Economia e Gestione della Trasformazione Digitale
Cod 112657
- Laurea magistrale
- 2 anni
- 120 CFU
- LM-56 R / LM-77 R
STAT-01/A
Statistical learning
Codice: 21210514
Scheda insegnamento
- Anno Accademico di erogazione
- 2026/2027
- Corso di studi
- Economia e Gestione della Trasformazione Digitale
- Periodo di erogazione
- Secondo semestre
- CFU
- 9 CFU
- Lingua
- Italiano
- SSD
- STAT-01/A
Scopri il programma didattico
Programma, testi adottati e modalità d’esame sono quelli pubblicati dai docenti per l’anno accademico 2026/2027. L’insegnamento è diviso in canali: ogni canale ha il suo programma.
- Docente
- Francesca Fortuna
- Curriculum
- Economia della trasformazione digitale LM-56 R
- Anno di corso
- 1
- Periodo
- Secondo semestre
- Ore
- 60
- CUIN
- 260007209
Programma
Introduzione allo statistical learning. Errore di training ed errore di test: implicazioni sulla flessibilità del modello nella regressione. Scomposizione dell’errore di test. Trade-off tra bias e varianza.
Richiami di modelli di regressione lineare multipla. Funzioni base per la regressione: polinomi, polinomi a tratti e splines. Truncated basis e scelta del numero di nodi.
Stima indiretta dell’errore di test: statistiche di Mallow, AIC e BIC. Stima diretta dell’errore di test: validation set, LOOCV, K-fold CV e bootstrap. Regressione ridge e regressione lasso.
Introduzione ai problemi di classificazione. Classificatore di Bayes e Naive Bayes. Metodo dei vicini più vicini, KNN, matrice di confusione e metriche derivate.
Introduzione agli alberi decisionali di regressione e di classificazione. Potatura dell’albero. Metodi ensemble: bagging, random forest e boosting.
Laboratorio R sugli argomenti trattati.
Prerequisiti
Conoscenze di algebra lineare, statistica inferenziale, modello di regressione lineare multiplo.
Testi adottati
James, G., Witten, D., Hastie, T., Tibshirani, R. (2021). Introduzione all'apprendimento statistico. Con applicazioni in R. Springer.
Modalità di erogazione
L’insegnamento è strutturato in 60 ore di didattica frontale, con lezioni teoriche e pratiche (con utilizzo del software RStudio).
Modalità di frequenza
La frequenza non è obbligatoria, ma fortemente raccomandata.
Modalità di valutazione
Esame orale.
Durante il corso si svolgeranno due prove scritte intermedie (la prima a metà corso circa e la seconda in prossimità della fine del corso). L'accesso alle prove intermedie è consentito a tutti gli studenti del corso (frequentanti e non). La prenotazione alle prove intermedie avverrà esclusivamente tramite Gomp.
Prove previste
- Prova orale
- Prove intermedie
- Docente
- Francesca Fortuna
- Curriculum
- Gestione aziendale della trasformazione digitale LM-77 R
- Anno di corso
- 1
- Periodo
- Secondo semestre
- Ore
- 60
- CUIN
- 260007215
Programma
Introduzione allo statistical learning. Errore di training ed errore di test: implicazioni sulla flessibilità del modello nella regressione. Scomposizione dell’errore di test. Trade-off tra bias e varianza.
Richiami di modelli di regressione lineare multipla. Funzioni base per la regressione: polinomi, polinomi a tratti e splines. Truncated basis e scelta del numero di nodi.
Stima indiretta dell’errore di test: statistiche di Mallow, AIC e BIC. Stima diretta dell’errore di test: validation set, LOOCV, K-fold CV e bootstrap. Regressione ridge e regressione lasso.
Introduzione ai problemi di classificazione. Classificatore di Bayes e Naive Bayes. Metodo dei vicini più vicini, KNN, matrice di confusione e metriche derivate.
Introduzione agli alberi decisionali di regressione e di classificazione. Potatura dell’albero. Metodi ensemble: bagging, random forest e boosting.
Laboratorio R sugli argomenti trattati.
Prerequisiti
Conoscenze di algebra lineare, statistica inferenziale, modello di regressione lineare multiplo.
Testi adottati
James, G., Witten, D., Hastie, T., Tibshirani, R. (2021). Introduzione all'apprendimento statistico. Con applicazioni in R. Springer.
Modalità di erogazione
L’insegnamento è strutturato in 60 ore di didattica frontale, con lezioni teoriche e pratiche (con utilizzo del software RStudio).
Modalità di frequenza
La frequenza non è obbligatoria, ma fortemente raccomandata.
Modalità di valutazione
Esame orale.
Durante il corso si svolgeranno due prove scritte intermedie (la prima a metà corso circa e la seconda in prossimità della fine del corso). L'accesso alle prove intermedie è consentito a tutti gli studenti del corso (frequentanti e non). La prenotazione alle prove intermedie avverrà esclusivamente tramite Gomp.
Prove previste
- Prova orale
- Prove intermedie
Esplora gli obiettivi dell’insegnamento
Ambito disciplinare: Discipline Statistiche e Matematiche
Il corso mira ad esplorare i concetti fondamentali dell'apprendimento statistico, introducendo una vasta gamma di strumenti e tecniche, quali modelli lineari e non lineari, alberi decisionali, reti neurali e metodi di riduzione della dimensionalità. L'obiettivo principale è quello di fornire sia conoscenze teoriche che competenze pratiche nella manipolazione e nell'analisi dei dati, nonché nella valutazione e nell'interpretazione dei risultati dei modelli con particolare attenzione ai problemi di apprendimento supervisionato. Saranno affrontati problemi reali, al fine di comprendere i principi teorici alla base degli algoritmi di apprendimento ed apprenderne l'applicazione efficace utilizzando specifiche librerie del software statistico R.
Risultati di apprendimento attesi — Francesca Fortuna
Al termine del corso, lo studente avrà acquisito conoscenze e competenze relative ai principali metodi di Statistical Learning e sarà in grado di utilizzarli per l’analisi, l’interpretazione e la previsione a partire da dati reali.
In particolare, lo studente sarà in grado di:
* comprendere i principi fondamentali dell’apprendimento statistico supervisionato e non supervisionato;
* distinguere tra problemi di regressione, classificazione e apprendimento non supervisionato e individuare le metodologie più appropriate nei diversi contesti applicativi;
* comprendere il compromesso tra bias e varianza e i concetti di overfitting e underfitting;
* applicare e interpretare i principali metodi di regressione e classificazione;
* utilizzare tecniche di selezione e regolarizzazione dei modelli;
* applicare metodi basati su alberi decisionali e altri principali algoritmi di Statistical Learning;
* utilizzare tecniche di riduzione della dimensionalità e di clustering;
* valutare e confrontare le prestazioni predittive dei modelli mediante opportuni criteri e procedure di validazione, incluse tecniche di cross-validation;
* interpretare criticamente i risultati ottenuti, valutando l’adeguatezza del modello e i suoi limiti;
* applicare le metodologie apprese a dataset reali mediante l’utilizzo di appropriati strumenti software statistici;
* comunicare in modo chiaro i metodi utilizzati e i risultati dell’analisi, utilizzando un linguaggio statistico appropriato.
Risultati di apprendimento attesi — Francesca Fortuna
Al termine del corso, lo studente avrà acquisito conoscenze e competenze relative ai principali metodi di Statistical Learning e sarà in grado di utilizzarli per l’analisi, l’interpretazione e la previsione a partire da dati reali.
In particolare, lo studente sarà in grado di:
* comprendere i principi fondamentali dell’apprendimento statistico supervisionato e non supervisionato;
* distinguere tra problemi di regressione, classificazione e apprendimento non supervisionato e individuare le metodologie più appropriate nei diversi contesti applicativi;
* comprendere il compromesso tra bias e varianza e i concetti di overfitting e underfitting;
* applicare e interpretare i principali metodi di regressione e classificazione;
* utilizzare tecniche di selezione e regolarizzazione dei modelli;
* applicare metodi basati su alberi decisionali e altri principali algoritmi di Statistical Learning;
* utilizzare tecniche di riduzione della dimensionalità e di clustering;
* valutare e confrontare le prestazioni predittive dei modelli mediante opportuni criteri e procedure di validazione, incluse tecniche di cross-validation;
* interpretare criticamente i risultati ottenuti, valutando l’adeguatezza del modello e i suoi limiti;
* applicare le metodologie apprese a dataset reali mediante l’utilizzo di appropriati strumenti software statistici;
* comunicare in modo chiaro i metodi utilizzati e i risultati dell’analisi, utilizzando un linguaggio statistico appropriato.
Obiettivi di sostenibilità
- 1 Sconfiggere la povertà
- 2 Sconfiggere la fame
- 3 Salute e benessere
- 4 Istruzione di qualità
- 5 Parità di genere
- 6 Acqua pulita e servizi igienico-sanitari
- 7 Energia pulita e accessibile
- 8 Lavoro dignitoso e crescita economica
- 9 Imprese, innovazione e infrastrutture
- 10 Ridurre le disuguaglianze
- 11 Città e comunità sostenibili
- 12 Consumo e produzione responsabili
- 13 Lotta contro il cambiamento climatico
- 14 Vita sott’acqua
- 15 Vita sulla Terra
- 16 Pace, giustizia e istituzioni solide
- 17 Partnership per gli obiettivi
Informazioni utili
Per questo insegnamento non sono pubblicate informazioni aggiuntive. Materiale didattico e documenti si trovano sulla piattaforma del corso.