• Edizioni di altri A.A.:
  • 2018/2019
  • 2019/2020
  • 2020/2021
  • 2021/2022
  • 2022/2023
  • 2023/2024
  • 2024/2025

  • Lingua Insegnamento:
    ITALIANO 
  • Testi di riferimento:
    Appunti del corso
    James G, Witten D, Hastie T, Tibshirani R (2013). An Introduction to Statistical Learning with Applications in R. Springer.

    Per ulteriori approfondimenti:
    Giudici P, Figini S (2009). Applied Data Mining for Business and Industry. Wiley
    Ledolter J. (2013). Data Mining and Business Analytics With R. Wiley
    Shmueli G, Bruce PC, Yahav I, Patel NR, Lichtendahl KC, Jr. (2018). Data Mining for Business Analytics. Wiley 
  • Obiettivi formativi:
    L'insegnamento di data science in economia vuole contribuire al processo formativo dello studente fornendo strumenti per le analisi quantitative che siano utili per le decisioni economiche ed aziendali.

    In particolare, detti obiettivi formativi sono associabili ai seguenti risultati di apprendimento attesi:

    Conoscenza e capacità di comprensione
    Il corso intende fornire le conoscenze metodologiche e applicative di base del data science. Inoltre, si vuole fornire utili strumenti per l’analisi statistica di alcune tipologie di dati economici e aziendali. Infine, grande attenzione sarà data al pacchetto statistico open source R.

    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 data-base, anche di grandi dimensione, con le moderne tecniche statistiche. Le conoscenze acquisite gli consentiranno di interpretare in modo critico le dinamiche economiche e/o aziendali. 
  • Prerequisiti:
    Lo studente deve possedere le conoscenze della statistica di base. 
  • Metodi didattici:
    Lezioni orali. Esercitazioni pratiche con il software R. 
  • Modalità di verifica dell'apprendimento:
    Conoscenza e capacità di comprensione
    La verifica dei risultati di apprendimento sarà effettuata tramite un esame scritto e orale. L’esame scritto riguarderà tutto il programma con particolare attenzione all'uso del software R. Gli studenti, inoltre, dovranno preparare e discutere una analisi statistica, svolta con R, riguardante un caso di studio reale (i data set possono essere trovati su internet). Tale elaborato dovrà essere inviato al docente almeno una settimana prima della data dell’esame.
    Il punteggio della prova d'esame è attribuito mediante un voto espresso in trentesimi.

    Capacità di applicare conoscenza e comprensione
    Durante le prove d’esame e lo svolgimento della tesina si verifica la capacità degli studenti di applicare le conoscenze dei modelli di data science al fine di poter affrontare situazioni di analisi concrete. 
  • Sostenibilità:
     
  • Altre Informazioni:
    E-mail: postigli@unich.it
    Per maggiori dettagli e per scaricare le slides: fad.unich.it, pagina del corso di Data Science in Economia - CLEBA
    Giorni ed orari di ricevimento studenti:
    Nel I semestre il docente riceve per appuntamento (postigli@unich.it). Nel II semestre il ricevimento è fissato per il mercoledì dalle ore 10:00 alle ore 12:00, studio DEC 2° Piano, Viale della Pineta, 4. 

1. Introduzione ad R. Analisi esplorativa con R.
2. Metodi statistici per l’analisi di dati economici:
2.1 Modello di regressione multipla con R.
2.2 Modello di regressione multiplo per dati territoriali con R.
2.3 Modello di regressione logistica con R.
2.4 Alberi di regressione con R.
2.5 Analisi in componenti principali con R.

1. Introduzione ad R. Analisi esplorativa con R.
R come calcolatore. Analisi esplorativa per variabili semplici e variabili doppie.
2. Metodi statistici per l’analisi di dati economici:
2.1 Modello di regressione multipla con R.
Specificazione del modello. Stima e verifica delle ipotesi su parametri. Bontà dell’adattamento. La stima con R.
2.2 Modello di regressione multiplo per dati territoriali con R.
Specificazione dei differenti modelli di dipendenza. Stima e interpretazione. La stima con R.
2.3 Modello di regressione logistica con R.
Variabile risposta qualitative. Stima ed interpretazione dei risultati. La stima con R.
2.4 Alberi di regressione con R. Definizione del problema. Criteri di divisione. Pruning. La stima con R.
2.5 Analisi in componenti principali con R.
Definizione e derivazione delle componenti principali. Interpretazione delle componenti principali. La stima con R.

Avvisi

Nessun avviso in evidenza

Documenti

Nessun documento in evidenza

Scopri cosa vuol dire essere dell'Ud'A

SEDE DI CHIETI
Via dei Vestini,31
Centralino 0871.3551

SEDE DI PESCARA
Viale Pindaro,42
Centralino 085.45371

email: info@unich.it
PEC: ateneo@pec.unich.it
Partita IVA 01335970693

icona Facebook   icona Twitter

icona Youtube   icona Instagram