L'insegnamento di data science in economia vuole contribuire al processo formativo dello studente fornendo strumenti per le analisi quantitative che siano utili per le decisioni economiche ed aziendali. In particolare, detti obiettivi formativi sono associabili ai seguenti risultati di apprendimento attesi:
Prerequisiti
Conoscenza e capacità di comprensione Il corso intende fornire le conoscenze metodologiche e applicative di base del data science. Inoltre, si vuole fornire utili strumenti per l’analisi statistica di alcune tipologie di dati economici e aziendali. Infine, grande attenzione sarà data al 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 le moderne tecniche statistiche. Le conoscenze acquisite gli consentiranno di interpretare in modo critico le dinamiche economiche e/o aziendali.
Metodi didattici
Lo studente deve possedere le conoscenze della statistica di base.
Verifica Apprendimento
Conoscenza e capacità di comprensione La verifica dei risultati di apprendimento sarà effettuata tramite un esame scritto e orale. L’esame scritto riguarderà tutto il programma con particolare attenzione all'uso del software R. Gli studenti, inoltre, dovranno preparare e discutere alcune analisi statistiche, svolte con R, riguardante casi di studio reali (i data set possono essere trovati su internet). Tali elaborati dovrà essere inviato al docente almeno una settimana prima della data dell’esame. Il punteggio della prova d'esame è attribuito mediante un voto espresso in trentesimi.
Capacità di applicare conoscenza e comprensione Durante le prove d’esame e lo svolgimento della tesina si verifica la capacità degli studenti di applicare le conoscenze dei modelli di data science al fine di poter affrontare situazioni di analisi concrete.
Testi
Appunti del corso
James G, Witten D, Hastie T, Tibshirani R (2021). 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. Introduzione ad R. Analisi esplorativa con R. 2. Metodi statistici per l’analisi di dati economici: 2.1 Modello di regressione multipla con R. 2.2 Modello di regressione multiplo per dati territoriali con R. 2.3 Modello di regressione logistica con R. 2.4 Analisi in componenti principali con R. 2.5 Alberi di regressione con R.
Lingua Insegnamento
ITALIANO
Altre informazioni
E-mail: postigli@unich.it Per maggiori dettagli e per scaricare le slides: fad.unich.it, pagina del corso di Data Science in Economia
Giorni ed orari di ricevimento studenti: Nel I semestre il docente riceve per appuntamento (postigli@unich.it). Nel II semestre il ricevimento è fissato per il venerdì dalle ore 11:00 alle ore 13:00, scala verde 2° Piano, Viale Pindaro, 42.
