Salta al contenuto principale della pagina

BIG DATA TECHNIQUES

CODICE 106847
ANNO ACCADEMICO 2022/2023
CFU 6 cfu al 2° anno di 11267 ECONOMICS AND DATA SCIENCE (LM-56) GENOVA
SETTORE SCIENTIFICO DISCIPLINARE MAT/08
SEDE GENOVA (ECONOMICS AND DATA SCIENCE )
PERIODO 2° Semestre

PRESENTAZIONE

Questo insegnamento intende fornire agli studenti la comprensione dei principali strumenti concettuali e computazionali riguardanti l'interpretazione di grandi quantià di dati a fini predittivi. Nello specifico, per quanto riguarda l'analisi dati, l'insegnamento descriverà gli aspetti cruciali relativi all'elaborazione di serie temporali, introdurrà l'analisi e il filtraggio Bayesiano and fornirà i rudimenti del pattern recognition. La seconda parte dell'insegnamento sarà dedicata a illustrare i principali approcci predittivi, tra cui la teoria della regolarizzazione, il machine e il deep learning. L'approccio didattico combinerà gli aspetti teorici fondamentali con focus specifici su applicazioni in economia e in altre scienze applicate

 

 

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

L'obiettivo generale di questo insegnamento è quello di fornire agli studenti le capacità di comprendere e utilizzare i principali strumenti, concettuali e computazionali, per l'interpretazione di grandi quantità di dati e per il loro utilizzo a fini predittivi. 

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

La prima parte dell'insegnamento comprende gli aspetti cruciali relativi all'elaborazione di serie temporali, l'analisi e il filtraggio Bayesiano e i fondamenti del pattern recognition. La seconda parte illustrerà i principalli approcci predittivi, tra cui la teoria della regolarizzazione e il machine e deep learning. L'approccio didattico combinerà la descrizione dei principali aspetti teorici dell'analisi dati con alcuni focus su applicazioni in economia e nelle scienze applicate.

Alla fine dell'insegnamento, gli studenti saranno in grado di orientarsi nel mondo dell'analisi computazionale dei dati e di comprendere alcuni aspetti dell'intelligenza artificiali. Inoltre avranno ottenuto una certa familiarità con gli strumenti computazionali per l'elaborazione dei dati e delle serie temporali a fini predittivi

PREREQUISITI

Programmazione in R o in Matlab

Formati dei dati e questioni di input/output

Aspetti di base dell'analisi numerica e della statistica 

MODALITA' DIDATTICHE

Lezioni frontali ed esercitazioni al calcolatore

PROGRAMMA/CONTENUTO

Analisi dati:

serie temporali

filtraggio bayesiano

pattern recognition

Predizione dai dati:

teoria della regolarizzazione

reti neurali

sparsità e feature ranking

approcci bayesiani

deep learning

TESTI/BIBLIOGRAFIA

Dispense

DOCENTI E COMMISSIONI

LEZIONI

INIZIO LEZIONI

Da definire

Orari delle lezioni

L'orario di tutti gli insegnamenti è consultabile su EasyAcademy.

ESAMI

MODALITA' D'ESAME

Orale

MODALITA' DI ACCERTAMENTO

Esame orale