Concorso di ammissione 36° ciclo


Specifiche economiche

Specifiche economiche approvate dal Senato Accademico complessive per il corso

Borse Consorzi Enti Posti
4 2 2 10

Borse finanziate da Enti Esterni
1 borsa finanziata da Fondazione I.S.I. sulla tematica: "Design of algorithms and machine learning methods for the analysis of complex networks"1 borsa
1 borse finanziate dal Dipartimento di Ingegneria Informatica, Automatica e Gestionale "A. Ruberti"1 borse
1 borsa finanziata dalla Fondazione Ugo Bordoni sulla tematica: "Studio del trattamento dei dati della Pubblica Amministrazione utilizzando tecnologie Distributed Ledger"1 borsa
1 borsa finanziate dal Dipartimento di Ingegneria Informatica, Automatica e Gestionale "A. Ruberti" su progetto di ricerca "Sobigdata++"1 borsa

Tematiche definite per le borse finanziate da Enti Esterni

COMPLESSIVA PER IL CORSO

- Ugo Bordoni: Studio del trattamento dei dati della Pubblica Amministrazione utilizzando tecnologie Distributed Ledger
Ente finanziatore: 1 borsa finanziata dalla Fondazione Ugo Bordoni
Borsa finanziata da Fondazione Ugo Bordoni
Il dottorato di ricerca avrà come argomento prevalente l’applicabilità della Distributed Ledger Technology ai servizi della Pubblica Amministrazione. In particolare, la ricerca che il dottorando dovrà svolgere riguarderà il trattamento dei dati della pubblica amministrazione in relazione alla decentralizzazione delle infrastrutture, contemplando gli aspetti di interoperabilità tra pubbliche amministrazioni e con i servizi al cittadino e alle imprese, di gestione della privacy dei contenuti presenti nei registri distribuiti, valutando gli impatti economici e finanziari che derivano dalla decentralizzazione dei servizi in comparazione ai sistemi classici centralizzati.

- Study on the management of Public Administration data employing Distributed Ledger technologies
 The main objective of the PhD is the study of the applicability of Distributed Ledger Technology to the services of the Public Administration. In particular, the research will focus on the management of the data processed by the Public Administration in a decentralized context. The research will consider aspects of interoperability between public administrations and services for citizens and companies, the privacy of the data stored in distributed ledgers and will also evaluate the economic and financial benefits/drawbacks of decentralization when compared to the classic centralized approach.

COMPLESSIVA PER IL CORSO

- Finanziata da DIAG: Algoritmi di apprendimento automatico per la previsione della progressione delle malattie e degli esiti clinici.
Ente finanziatore: 1 borsa finanziate dal Dipartimento di Ingegneria Informatica, Automatica e Gestionale "A. Ruberti" su progetto di ricerca "Sobigdata++"
L'apprendimento automatico e l'identificazione di specifici andamenti nei dati clinici sono diventati un'importante strumento della ricerca biomedica per migliorare l'accuratezza della diagnosi e della cura delle malattie. Il monitoraggio degli andamenti e la previsione della progressione della malattia, in particolare durante le fasi iniziali, è anche uno degli obiettivi primari della medicina personalizzata. Il progetto di dottorato mira a sviluppare metodi innovativi di apprendimento automatico per la gestione dei dati eterogenei ed in alta dimensione al fine di offrire alla ricerca medica nuove intuizioni e nuovi approcci sistematici per la classificazione dei pazienti, per la valutazione del rischio clinico e della probabilità di successo dei trattamenti.

- Machine Learning algorithms for predicting disease progression and future clinical outcome
 Machine learning and the identification of specific trends in clinical data have become an important tool in biomedical research to improve the accuracy of diagnosis and treatment of diseases. Monitoring trends and predicting disease progression, particularly during the early stages, is also one of the primary goals of personalized medicine. The doctoral project aims to develop innovative machine learning methods for the management of heterogeneous and high-dimensional data in order to offer medical research new insights and new systematic approaches for the classification of patients, for the evaluation of clinical risk and probability. of successful treatments.

COMPLESSIVA PER IL CORSO

- Finanziata da ISI: Progetto di metodi algoritmici e di machine learning per l'analisi di reti complesse
Ente finanziatore: 1 borsa finanziata da Fondazione I.S.I. sulla tematica: "Design of algorithms and machine learning methods for the analysis of complex networks"
Borsa Finanziata da ISI Foundation
“Nell'attuale contesto di disponibilità di grandi volumi di dati rappresentati come reti complesse, provenienti, per esempio, da reti sociali, biologiche o finanziarie, questa tematica di ricerca si concentra sullo sviluppo di nuovi algoritmi e metodi di machine learning per l'estrazione di conoscenza a supporto delle scienze della complessità e di applicazioni innovative. I metodi sviluppati potranno attingere dall' inferenza statistica, l'analisi causale o l'ottimizzazione combinatoria. Particolare enfasi sarà posta sullo sviluppo di metodi che godano di proprietà di trasparenza e interpretabilità."

- Design of algorithms and machine learning methods for the analysis of complex networks
 In the context of the current availability of great volume of data represented in the form of complex networks, such as, for instance social, biological or financial networks, this research theme focuses on the design and development of new algorithms and machine learning methods for the extraction of actionable knowledge supporting innovative applications in science and industry. Our research will build on a variety of different techniques including statistical inference, causal analysis and combinatorial optimization. We will put special emphasis in developing models and methods that are transparent, explainable, and fair-by-design.

COMPLESSIVA PER IL CORSO

- Nessuna tematica specifica
Ente finanziatore:

Il candidato sceglierà una tematica in fase di presentazione della candidatura on line

Procedura concorsuale

Valutazione titoli La commissione di ammissione assegna a ciascun candidato un punteggio massimo di 60 punti. I punteggi sono assegnati in base ai criteri di valutazione definiti dal Collegio dei Docenti del Dottorato in Data Science riportati di seguito:
- fino a 30 punti per la valutazione del curriculum (compresa la carriera accademica e ogni altro titolo), le lettere di raccomandazioni a sostegno del candidato e le pubblicazioni presentate dal
candidato;
- fino a 30 punti per la proposta di ricerca presentata dal candidato. In particolare, la
commissione valuta la descrizione dello stato dell'arte, l'originalità e la natura innovativa della proposta, la chiarezza e la completezza degli obiettivi, le metodologie e i risultati
potenziali, la rilevanza della proposta rispetto ai temi e gli obiettivi del dottorato programma. I candidati che ottengono un punteggio minimo di 36/60 nella valutazione delle qualifiche e della proposta di ricerca sono invitati per un colloquio.
Prova orale Il Comitato di ammissione assegna un massimo di 60 punti a ciascun
candidato ammesso al colloquio. Un punteggio di almeno 36 è richiesto per l'ammissione. L'intervista è in inglese e ha lo scopo di valutare le conoscenze, le capacità e l'attitudine dei candidati a svolgere attività di ricerca nelle aree scientifiche della Data Science. La prova orale include anche una discussione sulla proposta di ricerca preparata dal candidato e sulle motivazioni personali per la richiesta di una posizione di dottorato. La durata dell'intervista è al massimo di 45 minuti (la presentazione della proposta di ricerca da parte del candidato non deve superare i 15 minuti). Il punteggio complessivo minimo per l'ammissione al dottorato in Data Science è 72/120.
lingua INGLESE

Informazioni e recapiti Email: dottoratods@diag.uniroma1.it. Referente Dottorato presso il dipartimento di Ingegneria Informatica, automatica, e Gestionale Antonio Ruberti: Michela Proietti: 06 77274174 Sito Web: https://phd.uniroma1.it/web/DATA-SCIENCE_nD3565_IT.aspx
Eventuali ulteriori informazioni Lo scopo dell'esame di ammissione è di stabilire le capacità del candidato di lavorare nell'area della Data Science del progetto di ricerca da lui presentato e le motivazioni per intraprendere il percorso di dottorato.

Curriculum studiorum

data e voto di laurea (obbligatorio)
elenco degli esami sostenuti per la laurea MAGISTRALE e relative votazioni (obbligatorio)
elenco degli esami sostenuti per la laurea TRIENNALE e relative votazioni
data e voto della laurea TRIENNALE
elenco cronologico di Borse di studio, Assegni di ricerca (et similia) percepiti
Diplomi/certificati di conoscenza lingue estere
Diplomi/attestati di partecipazione di corsi universitari post-lauream
Attestati di partecipazione a gruppi di ricerca
Attestati di partecipazione a stage
Altri riconoscimenti (p. es.: premiazione in concorsi, seconda laurea)
Conoscenze informatiche
interessi scientifici e motivazioni
Pubblicazioni

Ulteriore documentazione richiesta ai candidati

§ progetto di ricerca (research project)
obbligatorio
Il progetto non dovrà superare la lunghezza massima di
8000 caratteri (spazi inclusi).
, da caricare entro 23/07/2020
§ prima lettera di presentazione (a cura di un docente)
non obbligatorio, la lettera dovrà essere caricata dal candidato sul modulo di domanda, da caricare entro 23/07/2020
§ seconda lettera di presentazione (a cura di un docente)
non obbligatorio, la lettera dovrà essere caricata dal candidato sul modulo di domanda, da caricare entro 23/07/2020
§ terza lettera di presentazione (a cura di un docente)
non obbligatorio, la lettera dovrà essere caricata dal candidato sul modulo di domanda, da caricare entro 23/07/2020
§ lettera di motivazione con la specifica del curriculum (a cura del candidato)
non obbligatorio
Non più di 4000 caratteri (spazi inclusi) Specificare le eventuali tematiche di interesse relative alle borse finanziate da enti esterni o su progetti di ricerca. , da caricare entro 23/07/2020

Competenza linguistica richiesta ai candidati

Il candidato dovrà obbligatoriamente conoscere le seguenti lingue:
INGLESE

Diario delle prove concorsuali

Valutazione titoli
giorno07/09/2020
notenon indicato
pubblicazione sull'alboNO
pubblicazione sul sito internetSI
indirizzo del sitohttps://phd.uniroma1.it/web/DATA-SCIENCE_nD3565_IT.aspx
giorno della pubblicazione08/09/2020
info e recapitidottoratods@diag.uniroma1.it

Prova orale
giorno10/09/2020
notenon indicato
ora09:00
aulaB203 - oppure in remoto tramite Meet: meet.google.com/isw-ftnq-oor
indirizzoVia Ariosto 25
pubblicazione sull'alboNO
pubblicazione sul sito internetSI
indirizzo del sitohttps://phd.uniroma1.it/web/DATA-SCIENCE_nD3565_IT.aspx
giorno della pubblicazione13/09/2020
info e recapitidottoratods@diag.uniroma1.it

Griglia di valutazione

file:visualizza il file
file (eng):visualizza il file (eng)

© Università degli Studi di Roma "La Sapienza" - Piazzale Aldo Moro 5, 00185 Roma