ANALISI DEI DATI E DATA MINING

Obiettivi formativi

Fornire le nozioni fondamentali della statistica multidimensionale per lo studio di fenomeni complessi a livello esplorativo, non probabilistico. Conoscere i processi di riduzione della quantità di informazione, mediante la costruzione sia di indicatori globali di sintesi, sia di tipologie a più dimensioni. Sperimentare su vari esempi di matrici di dati reali le suddette metodologie secondo la logica del data mining. Lo studente al termine del corso è in grado di elaborare sistemi di dati complessi multidimensionali ricavati da varie tipologie di basi dati. Lo studente sarà capace di scegliere le tecniche di data mining in funzione dell’obiettivo dell’analisi e del tipo o genere di informazioni, ovvero per dati sia quantitativi, sia categoriali (qualitativi codificati), sia testuali (qualitativi non strutturati).

Canale 1
LUCA SALVATI Scheda docente

Programmi - Frequenza - Esami

Programma
1. Introduzione al corso di studio 2. Significato operativo del Data mining. 3. Teoria delle basi di dati e preparazione delle grandi matrici di dati (big data). 4. Teoria dell'indicazione. 5. Analisi fattoriale e in componenti principali. 6. Analisi dei gruppi di tipo gerarchico e non gerarchico. 7. Il Multi-dimensional scaling metrico e non metrico. 8. Analisi delle corrispondenze e delle correlazioni canoniche. 9. Analisi di regressione.
Prerequisiti
Si richiedono conoscenze generali di statistica descrittiva e di matematica di base.
Testi di riferimento
Le dispense del corso sono contenute in un apposito applicativo informatico (Google Drive) I libri di testo sono: Per la teoria: Maialetti M. - Sateriano A. (2024). Analisi esplorativa dei dati. CISU, Roma (ultima edizione). Per esercizi, parte pratica, applicazioni ed approfondimenti: Maialetti M. - Salvati L. (2024). Sostenibilità e resilienza. Analisi quantitativa e applicazioni economiche. Franco Angeli, Milano (ultima edizione). Gli studenti lavoratori e/o non frequentanti studieranno in aggiunta un terzo testo: Orlandi V. - Maialetti M. - Salvati L. (2024). Indicatori territoriali e sviluppo locale. Verso un'economia del paesaggio. Carocci, Roma. Software gratuito
Modalità insegnamento
Lezioni frontali. Esercitazioni.
Frequenza
Didattica in presenza necessaria
Modalità di esame
Scritta e orale, con possibilità di effettuare prove di esonero (scritte) in itinere e tesine di laboratorio/progetto anche su software dedicato.
Bibliografia
Lo stesso di sopra
Modalità di erogazione
Lezioni frontali. Esercitazioni.
LUCA SALVATI Scheda docente

Programmi - Frequenza - Esami

Programma
1. Introduzione al corso di studio 2. Significato operativo del Data mining. 3. Teoria delle basi di dati e preparazione delle grandi matrici di dati (big data). 4. Indicatori elementari e indici compositi. 5. Analisi fattoriale e in componenti principali. 6. Analisi dei gruppi di tipo gerarchico e non gerarchico. 7. Il Multi-dimensional scaling metrico e non metrico. 8. Analisi delle corrispondenze e delle correlazioni canoniche. 9. Analisi di regressione
Prerequisiti
Si richiedono conoscenze generali di statistica descrittiva e di matematica di base.
Testi di riferimento
Le dispense del corso sono contenute in un apposito applicativo informatico (Google Drive) I libri di testo sono: Per la teoria: Maialetti M. - Sateriano A. (2024). Analisi esplorativa dei dati. CISU, Roma (ultima edizione). Per esercizi, parte pratica, applicazioni ed approfondimenti: Anzalone F.M - Maialetti M. - Salvati L. (2024). I territori del PNRR. Applicazioni economiche con indicatori statistici CISU, Roma. Gli studenti lavoratori e/o non frequentanti studieranno in aggiunta un terzo testo: Salvati L. (2024). Statistica, economia e sostenibilità. Indicatori per l'analisi regionale. Franco Angeli, Milano. Sono effettuate esercitazioni statistiche su software dedicato e gratuito.
Modalità insegnamento
Lezioni frontali. Esercitazioni.
Frequenza
Didattica in presenza necessaria
Modalità di esame
Scritta e orale, con possibilità di effettuare prove di esonero (scritte) in itinere e tesine di laboratorio/progetto anche su software dedicato.
Bibliografia
Lo stesso di sopra
Modalità di erogazione
Lezioni frontali. Esercitazioni.
  • Codice insegnamento10592615
  • Anno accademico2024/2025
  • CorsoEconomia aziendale
  • CurriculumManagement delle aziende pubbliche
  • Anno1º anno
  • Semestre2º semestre
  • SSDSECS-S/01
  • CFU9
  • Ambito disciplinareStatistico-matematico