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 Mathematics - 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 between the following
1 module between the following
3 modules among the following
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.
Statistical learning - PART II (2020/2021)
Codice insegnamento
4S008279
Docente
Crediti
3
Lingua di erogazione
Inglese
Settore Scientifico Disciplinare (SSD)
INF/01 - INFORMATICA
Periodo
I semestre dal 1 ott 2020 al 29 gen 2021.
Obiettivi formativi
L'obiettivo del modulo è quello di introdurre metodi di modellazione statistica ed analisi dati descrittiva. Tecniche di addestramento supervisionato e non supervisionato saranno presentate sia dal punto di vista teorico che applicativo con la presentazione di alcuni esempi pratici. Nelle sessioni di laboratorio verrà illustrato l'utilizzo di algoritmi applicati a specifici casi di studio, utilizzando principalmente i linguaggi di programmazione R e Python.
Programma
- Introduzione all'analisi dati con R e Python
- Metodi di regressione lineare (regressione lineare, minimi quadrati, MLE: stima, predizione, test con assunzioni Gaussiane, selezione di variabili)
- Metodi di regolarizzazione (Ridge regression, Least absolute shrinkage and selection operator, [Elastic net, Least angle regression])
- Metodi di classificazione lineare (regressione logistica, MLE: stima, predizione, selezione di variabili)
- Selezione di modelli lineari (cross-validazione, metodi di bootstrap)
- Metodologie di clustering (k-means, analisi delle componenti principali, clustering spettrale)
- Introduzione alle reti neurali
Autore | Titolo | Casa editrice | Anno | ISBN | Note |
---|---|---|---|---|---|
T. Hastie, R. Tibshirani, J. Friedman. | The elements of statistical learning. Data mining, inference, and prediction. (Edizione 2) | Springer | 2009 |
Modalità d'esame
L'obiettivo dell'esame è quello di valutare le capacità dello studente di comprendere ed utilizzare le metodologie di modellazione statistica presentate nel corso. L'esame consiste nello sviluppo di un progetto applicativo relativo ad uno specifico caso di studio ed alla relativa discussione ed analisi in modalità orale.