Course Syllabus
Obiettivi
Fornire un quadro completo e aggiornato dell'uso di Big Data Analytics nel settore della Fisica.
Contenuti sintetici
Il Laboratorio intende fornire esempi dettagliati ed aggiornati dell'uso dei Bg Data Analytics nella ricerca in Fisica, con introduzione teorica alle varie metodologie, esempi su dati reali e possibilità di analizzarte in profondità casi concreti.
Programma esteso
1) Introduzione ai Bg Data nella Fisica delle Particelle e in Astrofisica.
2) Introduzione a Python e Jupiter Notebook.
3) Pandas dataframe e librerie per l'analisi dati.
4) Le tecniche di regressione applicate alla ricerca in Fisica.
5) I Decision Tree nella ricerca in Fisica.
6) Clusterizzazione e classificazione nell'analisi dati in Fisica
7) Le serie storiche nella ricerca in Fisica.
8) Le reti neurali nell'analisi di dati in Fisica.
Prerequisiti
Conoscenza iniziale di Python.
Modalità didattica
Lezioni frontali e sessioni di laboratorio. Nel periodo di emergenza Covid-19 le lezioni si svolgeranno in modalità mista: parziale presenza e lezioni videoregistrate.
Materiale didattico
Periodo di erogazione dell'insegnamento
Secondo semestre.
Modalità di verifica del profitto e valutazione
Esame orale. Discussione di esercizi assegnati nel corso del laboratorio. Nel periodo di emergenza Covid-19 gli esami orali saranno solo telematici. Verranno svolti utilizzando la piattaforma WebEx e nella pagina e-learning dell'insegnamento verrà riportato un link pubblico per l'accesso all'esame di possibili spettatori virtuali.
Orario di ricevimento
Su appuntamento.
Aims
Provide a complete and updated picture of the use of Big Data Analytics in the Physics sector
Contents
The Laboratory intends to provide detailed and updated examples of the use of Bg Data Analytics in Physics research,
with a theoretical introduction to the various methodologies, examples of real data and the possibility of analyzing concrete cases in depth.
Detailed program
1) Introduction to Bg Data in Particle Physics and Astrophysics.
2) Introduction to Python and Jupiter Notebook.
3) Pandas dataframe and libraries for data analysis.
4) Regression techniques applied to research in Physics.
5) Decision Trees in Physics research.
6) Clustering and classification in data analysis in Physics
7) Time series in Physics research.
8) Neural networks in data analysis in Physics.
Prerequisites
Basic knowledge of Python.
Teaching form
Frontal lessons and practical laboratory sessions. During the Covid-19 emergency period, lessons will take place in mixed mode: partial attendance and videotaped lessons.
Textbook and teaching resource
Slides and additional material in english will be provided to students.
Semester
Assessment method
Oral exam. Discussion of exercises proposed during the laboratory sessions. During the Covid-19 emergency period, oral exams will only be online. They will be carried out using the WebEx platform and on the e-learning page of the course there will be a public link for access to the examination of possible virtual spectators.
Office hours
On appointment.