L'insegnamento 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, l'insegnamento promuove una visione integrata dei dati come risorsa strategica per il supporto alle decisioni in ambito economico, industriale e gestionale.
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.
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.
Conoscenze di base di statistica, probabilità, analisi e rappresentazione dei dati.
Conoscenza di base del linguaggio di programmazione Python o similari.
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 in possesso di certificazioni in corso di validità per disabilità, per disturbi specifici dell’apprendimento (DSA) o per bisogni educativi speciali (BES) possono fare riferimento ai servizi, strumenti compensativi, misure dispensative e ausili specifici e alle condizioni di possibile fruizione illustrate su https://unige.it/disabilita-dsa"
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
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.)
Ricevimento: Su appuntamento, tramite email.
Ricevimento: Su appuntamento, tramite e-mail
https://corsi.unige.it/corsi/11956/studenti-orario
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 le lezioni.
L’esame orale verterà sulla discussione del caso di studio.
Rivolgersi al docente per ulteriori informazioni non comprese nella scheda insegnamento.
