Studiare

In questa sezione è possibile reperire le informazioni riguardanti l'organizzazione pratica del corso, lo svolgimento delle attività didattiche, le opportunità formative e i contatti utili durante tutto il percorso di studi, fino al conseguimento del titolo finale.

Piano Didattico

Il piano didattico è l'elenco degli insegnamenti e delle altre attività formative che devono essere sostenute nel corso della propria carriera universitaria.
Selezionare il piano didattico in base all'anno accademico di iscrizione.

1° Anno

InsegnamentiCreditiTAFSSD
9
B
SECS-P/05
12
B
SECS-P/05 ,SECS-S/06
6
B
IUS/13
12
B
SECS-P/01
One module between the following
9
C
SECS-P/01
9
C
SECS-P/03
Stage
3
F
-

2° Anno  Attivato nell'A.A. 2024/2025

InsegnamentiCreditiTAFSSD
9
B
SECS-P/01
Two modules among the following
6
C
SECS-P/02
6
C
SECS-P/03
6
C
SECS-S/01
6
C
SECS-P/02
Two modules among the following
6
B
SECS-P/07
6
B
SECS-P/11
6
B
SECS-P/08
One module between the following
9
C
SECS-P/02
9
C
SECS-P/05
Final exam
15
E
-
InsegnamentiCreditiTAFSSD
9
B
SECS-P/05
12
B
SECS-P/05 ,SECS-S/06
6
B
IUS/13
12
B
SECS-P/01
One module between the following
9
C
SECS-P/01
9
C
SECS-P/03
Stage
3
F
-
Attivato nell'A.A. 2024/2025
InsegnamentiCreditiTAFSSD
9
B
SECS-P/01
Two modules among the following
6
C
SECS-P/02
6
C
SECS-P/03
6
C
SECS-S/01
6
C
SECS-P/02
Two modules among the following
6
B
SECS-P/07
6
B
SECS-P/11
6
B
SECS-P/08
One module between the following
9
C
SECS-P/02
9
C
SECS-P/05
Final exam
15
E
-
Insegnamenti Crediti TAF SSD
Tra gli anni: 1°- 2°
9
D
-
Tra gli anni: 1°- 2°
Further language skills
3
F
-

Legenda | Tipo Attività Formativa (TAF)

TAF (Tipologia Attività Formativa) Tutti gli insegnamenti e le attività sono classificate in diversi tipi di attività formativa, indicati da una lettera.

A Attività di base
B Attività caratterizzanti
C Attività formative affini o integrative
D Attività a scelta dello studente
E Prova finale
F Altre attività formative
S Stage e tirocini presso imprese, enti pubblici o privati, ordini professionali

Machine learning for economics  (2024/2025)

Codice insegnamento

4S008979

Docente

Claudia Di Caterina

Coordinatore

Claudia Di Caterina

Crediti

6

Lingua di erogazione

Inglese en

Settore Scientifico Disciplinare (SSD)

SECS-S/01 - STATISTICA

Periodo

Secondo semestre LM dal 17 feb 2025 al 23 mag 2025.

Corsi Singoli

Autorizzato

Orario Lezioni MoodleMoodle Seminari 0

Obiettivi di apprendimento

Il corso si propone di fornire agli studenti gli strumenti matematici, statistici e computazionali per una comprensione rigorosa del machine learning. Un aspetto centrale è la discussione critica di come ed in che misura i metodi di machine learning siano essenziali nell'analisi di dati su larga scala al fine di sviluppare un profilo professionale che combini solide competenze quantitative con una conoscenza approfondita delle dinamiche economiche e aziendali a supporto di decisioni strategiche basate sull'analisi dei dati. Al termine del corso gli studenti saranno in grado di padroneggiare i metodi classici del machine learning, d'implementare algoritmi di analisi dei dati, di scegliere le tecniche più adatte, di rintracciare regolarità nei dati utili a fini previsivi, di discutere criticamente l'output generato da una tecnica di machine learning.

Prerequisiti e nozioni di base

Si danno per acquisite le conoscenze di statistica fornite negli insegnamenti di base di statistica ed econometria.

Programma

- Introduzione all'apprendimento statistico
- Modelli di regressione lineare e minimi quadrati
• Il teorema di Gauss-Markov
• Selezione del miglior sottoinsieme
• Metodi di shrinkage: regressione ridge e lasso
- Metodi lineari per la classificazione
• Classificatore di Bayes
• Analisi discriminante lineare
• Regressione logistica
- Valutazione e selezione del modello
• Bias-variance e complessità del modello
• Convalida incrociata
- Introduzione alle reti neurali
• Reti neurali
• Adattamento delle reti neurali
- Metodi di clustering

Bibliografia

Vai alla bibliografia
Visualizza la bibliografia con Leganto, strumento che il Sistema Bibliotecario mette a disposizione per recuperare i testi in programma d'esame in modo semplice e innovativo.

Modalità didattiche

Il corso prevede 36 ore di didattica frontale, di cui 24 ore di lezioni (pari a 4 CFU) e 12 ore di laboratorio (pari a 2 CFU).

Modalità di verifica dell'apprendimento

L'esame sarà volto ad accertare
(a) la comprensione degli strumenti teorici (concetti e modelli formali) presentati nel corso,
(b) la capacità di usare gli strumenti teorici per discutere i risultati dell'analisi di un data set.
L'esame finale si articolerà in due parti:
- un esame scritto sul materiale delle lezioni e delle sessioni di laboratorio. Al termine del corso verrà assegnato un compito generale da consegnare prima dell'esame orale in una data che sarà comunicata in seguito,
- una prova orale sugli argomenti del corso.

Le/gli studentesse/studenti con disabilità o disturbi specifici di apprendimento (DSA), che intendano richiedere l'adattamento della prova d'esame, devono seguire le indicazioni riportate QUI

Criteri di valutazione

La parte di teoria della prova scritta ha peso pari a 2/3, mentre la parte sull'uso del software ha peso pari a 1/3.

Criteri di composizione del voto finale

Il voto finale dell'esame risulta dalla media aritmetica dei voti delle prove scritta e orale.

Lingua dell'esame

English

Sustainable Development Goals - SDGs

Questa iniziativa contribuisce al perseguimento degli Obiettivi di Sviluppo Sostenibile dell'Agenda 2030 dell'ONU.
Maggiori informazioni su www.univr.it/sostenibilita