L'insegnamento è organizzato come segue:

Obiettivi di apprendimento

L’insegnamento si propone di introdurre le studentesse e gli studenti ai modelli statistici utilizzati in data science. Si svilupperanno le fondamenta dell’apprendimento statistico (supervisionato e non supervisionato) ponendo l’enfasi sulle basi matematiche delle differenti metodologie allo stato dell’arte. Inoltre, si punta a fornire derivazioni rigorose dei metodi correntemente utilizzati nelle applicazioni industriali e scientifiche per consentire alle studentesse ed agli studenti di comprenderne i requisiti per il corretto utilizzo. Sessioni di laboratorio complementari illustreranno l’utilizzo di fondamentali algoritmi e casi di studio industriali in cui lo studente potrà imparare ad analizzare dataset reali per mezzo di software Python. Al termine del corso lo studente dovrà dimostrare di: i) conoscere le fasi di preparazione ed analisi dei dati, ii) saper utilizzare i principali modelli di regressione, iii) saper sviluppare soluzioni pro-feature selection, iv) saper utilizzare metodi di regolarizzazione, e.g., ridge regression, LASSO, elastic net, least angle regression, e classificazione, v) conoscere metodi non supervisionati, vi) conoscere e saper sviluppare algoritmi in ambito riduzione della dimensionalità, analisi delle componenti principali (PCA), K-means clustering, Clustering gerarchico, e cross-validation.

Modalità di verifica dell’apprendimento

Per superare l'esame gli studenti dovranno dimostrare di:
- aver compreso i principi alla base dell’analisi dei dati e dello sviluppo di modelli predittivi tramite tecniche di apprendimento statistico,
- essere in grado di esporre le metodologie di preparazione dei dati ed apprendimento di modelli in modo preciso e organico senza divagazioni,
- saper applicare le conoscenze acquisite per risolvere problemi in vari ambiti applicativi (e.g., industriale, medico, monitoraggio ambientale)