Analisi dei big data - Analisi dei big data - mod. b

Informatica e analisi dei big data - Informatica e analisi dei big data - mod. b Classe: LM-16

A.A. 2024/2025
CFU 3, 3(m)
Ore 20, 20(m)
Classe di laurea LM-77, LM-16(m)

Luisa Scaccia / Professoressa di ruolo - II fascia (STAT-01/A)

Dipartimento di Economia e Diritto

Prerequisiti

Conoscenze di base di statistica descrittiva e inferenziale, e probabilità

Obiettivi del corso

Il corso ha l'obiettivo di fornire agli studenti una serie di strumenti per modellizzare e comprendere insiemi di dati complessi e di grandi dimensioni. Il taglio del corso è di tipo pratico e applicato all'apprendimento statistico in ambito aziendale, del marketing e della finanza. Le esercitazioni previste hanno lo scopo di illustrare l'implementazione dei vari metodi di apprendimento statistico utilizzando il software statistico R e servono allo studente per acquisire consapevolezza del proprio grado di comprensione e conoscenza dei temi trattati.

Programma del corso

Il corso introduce i metodi lineari avanzati di apprendimento statistico supervisionato e alcune tecniche di apprendimento statistico non supervisionato. Nella prima parte del corso vengono considerate tecniche di apprendimento supervisionato, quali regressione ridge e lasso, e metodi particolarmente indicati in problemi ad alta dimensionalità, quali la regressione delle componenti principali e i minimi quadrati parziali. La parte conclusiva del corso considera metodi di apprendimento non supervisionato come l'analisi in componenti principali e le metodologie di clustering gerarchico e non gerarchico.

Testi (A)dottati, (C)onsigliati

(A); G. James, D. Witten, T. Hastie, R. Tibshirani; Introduzione all’apprendimento statistico con applicazioni in R; Piccin, Padova, 2020; Capitoli: 6 e 10; ISBN: 978-88-299-3094-4

Altre informazioni / materiali aggiuntivi

I lucidi utilizzati a lezione saranno disponibili nel canale Teams del corso, insieme a testo e soluzione delle esercitazioni e delle prove scritte dei passati appelli, e ad ogni altro supporto didattico utilizzato durante le lezioni.

Metodi didattici

- Lezioni frontali
- Esercitazioni
- Slide
- Project work
- Utilizzo del linguaggio di programmazione open source R

Modalità di valutazione

L'esame finale consiste in una prova scritta, e in un project work.
La prova scritta è costituita da domande di teoria. Nessun materiale didattico è consultabile durante la prova scritta.
Il project work consiste in un lavoro applicativo da svolgere autonomamente o in gruppo di max 3 persone su dataset concordati con il docente, su cui applicare i principali argomenti svolti a lezione, utilizzando il linguaggio di programmazione R. E' naturalmente possibile utilizzare il libro di testo e tutto il materiale didattico ritenuto necessario, durante la stesura del project work.
Il project work va consegnato il giorno della prova scritta.
La prova orale è facoltativa.
La prova scritta e il project work (ed eventualmente la prova orale) contribuiscono in egual misura al risultato finale.

I criteri adottati per la graduazione dei voti della prova scritta, del project work e della prova orale sono i seguenti:
a) conoscenza e comprensione dei concetti teorici (il 30% sul totale della valutazione complessiva)
b) capacità di applicare le conoscenze (il 40% sul totale della valutazione complessiva)
c) autonomia di giudizio e di pensiero critico (il 30% sul totale della valutazione complessiva)

Lingue, oltre all'italiano, che possono essere utilizzate per l'attività didattica

Inglese

Lingue, oltre all'italiano, che si intende utilizzare per la valutazione

Italiano