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
  • PERIODO 2° Semestre
    MATERIALE DIDATTICO AULAWEB

    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