• Edizioni di altri A.A.:
  • 2022/2023
  • 2023/2024

  • Lingua Insegnamento:
    Italiano 
  • Testi di riferimento:
    James G., Witten D., Hastie T., Tibshirani R. (2013). Introduzione all'apprendimento statistico con applicazioni in R. PICCIN.
     
  • Obiettivi formativi:
    Il corso si pone come obiettivo l'acquisizione delle principali tecniche per l'esplorazione dei dati (data mining) e di apprendimento supervisionato (supervised learning) e la loro implementazione nell’ambiente di programmazione R. Durante il corso verrà data particolare enfasi al processo di modellazione dei dati per la previsione (predictive modelling). Alla fine del corso lo studente sarà in grado di affrontare l'analisi di dati complessi a fini previsivi attraverso il processo di esplorazione, manipolazione e modellazione dei dati.
    L’insegnamento persegue l’obiettivo generale del corso di studio di fornire conoscenze e competenze per funzioni esecutive nell’area economico-finanziaria di aziende e/o enti pubblici. Accanto allo studio delle metodologie sarà dato ampio spazio alle applicazioni e agli aspetti operativi con utilizzo del software statistico R.
    RISULTATI DI APPRENDIMENTO ATTESI
    La formazione a vocazione economica del corso di Studi in ECONOMIA E FINANZA DELLE IMPRESE E DEGLI ECOSISTEMI sarà quindi completata e arricchita dalle seguenti competenze:
    Conoscenze e capacità di comprensione
    - conoscere e comprendere i principali metodi di apprendimento automatico supervisionato e non supervisionato con particolare attenzione all’analisi di regressione, alla classificazione e al clustering dei dati
    comprendere i benefici dell'utilizzo dei metodi di apprendimento automatico rispetto ai metodi statistici tradizionali nella risoluzione di problemi applicativi, anche in ambito economico
    applicare le tecniche di controllo del trade-off bias-varianza, i principi della regolarizzazione e della cross-validation al fine di migliorare la previsione “out-of-sample”
    è in grado di utilizzare "Dati alternativi" ai dati e alle informazioni "standard" relative alle performance aziendali e/o indicatori macroeconomici che hanno la proprietà di essere non-strutturati, non-numerici, sparsi e altamente dimensionali con il numero di variabili che supera il numero delle osservazioni.
    Autonomia di giudizio
    - decide in modo autonomo quali strumenti utilizzare e quali analisi effettuare di fronte a dati finanziari
    - decide in modo autonomo quali strumenti utilizzare e quali analisi effettuare per poter condurre analisi esplorative e fare previsioni
    - comprendere quali tecniche statistiche siano maggiormente adatte alle finalità dell’analisi dei contesti di riferimento;
    Abilità comunicative
    - utilizza il linguaggio statistico in modo appropriato e pertinente;
    - presentare con chiarezza e completezza i risultati delle analisi statistiche, le implicazioni sul problema affrontato e i ragionamenti logici sottostanti.
    CAPACITÀ DI APPRENDERE
    - effettua ricerche individuali su aspetti specifici e temi di interesse della statistica per la finanza e l’economia (strumenti utilizzati: testi di approfondimento, esercitazioni e laboratori mediante l’utilizzo di R)
     
  • Prerequisiti:
    Prerequisiti matematici e statistici corrispondenti ad un laureato triennale in discipline economiche.
     
  • Metodi didattici:
    L’insegnamento prevede 72 ore di lezione suddivise in 3 lezioni settimanali da 2 ore. Il corso è organizzato in due moduli con l’utilizzo dei seguenti metodi didattici: lezioni frontali in aula, esercitazioni e analisi di casi di studio svolte in aula multimediale mediante l’utilizzo del software statistico R. La frequenza è fortemente consigliata.
     
  • Modalità di verifica dell'apprendimento:
    La verifica della preparazione degli studenti avverrà con esame scritto e prova orale.
    Entrambe le modalità di verifica dell’apprendimento mirano ad accertare il livello di conoscenza degli argomenti indicati nel programma ed a verificare che lo studente abbia acquisito conoscenza della disciplina dimostrando di essere in grado di leggere gli output del software statistico R, ricavare i modelli stimati e fornire l’interpretazione dei risultati ottenuti.
    La prova scritta contribuisce alla valutazione complessiva (trenta punti) nella misura del 70%. La prova orale contribuirà per il 30%.
    Il corso è suddiviso in due moduli. Agli studenti frequentanti viene data la possibilità di sostenere una prova scritta intermedia al termine del primo modulo.
    La prova scritta dura 2 ore ed è costituita da esercizi e da domande teoriche aperte su argomenti che coprono l'intero programma del corso. I punti totali (30) saranno suddivisi sulla base delle domande presenti nella prova per importanza ed estensione e preannunciati in sede d’esame. La risposta corretta a tutte le domande comporta l’attribuzione finale del voto di 30/30 con l’aggiunta della lode se le risposte dimostrano un livello di preparazione eccellente. Il mancato raggiungimento del punteggio minimo di 18/30 comporta il mancato superamento dell’esame.

    L'esame orale consiste in un colloquio articolato che ha anche lo scopo di verificare le capacità comunicative dello studente in relazione ai concetti appresi durante il corso.
    La valutazione rispetta i seguenti criteri:
    • Mancato superamento dell’esame: preparazione insufficiente
    • Da 18 a 21: preparazione sufficiente
    • Da 22 a 24: preparazione pienamente sufficiente
    • Da 25 a 26: preparazione buona
    • Da 27 a 29: preparazione molto buona
    • Da 30 a 30 e lode: preparazione ottima/eccellente
    Le modalità di esame sono le stesse per studenti frequentanti e non frequentanti.
     
  • Sostenibilità:
    Nel corso della trattazione dei modelli di data mining, le applicazioni verteranno sullo studio delle relazioni dei più importanti indicatori di sostenibilità economica, sociale e ambientale.
     
  • Altre Informazioni:
    Tutte le informazioni inerenti al corso, le dispense e i materiali di supporto (Slides, esercitazioni, routine in R, datasets) e tutte le comunicazioni avverranno attraverso il canale TEAM del corso. Qualora il quadro normativo-sanitario e le disposizioni d'Ateneo lo prevedessero, le attività didattiche e i connessi ricevimenti/gli esami di profitto
    potranno svolgersi in modalità telematica (totale o parziale). Per ogni ulteriore informazione e aggiornamento si rinvia alla consultazione del portale d'Ateneo.
     

Regressione lineare
Regressione logistica
Analisi discriminante
Analisi delle componenti principali
Cluster analysis

Regressione lineare
Regressione logistica
Analisi discriminante
Analisi delle component principali
Cluster analysis

Avvisi

Nessun avviso in evidenza

Documenti

Nessun documento in evidenza

Scopri cosa vuol dire essere dell'Ud'A

SEDE DI CHIETI
Via dei Vestini,31
Centralino 0871.3551

SEDE DI PESCARA
Viale Pindaro,42
Centralino 085.45371

email: info@unich.it
PEC: ateneo@pec.unich.it
Partita IVA 01335970693

icona Facebook   icona Twitter

icona Youtube   icona Instagram