CLEBA

Lingua Insegnamento:

Italiano
Testi di riferimento:

Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani, Jonathan Taylor (2024). An Introduction to Statistical Learning: with Applications in Python. Springer
Obiettivi formativi:

L'insegnamento vuole parteciparel al processo formativo dello studente fornendo strumenti per le analisi quantitative che siano utili per le decisioni economiche e in ambito finanziario.

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 di modelli statistici convenzionali e di machine learning. Inoltre, si vuole fornire utili strumenti per l’analisi statistica di alcune tipologie di dati utili alla previsione in ambito finanziario, con riferimento ai prodotti finanziari nonchè all'utilizzo di tali modelli per l'ottimizzazione dei modelli di gestione finanziari di business.

Infine, grande attenzione sarà data alle applicazioni in ambito economico finanziario in Python. Capacità di applicare conoscenza e comprensione

Al termine del corso lo studente anche con l’aiuto di casi di studi concreti svolti con Python. Le conoscenze acquisite gli consentiranno di interpretare in modo critico le dinamiche finanziarie ed economiche.
Prerequisiti:

Inferenza statistica.
Metodi didattici:

Lezioni frontali. Casi studio ed esercizi su dati reali con Pyhthon.
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 Python. Gli studenti, inoltre, dovranno preparare e discutere almeno due analisi statistiche riguardante casi di studio reali su dataset disponibili open source ovvero generati. Tali elaborati dovranno essere inviati al docente almeno tre giorni 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:

Riceveimento venerdì dalle 11 alle 13.

1. Elementi di Machine Learning

Regressione lineare
Analisi Esplorativa dei Dati (EDA – Exploratory Data Analysis)
Analisi Esplorativa Spaziale dei Dati (ESDA – Exploratory Spatial Data Analysis)
Regressione Ridge e Lasso
Alberi decisionali e alberi di regressione

Con applicazioni pratiche in Python [3 CFU]2. Metodi Ensemble per serie temporali e previsioni locali

Random Forest
Gradient Boosting
SHAP (Shapley Additive Explanations) per l'interpretazione dei modelli

Applicazioni a:

prodotti finanziari
ottimizzazione della supply chain (catena di approvvigionamento)

Con applicazioni pratiche in Python [3 CFU]3. Laboratorio di serie temporali per la previsione finanziaria

Dai modelli ARMA (AutoRegressive Moving Average) alle tecniche di Machine Learning

Con applicazioni pratiche in Python oppure Databricks (opzionale per gli studenti) [3 CFU]