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
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
Esercitazioni in laboratorio
I fogli di calcolo per l’elaborazione dei dati
Strutture dati e ragionamento algoritmico
Elementi di programmazione in Python
Elementi di statistica descrittiva ed inferenziale con R