L’obiettivo formativo per lo studente è che raggiunga i seguenti risultati di apprendimento:
Conoscenza e capacità di comprensione
Il corso intende fornire avanzamenti metodologici ed applicativi di specifici metodi di data science. In particolare, gli studenti analizzeranno alcune tipologie di dati economici e aziendali tramite specifiche tecniche statistiche. Si vuole, inoltre, spingere gli studenti a specializzarsi nell'uso del pacchetto statistico open source R.
Capacità di applicare conoscenza e comprensione
Al termine del corso di insegnamento, lo studente anche con l’aiuto di casi di studi concreti svolti con il software statistico R, sarà in grado di analizzare data-base, anche di grandi dimensione, con sofisticati metodi statistici. Le conoscenze acquisite gli consentiranno di interpretare in modo critico le relazioni economiche e/o aziendali.
Prerequisiti
Lo studente deve possedere le conoscenze dei metodi di base di data science.
Metodi didattici
Lezioni orali. Esercitazioni pratiche con il software R.
Verifica Apprendimento
Conoscenza e capacità di comprendere
Per verificare l'apprendimento è previsto un esame scritto ed un orale. L’esame scritto consisterà in domande teoriche ed esercizi sull'intero programma con particolare attenzione all'uso del software R, simulando alcune analisi statistiche su casi reali. La valutazione finale, espressa in trentesimi, tiene conto sia dello scritto che dell’orale.
Capacità di applicare conoscenza e comprensione
Durante lo scritto e l’orale, la capacità degli studenti di applicare la conoscenza di modelli avanzati di data science viene verificata in modo da essere in grado di trattare casi di studio specifici.
Testi
Appunti del corso James G, Witten D, Hastie T, Tibshirani R (2013). An Introduction to Statistical Learning with Applications in R. Springer.
Per ulteriori approfondimenti: Giudici P, Figini S (2009). Applied Data Mining for Business and Industry. Wiley Ledolter J. (2013). Data Mining and Business Analytics With R. Wiley Shmueli G, Bruce PC, Yahav I, Patel NR, Lichtendahl KC, Jr. (2018). Data Mining for Business Analytics. Wiley
Contenuti
1. Analisi di dati Network 2. Metodi Regressivi Avanzati 3. Cluster Analysis 4. Serie Storiche 5. Analisi Fattoriale e Modelli ad Equazioni Strutturali 6. Analisi delle Corrispondenze 7. Multidimensional Scaling
Lingua Insegnamento
ITALIANO
Altre informazioni
E-mail: benedett@unich.it. Giorni ed orari di ricevimento studenti: Nel I semestre il docente riceve per appuntamento (benedett@unich.it). Nel II semestre il ricevimento è fissato per il mercoledì dalle ore 16:00 alle ore 18:00, studio DEC 2° Piano, Viale Pindaro 42.
