APPRENDIMENTO STATISTICO SUPERVISIONATO - 97R011-2

insegnamento
ID:
97R011-2
Dettaglio:
SSD: STATISTICA Durata: 56 CFU: 7
Sede:
BERGAMO
Url:
DATA ANALYTICS, ECONOMIA E TECNOLOGIE DIGITALI - 97-270R/PERCORSO COMUNE Anno: 2
Anno:
2026
Course Catalogue:
https://unibg.coursecatalogue.cineca.it/af/2026?co...

Dati Generali

Periodo di attività

Secondo Semestre (15/02/2027 - 28/05/2027)

Syllabus

Obiettivi Formativi

L'insegnamento introduce i principi fondamentali e i principali metodi dello statistical learning supervisionato per problemi di regressione e classificazione. Particolare attenzione sarà dedicata alla selezione dei modelli, alla valutazione delle prestazioni predittive e all'implementazione dei metodi mediante il linguaggio di programmazione R.

Al termine del corso gli studenti e le studentesse saranno in grado di:

  • comprendere i principi statistici alla base dei metodi di supervised statistical learning;
  • selezionare il metodo più appropriato per problemi di regressione e classificazione;
  • valutare e confrontare modelli predittivi mediante tecniche di ricampionamento e adeguate misure di accuratezza;
  • implementare i principali metodi di supervised statistical learning utilizzando il software statistico R;
  • interpretare criticamente e comunicare i risultati delle analisi statistiche.

Prerequisiti

Buona conoscenza di:

  • statistica descrittiva e visualizzazione dei dati;
  • probabilità e inferenza statistica;
  • algebra lineare, incluse matrici, autovalori e autovettori;
  • elementi di programmazione in R.



Metodi didattici

L'insegnamento prevede lezioni teoriche frontali e attività di laboratorio extra (indicativamente 12-16 ore) dedicate all'implementazione dei metodi di supervised statistical learning con dati reali e tramite il software R.

Verifica Apprendimento

La verifica dell'apprendimento consiste in una prova scritta individuale e in un progetto di gruppo.

La prova scritta è finalizzata a verificare l'acquisizione delle conoscenze teoriche e delle competenze metodologiche sviluppate durante il corso. Essa comprende quesiti a risposta aperta e/o a risposta multipla, nonché esercizi riguardanti i metodi di statistical learning trattati durante il corso e la loro applicazione all'analisi dei dati. Il progetto di gruppo consiste nell'analisi di un dataset reale mediante l'implementazione in R di uno o più metodi di supervised statistical learning presentati durante il corso.

La prova scritta costituisce la componente principale della valutazione finale; il progetto di gruppo contribuisce a completare la valutazione delle competenze applicative acquisite durante il corso. Il docente si riserva la facoltà di convocare i gruppi, o singoli componenti degli stessi, per una breve discussione orale del progetto, qualora ciò sia ritenuto necessario ai fini della verifica dell'effettivo contributo individuale, della comprensione del lavoro svolto e della corretta attribuzione della valutazione finale.

Contenuti

- Introduzione allo statistical learning supervisionato: previsione e inferenza, regressione e classificazione, dati di training e test, bias-varianza trade-off, complessità del modello e overfitting.
- Modelli lineari: regressione lineare, regressione logistica, regressione penalizzata (ridge e lasso).
- Modelli non lineari: k-nearest neighbors (k-NN), alberi di regressione e classificazione, bagging, random forests e boosting, spline e modelli additivi generalizzati (GAM).
- Valutazione e selezione dei modelli: training/test split, cross-validation, bootstrap, ottimizzazione degli iperparametri e misure di accuratezza per regressione e classificazione.

Risorse Online

Altre informazioni

Tutti i materiali didattici saranno disponibili sulla pagina Moodle del corso. Gli studenti e le studentesse sono invitati a iscriversi alla pagina per ricevere tempestivamente avvisi, messaggi e aggiornamenti sullo svolgimento delle lezioni.
La frequenza è fortemente consigliata. Gli studenti e le studentesse impossibilitati a frequentare sono invitati a contattare i docenti per ricevere indicazioni sul programma e sui materiali didattici. Le modalità della prova d’esame sono identiche sia per i frequentanti sia per i non frequentanti.

Corsi

Corsi

Altre Info

Insegnamento principale

STATISTICAL LEARNING