Corso di laurea

Scienze Cognitive Computazionali

Università degli Studi Gabriele D'Annunzio · 21 materie · 0 file condivisi

Ecco tutti i dettagli sul corso di laurea selezionato. Sul UniDocs troverai gli appunti condivisi dagli altri studenti del tuo corso di laurea, ordinati per materia. Ricordati che per poter visualizzare il materiale devi essere registrato al sito e possedere un numero di crediti sufficiente.

Sfoglia il materiale didattico

Con UniDocs hai l'opportunità di studiare insieme a tutto il tuo corso di laurea. Guadagna subito dei crediti, carica il materiale del tuo ultimo esame!
Più condividi, più tempo avrai per studiare con tutta la community!

Materie del corso

Artificial Intelligence And Machine Learning 1° anno · 2° semestre · 8 CFU · IBIO-01/A · 0 file

Il corso si propone di fornire conoscenze sulle tecniche di Machine Learning e Intelligenza Artificiale. Lo studente alla fine del corso avrà le conoscenze teoriche degli algoritmi di apprendimento non-supervisionati e…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di fornire conoscenze sulle tecniche di Machine Learning e Intelligenza Artificiale. Lo studente alla fine del corso avrà le conoscenze teoriche degli algoritmi di apprendimento non-supervisionati e supervisionati, con particolare attenzione alle deep neural networks.

Lo studente otterrà le competenze pratiche per analizzare un set di dati attraverso le tecniche di machine learning, in maniera corretta a seconda del tipo dato utilizzato, valutare le prestazioni dell’algoritmo e presentare in maniera chiara, efficace e critica i risultati delle analisi.

Il corso, inoltre, avrà come obiettivo l’insegnamento di alcuni strumenti pratici per applicare e implementare gli algoritmi di machine learning.

Programma

I contenuti dell’insegnamento riguardano le tecniche di machine learning e intelligenza artificiale per l’analisi dei dati. Verranno presentati i principali algoritmi di apprendimento non supervisionato, supervisionato, tra cui le deep neural networks e cenni di modelli per il processamento del linguaggio.

Il corso presenterà anche gli strumenti per valutare le prestazioni degli algoritmi e i metodi per utilizzarli correttamente.

Durante il corso, verranno presentate alcune librerie software basate sul linguaggio di programmazione Python, che implementano gli algoritmi illustrati e che possono essere usate per sviluppare nuovi algoritmi. Tali nozioni verranno impartite anche attraverso delle esercitazioni pratiche per facilitare la comprensione e l’utilizzo delle librerie.

L’insegnamento si compone di 64 ore di didattica frontale, suddivise in lezioni da 2 e 3 ore.

Le lezioni frontali si avvalgono del supporto di diapositive e riguardano aspetti teorici della disciplina.

Inoltre, all’interno del corso sono previste delle esercitazioni pratiche che includono l’applicazione e l’implementazione di alcuni algoritmi presentati durante il corso. Le esercitazioni utilizzeranno esclusivamente il linguaggio di programmazione Python e le principali librerie usate per l’analisi dei dati e il machine learning (scikit-learn, numpy, pandas, pytorch ecc.).

La frequenza è facoltativa ma altamente consigliata.

Modalità d'esame

La verifica dell'apprendimento consiste in due prove: una prova orale e un progetto.

Nello sviluppo di un progetto, lo studente applica i concetti acquisiti durante il corso. Il progetto può essere svolto in gruppo, composto al massimo da tre studenti. Per lo sviluppo dei progetti sono previste periodicamente delle revisioni nelle quali è richiesto agli studenti di mostrare gli obiettivi, lo svolgimento e i risultati del progetto. di una relazione che documenta le attività svolte ed i risultati ottenuti. I progetti sono concordati con il docente.

Le prove possono essere svolte in qualsiasi ordine.

Il voto finale è espresso in trentesimi ed è ottenuto sommando il punteggio del progetto (da 0 a 8 punti) a quello della prova orale (da 0 a 22 punti). Affinché la valutazione finale sia positiva, lo studente deve conseguire almeno 18 punti nella somma delle due prove.

La prova orale è volta a valutare la comprensione degli aspetti tecnici e teorici dei concetti di machine learning e intelligenza artificiale presentati durante il corso.

La valutazione finale attribuita allo studente sarà basata sui seguenti giudizi:


18-22/30 (Sufficiente): Lo studente dimostra una conoscenza dei concetti di base e dei metodi di machine learning fondamentali. Tuttavia, il rigore formale è limitato e sono presenti lacune o incertezze.


23-25/30 (Discreto): Lo studente possiede una discreta padronanza della materia e degli algoritmi. È in grado di esporre correttamente le tecniche apprese durante il corso, dimostrando una comprensione soddisfacente dei concetti fondamentali trattati nel corso.


26-27/30 (Buono): Lo studente mostra una buona padronanza della materia e precisione nel linguaggio tecnico. È capace di affrontare problemi articolati con sicurezza.


28-30/30 (Ottimo): Lo studente dimostra una spiccata capacità di analisi critica, muovendosi con disinvoltura tra gli aspetti teorici e applicativi e organizzando le conoscenze con rigore assoluto. La conoscenza degli algoritmi è approfondita ed espone correttamente anche i limiti di ogni tecnica.


30 e Lode: La lode è riservata agli studenti che dimostrano una particolare brillantezza nel ragionamento, manifestando assoluta autonomia di giudizio e una perfetta padronanza formale della disciplina in ogni sua sfumatura.

Testi di riferimento

I testi di riferimento per il corso sono:

1) Pattern Recognition and Machine Learning - C. Bishop. Springer, 2006.

2) The Elements of Statistical Learning - T. Hastie, J. H. Friedmann, R. Tibshirani. Springer. 2009. In lingua inglese e disponibile online.

3) Deep Learning - I. Goodfellow, Y. Bengio, A. Courville. MIT Press, 2016.

4)Artificial Intelligence: A modern approach - S. J. Russel, P. Norvig. Prentice Hall, 4th Edition.

Materiale didattico fornito dal docente e disponibile online, per la preparazione all’esame e per lo svolgimento del progetto.

Codice insegnamento 29451_688MR-2525_59414_504075

Elementi Di Analisi Del Segnale 1° anno · 2° semestre · 6 CFU · PHYS-06/A · 0 file

Il corso contribuisce alla formazione dello/a studente/essa nell’ambito dell’analisi quantitativa dei segnali biologici e neuroscientifici, fornendo le basi teoriche e operative per descrivere, trasformare, filtrare e…

Scheda dell'insegnamento

Obiettivi formativi

Il corso contribuisce alla formazione dello/a studente/essa nell’ambito dell’analisi quantitativa dei segnali biologici e neuroscientifici, fornendo le basi teoriche e operative per descrivere, trasformare, filtrare e interpretare segnali a tempo continuo e discreto.

Al termine del corso lo/a studente/essa sarà in grado di:

descrivere le principali caratteristiche dei segnali biomedici, con particolare riferimento a segnali ECG, EEG e altri segnali di interesse neuroscientifico;

distinguere segnali continui, discreti, deterministici e aleatori;

applicare serie e trasformata di Fourier all’analisi di segnali semplici;

interpretare energia, potenza, densità spettrale e autocorrelazione;

descrivere il campionamento e i principali effetti legati alla discretizzazione dei segnali;

riconoscere le proprietà fondamentali dei filtri analogici e digitali, FIR e IIR;

applicare le conoscenze teoriche a esempi pratici di analisi di segnali biomedici;

comunicare con linguaggio tecnico appropriato i risultati di semplici analisi nel dominio del tempo e della frequenza.

Programma

Il corso introdurrà le principali tecniche per l’analisi dei segnali di interesse biologico in generale e neuroscientifico in particolare. I metodi e il software per analizzare questi segnali saranno presentati e discussi con esempi pratici.

Sono richieste le conoscenze di base acquisite nel corso di Matematica e Statistica per le Scienze Cognitive. In particolare, sono utili: funzioni elementari, derivate e integrali di base, numeri complessi, elementi di algebra lineare, probabilità e statistica descrittiva. Non sono previste propedeuticità formali, salvo quelle stabilite dal Regolamento didattico del Corso di Studio.

Il corso prevede 48 ore di attività didattica. Le lezioni combinano spiegazioni teoriche, esercitazioni guidate ed esempi pratici di analisi di segnali biomedici e neuroscientifici.

Durante il corso saranno discussi esempi di segnali reali o simulati, con particolare attenzione all’interpretazione nel dominio del tempo e della frequenza.

La frequenza non è obbligatoria ma è fortemente consigliata. Il programma e la modalità di verifica sono gli stessi per studenti frequentanti e non frequentanti.

Modalità d'esame

La verifica dell’apprendimento si svolge mediante esame orale, valutato in trentesimi. L’esame verte su tutti gli argomenti del programma e mira ad accertare:

la conoscenza dei fondamenti teorici dell’analisi dei segnali;

la capacità di applicare tali conoscenze a esempi di segnali biologici e neuroscientifici;

la capacità di collegare gli argomenti del corso, in particolare rappresentazione temporale, rappresentazione in frequenza, campionamento, filtraggio e analisi spettrale;

il rigore metodologico e l’uso appropriato del linguaggio tecnico.

L’esame consiste indicativamente in 2-3 domande, comprendenti almeno una domanda teorica e una domanda applicativa o interpretativa. Il voto finale è espresso in trentesimi. La lode può essere attribuita quando lo/a studente/essa dimostri piena padronanza degli argomenti, capacità di collegamento autonomo e uso preciso del linguaggio scientifico.

Nel dettaglio, verrà assegnata una votazione tra:

1) 18 e 21 se lo/a studente/essa dimostrerà conoscenze e competenze sufficienti negli argomenti del corso;

2) 22 e 25 se lo/a studente/essa dimostrerà conoscenze e competenze buone in tutti gli argomenti del corso;

3) 26-29 se lo/a studente/essa dimostrerà conoscenze e competenze molto buone in tutti gli argomenti del corso e un grado di rigore scientifico più che buono;

4) 30 se lo/a studente/essa dimostrerà conoscenze e competenze ottime in tutti gli argomenti del corso e un elevato grado di rigore scientifico;

5) 30 e lode se lo/a studente/essa dimostrerà eccellenti conoscenze e competenze in tutti gli argomenti del corso e un elevato grado di rigore scientifico, nonché la capacità di fare collegamenti e spaziare rispetto agli argomenti trattati.

Testi di riferimento

Agli/alle studenti/esse verrà fornito materiale didattico sotto forma di dispense, nonché copia delle diapositive discusse durante le lezioni. Tutto il materiale verrà messo a disposizione sulla piattaforma e-learning del corso disponibile all’indirizzo: https://elearning.unich.it/course/view.php?id=2865

Il testo di riferimento principale è:

Teoria dei Segnali

Marco Luise, Giorgio Matteo Vitetta

McGraw-Hill

Il dettaglio delle parti del testo di riferimento che verranno affrontate durante il corso sarà reso disponibile sul canale Teams e sulla piattaforma e-learning del corso.

Codice insegnamento 29451_688MR-2525_59416_504077

Matematica E Statistica Per Le Scienze Cognitive 1° anno · 1° semestre · 7 CFU · MATH-05/A · 0 file

Al termine del corso gli studenti saranno in grado di: comprendere e manipolare insiemi e logica proposizionale; eseguire operazioni aritmetiche e algebriche fondamentali; calcolare limiti e studiare la continuità di…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso gli studenti saranno in grado di: comprendere e manipolare insiemi e logica proposizionale; eseguire operazioni aritmetiche e algebriche fondamentali; calcolare limiti e studiare la continuità di funzioni reali di variabile reale; applicare il calcolo differenziale ed eseguire il calcolo integrale; conoscere e saper implementare le basi dell’algebra lineare; risoluzione analitica e numerica di alcuni tipi di equazioni differenziali ordinarie; applicare nozioni di statistica di base.

Programma

Il corso tratterà i seguenti contenuti teorici, corredati dalla relativa parte numerica: insiemi e logica, operazioni, funzioni, limiti e continuità, calcolo differenziale, calcolo integrale, elementi di algebra lineare, equazioni differenziali ordinarie e nozioni di statistica computazionale.

Equazioni (e disequazioni) di primo grado; equazioni (e disequazioni) di secondo grado

Lezioni frontali ed esercitazioni guidate dal docente in classe.

Modalità d'esame

Prova scritta obbligatoria e prova orale (obbligatoria per prendere un voto superiore a 27). Sono presenti due prove in itinere/parziali.
La valutazione finale attribuita allo studente sarà basata sui seguenti giudizi:
18-22/30 (Sufficiente): Lo studente dimostra una conoscenza dei concetti di base e dei metodi di calcolo fondamentali. Tuttavia, il rigore formale è limitato e sono presenti lacune o incertezze nella giustificazione dei passaggi logici.
23-25/30 (Discreto): Lo studente possiede una discreta padronanza della materia e del linguaggio matematico. È in grado di esporre e applicare correttamente le tecniche risolutive a problemi di media difficoltà, dimostrando una comprensione soddisfacente dei concetti fondamentali trattati nel corso.
26-27/30 (Buono): Lo studente mostra una buona padronanza della materia e precisione nel linguaggio tecnico. È capace di affrontare problemi articolati con sicurezza, giustificando con rigore i procedimenti adottati. Il punteggio di 27/30 rappresenta il limite massimo conseguibile qualora lo studente decida di non sostenere la prova orale.
28-30/30 (Ottimo): Valutazione riservata agli studenti che sostengono anche la prova orale non obbligatoria. Lo studente dimostra una spiccata capacità di analisi critica, muovendosi con disinvoltura tra gli aspetti teorici e applicativi e organizzando le conoscenze con rigore assoluto.
30 e Lode: La lode è riservata agli studenti che dimostrano una particolare brillantezza nel ragionamento anche in sede di prova orale, manifestando assoluta autonomia di giudizio e una perfetta padronanza formale della disciplina in ogni sua sfumatura.

Testi di riferimento

Bramanti, Confortola, Salsa, Matematica per le scienze, Zanichelli. Il docente provvederà inoltre a pubblicare delle dispense. ​​​​​​

Codice insegnamento 29451_688MR-2525_59214_504074

Neurofisiologia 1° anno · 1° semestre · 6 CFU · BIOS-06/A · 0 file

Il corso permetterà allo studente di conoscere i fondamenti della neurofisiologia. Sarà approfondito in maniera particolare il ruolo di integrazione e controllo del sistema nervoso centrale sulle funzioni motorie e…

Scheda dell'insegnamento

Obiettivi formativi

Il corso permetterà allo studente di conoscere i fondamenti della neurofisiologia. Sarà approfondito in maniera particolare il ruolo di integrazione e controllo del sistema nervoso centrale sulle funzioni motorie e sensoriali attraverso un percorso formativo che tenga conto di una analisi degli aspetti cellulari, sistematici, comportamentali e cognitivi del funzionamento del sistema nervoso.

Programma

Il corso tratta di argomenti di neurofisiologia e basi del funzionamento cerebrale. Sono inoltre trattate tematiche generali di neurobiologia e organizzazione funzionale dei sistemi sensoriali e motori. Sono inoltre trattati i sistemi di controllo delle funzioni viscerali e dell'omeostasi corporea.

Lezioni Frontali

Modalità d'esame

A seconda delle necessità formative, possono essere previste prove in itinere per poter rilevare l'efficacia dei processi di apprendimento e di insegnamento.
La verifica finale consiste in un test scritto a risposta multipla .

La valutazione attribuita allo studente sarà basata sui seguenti giudizi:

una conoscenza di base sufficiente ma lacunosa (votazione 18-22/30),

una conoscenza discreta con capacità di illustrare con chiarezza gli argomenti (23-25/30),

buona capacità di illustrare gli argomenti con proprietà di linguaggio e padronanza della materia (26-28/30),

ottima conoscenza della materia muovendosi con disinvoltura da un argomento all’altro contestualizzando eventuali interconnessioni e/o differenze (28-30/30).

La lode è riservata a chi avendo conseguito la votazione di 30/30 nel test scritto sostiene la prova orale facoltativa dimostrando anche particolare interesse e conoscenza degli aspetti funzionali del settore professionalizzante, con elevate capacità comunicative e di apprendimento autonomo.

Testi di riferimento

Purves D. et al Neuroscienze, Ed. Zanichelli

Codice insegnamento 29451_688MR-2525_59212_504078

Neuroscienze Cognitive 1° anno · 2° semestre · 8 CFU · PSIC-01/B · 0 file

L’insegnamento concorre alla realizzazione dell’obiettivo formativo del corso di studi in Scienze Cognitive Computazionali fornendo agli studenti conoscenze avanzate sulle basi neurali delle principali funzioni cognitive…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento concorre alla realizzazione dell’obiettivo formativo del corso di studi in Scienze Cognitive Computazionali fornendo agli studenti conoscenze avanzate sulle basi neurali delle principali funzioni cognitive e affettive, e gli strumenti necessari per comprendere la natura della relazione tra mente e cervello.Al termine del corso, lo studente deve dimostrare di aver acquisito: (conoscenze e capacità di comprensione) la conoscenza e la comprensione dei meccanismi fondamentali alla base delle principali funzioni cognitive e affettive;(capacità di applicare conoscenza e comprensione) la conoscenza e la capacità di comprendere i) le conseguenze delle alterazioni delle principali funzioni cognitive e affettive, sia in ambito neuropsicologico che neurologico; ii) il contributo che l’approccio neurobiologico alla cognizione può apportare nei suddetti ambiti, utilizzando le diverse tecniche di cui dispone;(autonomia di giudizio) la capacità di integrare le conoscenze e gestire la complessità dello studio della relazione tra cognizione umana e cervello, nonchè di saper formulare ipotesi sul funzionamento cognitivo/affettivo fisiologico e patologico a partire da dati comportamentali o di neuroimmagine;(abilità comunicative) la capacità di comunicare in modo chiaro e privo di ambiguità le sue conoscenze e idee sulla relazione tra cognizione umana e cervello a interlocutori specialisti e non specialisti;​​​​​​​

(capacità di apprendere) la capacità di approfondire in modo auto-diretto o autonomo gli argomenti di suo interesse.

Programma

Il modulo affronterà i seguenti argomenti: Introduzione e metodi delle neuroscienze cognitive. Sistemi sensoriali e percezione.Sistema motorio.Attenzione.Memoria.Emozioni e cognizione sociale.Linguaggio.​​​​​​​Funzioni esecutive e processi decisionali. Evoluzione e sviluppo della cognizione.

Considerata la natura multidisciplinare del CdS e la diversa provenienza degli studenti da vari corsi di laurea triennale, che può comportare un bagaglio di conoscenze e competenze non omogeneo, non sono richiesti prerequisiti.

L’Insegnamento è strutturato in 64 ore di attività, suddivise in: i) lezioni frontali da 2 o 3 ore, 2 o 3 volte alla settimana in base al calendario accademico (obiett_form 1 e 2.i); ii) esercitazioni pratiche volte a consolidare le conoscenze teoriche acquisite (obiett_form 2.ii); iii) lavori di gruppo volti a favorire lo sviluppo delle abilità critiche, comunicative e di approfondimento (obiett_form 3, 4, 5).

Modalità d'esame

La prova d’esame consiste in un colloquio orale durante il quale verrà verificato il raggiungimento di tutti gli obiettivi formativi sopra indicati. La valutazione è espressa in trentesimi. I criteri di valutazione includono: l'abilità nell'organizzare la conoscenza in modo discorsivo, la capacità di ragionamento critico e la qualità dell'esposizione, compreso l'uso del lessico specifico della disciplina.

Testi di riferimento

Neuroscienze cognitive. Autori: Dale Purves, Roberto Cabeza, Scott A. Huettel, Kevin S. LaBar, Michael L. Platt, Marty G. Woldorff. Zanichelli.Lo studente è incoraggiato a consultare regolarmente la pagina e- learning dell’insegnamento dove verranno caricate le diapositive delle lezioni e le letture integrative.

Codice insegnamento 29451_688MR-2525_178606_504080

Psicologia Cognitiva 1° anno · 1° semestre · 8 CFU · PSIC-01/A · 0 file

Il corso introdurrà gli studenti allo studio dei processi cognitivi di base, fornendo le basi critiche, storiche e metodologiche necessarie ad inquadrare la psicologia quale disciplina scientifica. Al termine del corso…

Scheda dell'insegnamento

Obiettivi formativi

Il corso introdurrà gli studenti allo studio dei processi cognitivi di base, fornendo le basi critiche, storiche e metodologiche necessarie ad inquadrare la psicologia quale disciplina scientifica.
Al termine del corso gli studenti dovranno essere capaci di:

  • comprendere le caratteristiche dei diversi approcci teorici della psicologia.
  • elaborare e integrare tra loro le conoscenze sul funzionamento della mente e del comportamento.
  • interpretare i protocolli sperimentali utilizzati per lo studio della mente e del comportamento.
  • comunicare in modo chiaro e privo di ambiguità̀ le conoscenze sul funzionamento della mente e del comportamento
  • approfondire in modo autonomo gli argomenti di interesse.

Programma

Il corso fornisce conoscenze e competenze avanzate nell’ambito delle teorie e dei paradigmi di ricerca per lo studio della psicologia cognitiva, fornendo gli strumenti necessari alla comprensione dei processi ed alla pratica nella ricerca applicata. Il corso si compone di due parti. La prima parte, che costituisce il corpo principale del corso, consiste in lezioni frontali con discussione in aula sulle teorie ed i metodi di ricerca nella psicologia cognitiva sperimentale. La seconda parte prevede un laboratorio pratico mirato a fornire la competenza su strumenti avanzati per gestire database. Il laboratorio si svolge nelle aule informatizzate di Ateneo.

Per una proficua partecipazione al corso, è richiesta una preparazione di base coerente con il livello dell’insegnamento, in termini di conoscenze teoriche e metodologiche fondamentali nell’area disciplinare di riferimento.

È inoltre consigliata una buona capacità di comprensione e rielaborazione di testi accademici, nonché un’adeguata familiarità con il lessico specialistico della disciplina.

L’insegnamento si compone di 64 ore di didattica frontale, suddivise in lezioni da 2 e 3 ore.
Le lezioni frontali si avvalgono del supporto di diapositive e riguardano aspetti teorici della disciplina integrati da esemplificazioni pratiche dei principali paradigmi di studio. Inoltre, all’interno del corso è previsto un laboratorio pratico volto ad apprendere le nozioni di base per la gestione di database (15 ore).
La frequenza è facoltativa ma altamente consigliata.

Modalità d'esame

La verifica delle conoscenze acquisite e della loro comprensione e integrazione critica avviene mediante colloquio orale. Il voto è espresso in trentesimi. I criteri di valutazione si basano su: capacità di organizzare discorsivamente la conoscenza, capacità di ragionamento critico e qualità dell’esposizione, incluso l’impiego del lessico disciplinare.
La durata dell'esame è di circa 30 min.
La prova verrà valutata con un punteggio compreso fra 0 e 30 (con eventuale lode). Il voto da 18 a 23 indica un apprendimento sufficiente, il voto da 23 a 28 un apprendimento di buon livello, il voto da 28 a 30 un apprendimento di ottimo livello, il voto "con lode" indica particolari capacità di analisi e ragionamento critico degli argomenti del Corso.
La verifica delle competenze apprese durante il laboratorio pratico si terrà durante l'ultima lezione e sarà mirata a verificare l'aquisizione delle conoscenze apprese durante il laboratorio.Nello specifico:• Studenti frequentanti il laboratorio pratco: Sarà valutata la capacità di gestire e analizzare i dati di un esperimento.• Studenti NON frequentanti il laboratorio pratico: Sarà valutata la capacità di analizzare e discutere criticamente in formato scritto gli articoli oggetto d'esame.Il voto finale corrisponde alla media ponderata delle valutazioni della prova orale e della valutazione della prova pratica.
___
Gli studenti e le studentesse con disabilità, DSA o altri bisogni educativi speciali possono usufruire di un trattamento individualizzato in sede di esame, nel rispetto della normativa e di quanto previsto nella Carta dei Servizi di Ateneo (https://www.unich.it/sites/default/files/2024-02/carta_dei_servizi_0.pdf), previa intesa con il docente della materia. Per richiedere le misure compensative e dispensative è necessario afferire al Servizio CON_TE_STO seguendo la procedura indicata nella Carta dei Servizi. Si invitano gli studenti e le studentesse a prendere contatti con la/il docente durante lo svolgimento delle lezioni, o comunque con largo anticipo rispetto alla data dell’appello, per conoscere le modalità di esame e le misure che sono accettate.Per essere orientati e indirizzati ai diversi servizi offerti dall’Ateneo è possibile contattare il Docente Referente del Dipartimento: Prof.ssa Marcella Brunetti, [email protected]


Su richiesta motivata dello studente o della studentessa incoming nell’ambito di programmi di mobilità internazionale (es. Erasmus+), la prova orale potrà essere sostenuta in lingua inglese, previo accordo con il docente titolare dell’insegnamento.

Testi di riferimento

-Psicologia Cognitiva, R. Revlin, 2014, Zanichelli Ed. (Ad esclusione dei capitoli 7, 12, 13)
-L’Attenzione, F. Stablum 2002, Carocci Ed.
-Ulteriore materiale integrativo obbligatorio costituito da articoli scientifici può essere reperito nella pagina e-learning del corso:

https://elearning.unich.it/course/view.php?id=2850

Codice insegnamento 29451_688MR-2525_59010_504073

Scientific Programming 1° anno · 1° semestre · 9 CFU · IINF-05/A · 0 file

Il corso si propone di fornire conoscenze su linguaggi e tecniche di programmazione, algoritmi e strutture dati utili per il calcolo scientifico e conoscenze di tecniche per l’Apprendimento Automatico (Machine…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di fornire conoscenze su linguaggi e tecniche di programmazione, algoritmi e strutture dati utili per il calcolo scientifico e conoscenze di tecniche per l’Apprendimento Automatico (Machine Learning) e l’Apprendimento Profondo (Deep Learning).

Programma

Il corso si propone di fornire conoscenze su linguaggi e tecniche di programmazione, algoritmi e strutture dati utili per il calcolo scientifico e conoscenze di tecniche per l’Apprendimento Automatico (Machine Learning) e l’Apprendimento Profondo (Deep Learning).Il corso sarà strutturato in due moduli.Nel primo modulo, saranno fornite informazioni sulla struttura del calcolatore e la gestione della memoria. Saranno poi introdotte le basi del linguaggio di programmazione Python e saranno trattate le strutture dati fondamentali. Sarà illustrato l’utilizzo di funzioni, cicli e istruzioni condizionali. Saranno inoltre presentati i concetti di programmazione ad oggetti e programmazione ricorsiva. Saranno fornite informazioni per la gestione del codice, il mining sui dati e la visualizzazione dei risultati.Nel secondo modulo, saranno presentati i concetti fondamentali relativi all’ Apprendimento Automatico ed all’Apprendimento Profondo. Saranno poi presentate le principali tecniche per l’Apprendimento Automatico supervisionato e non supervisionato e le librerie necessarie per lo sviluppo di modelli di regressione e classificazione.Saranno infine presentate le principali architetture delle Reti Neurali Profonde (Deep Neural Network) e le librerie per il loro sviluppo.

Buona conoscenza degli argomenti dei corsi di base di analisi matematica e geometria.

L’insegnamento si compone di 72 ore di didattica frontale, suddivise in lezioni da 2 ore. Le lezioni frontali saranno supportate da diapositive e tratteranno gli aspetti teorici della disciplina.Inoltre, all’interno del corso sono previste delle esercitazioni pratiche.La frequenza alle lezioni è facoltativa ma altamente consigliata.Le slide e altro materiale didattico, saranno disponibili sulla piattaforma e-learning del corso.

Modalità d'esame

La verifica dell'apprendimento consiste in due prove: lo sviluppo di un progetto individuale ed una prova orale.Nello sviluppo del progetto, lo studente applica i concetti acquisiti durante il corso. Il progetto dovrà essere accompagnato da una relazione che documenta le attività svolte ed i risultati ottenuti. I progetti sono concordati con il docente.La prova orale mira a valutare la comprensione degli aspetti tecnici e teorici dei concetti presentati durante il corso.Il voto finale è espresso in trentesimi. Affinché la valutazione finale sia positiva, lo studente deve conseguire almeno 18 punti.

Gli studenti e le studentesse con disabilità, DSA o altri bisogni educativi speciali possono usufruire di un trattamento individualizzato in sede di esame, nel rispetto della normativa e di quanto previsto nella Carta dei Servizi di Ateneo (https://www.unich.it/sites/default/files/2024-02/carta_dei_servizi_0.pdf), previa intesa con il docente della materia. Per richiedere le misure compensative e dispensative è necessario afferire al Servizio CON_TE_STO seguendo la procedura indicata nella Carta dei Servizi.
Si invitano gli studenti e le studentesse a prendere contatti con la/il docente durante lo svolgimento delle lezioni, o comunque con largo anticipo rispetto alla data dell’appello, per conoscere le modalità di esame e le misure che sono accettate.
Per essere orientati e indirizzati ai diversi servizi offerti dall’Ateneo è possibile contattare il Docente Referente del Dipartimento: Prof.ssa Laura Marzetti, [email protected]

Testi di riferimento

E' possibile reperire il materiale didattico sulla piattaforma e-learning al seguente indirizzo:
https://elearning.unich.it/course/section.php?id=25332

Codice insegnamento 29451_688MR-2525_59412_504076

Tecniche Psicometriche E Computazionali Per La Ricerca Cognitiva E Clinica 1° anno · 2° semestre · 8 CFU · PSIC-01/C · 0 file

Al termine del corso, lo/la studente sarà in grado di: Selezionare, progettare e valutare strumenti di misurazione (test, questionari e compiti) per l’osservazione di costrutti psicologici e comportamentali. Progettare…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, lo/la studente sarà in grado di:

  1. Selezionare, progettare e valutare strumenti di misurazione (test, questionari e compiti) per l’osservazione di costrutti psicologici e comportamentali.
  2. Progettare dataset e procedure di acquisizione per dati sperimentali e osservazionali, inclusi dati comportamentali e (a livello introduttivo) neurofisiologici.
  3. Applicare pipeline di analisi dei dati per modellare relazioni tra variabili e testare ipotesi (es. GLM-like models, modelli a effetti misti, analisi di strutture latenti).
  4. Utilizzare simulazioni e strategie di resampling per verificare ipotesi, stimare potenza/campione e valutare la robustezza di pipeline analitiche.
  5. Riconoscere, discutere e mitigare bias metodologici (di misura, campionamento, analisi e reporting), sviluppando un approccio critico alle scelte analitiche.
  6. Interpretare e comunicare risultati scientifici in modo rigoroso, trasparente e riproducibile, includendo visualizzazioni appropriate e report metodologici chiari.
  7. Sviluppare e discutere progetti di ricerca a livello individuale, di gruppo e di classe, integrando teoria, misura, analisi e interpretazione.​​​​​​​

Attività progettuali (Project-based learning)Durante l’anno, la classe svilupperà uno strumento psicometrico su un tema scelto dagli studenti. Il progetto prevede definizione del costrutto, sviluppo degli item, raccolta/simulazione dei dati e validazione. In base alla qualità del lavoro, potrà essere valutata una possibile disseminazione scientifica (ad es. presentazione o sottomissione).Le domande della prova scritta includeranno contenuti relativi al processo di sviluppo e validazione dello strumento realizzato nel progetto di classe.

Programma

Il corso fornisce una formazione avanzata nelle metodologie psicometriche e nei modelli di analisi dei dati applicati alle scienze cognitive e comportamentali, con attenzione all’approccio computazionale.

Verranno approfonditi i processi di costruzione e validazione di strumenti di misura, l’analisi di dati sperimentali e osservazionali, e l’uso di modelli statistici e simulazioni per la verifica delle ipotesi.

Particolare enfasi sarà posta sulla qualità metodologica, sull’identificazione di errori e bias, sulla valutazione critica delle scelte analitiche e sulla capacità di interpretare e comunicare risultati scientifici in modo rigoroso.

Per il corso non è necessario odiare né amare formule, numeri, dati, e grafici. Il docente consiglia l'acquisizione di un sano rispetto verso il mondo numerico. Nozioni base di statistica e programmazione sono propedeutiche. SI PREGA di installare preventivamente il software gratuito JASP e di attivarsi per l'installazione di MatLab.

La frequenza non è obbligatoria ma è ALTAMENTE consigliata.

La didattica di 64 include lezioni frontali, discussione di articoli scientifici, laboratori pratici, esercitazioni, lavori in aula con livelli crescenti di cooperazione.

Testi di riferimento

Slides, testi e articoli messi a disposizione dal docente.

CONSULTARE LA PIATTAFORMA E-LEARNING: https://elearning.unich.it/enrol/index.php?id=2239 ​​​​​​​

Codice insegnamento 29451_688MR-2525_168606_504079

Brain Imaging-Methods And Applications 2° anno · 6 CFU · PHYS-06/A · 0 file

Fornire le basi per la comprensione del funzionamento e delle potenzialità delle principali tecniche di formazione delle immagini del cervello

Scheda dell'insegnamento

Obiettivi formativi

Fornire le basi per la comprensione del funzionamento e delle potenzialità delle principali tecniche di formazione delle immagini del cervello

Programma

Principi fisici e matematici, metodi strumentali e sperimentali ed esempi di applicazioni, delle principali tecniche di formazione delle immagini del cervello dal punto di vista anatomico, fisiologico e metabolico

Fisica e matematica elementari

lezioni frontali, discussione di articoli scientifici, dimostrazioni sperimentali

Modalità d'esame

Esame orale

Testi di riferimento

in corso di valutazione

Codice insegnamento 32239_688MR-2525_59616_504090

Clinical Neuroscience 2° anno · 12 CFU · PSIC-01/B · 0 file

​​​​​​​Il corso concorre al compimento degli obiettivi formativi del corso di studi Magistrale in Scienze Cognitive Computazionali, offrendo agli studenti gli strumenti per la comprensione della relazione tra mente,…

Scheda dell'insegnamento

Obiettivi formativi

​​​​​​​Il corso concorre al compimento degli obiettivi formativi del corso di studi Magistrale in Scienze Cognitive Computazionali, offrendo agli studenti gli strumenti per la comprensione della relazione tra mente, cervello e comportamento in coorti cliniche di individui con danno cerebrale acquisito.
1) Conoscenze e capacità di comprensione
Al termine del corso lo studente sarà in grado di:

conoscere e comprendere i concetti chiave della Neuropsicologia;
conoscere e comprendere i fondamenti teorici e metodologici della moderna correlazione anatomo-clinica, distinguendo tra l'approccio classico di localizzazione e l'approccio network-based ;
conoscere e comprendere i principali disturbi e le sindromi neuropsicologiche trattati nel corso, declinati attraverso lo studio della presentazione clinica, dei modelli interpretativi teorici, delle basi neurali sottostanti e delle relative metodiche di indagine.

2) Conoscenza e capacità di comprensione applicata
Al termine del corso lo studente sarà in grado di:

utilizzare i modelli neuropsicologici teorici di riferimento per l'analisi concettuale e la decodifica dei meccanismi neurali alterati a seguito di lesioni cerebrali;
integrare le conoscenze teoriche sulle sindromi neuropsicologiche con le evidenze scientifiche derivanti dalle tecniche di neuroimaging;
tradurre i costrutti teorici e in competenze concettuali utili a confrontarsi sul piano scientifico, teorico e progettuale all'interno di équipe multidisciplinari di ricerca;

3) Autonomia di giudizio
Al termine del corso lo studente sarà in grado di:

collegare ed integrare le diverse conoscenze neuropsicologiche;
sviluppare idee originali sul modo in cui alcuni disturbi neuropsicologici potrebbero essere studiati mediante, ad esempio, l’approccio incentrato sulla connectomal diaschisis;
approfondire criticamente e autonomamente gli argomenti di maggior interesse attraverso l’analisi della letteratura scientifica;

4) Abilità comunicative
Al termine del corso lo studente sarà in grado di:

esporre con chiarezza i principali modelli teorici e le evidenze scientifiche della disciplina;
comunicare efficacemente e scambiare informazioni complesse relative alle sindromi trattate nel corso all'interno di équipe multidisciplinari in ambito di ricerca;
argomentare criticamente le proprie posizioni sulla base delle evidenze scientifiche disponibili

5) Capacità di apprendere
Al termine del corso lo studente sarà in grado di:

aggiornarsi autonomamente sulla letteratura scientifica internazionale nel settore della Neuropsicologia;
approfondire in modo indipendente le basi neurali e i meccanismi di disconnessione delle sindromi neuropsicologiche trattate nel corso.

Testi di riferimento

Parte I:

Manuale di neuropsicologia. A cura di Giuseppe Vallar e Costanza Papagno (2018). Ed: Il Mulino. Terza edizione. (Capitoli: 1).
Slides del Corso.
Materiale fornito a lezione.

Parte II:

Manuale di neuropsicologia. A cura di Giuseppe Vallar e Costanza Papagno (2018). Ed: Il Mulino. Terza edizione. (Capitoli: 6,10,14,16)
Slides del Corso.
Materiale fornito a lezione.

Codice insegnamento 32239_688MR-2525_59610_504084

Metodi E Strumenti Nelle Neuroscienze Cognitive 2° anno · 6 CFU · PSIC-01/B · 0 file

L'insegnamento concorre alla realizzazione dell'obiettivo formativo del corso di studi in Psicologia, fornendo agli studenti gli strumenti per comprendere le metodologie utilizzate nelle neuroscienze cognitive per lo…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento concorre alla realizzazione dell'obiettivo formativo del corso di studi in Psicologia, fornendo agli studenti gli strumenti per comprendere le metodologie utilizzate nelle neuroscienze cognitive per lo studio anatomico e fisiologico del cervello in vivo e la comprensione della relazione tra cervello, mente e comportamento.Alla fine del corso, gli studenti dovranno saper dimostrare:A. Di aver acquisito conoscenze approfondite e capacità di comprensione riguardo all'utilizzo delle tecniche di indagine nelle neuroscienze cognitive.B. Di essere in grado di elaborare e applicare idee originali, anche in un contesto di ricerca, nel campo delle neuroscienze cognitive.C. Di aver acquisito la capacità di comprendere i protocolli sperimentali più frequentemente utilizzati nelle neuroscienze cognitive e di saper risolvere problemi teorici e pratici che si incontrano nell'utilizzo della tecnologia dedicata allo studio del cervello in vivo.D. Di essere capaci di integrare le conoscenze e gestire la complessità nello studio del comportamento umano, sapendo formulare ipotesi sul funzionamento cerebrale fisiologico e patologico a partire da dati comportamentali o di neuroimmagine.E. Di essere in grado di comunicare in modo chiaro e privo di ambiguità le loro conoscenze e idee sul comportamento umano normale e patologico a interlocutori specialisti e non specialisti.F. Di aver acquisito la capacità di approfondire in modo auto-diretto o autonomo gli argomenti di loro interesse.

Programma

Il corso fornisce una solida formazione teorica e metodologica delle tecniche utilizzate nelle neuroscienze cognitive, con particolare enfasi sulle tecniche di neuroimmagine per lo studio anatomico e fisiologico del sistema nervoso centrale.I contenuti del corso includono:1. Introduzione teorica e metodologica allo studio dell'attività cerebrale2. Tecniche comportamentali e psicofisica3. Tecniche radiografiche (RX, TAC)4. Tecniche di medicina nucleare (PET/SPECT)4. Tecniche di risonanza magnetica (MRI, DTI) 5. Tecniche emodinamiche (fMRI, NIRS)6. Tecniche neurofisiologiche (EEG, MEG)7. Tecniche di stimolazione (TMS, TDCS)

8. Integrazione/Combinazione di tecniche

È necessario che lo studente abbia: > Conoscenze di base sull’anatomia e la fisiologia del sistema nervoso> Nozioni di base sulle funzioni cognitive, percettive, motorie> Elementi di statistica e metodologia della ricerca

> Nozioni base di fisica e analisi del segnale

L’insegnamento è strutturato in 64 ore di didattica frontale, suddivise in lezioni da 2/3 ore, due volte alla settimana, in base al calendario accademico.La frequenza è facoltativa, tuttavia, data la complessità degli argomenti trattati, è vivamente consigliata.Il programma viene esposto tramite lezioni frontali, avvalendosi di slides in Power Point (che vengono messe a disposizione degli studenti) e tramite discussione di articoli scientifici focalizzati sulle diverse tecniche.

Il docente incoraggia la partecipazione attiva e la discussione critica e prepara alcuni brevi test delle conoscenze acquisite in itinere, che però non concorrono per il voto all’esame.

Modalità d'esame

L'esame consiste in un colloquio orale con voto in trentesimi. L’esame è superato con una votazione minima di 18/30. Gli argomenti d'esame riflettono quelli presenti nel programma e le domande saranno elaborate in modo da richiedere l’integrazione delle conoscenze apprese e la riflessione critica sulle stesse. Un uso corretto del lessico disciplinare sarà necessario al superamento dell’esame. Il colloquio, oltre a verificare la conoscenza e la comprensione dei singoli argomenti del programma, verificherà le competenze di cui sopra (cfr. Risultati dell’apprendimento attesi).

Gli studenti e le studentesse con disabilità, DSA o altri bisogni educativi speciali possono usufruire di un trattamento individualizzato in sede di esame, nel rispetto della normativa e di quanto previsto nella Carta dei Servizi di Ateneo (https://www.unich.it/sites/default/files/2024-02/carta_dei_servizi_0.pdf), previa intesa con il docente della materia. Per richiedere le misure compensative e dispensative è necessario afferire al Servizio CON_TE_STO seguendo la procedura indicata nella Carta dei Servizi.
Si invitano gli studenti e le studentesse a prendere contatti con il/il docente durante lo svolgimento delle lezioni, o comunque con largo anticipo rispetto alla data dell'appello, per conoscere le modalità di esame e le misure che sono accettate.
Per essere orientati e indirizzati ai diversi servizi offerti dall'Ateneo è possibile contattare il Docente Referente del Dipartimento: Prof. Mirco Fasolo, [email protected].
Su richiesta motivata dello studente o della studentessa incoming nell'ambito di programmi di mobilità internazionale (es. Erasmus+), la prova scritta e l'eventuale integrazione orale potranno essere sostenute in lingua inglese, previo accordo con i docenti titolari dell'insegnamento.

Testi di riferimento

K. Sacco (a cura di). Neuroimaging per lo studio del cervello umano. II Edizione. Idelson-Gnocchi.

  • Le lezioni in formato pdf e ulteriore materiale didattico (articoli scientifici) sono disponibili sulla piattaforma e-learning del corso

Codice insegnamento 29451_688MR-2525_59624_504088

Neuroimaging Data Analysis 2° anno · 6 CFU · PHYS-06/A · 0 file

1. Conoscenza e capacità di comprensione Lo/a studente/essa acquisirà conoscenze relative ai principi di acquisizione, alle caratteristiche e alle proprietà dei principali segnali di neuroimaging nell’essere umano,…

Scheda dell'insegnamento

Obiettivi formativi

1. Conoscenza e capacità di comprensione
Lo/a studente/essa acquisirà conoscenze relative ai principi di acquisizione, alle caratteristiche e alle proprietà dei principali segnali di neuroimaging nell’essere umano, nonché ai principali approcci analitici e computazionali utilizzati per il loro trattamento.

2. Capacità di applicare conoscenza e comprensione
Lo/a studente/essa sarà in grado di applicare metodi appropriati di elaborazione e analisi a dati di neuroimaging, affrontando esempi e problematiche tipiche e selezionando le procedure più adeguate in relazione alla natura dei dati e agli obiettivi sperimentali.

3. Autonomia di giudizio
Lo/a studente/essa sarà in grado di valutare criticamente le diverse scelte metodologiche effettuate nelle varie fasi dell’analisi dei dati, riconoscendone i limiti e comprendendone le conseguenze sull’interpretazione dei risultati e della funzione cerebrale.

4. Abilità comunicative
Lo/a studente/essa sarà in grado di descrivere in modo appropriato le principali metodologie di analisi dei dati di neuroimaging, illustrando le procedure adottate e interpretando e discutendo criticamente i risultati ottenuti.

5. Capacità di apprendimento
Lo/a studente/essa svilupperà gli strumenti concettuali e metodologici necessari per approfondire autonomamente nuove tecniche di analisi e approcci computazionali applicati al neuroimaging e per aggiornare le proprie competenze in un settore in continua evoluzione.

Programma

Il corso introdurrà diverse tecniche per il neuroimaging umano e le caratteristiche dei dati generati da ciascuna di esse. Inoltre, i metodi e il software per analizzare questa pletora di dati saranno presentati e discussi in relazione alle informazioni che forniscono in termini di funzionamento del cervello umano.

Agli studenti è richiesta la conoscenza delle nozioni di base di matematica per le scienze cognitive, e di elementi di analisi del segnale. La conoscenza di Matlab è anche utile.

Il modulo consta in 48 ore di lezione frontale, tenute nei giorni definiti nel calendario didattico.

La didattica frontale comprende lezioni teoriche integrate da esempi applicativi. Durante l’insegnamento sono proposti agli studenti anche alcuni casi tipici da trattare collegialmente in aula.

La frequenza è facoltativa, consigliata, e la prova finale sarà uguale per studenti frequentanti e non frequentanti.

Modalità d'esame

La verifica della preparazione degli studenti avverrà con una prova in itinere basata su una presentazione di articoli suggeriti dagli studenti e concordati preventivamente con al docente. Per la prova, i punti totali a disposizione (30) saranno suddivisi equamente sulla base di indicatori di: 1.correttezza formale, 2.ricchezza di contenuti e 3.rigore nell'esposizione ivi compresa l'appropriatezza del linguaggio tecnico. Il punteggio finale sarà dato dalla somma dei punteggi parziali. Qualora gli studenti/ le studentesse non sostenessero o superassero la prova in itinere la prova finale consterà in un elaborato scritto sugli argomenti del corso seguito da un approfondimento orale.
I risultati della prova in itinere o scritta saranno comunicati sulla pagina e-learning del corso, così come il calendario della prova orale.
Gli argomenti oggetto della prova finale nel suo complesso rifletteranno quelli trattati durante l'insegnamento e presenti nel programma, elaborati in modo da portare gli studenti a riflettere sui collegamenti tra i vari argomenti trattati. Al fine del superamento dell'esame lo /la studente/essa dovrà dimostrare la conoscenza di tutti gli argomenti del programma del corso.

Nel dettaglio, verrà assegnata una votazione tra:

1) 18 e 21 se lo/a studente/essa dimostrerà conoscenze e competenze sufficienti negli argomenti del corso, con particolare riferimento alle caratteristiche spazio-temporali dei dati misurati tramite differenti tecniche;

2) 22 e 25 se lo/a studente/essa dimostrerà conoscenze e competenze buone in tutti gli argomenti del corso;

3) 26-29 se lo/a studente/essa dimostrerà conoscenze e competenze molto buone in tutti gli argomenti del corso e un grado di rigore scientifico più che buono;

4) 30 se lo/a studente/essa dimostrerà conoscenze e competenze ottime in tutti gli argomenti del corso e un elevato grado di rigore scientifico;

5) 30 e lode se lo/a studente/essa dimostrerà eccellenti conoscenze e competenze in tutti gli argomenti del corso e un elevato grado di rigore scientifico, nonché la capacità di fare collegamenti e spaziare rispetto agli argomenti trattati.

Gli studenti e le studentesse con disabilità, DSA o altri bisogni educativi speciali possono usufruire di un trattamento individualizzato in sede di esame, nel rispetto della normativa e di quanto previsto nella Carta dei Servizi di Ateneo (https://www.unich.it/sites/default/files/2024-02/carta_dei_servizi_0.pdf), previa intesa con il docente della materia. Per richiedere le misure compensative e dispensative è necessario afferire al Servizio CON_TE_STO seguendo la procedura indicata nella Carta dei Servizi.
Si invitano gli studenti e le studentesse a prendere contatti con la/il docente durante lo svolgimento delle lezioni, o comunque con largo anticipo rispetto alla data dell’appello, per conoscere le modalità di esame e le misure che sono accettate.
Per essere orientati e indirizzati ai diversi servizi offerti dall’Ateneo è possibile contattare il Docente Referente del Dipartimento: Prof.ssa Marcella Brunetti.

Testi di riferimento

Agli/alle studenti/esse verrà fornito materiale didattico sotto forma di slides e letteratura scientifica aggiornata relativa gli argomenti del corso che verranno messi a disposizione sul canale Teams e sulla piattaforma e-learning del corso.

Testi di riferimento per alcune parti del programma sono:

Neuroimaging. Per lo studio del cervello umano. Katiuscia Sacco

Analisi e modelli di segnali biomedici. Luigi Landini, Nicola Vanello
Analyzing Neural Time Series Data: Theory and Practice, Mike X Cohen

MATLAB for Brain and Cognitive Scientists, Mike X Cohen

Il dettaglio delle parti dei testi di riferimento che verranno affrontate durante il corso sarà reso disponibile sulla piattaforma e-learning del corso.

Codice insegnamento 32239_688MR-2525_59618_504089

Progettazione E Analisi Socio-Comportamentale 2° anno · 6 CFU · GSPS-07/B · 0 file
Prova Finale 2° anno · 16 CFU · 0 file
Stage/Tirocini 2° anno · 10 CFU · 0 file
Tirocini Formativi E Di Orientamento 2° anno · 4 CFU · 0 file
Choice Architecture,Persuasion And Nugging 1° semestre · 8 CFU · M-PSI/05 · 0 file
Economia E Rischio Clinico 10 CFU · 0 file
Innovazione Cognitiva, Lean E Processi In Sanita' 1° semestre · 6 CFU · SECS-P/07 · 0 file
Standard For Health Data Security 1° semestre · 8 CFU · SPS/12 · 0 file
Standards For Health Data Security 6 CFU · SPS/12 · 0 file

Recensioni del corso

Studi qui? Accedi per lasciare la tua recensione e aiutare altri studenti a scegliere.

★

Nessuna recensione per ora — e la prima è la più preziosa. Condividi la tua esperienza e orienta le future matricole.