Il corso mira ad esplorare i concetti fondamentali dell'apprendimento statistico, introducendo una vasta gamma di strumenti e tecniche, quali modelli lineari e non lineari, alberi decisionali, reti neurali e metodi di riduzione della dimensionalità. L'obiettivo principale è quello di fornire sia conoscenze teoriche che competenze pratiche nella manipolazione e nell'analisi dei dati, nonché nella valutazione e nell'interpretazione dei risultati dei modelli con particolare attenzione ai problemi di apprendimento supervisionato. Saranno affrontati problemi reali, al fine di comprendere i principi teorici alla base degli algoritmi di apprendimento ed apprenderne l'applicazione efficace utilizzando specifiche librerie del software statistico R.
Curriculum
scheda docente
materiale didattico
• Introduzione ai principali modelli di statistical learning (apprendimento statistico);
• problemi di previsione e classificazione;
• confronto tra metodi di classificazione;
• Metodi di ricampionamento: cross validation e bootstrap;
• Metodi di riduzione della dimensionalità: metodo lasso;
• Metodi basati su alberi decisionali: regression trees, classification trees, bagging, random forests, boosting;
• Uso dell’ambiente statistico R
Programma
Il corso affronterà le seguenti tematiche:• Introduzione ai principali modelli di statistical learning (apprendimento statistico);
• problemi di previsione e classificazione;
• confronto tra metodi di classificazione;
• Metodi di ricampionamento: cross validation e bootstrap;
• Metodi di riduzione della dimensionalità: metodo lasso;
• Metodi basati su alberi decisionali: regression trees, classification trees, bagging, random forests, boosting;
• Uso dell’ambiente statistico R
Testi Adottati
G. James, D. Witten, T. Hastie, R. Tibshirani (2020) Introduzione all’apprendimento statistico, Casa editrice PiccinModalità Frequenza
La frequenza non è obbligatoria, ma fortemente raccomandataModalità Valutazione
esame orale
scheda docente
materiale didattico
• Introduzione ai principali modelli di statistical learning (apprendimento statistico);
• problemi di previsione e classificazione;
• confronto tra metodi di classificazione;
• Metodi di ricampionamento: cross validation e bootstrap;
• Metodi di riduzione della dimensionalità: metodo lasso;
• Metodi basati su alberi decisionali: regression trees, classification trees, bagging, random forests, boosting;
• Uso dell’ambiente statistico R
Mutuazione: 21210514 Statistical learning in Economia e Gestione della Trasformazione Digitale LM-56 R FORTUNA FRANCESCA
Programma
Il corso affronterà le seguenti tematiche:• Introduzione ai principali modelli di statistical learning (apprendimento statistico);
• problemi di previsione e classificazione;
• confronto tra metodi di classificazione;
• Metodi di ricampionamento: cross validation e bootstrap;
• Metodi di riduzione della dimensionalità: metodo lasso;
• Metodi basati su alberi decisionali: regression trees, classification trees, bagging, random forests, boosting;
• Uso dell’ambiente statistico R
Testi Adottati
G. James, D. Witten, T. Hastie, R. Tibshirani (2020) Introduzione all’apprendimento statistico, Casa editrice PiccinModalità Frequenza
La frequenza non è obbligatoria, ma fortemente raccomandataModalità Valutazione
esame orale