| ECONOMETRIA APPLICATA & DATA SCIENCE |
|
Codice
|
8012083 |
|
Lingua
|
ITA |
|
Tipo di attestato
|
Attestato di profitto |
| Modulo: ECONOMETRIA APPLICATA
(obiettivi)
OBIETTIVI FORMATIVI:
Il corso si prefigge di fornire agli studenti nozioni base di statistica applicata.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE:
All'interno del corso saranno trattate delle metodologie statistiche di base per l'analisi quantitativa dei fenomeni sociali e macro e microeconomici.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:
Lo studente al termine del corso sarà in grado di: - discutere e applicare i metodi fondamentali propri dell'inferenza statistica e di utilizzare in modo consapevole la programmazione in R.
AUTONOMIA DI GIUDIZIO:.
Lo studente al termine del corso sarà in grado di: - discutere e applicare i metodi fondamentali propri dell'inferenza statistica e di utilizzare in modo consapevole la programmazione in R.
ABILITÀ COMUNICATIVE:
Capacità di comunicare le ricerche effettuate con linguaggio scientifico
|
|
Codice
|
M-6288 |
|
Lingua
|
ITA |
|
Tipo di attestato
|
Attestato di profitto |
|
Crediti
|
6
|
|
Settore scientifico disciplinare
|
SECS-P/05
|
|
Ore Aula
|
36
|
|
Ore Studio
|
-
|
|
Attività formativa
|
Attività formative caratterizzanti
|
Canale Unico
|
Docente
|
TROVATO GIOVANNI
(programma)
Il modello di regressione lineare OLS
I modelli per variabili binarie e di conteggio
I Modelli Lineari Generalizzati
 Materiale didattico:
Testi Consigliati
J. J. Faraway Extending the Linear Model with R, Generalized Linear, Mixed Effects end NOnparametric Regression Models, Chapman & Hall 2006
Cap. 1, 2, 3, 6,9
Dispense Fornite in Aula
|
|
Date di inizio e termine delle attività didattiche
|
- |
|
Modalità di erogazione
|
Tradizionale
|
|
Modalità di frequenza
|
Non obbligatoria
|
|
Metodi di valutazione
|
Prova orale
|
|
|
| Modulo: DATA SCIENCE |
|
Codice
|
M-6289 |
|
Lingua
|
ITA |
|
Tipo di attestato
|
Attestato di profitto |
|
Crediti
|
6
|
|
Settore scientifico disciplinare
|
SECS-S/03
|
|
Ore Aula
|
36
|
|
Ore Studio
|
-
|
|
Attività formativa
|
Attività formative caratterizzanti
|
Canale Unico
|
Docente
|
TROVATO GIOVANNI
(programma)
Il modello di regressione lineare OLS
I modelli per variabili binarie e di conteggio
I Modelli Lineari Generalizzati
Machine Learning: Training, validation and testing, cross-validation, back-testing, hyper-parameter tuning. (Questo forse si può fare all'inizio)
Supervised learning
- linear regression: regolarizzazione (lasso, ridge, elastic net);
- logistic regression, naive Bayes, classificazione e alberi decisionali, k-nearest-neighbors;
- neural networks: architetture (single layer, multi-layer ANNs), funzioni di attivazione, algoritmo del gradiente. Introduzione al deep learning.
Unsupervised Learning
- Classification
- Clustering
- Data Reduction
(PCA, Kmeans, Hierachical Methods, Mixtures)
J. J. Faraway Extending the Linear Model with R, Generalized Linear, Mixed Effects end NOnparametric Regression Models, Chapman & Hall 2006
Dispense Fornite in Aula
J. Hull, Machine Learning in Business, III Edition
HASTIE, Trevor, et al. The elements of statistical learning: data mining, inference, and prediction. New York: springer, 2009.
|
|
Date di inizio e termine delle attività didattiche
|
- |
|
Modalità di erogazione
|
Tradizionale
|
|
Modalità di frequenza
|
Non obbligatoria
|
|
Metodi di valutazione
|
Prova orale
Valutazione di un progetto
|
|
Docente
|
RAMPONI ALESSANDRO
(programma)
Il modello di regressione lineare OLS
I modelli per variabili binarie e di conteggio
I Modelli Lineari Generalizzati
Machine Learning: Training, validation and testing, cross-validation, back-testing, hyper-parameter tuning. (Questo forse si può fare all'inizio)
Supervised learning
- linear regression: regolarizzazione (lasso, ridge, elastic net);
- logistic regression, naive Bayes, classificazione e alberi decisionali, k-nearest-neighbors;
- neural networks: architetture (single layer, multi-layer ANNs), funzioni di attivazione, algoritmo del gradiente. Introduzione al deep learning.
Unsupervised Learning
- Classification
- Clustering
- Data Reduction
(PCA, Kmeans, Hierachical Methods, Mixtures)
J. J. Faraway Extending the Linear Model with R, Generalized Linear, Mixed Effects end NOnparametric Regression Models, Chapman & Hall 2006
Dispense Fornite in Aula
J. Hull, Machine Learning in Business, III Edition
HASTIE, Trevor, et al. The elements of statistical learning: data mining, inference, and prediction. New York: springer, 2009
|
|
Date di inizio e termine delle attività didattiche
|
- |
|
Modalità di erogazione
|
Tradizionale
|
|
Modalità di frequenza
|
Non obbligatoria
|
|
Metodi di valutazione
|
Prova orale
|
|
|
|
