Cerca  English (United States) it-IT
martedì 25 luglio 2017 Struttura » Personale » Ricercatori » Antonio Maratea   Accedi
 Agenda Riduci
giugnoluglio 2017agosto
lunmarmergiovensabdom
26
27
28
29
30
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
1
2
3
4
5
6

 VITA Riduci
Istruzione:
  • Laurea in Scienze Statistiche ed Attuariali presso l’Università del Sannio
  • Dottorato di ricerca in Ingegneria dell’Informazione (ING-INF/05) XVIII ciclo presso l’Università del Sannio
Posizione corrente:
  • Ricercatore in Informatica (INF/01) presso la facoltà di Scienze e Tecnologie dell'Università Parthenope
 ATTIVITÀ DIDATTICA Riduci
Titolare dei seguenti insegnamenti:
  • Basi di Dati e Laboratorio nel Corso di Laurea in Informatica dell'Università "Parthenope", a partire dall'anno accademico 2008/2009
  • Basi di Dati II e Laboratorio nel Corso di Laurea Magistrale in Informatica Applicata dell'Università "Parthenope", a partire dall'anno accademico 2008/2009
  • Informatica nel Corso di Laurea in Scienze Motorie dell'Università "Parthenope", a partire dall'anno accademico 2008/2009
  • Informatica con Elementi di Bioinformatica nel Corso di Laurea in Scienze Biologiche dell'Università "Parthenope", a partire dall'anno accademico 2009/2010
 ATTIVITÀ SCIENTIFICA Riduci

Partecipazione a Scuole


  • Dal 29 Maggio al 5 Giugno 2004, partecipazione alla 1st International
    School on Advanced BioMedicine and BioInformatics nell’isola di Li-
    pari;
  • Dal 19 al 24 Ottobre 2004 partecipazione alla 1st International School
    on Biology, Computation and Information tenutasi a Dobbiaco (BZ);
  • Dal 28 Ottobre al 6 Novembre 2005 parecipazione alla Scuola "the Anal-
    ysis of Patterns" tenutasi nel Centro per la Cultura Scientifica Ettore
    Majorana ad Erice.

Partecipazione a Convegni


  • Nel Giugno 2003 partecipazione come uditore al XIV Workshop Inter-
    nazionale sulle Reti Neurali di Vietri sul Mare (WIRN 2003);
  • Nell’Ottobre 2003, partecipazione al International Workshop on Fuzzy
    Logic and Application (WILF 2003) a Napoli;
  • Nell’Aprile 2004, partecipazione al First Bioperl Workshop tenutosi
    presso il CEINGE a Napoli;
  • Dal 1 al 3 Ottobre 2004 partecipazione al EMBO Sectorial Meeting
    on Bioinformatics and Computational Biology tenutosi all’Accademia
    Nazionale dei Lincei a Roma;
  • Il 25 Ottobre 2004, partecipazione al Workshop on Genomes: Informa-
    tion, Structure, and Complexity (GISC 2004) a Dobbiaco (BZ);
  • Dal 15 al 17 Settembre 2005 partecipazione al Second International
    Meeting on Computational Intelligence Methods for Bioinformatics and
    Biostatistics (CIBB 2005) a Crema (CR);
  • il 18 Dicembre 2006, partecipazione al convegno Bioinformatica e Bi-
    ologia Computazionale in Campania (BBCC) tenutosi presso l’Istituto
    di Scienze dell’Alimentazione, CNR ad Avellino;
  • dal 26 al 28 Aprile 2007, partecipazione al Annual Meeting of the Italian
    Bioinformatics Society (BITS 2007), a Napoli;
  • dal 7 al 10 Luglio 2007, partecipazione al International Workshop on
    Fuzzy Logic and Applications (WILF 2007) a Ruta di Camogli (GE);
  • dal 12 al 14 Settembre 2007, partecipazione al 11th International Con-
    ference on Knowledge-Based and Intelligent Information and Engineer-
    ing Systems (KES2007), a Vietri sul Mare (SA);
  • il 10 Dicembre 2007, partecipazione al convegno Bioinformatica e Bi-
    ologia Computazionale in Campania (BBCC) tenutosi presso l’Istituto
    di Scienze dell’Alimentazione, CNR ad Avellino.

Partecipazioni di rilievo a Seminari


  • Il 21 Aprile 2006, Soren Brunak Temporal Interactome for the Eukary-
    otic Cell-Cycle by Data Integration presso la University of California,
    Irvine;
  • Il 5 Maggio 2006, Stephen Altschul The Compositional Adjustment of
    Amino Acid Substitution Matrices presso la University of California,
    Irvine;
  • Il 23 Maggio 2006, Marvin Minsky Building Intelligent Machines: Im-
    pact on Our Lives Today and Vision for the Future presso la University
    of California, Irvine;
  • Il 24Maggio 2006, Marvin Minsky Interior Grounding and Self-Conscious
    Reflection - Three Possibly New Theories of Intelligence presso la Uni-
    versity of California, Irvine;
  • Il 20 Novembre 2007, Giuseppe Russo MicroRNA target gene predic-
    tion: a Systems Biology approach presso il Laboratorio L14 del DMI,
    Università di Salerno.

Viaggi di studio e permanenze all’estero


  • Dal 11 Ottobre al 11 Novembre 2004 Stage presso il CHUM (Cen-
    tre Hospitalier de l’Universit´e de Montreal), in Canada, nel gruppo di
    ricerca del Prof. Pavel Hamet, per applicazioni su dati reali da Mi-
    croarray di metodi informatico-statistici di analisi dei dati;
  • Dal 12 Febbraio al 2 Marzo 2005 Stage presso il CHUM (Centre Hos-
    pitalier de l’Universit´e de Montreal), in Canada, nel gruppo di ricerca
    del Prof. Pavel Hamet, per applicazioni su dati reali da Microarray di
    metodi informatico-statistici di analisi dei dati;
  • Dal 6 Febbraio al 1 Luglio 2006 soggiorno presso l’IGB (Institute for
    Genomics and Bioinformatics) della University of California, Irvine,
    in USA, nel gruppo di ricerca del Prof. Pierre Baldi, per lo studio
    di metodi per l’analisi multifattoriale dei dati reali da Microarray e
    l’applicazione ai gel proteici bidimensionali delle tecniche di analisi
    dell’espressione differenziale.

    Collaborazioni, partecipazioni ad associazioni, attività editoriali


    • Collaboratore nelle attività di ricerca del Dipartimento di Studi Geo-
      logici ed Ambientali dell’Università del Sannio, dal 2002 al 2008;
    • Collaboratore nell’organizzazione del meeting Bioinformatica, Sfide e
      Prospettive tenuto nell’Universit`a del Sannio il 17 e 18 Dicembre 2003;
    • Membro del gruppo di ricerca SCODA (Scientific COmputing and Data
      Analysis) dell’Università del Sannio fino al 2008;
    • Reviewer per il Third International Meeting on Computational Intelli-
      gence Methods for Bioinformatics and Biostatistics (CIBB 2006) tenu-
      tosi a Genova;
    • Reviewer per la International Conference on Intelligent Computing
      (ICIC 2007) tenutosi a Qing Dao, in Cina.

    Attività di Ricerca


    L’area principale di ricerca è nelle tecniche di Data Mining e Machine Learn-
    ing, con particolare attenzione alle applicazioni a dati reali di origine biologica
    e geologica. L’obiettivo a lungo termine è trovare e testare algoritmi efficaci
    e veloci, che siano idonei alla gestione di fenomeni complessi e capaci di con-
    trastare l’alta dimensionalità, il rumore e la sparsità caratteristiche di tali
    dati. I contributi dati sono stati sia algoritmici, che metodologici, che applica-
    tivi. Gli approcci perseguiti includono l’apprendimento automatico sia su-
    pervisionato, che non supervisionato ed in special modo semi-supervisionato,
    la selezione delle caratteristiche e lo studio dei metodi di validazione. Gli am-
    biti applicativi sono stati alcuni problemi tipici della Bioinformatica e alcuni
    problemi di classificazione in ambito geologico.

    • Clustering e Sistemi Informativi Geografici (GIS)
      [1, 4]

      In [1] il classico algoritmo di clustering fuzzy c-means è stato applicato ad un
      modello digitale del terreno (DTM) della Valle Caudina, nel Sannio. Dopo
      aver ricavato dal DTM alcune variabili quantitative (quali ad esempio la pen-
      denza, la curvatura piana, l’indice di esposizione), il clustering fuzzy è stato
      effettuato su di esse in modo da individuare automaticamente (e con soglie
      fuzzy) le aree morfologicamente omogenee. I risultati sono stati validati da
      esperti geografi e trovati sia utili che significativi. In [4] è stata aggiunta una
      ampia parte riguardante la validazione quantitatva dei risultati e proposto
      un confronto tra alcuni indici classici di validazione ed un indice di recente
      introduzione esteso per la prima volta al caso fuzzy. Il risultato dell’analisi
      quantitativa è stato in sostanziale in accordo con la valutazione degli esperti.
    • Appredimento semi-supervisionato e analisi di dati
      da microarray [3, 5, 6, 7]

      L’apprendimento semi-supervisionato si propone come una maniera naturale
      di includere informazione ausiliaria nelle analisi eseguite in presenza di obi-
      ettivi di classificazione o clustering molto ardui, (laddove tale informazione
      sia disponibile). Il caso trattato riguarda il problema del clustering fuzzy in
      presenza della cosiddetta Side Information, ovvero quando l’informazione a
      priori disponibile riguarda coppie di punti che si sa appartenere allo stesso
      cluster. Una nuova versione del classico algoritmo fuzzy c-means, che tiene
      conto della Side Information attraverso uno step preliminare di apprendi-
      mento della metrica, è stata sviluppata e testata su molti dataset di dati
      reali, principalmente di origine biologica. Sui dataset testati e sotto le giuste
      condizioni, questo nuovo algoritmo supera gli approcci convenzionali.
    • Predizione di splicing alternativo [9, 11, 14]

      Un algoritmo di predizione ab initio del fenomeno dello splicing, basato solo
      sulla sequenza di pre-mRNA, `e stato sviluppato per predire l’Exon Skipping,
      una forma specifica di splicing alternativo negli eucarioti. L’algoritmo si basa
      sulla rappresentazione delle sequenze tramite i coefficienti di un modello au-
      toregressivo. Le sequenze sono dapprima codificate, poi usate per l’estrazione
      delle caratteristiche (ovvero i coefficienti del modello autoregressivo). Una
      Support Vector Machine è infine scelta come classificatore. Nei lavori [9, 11]
      è mostrato sulla base di dati reali che con questo metodo è possibile ottenere
      risultati simili o superiori allo stato dell’arte nel riconoscimento delle sequenze
      che danno luogo a splicing alternativo senza nessuna modellazione esplicita
      delle posizioni nel sito di splicing, né alcuna informazione circa l’omologia.
      In [14] un codice genetico virtuale basato sulla teoria dell’informazione di
      Shannon è usato per la trasformazione delle sequenze amminoacidiche in se-
      quenze numeriche, prima dell’estrazione delle caratteristiche, migliorando le
      prestazioni del metodo proposto fino a raggiungere una AUC media che su-
      pera il 96% sui dati testati. Il metodo proposto è quindi più generale ed ha
      una più ampia e semplice applicabilità rispetto ai precedenti. Si riportano i
      risultati sulle sequenze di pre-mRNA nel C.Elegans.
    • Analisi multifattoriale di dati da microarray [10]

      Analizzare grandi esperimenti da cDNA Microarray, laddove i dati sono cam-
      pionati rispetto a due o più covariate (ad esempio dose e tempo di trat-
      tamento), ed il numero di campioni è piccolo rispetto alla complessità del
      fenomeno, pone numerose difficoltà. In particolare, se si è interessati ad
      individuare i geni (e quindi le righe della matrice dei dati) con pattern di
      espressione sensibili al fenomeno in studio, il loro grande numero pone osta-
      coli all’utilizzo diretto di tecniche quali la PCA o l’ICA. Il metodo proposto
      permette di evidenziare le ”mode” dei profili di espressione, ovvero i pat-
      tern di maggiore rilievo in risposta al fenomeno studiato e di rimuovere il
      rumore, ovvero i geni con pattern non significativi. Applicato ad un impor-
      tante esperimento tossicologico, il metodo ha permesso di individuare geni il
      cui pattern di risposta è significativamente correlato con l’andamento della
      somministrazione del farmaco.
    • Riconoscimento automatico del sito di origine di
      residui vulcanici in Campania [13]

      L’individuazione del sito di provenienza dei residui vulcanici, specialmente in
      aree con un vulcanismo complesso come in Campania, è importante sia dal
      punto di vista storico che geochimico. In [13] è proposto un metodo basato
      sulle Support Vector Machine per automatizzare il processo di classificazione.
      Ogni residuo è rappresentato dal vettore delle sue misurazioni geochimiche
      e ogni sito di origine da una classe. I risultati sul dataset testato, riferito
      ai tre principali distretti vulcanici in Campania, si avvicinano al 95% di
      accuratezza.
    • Analisi della stabilità del clustering [12]

      Valutare la qualità di un clustering ha molteplici sfaccettature. In [12] è
      proposto un metodo basato su permutazioni casuali per valutare la stabilità
      di una soluzione. Il metodo proposto si basa su permutazioni dei valori di ogni
      singola caratteristica e produce in output delle distribuzioni di probabilità,
      osservando le quali è possibile stabilire il valore ottimale di un parametro
      (ad esempio il vero numero dei cluster), quanto eliminare caratteristiche non
      informative o giudicare tout court l’affidabilit`a di un risultato. Risultati su
      dati simulati evidenziano un sorprendente efficacia del metodo proposto per
      tutti e tre questi obiettivi.
    • GIS e rischio di frana [2, 8]

      In [2] è stato eseguito uno studio integrato GIS sul rischio di frana nel Molise.
      In particolare sono stati analizzati e valutati i rischi relativi alle precipitazioni
      annue, analizzando una serie storica ultracentenaria. In [8] è stata invece stu-
      diata la relazione tra il rischio di frana e le caratteristiche geomorfologiche del
      reticolo idrografico del Vallone Grande, in Molise. Da un’analisi descrittiva
      delle occorrenze di frana e utilizzando vari algoritmi di clustering, è emersa
      una correlazione tra il rischio di frana e l’ordine gerarchico delle aste fluviali.


    References



    • [1] M.Ceccarelli, A.Maratea, G.Piacquadio, F.Russo (2002) “Analisi dei dati spaziali mediante fuzzy clustering: un esempio di applicazione”, in Papers and Proceedings of the 6th ASITA conference, 773-779.
    • [2] P.Aucelli, F.Ravera, C.Rosskopf, A.Maratea (2003) “Il contributo GIS nell’analisi dei fenomeni franosi lungo il versante adriatico molisano”, in Papers and Proceedings of the Isernia GIS day, 10-12.
    • [3] G. Antoniol, M. Ceccarelli, A. Maratea (2004) “Adaptive metric on clustering of biological data”, 1st International School on Advanced BioMedicine and BioInformatics, Isola di Lipari.
    • [4] G.Antoniol, M.Ceccarelli, A.Maratea, F.Russo (2005) “classification of digital terrain models through fuzzy clustering:an application”, Lecture Note in Artificial Intelligence 2955, 174-182.
    • [5] M.Ceccarelli, A.Maratea (2006) “Semi-Supervised fuzzy c-means Clustering of Biological Data”, Lecture Note in Artificial Intelligence 3849, 259 - 266.
    • [6] M.Ceccarelli, A.Maratea (2006) “Metodi-Semi Supervisionati per l’Analisi di Dati Biologici”, in M.Ceccarelli, V.Colantuoni, G.Graziano Frontiere della Bioinformatica, eds Franco Angeli.
    • [7] M.Ceccarelli, A.Maratea (2008) “Improving Fuzzy Clustering of Biological Data by Metric Learning with Side Information”, International Journal of Approximate Reasoning 47-1, 45-57.
    • [8] P. P. C. Aucelli, A. Di Lisio, A. Maratea, F. Russo (2007) “Rapporti tra Franosità e Caratteristiche Geomorfologiche del Reticolo Idrografico del Vallone Grande (Molise)”, Secondo Convegno Nazionale dell’Associazione Italiana di Geografia Fisica e Geomorfologia (AIGEO), Torino.
    • [9] M.Ceccarelli, A.Maratea (2007) “An Alternative Splicing Predictor in C.Elegans based on Time Series Analysis”, Annual Meeting of the Italian Bioinformatics Society (BITS 2007), Napoli.
    • [10] P. Baldi, M. Ceccarelli, A. Maratea (2007) “An Approach to Multidimensional Microarray Data Analysis”, Annual Meeting of the Italian Bioinformatics Society (BITS 2007), Napoli.
    • [11] M.Ceccarelli, A.Maratea (2007) “An Alternative Splicing Predictor in C.Elegans based on Time Series Analysis”, Lecture Note in Computer Science 4578, 588-595.
    • [12] M.Ceccarelli, A. Maratea (2007) “Assessing the Reliability of a Clustering’s Result Based on Components Values’ Permutations”, Lecture Note in Computer Science, to appear.
    • [13] A. Maratea, M. Ceccarelli, C. Grifa, L.Fedele, R.Solone (2007)“A Machine Learning Approach for the Automatic Recognition of Site of Provenance of Volcanic Products”, in preparation.
    • [14] M.Ceccarelli, A.Maratea (2007) “Virtual Genetic Coding and Time Series Analysis for Alternative Splicing Prediction in C.Elegans”, Artificial Intelligence in Medicine, doi: 10.1016/j.artmed.2008.08.013.
    • [15] M.Ceccarelli, A. Maratea (2008) "A fuzzy extension of some classical concordance measures and an efficient algorithm for their computation",in Papers and Proceedings of the 12th KES international conference, volume 3, pp. 755-763.
    • [16] M. Ceccarelli, A. D'acierno, A. Facchiano, A. Maratea (2008) "Neural networks for mass spectra classi cation: preliminary results", Network Tools and Applications in Biology (NETTAB 2008), Varenna, Como Lake, Italy.
    • [17] M.Ceccarelli, A. Maratea (2008) "Concordance indices for comparing fuzzy, possibilistic, rough and grey partitions", International Journal of Knowledge-Based and Intelligent Engineering Systems, to appear.
  •  Pubblicazioni e rapporti tecnici Riduci
     TitleOwnerCategoryModified DateSize 
     comunicazioni Riduci
     TitleOwnerCategoryModified DateSize 
     Downloads Riduci
     TitleOwnerCategoryModified DateSize 
    Programma Abilità Informatica 2012/2013Antonio MarateaProgrammi dei corsi25/11/201298,49 KBDownload
    Risultati Abilità Informatica Giugno 2013Antonio MarateaRisultati esami19/06/201334,95 KBDownload
     foto Riduci
    antonio.maratea@uniparthenope.it
     CONTATTI Riduci
    Dipartimento di Scienze Applicate
    Isola C4, Centro Direzionale
    I-80143 Napoli

    Tel. +39 0815476687
    Fax +39 0815476514
    email antonio.maratea@uniparthenope.it

    ORARIO DI RICEVIMENTO:

    Martedì 14:30-17:30

    Stanza 406, quarto piano lato SUD

    Copyright 2010 by DSA - UniParthenope - Sito ottimizzato per la visualizzazione con Google Chrome   Condizioni d'uso  Privacy
    DotNetNuke® is copyright 2002-2017 by DotNetNuke Corporation