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

A.A. 2026/2027 A.A. 2025/2026 A.A. 2024/2025

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
MAT/06
12
B
INF/01
9
B
SECS-P/08
9
B/C
IUS/01 ,M-FIL/03

2° Anno  Sarà attivato nell'A.A. 2026/2027

InsegnamentiCreditiTAFSSD
Final exam
21
E
-
Sarà attivato nell'A.A. 2026/2027
InsegnamentiCreditiTAFSSD
Final exam
21
E
-
Insegnamenti Crediti TAF SSD
Tra gli anni: 1°- 2°
1 module among the following
6
B
MAT/08
6
B
MAT/09
6
B
MAT/06
Tra gli anni: 1°- 2°
2 modules among the following
6
B
INF/01
6
B
INF/01
6
B
ING-INF/05
6
B
ING-INF/05
6
B
INF/01
Tra gli anni: 1°- 2°
1 module among the following  
A.A. 2025/26 e 2026/27 - Network science and econophysics not activated
A.A. 2026/27 Complex systems and social physics not activated
6
C
FIS/02
6
C
FIS/02
6
C
SECS-S/01
Tra gli anni: 1°- 2°
1 module among the following
6
C
M-FIL/02
6
C
IUS/02
6
C
IUS/17
6
C
IUS/04
6
C
SPS/07
Tra gli anni: 1°- 2°
2 modules among the following
6
C
SECS-P/10
6
C
SECS-P/08
6
C
SECS-P/10
6
C
SECS-P/08
6
C
AGR/01
Tra gli anni: 1°- 2°
Further activities: International students (i.e. students who do not have an Italian bachelor's degree) must compulsorily gain 3 credits of Italian language skills level B2.
6
F
-
Tra gli anni: 1°- 2°
12
D
-

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

Statistical methods for business intelligence  (2025/2026)

Codice insegnamento

4S009074

Docente

Viktorya Vardanyan

Crediti

6

Lingua di erogazione

Inglese en

Settore Scientifico Disciplinare (SSD)

SECS-S/01 - STATISTICA

Periodo

I semestre dal 1 ott 2025 al 30 gen 2026.

Corsi Singoli

Autorizzato

Orario Lezioni MoodleMoodle Seminari 0

Obiettivi di apprendimento

Il corso introdurrà i fondamenti modellistico/quantitativi della moderna teoria Business Analytics (BA), sfruttando un rigoroso approccio matematico al fine di affrontare in modo efficace casi di studio reali. Attraverso strumenti probabilistico/statistici di analisi descrittiva e predittiva, il corso fornirà elementi di analisi predittiva, analisi del rischio, simulazione e data mining ed analisi decisionale. Gli studenti acquisiranno gli strumenti teorici fondamentali tanto per sviluppare modelli atti alla gestione delle tipiche sfide in BA, quanto per comunicarne concretamente i risultati ai professionisti del settore, così da fornire soluzioni brillanti a problemi specifici in modalità sinergica e proattiva. Una grande enfasi verrà data alle applicazioni del mondo reale, facendo anche uso di pacchetti specifici pro analisi, manipolazione e previsione dei dati (e.g.: Rapidminer, Orange, Knime, R-AnalyticFlow, ecc.). Al termine del corso lo studente dovrà dimostrare di: - avere padronanza della tipica pipeline: query, reporting e elaborazione analitica online' - saper controllare il flusso analitico/quantitativo, ovvero gestione I/O dei dati, previsione e ottimizzazione - saper sviluppare modelli in ambito predictive analytics - saper sviluppare modelli in ambito data mining e cluster analysis - saper classificare all’interno di basi dati eterogenee - saper sviluppare modelli pro customer retention rate, targeting marketing, anche in relazione ad ambiti social media, financial (portfolio, insurance, etc.) analytics.

Programma

Programma del Corso (10 Moduli che coprono 24 Lezioni):
1. Fondamenti di Probabilità e Statistica
2. Statistiche Descrittive: Sintesi e Visualizzazione dei Dati
3. Likelihood e Stima dei Parametri
4. Regressione Lineare Semplice e Multipla
5. Analisi delle Serie Temporali e Modellazione ARIMA
6. Metodi di Classificazione: KNN, Naive Bayes e Decision Tree
7. Reti Neurali e Gradient Descent
8. Regressione Logistica
9. Clustering
10. Data Mining
Nota: Python sarà utilizzato durante tutto il corso per tutti gli esercizi pratici e le implementazioni.

Modalità didattiche

Tutte le lezioni includono slide e codice Python, che saranno forniti agli studenti per esercizi pratici e attività hands-on.

Modalità di verifica dell'apprendimento

L’esame finale sarà una prova scritta. Gli studenti dovranno rispondere alle domande fornendo spiegazioni e calcoli secondo quanto richiesto.

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

L’esame finale scritto coprirà tutti gli argomenti del corso e determinerà il voto finale dello studente.

Lingua dell'esame

Inglese / English