Big Data: opportunità e sfide 

Prof.ssa Sonia Bergamaschi 
Università degli Studi di Modena e Reggio Emilia

Sezione di Scienze Fisiche, Matematiche e Naturali
Corso Vittorio Emanuele II, 59, Modena

Giovedì 23 novembre, ore 16:30
Sala dei Presidenti

Abstract intervento:

Big Data è il termine popolare per descrivere la crescita esponenziale, la disponibilità e l’uso di informazione sia di tipo strutturato che non strutturato. Molto si è detto sulle potenzialità dei Big Data in termine di innovazione e crescita per le imprese e la società. Quali sono le sfide tecnologiche ed etiche già vinte, quali quelle da affrontare per trarre valore dai Big data? La relazione ha l’ambizione di provare a rispondere a questo quesito.

Presso Auditorium Ferrari di Maranello.

  • INDUSTRIA 4.0, Relatore: Sonia Bergamaschi (PRESENTAZIONE)
  • ECONOMIA 4.0, Relatore: Oscar di Montigny
  • 880012993 880000126 LocandinaNuoviEr

In occasione della Giornata di formazione finalizzata allo scambio di buone pratiche e analisi delle progettualità in materia di politiche giovanili sul terriotorio regionale, organizzata il giorno mercoledì 27 settembre 2017 a Mirandola, è stato presentato il progeto "Open Linked Data".

Il progetto, iniziato nel 2015 e ancora in essere, ha avuto come obiettivo l'integrazione di sorgenti dati private e open della Pubblica Amministrazione in materia di Politiche Giovanili.

Al seguente link è accessibile la presentazione della MOMIS Dashboard e del progetto Open Linked Data per le Politiche Giovanili .

http://www.dbgroup.unimo.it/presentazioni/Incontro_Mirandola-OpenDataPoliticheGiovanili.pdf

On Tuesday, 12nd September, at the social dinner of RTSI 2017, Giovanni Simonini will receive the prize given from IEEE for the best 2016 PhD Thesis.
For more information visit http://www.computersociety.it/ieee-computer-society-italy-section-chapter-2016-phd-thesis-award/

On Wednesday, 13rd September, Giovanni Simonini will presides as a chair the session "Big Data Integration and IoT for Smart Health Care" at the IEEE RTSI 2017.

On Tuesday, 12nd September, Luca Gagliardelli and Giovanni Simonini had presented "SparkER: an Entity Resolution framework for Apache Spark" at the Young Professional event at the IEEE RTSI 2017

On Tuesday, 12 September, Sonia Bergamaschi presided as a chair the session "Services, Applications and Solutions to Challenging Problems in Smart Healthcare" at the IEEE RTSI 2017.

Assegno di ricerca per lo sviluppo di tecniche predittive sulla gravità della malattia e la variabilità clinica intra- e inter-familiare nelle distrofie muscolari.

Gli interessati sono pregati di contattare la prof. Sonia Bergamaschi

Dettagli:

Le distrofie muscolari sono un gruppo eterogeneo di disturbi ereditari rari che colpiscono principalmente il sistema muscolare, provocando una progressiva debolezza della muscolatura scheletrica, a cui consegue la perdita della possibilita’ di compiere vari movimenti volontari. In alcune forme di distrofia possono essere associati problemi cardiaci e difficolta’ respiratorie o della deglutizione. Ad oggi, sono stati associati alle distrofie muscolari umane oltre 100 geni. Con l'espansione degli studi molecolari e l'aumento del numero di geni è stata osservata una maggiore eterogeneità genetica, con molti geni associati a fenotipi simili o mutazioni in un singolo gene associate a malattie differenti, a volte molto diverse tra loro. L'identificazione dei geni causali ha permesso di capire meglio i meccanismi patogeni delle distrofie muscolari, e ha consentito indirettamente la definizione e il miglioramento delle linee guida cliniche di consenso e di armonizzazione degli standard di cura. Di conseguenza, è stato possibile definire misure per la prevenzione anticipata e la gestione delle complicazioni, e pianificare un follow-up più efficace. Combinati con conoscenze più profonde nei meccanismi della malattia, tutti questi risultati hanno fornito nuovi approcci di trattamento. Tuttavia, le limitazioni nella diagnosi molecolare delle distrofie muscolari rimangono elevate. Fino ad ora i tentativi di predire la gravità della malattia e la variabilità clinica intra- e inter-familiare nelle distrofie muscolari (come nella distrofia facio-scapolo-omerale, FSHD) sono state frustranti. Ad esempio, nelle famiglie FSHD c'è una percentuale elevata (tra il 20 e il 50%) di portatori asintomatici e in alcune famiglie la malattia appare solo in una sola generazione o è osservata in singoli casi sporadici. Gli studi di popolazione suggeriscono che sono necessari altri fattori per spiegare l'insorgenza della FSHD e la variabilità dello spettro clinico.

 

Il progetto mira a sviluppare nuovi strumenti bioinformatici per l’elaborazione avanzata dei dati fenotipici e molecolari. I metodi attuali di analisi e la bioinformatica monodimensionale non possono fornire risposte fenotipiche adeguate dall'analisi dei dati molecolari. Il raggruppamento di dati molecolari e clinici in un'infrastruttura bioinformatica unica e la loro elaborazione con tecniche di machine learning potrebbe rappresentare una soluzione innovativa che porti ad una descrizione clinica ed una diagnosi più accurate. Sulla base di questa idea, il progetto mira a sviluppare una soluzione multi-layer e gerarchica per l'analisi di dati di grandi dimensioni, in modo da poter superare i limiti attuali degli strumenti software a dimensione singola per la previsione. Nella prima parte del progetto saranno studiati i database disponibili che raccolgono dati molecolari e clinici di pazienti. Sarà poi affrontata l'implementazione di tecniche di machine learning in grado di affrontare la complessità pluridimensionale dei rapporti genotipo/fenotipo nelle distrofie muscolari. Un'attenzione particolare sarà prestata allo sfruttamento di tecniche Bayesiane e metodi di deep learning. I modelli risultanti forniranno preziose informazioni sulla "rilevanza" di ogni caratteristica genetica e sveleranno, in particolare, relazioni non facilmente evidenti tra gruppi di caratteristiche genetiche e la loro capacità di predire i fenotipi. Grande attenzione sarà prestata alla flessibilità e alla modularità dei modelli e delle tecniche al fine di semplificare l'integrazione di nuovi set di dati. Ciò permetterà di raffinare la conoscenza e migliorare la prevedibilità (diagnosi e precisione di prognosi) ogni volta che siano disponibili ulteriori informazioni.

The DBgroup is going to present 4 papers at the 4th International Symposium on Big Data Principles, Architectures & Applications, co-located with the International Conference on High Performance Computing & Simulation (HPCS 2017).

Program and information here

Papers (speaker underlined):

"The RE-SEARCH ALPS (Research Laboratories in the Alpine Area) Project"
Francesco Guerra, Margherita Russo, Marco Fontana, Matteo Paganelli, François Bancilhon, Christian Frisch, Loic Petit, Anna Giorgi, Emanuela Zilio

"Data Exploration on Large Amount of Relational Data through Keyword Queries"
Domenico Beneventano, Francesco Guerra, Yannis Velegrakis

"Cleaning MapReduce Workflows"
Matteo Interlandi, Julien Lacroix, Omar Boucelma, Francesco Guerra

"SOPJ: A Scalable Online Provenance Join for Data Integration"
Song Zhu, Giuseppe Fiameni, Giovanni Simonini, Sonia Bergamaschi

Page 1 of 12
Copyright @  2017   DataBase Group for suggestions write to  Webmaster