Le lezioni saranno svolte in Italiano. Slides e libri di testo saranno principalmente il lingua Inglese 

- Dispense del corso ed esercitazioni pratiche utili per gli studenti non frequentanti
- Maindonald, Braun (2010) Data Analysis and Graphics Using R: An Example-Based Approach. 3rd edition, Cambridge University Press
- James, Witten, Hastie, Tibshirani (2013) An Introduction to Statistical Learning (with Applications in R), Springer-Verlag
- Kevin Murphy (2012) Machine learning : a probabilistic perspective, The MIT Press, Cambridge, Massachusetts, London, England
- Luìs Torgo (2011) Data Mining with R. Learning with case studies. CRC Press 

L’insegnamento si inserisce nel generale obiettivo del corso di studio di fornire conoscenza riguardo all’analisi multivariata per dati complessi.
L’insegnamento si propone di fornire allo studente gli strumenti per estrarre informazioni rilevanti da grandi moli di dati, con particolare
attenzione all'apprendimento statistico (statistical learning) sia in contesto predittivo che non (apprendimento supervisionato e non).

RISULTATI DELL'APPRENDIMENTO ATTESI
L'insegnamento prevede di completare la formazione dello studente con nozioni e strumenti utili ad approfondire gli aspetti dell’analisi statistica multivariata per dati complessi. La formazione sarà quindi completata e arricchita dalle seguenti competenze:

Conoscenza e capacità di comprensione
- Conoscenza di concetti statistici per l’analisi multivariata e relativa terminologia specializzata
- Capacità di applicare i principi di ragionamento statistico nell'elaborazione e nell'interpretazione dei risultati derivanti da analisi di dati reali
- Capacità di utilizzare il software R e MATLAB per l’analisi statistica di dati a struttura complessa

Capacità di applicare conoscenza e comprensione
Al termine del corso di insegnamento, lo studente anche con l’aiuto di casi di studi concreti svolti con il software statistico R, sarà in grado di analizzare dati complessi (ad esempio, immagini, testi, dati spaziali e temporali, dati funzionali), anche di grandi dimensione, con le moderne tecniche statistiche. Le conoscenze acquisite gli consentiranno di trattare "oggetti" non strutturati e comprendere le complesse strutture relazionali e correlazioni insite nei dati

Autonomia di giudizio
- Apprendere i concetti logici e statistici che sono indispensabili per lavorare autonomamente nella ricerca,
- Selezione, preparazione ed elaborazione di dati a struttura complessa

Abilità comunicative
- Imparare la terminologia e le tecniche statistiche di analisi multivariata per comunicare o discutere correttamente i risultati dell'analisi dei dati 

Conoscenze di matematica generale, algebra lineare, matrici, statistica inferenziale 

Lezione frontale ed esercitazioni in aula informatica con utilizzo del software R 

Conoscenza e capacità di comprensione
L’esame si articola in una prova orale volta a verificare la conoscenza della parte teorica degli argomenti trattati a lezione e in una discussione orale di un report redatto per l’analisi di
data sets (sceltti dallo studente) mediante l’uso di un software (R, Python o Matlab).
Nella determinazione del voto finale dell’esame, il peso della discussione del report è pari al 30%.

Capacità di applicare conoscenza e comprensione

Con la valutazione della presentazione di un report basato su casi di studio reali si verifica la capacità degli studenti di applicare le tecniche ed i modelli introdotti durante il corso, nonché la comprensione e la capacità di analisi critica degli argomenti trattati. 

I temi trattati nel corso sono riconducibili ad alcuni dei 17 obiettivi caratterizzanti l'Agenda 2030 per lo sviluppo sostenibile. In particolare, le tematiche trattate faranno riferimento ad alcuni target dei goal "Salute e benessere", "Città e comunità sostenibili" e "Lotta al cambiamento climatico" 

E-mail: ippoliti@unich.it

Giorni ed orari di ricevimento studenti: Lunedì e Mercoledì 15:00 – 16:00 e per appuntamento da concordarsi via e-mail.

Risultati dell'apprendimento attesi: conoscenza delle principali tecniche di data mining e apprendimento statistico per l'analisi di dati a struttura complessa. Abilità nell'utilizzo della conoscenza acquisita in questo e in precedenti corsi per trattare problemi applicativi, anche attraverso l'uso di specifiche librerie del software statistico R. Comprensione critica delle caratteristiche, delle potenzialità e dei limiti delle tecniche trattate, in modo da saper valutare quali siano gli strumenti più adatti nelle specifiche situazioni da sottoporre ad analisi.