CLEF/M

Lingua Insegnamento:

Inglese
Testi di riferimento:

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer. https://doi.org/10.1007/978-0-387-84858-7 Wei, W. W. S. (2006). Time Series Analysis: Univariate and Multivariate Methods (2nd ed.). Pearson/Addison Wesley.
Obiettivi formativi:

Obiettivi formativi e risultati di apprendimento attesi: Conoscenza e capacità di comprensione Il corso si propone di fornire strumenti metodologici e applicativi relativi a specifici metodi della data science nell’ambito dell’economia. In particolare, gli studenti analizzeranno dati economici e aziendali attraverso tecniche statistiche specifiche, dalle più elementari alle più avanzate. Gli studenti saranno incoraggiati ad applicare i metodi illustrati utilizzando il software R. Capacità di applicare conoscenza e comprensione Al termine del corso, lo studente sarà in grado di analizzare basi di dati, anche di grandi dimensioni, utilizzando metodi statistici avanzati, attraverso l’analisi di casi di studio condotti con il software statistico R. Le conoscenze acquisite gli permetteranno di interpretare criticamente relazioni economiche e/o aziendali e di padroneggiare alcuni dei metodi quantitativi utili per analizzare i dati economici.
Prerequisiti:

Conoscenze di base di inferenza statistica e del software R.
Metodi didattici:

Lezioni frontali. Esercitazioni pratiche in R.
Modalità di verifica dell'apprendimento:

Conoscenze e capacità di comprensione La verifica dell’apprendimento sarà effettuata tramite prove programmate, costituite da domande teoriche ed esercizi empirici che coprono l’intero programma del corso. La valutazione comprende simulazioni pratiche di analisi statistiche su casi reali utilizzando R. Il voto finale, espresso in trentesimi, tiene conto sia della prova teorica che delle applicazioni in R. Capacità di applicare conoscenze e comprensione Durante la prova scritta e l’esame orale, verrà valutata la capacità degli studenti di applicare modelli avanzati di data science a casi specifici.
Sostenibilità:
Obiettivi Agenda 2030 per lo sviluppo sostenibile:

Questo insegnamento concorre alla realizzazione degli obiettivi ONU dell'Agenda 2030 per lo Sviluppo Sostenibile
Altre Informazioni:

Le lezioni affronteranno i seguenti argomenti Metodi lineari per la regressione Apprendimento non supervisionato I – Analisi dei cluster Apprendimento non supervisionato II – Analisi delle componenti principali Fondamenti dell’analisi delle serie storiche

1) Metodi lineari per la regressione Modelli di regressione lineare semplice e multipla Assunzioni alla base della regressione lineare Diagnostica e validazione del modello (analisi dei residui, multicollinearità, eteroschedasticità) Metodi di selezione delle variabili (stepwise, LASSO, regressione Ridge) Interpretazione dei coefficienti e test di ipotesi Estensioni: regressione polinomiale, termini di interazione Applicazione della regressione lineare con R 2) Apprendimento non supervisionato I – Analisi Cluster Introduzione al clustering e ai suoi scopi Tipi di metodi di clustering: gerarchico vs partizionato Metriche di distanza (euclidea, Manhattan, similarità coseno) Clustering gerarchico agglomerativo e divisivo Clustering K-means e scelta del numero di cluster Validazione e interpretazione dei cluster Esempi pratici con R 3) Apprendimento non supervisionato II – Analisi delle Componenti Principali (PCA) Concetto di riduzione della dimensionalità e spiegazione della varianza Fondamenti matematici della PCA Autovalori, autovettori e componenti principali Scree plot e selezione delle componenti Interpretazione dei risultati della PCA nel contesto dei dati economici e aziendali Uso della PCA per la visualizzazione dei dati e la riduzione del rumore Esecuzione della PCA con R e visualizzazione dei risultati 4) Fondamenti di analisi delle serie temporali Introduzione ai dati delle serie temporali e loro componenti (trend, stagionalità, rumore) Stazionarietà e differenziazione Funzioni di autocorrelazione e autocorrelazione parziale (ACF e PACF) Modelli semplici per serie temporali: AR, MA e ARMA Nozioni di base sulla previsione e valutazione dei modelli Introduzione ai metodi per serie non stazionarie (ARIMA) Esercitazioni con R (es. previsione di indicatori economici e finanziari)