CLEC/M

Lingua Insegnamento:

ITALIANO
Testi di riferimento:

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
Obiettivi formativi:

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.
Modalità di verifica dell'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.
Sostenibilità:
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.

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.

1. Introduzione ad R. Analisi esplorativa con R.
R come calcolatore. Analisi esplorativa per variabili semplici e variabili doppie.
2. Metodi statistici per l’analisi di dati economici:
2.1 Modello di regressione multipla con R.
Specificazione del modello. Stima e verifica delle ipotesi su parametri. Bontà dell’adattamento. La stima con R.
2.2 Modello di regressione logistica con R.
Variabile risposta qualitative. Stima ed interpretazione dei risultati. La stima con R.
2.3 Modello di regressione multiplo per dati territoriali con R. Specificazione dei differenti modelli di dipendenza. interpretazione. La stima con R.
2.4 Analisi in componenti principali con R.
Definizione e derivazione delle componenti principali. Interpretazione delle componenti principali. La stima con R.
2.5 Alberi di regressione e di classificazione con R. Definizione del problema. Criteri di divisione. Pruning. Bagging e Random forest. La stima con R.