CLEBA

Lingua Insegnamento:

Italiano
Testi di riferimento:

Appunti del corso.

James G, Witten D, Hastie T, Tibshirani R (2021). 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 per l'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 frontali. Casi studio ed esercizi su dati reali con R.
Modalità di verifica dell'apprendimento:

Conoscenza e capacità di comprensione
La verifica dei risultati di apprendimento sarà effettuata mediante una prova scritta e una prova orale. La prova scritta riguarderà l’intero programma, con particolare attenzione all’utilizzo del software R. Essa potrà essere svolta anche durante il corso sotto forma di prove intermedie e consisterà in dieci domande.
La prova orale, facoltativa, consisterà in domande finalizzate ad approfondire gli argomenti trattati nel programma. Potrà essere richiesta sia dal docente sia dallo studente.
Gli studenti dovranno inoltre predisporre due elaborati di analisi statistica, realizzati mediante il software R e riferiti a casi di studio reali; i relativi dataset potranno essere reperiti da fonti disponibili online. Gli elaborati dovranno essere inviati al docente almeno una settimana prima della data dell’esame.
La valutazione finale, espressa in trentesimi, terrà conto dell’esito della prova scritta, dell’eventuale colloquio orale e della qualità degli elaborati realizzati con R.

Capacità di applicare conoscenza e comprensione
Attraverso le prove d’esame e la realizzazione degli elaborati, il docente verificherà la capacità degli studenti di applicare le conoscenze e gli strumenti della data science all’analisi di problemi concreti in ambito economico e aziendale. In particolare, sarà valutata la capacità di utilizzare metodi e modelli statistici per interpretare dati reali, formulare conclusioni appropriate e supportare i processi decisionali.
Sostenibilità:
Altre Informazioni:

E-mail: paolo.postiglione@unich.it.

Per maggiori dettagli e per scaricare le slides: fad.unich.it, pagina del Corso di Data Science per l'Economia.

Giorni ed orari di ricevimento studenti: Nel I semestre il docente riceve per appuntamento (paolo.postiglione@unich.it). Nel II semestre il ricevimento è fissato per il giovedì dalle ore 14:00 alle ore 16:00, scala verde 1° Piano, Viale Pindaro, 42, Studio n.33.

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 logistica con R.
2.3 Alberi di regressione con R.
2.4 Analisi in componenti principali con R.
2.5 Modello di regressione multiplo per dati territoriali 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 logistica con R. Variabile risposta qualitative. Stima ed interpretazione dei risultati. La stima con R.
2.3 Alberi di regressione e di classificazione con R. Definizione del problema. Criteri di divisione. Pruning. Bagging e Random forest. La stima con R.
2.4 Analisi in componenti principali con R. Definizione e derivazione delle componenti principali. Interpretazione delle componenti principali. La stima con R.
2.5 Modello di regressione multiplo per dati territoriali con R. Specificazione dei differenti modelli di dipendenza. Interpretazione. La stima con R.