CFU
8
Durata
14 Settimane
Semestre DD
Primo
Elaborazione del Segnale: Campionamento del Segnale, Teorema del campionamento, convoluzione, correlazione (settimana 1).
Analisi Spettrale I: La trasformata di Fourier, DFT, FFT, Spettro di Potenza, Fasi (settimana 2-3-4).
Il Rumore: Sorgenti di Rumore, Tipi e Spettri del Rumore, Massimizzazione del Rapporto Segnale-Rumore, Soppressione del Rumore (settimana 5).
Introduzione al Machine Learning con dati astrofisici: PCA, clustering, classification, ARMA (settimana 6-7).
Analisi Spettrale II: wavelets, Metodi Adattivi, EMD (settimana 8-9).
Comunicare la propria ricerca: Come scrivere il report del progetto nel contesto della scrittura di un paper scientifico (settimana 10).
In Laboratorio:
Accesso ai dati: FITS e FITS multipli.
Esempi: Diagramma H-R, dati dalla missione Hubble etc.
La trasformata di Fourier: Spettro di Fourier, Filtri Digitali, Manipolazione dei dati.
Analisi di cubi di dati: Spettri Wavelet, analisi EMD.
OBIETTIVI FORMATIVI:
Lo scopo del corso è fornire agli studenti una panoramica a largo spettro dei vari metodi e tecniche di analisi dati, con un approfondimento per quelli utilizzati nell'astrofisica moderna. In particolare, si studieranno gli aspetti di accesso, gestione, ricostruzione, manipolazione, compressione e trasformazione dell'informazione digitale in dato.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE:
Gli studenti devono raggiungere una approfondita comprensione delle implicazioni delle procedure di digitalizzazione dei dati e degli effetti a queste associati. Devono inoltre raggiungere una buona conoscenza dello stato dell'arte delle tecniche di data analisi, in particolare dei dati provenienti da esperimenti di Fisica o Astrofisica.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:
Gli studenti devono essere in grado di identificare gli elementi essenziali di un data-set fisico, negli aspetti di accesso all'informazione digitale, e della gestione, recupero, manipolazione, compressione e trasformazione dei dati, in particolare di data-set astrofisici. Devono essere in grado di utilizzare e sviluppare algoritmi per il recupero e l'analisi dei dati e per il Machine Learning. Devono essere in grado di comprendere, valutare criticamente e adattare algoritmi esistenti a dati sperimentali nuovi. Devono sviluppare competenze avanzate nella programmazione in Python o altro linguaggio analogo.
AUTONOMIA DI GIUDIZIO:
Gli studenti devono essere in grado di effettuare autonomamente analisi di dati oppure simulazioni numeriche. Sviluppare la capacità di eseguire ricerche bibliografiche sugli argomenti di data analisi o Machine Learning e di selezionare i materiali interessanti, in particolare sul Web. Tali capacita' sono acquisite durante lo studio per la preparazione dell'esame, approfondendo alcuni argomenti specifici anche con la consultazione di articoli su riviste.
ABILITÀ COMUNICATIVE:
Gli studenti devono essere in grado di lavorare in un gruppo interdisciplinare. Essere in grado di presentare la propria ricerca o i risultati di una ricerca bibliografica ad un pubblico sia di specialisti che di profani.
CAPACITÀ DI APPRENDIMENTO:
Gli studenti devono essere in grado di affrontare autonomamente nuovi campi di ricerca nell'analisi dei dati o nel Machine Learning.