BIOMETRIA E STUDIO DELLE POPOLAZIONI ANIMALI

Conoscenza e comprensione

•        Le principali tecniche di analisi dei dati biologici (statistica, machine learning, intelligenza artificiale) e i loro ambiti di applicazione in biologia.

•        Come le tecniche analitiche possono essere impiegate per classificazione, predizione e test di ipotesi in contesti biologici.

•        L'ampio spettro di applicazioni delle tecniche di analisi dei dati a sistemi biologici reali da popolazioni naturali (dati morfometrici, ecologici, genetici e genomici).

Capacità di applicare conoscenza e comprensione

•        Esplorare e visualizzare dati biometrici tramite plot (box plot, scatterplot, istogrammi, ecc.).

•        Utilizzare il software R per task di analisi dei dati di bassa difficoltà (utilizzando pacchetti esistenti per effettuare le tecniche di analisi apprese).

•        Comprendere come le tecniche di analisi dei dati e di machine learning siano tipicamente implementate in software ad interfaccia grafica.

• L'insegnamento prevede 6 CFU. Le attività didattiche comprendono lezioni frontali (Didattica Erogativa – DE) e laboratori informatici (Didattica Interattiva – DI).

  Le lezioni frontali sono dedicate alla trattazione dei concetti teorici con esempi pratici, e concorrono all'acquisizione delle conoscenze e competenze metodologiche previste dai risultati di apprendimento attesi.

  I laboratori informatici prevedono l'applicazione pratica delle tecniche di analisi dei dati mediante software (in particolare R), favorendo il coinvolgimento attivo degli studenti e lo sviluppo delle capacità applicative richieste dall'esame finale.

   

  Qualora l'insegnamento venisse impartito in modalità mista o a distanza potranno essere introdotte le necessarie variazioni rispetto a quanto sopra dichiarato, al fine di rispettare il programma previsto e riportato nel presente syllabus.

• Conoscenze di base di biologia animale.
• Conoscenza della lingua inglese (necessaria per la lettura di articoli scientifici e materiali didattici).

Modulo 1: Strumenti biometrici

• Introduzione alla biometria e tipi di dati (morfologici, genetici e ambientali) da popolazioni animali
• Analisi dei dati e biometria: statistica, machine learning e intelligenza artificiale
• Esplorazione e visualizzazione dei dati biologici tramite plot (es., box plot, scatterplot, istogrammi)
• Comparare due gruppi: metodi basati su randomizzazione ed altri approcci
• Modelli lineari generali e loro applicazioni
• Analisi delle componenti principali (PCA)
• Classificazione – Analisi discriminante e classificazione in base alle caratteristiche biometriche
• Quantificare la performance dei modelli di classificazione con la validazione incrociata

• Casi di studio con applicazione di tecniche trattate nel primo modulo
• Applicazioni con utilizzo di dati morfometrici
• Dati ecologici e relative problematiche
• Genetica, genomica e trascrittomica delle popolazioni animali

Non sono previsti testi “adottati” in senso stretto ed il materiale di riferimento principale sarà quello fornito dal docente.

Vengono, comunque, segnalati alcuni testi che possono essere utilizzati per la consultazione e per approfondimenti.

Testi per la consultazione

• Sokal, R.R., Rohlf, F.J. Biometry: The Principles and Practice of Statistics in Biological Research, W.H. Freeman.
• Vu, J., Harrington, D., Introductory Statistics for the Life and Biomedical Sciences. Openintro (disponibile all'indirizzo https://www.openintro.org/book/biostat/)

La valutazione avverrà mediante esame orale teorico-pratico. Potrà essere previsto un test scritto di valutazione intermedia riservato agli studenti frequentanti, le cui modalità e tempistiche verranno comunicate agli studenti durante il corso.

In sede di colloquio orale verranno valutati: la padronanza dei contenuti teorici, la capacità di applicare le tecniche analitiche apprese, la capacità di esporre in modo chiaro e la padronanza del lessico disciplinare.

La verifica dell'apprendimento potrà essere effettuata anche per via telematica, qualora le condizioni lo dovessero richiedere.

A garanzia di pari opportunità e nel rispetto delle leggi vigenti, gli studenti interessati possono chiedere un colloquio personale in modo da programmare eventuali misure compensative e/o dispensative, in base agli obiettivi didattici ed alle specifiche esigenze. È possibile rivolgersi anche al docente referente CInAP (Centro per l'integrazione Attiva e Partecipata — Servizi per le Disabilità e/o i DSA) del proprio Dipartimento (https://www.cinap.unict.it/content/referenti).

1. Descrivere come l'analisi delle componenti principali (PCA) può essere utilizzata per esplorare un dataset biometrico.
2. Spiegare come la validazione incrociata può essere impiegata per testare l'accuratezza dei modelli predittivi basati su machine learning.