayes. 9. Alberi decisionali, information gain (entropia, indice di Gini), ensemble/bagging e random forest. Cenni al boosting.

Parte I Capire i processi di marketing - che cosa è il marketing , comprendere l'evoluzione - progettare la strategia, il ruolo del marketing, il marketing mix Parte II analizzare consumatori e mercati - micro e macro ambiente - la ricerca di marketing PARTE III progettare e gestire il marketing - segmentazione del mercato, targeting, posizionamento e differenziazione - retail e trade marketing - digital marketing PARTE IV IA Valorizzazione delle attività di marketing attraverso un approccio data-driven - principali approcci alla misurazione delle attività di marketing - modelli di attribuzione nel digital marketing

Introduzione agli strumenti derivati. Caratteristiche deicontratti, posizioni lunghe e corte. Opzioni finanziare, caratteristiche di un contratto standard, opzioni call e put, Americane ed Europee, variabili che influenzano il prezzo delle opzioni. Restrizioni sui prezzi delle opzioni, modellizzazione dell'evoluzione del sottostante tramite alberi binomiali. Probabilità neutrali al rischio. Pricing di un opzione tramite modello binomiale. Delta di un opzione. Portafoglio di replica (dinamico). Il caso delle opzioni Americane. Il modello di Black & Scholes. Processi stocastici: generalità, processi in tempo discreto e in tempo continuo. Processi di Markov. Brownian motion. Modelli per il prezzzo e il per il rendimento dei titoli azionari: geometric Brownian motion e arithmetic Brownian motion. Introduzione a metodi di simulazione Monte Carlo: campionamento da una variabile casuale uniforme e inverse transform method. Pricing di derivati tramite Monte Carlo: convergenza dell'algoritmo. Tecniche di riduzione della varianza: anthitetic variates. Cenni di reinforcement learning: SARSA e Q-learning.

1. Storia dell'intelligenza artificiale Durante questo primo incontro verranno presentati i contenuti del corso e delle relative lezioni. La lezione verterà poi sull’esplorazione dei progressi tecnologici che hanno portato, ad oggi, a discutere di nuove forme di intelligenza artificiale. Inoltre, verranno presentate alcune sfide etiche e alcuni dibattiti filosofici emergenti, rispetto allo sviluppo della IA. 2. Creazione di valore sostenibile Durante la lezione verrà approfondito il concetto di management, esplicitando le visioni da questo concetto evocate, sia nel presente che nel passato. Si tratterà di management e di come le prospettive ad esso legate si stiano dirigendo verso direzioni sempre più green, grazie all’attenzione posta nei confronti di bisogni e valori di cui i lavoratori e le aziende si fanno portatori. 3. I portatori di interesse e le relazioni d'impresa Questa lezione mette in evidenza l’importanza di identificare chi sono coloro per cui viene ad essere prodotto valore all’interno delle organizzazioni. Verranno definiti gli stakeholder con cui un’organizzazione può entrare in contatto, oltre alla loro posizione rispetto al nucleo centrale dell’impresa stessa. Inoltre, si cercherà di comprendere come il valore prodotto possa essere distribuito in modo congruo tra gli stakeholder e i vari attori coinvolti. 4. IA ed economia cognitiva La presente lezione cercherà di esaminare le implicazioni economiche dell'IA sul cambiamento strutturale dell'economia, comprese le opportunità di crescita economica, la ridistribuzione delle risorse e le sfide nell'adattamento alle nuove dinamiche del mercato del lavoro. Approfondiremo inoltre le politiche pubbliche e le strategie di regolamentazione necessarie per gestire in modo efficace l'impatto dell'IA sull'economia e sulla società. 5. IA e processi aziendali Durante questa lezione verrà definito come la IA possa supportare i manager nelle decisioni strategiche e operative, allo stesso tempo cercheranno di essere espresse presentate alcune modalità che possono essere utilizzate all’interno delle organizzazioni per velocizzare e facilitare i processi. Nello specifico si farà riferimento alle imprese e ai processi industriali per comprendere quali possano essere gli sviluppi futuri. 6. IA e sanità (con testimonianza) La lezione approfondirà i benefici e le sfide nell’implementazione della IA nel settore sanitario, inclusi i problemi di privacy dei dati, l’equità nell’accesso ai servizi sanitari e l’etica nell’uso dei dati dei pazienti. Verranno inoltre esaminate le nuove opportunità di ricerca e sviluppo nell'ambito della medicina personalizzata e della diagnosi precoce. 7. IA e comunicazione (con testimonianza) La lezione intende esplorare il ruolo della IA nella trasformazione dei media e delle strategie di comunicazione, con specifico riferimento all’area aziendale, evidenziando l’importanza dell’interpretazione corretta dei dati e della gestione di eventuali rischi che potrebbero incorrere. Verrà inoltre trattato il tema relativo alla creazione e distribuzione automatizzata dei contenuti. 8. IA e giornalismo (con testimonianza) La lezione si propone di esplorare il rapporto tra spazio, tempo e identità narrativa, evidenziando come la narrazione sia una forma essenziale di significato e identità. Attraverso il concetto di cronotopo, si analizzerà il ruolo dello storytelling nell’organizzazione della realtà storico-sociale e nella definizione dell’identità umana nell’era della disinformazione e dei social media. 9. IA e Pubblica Amministrazione La lezione si pone l’obiettivo di evidenziare l’importanza fondamentale dell’IA nell'ottimizzazione dei processi, allo stesso modo, verranno presentati i rischi e le sfide etiche nell’uso della IA nella pubblica amministrazione. Tra questi verranno trattati temi come la sicurezza dei dati e la trasparenza. Infine, verranno esplorati i modelli di governance e le partnership pubblico-privato che possono facilitare l’adozione responsabile della IA nei servizi pubblici. 10. L'impresa socialmente orientata e SDGs Nel corso della lezione verranno approfondite le modalità con cui le aziende possono allineare le proprie attività e le proprie strategie aziendali con gli Obiettivi di Sviluppo Sostenibile (SDGs) delle Nazioni Unite, al fine di contribuire al raggiungimento di un impatto sociale, ambientale ed economico positivo. Verranno inoltre analizzate le strategie di business che promuovono l'innovazione sociale e l'impatto positivo sulla comunità. Infine, verrà effettuato un momento di confronto e di sintesi rispetto alle lezioni precedenti. NOTA: i numeri sequenziali delle lezioni sono indicativi e suscettibili di modifica in corso d’opera

Il corso verterà sul nesso tra l'impostazione teorico generale e le nuove impostazioni teoriche. In particolare saranno presi in esame il metodo retorico e le trasformazioni della consuetudine (soft law, governance, best practice, ecc.) in chiave estetico giuridico. Durante il corso saranno affrontati i seguenti argomenti: - teorie dell'umano, del postulano, del trasumano e dell'umanesimo giuridico di fronte alle sfida della robotica; - teorie della consuetudine e metodo retorico nelle fonti del diritto; - contraddittorio e processo; - teoria della consuetudine e del costume e analisi dei big data - tecniche orali e scritte di retorica giuridica e di legal visual argumentation; - robotica giuridica e neuroscienze affettive; - un esperimento di sentiment analysis o di rappresentazione di mappa in VR 360° verrà realizzato durante il corso e ne sarà illustrata la metodologia.

Il corso prende in considerazione il dibattito corrente sulla democrazia. Da un lato, esso è collocato nel quadro della storia del pensiero politico europeo e occidentale, mettendo in luce l’evoluzione dell’idea democratica e delle istituzioni che in cui tale idea si è concretizzata nel corso dell’età moderna e contemporanea (con particolare attenzione per i concetti di Stato, sovranità, popolo, nazione, cittadinanza, rappresentanza, costituzione). Dall’altro lato, il corso mette a fuoco lo sviluppo del modello democratico nell’età globale a cavallo tra XX e XXI secolo, evidenziando le opportunità e i rischi dell’incontro fra democrazia e strumenti digitali. Il corso ricostruirà le origini della cosiddetta “rivoluzione digitale” e gli effetti politici dell’Intelligenza Artificiale.

La prima parte (20 ore) introdurrà per brevi cenni alcune teorie e questioni generali proprie delle discipline sociologiche; essa inoltre si soffermerà su alcuni elementi di sfondo storico relativi all'innovazione digitale e all'intelligenza artificiale. La seconda parte (10 ore) esplorerà aree di interesse nella sociologia digitale e nella sociologia dell'innovazione. La terza parte (20 ore) si dedicherà a probemi e tematiche dell'innovazione e della società digitale e includerà seminari su tipologie e narrazioni dell'innovazione, beni comuni e dinamiche collettive dell'innovazione. La quarta parte (20 ore) affronterà alcuni problemi relativi alla dimensione sociale dell'innovazione, oltre a curare l'identificazione, la formulazione e la discussione delle proposte progettuali.