-
Lingua Insegnamento:Italiano
-
Testi di riferimento: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 -
Obiettivi formativi: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.
-
Modalità di verifica dell'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. -
Sostenibilità:Molti degli esempi descritti durante il corso si ispirano a noti modelli utilizzati per studiare alcune tematiche centrali nella sostenibilità ambientale, sociale ed economica. Tra i molti possiamo riportare (gli Obiettivi di Sviluppo Sostenibile -SDGs- dell'Agenda ONU 2030 sono riportati tra parentesi):
- curva di Preston: una relazione empirica tra l'aspettativa di vita e il reddito pro capite reale (SDG3-SDG4)
- andamento dell’epidemia di COVID-19 (SDG3)
- curva di Kuznets descrive l'andamento della diseguaglianza in rapporto al tasso di sviluppo (SDG1-SDG10)
- il modello di Solow studia la dinamica della crescita economica di un paese nel lungo periodo (SDG8) -
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.
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
1. Analisi di dati Network
1.1. Introduzione
1.2. Tipologie di Grafi: Diretti ed Indiretti
1.3. Visualizzazione ed analisi descrittive di dati Network
1.4. Layout grafico
1.5. Connessioni e Matrici di Contiguità
1.6. Metriche e tassonomia dei dati Network
1.7. Utilizzo dei dati Network nella Classificazione e Previsione
1.8. Raccolta di dati Network con R
1.9. Applicazioni
2. Metodi Regressivi Avanzati
2.1. Regressione polinomiale locale: regressione non parametrica
2.2. Selezione di variabili basate sulle penalizzazione dei modelli di regressione
2.3. LASSO
2.4. Regressione Quantilica
2.5. Applicazioni
3. Cluster Analysis
3.1. Introduzione
3.2. Distanze tra Unità e tra Gruppi
3.3. Clustering Gerarchico
3.4. Dendrogramma: visualizzazione del processo di aggregazione
3.5. Limiti del Clustering Gerarchico
3.6. Clustering Non-Gerarchico l’Algoritmo k-Means
3.7. Applicazioni
4. Serie Storiche
4.1. Introduzione
4.2. Raccolta di dati in Serie Storica con R
4.3. Componenti di una serie storica
4.4. I modelli ARIMA: Identificazione e Stima
4.5. Uso dei modelli ARIMA per la previsione
4.6. Altri metodi di previsione
4.7. Applicazioni
5. Analisi Fattoriale e Modelli ad Equazioni Strutturali
6. Analisi delle Corrispondenze
7. Multidimensional Scaling
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
