|
1052019 - BAYESIAN MODELLING
|
General goals
Knowledge at an intermediate and advanced level of the main issues in Bayesian statistics.
Ability to apply Bayesian statistical techniques to applicative context.
Knowledge and understanding
Knowledge and understanding of the Bayesian approach to statistical inference, of its models and of its methodologies
Applying knowledge and understanding
Ability to apply Bayesian statistical methods for inferential problems in real-data problems
Making judgements
Ability of choosing appropriate Bayesian methods and models in different inferential problems
Communication skills
Ability of communicating results of the analyses in written and oral form
Learning skills
Students acquire skills useful to approach more advanced topics in Bayesian inference, Advanced data analysis, Statistical computing and Mathematical statistics |
Primo anno |
Primo semestre |
6 |
|
 |
|
BAYESIAN MODELLING I |
|
Primo anno |
Primo semestre |
3 |
SECS-S/01 |
|
|
BAYESIAN MODELLING II |
|
Primo anno |
Primo semestre |
3 |
SECS-S/01 |
|
|
10589780 - GESTIONE ED ELABORAZIONE DI BIG DATA |
Obiettivi generali
Obiettivo del corso è la trattazione e l’approfondimento dei modelli e delle tecnologie tuttora disponibili (o in via di sviluppo) per la memorizzazione e la gestione di Big Data.
Gli studenti impareranno inoltre a sviluppare algoritmi distribuiti per l’elaborazione di Big Data sviluppati in accordo al paradigma MapReduce.
Obiettivi specifici
a) Conoscenza e capacità di comprensione
Gli studenti apprenderanno quali sono le principali criticità che sorgono quando occorre gestire ed elaborare Big Data e per quali motivi gli approcci tradizionali possono non funzionare. A seguire, impareranno quali approcci alternativi adottare per superare queste criticità.
b) Capacità di applicare conoscenza e comprensione
Al termine del corso gli studenti saranno in grado di modellare ed implementare basi dati NoSQL di diverso tipo (e.g., Document based, graph based, KeyValue based) per la memorizzazione e la gestione di Big Data. Saranno inoltre in grado di progettare e sviluppare algoritmi distribuiti per l’elaborazione di Big Data adoperando il paradigma MapReduce.
c) Autonomia di giudizio
Gli studenti svilupperanno la capacità di individuare quelle particolari tipologie di problemi di gestione dati e/o di elaborazione dati per la cui taglia o complessità occorre
adottare un approccio non convenzionale. Saranno inoltre in grado di individuare quale particolare paradigma, tra quelli trattati a lezione, sarà più adatto a modellare il caso oggetto di studio.
d) 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 nelle prove finali.
Le abilità comunicative vengono sviluppate anche attraverso attività di gruppo che portano alla presentazione ed alla discussione di un progetto finale.
e) Capacità di apprendimento
Gli studenti che supereranno l’esame avranno appreso i paradigmi da utilizzare per la gestione e l’elaborazione di Big Data e saranno in grado di metterli in pratica con l’ausilio delle tecnologie trattate durante lo svolgimento del corso. |
Primo anno |
Primo semestre |
9 |
INF/01 |
 |
|
10589835 - COMPUTATIONAL STATISTICS |
Learning goals
The main goal of the course is to learn about common general computational tools and methodologies to perform reliable statistical analyses.
Students will be able
to understand the theoretical foundations of the most important methods;
to appropriately implement and apply computational statistical procedures;
to interpret the results deriving from their applications to real data. .
(a) Knowledge and understanding
After attending the course, students will know and understand the most important computational techniques in statistical analysis. In addition, students will be able to appropriately implement the learned tools with the statistical software R and to develop original ideas often in a research context.
(b) Applying knowledge and understanding
At the end of the course, students will be able to formalize statistical problems from a computational point of view, to apply the learned methods to solve them, also in contexts not covered in the lessons, and to interpret the results deriving from their applications to real data.
c) Making judgements
Students will develop critical skills through the application of computational methodologies to a wide range of statistical problems and through the comparison of alternative solutions to the same problem by using different tools. Furthermore, they will learn to interpret critically the results obtained by applying procedures to real datasets.
(d) Communication skills.
By studying and carrying out practical exercises, students will acquire the technical-scientific language of the discipline, which must be suitably used in the final written test. Communication skills will also be developed through group activities.
(e) Learning skills
Students who pass the exam have learned computational techniques useful in statistical analysis and to work self-sufficiently to face the complexity of the statistical problems. |
Primo anno |
Primo semestre |
6 |
SECS-S/01 |
|
|
10589631 - MODELLI DEMOGRAFICI |
Obiettivi formativi
L'obiettivo formativo primario dell’insegnamento è l'apprendimento da parte degli studenti dei principali problemi, metodi e modelli della demografia matematica.
Conoscenza e capacità di comprensione.
Dopo aver frequentato il corso gli studenti conoscono e comprendono le metodologie più comunemente utilizzate per analizzare i processi demografici.
Capacità di applicare conoscenza e comprensione.
Al termine del corso gli studenti sono in grado di applicare i metodi e i modelli specifici della disciplina a casi concreti, anche in contesti multidisciplinari (socio-demografico, bio-demografico, attuariale, economico). Autonomia di giudizio.
Gli studenti sviluppano capacità critiche attraverso l’applicazione di metodi e modelli a dati reali di diversa complessità.
Sviluppano inoltre il senso critico attraverso il confronto di soluzioni alternative allo stesso problema.
Abilità comunicativa.
Gli studenti, attraverso lo studio e lo svolgimento di applicazioni a casi concreti, acquisiscono il linguaggio tecnico-scientifico della disciplina, che deve essere opportunamente utilizzato nella prova orale finale.
Le abilità comunicative vengono sviluppate anche attraverso attività di gruppo.
Capacità di apprendimento.
Gli studenti che superano l’esame hanno appreso un metodo di analisi che consente loro di studiare le principali questioni demografiche in modo autonomo. |
Primo anno |
Secondo semestre |
6 |
SECS-S/04 |
|
|
1047802 - SPATIAL STATISTICS AND STATISTICAL TOOLS FOR ENVIRONMENTAL DATA |
Learning goals
The student at the end of the course should be able to use with knowledge advanced modeling and exploratory techniques specifically developed for spatially dependent data. This is achieved by assigning several homeworks on real data. Practical sessions with the R software are part of each lecture, so to allow students to implement what is taught in the theoretical part. Among the expected results, ability to elaborate environmental data using R software, ability to interpret the results obtained, ability to choose the most suitable statistical models according to the hypotheses they are founded on and to their compatibility with the data available.
Knowledge and understanding
The student will be able to understand the main tools for the analysis of spatial and spatio-temporal data. Also an introductory knowledge of extreme value estimation and modeling will be part of his cultural heritage
Applying knowledge and understanding
Students will be involved in the discussion and analysis of case studies using the open source statistical software R. Students will be asked prepare and discuss a presentation of the results of their homeworks. The presentation will be given on front of the class and discussed.
Making judgements
Through the homeworks and the final presentations discussions, tudente will develop judgements capacity in terms of theoretical choices in representation of real worls phenomena.
Communication skills
Students will be asked prepare and discuss a presentation of the results of their homeworks. The presentation will be given on front of the class and discussed.
This procedure will help the student to develop his/her ability to communicate the results of its work.
Learning skills
One of the aims of the course is to build a statistical glossary and a dictionary of specific statistical concepts that will allow the student to read and understand scientific papers using advanced statistical tools in the analysis of environmental data. |
Secondo anno |
Primo semestre |
9 |
SECS-S/02 |
|
|
10589781 - MODELLI STATISTICI CORSO AVANZATO |
Obiettivi formativi.
Lo scopo dell’insegnamento è ampliare la conoscenza dei modelli statistici multivariati volti all’analisi e la comprensione di matrici di dati complesse (spesso di grandi dimensioni).
Gli studenti devono inoltre saper formalizzare i problemi reali in termini dei modelli discussi durante il corso e saperne interpretare i risultati ottenuti.
Infine, gli studenti devono aver la capacità di programmare ed applicare tali metodologie mediante software statistici (in particolare R/Matlab).
Conoscenza e capacità di comprensione.
Dopo aver frequentato l’insegnamento, gli studenti conoscono e comprendono i principali modelli statistici multivariati per far fronte alle diverse problematiche connesse allo studio di fenomeni complessi.
Capacità di applicare conoscenza e comprensione.
Al termine dell’insegnamento, gli studenti sono in grado di utilizzare e selezionare i diversi modelli statistici multivariati studiati per affrontare le problematiche relative a diverse discipline.
Gli studenti sono infine in grado di interpretare in modo critico i risultati ottenuti dall’applicazione su dati reali mediante l’uso di software statistici (in particolare R/Matlab).
Autonomia di giudizio.
Gli studenti sviluppano capacità critiche attraverso l’applicazione dei modelli statistici a dati reali e il confronto tra soluzioni ottenute da modelli diversi volti ad affrontare lo stesso problema.
Abilità comunicativa.
Gli studenti, attraverso lo svolgimento di esercizi pratici, lettura e valutazione critica di testi scientifici ed attività di gruppo, acquisiscono una capacità tecnico-scientifica per comunicare in modo critico i risultati ottenuti su problemi reali.
Capacità di apprendimento.
Al termine dell’esame gli studenti hanno una conoscenza più ampia dei modelli statistici multivariati che gli permette di realizzare strategie complesse di analisi per saper estrarre le informazioni rilevanti dai dati osservati, spesso di grandi dimensioni. Tale prerogativa, unita alla conoscenza di programmazione di software statistici, risponde alle sempre più frequenti richieste nell’ambito lavorativo (aziende, enti di ricerca, etc.). |
Secondo anno |
Primo semestre |
9 |
SECS-S/01 |
|
|
1047774 - MODELLI PREVISIVI |
Obiettivi formativi.
L'obiettivo principale e' di mettere in grado lo studente di sviluppare una analisi statistica corretta e una attività di previsione in tutti i casi in cui il tempo sia una determinante fondamentale del fenomeno analizzato.
Conoscenza e capacità di comprensione.
Dimostrare conoscenze e capacità di comprensione che estendono quelle associate al corso di serie storiche del primo ciclo e consentono di sviluppare pratiche di previsione originali integrando vari metodi.
Capacità di applicare conoscenza e comprensione.
Risolvere problemi complessi che riguardano la dinamica temporale di fenomeni misurati con varie modalità e varie scale.
Autonomia di giudizio.
Capacità di integrare le conoscenze e completare analisi di fenomeni complessi integrando differenti metodologie, anche in presenza di informazioni limitate, incomplete o distorte.
Abilità comunicativa.
Comunicare i risultati di una analisi statistica approfondita essendo in grado di illustrare le varie fasi in termini generali anche a non specialisti.
Capacità di apprendimento
Studiare in modo autogestito e autonomo. |
Secondo anno |
Primo semestre |
6 |
SECS-S/01 |
|
|
10592835 - BIOINFORMATICA E MEDICINA COMPUTAZIONALE |
* Obiettivi formativi
Il corso ha l'obiettivo di fornire agli studenti una formazione di base di bioinformatica sia pratica che teorica utilizzando i più comuni modelli e strumenti di analisi dei dati "omici" in biologia e medicina molecolare. L'attesa è che dopo aver completato il corso lo studente sia in grado di analizzare ed interpretare dati su larga scala come, per esempio, i dati di trascrittomica di un paziente utilizzando una metodologia appropriata implementata con matlab o altri linguaggi di programmazione ad alto livello. Inoltre, lo studente sarà in grado di capire la teoria biologica alla base delle tecniche di analisi e di analizzarne criticamente i risultati.
* Conoscenza e capacità di comprensione
Gli studenti conseguiranno conoscenze e capacità di comprensione nel campo della bioinformatica e della medicina computazionale ad un livello che includa anche alcuni temi innovativi e di frontiera della materia.
* Capacità di applicare conoscenza e comprensione
Gli studenti saranno in grado di applicare le loro conoscenze e capacità di comprensione in modo da dimostrare familiarità con i dati ed i metodi della bioinformatica e della medicina computazionale e possiederanno competenze adeguate sia per ideare e sostenere argomentazioni, che per risolvere problemi tipici della materia.
* Autonomia di giudizio
Gli studenti avranno la capacità di raccogliere ed interpretare i metodi ed i dati della bioinformatica e della medicina computazionale utili a produrre giudizi autonomi ed una riflessione critica dei temi connessi.
* Abilità comunicativa
Gli studenti dovranno essere in grado di comunicare informazioni, idee, problemi e soluzioni anche a interlocutori non specialisti (medici/biologi).
* Capacità di apprendimento
Gli studenti dovranno sviluppare delle capacità di apprendimento necessarie per continuare lo studio verso degli approfondimenti continui che caratterizzano il rapido evolversi della disciplina con un altro grado di autonomia. |
Secondo anno |
Primo semestre |
9 |
ING-INF/06 |
|
|
10589824 - ANALISI STATISTICA DELLE STRUTTURE RELAZIONALI |
Obiettivi formativi.
L’obiettivo principale dell’insegnamento è l’acquisizione degli strumenti statistici avanzati per l’analisi di dati che esprimono relazioni tra oggetti e del loro utilizzo in situazioni reali.
Nell'analisi di un caso di studio reale, lo studente deve essere in grado di formalizzare l’obiettivo statistico, elaborare una strategia di analisi, applicare autonomamente le metodologie apprese e interpretare i risultati.
Conoscenza e capacità di comprensione.
Alla fine del corso gli studenti conoscono le problematiche e i temi principali legati allo studio delle matrici di
relazione (ad esempio, correlazioni, distanze) e le metodologie classiche per affrontare e gestire tali tematiche ad esempio, riduzione dimensionale, classificazione).
Capacità di applicare conoscenza e comprensione.
Al termine del corso gli studenti sono in grado di formalizzare un problema statistico di analisi di strutture relazionali e di selezionare le metodologie appropriate per affrontarlo e gestirlo.
Inoltre possiedono la competenze di base per motivare scelte alternative e verificarne assunzioni e l’applicabilità.
Infine, sono in grado di applicare i metodi a situazioni reali e di interpretare i risultati.
Autonomia di giudizio.
Gli studenti sviluppano le capacità critiche tramite l’applicazione delle metodologie apprese dal punto vista teorico che sono in grado di applicare in autonomia utilizzando un software statistico.
La capacità di elaborare dati reali in autonomia e di produrre il risultato riflette autonomia di analisi e sviluppo di senso e giudizio critico che deriva dalla necessità di operare scelte e confronti motivati e supportati dagli strumenti teorici appresi.
In aggiunta, gli studenti imparano ad interpretare criticamente i risultati ottenuti sui dati reali.
Abilità comunicativa.
Gli studenti, attraverso l’elaborazione autonoma e la produzione di brevi rapporti tecnici, acquisiscono il linguaggio tecnico-scientifico della disciplina, dando particolare rilievo alla capacità di comunicare informazioni e risultati con un linguaggio rigoroso ma comprensibile anche ad interlocutori non specialisti.
Capacità di apprendimento.
Gli studenti che superano l’esame hanno appreso:
a) metodologie avanzati delle statistica mirate all’analisi di dati con strutture relazionali e la capacità di affrontare eventuali approfondimenti in corsi di studio in area statistica o nei contesti applicativi in cui la statistica è impiegata;
b) gli strumenti applicativi che permettono di applicare le metodologie apprese e costruire una strategia di analisi in autonomia |
Secondo anno |
Primo semestre |
6 |
SECS-S/01 |
|
|
10596188 - INFERENZA CAUSALE |
Obiettivi formativi
Obiettivo formativo dell’insegnamento è l'apprendimento da parte degli studenti dei principali metodi statistici utilizzati per l’inferenza causale. Ossia, come rispondere a domande di ricerca circa l’impatto di determinate cause su di un particolare effetto.
Conoscenza e capacità di comprensione
Alla fine del corso gli studenti conoscono e comprendono i principali metodi per l'inferenza causale.
Capacità di applicare conoscenza e comprensione
Gli studenti apprendono come applicare i principali metodi per l’inferenza causale anche attraverso l’uso di software statistici.
Autonomia di giudizio
La discussione dei vari metodi, anche con lavori di gruppo, fornisce agli studenti le capacità necessarie per analizzare criticamente, ed in autonomia, situazioni reali.
Abilità comunicativa
Gli studenti acquisiscono gli elementi di base per ragionare, e far ragionare, in termini quantitativi su problemi di inferenza causale. Tali abilità saranno ulteriormente sviluppate mediante lavori di gruppo su dati reali.
Capacità di apprendimento
Gli studenti che superano l’esame sono in grado di applicare i metodi appresi in diversi contesti applicativi. |
Secondo anno |
Primo semestre |
6 |
SECS-S/05 |
|
|
10589563 - DATA DRIVEN DECISION MAKING |
General
Managers worldwide, beyond their personal experience, rely more and more on the use of
quantitative decision models which allow to take advantage of today’s data availability. Morover,
new computational tools, including algorithms, cloud computing and distributed processing, make
it possible to both develop and compute analytical models in a very short time, meeting the
requirement of practical applications and often using real time data. Data Driven Decision Making
is the new paradigm for managers to make better, evidence based, more rational, transparent and
reliable decisions.
In this context, the primary educational objective of the course is students' learning of the main
decision problems that arise in real world and the quantitative methods to model them and to
feed them with adequate data. Students must also be able to correctly use, for decision-making
and management purposes, computer tools to analyze data generated by real problems in
different contexts (e.g. service management, marketing, transportation, operations management
and production, and finance) through the analysis of several case studies.
Specific objectives
a) Knowledge and ability to understand
After attending the course the students know and classify the main decision problems arising in
real world organization and the main analytical methods (decision and optimization models and
algorithms) to be used to support a Manager during his/her decision process.
b) Ability to apply knowledge and understanding
At the end of the course the students are able to formalize real problems in terms of decision
problems and to apply the specific methods taught in the course to solve them. They are also able
to classify the type of problem to it the most appropriate quantitative method, experimenting the
effectiveness for decisional purposes also on real problems.
c) Autonomy of judgment
Students develop critical skills through the application of modeling, decision analysis and multi
objective optimization methodologies to a broad set of practical problems. They also develop the
critical sense through the comparison between alternative solutions to the same problem
obtained using methods of analysis and realistic scenarios different from each other. They learn to
critically interpret the results obtained by applying the procedures to real data sets.
d) Communication skills
Students, through the study and the carrying out of practical exercises, acquire the technical-
scientific language of the course, which must be properly used both in the intermediate and final
written tests and in the oral tests. Communication skills are also developed through group
activities.
e) Learning ability
Students who pass the exam have learned methods of decision analysis and multiobjective
optimization that allow them to face, decision-making problems and optimization on complex
organizations. |
Secondo anno |
Primo semestre |
6 |
MAT/09 |
|
|
1022798 - DATA MINING E CLASSIFICAZIONE |
Obiettivi formativi
Grazie ai progressi tecnologici, l'acquisizione dei dati è diventata poco costosa e grandi insiemi di dati vengono accumulati, ad esempio, tramite internet, l'e-commerce o i servizi bancari elettronici.
Tali dati possono essere memorizzati nei data warehouse e data mart specificamente destinati al supporto delle decisioni aziendali.
Il data mining fornisce le tecniche di gestione e analisi per estrarre le informazioni rilevanti da questi archivi e costruire modelli previsivi, fondamentali in settori quali la valutazione del credito, il marketing, la customer relationship management.
Il corso prenderà in esame i metodi di preprocessing dei dati e la loro importanza.
Verranno introdotti alcuni modelli non-parametrici di classificazione e regressione: Alberi di decisione, neural networks, support vector machine.
Saranno illustrati i metodi di ensemble learning (Bagging, Boosting, Stacking, Blended).
Sarà anche affrontata l'elaborazione di dati testuali e di immagini.
Conoscenza e capacità di comprensione.
Acquisire le basi delle tecniche affrontate nelle applicazioni di data mining.
Comprendere come e perchè scegliere fra metodi statistici alternativi o eventualmente come combinare i diversi metodi.
Capacità di trattare grosse masse di dati con l'ausilio dell'opportuno software, commerciale e open source.
Capacità di applicare conoscenza e comprensione.
Gli studenti sviluppano capacità critiche attraverso l’applicazione di un'ampia gamma di modelli statistici e di machine learning.
Sviluppano inoltre il senso critico attraverso il confronto tra soluzioni alternative allo stesso problema ottenute utilizzando logiche di apprendimento diverse tra loro.
Imparano ad interpretare criticamente i risultati ottenuti applicando le procedure a insiemi di dati reali.
Autonomia di giudizio.
Gli studenti sviluppano capacità critiche attraverso l’applicazione di un'ampia gamma di machine learning e modelli statistici.
Sviluppano inoltre il senso critico attraverso il confronto tra soluzioni alternative allo stesso problema ottenute utilizzando logiche di apprendimento diverse tra loro.
Imparano ad interpretare criticamente i risultati ottenuti applicando le procedure a insiemi di dati reali.
Abilità comunicativa.
Gli studenti, attraverso lo studio e l'esecuzione di esercizi pratici, acquisiscono il linguaggio tecnico-scientifico della disciplina, che deve essere opportunamente utilizzato sia nelle prove scritte intermedie e finali che nelle prove orali.
Le abilità comunicative vengono sviluppate anche attraverso attività di gruppo.
Capacità di apprendimento.
Gli studenti che superano l’esame hanno appreso un metodo di analisi che consente loro di affrontare, negli insegnamenti successivi di area statistica, lo studio delle proprietà formali delle procedure di data mining in contesti modellistici più complessi. |
Secondo anno |
Secondo semestre |
9 |
SECS-S/01 |
|
|
1047773 - BIG DATA ANALYTICS
|
Learning 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.
Knowledge and understanding.
The student will learn as to apply some statistical learning techniques for dimensionality reduction, based on feature extraction and feature selection.
Moreover, he will know and understand some powerful statistical learning models, supervised and unsupervised, to analyse Big Data.
Applying knowledge and understanding.
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 to analyse Big Data.
Making judgements.
Students will develop critical skills through the application of a wide range of machine learning and statistical models.
They also will develop the critical sense through the comparison between alternative solutions to the same problem obtained using different learning logics.
They will learn to critically interpret the results obtained by applying the procedures to real data sets.
Communication skills.
Students, through the study and execution of practical exercises, acquire the technical-scientific language of the discipline, which must be used appropriately in both the intermediate and final written tests and in the oral tests.
Communication skills are also developed through group activities.
Learning skills.
Students who pass the exam will have learned an analytical approach that allows them to tackle Big Data analysis with statistical models and machine learning methods. |
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 |
|
