1039029 - Statistica sanitaria ed epidemiologia |
RISULTATI DI APPRENDIMENTO ATTESIIl corso intende fornire agli studenti gli elementi, concettuali e operativi, per la valutazione delle condizioni di salute della popolazione e del ruolo giocato da fattori individuali e collettivi di rischio nei meccanismi causali che conducono all’insorgenza delle malattie e ne influenzano il decorso e l’esito. Un’attenzione particolare è dedicata agli strumenti necessari per la corretta misurazione delle diseguaglianze di salute.COMPETENZE DA ACQUISIREAl termine del corso lo studente dovrà essere in grado di:- elaborare/selezionare gli indicatori analitici e sintetici necessari per la valutazione della condizione di salute di una popolazione;- progettare indagini epidemiologiche da utilizzare in relazione a specifici obiettivi conoscitivi;- impiegare il metodo più appropriato per il calcolo delle misure di intensità, associazione e di impatto controllando le possibili fonti di distorsione; illustrare e interpretare correttamente i risultati ottenuti. |
Primo anno |
Primo semestre |
9 |
SECS-S/05 |
|
1047208 - STATISTICAL LEARNING |
Devising new machine learning methods and statistical models is a fun and extremely fruitful “art”. But these powerful tools are not useful unless we understand when they work, and when they fail. The main goal of statistical learning theory is thus to study, in a statistical framework, the properties of learning algorithms, mainly in the form of so-called error bounds. This course introduces the techniques that are used to obtain such results, combining methodology with theoretical foundations and computational aspects. It treats both the basic principles to design successful learning algorithms and the “science” of analyzing an algorithm’s statistical properties and performance guarantees. Theorems are presented together with practical aspects of methodology and intuition to help students developing tools for selecting appropriate methods and approaches to problems in their own data analyses. Methods for a wide variety of applied problems will be explored and implemented on open-source software like R (www.r-project.org) and OpenBUGS (www.openbugs.info/w/). |
Primo anno |
Secondo semestre |
6 |
SECS-S/01 |
|
1044606 - GESTIONE DI BIG DATA |
Obiettivo del corsoLa progressiva affermazione della società digitale, e, piùin generale, l’evoluzione tecnologica e scientificarendono disponibili, al giorno d’oggi, una enormequantità di dati (c.d. Big Data) che, se opportunamenteanalizzati, possono migliorare la comprensione deifenomeni più disparati, nonché l’abilità di prevedernel’evoluzione.In questo contesto, le tradizionali tecniche dimemorizzazione, integrazione ed analisi dei datipossono essere inadatte. Questo avviene tipicamenteper tre motivi: la taglia dei dati può essere di diversi ordini digrandezza (o di magnitudo) superiore a quella dellamemoria fisica disponibile con i normali calcolatori. La velocità con cui questi dati sono prodotti è talmenteelevata da non consentirne un’analisi in tempo reale conle tecniche tradizionali. Il formato dei dati da analizzare e eterogeneo e/o nonstrutturatoObiettivo del corso è la trattazione e l’approfondimentodei modelli e delle tecnologie tuttora disponibili (o in viadi sviluppo) per la memorizzazione e l’elaborazione diBig Data. Il corso di articolerà in due parti.La prima parte sarà dedicata ai problemi connessi allamemorizzazione ed alla interrogazione di Big Data.Saranno presi in considerazioni sistemi di gestione dibasi dati non relazionali (c.d. NoSQL) per i quali siapprofondiranno sia i rispettivi approcci allamodellazione dei dati che i conseguenti formalismi perl’interrogazione degli stessi.La seconda parte si focalizzerà sul problemadell’elaborazione di Big Data. Si prenderanno inconsiderazioni diversi paradigmi per l’elaborazionedistribuita su un gruppo (cluster) di calcolatori, qualiMapReduce ed MPI. Si introdurranno le tecnologienecessarie per l’applicazione di questi paradigmi, dautilizzarsi per la risoluzione di alcuni casi studiopresentati a lezione. In questa seconda parte del corsosi farà anche uso del linguaggio di programmazioneJava.La prova finale del corso consisterà nella realizzazione enella discussione di una applicazione distribuita perl’elaborazione di un opportuno data set memorizzatomediante un data base non relazionale, che lo studenteandrà a sviluppare in prima persona. |
Primo anno |
Secondo semestre |
9 |
INF/01 |
|
1055946 - METODI MATEMATICI DI OTTIMIZZAZIONE |
Obiettivi formativi Il corso intende fornire una visione unificata dei principali problemi di ottimizzazione e dei relativi algoritmi di soluzione. Alla fine del corso lo studente sarà in grado di classificare i problemi di ottimizzazione in opportune categorie, formulare modelli di ottimizzazione per semplici problemi reali e risolverli con gli algoritmi e il software adeguati. |
Primo anno |
Secondo semestre |
9 |
MAT/09 |
|
1038215 - STATISTICA APPLICATA |
RISULTATI DI APPRENDIMENTO ATTESIImplementazione di metodologie e tecniche statistiche utili in contesti applicativi, con particolare enfasi alle applicazioni nel settore della “quantitative analytics” e “quantitative finance”. Introduzione di software e/o linguaggi utili agli scopi delle applicazioni statistiche trattate.OBIETTIVI FORMATIVI: COMPETENZE DA ACQUISIRECapacità di sviluppare in piena autonomia implementazioni di metodi statistici in un contesto applicativo. Capacità di utilizzare e padroneggiare tecnologie ed eventuali strumenti software introdotti ed utilizzati nel corso. Capacità di implementare e programmare autonomamente applicazioni di metodologie esistenti, o oggetto di nuove ricerche, sia con pacchetti (SAS/IML, Excel) che con linguaggi OOP (C#, VB.NET). |
Primo anno |
Secondo semestre |
9 |
SECS-S/01 |
|
1044658 - PROCESSI STOCASTICI II |
RISULTATI DI APPRENDIMENTO ATTESI Il corso è concepito per fornire la base metodologica per lo studio della finanza matematica, dei modelli classici ma anche per avere la flessibilità di costruirne di nuovi. COMPETENZE DA ACQUISIRE Può trovare interesse al corso chi vuole applicare i modelli stocastici ai fenomeni economici, sociali e a qualunque tipo di problemi dove l'aleatorietà costituisce una parte fondamentale della sua variabilità. L'esperienza degli ultimi anno di insegnamento dimostra che il corso è considerato interessante anche per gli studenti di vari dottorati e perfino per persone dell'ufficio studi della Banca d'Italia. |
Primo anno |
Secondo semestre |
6 |
MAT/06 |
|
1022720 - MODELLI LINEARI GENERALIZZATI |
Risultati di apprendimento attesiConoscenza degli aspetti bayesiani nei modelli lineari generalizzaticompetenze da acquisire Capacita’ di costruiree ed analizzare un modello per l’analisi di dati particolari |
Secondo anno |
Primo semestre |
6 |
SECS-S/02 |
|
1044607 - DISEGNO E ANALISI DELLE PROVE CLINICHE |
Obiettivi formativi L'obiettivo formativo primario dell'insegnamento è l'apprendimento delle principali tecniche statistiche impiegate per la progettazione e l'analisi delle prove cliniche in ottica frequentista e bayesiana. Conoscenza e capacità di comprensione. Dopo aver frequentato il corso gli studenti conoscono le caratteristiche dei più noti disegni sperimentali utilizzati in ambito clinico. Sono in grado di implementare le principali procedure di analisi delle prove cliniche randomizzate a partire da dati di diversa natura (normali, binari, di conteggio e di sopravvivenza). Sanno interpretare criticamente i risultati, confrontando le potenzialità degli approcci inferenziali frequentista e Bayesiano. Inoltre, sono in grado di applicare procedure di selezione della dimensione campionaria ottima basate su diversi criteri. Capacità di applicare conoscenza e comprensione. Al termine del corso gli studenti sono in grado di applicare, anche mediante l'utilizzo del software R, le conoscenze acquisite nella pianificazione dello studio clinico e nell'interpretazione dei risultati dell'analisi statistica. Autonomia di giudizio. Gli studenti, attraverso lo studio e le diverse applicazioni pratiche mostrate durante le lezioni anche con l'ausilio del software R, sviluppano il senso critico derivante dal confronto tra metodologie di analisi e di disegno basate su approcci differenti. Acquisiscono, inoltre, capacità di giudizio autonomo che permettono di individuare i metodi più appropriati per analizzare dati clinici, selezionare opportunamente il numero di pazienti da arruolare e scegliere le più adeguate strategie di monitoraggio. Abilità comunicativa. Gli studenti, attraverso lo studio e lo svolgimento di esercizi pratici, acquisiscono il linguaggio tecnico-scientifico della disciplina, che deve essere opportunamente utilizzato sia nelle prove scritte che orali. Capacità di apprendimento. Gli studenti che superano l'esame, con riferimento a dati clinici, hanno approfondito tematiche riguardanti l'applicazione di metodi inferenziali per l'analisi e il disegno dello studio basati sugli approcci frequentista e Bayesiano. Ciò permette di sviluppare capacità autonome di confronto tra diverse procedure. Inoltre, le attività di gruppo, che prevedono l'utilizzo del software R, sviluppano abilità comunicative e potenziano capacità di programmazione che sicuramente risulteranno utili agli studenti in fase di preparazione della tesi finale. |
Secondo anno |
Primo semestre |
9 |
SECS-S/01 |
|
1047774 - MODELLI PREVISIVI |
Obiettivi formativi Conoscenza approfondita dell'analisi delle serie temporali e dei metodi di previsione statistica per fenomeni dinamici rilevanti secondo modalità diverse.
Competenze da acquisire Capacità di descrivere e impostare problemi di previsione di diversa natura e di risolverli scegliendo la metodologia statistica più appropriata, producendo una adeguata analisi dei risultati |
Secondo anno |
Primo semestre |
6 |
SECS-S/01 |
|
1047802 - SPATIAL STATISTICS AND STATISTICAL TOOLS FOR ENVIRONMENTAL DATA |
RISULTATI DI APPRENDIMENTO ATTESI Si intendono fornire gli strumenti di base per l’interpretazione ed analisi di dati ambientali. risultati di apprendimento attesi capacità di elaborazione di dati ambientali tramite software R, capacità di interpretazione dei risultati ottenuti, capacità di scelta dei modelli statistici più appropriati sulla base delle ipotesi alla loro base e la compatibilità delle stesse in relazione ai dati disponibili. COMPETENZE DA ACQUISIRE Utilizzo del software R e delle librerie in esso contenute per l’analisi di dati spaziali e valori estremi. |
Secondo anno |
Primo semestre |
9 |
SECS-S/02 |
|
1055950 - DATA DRIVEN DECISION MAKING |
Risultati di apprendimento attesi. Conoscenza dei metodi e modelli per il supporto alle decisioni (modelli di Decision Analysis con criteri multipli e più decisori, modelli di Ottimizzazione Lineare e Intera multiobiettivo) e degli strumenti informatici per la loro realizzazione (CPLEX, QLIK, TABLEAU, R, Julia ecc. ). Competenze da raggiungere. Capacità di gestire con rigore metodologico il ciclo: problema, dati, modelli e decisioni. Competenze per sviluppare algoritmi e prototipi di semplici sistemi per il supporto alle decisioni per problemi realistici in diversi settori applicativi (telecomunicazioni, trasporti, energia, finanza,…). |
Secondo anno |
Primo semestre |
9 |
MAT/09 |
|
1055949 - BAYESIAN MODELLING |
Risultati di apprendimento attesi- - Conoscenza delle metodologie di base ed avanzate della statistica bayesiana. Competenze da raggiungere- Capacità di applicare la metodologia bayesiana a problemi applicativi di varia natura. |
Secondo anno |
Primo semestre |
9 |
SECS-S/01 |
|
1038458 - ANALISI DEI DATI DI SOPRAVVIVENZA E LONGITUDINALI |
OBIETTIVO DEL CORSO È FORNIRE AGLI STUDENTI GLI STUMENTI IDONEI ALLA DEFINIZIONE, IMPLEMENTAZIONE E STIMA DI MODELLI POER DATI DI DURATA E/O SOPRAVVIVENZA, OCON PARTICOLARE RIFERIMENTO A I MODELLI PARAMETRICI E SEMIPARAMETRICI.VISTO CHE TALI DATI SONO IL RISULTATO DI EVENTI CHE VENGONO REGISTRATI NEL TEMPO, NELL'AMBITO DEL CORSO VERRÀ ANCHE PRESENTATA UNA INTRODUZIONE AI MODELLI DI REGRESSIONE PER DATI MISURATI TRAMITE STUDI DI TIPO LONGITUDINALE. COMPETENZE DA ACQUISIRE CAPACITÀ DI INTERAGIRE CON METODOLOGIE STATISTICHE AVANZATE NELL'ANALISI DI RISPOSTE A VALORI NON NEGATIVI, OSSERVATE NEL TEMPO, SOTTOPOSTE A FENOMENI DI CE NSURA NON INFORMATIVA (RANDOM) OPPURE INFORMATIVA (DROPOUT) |
Secondo anno |
Secondo semestre |
9 |
SECS-S/01 |
|
1038218 - Computational Statistics |
OBIETTIVI Conoscenza degli strumenti e delle metodologie computazionali per l'analisi statistica. COMPETENZE DA ACQUISIRE Capacità di applicare in modo appropriato le metodologie computazionali ai problemi statistici. |
Secondo anno |
Secondo semestre |
9 |
SECS-S/01 |
|
1047773 - BIG DATA ANALYTICS
|
GOALS The different techniques existing for Big Data management will be illustrated, with a particular emphasis on NoSQL databases. The course will also deal with the problem of collecting Big Data from various sources such as from the web or from the online social networks. This will require also the introduction of the different formats that are commonly used to encode unstructured, semi-structured and structured data and of the different techniques that can be used to automate their processing. Successively, pre-processing techniques, including denoising and imputation of missing data, will be considered. Then, the course will treat dimensionality reduction techniques, based on feature extraction and feature selection. Finally, some statistical learning models, supervised and unsupervised, for the analysis of Big Data, will be presented. Real-world problems will be addressed during the course using suitable software. SKILL TO BE ACQUIRED The student will be able to manage Big Data collected from various sources. He will learn as to apply dimensionality reduction techniques, based on feature extraction and feature selection. Moreover, he will be able to choose and apply some powerful statistical learning models, supervised and unsupervised, to Big Data. |
Secondo anno |
Secondo semestre |
6 |
|
|
BIG DATA ANALYTICS |
|
Secondo anno |
Secondo semestre |
3 |
INF/01 |
|
BIG DATA ANALYTICS |
|
Secondo anno |
Secondo semestre |
3 |
SECS-S/01 |
|