Metodi e linguaggi per il trattamento dei dati
A.A. 2021/2022
Obiettivi formativi
L'insegnamento ha lo scopo di introdurre metodi e tecniche per descrivere, riassumere e trovare una struttura in un insieme di dati, con particolare attenzione a dati raccolti nell'ambito dei beni culturali
Risultati apprendimento attesi
Gli studenti saranno in grado di effettuare analisi esplorative di un insieme di dati, eseguire le inferenze di base, eseguire i principali test di ipotesi utilizzando un ambiente per l'analisi dei dati. Saranno inoltre a conoscenza delle principali tecniche di apprendimento automatico, per finalità sia di regressione che di classificazione e delle principali tematiche relative all'apprendimento automatico.
Periodo: Secondo semestre
Modalità di valutazione: Esame
Giudizio di valutazione: voto verbalizzato in trentesimi
Programma e organizzazione didattica
Edizione unica
Responsabile
Periodo
Secondo semestre
Programma
Parte 1 - metodi per l'analisi descrittiva: tabelle di frequenza, grafici, indici di posizione, di dispersione e di eterogeneità. Analisi di casi di studio utilizzando SPSS.
Parte 2 - metodi di inferenza statistica: stimatori della media e della varianza, intervalli di confidenza, test di ipotesi. Analisi di casi di studio utilizzando SPSS.
Parte 3 - accenno ai metodi di machine learning: metodi supervisionati e non supervisionati; metodi per modelli di classificazione (clustering, alberi di decisione, dendrogrammi, regressione logistica), metodi per modelli di previsione (regressione lineare, support vector machines, reti neurali); questioni importanti riguardo all'apprendimento (overfitting, non linearità, riduzione della dimensionalità, sbilanciamento dei dati); valutazione della bontà di un modello (accuratezza, tabella di confusione, specificità, sensibilità).
Parte 2 - metodi di inferenza statistica: stimatori della media e della varianza, intervalli di confidenza, test di ipotesi. Analisi di casi di studio utilizzando SPSS.
Parte 3 - accenno ai metodi di machine learning: metodi supervisionati e non supervisionati; metodi per modelli di classificazione (clustering, alberi di decisione, dendrogrammi, regressione logistica), metodi per modelli di previsione (regressione lineare, support vector machines, reti neurali); questioni importanti riguardo all'apprendimento (overfitting, non linearità, riduzione della dimensionalità, sbilanciamento dei dati); valutazione della bontà di un modello (accuratezza, tabella di confusione, specificità, sensibilità).
Prerequisiti
nessuno
Metodi didattici
Modalità di esame: Scritto e Orale; Modalità di frequenza: Fortemente consigliata; Modalità di erogazione: Tradizionale
Materiale di riferimento
Videolezioni e dispense sul sito Ariel
Modalità di verifica dell’apprendimento e criteri di valutazione
L'esame consiste di una prova pratica (analisi di un semplice caso di studio utilizzando un ambiente software per l'analisi dei dati) seguita da una prova orale relativa agli argomenti trattati a lezione.
Docente/i
Ricevimento:
mercoledì dalle 10,30 alle 12,30--prendere appuntamento
via Celoria 18