Vai al contenuto principale
Se prosegui nella navigazione del sito, ne accetti le politiche:
  • Condizioni di utilizzo e trattamento dei dati
Prosegui
x
Se prosegui nella navigazione del sito, ne accetti le politiche:
  • Condizioni di utilizzo e trattamento dei dati
Prosegui
x
e-Learning - UNIMIB
  • Home
  • My Media
  • Altro
Ascolta questa pagina con ReadSpeaker
Italiano ‎(it)‎
English ‎(en)‎ Italiano ‎(it)‎
 Login
e-Learning - UNIMIB
Home My Media
Percorso della pagina
  1. Area di Scienze
  2. Corso di Laurea Triennale
  3. Biotecnologie [E0202Q - E0201Q]
  4. Insegnamenti
  5. A.A. 2021-2022
  6. 1° anno
  1. Informatica
  2. Introduzione
Insegnamento Titolo del corso
Informatica
Codice identificativo del corso
2122-1-E0201Q046
Descrizione del corso SYLLABUS

Syllabus del corso

  • Italiano ‎(it)‎
  • English ‎(en)‎
Esporta

Obiettivi

L'insegnamento si propone di spiegare i concetti base dell’Informatica e della Statistica, con una particolare attenzione alle applicazioni di carattere biotecnologico. Durante l'insegnamento verranno illustrate le relazioni fra le discipline informatiche e le discipline biologiche: la trattazione dei concetti base dell’Informatica sarà affiancata alla spiegazione dell’importanza che tali concetti rivestono per l’analisi di dati biologici (ad es. ricerca in banche dati biologiche, problemi di Bioinformatica, Biologia Computazionale e Biologia dei Sistemi).

1. Conoscenza e capacità di comprensione.

Al termine dell'insegnamento lo studente dovrà sviluppare la capacità di:
- “computational thinking”, al fine di utilizzare in modo appropriato gli strumenti dell’Informatica (algoritmi, metodi computazionali, software) per la soluzione di un dato problema;
- analisi critica relativamente alla scelta dei metodi statistici più adeguati per l’analisi di dati in ambito biologico/clinico, e per l’interpretazione dei rispettivi risultati. 

2. Capacità di applicare conoscenza e comprensione.

Al termine dell'insegnamento lo studente dovrà essere in grado di applicare le conoscenze acquisite al punto 1 per la soluzione di problemi in ambito computazionale e statistico:
- organizzare e trattare automaticamente i dati o risolvere semplici problemi tramite l’utilizzo di fogli di calcolo (esercitazioni in laboratorio);
- sviluppare semplici algoritmi, programmare in linguaggio Python e utilizzare l’ambiente di sviluppo R per analisi statistiche (esercitazioni in laboratorio).

3. Autonomia di giudizio.

Al termine dell'insegnamento lo studente dovrà essere in grado di elaborare quanto appreso, e saper riconoscere le situazioni e i problemi in cui le metodologie informatiche e statistiche apprese possano essere utilizzate.

4. Abilità comunicative.

Al termine dell'insegnamento lo studente dovrà essere in grado di esprimersi in modo appropriato nella descrizione delle tematiche affrontate, con proprietà di linguaggio e sicurezza di esposizione.

5. Capacità di apprendimento

Al termine dell'insegnamento lo studente dovrà essere in grado di consultare la letteratura sugli argomenti trattati, nonché analizzare, applicare, integrare e collegare le conoscenze acquisite con quanto verrà appreso in insegnamenti correlati all’applicazione delle scienze computazionali e statistiche per l’analisi dei dati.

Contenuti sintetici

Informatica:
Nozioni di base sui calcolatori e sulla codifica dei dati.
Algoritmi, computational thinking, ed elementi di programmazione strutturata.
Nozioni di complessità computazionale.
Fondamenti di Bioinformatica, Biologia Computazionale, Biologia dei Sistemi.
Metodi computazionali euristici di ispirazione biologica.

Statistica:
Statistica descrittiva.
Statistica inferenziale.

Esercitazioni in laboratorio:
Fogli di calcolo e ricerche in banche dati biologiche.
Elementi di programmazione in Python e R.

Programma esteso

Informatica

1) Nozioni di base sui calcolatori e sulla codifica dei dati. Com’è fatto e come funziona un computer (architettura di von Neumann, ciclo macchina). Codifica dell’informazione.
2) Pensare in modo algoritmico ed elementi di programmazione. Definizione di algoritmo. Dal problema all’algoritmo, dall’algoritmo al programma. Programmi e linguaggi di programmazione. Programmazione strutturata e pseudo-codice. Problemi “facili” e problemi “difficili”, efficienza degli algoritmi. Fare calcoli con il DNA: l’esperimento di Adleman.
3) Fondamenti di Bioinformatica, Biologia Computazionale e Biologia dei Sistemi. Le banche dati biologiche (banche dati primarie, secondarie, specializzate). Algoritmi di allineamento fra sequenze e tecniche euristiche per ricerche in banche dati. Protein folding, molecular docking. Approcci computazionali per sistemi biologici complessi.
4) Dalla Biologia all’Informatica: metodi computazionali di ispirazione biologica per la soluzione di problemi “difficili”.

Statistica

1) Statistica descrittiva. Campioni e popolazioni, tipologie di dati e variabili Disegno degli esperimenti (cieco, replicazione, strategie di campionamento). Il concetto di frequenza (assoluta, relativa, cumulativa). Rappresentazione grafica dei dati (istogrammi, diagrammi a torta, diagrammi a dispersione). Misure di centralità (media, mediana, moda). Misure di dispersione (range, deviazione standard, varianza). Misure di posizione (quantili, percentili). Analisi esplorativa dei dati (outlier, boxplot).
2) Statistica inferenziale. Nozioni di teoria della probabilità. Distribuzioni di probabilità (uniforme, binomiale, normale, distribuzione t di Student). Metodi di stima con un campione (intervalli di confidenza, stima con un campione). Verifica di ipotesi con un campione. Correlazione e regressione.

Esercitazioni in laboratorio

I fogli di calcolo per l’elaborazione dei dati. Ricerca in banche dati biologiche. Elementi di programmazione in Python. Elementi di statistica descrittiva ed inferenziale con R.

Prerequisiti

Prerequisiti: nessuno.
Propedeuticità: nessuna.

Modalità didattica

Lezioni frontali in aula (40 ore) ed esercitazioni (30 ore), supportate da presentazioni PowerPoint.
Tutta l’attività didattica verrà videoregistrata e resa disponibile tramite la piattaforma Moodle.

Materiale didattico

Slide delle lezioni e delle esercitazioni reperibili sulla pagina Moodle dell'insegnamento.

Testi consigliati:

- M.G. Schneider, J.L. Gersting. Informatica. Algoritmi, architetture, linguaggi, applicazioni. Maggioli Editore - Apogeo Education, 2020
- P.J. Deitel, H.M. Deitel. Introduzione a Python. Per l'informatica e la data science. Pearson, 2020
- M. Helmer Citterich, F. Ferrè, G. Pavesi, C. Romualdi, G. Pesole. Fondamenti di Bioinformatica. Zanichelli, 2018
- M.M. Triola, M.F. Triola. Fondamenti di statistica per le discipline biomediche, Pearson, 2017
- M.C. Whitlock, D. Schluter. Analisi statistica dei dati biologici, Zanichelli, 2010

Periodo di erogazione dell'insegnamento

Primo semestre.

Modalità di verifica del profitto e valutazione

Esame scritto della durata di 2 ore, con 9 domande a risposta multipla e 1 domanda a risposta aperta, riguardanti gli argomenti trattati durante le lezioni frontali e le esercitazioni in laboratorio.

Non verranno svolte prove in itinere.

Orario di ricevimento

Su appuntamento previa richiesta via e-mail a daniela.besozzi@unimib.it

Esporta

Aims

The course will introduce the basic concepts of computer science and statistics, with a particular focus on biotechnology applications. The course will introduce the students to the relationships between computer science and biology by focusing on biological databases, and problems in bioinformatics, computational biology and systems biology.

1. Knowledge and understanding.

The student will gain knowledge about:
- “computational thinking”, in order to critically use concepts and tools of computer science (algorithms, computational methods, software) for the solution of a given problem;
- the choice of the proper sampling and statistical methods, and the interpretation of outcomes in the analysis of biological/clinical data.

2. Applying knowledge and understanding.

The student will be able to apply the knowledge listed in item 1 for the solution of computational and statistical problems:
- organizing and handling biological data in automatic ways (practical skills on the use of spreadsheets);
- development of basic algorithms using Python and R programming languages (hands-on sessions in pc room).

3. Making judgements.

The student will be able to process the acquired knowledge and choose the proper computational/statistical methods for different applications.

4. Communication skills.

Use of an appropriate scientific vocabulary and ability in oral/written reports

5. Learning skills.

Skills in literature reading and understanding, as well as in the elaboration, analysis and application of the acquired knowledge in other courses related to the application of computational and statistical methods for data analysis.

Contents

Informatics:
Introduction to computer science.
Algorithms, computational thinking, and basics of structured programming.
Notions of computational complexity.
DNA computing.
Fundamentals of bioinformatics, computational biology, systems biology.
Bio-inspired meta-heuristics.

Statistics:
Descriptive statistics.
Inferential statistics.

Laboratory:
Spreadsheets and biological databases.
Basic notions of programming in Python and R languages.

Detailed program

Informatics

1) Introduction to computer science. Principles of computer operations (von Neumann architecture, fetch-execute cycle). Data representation.
2) Computational thinking and basics of structured programming. Definition of algorithm. From problems to algorithms, from algorithms to programs. Program languages. Structured programming and pseudo-code. Notions of computational complexity. DNA computing: Adleman’s experiment.
3) Fundamentals of bioinformatics, computational biology and systems biology. Biological databases. Sequence alignment: algorithms and heuristics. Protein folding, molecular docking. Computational approaches for complex biological systems.
4) From biology to computer science: bio-inspired computational methods, and their applications in bioinformatics.

Statistics

1) Descriptive statistics. Introduction to statistics (types of data, collecting sample data). Summarizing and graphing data (frequency distributions, histograms, boxplots). Statistics for describing, exploring and comparing data (measures of center, measures of variation, measures of relative standing).
2) Inferential statistics. Basic concepts of probability. Probability distributions (uniform, binomial, normal, t distribution). Sampling distributions and estimators. Hypothesis testing. Correlation and regression.

Laboratory

Spreadsheets. Searching biological databases. Basic notions of programming in Python and R languages.

Prerequisites

Background: none.
Prerequisites: none.

Teaching form

Classroom lectures (40 hours) and hands-on sessions (30 hours) supported by PowerPoint slides.
All lectures and hands-on sessions will be videorecorded and published on the Moodle platform.

Textbook and teaching resource

All the educational material will be available on Moodle platform.

Textbooks:

- M.G. Schneider, J.L. Gersting. Informatica. Algoritmi, architetture, linguaggi, applicazioni. Maggioli Editore - Apogeo Education, 2020
- P.J. Deitel, H.M. Deitel. Introduzione a Python. Per l'informatica e la data science. Pearson, 2020
- M. Helmer Citterich, F. Ferrè, G. Pavesi, C. Romualdi, G. Pesole. Fondamenti di Bioinformatica. Zanichelli, 2018
- M.M. Triola, M.F. Triola. Fondamenti di statistica per le discipline biomediche, Pearson, 2017
- M.C. Whitlock, D. Schluter. Analisi statistica dei dati biologici, Zanichelli, 2010

Semester

First semester.

Assessment method

Written exam (2 hours), consisting in 9 multiple-choice questions and 1 open question about the topics presented during the classroom lectures and the hands-on sessions. 

No mid-term exams will be scheduled.

Office hours

On demand by e-email to daniela.besozzi@unimib.it

Entra

Scheda del corso

Settore disciplinare
INF/01
CFU
8
Periodo
Primo Semestre
Tipo di attività
Obbligatorio
Ore
70
Tipologia CdS
Laurea Triennale
Lingua
Italiano

Staff

    Docente

  • DB
    Daniela Besozzi
  • CD
    Chiara Damiani
  • Daniele Maria Papetti
    Daniele Maria Papetti
  • Tutor

  • BG
    Bruno Giovanni Galuzzi
  • Andrea Tangherloni
    Andrea Tangherloni

Opinione studenti

Vedi valutazione del precedente anno accademico

Bibliografia

Trova i libri per questo corso nella Biblioteca di Ateneo

Metodi di iscrizione

Iscrizione manuale
Iscrizione spontanea (Studente)

Non sei collegato. (Login)
Politiche
Ottieni l'app mobile
Powered by Moodle
© 2025 Università degli Studi di Milano-Bicocca
  • Privacy
  • Accessibilità
  • Statistiche