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
• problemi di previsione e classificazione;
• confronto tra metodi di classificazione;
• Metodi di ricampionamento: cross validation e bootstrap;
• Metodi di riduzione della dimensionalità: rgressione ridge e il lasso;
• Metodi non lineari: spline regression;
• Metodi basati su alberi decisionali: regression trees, classification trees, bagging, random forests, boosting;
• Uso dell’ambiente statistico R
I materiali dell’insegnamento saranno fruibili sulla classe Teams dell'insegnamento.
Programma
• 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: rgressione ridge e il lasso;
• Metodi non lineari: spline regression;
• 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 PiccinI materiali dell’insegnamento saranno fruibili sulla classe Teams dell'insegnamento.
Modalità Valutazione
esame orale
scheda docente
materiale didattico
• problemi di previsione e classificazione;
• confronto tra metodi di classificazione;
• Metodi di ricampionamento: cross validation e bootstrap;
• Metodi di riduzione della dimensionalità: rgressione ridge e il lasso;
• Metodi non lineari: spline regression;
• Metodi basati su alberi decisionali: regression trees, classification trees, bagging, random forests, boosting;
• Uso dell’ambiente statistico R
I materiali dell’insegnamento saranno fruibili sulla classe Teams dell'insegnamento.
Mutuazione: 21210514 Statistical learning in Economia e Gestione della Trasformazione Digitale LM-56 R FORTUNA FRANCESCA
Programma
• 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: rgressione ridge e il lasso;
• Metodi non lineari: spline regression;
• 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 PiccinI materiali dell’insegnamento saranno fruibili sulla classe Teams dell'insegnamento.
Modalità Valutazione
esame orale