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

Queste informazioni sono destinate esclusivamente agli studenti e alle studentesse già iscritti a questo corso.
Se sei un nuovo studente interessato all'immatricolazione, trovi le informazioni sul percorso di studi alla pagina del corso:

Laurea magistrale in Artificial Intelligence - Immatricolazione dal 2025/2026

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.

2° Anno  Attivato nell'A.A. 2023/2024

InsegnamentiCreditiTAFSSD
Final exam
18
E
-
Attivato nell'A.A. 2023/2024
InsegnamentiCreditiTAFSSD
Final exam
18
E
-
Insegnamenti Crediti TAF SSD
Tra gli anni: 1°- 2°
2 modules among the following (1st year: Knowledge representation, Natural language processing, HCI Intelligent interfaces - 2nd year:  AI & Cloud, Visual intelligence, Statistical learning - 1st and 2nd year: Computer Vision & Deep Learning)
6
C
INF/01
Tra gli anni: 1°- 2°
2 modules among the following (1st year: Knowledge representation, Natural language processing, HCI Intelligent interfaces - 2nd year: AI & Cloud - 1st and 2nd year: Computer Vision & Deep Learning)
6
B
INF/01
Tra gli anni: 1°- 2°
2 modules among the following (A.A. 2022/23 Quantum computing not activated; A.A. 2023/24: Complex systems not activated)
6
C
ING-INF/05
6
C
INF/01 ,ING-INF/05
6
C
INF/01
Tra gli anni: 1°- 2°
Further activities: 3 CFU training and 3 CFU further language skill or 6 CFU training. International students (i.e. students who do not have an Italian bachelor’s degree) must compulsorily gain 3 CFU of Italian language skills (at least A2 level) and 3 CFU training.
6
F
-
Tra gli anni: 1°- 2°

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.




S Stage e tirocini presso imprese, enti pubblici o privati, ordini professionali

Codice insegnamento

4S010697

Crediti

6

Lingua di erogazione

Inglese en

Settore Scientifico Disciplinare (SSD)

SECS-S/06 - METODI MATEMATICI DELL'ECONOMIA E DELLE SCIENZE ATTUARIALI E FINANZIARIE

Periodo

Secondo semestre dal 6 mar 2023 al 16 giu 2023.

Obiettivi di apprendimento

L’obiettivo di questo corso è quello di mostrare la relazione tra i principali metodi di machine learning ed i metodi standard per l’econometria finanziaria. Durante il corso alle studentesse ed agli studenti verranno inizialmente introdotti i fondamenti dell'econometria bayesiana (inferenza, selezione del modello). Poi verranno loro presentati la Regressione Bayesiana ed i Processi Gaussiani (e.g., prezzi e grecizzazione con Processi gaussiani). Successivamente verrà fornita una descrizione approfondita dell'apprendimento supervisionato (Reti neurali feedforward, convessità e vincoli di disuguaglianza, validazione e test della formazione, discesa del gradiente stocastico e reti neurali). L’Interpretabilità verrà poi introdotta (restrizioni alla progettazione della rete neurale, potenza delle reti neurali, limiti alla varianza dello Jacobiano). Nella parte finale del corso gli studenti avranno modo di acquisire conoscenze sui concetti di modellazione più importanti dell'econometria finanziaria (come riferimento per le prestazioni). La modellazione autoregressiva ed i modelli per serie temporali di montaggio (Box) e l'approccio di Jenkins verranno presentati. Infine, sarà introdotta la classe di modelli probabilistici per i dati finanziari quali Markov nascosto, modelli dotati di filtro Kalman, ed il filtraggio delle particelle e la sua applicazione a modelli di volatilità stocastica in finanza. Il corso si conclude con la descrizione delle reti neurali avanzate (reti neurali ricorrenti, reti neurali convoluzionali, autoencoder).

Prerequisiti e nozioni di base

Per il corso è necessario avere familiarità con la programmazione in Python così come con la matematica di base.

Programma

Durante il corso alle studentesse ed agli studenti verranno inizialmente introdotti i fondamenti dell'econometria bayesiana (inferenza, selezione del modello). Poi verranno loro presentati la Regressione Bayesiana ed i Processi Gaussiani (e.g., prezzi e grecizzazione con Processi gaussiani). Successivamente verrà fornita una descrizione approfondita dell'apprendimento supervisionato (Reti neurali feedforward, convessità e vincoli di disuguaglianza, validazione e test della formazione, discesa del gradiente stocastico e reti neurali). L’Interpretabilità verrà poi introdotta (restrizioni alla progettazione della rete neurale, potenza delle reti neurali, limiti alla varianza dello Jacobiano). Nella parte finale del corso gli studenti avranno modo di acquisire conoscenze sui concetti di modellazione più importanti dell'econometria finanziaria (come riferimento per le prestazioni). La modellazione autoregressiva ed i modelli per serie temporali di montaggio (Box) e l'approccio di Jenkins verranno presentati. Infine, sarà introdotta la classe di modelli probabilistici per i dati finanziari quali Markov nascosto, modelli dotati di filtro Kalman, ed il filtraggio delle particelle e la sua applicazione a modelli di volatilità stocastica in finanza. Il corso si conclude con la descrizione delle reti neurali avanzate (reti neurali ricorrenti, reti neurali convoluzionali, autoencoder).

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 si dividerà in lezioni teoriche e lezioni dedicate alla spiegazione e alla risoluzione di esercizi teorici e di programmazione.

Modalità di verifica dell'apprendimento

Il voto finale si baserà su un progetto da svolgere in piccoli gruppi e un esame finale.

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

Per superare l'esame gli studenti dovranno dimostrare di:
- aver compreso i principi alla base del funzionamento dei metodi di di intelligenza artificiale per applicazioni finanziarie
- essere in grado di argomentare in modo preciso e organico, senza divagazioni, sulle metodologie di intelligenza artificiale per la finanza
- saper applicare le conoscenze acquisite per risolvere problemi applicativi presentati sotto forma di esercizi, domande e progetti.

Criteri di composizione del voto finale

Il contributo al voto di progetto e esame al voto finale sarà pari.

Lingua dell'esame

English