Codice insegnamento

4S008960

Docente

Alessandro Zonin

Coordinatore

Alessandro Zonin

Crediti

6

Lingua di erogazione

Italiano

Settore Scientifico Disciplinare (SSD)

SECS-S/01 - STATISTICA

Periodo

Secondo semestre L dal 17 feb 2025 al 30 mag 2025.

Corsi Singoli

Autorizzato

Orario Lezioni Moodle Seminari 0

Obiettivi di apprendimento

L’insegnamento si propone di introdurre le basi dello “statistical learning” e le tecniche per analizzare grandi insiemi di dati con struttura complessa. Un’attenzione particolare è posta sui metodi di regressione e di classificazione, i quali sono studiati sia da un punto di vista statistico sia da un punto di vista computazionale. Tutte le tecniche e i metodi presentati sono applicati a casi reali con l’utilizzo del software statistico R. L’enfasi sugli aspetti applicativi e l’analisi di casi di studio ha come obiettivo quello di sviluppare la capacità degli studenti di analizzare grandi insiemi di dati di interesse aziendale, economico e finanziario, padroneggiando le principali tecnologie per la gestione e l’analisi dei dati e le principali tecniche di machine learning. Argomenti principali - Introduzione all'apprendimento statistico - Modelli di regressione lineare (selezione dei predittori, metodi di shrinkage) - Metodi lineari per la classificazione (classificatore di Bayes, regressione logistica) - Valutazione e selezione del modello (bias-variance tradeoff, convalida incrociata)

Prerequisiti e nozioni di base

Non sono richiesti prerequisiti specifici.

Programma

Il corso si articola in quattro parti:
• Introduzione alla data analysis e ai big data. Concetti, definizioni, sfide e opportunità. Fonti, tipologie e caratteristiche dei dati. Ciclo di vita dei dati. Data management e data governance.
• Strumenti e Metodi. Software per l'estrazione, manipolazione, analisi e visualizzazione dei dati, tra cui Socioviz, KNIME e Power BI. Data cleaning e data preparation. Difetti di qualità dei dati. Dati duplicati. Missing values. Machine Learning e Generative AI. Approfondimento delle tecniche di data visualization, dashboard e storytelling.
• Analisi dei dati in vari settori e domini. Esempi e casi studio in ambiti quali: business, marketing, social media analysis e social network analysis.
• Valutazione e comunicazione dei dati e delle analisi. Criteri e indicatori per la qualità, la rilevanza e l'etica dei dati e delle analisi. Principi e buone pratiche per la comunicazione dei dati e delle analisi. Scrittura di report, articoli, presentazioni. Discussione e confronto di risultati e implicazioni.

Bibliografia

Modalità didattiche

L’insegnamento è strutturato in 48 ore di didattica (4 CFU di lezione e 2 CFU di esercitazione). La didattica, che si costituisce di lezioni teoriche e pratiche, è erogata in presenza con videoregistrazioni.
Con l’obiettivo di massimizzare l’efficacia dell’insegnamento e di garantire il corretto bilanciamento tra teoria e laboratorio la settimana tipo dell’insegnamento è caratterizzata come segue:
• Lezione teorica con eventuale intervento esterno di esperti di settore, in presenza o attraverso videoconferenze
• Laboratori hands-on per l'applicazione pratica dei concetti
• Discussione e analisi di casi studio.

Modalità di verifica dell'apprendimento

L’esame è composto da una prova scritta; non sono previste integrazioni orali.

Criteri di valutazione

La prova scritta dura un’ora e trenta minuti e copre l’intero programma del corso. Durante la prova non è possibile usare appunti nè altro materiale didattico.

Criteri di composizione del voto finale

Esame scritto con domande a risposta multipla ed eventuali domande aperte. Non sono previsti appelli intermedi.

Lingua dell'esame

Italiano