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 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 ANTONIO EMANUELE CINA' Ricevimento: Su appuntamento, tramite email. DAVIDE ANGUITA Ricevimento: Su appuntamento, tramite e-mail 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. Agenda 2030 Istruzione di qualità