Obiettivi formativi L’obiettivo formativo primario dell’insegnamento è apprendere i più comuni strumenti e metodi computazionali per svolgere analisi statistiche affidabili. Gli studenti saranno in grado di:
• comprendere i fondamenti teorici dei metodi più importanti;
• implementare e applicare correttamente le procedure statistiche computazionali;
• interpretare i risultati derivanti dalla loro applicazione a dati reali.
Conoscenza e capacità di comprensione
Dopo aver frequentato il corso, gli studenti conosceranno e comprenderanno le più importanti tecniche computazionali per l’analisi statistica. Inoltre, saranno in grado di implementare correttamente gli strumenti appresi utilizzando il software statistico R e di sviluppare idee originali, spesso in un contesto di ricerca.
Capacità di applicare conoscenza e comprensione
Al termine del corso, gli studenti saranno in grado di formalizzare problemi statistici da un punto di vista computazionale, applicare i metodi appresi per risolverli, anche in contesti non affrontati durante le lezioni, e interpretare i risultati derivanti dalla loro applicazione a dati reali.
Autonomia di giudizio
Gli studenti svilupperanno capacità critiche attraverso l’applicazione di metodologie computazionali a un’ampia gamma di problemi statistici e mediante il confronto tra soluzioni alternative allo stesso problema ottenute con strumenti diversi. Inoltre, impareranno a interpretare in modo critico ed autonomo i risultati ottenuti dall’applicazione di procedure a dataset reali.
Abilità comunicative
Attraverso lo studio e lo svolgimento di esercitazioni pratiche, gli studenti acquisiranno il linguaggio tecnico-scientifico proprio della disciplina, che dovrà essere utilizzato in modo appropriato nella prova scritta finale. Le capacità comunicative saranno inoltre sviluppate mediante attività di gruppo.
Capacità di apprendimento
Gli studenti che supereranno l’esame avranno acquisito tecniche computazionali utili per l’analisi statistica e saranno in grado di lavorare in autonomia per affrontare la complessità dei problemi statistici.
|
Obiettivi formativi Obiettivi generali
L'obiettivo formativo primario dell’insegnamento è lo studio di Temi di Statistica Applicata. Data la vastità del dominio applicativo si focalizzerà in particolare sull'analisi quantitativa applicata al settore della finanza e delle metodologie e algoritmi di automazione dei mercati. Gli studenti dovranno saper risolvere i problemi analitici necessari per applicare i suddetti metodi e saper interpretare i risultati che discendono dalla loro applicazioni a dati reali.
Obiettivi specifici
a) Conoscenza e capacità di comprensione
Dopo aver frequentato il corso gli studenti devono acquisire un profilo completo di analista quantitativo ("quant"), sia per quanto concerne la conoscenza delle metodologie, sia per quanto riguarda la capacità di implementarle nell'ambito di linguaggi moderni di programmazione, quali ad esempio c#, c++, vb.net, j# in generale l'ambiente
integrato di sviluppo Visual Studio.
b) Capacità di applicare conoscenza e comprensione
Al termine del corso gli studenti sono in grado modellizzare tutte le fasi dell'analisi quantitativa, inclusi i processi di simulazione, modellizzazione delle strategie, calcolo di indici di performance e costruzione delle distribuzioni empiriche di probabilità dei principali indici di performance.
c) Autonomia di giudizio
Gli studenti sviluppano capacità critiche attraverso la creazione di nuove strategie e il corrispondente studio simulativo, sia con tecniche di backtesting che forward testing.
Sia con dati simulati, mediante misture di processi aleatori, sia mediante le serie storiche osservate nel passato.
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 sia nelle prove scritte intermedie e finali che nelle prove orali. Le abilità comunicative vengono sviluppate anche attraverso attività programmazione in laboratorio e anche attività di ricerca in gruppi.
e) Capacità di apprendimento
Gli studenti che superano l’esame hanno appreso i metodi di analisi che consentono loro di affrontare problemi concreti di "quantitative analysis" e se necessario di poter intervenire su qualunque fase del complesso processo che va dall'acquisizione dello stream di dati finanziari in tempo reale, alla sua analisi statistica ai fini della creazione di strategie di automazione, alla valutazione quantitativa delle metodologie. Hanno inoltre la capacità di implementare qualunque metodologia richiesta in un ambiente di sviluppo moderno, di programmazione OOP, e interfacce grafiche avanzate.
|
Obiettivi formativi 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 spatial 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 available data.
Knowledge and understanding
The student will be able to understand the main tools for the analysis of spatial and spatio-temporal data.
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 to prepare and discuss a presentation of the results of their homeworks. The presentation will be given in front of the class and discussed.
Making judgements
Through the homeworks and the final presentations discussions, students will develop judgements capacity in terms of theoretical choices in representation of real world phenomena.
Communication skills
Students will be asked to prepare and discuss a presentation of the results of their homeworks. The presentation will be given in 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.
|
Obiettivi formativi 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
|
Obiettivi formativi 1. Conoscenza e comprensione. Che cosa lo studente dovrà conoscere sui temi oggetto del corso dopo aver sostenuto con successo l’esame.
Dopo aver sostenuto con successo l’esame, lo studente avrà acquisito conoscenze di base sulla storia e lo sviluppo della network analysis quale metodologia autonoma di analisi dei dati relazionali; sulle principali scuole e autori che ne hanno segnato la crescita nell’ambito degli studi sulla struttura e sulle dinamiche intra e inter gruppo (Moreno, Freeman, Mit, Harvard School). Gli studenti conosceranno le proprietà delle matrici di dati relazionali; alcuni concetti di base riferiti ai nodi e alle relazioni (linee, direzione); alcune misure caratteristiche delle reti (indegree, oudegree, densità, centralità e centralizzazione, betweenness, closeness, clustering); alcune tecniche statistiche di analisi (componenti, nuclei e clique); le rappresentazioni grafiche delle reti sociali.
2. Capacità di applicare conoscenza e comprensione: che cosa lo studente dovrà saper fare (quali competenze avrà acquisito) sui temi oggetto del corso dopo aver sostenuto con successo l’esame
Dopo aver sostenuto con successo l’esame, lo studente dovrà avere acquisito competenze per a) applicare a fenomeni sociali complessi gli schemi teorici appresi, traducendoli operativamente in domande di ricerca, obiettivi e ipotesi di lavoro; b) raccogliere e organizzare i dati in forma relazionale e trattarli statisticamente, calcolando le misure più appropriate e utilizzando le tecniche apprese; c) utilizzare i software Sas Viya e Ucinet.
3. Attività che concorrono allo sviluppo di capacità critiche e di giudizio
Lo sviluppo di capacità critiche e di giudizio sono sviluppate attraverso il coinvolgimento degli studenti nel lavoro in aula. La metodologia didattica adottata prevede che lo studente, da solo o in gruppo, osservi, analizzi, commenti, interpreti, sperimenti, al fine di sviluppare una autonoma capacità di decisione e soluzione di problemi, di sintesi e di giudizio rispetto ai problemi di analisi proposti dalla docente.
4. Attività che concorrono allo sviluppo delle capacità di comunicare quanto si è appreso
La capacità di comunicare quanto è appreso deve essere sviluppata attraverso il lavoro di gruppo e attività di presentazione e discussione dei risultati relativi alle diverse attività d’aula svolte (analisi di dati e presentazioni dei risultati raggiunti).
5. Capacità di proseguire in modo autonomo lo studio dei temi affrontati
Le competenze acquisite oltre a rafforzare ed arricchire le conoscenze già in possesso degli studenti, contribuiranno a potenziare la capacità di apprendimento di metodi e tecniche più avanzate di analisi di fenomeni sociali sia a livello teorico che applicativo.
|
Obiettivi formativi 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.
|
Obiettivi formativi Learning goals
Statistical Machine Learning provides a rigorous introduction to the statistical and probabilistic principles that underpin modern artificial intelligence, including predictive and generative AI, and data-driven decision making. The course presents machine learning as a statistical discipline, where learning algorithms are viewed as methods for inference from data under uncertainty.
The course combines theoretical foundations with methodological and computational aspects. Students will develop an understanding of probabilistic modelling, statistical inference, optimization and generalization theory, together with the practical skills required to implement, evaluate and compare modern learning algorithms. Representative methodologies include kernel methods, deep neural networks, probabilistic generative models such as denoising diffusion probabilistic models (DDPMs), and modern uncertainty quantification techniques including conformal prediction. Throughout the course, particular emphasis is placed on principled model assessment, uncertainty quantification, and the interpretation of predictive models.
Theoretical results are complemented by programming assignments and a substantial project based on real datasets, allowing students to connect statistical principles with computational implementation using modern open-source scientific computing environments.
Knowledge and understanding
Upon successful completion of the course, students will understand the statistical principles underlying modern machine learning and their role in predictive and generative artificial intelligence. They will be able to interpret learning algorithms within a unified probabilistic framework, understanding how statistical modelling, inference, optimization and regularization jointly determine predictive performance and generalization.
Students will understand the assumptions, mathematical foundations and computational characteristics of the principal supervised and unsupervised learning methodologies, including kernel methods, (deep) neural networks and probabilistic generative models. They will also understand the theoretical principles governing model selection, validation, complexity control/regularization, and uncertainty quantification, together with the statistical tools used to assess and compare learning algorithms.
Finally, students will acquire familiarity with modern scientific computing environments for implementing, analysing and experimentally evaluating statistical machine learning methods.
Applying knowledge and understanding
Upon successful completion of the course, students will be able to formulate complex data analysis problems within an appropriate statistical learning framework and identify suitable modelling strategies based on the characteristics of the data and the objectives of the analysis.
They will acquire the practical skills required to implement, train and compare modern machine learning methods, integrating statistical modelling with computational techniques to build complete data analysis pipelines. Students will learn to assess predictive performance using principled statistical methodologies, quantify predictive uncertainty, and interpret the results in light of the assumptions and limitations of the adopted models.
Programming assignments and a final project will provide hands-on experience with real-world datasets, enabling students to bridge theoretical concepts with practical implementation and to develop reproducible machine learning solutions.
Making judgements
Upon successful completion of the course, students will have developed the ability to critically evaluate statistical learning methodologies from both theoretical and empirical perspectives. They will be able to assess whether the assumptions underlying a learning model are appropriate for a given application, compare competing modelling approaches, and interpret empirical results in light of statistical evidence.
Particular emphasis is placed on understanding the role of uncertainty in statistical learning, enabling students to distinguish between predictive performance, statistical significance, and confidence in model outputs. Students will develop the ability to critically assess the reliability, robustness and limitations of learning algorithms when applied to complex real-world data.
Communication skills
Students will develop the ability to communicate statistical and machine learning methodologies effectively through written reports and oral presentations. They will learn to present methodological choices, experimental results, and quantitative evidence in a clear, rigorous and reproducible manner, adapting the level of technical detail to both specialist and non-specialist audiences.
The final project will also foster the ability to discuss modelling decisions, interpret experimental findings, and provide constructive scientific feedback on the work of peers.
Learning Skill
The course aims to develop the independent learning skills required for continued study and research in statistical machine learning and artificial intelligence. By combining theoretical analysis with computational practice, students will acquire the ability to understand new methodologies from the scientific literature, critically evaluate their statistical foundations, and adapt them to novel application domains.
Particular emphasis is placed on developing a probabilistic mindset for reasoning under uncertainty, enabling students to understand emerging machine learning methodologies, integrate advances from the rapidly evolving AI landscape, and pursue lifelong learning with methodological rigour and intellectual independence.
|
Obiettivi formativi L'obiettivo del corso è introdurre gli studenti ai principali metodi di analisi e previsione delle serie storiche economiche e finanziarie.
In particolare, si tratterà di
i) Processi stocastici lineari. Stazionarietà. Invertibilità. Causalità. Processi ARMA. Identicazione, stima, interpretazione e previsione.
ii) Misura ed analisi della volatilità. Modelli ARCH e GARCH. Identicazione, stima, interpretazione e previsione.
La conoscenza della teoria econometrica per le analisi cross-section, della teoria dell'inferenza e di probabilità costituisce un prerequisito.
Conoscenza e capacità di comprensione.
Dopo aver frequentato il corso gli studenti conoscono e comprendono i principali problemi legati alle serie storiche (per esempio: assenza di stazionarietà) ed i principali metodi da utilizzare per risolvere tali problemi (per esempio: test di radici unitarie).
Capacità di applicare conoscenza e comprensione.
Al termine del corso gli studenti sono in grado di formalizzare problemi reali in termini dei modelli di serie storiche e di applicare i metodi specifici della disciplina per risolverli.
Sono inoltre in grado di applicare i metodi a situzioni concrete e di interpretare i risultati.
Autonomia di giudizio.
Gli studenti sviluppano una conoscenza della proprietà analitiche delle metodologie presentate e la capacità di costruire programmi per la loro implementazione. Imparano inoltre ad interpretare criticamente i risultati ottenuti applicando le procedure a situazioni concrete.
Abilità comunicativa.
Gli studenti 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 quantitativa, lo studio delle proprietà analitiche in contesti modellistici più complessi. Sono inoltre in grado di produrre analisi empiriche e previsioni.
|
