PRESENTAZIONE

Il corso fornisce un’introduzione generale ai metodi e agli strumenti della Business Analytics, con l’obiettivo di avvicinare gli studenti all’analisi dei dati in contesti reali. Attraverso un approccio orientato all’applicazione, il corso promuove una visione integrata dei dati come risorsa strategica per il supporto alle decisioni in ambito economico, industriale e gestionale.

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.

Gli studenti che abbiano certificazioni in corso di validità per Disturbi Specifici dell’Apprendimento (DSA), per disabilità o altri bisogni educativi sono invitati a contattare il docente e il referente per la disabilità della Scuola Politecnica, Prof. Federico Scarpa (federico.scarpa@unige.it), all’inizio dell’insegnamento per concordare eventuali modalità didattiche che, nel rispetto degli obiettivi dell’insegnamento, tengano conto delle modalità di apprendimento individuali.

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

Tutte le slides utilizzate durante le lezioni e altro materiale didattico saranno disponibili su Aulaweb. In generale, gli appunti presi durante le lezioni e il materiale su Aulaweb sono sufficienti per la preparazione dell'esame.

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

LEZIONI

INIZIO LEZIONI

https://corsi.unige.it/corsi/11956/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.

ALTRE INFORMAZIONI

Rivolgersi al docente per ulteriori informazioni non comprese nella scheda insegnamento.