L'obiettivo del corso è quello di fornire allo studente i metodi e gli strumenti per estrarre informazione utile da dataset anche complessi a fini decisionali, valutando nel contempo la probabilità che la decisione presa non sia quella che porta al risultato desiderato. In particolare, lo studente acquisirà la capacità di valutare la complessità del dataset e le strutture di dipendenza/correlazione che lo caratterizzano, di identificare la metodologia adeguata per estrarre informazione dal dataset, di identificare gli algoritmi utili a tale scopo e di implementarli in ambiente MATLAB. Lo sviluppo del codice sarà assistito dall'intelligenza artificiale messa a disposizione dell'ambiente MATLAB.
Conoscenze base di probabilità ed inferenza statistica.
Il corso è strutturato in lezioni frontali teoriche in aula e lezioni frontali in laboratorio informatico. Le lezioni in aula affrontano la metodologia statistica mentre le lezioni in laboratorio sono basate sul software MATLAB. Durante le lezioni in laboratorio gli studenti sono chiamati ad analizzare dataset provenienti da applicazioni reali e a competere con gli strumenti di intelligenza artificiale di analisi dati.
La verifica profitto si basa sulla valutazione dell'output prodotto da un lavoro di gruppo (eventualmente svolto singolarmente). Nel lavoro di gruppo, gli studenti scelgono un dataset e lo analizzano tramite i metodi statistici appresi a lezione. Al gruppo sarà richiesto di stendere un report e consegnare il codice software implementato.
- Metodi di shrinkage per modelli di regressione lineare
- Metodi di regressione per dati con errori eteroschedastici
- Minimi quadrati generalizzati
- Metodi di regressione per dati binari
- Metodi di regressione per dati multinomiali
- Metodi di regressione per dati di conteggio (regressione di Poisson)
- Dati funzionali e metodi di regressione funzionale
- Metodi Monte Carlo e Bootstrap per la valutazione dell'incertezza
