Computational methods and techniques for historical and cultural studies
A.A. 2024/2025
Obiettivi formativi
The course deals with emerging issues in the so-called Digital and Computational Humanities and aims to introduce students to the exploitation of the potential of databases, Linked Open Data technologies and the Semantic Web by exploring solutions oriented to research, study and communication in the historical and cultural fields. In particular, the course intends to provide knowledge and skills in the discipline of computer science with particular reference to technologies for the design and management of digital archives in structured form (databases) and their use in the Web for the representation and exploration of historical data. Additional topics covered in the course concern the use of languages for the web of data with the aim of fostering the integration of documentary archives in the cultural-historical field through digital platforms based on formalisms and technologies related to Linked Open Data and Semantic Web. The course also aims to foster the development of skills related to the design of communication objects and tools essential for fruitful interaction with scholars and IT professionals.
Risultati apprendimento attesi
Knowledge:
- Data modeling and database management
- Notions of conceptual and logical design of databases
- Data web languages, Linked Open Data and Semantic Web
- Data exploration and visualization
Skills:
- Conceptual and logical design of a database
- Creating, populating, and querying databases
- Creating annotations for the data web and Linked Open Data
- Using tools for exploration and visualization of data on the web
- Data modeling and database management
- Notions of conceptual and logical design of databases
- Data web languages, Linked Open Data and Semantic Web
- Data exploration and visualization
Skills:
- Conceptual and logical design of a database
- Creating, populating, and querying databases
- Creating annotations for the data web and Linked Open Data
- Using tools for exploration and visualization of data on the web
Periodo: Primo semestre
Modalità di valutazione: Esame
Giudizio di valutazione: voto verbalizzato in trentesimi
Corso singolo
Questo insegnamento può essere seguito come corso singolo.
Programma e organizzazione didattica
Edizione unica
Responsabile
Periodo
Primo semestre
Programma
L'insegnamento è organizzato in 2 parti.
La Parte A prevede la trattazione dei seguenti argomenti:
- Introduzione alle Metodologie Informatiche nelle Scienze Umane: Questa sezione include una panoramica delle Digital Humanities (DH), trattando la sua definizione, i tipi di dati e esempi di progetti e risorse pertinenti. Inoltre, esplora l'intersezione tra DH e Intelligenza Artificiale (AI), introduce concetti chiave della teoria dell'informazione e discute vari metodi di codifica dei dati.
- Linguaggi di Programmazione Applicati alle Scienze Sociali: Questa sezione presenterà la programmazione in Python, concentrandosi su concetti fondamentali pertinenti alle esigenze delle Scienze Umane.
- Machine Learning: Questa sezione coprirà i principi fondamentali del machine learning, inclusi i diversi tipi di apprendimento (supervised, unsupervised e reinforcement), e concetti chiave come classificazione, regressione e clustering. Inoltre, coinvolgerà l'applicazione pratica dei metodi di machine learning utilizzando Python.
- Principi e Strumenti per il Deep Learning, e computer vision: Questa sezione tratterà i principi fondamentali del deep learning, comprese le Convolutional Neural Networks (CNN), e le loro applicazioni nell'analisi delle immagini dei dati umani e culturali.
La parte B prevede la trattazione dei seguenti argomenti:
- Database e Semantic Web: Questa sezione introduce i principi del Semantic Web e dei sistemi di gestione dei database.
- Progetti Applicati negli Studi Umanistici: Questa sezione enfatizza le applicazioni pratiche dei metodi computazionali nella ricerca culturale e storica utilizzando Python. Copre anche strumenti pronti all'uso per la ricerca nelle digital humanities
La Parte A prevede la trattazione dei seguenti argomenti:
- Introduzione alle Metodologie Informatiche nelle Scienze Umane: Questa sezione include una panoramica delle Digital Humanities (DH), trattando la sua definizione, i tipi di dati e esempi di progetti e risorse pertinenti. Inoltre, esplora l'intersezione tra DH e Intelligenza Artificiale (AI), introduce concetti chiave della teoria dell'informazione e discute vari metodi di codifica dei dati.
- Linguaggi di Programmazione Applicati alle Scienze Sociali: Questa sezione presenterà la programmazione in Python, concentrandosi su concetti fondamentali pertinenti alle esigenze delle Scienze Umane.
- Machine Learning: Questa sezione coprirà i principi fondamentali del machine learning, inclusi i diversi tipi di apprendimento (supervised, unsupervised e reinforcement), e concetti chiave come classificazione, regressione e clustering. Inoltre, coinvolgerà l'applicazione pratica dei metodi di machine learning utilizzando Python.
- Principi e Strumenti per il Deep Learning, e computer vision: Questa sezione tratterà i principi fondamentali del deep learning, comprese le Convolutional Neural Networks (CNN), e le loro applicazioni nell'analisi delle immagini dei dati umani e culturali.
La parte B prevede la trattazione dei seguenti argomenti:
- Database e Semantic Web: Questa sezione introduce i principi del Semantic Web e dei sistemi di gestione dei database.
- Progetti Applicati negli Studi Umanistici: Questa sezione enfatizza le applicazioni pratiche dei metodi computazionali nella ricerca culturale e storica utilizzando Python. Copre anche strumenti pronti all'uso per la ricerca nelle digital humanities
Prerequisiti
Sarebbe utile aver completato un corso di informatica di base e avere una conoscenza fondamentale della programmazione in Python, di Colab e delle statistiche per una migliore comprensione dei contenuti proposti; tuttavia, non è obbligatorio.
Metodi didattici
Gli argomenti del corso saranno trattati attraverso lezioni tecniche e sessioni di laboratorio, con l'ausilio di diapositive e materiali didattici che il docente metterà a disposizione sulla piattaforma myAriel. È riservato uno spazio specifico per casi studio pratici, finalizzati a illustrare l'applicazione concreta e sviluppare un'esperienza personale sui contenuti teorici trattati durante le lezioni.
La frequenza, sebbene non obbligatoria, è fortemente consigliata. Gli studenti impossibilitati a partecipare sono invitati a contattare il docente.
La frequenza, sebbene non obbligatoria, è fortemente consigliata. Gli studenti impossibilitati a partecipare sono invitati a contattare il docente.
Materiale di riferimento
- Slides, handouts, scholarly articles provided by the instructor.
- Brian Kokensparger, 2018, Guide to Programming for the Digital Humanities: Lessons for Introductory Python
- Ian Goodfellow, Yoshua Bengio, Aaron Courville, Deep Learning (Adaptive Computation and Machine Learning series), online: https://www.deeplearningbook.org/
David G. Stork, 2023, Pixels & Paintings: Foundations of Computer-assisted Connoisseurship
- Brian Kokensparger, 2018, Guide to Programming for the Digital Humanities: Lessons for Introductory Python
- Ian Goodfellow, Yoshua Bengio, Aaron Courville, Deep Learning (Adaptive Computation and Machine Learning series), online: https://www.deeplearningbook.org/
David G. Stork, 2023, Pixels & Paintings: Foundations of Computer-assisted Connoisseurship
Modalità di verifica dell’apprendimento e criteri di valutazione
Per gli studenti frequentanti e non frequentanti, la verifica dell'apprendimento consiste in una prova scritta sul programma delle Parti A e B, che include quiz, esercizi e domande aperte. I parametri di valutazione sono la capacità di presentare chiaramente le conoscenze, la competenza nell'uso della terminologia specialistica, la completezza delle risposte e la correttezza del ragionamento nella risoluzione degli esercizi. La valutazione approfondita sarà un esame scritto che include la consegna di un rapporto. La valutazione sarà espressa su una scala di trenta e riassumerà i risultati ottenuti sia nei quiz che nell'esame scritto finale
Siti didattici
Docente/i