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.
Verifica 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.
Testi
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.
Contenuti
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
