CLEBA

Lingua Insegnamento:

Gli incontri con gli studenti saranno svolti in Italiano. I libri di testo saranno in lingua Inglese
Testi di riferimento:

Kevin Murphy (2012) Machine learning : a probabilistic perspective, The MIT Press, Cambridge, Massachusetts, London, England
Obiettivi formativi:

Obiettivo dell'attività formativa è di proporre agli studenti gli strumenti necessari per analizzare autonomamente dati statistici complessi.

Risultati di apprendimento attesi
Conoscenza e capacità di comprensione
- Conoscenza di concetti statistici per l’analisi multivariata lineare e non di dati complessi
- Capacità di applicare i principi di ragionamento statistico nell'elaborazione e nell'interpretazione di articoli pubblicati
- Capacità di utilizzare il software R e Matlab per l’analisi statistica

Autonomia di giudizio
- Apprendere i concetti logici e statistici che sono indispensabili per lavorare autonomamente nella ricerca

Abilità comunicative
- Imparare la terminologia e le tecniche statistiche di analisi multivariata e object data anaysis
per comunicare o discutere correttamente i risultati dell'analisi di dati a struttura complessa
Prerequisiti:

È un corso avanzato di statistica che ha come prerequisiti gli insegnamenti di matematica, algebra lineare e inferenza, data mining
Metodi didattici:

Incontri settimanali volti allo sviluppo di un progetto di analisi dei dati o approfondimento di uno o più argomenti avanzati di statistica
Modalità di verifica dell'apprendimento:

L’esame si articola nella discussione di durata di 60 minuti del progetto redatto per l’analisi di
data sets (effettuata mediante l’uso del software R) selezionati col docente. La prova si concluderà con una valutazione in trentesimi.
Sostenibilità:
Altre Informazioni:

E-mail: ippoliti@unich.it

Ricevimento studenti: Lunedì e Mercoledì 15:00 – 16:00 e per appuntamento da concordarsi via e-mail.

Il corso prevede la trattazione dei seguenti argomenti avanzati di Statistica Learning per il raggiungimento dei risultati di apprendimento attesi:

Tecniche di visualizzazione di dati complessi, analisi della dipendenza di dati complessi (dati non lineari), tecniche di regressione non parametrica, text mining, Object data analysis, Shape analysis.

Gli argomenti di studio utilizzati per lo sviluppo del progetto verranno tratti dal libro:

Kevin Murphy (2012) Machine learning : a probabilistic perspective, The MIT Press, Cambridge, Massachusetts, London, England