CODICE 60270 ANNO ACCADEMICO 2025/2026 CFU 6 cfu anno 1 INGEGNERIA GESTIONALE 11956 (LM-31) - GENOVA SETTORE SCIENTIFICO DISCIPLINARE ING-INF/05 LINGUA Italiano SEDE GENOVA PERIODO 2° Semestre 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 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 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 ANTONIO EMANUELE CINA' DAVIDE ANGUITA Ricevimento: Su appuntamento, tramite e-mail LEZIONI INIZIO LEZIONI https://corsi.unige.it/corsi/8734/studenti-orario 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.
