L'insegnamento è organizzato come segue:

Obiettivi di apprendimento

L’insegnamento si propone di introdurre 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 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 data-set reali per mezzo di software Python. Al termine del corso lo studente dovrà dimostrare di: - conoscere le fasi principali di preparazione dei dati, costruzione e valutazione del modello; - saper sviluppare soluzioni per la selezione delle “feature”; - conoscere e saper utilizzare i principali modelli di regressione e regolarizzazione (e.g., LASSO, “Ridge Regression”); - conoscere e sapere utilizzare i principali metodi per la riduzione della dimensionalità (e.g., “Principal Component Regression”, “Partial Least Squares”); - conoscere e saper utilizzare i principali metodi per la classificazione (e.g., KNN, “Logistic Regression”, LDA) - conoscere e saper utilizzare i principali metodi di regressione e classificazione basati su alberi (e.g., alberi di decisione, “random forest”, AdaBoost); - conoscere e saper utilizzare i principali metodi per l’analisi dei dati non supervisionati (e.g., “K-means clustering”, Clustering gerarchico); - conoscere e saper utilizzare i principali metodi per la generazione e l’addestramento di reti neurali (e.g., ANN per regressione e classificazione, backpropagation e metodi di discesa del gradiente, regularizzazione per prevenire l’overfitting, deep neural networks, transformers per forecasting di serie temporali).