SUPERVISED STATISTICAL LEARNING - 97R026-2

insegnamento

ID:

97R026-2

Dettaglio:

SSD: STATISTICA Durata: 56 CFU: 7

Sede:

BERGAMO

Url:

Dettaglio Insegnamento:

DATA ANALYTICS, ECONOMIA E TECNOLOGIE DIGITALI - 97-270R/PERCORSO COMUNE Anno: 2

Anno:

2026

Course Catalogue:

https://unibg.coursecatalogue.cineca.it/af/2026?co...

Periodo di attività

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

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 dei fondamenti di statistica (statistica descrittiva, calcolo delle probabilità, statistica inferenziale e modello di regressione lineare).
Buona conoscenza dei principi di programmazione e del linguaggio di programmazione 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.
- La programmazione delle attività di lavoratorio così come tutto il materiale didattico, i dataset e gli script R saranno resi disponibili sulla pagina Moodle dell'insegnamento.

Verifica Apprendimento

La verifica dell'apprendimento consiste in:

una prova scritta comprendente quesiti a risposta aperta e a risposta multipla finalizzati a verificare la comprensione degli aspetti teorici trattati nel corso;
un progetto, svolto individualmente, consistente nell'analisi di un dataset reale mediante l'applicazione dei metodi di supervised statistical learning presentati nel corso. Il progetto prevede la consegna di una relazione e la presentazione dei risultati durante un colloquio orale.

Rispettivamente la prova scritta e il progetto pesano approssimativamente 2/3 e 1/3 nella determinazione del voto 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.