All courses have their Moodle page where I put all information for students.
Dipartimento: Dipartimento di Matematica
Docenti: Alessandra Bernardi
Contenuti del corso: Basi di Groebner: algoritmo di Buchberger, risolvere equazioni polinomiali in piu' variabili, applicazioni in geometria. Algoritmi per fattorizzare numeri interi in fattori primi: la fattorizzazione di Fermat, il metodo di frazioni continue, e il metodo con curve ellittiche. Algoritmi per fattorizzare polinomi: su campi finiti e su Q. Cenni sull'algoritmo LLL.
Corso di studi: MATEMATICA (LM)
Percorsi: Advanced Mathematics, Cryptography, Teaching and Scientific Communication
Dipartimento: Dipartimento di Biologia Cellulare, Computazionale e Integrata - CIBIO
Docenti: Alessandra Bernardi
Assistenti: Lorenzo Sebastiani
Abstract: Il corso si propone di fornire un'introduzione elementare ai concetti e ai metodi dell'analisi matematica e dell'algebra lineare. Al termine del corso ci si attende che lo studente sia in grado di: - padroneggiare i metodi matematici indispensabili per il corso di laurea - comprendere ed esporre semplici argomentazioni sui concetti di base dell'analisi matematica e dell'algebra lineare - affrontare autonomamente lo studio di ulteriori argomenti di matematica moderna
Corso di studi: Scienze e Tecnologie Biomolecolari (L2)
Percorso: standard
Dipartimento: Dipartimento di Sociologia e Ricerca Sociale
Docenti: Alessandra Bernardi, Vincenzo Galgano
Abstract: Un'introduzione a big data science dal punto di vista della decomposizione tensoriale. Il corso inzierà con esempi concreti di problemi di big data. La parte centrale del corso sarà bastata sulle strutture geometriche per la modellizzazione di problemi di estrazione di informazione da grandi collezioni di dati. Una parte del corso sarà dedicata agli aspetti computazionali. 1. Conoscenza e capacità di comprensione Buona conoscenza degli argomenti di base della decomposizione tensoriale dal punto di vista geometrico e degli esempi concreti di big data. 2. Capacità di applicare conoscenza e comprensione Capacità di ragionamento induttivo e deduttivo nell’affrontare problemi forniti di volta in volta sia individualmente che in gruppo. 3. Autonomia di giudizio Capacità di sviluppare argomentazioni logiche e produrre dimostrazioni corrette. Capacità di individuare i metodi più appropriati per analizzare, interpretare e modellizzare i problemi di estrazione di informazioni da grandi collezioni di dati. 4. Abilità comunicative Capacità di esporre argomenti sia a livello scritto/computazionale tramite svolgimento di esercizi man mano assegnati dall'insegnate sia a livello orale nella possibile esposizione di un argomento svolto a lezione tramite un seminario pubblico.
Corso di studi: Data Science (LM), MATEMATICA (LM)
Percorsi: standard, Mathematics and Statistics for Life and Social Sciences