Guida degli insegnamenti
Syllabus
Partially translatedTradotto parzialmente
DANILO BASILI
Lingua di erogazione: INGLESELessons taught in: ENGLISH
Laurea Magistrale - [SM04] BIOLOGIA MOLECOLARE E APPLICATA Master Degree (2 years) - [SM04] APPLIED AND MOLECULAR BIOLOGY
Dipartimento: [040017] Dipartimento Scienze della Vita e dell'AmbienteDepartment: [040017] Dipartimento Scienze della Vita e dell'Ambiente
Anno di corsoDegree programme year : 2 - Secondo Semestre
Anno offertaAcademic year: 2023-2024
Anno regolamentoAnno regolamento: 2022-2023
Opzionale
Crediti: 3
Ore di lezioneTeaching hours: 24
TipologiaType: D - A scelta dello studente
Settore disciplinareAcademic discipline: ING-INF/05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI
INGLESE
English
Non sono richiesti prerequisiti
No prerequisite are needed
Il corso e’ organizzato in lezioni teoriche ed esercitazioni, entrambe erogate in streaming attraverso il collegamento via Microsoft Teams. La frequenza del corso e' altamente consigliata.
The course is organized in theoretical and practical lessons, both delivered in streaming on the Microsoft Teams platform. The attendance of the course is highly recommended.
Al termine del corso lo studente dovra’ essere in grado di utilizzare l’ambiente statistico R per l’analisi di dati. Nello specifico, dovra’ essere in grado di manipolare matrici di dati in modo da poter estrarre informazioni di particolare rilevanza, di formattare I dati in modo da poter applicare analisi dedicate, creare grafici di alta qualita’ per pubblicazioni scientifiche e dovra’ saper scegliere ed applicare I giusti test statistici per l’analisi dei dati.
Capacità di applicare conoscenze e comprensione.
Attraverso le conoscenze acquisite, gli studenti saranno in grado di sviluppare workflow di analisi dati su misura per rispondere a domande in diversi ambiti scientifici
Competenze trasversali.
Le conoscenze acquisite nonche’ le esercitazioni svolte e l’esame finale, contribuiranno a migliorare il grado di autonomia dello studente e la sua capacita’ di valutare criticamente I dati scientifici.
Knowledge and Understanding.
At the end of the course, the student should be able to use the statistical environment R for the data analysis. More specifically, he should be able to manipulate the data in order to extract relevant information, to format the data for downstream analysis, to create publication-quality graphs and to choose and apply the right statistical method for the analysis of the data.
Capacity to apply Knowledge and Understanding.
Through the knowledge acquired, the students will be able to create tailored data analysis workflow to answer questions spanning multiple fields of Science
Transversal Skills.
The acquired knowledge, as well as the practical lessons and the final examination, will contribute to improve the student’s degree of autonomy and its ability to critically evaluate scientific data
Lezioni frontali:
Rstudio, interfaccia grafica e organizzazione ambiente di lavoro. Tipi di dati e oggetti e loro inizializzazione. Manipolazione dati. Pacchetto tidyverse e dplyr. Loop iterativi. Creazione grafici con R base. Creazione grafici con il pacchetto ggplot. R markdown. Basi di statitistica. Correlazione e regression lineare. Test statistici (t-test, anova) e quando applicarli. R shiny e creazione analisi interattive
Esercitazioni: Verranno forniti esercizi con cui mettere in pratica le conoscenze acquisite e verra’ richiesto di riportare in risultati in un format di pubblicazione scientifica. Le soluzioni verranno fornite al termine dell’esercitazione
Theoretical lessons:
Rstudio, graphic interface and environment set up. Data types, R objects and initialization. Data manipulation. Tidyverse and Dplyr R packages. Iterative loops. Graphic building with R base. Graphic building with ggplot. R markdown. Statistics. Correlation and linear regression. Statistical testing (t-test, anova) and when to use them. R shiny and interactive analysis building
Practical lessons: Exercise to apply the knowledge acquired will be delivered and it will be required to report the results in the format of a scientific publication. The solutions will be shared at the end of the lesson
La valutazione dell’apprendimento viene effettuata mediante un esame pratico. Tale esame prevede diversi esercizi inerenti gli argomenti trattati durante il Corso.
Le modalità di esame per gli studenti con disabilità o disturbo specifico dell'apprendimento (DSA), che abbiano fatto richiesta di supporto all'Info Point Disabilità/DSA dell'Ateneo, saranno adattate secondo quanto previsto dalle linee guida di Ateneo (https://www.univpm.it/Entra/Accoglienza_diversamente_abili)
Criteri di valutazione dell'apprendimento.
Le domande d’esame sono volte ad accertare la conoscenza e la comprensione da parte dello studente degli argomenti trattati durante le lezioni frontali nonche’ della sua capacita’ d eseguire acluni tipi di analisi dati. Inoltre, tali domande permetteranno di valutare la capacità dello studente di riportare i risultati dal punto di vista scientifico
Criteri di misurazione dell'apprendimento.
Il livello di apprendimento è misurato attraverso un voto espresso in trentesimi. L’esame si intende superato quando il voto finale è uguale o maggiore a 18. È possibile l’assegnazione del massimo dei voti con lode (30 e lode).
Criteri di attribuzione del voto finale.
Il voto finale viene attribuito valutando complessivamente I diversi esercizi svolti. La lode può essere attribuita quando il punteggio ottenuto raggiunga il valore di 30 e contemporaneamente lo studente abbia dimostrato piena padronanza della materia.
Learning Evaluation Methods.
The learning assessment is measured by a practical examination. The exam is based on different exercises to be performed in the context of the arguments taught throughout the course.
The method of examination for sudents with disabilities or Specific Learning Disorders (DSA), who have requested support from the info point disabilities/DSA of the University, will be adapted in accordance with the Universty guidelines (https://www.univpm.it/Entra/Accoglienza_diversamente_abili)
Learning Evaluation Criteria.
The examination exercises aim to ensure the student has the knowledge of the topics taught during the lessons as well as its ability to perform data analysis. In addition, those exercises will prove the ability of the student to report results in a scientific context
Learning Measurement Criteria.
The level of learning is measured through a mark expressed out of thirty. The exam is passed when the final grade is equal to or greater than 18. It is possible to assign the highest marks with honors (30 with honors).
Final Mark Allocation Criteria.
The final grade is awarded by evaluating all the various exercise. Honors can be attributed when the score obtained reaches the value of 30 and at the same time the student has demonstrated full mastery of the subject.
Tutti disponibili online:
- An introduction to R. Longhow Lam
- R for Data Science. Hadley Wickham & Garret grolemund
All available online:
- An introduction to R. Longhow Lam
- R for Data Science. Hadley Wickham & Garret grolemund
Le informazioni contenute nella presente scheda assumono carattere definitivo solo a partire dall'A.A. di effettiva erogazione dell'insegnamento. Academic year 2023-2024
Università Politecnica delle Marche
P.zza Roma 22, 60121 Ancona
Tel (+39) 071.220.1, Fax (+39) 071.220.2324
P.I. 00382520427