PRESENTAZIONE

L'insegnamento illustra i concetti base della Business Analytics con particolare riferimento agli approcci per la modellistica statistica dei dati e l’analisi predittiva, utilizzando metodologie basate sul machine learning per la soluzione di problemi applicativi e per il supporto alle decisioni in ambito industriale, gestionale ed economico.

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

Il corso illustra i concetti di base della Business Intelligence (BI) con particolare riferimento agli aspetti di Analytics e Data Mining, ovvero alla possibilità di utilizzare metodi analitici e di reportistica per il supporto alle decisioni aziendali. Lo studente acquisirà sia le capacità di base per il progetto di un sistema di BI, sia la capacità di valutare criticamente l’analisi di dati effettuata con strumenti di Data Mining. Durante il corso sono previsti alcuni interventi che illustreranno casi reali di applicazione della BI in azienda.

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Lo studente acquisirà capacità progettuali di analisi dati in campi applicativi industriali e gestionali. In particolare lo studente sarà in grado di progettare un sistema di analisi predittiva e valutarne le prestazioni.

PREREQUISITI

Conoscenze di base di statistica, probabilità, analisi e rappresentazione dei dati.

Conoscenza di base del linguaggio di programmazione Python o similari.

MODALITA' DIDATTICHE

L'insegnamento alterna lezioni frontali con sessioni di esercitazioni pratiche al calcolatore utilizzando strumenti di analisi dati (ad es. Scikit-learn) basati sul linguaggio di programmazione Python.

PROGRAMMA/CONTENUTO

Richiami di statistica multivariata e di elementi di teoria della decisione

Descriptive Analytics, Diagnostic Analytics, Predictive Analytics, Prescriptive Analytics

Modelli supervisionati e non supervisionati

Association Pattern Mining

Cluster Analysis

Metodi basati su regole e alberi di decisione

Metodi basati su kernel

Cenni alle reti neurali

Cenni ai metodi per dati strutturati e semistrutturati

Metodi di valutazione dei modelli

Applicazioni e casi di studio

TESTI/BIBLIOGRAFIA

Materiale fornito dal docente durante le lezioni.

Per approfondimenti:

C.C.Aggarwal, Data mining: the textbook. Springer, 2015.

M.J.Zaki, M.Wagner Jr., Data Mining and Machine Learning: Fundamental Concepts and Algorithms. Cambridge University Press, 2019.

T.Hastie, R.Tibshirani, J.Friedman, The Elemsnts of Statistical Learning, Springer, 2009 (2nd Ed.)

DOCENTI E COMMISSIONI

Commissione d'esame

DAVIDE ANGUITA (Presidente)

LUCA DEMETRIO

LUCA ONETO

ANTONIO EMANUELE CINA' (Presidente Supplente)

LEZIONI

INIZIO LEZIONI

 https://easyacademy.unige.it/portalestudenti/index.php?view=easycourse&_lang=it&include=corso

Orari delle lezioni

L'orario di questo insegnamento è consultabile all'indirizzo: Portale EasyAcademy

ESAMI

MODALITA' D'ESAME

Esame orale. Lo studente svilupperà in autonomia (singolarmente o in cooperazione con altri studenti) un caso di studio a scelta, tra quelli proposti dal docente, utilizzando le metodologie illustrate durante il corso. 

MODALITA' DI ACCERTAMENTO

L’esame orale verterà sulla discussione del caso di studio.

Calendario appelli