Course Syllabus
Obiettivi
Fornire un quadro completo e aggiornato dell'uso di Big Data Analytics nella ricerca in Fisica.
Contenuti sintetici
Il Laboratorio intende fornire esempi dettagliati ed aggiornati dell'uso dei Big 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
-
Introduzione ai Bog Data nella Fisica delle Particelle e in Astrofisica.
-
Introduzione a Python e Jupiter Notebook.
-
Pandas dataframe e librerie per l'analisi dati.
-
Le tecniche di regressione applicate alla ricerca in Fisica.
-
I Decision Tree nella ricerca in Fisica.
-
Clusterizzazione e classificazione nell'analisi dati in Fisica
-
Le serie storiche nella ricerca in Fisica.
-
Le reti neurali nell'analisi di dati in Fisica.
Prerequisiti
Conoscenza iniziale di Python.
Modalità didattica
Lezioni frontali e sessioni di laboratorio in presenza.
Le lezioni frontali sarannio in modalità erogativa, mentre le sessioni di laboratorio saranno in modalità interattiva.
Materiale didattico
Una copia di quanto mostrato e altro materiale in inglese verrà fornito agli studenti.
Periodo di erogazione dell'insegnamento
Secondo semestre.
Modalità di verifica del profitto e valutazione
Esame orale. Discussione di esercizi assegnati nel corso del laboratorio.
Orario di ricevimento
Su appuntamento.
Aims
Provide a complete and updated picture of the use of Big Data Analytics in Physics research.
Contents
The Laboratory intends to provide detailed and updated examples of the use of Big 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
-
Introduction to Big Data in Particle Physics and Astrophysics.
-
Introduction to Python and Jupiter Notebook.
-
Pandas dataframe and libraries for data analysis.
-
Regression techniques applied to research in Physics.
-
Decision Trees in Physics research.
-
Clustering and classification in data analysis in Physics
-
Time series in Physics research.
-
Neural networks in data analysis in Physics
Prerequisites
Basic knowledge of Python.
Teaching form
Frontal lessons and practical laboratory sessions, alla ctivities will be held in presence.
Lessons will be in instructional mode, while laboratory sessions will be in interactive mode.
Textbook and teaching resource
Slides and additional material in english will be provided to students.
Semester
Second semester.
Assessment method
Oral exam. Discussion of exercises proposed during the laboratory sessions.
Office hours
On appointment.