Scienze statistiche - Statistical Sciences

Obiettivi formativi

Obiettivi
Sviluppo di capacità analitiche e computazionali per risolvere problemi di decisioni statistiche con il software R.

Conoscenza e comprensione
Gli studenti sviluppano la capacità di comprendere e risolvere esercizi semplici e complessi di teoria statistica delle decisioni.

Applicare conoscenza e comprensione
Agli studenti è richiesto di applicare competenze teoriche e computazionali (con il software R) per risolvere problemi infrenziali formalizzati come problemi di decisione

Capacità di giudizio
Ono degli obiettivi principali del corso e delle attività pratiche previste è lo sviluppo da parte degli studenti dell'abilità di confrontare metodi alternativi e di scegliere tra questi, ovvero di raffinare la loro capacità di giudizio.

Abilità comunicative
Gli studenti sviluppano tali capacità attraverso la presentazione scritta dei loro elaborati.

Capacità di apprendimento
Gli studenti acquisiscono capacità utili anche a cuturi corsi universitari e alla loro futura attività professionale (uso del software R, formalizzazione di problemi statistici, abilità computazionali).

Obiettivi formativi

Obiettivi generali
Obiettivo del corso è la presentazione delle nozioni di base necessarie all’utilizzo di un linguaggio di programmazione imperativo di uso generale. In particolare, si mostrerà l’uso del linguaggio di programmazione Python 3.

Obiettivi specifici
a) Conoscenza e capacità di comprensione
Gli studenti conosceranno i costrutti di base del linguaggio Python 3, saranno in grado di comprendere un semplice programma scritto in Python 3 e scrivere programmi nello stesso linguaggio. Saranno inoltre in grado di utilizzare un ambiente integrato di sviluppo (IDE).

b) Capacità di applicare conoscenza e comprensione
Al termine del corso gli studenti saranno in grado di risolvere semplici problemi di natura algoritmica utilizzando il linguaggio di programmazione Python 3, correggere errori sintattici e semantici utilizzando un ambiente di sviluppo, valutare la correttezza e la complessità delle soluzioni individuate.

c) Autonomia di giudizio
Gli studenti svilupperanno la capacità di formalizzare algoritmi utilizzando un linguaggio di programmazione, scegliendo i costrutti più adatti a risolvere il singolo problema. Saranno in grado di valutare, la correttezza, la leggibilità e la generalità delle soluzioni individuate.

d) Abilità comunicativa
Gli studenti acquisiranno la capacità di esprimere in maniera formale un procedimento mentale per risolvere un problema, e di comprendere i punti cruciali di un algoritmo.

e) Capacità di apprendimento
Gli studenti saranno in grado di apprendere facilmente l’uso di linguaggi di programmazione imperativi, apprezzando analogie e differenze rispetto al linguaggio Python 3.

Obiettivi formativi

Obiettivo specifico è quello di consentire allo studente di coadiuvare le sue conoscenze scientifiche con quelle più specifiche per l'inserimento nel futuro mondo del lavoro.

Obiettivi formativi

Obiettivo specifico è quello di consentire allo studente di coadiuvare le sue conoscenze storiche con quelle più specifiche per l'inserimento nel futuro mondo del lavoro.

Obiettivi formativi

The primary educational objective of the laboratory is students' learning and practice of the main
tools for Data Driven Decision Making, that is the use of computer tools to analyze data and
formalize optimization or decision models and produce decisions that create value.

Knowledge and ability to understand
After attending the laboratory, students will be able to use decision support methods (like,
the Analytical Hierchical Process), optimization solvers (like CPLEX or Gurobi) and computer
algorithms for modelling multicriteria decision and optimization problems.

Ability to apply knowledge and understanding
The models are formalized in the realm of problems. The most appropriate quantitative
method, experimenting with the effectiveness of the problem.

Autonomy of judgment
Students develop critical skills through the application of modeling, analysis and
optimization to a broad set of decision problems. They also develop the critical sense
through the comparison between alternative solutions to the same problem 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.

Communication skills
Students, through the study and the carrying out of the practical exercises, acquire the
technical-scientific language of the course, which should be used in the tests.
Communication skills are also developed through group activities.

Learning ability
Students who pass the exam have acquired the main methods of analysis and optimization
of decision problems that allow them to face decision-making and quantitative
management in competitive nowadays enterprises.

Obiettivi formativi

Obiettivi formativi
Obiettivo del laboratorio è stimolare l’apprendimento del corretto utilizzo degli strumenti di analisi statistica di dati da studi sperimentali ed osservazionali in biomedicina. Il metodo didattico è basato sulla discussione e sull’analisi guidata di casi di studio reali, che verranno discussi in aula con gli studenti, in modo che questi possano proporre un personale percorso di analisi che verrà confrontato con quello proposto, ex post, dal docente. In questo modo, lo studente acquisirà la capacità di applicare le conoscenze teoriche acquisite da insegnamenti diversi lungo tutto l’arco del percorso di laurea magistrale a dati e problemi reali.

Conoscenza e capacità di comprensione
Il laboratorio consentirà agli studenti di confrontarsi con casi di studio reali, stimolando, quindi, l’apprendimento dei passi fondamentali del processo di analisi di dati da studi in campo biomedico. Al termine del laboratorio, gli studenti avranno raggiunto un più elevato grado di autonomia nella formulazione dei percorsi di ricerca più appropriati per rispondere a quesiti generati dai problemi reali proposti.

Capacità di applicare conoscenza e comprensione
Attraverso l’esperienza pratica sviluppata nell’ambito del laboratorio, ed in funzione delle diverse domande di ricerca, gli studenti avranno acquisito una più approfondita conoscenza delle ipotesi di riferimento, sapranno definire le quantità oggetto di stima, identificare e stimare tali quantità a partire dai dati osservati.

Autonomia di giudizio
Al termine del laboratorio, gli studenti avranno acquisito un più elevato grado di autonomia nell’applicazione degli strumenti metodologici più appropriati per l’analisi di casi di studio reali in campo biomedico, unita ad una maggiore capacità critica nella valutazione delle ipotesi di base, delle procedure di analisi, dei risultati ottenuti.

Abilità comunicativa
Grazie alla struttura del laboratorio basata sull’analisi di diversi casi di studio reali, trattati anche mediante attività di gruppo, gli studenti avranno acquisito una maggiore autonomia e consapevolezza nella comunicazione, anche a non esperti, delle ipotesi di base e dei risultati dei metodi proposti. Questa è considerata parte integrale delle attività del laboratorio.

Capacità di apprendimento
L’attività di ricerca applicata alla quale gli studenti saranno esposti durante il laboratorio costituisce un momento importante per il completamento delle conoscenze teoriche già acquisite nei diversi corsi istituzionali, poiché l’analisi di casi di studio reali permette di rivedere le ipotesi di base, le caratteristiche operative e le potenzialità dei metodi di analisi conosciuti.

Obiettivi formativi

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.

Obiettivi formativi

Obiettivi formativi generali
Il corso si prepone i seguenti obiettivi: 1) apprendimento delle tematiche principali inerenti gli studi epidemiologici nutrizionali e l’analisi dei dati ottenuti da tali studi, con riferimento alle questioni teoriche (fonti di distorsione e confondimento, metodi di correzione, inferenza causale, analisi di sondaggi nutrizionali con disegno campionario complesso) e pratiche (disegno dello studio, composizione del cibo/ valutazione della dieta). Obiettivo è anche fornire allo studente le capacità di analizzare un database nutrizionale gia’ processato.
2) apprendimento delle tematiche principali della genetica molecolare, quantitativa e di popolazione, con particolare riguardo alla teoria alla base della trasmissione dell’eredita’ genetica e degli approcci utili a tenerne conto nel processo di disegno di studi di epidemiologia genetica

Conoscenza e capacità di comprensione
Alla fine del corso ci si attende che lo studente
1) sappia descrivere i principali disegni di studio applicati in epidemiologia nutrizionale e i relativi vantaggi e svantaggi.
2) comprenda come distorsione e confondimento influenzino gli studi nutrizionali, le problematiche connesse con la scomposizione dei cibi/nutrienti in calorie e l’importanza di utilizzare gli elementi del disegno campionario complesso quando presente.
3) comprenda le basi matematiche e statistiche della genetica (molecolare, quantitativa e di popolazione) e in particolare il principio di Hardy-Weinberg.
Capacità di applicare conoscenza e comprensione
Alla fine del corso, lo studente è in grado di
1) applicare le principali tecniche di correzione per errore di misura e di confondimento a studi di epidemiologia nutrizionale; sa applicare semplici metodi di riduzione delle dimensioni per sintetizzare l’informazione proveniente da numerosi nutrienti od occasioni di consumo di cibo.
2) applicare semplici modelli probabilistici e statistico-genetici per calcolare probabilita’ di trasmissione famigliare di un allele, genotipo e fenotipo per semplici relazioni di parentela e comprenda la scomposizione della varianza di un carattere nelle sue componenti genetiche e ambientali
Autonomia di giudizio
Alla fine del corso, lo studente è in grado di
1) comprendere che tipo di stimatore del rischio genetico si puo’ ricavare a seconda del disegno di studio/del tipo di carattere/malattia di riferimento
2) valutare criticamente le ipotesi alla base dell’applicazione di metodi di aggiustamento per il confondimento in ambito nutrizionale e genetico
Abilità comunicative
Alla fine del corso, lo studente è in grado di
1) comunicare con esperti di nutrizione/salute per elicitare le relazioni tra le variabili e costruire un diagramma causale
2) interpretare l’effetto dell’errore di misura negli studi nutrizionali e di interazione tra fattori genetici e ambientali
Capacità di apprendimento
1)Alla fine del corso lo studente avra’ sviluppato le basi concettuali e quantitative di nutrizione e genetica per affrontare problemi di epidemiologia nutrizionale e di genetica ulteriori, eventualmente presentati come studi reali alla fine del corso, come ad esempio studi su pattern nutrizionali complessi, su malattie genetiche rare e/o legate al DNA mitocondriale

Obiettivi formativi

Obiettivi generali
L'obiettivo formativo primario dell’insegnamento è l'apprendimento da parte degli studenti dei principali concetti e strumenti da utilizzare per la valutazione della condizione di salute di una popolazione.

Obiettivi specifici
a) Conoscenza e capacità di comprensione
Dopo aver frequentato il corso e superato il relativo esame, gli studenti sono in grado di affrontare i problemi concettuali e di misura derivanti dalla valutazione della “salute” di un individuo e di una popolazione. Si tratta di un concetto estremamente complesso che prevede aspetti oggettivi e soggettivi e strumenti di misura specifici.

b) Capacità di applicare conoscenza e comprensione
Al termine del corso gli studenti sono in grado di risolvere problemi legati alla misurazione delle condizioni di salute di una popolazione, utilizzando gli strumenti più adatti a ciascuna delle dimensioni in cui può essere specificato il concetto. Le numerose applicazioni che accompagnano lo sviluppo teorico del tema, mettono in condizione gli studenti di stimare e analizzare andamenti e differenziali, anche ponendoli in relazione all’andamento e alle differenze rilevate per altre variabili potenzialmente influenti sulle condizioni di salute.

c) Autonomia di giudizio
Gli studenti sviluppano capacità critiche attraverso la discussione dei diversi approcci che possono essere utilizzati nella studio delle condizioni di salute di una popolazione e degli strumenti più frequentemente utilizzati per ciascun approccio. Alla discussione e interpretazione dei risultati degli indicatori è dedicata una attività specifica che prevede il confronto di diversi approcci e indicatori calcolati su casi reali e la discussione in aula.

d) Abilità comunicativa
Gli studenti, attraverso lo studio e lo svolgimento di esercizi pratici, acquisiscono il linguaggio tecnico-scientifico della disciplina, che viene valutato sia nelle numerose occasioni di discussione in aula, sia negli esercizi svolti - che ciascuno studente è chiamato a presentare all’aula-, sia in occasione dell’esame finale.

e) Capacità di apprendimento
Gli studenti che superano l’esame hanno appreso concetti e metodi propri della statistica sanitaria e dell’epidemiologia sociale.

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

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

* 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.

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.

Obiettivi formativi

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.

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

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.

Obiettivi formativi

Obiettivi generali
Obiettivo del corso è la presentazione delle nozioni di base necessarie all’utilizzo di un linguaggio di programmazione imperativo di uso generale. In particolare, si mostrerà l’uso del linguaggio di programmazione Python 3.

Obiettivi specifici
a) Conoscenza e capacità di comprensione
Gli studenti conosceranno i costrutti di base del linguaggio Python 3, saranno in grado di comprendere un semplice programma scritto in Python 3 e scrivere programmi nello stesso linguaggio. Saranno inoltre in grado di utilizzare un ambiente integrato di sviluppo (IDE).

b) Capacità di applicare conoscenza e comprensione
Al termine del corso gli studenti saranno in grado di risolvere semplici problemi di natura algoritmica utilizzando il linguaggio di programmazione Python 3, correggere errori sintattici e semantici utilizzando un ambiente di sviluppo, valutare la correttezza e la complessità delle soluzioni individuate.

c) Autonomia di giudizio
Gli studenti svilupperanno la capacità di formalizzare algoritmi utilizzando un linguaggio di programmazione, scegliendo i costrutti più adatti a risolvere il singolo problema. Saranno in grado di valutare, la correttezza, la leggibilità e la generalità delle soluzioni individuate.

d) Abilità comunicativa
Gli studenti acquisiranno la capacità di esprimere in maniera formale un procedimento mentale per risolvere un problema, e di comprendere i punti cruciali di un algoritmo.

e) Capacità di apprendimento
Gli studenti saranno in grado di apprendere facilmente l’uso di linguaggi di programmazione imperativi, apprezzando analogie e differenze rispetto al linguaggio Python 3.

Obiettivi formativi

Obiettivo specifico è quello di consentire allo studente di coadiuvare le sue conoscenze storiche con quelle più specifiche per l'inserimento nel futuro mondo del lavoro.

Obiettivi formativi

Obiettivo specifico è quello di consentire allo studente di coadiuvare le sue conoscenze scientifiche con quelle più specifiche per l'inserimento nel futuro mondo del lavoro.

Obiettivi formativi

Obiettivi
Sviluppo di capacità analitiche e computazionali per risolvere problemi di decisioni statistiche con il software R.

Conoscenza e comprensione
Gli studenti sviluppano la capacità di comprendere e risolvere esercizi semplici e complessi di teoria statistica delle decisioni.

Applicare conoscenza e comprensione
Agli studenti è richiesto di applicare competenze teoriche e computazionali (con il software R) per risolvere problemi infrenziali formalizzati come problemi di decisione

Capacità di giudizio
Ono degli obiettivi principali del corso e delle attività pratiche previste è lo sviluppo da parte degli studenti dell'abilità di confrontare metodi alternativi e di scegliere tra questi, ovvero di raffinare la loro capacità di giudizio.

Abilità comunicative
Gli studenti sviluppano tali capacità attraverso la presentazione scritta dei loro elaborati.

Capacità di apprendimento
Gli studenti acquisiscono capacità utili anche a cuturi corsi universitari e alla loro futura attività professionale (uso del software R, formalizzazione di problemi statistici, abilità computazionali).

Obiettivi formativi

Learning goals.
The lab consists of the application of machine learning techniques to the analysis of images and/or textual documents.
The language used is Python 3.x with the Tensorflow package for the application of Convolutional and Recurrent Neural Networks (deep learning).

Knowledge and understanding.
Acquire the basics of machine learning techniques.
Understanding how and why to choose between alternative methods, or possibly how to combine different methods.
Ability to handle large amounts of images or text with the help of appropriate open source software.

Applying knowledge and understanding.
Students develop critical skills through the application of a wide range of statistical and machine learning models.
They also develop the critical sense through the comparison between alternative solutions to the same problem obtained using different learning logics.
They learn to critically interpret the results obtained by applying the procedures to real data sets.

Making judgements.
Students develop critical skills through the application of a wide range of machine learning and statistical models.
They also develop the critical sense through the comparison between alternative solutions to the same problem obtained using different learning logics.
They 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 have learned a method of analysis that allows them to tackle the analysis of the images or text documents by machine learning techniques.

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

Obiettivi generali
Obiettivo del corso è l'introduzione ai sistemi di supercalcolo HPC, alla loro architettura ed ai loro principi di funzionamento. Obiettivo del corso è poi l'introduzione alla programmazione parallela e distribuita, con lo scopo di abbattere i tempi di risoluzione di problemi particolarmente complessi mediante l'impiego coordinato di numerose unità di calcolo.

Obiettivi specifici
a) Conoscenza e capacità di comprensione
Gli studenti apprenderanno quali sono i principi su cui si basa un sistema HPC e come organizzare la strategia risolutiva di un algoritmo che possa avvantaggiarsi della presenza di più unità di calcolo.

b) Capacità di applicare conoscenza e comprensione
Al termine del corso gli studenti saranno in grado di realizzare semplici applicazioni parallele e distribuite, in grado di sfruttare l'aumentata capacità di calcolo di un sistema HPC. Gli studenti saranno inoltre in grado di eseguire concretamente gli algoritmi sviluppati adoperando una infrastruttura di calcolo realmente esistente.

c) Autonomia di giudizio
Gli studenti svilupperanno la capacità di individuare quelle particolari tipologie di problemi per le quali l'utilizzo di un approccio parallelo o distribuito è di significativo aiuto.

d) Abilità comunicativa
Gli studenti, attraverso lo studio e lo svolgimento di esercizi pratici, acquisiscono il linguaggio tecnico-scientifico della disciplina.

e) Capacità di apprendimento
Gli studenti che supereranno l’esame avranno appreso i paradigmi da utilizzare per applicare tecniche di calcolo parallelo e distribuito alla risoluzione di problemi complessi, sfruttando le capacità di calcolo di un sistema HPC.

Obiettivi formativi

The primary educational objective of the laboratory is students' learning and practice of the main
tools for Data Driven Decision Making, that is the use of computer tools to analyze data and
formalize optimization or decision models and produce decisions that create value.

Knowledge and ability to understand
After attending the laboratory, students will be able to use decision support methods (like,
the Analytical Hierchical Process), optimization solvers (like CPLEX or Gurobi) and computer
algorithms for modelling multicriteria decision and optimization problems.

Ability to apply knowledge and understanding
The models are formalized in the realm of problems. The most appropriate quantitative
method, experimenting with the effectiveness of the problem.

Autonomy of judgment
Students develop critical skills through the application of modeling, analysis and
optimization to a broad set of decision problems. They also develop the critical sense
through the comparison between alternative solutions to the same problem 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.

Communication skills
Students, through the study and the carrying out of the practical exercises, acquire the
technical-scientific language of the course, which should be used in the tests.
Communication skills are also developed through group activities.

Learning ability
Students who pass the exam have acquired the main methods of analysis and optimization
of decision problems that allow them to face decision-making and quantitative
management in competitive nowadays enterprises.

Obiettivi formativi

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.

Obiettivi formativi

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.).

Obiettivi formativi

Modulo 1, Probabilità
Obiettivi formativi
L'obiettivo formativo primario di questo modulo del corso è l'apprendimento da parte degli studenti dei principali aspetti teorici legati alla probabilità. Alla fine del modulo, gli studenti sono in grado di risolvere problemi analitici mediante l’applicazione dei concetti teorici acquisiti. Il modulo prepara al successivo modulo del corso, che discute temi di inferenza statistica, e al corso di Processi Stocastici per le Scienze Applicate, del quale è considerato requisito necessario

Conoscenza e capacità di comprensione.
Alla fine del corso gli studenti conoscono i principali aspetti della probabilità e i metodi che possono essere utilizzati per risolvere problemi soggetti a/e caratterizzati da incertezza.

Capacità di applicare conoscenza e comprensione.
Al termine del modulo gli studenti sanno formalizzare problemi soggetti a/e caratterizzati da incertezza in termini probabilistici, sanno scegliere i metodi appropriati per risolverli, sanno descrivere fenomeni reali mediante strutture probabilistiche.

Autonomia di giudizio.
Gli studenti sviluppano capacità critiche attraverso l’applicazione della teoria ad un'ampia gamma di problemi reali che possono essere descritti mediante modelli probabilistici.
Sviluppano, inoltre, il senso critico attraverso il confronto tra soluzioni alternative allo stesso problema, ottenute utilizzando approcci metodologici diversi.

Abilità comunicativa.
Gli studenti, attraverso lo studio e lo svolgimento di esercizi, acquisiscono un linguaggio tecnico-scientifico appropriato, che viene valutato nelle prove scritte intermedie e finali, nelle prove orali.

Capacità di apprendimento.
Alla fine del modulo, gli studenti hanno appreso i concetti base della probabilità che consentono loro di affrontare il successivo modulo del corso, che discute temi di inferenza statistica. Sono inoltre in grado di applicare i metodi probabilistici acquisiti a problemi teorici e sperimentali delle scienze fisiche, naturali, economiche, sociali.

Obiettivi formativi

Conoscenza e capacità di comprensione
Alla fine del modulo, gli studenti hanno una conoscenza approfondita della teoria generale della stima puntuale, intervallare e della verifica di ipotesi parametriche.

Capacità di applicare conoscenza e comprensione
Alla fine del modulo, gli studenti sono in grado di utilizzare le principali tecniche di inferenza statistica per campioni da popolazioni descritte da modelli parametrici

Autonomia di giudizio
L'autonomia di giudizio degli studenti è stimolata utilizzando casi empirici, e discutendo il confronto tra tecniche ed approcci differenti all’inferenza statistica

Abilità comunicativa
La capacità comunicativa degli studenti è stimolata dalla discussione delle caratteristiche dei diversi approcci all'inferenza statistica presenti in letteratura

Capacità di apprendimento
Alla fine del modulo gli studenti hanno la capacità di confrontarsi con casi empirici reali ed acquisiscono le conoscenze necessarie per la frequenza degli insegnamenti di statistica avanzata offerti dal programma di laurea magistrale.

Obiettivi formativi

Probabilità e Statistica
Modulo 1 - Probabilità
Obiettivi formativi
L'obiettivo formativo primario di questo modulo del corso è l'apprendimento da parte degli studenti dei principali aspetti teorici legati alla probabilità. Alla fine del modulo, gli studenti sono in grado di risolvere problemi analitici mediante l’applicazione dei concetti teorici acquisiti. Il modulo prepara al successivo modulo del corso, che discute temi di inferenza statistica, e al corso di Processi Stocastici per le Scienze Applicate, del quale è considerato requisito necessario

Conoscenza e capacità di comprensione.
Alla fine del corso gli studenti conoscono i principali aspetti della probabilità e i metodi che possono essere utilizzati per risolvere problemi soggetti a/e caratterizzati da incertezza.

Capacità di applicare conoscenza e comprensione.
Al termine del modulo gli studenti sanno formalizzare problemi soggetti a/e caratterizzati da incertezza in termini probabilistici, sanno scegliere i metodi appropriati per risolverli, sanno descrivere fenomeni reali mediante strutture probabilistiche.

Autonomia di giudizio.
Gli studenti sviluppano capacità critiche attraverso l’applicazione della teoria ad un'ampia gamma di problemi reali che possono essere descritti mediante modelli probabilistici.
Sviluppano, inoltre, il senso critico attraverso il confronto tra soluzioni alternative allo stesso problema, ottenute utilizzando approcci metodologici diversi.

Abilità comunicativa.
Gli studenti, attraverso lo studio e lo svolgimento di esercizi, acquisiscono un linguaggio tecnico-scientifico appropriato, che viene valutato nelle prove scritte intermedie e finali, nelle prove orali.

Capacità di apprendimento.
Alla fine del modulo, gli studenti hanno appreso i concetti base della probabilità che consentono loro di affrontare il successivo modulo del corso, che discute temi di inferenza statistica. Sono inoltre in grado di applicare i metodi probabilistici acquisiti a problemi teorici e sperimentali delle scienze fisiche, naturali, economiche, sociali.

Modulo 2 - Statistica
Obiettivi formativi
Obiettivo formativo di questo modulo del corso è fornire una rivisitazione critica approfondita degli strumenti dell'inferenza statistica parametrica, finalizzata ad acquisire le conoscenze di base utili alla frequenza del corso di laurea magistrale.

Conoscenza e capacità di comprensione
Alla fine del modulo, gli studenti hanno una conoscenza approfondita della teoria generale della stima puntuale, intervallare e della verifica di ipotesi parametriche.

Capacità di applicare conoscenza e comprensione
Alla fine del modulo, gli studenti sono in grado di utilizzare le principali tecniche di inferenza statistica per campioni da popolazioni descritte da modelli parametrici

Autonomia di giudizio
L'autonomia di giudizio degli studenti è stimolata utilizzando casi empirici, e discutendo il confronto tra tecniche ed approcci differenti all’inferenza statistica

Abilità comunicativa
La capacità comunicativa degli studenti è stimolata dalla discussione delle caratteristiche dei diversi approcci all'inferenza statistica presenti in letteratura

Capacità di apprendimento
Alla fine del modulo gli studenti hanno la capacità di confrontarsi con casi empirici reali ed acquisiscono le conoscenze necessarie per la frequenza degli insegnamenti di statistica avanzata offerti dal programma di laurea magistrale.

Obiettivi formativi

Obiettivi formativi.
L'obiettivo formativo principale del corso e' l'apprendimento dell'analisi.
Modelli Lineari Generalizzati nei loro aspetti teorici, metodologici ed applicativi.

Conoscenza e capacità di comprensione.
Dopo aver frequentato il corso gli studenti conoscono e sanno applicare i metodi dell'analisi statistica a tutte quelle situazioni rappresentabili nella famiglia dei Modelli Lineari Generalizzati.

Capacità di applicare conoscenza e comprensione.
Al termine del corso gli studenti sono in grado individuare quali tipi di situazioni sono analizzabili nella famiglia dei Modelli Lineari Generalizzati, individuando modello campionario, funzione di link e predittore lineare. Sono inoltre in grado di formulare in termini parametrici le domande sostantive relative alle diverse situazioni e di rispondere a tali domande con gli strumenti dell' analisi statistica.

Autonomia di giudizio.
Gli studenti sviluppano capacità critiche attraverso il procedimento di scelta, stima e validazione del modello statistico in diverse situazioni rappresentabili nella famiglia dei Modelli Lineari Generalizzati.

Abilità comunicativa
Una particolare attenzione e' rivolta al linguaggio tecnico-scientifico della disciplina, che deve essere opportunamente utilizzato nella prova finale.

Capacità di apprendimento.
Gli studenti che superano l’esame hanno acquisito la capacita' di associare alle diverse situazioni reali il Modello Lineare Generalizzato statistico parametrico che meglio le rappresenta, e di valutare la qualità di tale rappresentazione.
Questi strumenti sono utili sia agli approfondimenti nei possibili campi applicativi, sia nello studio dei modelli parametrici in generale.

Obiettivi formativi

Obiettivi generali
L'obiettivo formativo primario dell’insegnamento è l'apprendimento da parte degli studenti dei principali concetti e strumenti da utilizzare per la valutazione della condizione di salute di una popolazione.

Obiettivi specifici
a) Conoscenza e capacità di comprensione
Dopo aver frequentato il corso e superato il relativo esame, gli studenti sono in grado di affrontare i problemi concettuali e di misura derivanti dalla valutazione della “salute” di un individuo e di una popolazione. Si tratta di un concetto estremamente complesso che prevede aspetti oggettivi e soggettivi e strumenti di misura specifici.

b) Capacità di applicare conoscenza e comprensione
Al termine del corso gli studenti sono in grado di risolvere problemi legati alla misurazione delle condizioni di salute di una popolazione, utilizzando gli strumenti più adatti a ciascuna delle dimensioni in cui può essere specificato il concetto. Le numerose applicazioni che accompagnano lo sviluppo teorico del tema, mettono in condizione gli studenti di stimare e analizzare andamenti e differenziali, anche ponendoli in relazione all’andamento e alle differenze rilevate per altre variabili potenzialmente influenti sulle condizioni di salute.

c) Autonomia di giudizio
Gli studenti sviluppano capacità critiche attraverso la discussione dei diversi approcci che possono essere utilizzati nella studio delle condizioni di salute di una popolazione e degli strumenti più frequentemente utilizzati per ciascun approccio. Alla discussione e interpretazione dei risultati degli indicatori è dedicata una attività specifica che prevede il confronto di diversi approcci e indicatori calcolati su casi reali e la discussione in aula.

d) Abilità comunicativa
Gli studenti, attraverso lo studio e lo svolgimento di esercizi pratici, acquisiscono il linguaggio tecnico-scientifico della disciplina, che viene valutato sia nelle numerose occasioni di discussione in aula, sia negli esercizi svolti - che ciascuno studente è chiamato a presentare all’aula-, sia in occasione dell’esame finale.

e) Capacità di apprendimento
Gli studenti che superano l’esame hanno appreso concetti e metodi propri della statistica sanitaria e dell’epidemiologia sociale.

Obiettivi formativi

Risultati di apprendimento attesi
Capacità di orientarsi nella letteratura su Popolazione ed Economia, Popolazione e Ambiente, Popolazione e Pensioni
Manipolazione principali modelli demo-economici

Competenze da acquisire
Orientamento nell’utilizzazione dei principali modelli che legano variabili demografiche e variabili economiche
Orientamento nelle fonti che informano sul rapporto tra variabili demografiche ed impatto ambientale

Obiettivi formativi

Obiettivi formativi.
Obiettivo formativo dell’insegnamento è l'apprendimento da parte degli studenti dei metodi per l'analisi di dati longitudinali e di sopravvivenza.

Conoscenza e capacità di comprensione.
Alla fine del corso gli studenti conoscono e comprendono i principali modelli per l'analisi di dati di sopravvivenza e longitudinali.

Capacità di applicare conoscenza e comprensione.
Grazie alle esercitazioni in aula informatica, gli studenti apprendono ad applicare i principali mdoelli di regressione a dati di sopravvivenza e longitudinali.

Autonomia di giudizio.
La discussione dei vari stimatori fornisce agli studenti una autonomia nell'analizzare criticamente situazioni osservazionali.

Abilità comunicativa.
Alla fine del corso, gli studenti acquisiscono una notazione ed un linguaggio di base da utilizzare nel contesto dei dati di sopravvivenza e longitudinali.

Capacità di apprendimento.
Gli studenti che superano l’esame sono in grado di applicare i modelli appresi nei vari contesti specifici di applicazione.

Obiettivi formativi

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.

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

Obiettivi formativi Obiettivo del corso è dotare di strumenti concettuali e operativi il valutatore delle politiche pubbliche e sociali in particolare, focalizzando l’attenzione sui diversi concetti di valutazione, sull’impianto teorico-epistemologico, sulle tecniche statistiche utilizzate e sulle fonti di dati necessarie. Conoscenza e capacità di comprensione Capacità di applicare conoscenza e comprensione Autonomia di giudizio Abilità comunicativa Capacità di apprendimento

Obiettivi formativi

Obiettivi
Sviluppo di capacità analitiche e computazionali per risolvere problemi di decisioni statistiche con il software R.

Conoscenza e comprensione
Gli studenti sviluppano la capacità di comprendere e risolvere esercizi semplici e complessi di teoria statistica delle decisioni.

Applicare conoscenza e comprensione
Agli studenti è richiesto di applicare competenze teoriche e computazionali (con il software R) per risolvere problemi infrenziali formalizzati come problemi di decisione

Capacità di giudizio
Ono degli obiettivi principali del corso e delle attività pratiche previste è lo sviluppo da parte degli studenti dell'abilità di confrontare metodi alternativi e di scegliere tra questi, ovvero di raffinare la loro capacità di giudizio.

Abilità comunicative
Gli studenti sviluppano tali capacità attraverso la presentazione scritta dei loro elaborati.

Capacità di apprendimento
Gli studenti acquisiscono capacità utili anche a cuturi corsi universitari e alla loro futura attività professionale (uso del software R, formalizzazione di problemi statistici, abilità computazionali).

Obiettivi formativi

Obiettivi generali
Obiettivo del corso è la presentazione delle nozioni di base necessarie all’utilizzo di un linguaggio di programmazione imperativo di uso generale. In particolare, si mostrerà l’uso del linguaggio di programmazione Python 3.

Obiettivi specifici
a) Conoscenza e capacità di comprensione
Gli studenti conosceranno i costrutti di base del linguaggio Python 3, saranno in grado di comprendere un semplice programma scritto in Python 3 e scrivere programmi nello stesso linguaggio. Saranno inoltre in grado di utilizzare un ambiente integrato di sviluppo (IDE).

b) Capacità di applicare conoscenza e comprensione
Al termine del corso gli studenti saranno in grado di risolvere semplici problemi di natura algoritmica utilizzando il linguaggio di programmazione Python 3, correggere errori sintattici e semantici utilizzando un ambiente di sviluppo, valutare la correttezza e la complessità delle soluzioni individuate.

c) Autonomia di giudizio
Gli studenti svilupperanno la capacità di formalizzare algoritmi utilizzando un linguaggio di programmazione, scegliendo i costrutti più adatti a risolvere il singolo problema. Saranno in grado di valutare, la correttezza, la leggibilità e la generalità delle soluzioni individuate.

d) Abilità comunicativa
Gli studenti acquisiranno la capacità di esprimere in maniera formale un procedimento mentale per risolvere un problema, e di comprendere i punti cruciali di un algoritmo.

e) Capacità di apprendimento
Gli studenti saranno in grado di apprendere facilmente l’uso di linguaggi di programmazione imperativi, apprezzando analogie e differenze rispetto al linguaggio Python 3.

Obiettivi formativi

Obiettivo specifico è quello di consentire allo studente di coadiuvare le sue conoscenze storiche con quelle più specifiche per l'inserimento nel futuro mondo del lavoro.

Obiettivi formativi

Obiettivo specifico è quello di consentire allo studente di coadiuvare le sue conoscenze scientifiche con quelle più specifiche per l'inserimento nel futuro mondo del lavoro.

Obiettivi formativi

Learning goals.
The lab consists of the application of machine learning techniques to the analysis of images and/or textual documents.
The language used is Python 3.x with the Tensorflow package for the application of Convolutional and Recurrent Neural Networks (deep learning).

Knowledge and understanding.
Acquire the basics of machine learning techniques.
Understanding how and why to choose between alternative methods, or possibly how to combine different methods.
Ability to handle large amounts of images or text with the help of appropriate open source software.

Applying knowledge and understanding.
Students develop critical skills through the application of a wide range of statistical and machine learning models.
They also develop the critical sense through the comparison between alternative solutions to the same problem obtained using different learning logics.
They learn to critically interpret the results obtained by applying the procedures to real data sets.

Making judgements.
Students develop critical skills through the application of a wide range of machine learning and statistical models.
They also develop the critical sense through the comparison between alternative solutions to the same problem obtained using different learning logics.
They 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 have learned a method of analysis that allows them to tackle the analysis of the images or text documents by machine learning techniques.