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 2025/2026Il 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
| Insegnamenti | Crediti | TAF | SSD |
|---|
| Insegnamenti | Crediti | TAF | SSD |
|---|
| Insegnamenti | Crediti | TAF | SSD |
|---|
1 module among the following2 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)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)2 modules among the following (A.A. 2022/23 Quantum computing not activated; A.A. 2023/24: Complex systems not activated)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.
AI and finance (2022/2023)
Codice insegnamento
4S010697
Docente
Coordinatore
Crediti
6
Lingua di erogazione
Inglese
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
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.
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
