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)