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.

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 2025/2026

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.

CURRICULUM TIPO:

1° Anno 

InsegnamentiCreditiTAFSSD

2° Anno   Attivato nell'A.A. 2021/2022

InsegnamentiCreditiTAFSSD
6
B
MAT/05
Final exam
32
E
-
Attivato nell'A.A. 2021/2022
InsegnamentiCreditiTAFSSD
6
B
MAT/05
Final exam
32
E
-
Insegnamenti Crediti TAF SSD
Tra gli anni: 1°- 2°
1 module between the following
Tra gli anni: 1°- 2°
1 module between the following 
Tra gli anni: 1°- 2°
Tra gli anni: 1°- 2°
Other activities
4
F
-

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

4S008279

Crediti

3

Lingua di erogazione

Inglese en

Settore Scientifico Disciplinare (SSD)

INF/01 - INFORMATICA

Periodo

I semestre dal 1 ott 2020 al 29 gen 2021.

Per visualizzare la struttura dell’insegnamento a cui questo modulo appartiene, consultare:  organizzazione dell'insegnamento

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

Testi di riferimento
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.

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