Informatica
1) Nozioni di base sui calcolatori e sulla codifica dei dati
• Cos’è un computer (architettura di von Neumann)
• Differenza tra hardware e software (software applicativo e di sistema)
• Cos’è un processore e quali istruzioni esegue
• Cos’è la memoria e cosa contiene
• Codifica dell’informazione (rappresentazione dei numeri e dei testi)
• Rappresentazione dell’informazione multimediale
• Visualizzazione e rappresentazione dei dati biologici
• Reti di computer (protocolli di trasmissione dati, Internet, reti locali/globali, metodi di ricerca su web)
2) Pensare in modo algoritmico ed elementi di programmazione
• Definizione di algoritmo
• Dal problema all’algoritmo al programma
• Programmi e linguaggi di programmazione
• Programmazione strutturata e pseudo-codice
• Strutture dati
• Problemi “facili” e problemi “difficili”
• Efficienza degli algoritmi (nozioni di complessità computazionale)
3) Nozioni di Bioinformatica
• Problemi biologici e relative soluzioni informatiche
• Le banche dati biologiche (banche dati primarie, secondarie, specializzate)
• Ricerca in banche dati genomiche: algoritmi di allineamento e tecniche euristiche
• Alcuni problemi “difficili” della Bioinformatica: protein folding, molecular docking
• Nozioni di Biologia Computazionale e Biologia dei Sistemi
• Dalla Biologia all’Informatica: metodi computazionali di ispirazione biologica per la soluzione di problemi “difficili”
4) Basi di dati
• Differenze fra basi di dati e fogli di calcolo
• Database management systems (DBMS)
• Modello relazionale di una base di dati
• Struttura delle banche dati biologiche
Statistica
1) Statistica descrittiva
• Campioni e popolazioni, tipologie di dati e variabili
• Disegno degli esperimenti (cieco, replicazione, strategie di campionamento)
• Il concetto di frequenza (assoluta, relativa, cumulativa)
• Rappresentazione grafica dei dati (istogrammi, diagrammi a torta, diagrammi a dispersione)
• Misure di centralità (media, mediana, moda)
• Misure di dispersione (range, deviazione standard, varianza)
• Misure di posizione (quantili, percentili)
• Analisi esplorativa dei dati (outlier, boxplot)
2) Statistica inferenziale
• Nozioni di teoria della probabilità
• Distribuzioni di probabilità (uniforme, binomiale, normale, Poisson)
• Metodi di stima con un campione (intervalli di confidenza, stima di media e varianza con un campione, distribuzione t di Student, distribuzione chi-quadro)
• Verifica di ipotesi con un campione
• Correlazione e regressione
Laboratorio
• I fogli di calcolo per l’elaborazione dei dati
• Elementi di programmazione
• Elementi di statistica descrittiva ed inferenziale con R
