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
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.
1° Anno
| Insegnamenti | Crediti | TAF | SSD |
|---|
2° Anno Attivato nell'A.A. 2022/2023
| Insegnamenti | Crediti | TAF | SSD |
|---|
| Insegnamenti | Crediti | TAF | SSD |
|---|
| Insegnamenti | Crediti | TAF | SSD |
|---|
| Insegnamenti | Crediti | TAF | SSD |
|---|
1 module among the following (1st year: Big Data epistemology and Social research; 2nd year: Cybercrime, Data protection in business organizations, Comparative and Transnational Law & Technology)2 courses among the following (1st year: Business analytics, Digital Marketing and market research; 2nd year: Logistics, Operations & Supply Chain, Digital transformation and IT change, Statistical methods for Business intelligence)2 courses among the following (1st year: Complex systems and social physics, Discrete Optimization and Decision Making, 2nd year: Statistical models for Data Science, Continuous Optimization for Data Science, Network science and econophysics, Marketing research for agrifood and natural resources)2 courses among the following (1st year: Data Visualisation, Data Security & Privacy, Statistical learning, Mining Massive Dataset, 2nd year: Machine Learning for Data Science)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 (2021/2022)
Codice insegnamento
4S009067
Docente
Crediti
3
Offerto anche nei corsi:
- Statistical learning - PART II del corso Laurea magistrale in Mathematics [LM-40]
Lingua di erogazione
Italiano
Settore Scientifico Disciplinare (SSD)
INF/01 - INFORMATICA
Periodo
Secondo semestre dal 7 mar 2022 al 10 giu 2022.
Per visualizzare la struttura dell’insegnamento a cui questo modulo appartiene, consultare: organizzazione dell'insegnamento
Obiettivi formativi
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 dataset reali per mezzo di software Python.
Al termine del corso lo studente dovrà dimostrare di:
● conoscere le fasi principali di: analisi e preparazione dei dati
● saper utilizzare i principali modelli di regressione
● saper sviluppare soluzioni pro-feature selection
● saper utilizzare metodi di regolarizzazione, e.g., ridge regression, LASSO, elastic net, least angle regression, e classificazione
● conoscere metodi non supervisionati
● conoscere e saper sviluppare algoritmi in ambito riduzione della dimensionalità, analisi delle componenti principali (PCA), K-means clustering, Clustering gerarchico, e cross-validation
Programma
Teoria
- Modelli lineari per la regressione
- Cross-validazione
- Selezione delle variabili in modelli di regressione lineare
- Regolarizzazione per modelli di regressione lineare
- Metodi per la riduzione della dimensionalità
Laboratorio:
- Introduzione all'analisi dati con Python
- Regressione lineare (Python)
- Metodi di selezione delle variabili in modelli lineari (Python)
- Regolarizzazione Ridge e Lasso per modelli di regressione lineare(Python)
- Classificazione con regressione logistica (Python)
- Partizionamento dei dati con approcci k-means e gerarchico (Python)
- Reti neurali artificiali (Python)
Modalità d'esame
L'esame è costituito da una prova orale e dalla consegna e presentazione del codice di una delle esercitazioni svolte in laboratorio.
