Modelli statistici per la Data Science

Insegnamento
Modelli statistici per la Data Science
Insegnamento in inglese
Statistical Models for Data Science
Settore disciplinare
SECS-S/01
Corso di studi di riferimento
DATA SCIENCE PER LE SCIENZE UMANE E SOCIALI
Tipo corso di studio
Laurea Magistrale
Crediti
6.0
Ripartizione oraria
Ore Attività Frontale: 36.0
Anno accademico
2024/2025
Anno di erogazione
2025/2026
Anno di corso
2
Lingua
ITALIANO
Percorso
PERCORSI COMUNE/GENERICO

Descrizione dell'insegnamento

Il programma dell'insegnamento è provvisorio e potrebbe subire delle modifiche

Lo studente dovrebbe avere una conoscenza di base dei processi coinvolti

nell'analisi dei dati, nonché la rappresentazione e l'interpretazione dei dati in uno spazio multidimensionale. E' richiesta la conoscenza del software R.

Il corso presenta i concetti essenziali e le tecniche di apprendimento statistico con particolare attenzione  per problemi di apprendimento supervisionato e non supervisionato

Fornire  una preparazione rigorosa sui fondamenti della statistica e del Machine Learning, per risolvere fondamentalmente i seguenti tipi di problemi:

  • Regressione;
  • Predizione;
  • Classificazione;
  • Raggruppamento;

 

il corso inizia rivedendo i concetti di base  dei diversi tipi di apprendimento automatico sino a fornire le giuste competenze per consentire allo studente di essere in grado di sviluppare il modello di Machine Learning più appropriato, combinando diverse tipologie di essi e interpretare i

risultati della soluzione fornita in un ambiente multidisciplinare.

Conoscenze e comprensione.

Conoscenza dei metodi di classificazione, raggruppamento e previsione.

Acquisizione del linguaggio e della terminologia propri della disciplina. Capacità di scegliere i modelli più appropriati per ogni problema  al fine di descrivere, presentare e interpretare i risultati ottenuti.

Capacità di applicare conoscenze e comprensione.
Applicare e discutere metodi quantitativi avanzati nell'ambito dell'analisi dei dati reali, formulando in maniera chiara il problema e interpretando i risultati in un ambiente 

multidisciplinare e tradurli in decisioni operative.

 

Autonomia di giudizio.
Capacità di valutazione delle caratteristiche, potenzialità e limiti delle tecniche di apprendimento statistico per la risoluzione di problemi reali in particolare in ambito sociale.

Abilità comunicative.
Capacità di presentare con chiarezza i metodi, le  tecniche utilizzate per l'analisi dei dati a interlocutori specialisti e non specialisti.

Capacità di apprendimento.
Aver sviluppato le competenze necessarie per intraprendere studi successivi e approfondire autonomamente lo studio delle tecniche di machine learning più recenti.

Le lezioni tradizionali di tipo frontale verranno accompagnate da esercitazioni svolte nel laboratorio informatico, in modo da rendere autonomi gli studenti nell’utilizzo del software statistico R per l’analisi dei modelli statistici.

Lavori di gruppo su analisi di casi di studio con discussione comune.

L’esame si compone di una prova scritta con quesiti teorici e una parte orale che comprende la discussione di un report di ricerca in cui siano analizzati dati reali e che mostri l'apprendimento delle tecniche quantitative di analisi dei dati e l'uso del software R.

 

Il superamento dell'esame presuppone il conferimento di un voto non inferiore ai diciotto/trentesimi (con eventuale assegnazione della lode) e prevede l'attribuzione dei corrispondenti CFU.

Per aggiornamenti si prega di consultare la Sezione "Notizie" della pagina docente.

Ricevimento studenti e laureandi, da concordare con il docente

Gareth, j., Daniela W., Trevor H., Robert T., “Introduzione all’apprendimento statistico con applicazioni in R”, 2020 Piccin

A. Agresti, M. Kateri (2022) Statistica per data scientist, EGEA (per consultazione)

Hastie T, Tibshirani R, Friedman J - The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition, Springer, 2009 (per consultazione)

Semestre

Tipo esame
Obbligatorio

Valutazione
Orale - Voto Finale

Orario dell'insegnamento
https://easyroom.unisalento.it/Orario

Scarica scheda insegnamento (Apre una nuova finestra)(Apre una nuova finestra)