- Di processo
- Gli studenti imparano a strutturare un flusso di analisi dati completo: dalla comprensione del problema biologico alla selezione delle caratteristiche rilevanti, fino alla scelta e applicazione di metodi di clustering. Vengono acquisite capacità di preprocessing dei dati (normalizzazione, selezione dei parametri), valutazione dei risultati (metodo del gomito, interpretazione dei cluster) e utilizzo di strumenti computazionali per l’analisi iterativa e la validazione dei modelli.
- Professionali
- Il corso consente di sviluppare conoscenze di base in biochimica e biologia strutturale, con particolare attenzione alla struttura e funzione delle proteine, agli amminoacidi e al riconoscimento molecolare. Sul piano tecnico, fornisce competenze nell’utilizzo di strumenti di visualizzazione molecolare (come vmd) e introduce all’implementazione e applicazione di algoritmi di machine learning non supervisionato, in particolare il clustering k-means, anche attraverso esercitazioni pratiche e analisi di dataset reali.
- Di sistema
- Il corso sviluppa una visione integrata tra biologia e metodi computazionali, permettendo di comprendere come tecniche di machine learning possano supportare lo studio dei sistemi biologici complessi. Gli studenti acquisiscono la capacità di collegare conoscenze teoriche e applicazioni pratiche nel contesto della bioinformatica, valutando il ruolo del clustering nell’analisi della struttura proteica e nelle potenziali applicazioni, ad esempio nel drug design e nella ricerca scientifica.