Corso di laurea: Scienze statistiche - Statistical Sciences
A.A. 2020/2021
Conoscenza e capacità di comprensione
Al momento del conseguimento del titolo, i laureati magistrali in Scienze Statistiche, dopo aver ampiamente rafforzato le conoscenze e le capacità in ambito probabilistico, statistico metodologico e statistico applicato acquisite nel ciclo di formazione precedente, devono:
- possedere una preparazione solida nella teoria dei processi stocastici (conseguita attraverso un insegnamento caratterizzante obbligatorio e di carattere avanzato);
- conoscere i principi e i metodi della pianificazione delle indagini statistiche e degli esperimenti (conoscenze garantite da attività caratterizzanti obbligatorie di ambito statistico);
- conoscere metodi e modelli statistici avanzati adeguati alle esigenze dei diversi settori applicativi pertinenti ai curricula ed agli indirizzi proposti (tali conoscenze sono conseguite attraverso le attività formative specifiche negli ambiti statistico, statistico applicato e matematico applicato, sia caratterizzanti che affini ed integrative);
- essere in grado di lavorare in autonomia e in gruppo, comprendendo e affrontando problemi pratici nei settori applicativi di interesse (sono previsti laboratori tematici nell'ambito delle Altre Attività Formative differenziate per i diversi profili professionali che la laurea intende formare);
-possedere una solida preparazione che consenta l'aggiornamento continuo della propria preparazione.
Il raggiungimento di tali obiettivi avviene attraverso gli insegnamenti caratterizzati e affini/integrativi proposti e i laboratori applicativi contenuti nell'offerta formativa (frequenza lezioni, studio individuale, attività di esercitazione/laboratorio).
La verifica delle conoscenze verrà effettuata attraverso prove di esame finali e/o intermedie, scritte e/o orali, lavori individuali e di gruppo svolti dagli studenti, presentazioni seminariali, attività di laboratorio (esplicitamente previste tra le Ulteriori attività formative), progetti finali di corso.
Capacità di applicare conoscenza e comprensione
I laureati in Scienze Statistiche devono essere in grado di formalizzare e risolvere i problemi di descrizione, previsione, analisi di dati e i problemi di decisione che si pongono nei diversi settori applicativi di competenza.
In particolare, devono essere in grado di:
- interagire con esperti dei diversi settori applicativi in modo da tradurre problemi sostantivi in termini quantitativi e fornire soluzioni adeguate agli stessi;
- pianificare indagini ed rilevazioni sperimentali nei diversi settori applicativi previsti dai percorsi formativi;
- progettare, selezionare ed eseguire analisi di dati nei diversi settori applicativi previsti;
- fornire supporto alle decisioni basandosi sull'evidenza empirica dei dati e su metodi matematici di ottimizzazione.
Tali obiettivi saranno raggiunti con insegnamenti e attività obbligatorie e a scelta comuni ai diversi curricula e insegnamenti e attività specifiche di curriculum. Tra le attività previste:
- esercitazioni svolte nell'ambito degli insegnamenti
- attività di laboratorio (esplicitamente previste tra le Ulteriori attività formative).
- presentazioni in aula
- tesi di laurea magistrale (momento di sintesi dell'applicazione delle competenze conseguite nel percorso di studio).
La verifica del raggiungimento degli obiettivi avverrà con:
- esami intermedi e/o finali
- attività pratiche svolte nell'ambito dei laboratori tematici
- valutazione della tesi di laurea magistrale (per valutare l'acquisizione matura di competenze teorico-applicative).
Autonomia di giudizio
Autonomia e onestà di giudizio sono le basi deontologiche della professione dello statistico. I laureati magistrali in Scienze Statistiche devono pertanto acquisire capacità di indipendenza di giudizio sia nella scelta delle metodologie più adeguate che nella interpretazione e presentazione dei risultati delle analisi dei dati.
Risultati di apprendimento attesi:
- capacità di ragionamento critico nella fase di progettazione ed esecuzione di esperimenti, indagini ed analisi statistico-decisionali;
- consapevolezza di esistenza di approcci metodologici alternativi per la risoluzione del medesimo problema e capacità di scelta dell'approccio più adeguato;
- analisi critica dell'evidenza empirica fornita dai dati a disposizione;
- capacità di valutazione critica dei risultati delle analisi nei campi di studio di applicazione.
Lo sviluppo della autonomia di giudizio degli studenti viene perseguito, oltre che con uno studio critico e comparativo in corsi istituzionali, attraverso: esercitazioni, seminari su argomenti specifici, redazione di relazioni individuali o di gruppo, analisi di casi di studio. Le suddette attività possono sia far parte dei corsi di insegnamento (nell'ambito di attività caratterizzanti, affini-integrative e a scelta dello studente) che costituire specifiche attività nell'ambito delle ulteriori attività formative.
La verifica avviene con la valutazione degli esiti delle attività svolte e l'interazione diretta con gli studenti. La prova finale costituirà l'occasione per ulteriore sviluppo dell'autonomia di giudizio dei laureandi.
Abilità comunicative
L'attività professionale dello statistico è intrinsecamente interdisciplinare e, in genere, di respiro internazionale. I laureati in Scienze Statistiche devono quindi essere preparati a un confronto con specialisti di discipline che richiedono l'uso dei metodi statistico-decisionali per tradurre i problemi sostantivi in problemi statistico-decisionali. Devono anche essere in grado di comunicare in modo efficiente i risultati delle proprie analisi sia a specialisti che a non specialisti. È pertanto necessaria la padronanza dell'inglese settoriale sia parlato che scritto. I laureati devono inoltre possedere padronanza degli strumenti informatici di supporto alla loro attività (linguaggi di programmazione, pacchetti statistici, strumenti per la gestione di banche dati).
Risultati di apprendimento attesi:
- capacità di comunicazione scritta e orale e possesso del lessico tecnico-scientifico pertinente;
- capacità di formalizzazione di problemi e di argomentazione delle soluzioni pertinenti ai settori applicativi di riferimento;
- capacità di elaborare dissertazioni scritte di complessità e lunghezza variabili su temi originali e complessi relativi ai settori di interesse del corso di laurea.
Le suddette capacità vengono sviluppate attraverso le prove scritte e orali degli esami, la redazione di lavori su argomenti specifici (tesine) sia individuale che di gruppo, presentazioni seminariali, nell'ambito degli insegnamenti e dei laboratori previsti tra le Ulteriori attività formative. La presenza di insegnamenti in inglese ha anche l'obiettivo di migliorare la padronanza dell'uso del linguaggio specialistico da parte dei laureati.
Le capacità saranno valutate e verificate attraverso esami per ciascun corso, idoneità per i laboratori e i vari tirocini e stage, nonché attraverso la prova finale di elaborazione e discussione della tesi di laurea.Capacità di apprendimento
Considerata la forte dinamicità della ricerca nelle discipline statistico-decisionali, i laureati del presente corso di laurea magistrale devono acquisire basi culturali che li mettano in condizione di attuare un aggiornamento continuo e autonomo nei settori di loro competenza. Gli studenti del corso vengono gradualmente preparati ad accostarsi a problemi di ricerca di frontiera, anche ai fini di una possibile prosecuzione di studi a livello di dottorato in Italia e all'estero.
Risultati di apprendimento attesi
- capacità di organizzazione e argomentazione delle proprie idee;
- abilità di acquisizione di informazioni attraverso l'uso di della letteratura scientifica di riferimento;
- capacità di utilizzare adeguate fonti di dati e informazioni: biblioteche, banche dati, archivi e repertori cartacei ed elettronici;
- capacità di apprendimento di nuove metodologie per le analisi quantitative dei fenomeni collettivi;
- cogliere la necessità di metodologie innovative per l'adeguata risoluzione di problemi non standard;
- capacità di progettazione ed elaborazione di una ricerca, sotto la guida di docenti supervisori.
Lo sviluppo delle capacità di apprendimento degli studenti viene perseguito attraverso una pluralità di attività e forme di verifica: lezioni frontali, studio individuale, verifiche scritte e orali, redazione di tesine su tematiche specifiche anche interdisciplinari, seminari svolti dagli studenti.
La verifica avviene attraverso la valutazione delle suddette attività.
Requisiti di ammissione
L'accesso alla presente laurea magistrale è consentito a studenti che possiedono la laurea di primo livello (o equipollente) e che abbiano conseguito un congruo numero di crediti in opportuni settori scientifico-disciplinari in ambiti di base e caratterizzanti della classe L-41 (Classe delle Lauree in Scienze Statistiche).
Ai fini dell'ammissione, i candidati dovranno possedere i seguenti quattro requisiti.
1. Possesso di una laurea o diploma universitario triennale, ovvero altro titolo di studio conseguito all'estero ritenuto idoneo.
2. Avere acquisito almeno 60 crediti formativi universitari nell'insieme dei settori scientifico disciplinari indicati nelle seguenti aree:
- Area 01 (Scienze matematiche e informatiche): MAT/*, INF/01
- Area 02 (Scienze fisiche): FIS/01, FIS/02, FIS/07
- Area 06 (Scienze mediche): MED/01
- Area 09 (Ingegneria industriale e dell'informazione): ING-IND/35, ING-INF/05, ING-INF/06
- Area 11 (Scienze storiche, filosofiche, pedagogiche e psicologiche): M-PSI/03
- Area 13 (Scienze economiche e statistiche): SECS-S/*, SECS-P/*
- Area 14 (Scienze politiche e sociali) SPS/07.
3. Conoscenza di nozioni di Matematica, Probabilità, Statistica. In particolare:
Matematica - Elementi di base di calcolo differenziale e integrale, funzioni di una o più variabili, algebra lineare e geometria analitica. Probabilità - Proprietà della probabilità; Variabili aleatorie; nozioni di convergenza di successioni di variabili aleatorie.
Statistica - Elementi di statistica descrittiva. Statistica inferenziale: distribuzioni campionarie; metodi per la stima di parametri; test.
Informatica - Conoscenza di almeno un linguaggio di programmazione.
4. Essere in grado di utilizzare efficacemente, in forma scritta e orale, la lingua inglese, con riferimento anche ai lessici disciplinari (livello almeno B1).
ll possesso da parte dei candidati delle conoscenze richieste per l'accesso è oggetto di verifica obbligatoria le cui modalità sono precisate nel quadro A3.b, in conformità al Regolamento Didattico del Corso di Studio.
Prova finale
La prova finale prevede la preparazione e la discussione di una tesi di laurea riguardante un argomento concordato con un docente relatore nell'ambito delle discipline del corso di studi. La tesi può anche consistere nella relazione su di un progetto/tirocinio svolto presso aziende o istituti di ricerca, sotto la supervisione di un docente del corso di studio. La tesi consiste in un elaborato scritto, dotato di elementi di originalità, attraverso il quale lo studente dimostri il conseguimento di adeguata maturità nell'uso dei concetti e degli strumenti acquisiti nel corso degli studi e la capacità di confronto con la letteratura nazionale e internazionale di riferimento.Orientamento in ingresso
Il SOrT è il servizio di Orientamento integrato della Sapienza. Il servizio ha una sede centrale nella Città universitaria e sportelli dislocati presso le Facoltà. Nei SOrT gli studenti possono trovare informazioni più specifiche rispetto alle Facoltà e ai corsi di laurea e un supporto per orientarsi nelle scelte. L'ufficio centrale e i docenti delegati di Facoltà coordinano i progetti di orientamento in ingresso e di tutorato, curano i rapporti con le scuole medie superiori e con gli insegnanti referenti dell'orientamento in uscita, propongono azioni di sostegno nella delicata fase di transizione dalla scuola all'università e supporto agli studenti in corso, forniscono informazioni sull'offerta didattica e sulle procedure amministrative di accesso ai corsi.
Iniziative e progetti di orientamento:
1. "Porte aperte alla Sapienza".
L'iniziativa, che si tiene ogni anno presso la Città Universitaria, è rivolta prevalentemente agli studenti delle ultime classi delle Scuole Secondarie Superiori, ai docenti, ai genitori ed agli operatori del settore; essa costituisce l'occasione per conoscere la Sapienza, la sua offerta didattica, i luoghi di studio, di cultura e di ritrovo ed i molteplici servizi disponibili per gli studenti (biblioteche, musei, concerti, conferenze, ecc.); sostiene il processo d'inserimento universitario che coinvolge ed interessa tutti coloro che intendono iscriversi all'Università. Oltre alle informazioni sulla didattica, durante gli incontri, è possibile ottenere indicazioni sull'iter amministrativo sia di carattere generale sia, più specificatamente, sulle procedure di immatricolazione ai vari corsi di studio e acquisire copia dei bandi per la partecipazione alle prove di accesso ai corsi. Contemporaneamente, presso l'Aula Magna, vengono svolte conferenze finalizzate alla presentazione dell'offerta formativa di tutte le Facoltà dell'Ateneo.
2. Progetto "Un Ponte tra Scuola e Università"
Il Progetto "Un Ponte tra scuola e Università" nasce con l'obiettivo di favorire una migliore transizione degli studenti in uscita dagli Istituti Superiori al mondo universitario e facilitarne il successivo inserimento nella nuova realtà.
Il progetto si articola in tre iniziative:
a) Professione Orientamento - Seminari dedicati ai docenti degli Istituti Superiori referenti per l'orientamento, per favorire lo scambio di informazioni tra la Scuola Secondaria e la Sapienza;
b) La Sapienza si presenta - Incontri di presentazione delle Facoltà e lezioni-tipo realizzati dai docenti della Sapienza e rivolti agli studenti delle Scuole Secondarie su argomenti inerenti ciascuna area didattica;
c) La Sapienza degli studenti – Interventi nelle Scuole finalizzati alla presentazione dei servizi offerti dalla Sapienza e racconto dell'esperienza universitaria da parte di studenti "mentore", studenti senior appositamente formati.
3. Progetto "Conosci te stesso"
Consiste nella compilazione, da parte degli studenti, di un questionario di autovalutazione per accompagnare in modo efficace il processo decisionale degli stessi studenti nella scelta del loro percorso formativo.
4. Progetto "Orientamento in rete"
Si tratta di un progetto di orientamento e di riallineamento sui saperi minimi. L'iniziativa prevede lo svolgimento di un corso di preparazione, caratterizzato una prima fase con formazione a distanza ed una seconda fase realizzata attraverso corsi intensivi in presenza, per l'accesso alle Facoltà a numero programmato dell'area biomedica, sanitaria e psicologica, destinato agli studenti degli ultimi anni di scuola secondaria di secondo grado.
5. Esame di inglese
Il progetto prevede la possibilità di sostenere presso la Sapienza, da parte degli studenti dell'ultimo anno delle Scuole Superiori del Lazio, l'esame di inglese per il conseguimento di crediti in caso di successiva iscrizione a questo Ateneo.
6. Percorsi per le competenze trasversali e per l'orientamento - PCTO (ex alternanza scuola-lavoro).
Si tratta di una modalità didattica che, attraverso l'esperienza pratica, aiuta gli studenti delle Scuole Superiori a consolidare le conoscenze acquisite a scuola e a testare sul campo le proprie attitudini mentre arricchisce la formazione e orienta il percorso di studio.
7. Tutorato in ingresso
Sono previste attività di tutorato destinate agli studenti e alle studentesse dei cinque anni delle Scuole Superiori.
Regolamento Didattico del Corso di Laurea Magistrale in
Scienze Statistiche
Classe LM-82 Scienze Statistiche
Ordine degli Studi 2020/2021
Anni attivati I e II
Obiettivi formativi specifici
Il corso ha lo scopo di formare figure professionali specializzate capaci di gestire in maniera integrata l'intero processo di acquisizione, modellizzazione e analisi dei dati statistici a fini esplicativi o decisionali, con riferimento a fenomeni complessi in diversi contesti concreti, anche se tipicamente di natura organizzativa o sperimentale.
Obiettivi formativi specifici del corso di laurea sono:
- acquisizione di solide basi di teoria dei processi stocastici;
- conoscenza di principi e metodi della pianificazione di indagini ed esperimenti statistici;
- competenza nello sviluppo ed uso di modelli statistici specifici per i diversi contesti applicativi di interesse;
- acquisizione di competenze per la gestione, anche informatica, di grandi moli di dati;
- capacità di lavoro sia autonomo che di gruppo per la risoluzione di problemi applicativi;
- capacità di comunicazione scritta e orale, in particolare nei lessici specialistici;
- acquisizione di preparazione di base adeguata a consentire aggiornamento continuo della formazione;
- acquisizione di preparazione adeguata per l'accesso a Dottorati di ricerca nazionali e internazionali nelle discipline curriculari.
La laurea magistrale propone un ampio percorso formativo statistico e probabilistico comune che si articola, poi, in tre distinti curriculum specifici, con attività atte a garantire competenze adeguate ai rispettivi profili professionali previsti.
Curriculum "Biostatistico" -- Forma una figura con competenze per gestire i processi di pianificazione di esperimenti, indagini e studi in ambito medico-farmacologico, nonché la modellizzazione e l'analisi di dati con particolari strutture di dipendenza (dati di sopravvivenza, longitudinali, genetici, ambientali, serie spazio-temporali).
Curriculum "Data Analyst" -- Forma una figura professionale che, oltre a possedere le competenze più tradizionali dello statistico, è capace di gestire i processi di raccolta e analisi di archivi di dati di grande mole (Big Data) che, nella loro sempre crescente complessità, stanno cambiando il modo in cui le decisioni vengono prese in numerosi ambiti strategici, dalla medicina alla gestione aziendale, dal marketing alla ricerca scientifica.
Curriculum “Demografico sociale” – Forma una figura professionale di statistico con capacità di analizzare molteplici aspetti della complessa società moderna. Da un lato si propone un profilo formativo di analista delle dinamiche demografiche, per studiare e interpretare i fenomeni relativi alle dinamiche delle popolazioni; dall’altro un profilo di analista dei sistemi sociali, per studiare, descrivere e monitorare i fenomeni sociali con metodi statistici.
Condizioni per l'accesso
Le norme di accesso sono definite in modo da soddisfare due esigenze: riconoscere ai laureati della classe L41-Statistica di avere acquisito tutte le conoscenze e capacità necessarie ai fini di una proficua continuazione degli studi nell'area culturale della statistica e, in conformità a quanto indicato nel punto 1.4.2 delle Linee Guida ministeriali (DM 26.07.2007), favorire una formazione interdisciplinare consentendo l'accesso anche a laureati di altre classi.
Ai fini dell'ammissione, i candidati dovranno possedere i seguenti tre requisiti.
1. Possesso di una laurea o diploma universitario triennale, ovvero altro titolo di studio conseguito all'estero ritenuto idoneo.
2. Avere acquisito almeno 60 crediti formativi universitari nell'insieme dei settori scientifico disciplinari indicati nelle seguenti aree:
- Area 01 (Scienze matematiche e informatiche): MAT/*, INF/01
- Area 02 (Scienze fisiche): FIS/01, FIS/02, FIS/07
- Area 06 (Scienze mediche): MED/01
- Area 09 (Ingegneria industriale e dell'informazione): ING-IND/35, ING-INF/05, ING-INF/06
- Area 11 (Scienze storiche, filosofiche, pedagogiche e psicologiche): M-PSI/03
- Area 13 (Scienze economiche e statistiche): SECS-S/*, SECS-P/*
- Area 14 (Scienze politiche e sociali) SPS/07.
3. Conoscenza di nozioni di Matematica, Probabilità, Statistica. In particolare:
Matematica - Elementi di base di calcolo differenziale e integrale, funzioni di una o più variabili, algebra lineare e geometria analitica.
Probabilità -Proprietà della probabilità; Variabili aleatorie; nozioni di convergenza di successioni di variabili aleatorie.
Statistica - Elementi di statistica descrittiva. Statistica inferenziale: distribuzioni campionarie; metodi per la stima di parametri; test.
Informatica - Conoscenza di almeno un linguaggio di programmazione.
Per gli studenti in regola con Requisiti 1 e 2, il possesso del Requisito 3 è verificato da apposita commissione nominata dalla struttura didattica competente. La commissione approva automaticamente l'ammissione degli studenti che siano in possesso della laurea nella Classe L-41 (Classe delle lauree in Statistica) o equipollenti. Gli altri studenti in possesso dei Requisiti 1 e 2 possono essere chiamati a sostenere un colloquio per la verifica delle conoscenze indicate nel Requisito 3. Sulla base della valutazione del curriculum e dell'esito dell'eventuale colloquio, nei casi ritenuti opportuni, la suddetta Commissione individua specifici percorsi formativi che, nel rispetto della tabella delle attivita formative del presente corso di studio, includano insegnamenti non gia sostenuti e considerati indispensabili per la formazione degli studenti.
Sbocchi occupazionali e professionali previsti per i laureati
La professione alla quale la LM prepara è quella di “statistico senior”, ossia un esperto nella acquisizione e gestione delle informazioni in ogni ambito, in particolare nella Pubblica Amministrazione e negli Enti Locali, nelle ASL, nelle aziende private, negli istituti di ricerca (CNR, Istat, Istituto Superiore di Sanità e così via), nei centri studi nazionali e internazionali, nelle organizzazioni internazionali (ONU, FAO, OMS e così via).
Le aree di riferimento sono: l’analisi statistica, il Data mining, la biostatistica, l’analisi delle dinamiche delle popolazioni, il marketing, le statistiche ufficiali, la ricerca sociale così via.
Il percorso prepara all'accesso a dottorati di ricerca nelle discipline curriculari
Descrizione del percorso
Il corso di Laurea Magistrale in Scienze Statistiche e Decisionali si articola su 2 anni, per un totale di 120 crediti formativi universitari, articolati in modo diverso nei tre curriculum:
1) Il Curriculum "Biostatistico" prevede 51 cfu nelle attività formative caratterizzanti (Statistica, Statistica applicata, Matematica applicata), 30 cfu in quelle affini o integrative, i restanti sono attribuiti alle attività a scelta dello studente e alle altre attività formative (laboratori ed eventuali tirocini) e 21 cfu alla prova finale.
2) Il Curriculum "Data Analyst" prevede 51 cfu nelle attività formative caratterizzanti (Statistica, Statistica applicata, Matematica applicata), 30 cfu in quelle affini o integrative, i restanti sono attribuiti alle attività a scelta dello studente e alle altre attività formative (laboratori ed eventuali tirocini) e 21 cfu alla prova finale.
3) Il curriculum “Demografico sociale” prevede 54cfu nelle attività formative caratterizzanti ((Statistica, Statistica applicata, Matematica applicata), 27cfu in quelle affini o integrative, i restanti sono attribuiti alle attività a scelta dello studente e alle altre attività formative (laboratori ed eventuali tirocini) e 21 cfu alla prova finale.
Caratteristiche della prova finale
La prova finale prevede la preparazione e la discussione di una tesi di laurea. La stesura della tesi rappresenta il coronamento del percorso di apprendimento dello studente e deve dimostrare le sue capacità di affrontare, analizzare e risolvere in modo originale i problemi reali nella loro complessità, utilizzando in modo critico gli strumenti proposti, anche a livello internazionale, dalla metodologia statistica e decisionale.
Norme relative alla frequenza
Non sono previsti specifici obblighi di frequenza.
Norme relative ai passaggi ad anni successivi
L’ammissione al secondo anno è regolata dal Manifesto degli studi della Sapienza. Per gli studenti immatricolati ad ordinamenti precedenti, provenienti da altri corsi o in possesso di altri titoli di studio universitari, il Consiglio d’Area definirà i criteri per il riconoscimento dei crediti acquisiti e fornirà indicazioni per la presentazione di un piano di studi individuale che, nel rispetto dell'ordinamento didattico, tenga conto del percorso già svolto.
Info generali
Programmi e materiali didattici: programma degli insegnamenti e materiali didattici e informativi sono consultabili sul portale degli studenti, scheda del Corso di studi:
https://corsidilaurea.uniroma1.it/
Tutti i docenti del Corso di studi svolgono attività di tutorato disciplinare a supporto degli studenti, negli orari pubblicati sul sito del Dipartimento di Scienze statistiche:
http://www.dss.uniroma1.it/dipartimento/persone/docenti?title=
Valutazione della qualità
Il Corso di studio, in collaborazione con la Facoltà di Ingegneria dell’informazione, Informatica e Statistica, monitora l’opinione degli studenti, frequentanti e non, per tutti gli insegnamenti impartiti. Il sistema di rilevazione è integrato con un percorso qualità la cui responsabilità è affidata al gruppo di autovalutazione (formato da docenti, studenti e personale tecnico-amministrativo operanti nel Corso di studio). I risultati delle rilevazioni e delle analisi del gruppo di autovalutazione sono utilizzati per effettuare azioni di miglioramento delle attività formative.
Lo studente espliciterà le proprie scelte al momento della presentazione,
tramite INFOSTUD, del piano di completamento o del piano di studio individuale,
secondo quanto stabilito dal regolamento didattico del corso di studio.
Biostatistico
Primo anno
Primo semestre
|
Insegnamento
|
CFU
|
SSD
|
Ore Lezione
|
Ore Eserc.
|
Ore Lab
|
Ore Studio
|
Attività
|
Lingua
|
Gruppo opzionale:
Curriculum Biostatistico Gruppo A OPZIONALE un esame da 9 cfu - (visualizza)
|
9
|
|
|
|
|
|
|
|
|
1056015 -
STOCHASTIC PROCESSES
(obiettivi)
Learning goals
The course provides a broad introduction to stochastic processes. In particular the aim is
- to give a rigorous introduction to the theory of stochastic processes,
- to discuss the most important stochastic processes in some depth with examples and applications,
- to give the flavour of more advanced work and applications,
- to apply these ideas to answer basic questions in several applied situations including biology, finance and search engine algorithms.
Knowledge and understanding
At the end of the course the students will be familiar with the basic concepts of the theory of stochastic processes in discrete and continuous time and will be able to apply various techniques to study stochastic models that appear in applications.
Applying knowledge and understanding
At the end of the course the students will have the tools to grasp and formalize, in the language of stochastic processes, phenomena that evolve in time and space. The students will have the tools to solve simple applied problems in new environments and broader contexts.
Making judgements
At the end of the course the students will have the tools to evaluate critically and choose between different stochastic models to model phenomena that evolve in time and space. The student will also acquire the necessary language skills to start reading academic books on the topic and research papers.
Communication skills
The students will acquire the intuition and the communication skills necessary to describe phenomena in the mathematical language of stochastic processes. In particular the student will also acquire the rationale behind the stochastic model studied (e.g. the ideas of Markovianity, transience, recurrence, equilibrium, stationarity, long and short-time behaviour...) that is necessary to communicate to specialist and non-specialist audiences.
Learning skills
The students will acquire the methodology and the language to study in a manner that may be largely autonomous and to apply the methodology to the subsequent studies in the area of statistics and finance.
|
9
|
MAT/06
|
72
|
-
|
-
|
-
|
Attività formative caratterizzanti
|
ENG |
|
10596190 -
PROCESSI STOCASTICI II
|
Erogato in altro semestre o anno
|
|
1022318 -
PROBABILITA'
(obiettivi)
Obiettivi formativi
L'obiettivo formativo primario dell’insegnamento è l'apprendimento da parte degli studenti dei principali aspetti teorici legati alla probabilità.
Gli studenti devono inoltre saper risolvere i problemi analitici necessari per applicare i suddetti concetti teorici.
Conoscenza e capacità di comprensione.
Dopo aver frequentato il corso gli studenti conoscono e comprendono i principali aspetti relativi alla teoria della probabilità e i principali metodi da utilizzare per risolvere i problemi legati al concetto di incertezza.
Capacità di applicare conoscenza e comprensione.
Al termine del corso gli studenti sono in grado di formalizzare problemi legati all'incertezza in termini di problemi probabilistici e di applicare i metodi specifici della disciplina per risolverli.
Sono inoltre in grado di modellare fenomeni reali mediante strutture probabilistiche notevoli.
Autonomia di giudizio.
Gli studenti sviluppano capacità critiche attraverso l’applicazione della teoria a un'ampia gamma di modelli probabilistici.
Sviluppano inoltre il senso critico attraverso il confronto tra soluzioni alternative allo stesso problema ottenute utilizzando aspetti metodologici diversi.
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.
Capacità di apprendimento.
Gli studenti che superano l’esame hanno appreso i concetti base della probabilità che consentono loro di affrontare i successivi insegnamenti di area statistica (in particolare l'insegnamento di Inferenza Statistica).
|
9
|
MAT/06
|
72
|
-
|
-
|
-
|
Attività formative caratterizzanti
|
ITA |
|
|
1018629 -
TEORIA STATISTICA DELLE DECISIONI
(obiettivi)
L'obiettivo formativo primario dell’insegnamento è l'apprendimento da parte degli studenti dei principali problemi e metodi della Teoria statistica delle decisioni e dei suoi diversi approcci teorici alternativi (bayesiano e non bayesiano).
Gli studenti acquisiscono con il corso la capacità di formalizzare problemi statistico-inferenziali in termini di problemi decisionali e confrontare le soluzioni che diverse impostazioni logiche forniscono a questi problemi. Apprendono inoltre a interpretare i risultati che discendono dall’applicazione dei metodi decisionali a dati reali.
Conoscenza e capacità di comprensione.
Dopo aver frequentato il corso gli studenti conoscono e comprendono i principali problemi di decisione in condizione di incertezza e la formalizzazione in ottica decisionale dei principali problemi di inferenza statistica. Conoscono gli elementi di base di analisi inferenziale bayesiana, i principali strumenti dell’analisi decisionale (funzioni di perdita, perdite attese, funzioni di rischio) e i legami tra le diverse impostazioni logiche della teoria delle decisioni.
Capacità di applicare conoscenza e comprensione.
Al termine del corso gli studenti sono in grado di formalizzare problemi reali (soprattutto di inferenza statistica) in termini di problemi decisionali e di applicare i metodi specifici della disciplina per risolverli, sia in ottica frequentista che bayesiana.
Sono inoltre in grado di trattare i più importanti modelli statistici (con uno o due parametri incogniti) e di applicare i metodi appresi anche a modelli non trattati nelle lezioni.
Sono infine in grado di applicare i metodi ai dati e di interpretare i risultati.
Autonomia di giudizio.
Gli studenti sviluppano capacità critiche attraverso l’applicazione di metodologie decisionali (di ispirazione frequentista e bayesiana) a un'ampia gamma di modelli statistici.
Sviluppano inoltre il senso critico attraverso il confronto tra soluzioni alternative allo stesso problema ottenute utilizzando logiche decisionali e inferenziali 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 lo svolgimento di esercizi sia teorici che pratici, acquisiscono il linguaggio tecnico-scientifico della disciplina e lo utilizzano sia nelle prove scritte che nelle prove orali.
Le abilità comunicative vengono sviluppate anche attraverso attività di gruppo.
Capacità di apprendimento.
Gli studenti, attraverso l’approccio analitico-comparativo del corso, apprendono un metodo di analisi che consente loro di affrontare, negli insegnamenti successivi di area statistica, lo studio delle proprietà formali delle procedure inferenziali in contesti modellistici più complessi.
|
9
|
SECS-S/01
|
72
|
-
|
-
|
-
|
Attività formative caratterizzanti
|
ITA |
|
10589539 -
STATISTICA SANITARIA
(obiettivi)
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.
|
6
|
SECS-S/05
|
48
|
-
|
-
|
-
|
Attività formative caratterizzanti
|
ITA |
|
Gruppo opzionale:
Curriculum Biostatistico Gruppo OPZIONALE B esami a scelta per 18 cfu - (visualizza)
|
18
|
|
|
|
|
|
|
|
|
1052019 -
BAYESIAN MODELLING
(obiettivi)
General goals
Knowledge at an intermediate and advanced level of the main issues in Bayesian statistics.
Ability to apply Bayesian statistical techniques to applicative context.
Knowledge and understanding
Knowledge and understanding of the Bayesian approach to statistical inference, of its models and of its methodologies
Applying knowledge and understanding
Ability to apply Bayesian statistical methods for inferential problems in real-data problems
Making judgements
Ability of choosing appropriate Bayesian methods and models in different inferential problems
Communication skills
Ability of communicating results of the analyses in written and oral form
Learning skills
Students acquire skills useful to approach more advanced topics in Bayesian inference, Advanced data analysis, Statistical computing and Mathematical statistics
|
|
|
-
BAYESIAN MODELLING I
(obiettivi)
General goals
Knowledge at an intermediate and advanced level of the main issues in Bayesian statistics.
Ability to apply Bayesian statistical techniques to applicative context.
Knowledge and understanding
Knowledge and understanding of the Bayesian approach to statistical inference, of its models and of its methodologies
Applying knowledge and understanding
Ability to apply Bayesian statistical methods for inferential problems in real-data problems
Making judgements
Ability of choosing appropriate Bayesian methods and models in different inferential problems
Communication skills
Ability of communicating results of the analyses in written and oral form
Learning skills
Students acquire skills useful to approach more advanced topics in Bayesian inference, Advanced data analysis, Statistical computing and Mathematical statistics
|
3
|
SECS-S/01
|
24
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
-
BAYESIAN MODELLING II
(obiettivi)
General goals
Knowledge at an intermediate and advanced level of the main issues in Bayesian statistics.
Ability to apply Bayesian statistical techniques to applicative context.
Knowledge and understanding
Knowledge and understanding of the Bayesian approach to statistical inference, of its models and of its methodologies
Applying knowledge and understanding
Ability to apply Bayesian statistical methods for inferential problems in real-data problems
Making judgements
Ability of choosing appropriate Bayesian methods and models in different inferential problems
Communication skills
Ability of communicating results of the analyses in written and oral form
Learning skills
Students acquire skills useful to approach more advanced topics in Bayesian inference, Advanced data analysis, Statistical computing and Mathematical statistics
|
3
|
SECS-S/01
|
24
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
10589780 -
GESTIONE ED ELABORAZIONE DI BIG DATA
|
Erogato in altro semestre o anno
|
|
10589835 -
COMPUTATIONAL STATISTICS
|
Erogato in altro semestre o anno
|
|
1047802 -
SPATIAL STATISTICS AND STATISTICAL TOOLS FOR ENVIRONMENTAL DATA
|
Erogato in altro semestre o anno
|
|
10589781 -
MODELLI STATISTICI CORSO AVANZATO
|
Erogato in altro semestre o anno
|
|
1047774 -
MODELLI PREVISIVI
|
Erogato in altro semestre o anno
|
|
1022798 -
DATA MINING E CLASSIFICAZIONE
|
Erogato in altro semestre o anno
|
|
10592835 -
BIOINFORMATICA E MEDICINA COMPUTAZIONALE
|
Erogato in altro semestre o anno
|
|
10589824 -
ANALISI STATISTICA DELLE STRUTTURE RELAZIONALI
|
Erogato in altro semestre o anno
|
|
1047773 -
BIG DATA ANALYTICS
(obiettivi)
Learning goals.
The different techniques existing for Big Data management will be illustrated, with a particular emphasis on NoSQL databases.
The course will also deal with the problem of collecting Big Data from various sources such as from the web or from the online social networks.
This will require also the introduction of the different formats that are commonly used to encode unstructured, semi-structured and structured data and of the different techniques that can be used to automate their processing.
Successively, pre-processing techniques, including denoising and imputation of missing data, will be considered.
Then, the course will treat dimensionality reduction techniques, based on feature extraction and feature selection.
Finally, some statistical learning models, supervised and unsupervised, for the analysis of Big Data, will be presented.
Real-world problems will be addressed during the course using suitable software.
Knowledge and understanding.
The student will learn as to apply some statistical learning techniques for dimensionality reduction, based on feature extraction and feature selection.
Moreover, he will know and understand some powerful statistical learning models, supervised and unsupervised, to analyse Big Data.
Applying knowledge and understanding.
The student will be able to manage Big Data collected from various sources.
He will learn as to apply dimensionality reduction techniques, based on feature extraction and feature selection.
Moreover, he will be able to choose and apply some powerful statistical learning models to analyse Big Data.
Making judgements.
Students will develop critical skills through the application of a wide range of machine learning and statistical models.
They also will develop the critical sense through the comparison between alternative solutions to the same problem obtained using different learning logics.
They will learn to critically interpret the results obtained by applying the procedures to real data sets.
Communication skills.
Students, through the study and execution of practical exercises, acquire the technical-scientific language of the discipline, which must be used appropriately in both the intermediate and final written tests and in the oral tests.
Communication skills are also developed through group activities.
Learning skills.
Students who pass the exam will have learned an analytical approach that allows them to tackle Big Data analysis with statistical models and machine learning methods.
|
|
|
-
BIG DATA ANALYTICS
|
Erogato in altro semestre o anno
|
|
-
BIG DATA ANALYTICS
|
Erogato in altro semestre o anno
|
|
10596188 -
INFERENZA CAUSALE
|
Erogato in altro semestre o anno
|
|
|
Gruppo opzionale:
Curriculum Biostatistico Gruppo opzionale C altre attività per 6 CFU - (visualizza)
|
6
|
|
|
|
|
|
|
|
|
AAF1544 -
LABORATORY OF STOCHASTIC PROCESSES
(obiettivi)
Learning goals.
The course is organised as a series of classes where the students will have the possibility to solve and discuss the solutions of a series of simple and more advanced exercises on the theory of stochastic processes.
Knowledge and understanding.
At the end of the course the students will acquire the ability to solve autonomously simple and more advanced exercises on the theory of stochastic processes.
Applying knowledge and understanding.
During the course the students will exercise the ability to grasp and formalize, in the language of stochastic processes, phenomena that evolve in time and space and to solve simple applied problems in new environments and broader contexts.
Making judgements.
At the end of the course the students will have the tools to evaluate critically and choose between different stochastic models to model phenomena that evolve in time and space.
Communication skills.
The students will exercise the intuition and the communication skills necessary to describe phenomena in the mathematical language of stochastic processes.
In particular the student will acquire familiarity with the main ideas that are behind the stochastic model, e.g., the ideas of Markovianity, transience, recurrence, equilibrium, stationarity, long and short-time behaviour...
Learning skills.
The students will acquire autonomy in studying more advanced theoretical aspects of stochastic processes and in applying the main ideas of stochastic processes to the subsequent studies in the area of statistics and finance.
|
3
|
|
27
|
-
|
-
|
-
|
Ulteriori attività formative (art.10, comma 5, lettera d)
|
ENG |
|
AAF1152 -
altre conoscenze utili per l'inserimento nel mondo del lavoro
(obiettivi)
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.
|
6
|
|
54
|
-
|
-
|
-
|
Ulteriori attività formative (art.10, comma 5, lettera d)
|
ITA |
|
AAF1883 -
LABORATORY OF MACHINE LEARNING
|
Erogato in altro semestre o anno
|
|
AAF1884 -
LABORATORY OF DATA DRIVEN DECISION MAKING
|
Erogato in altro semestre o anno
|
|
AAF1149 -
altre conoscenze utili per l'inserimento nel mondo del lavoro
(obiettivi)
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.
|
3
|
|
27
|
-
|
-
|
-
|
Ulteriori attività formative (art.10, comma 5, lettera d)
|
ITA |
|
AAF1898 -
LABORATORIO DI EPIDEMIOLOGIA SOCIALE
(obiettivi)
Obiettivi formativi
Il Laboratorio intende fornire agli studenti i principali strumenti, concettuali e operativi, per la valutazione delle condizioni di salute della popolazione e il suo monitoraggio nel tempo. Un’attenzione particolare è dedicata agli strumenti necessari per la corretta misurazione delle diseguaglianze di salute sul territorio, tra i generi e tra classi sociali.
Obiettivi generali
Al termine del corso lo studente sarà in grado di:
- utilizzare correttamente i principali concetti e i principali strumenti utilizzati in epidemiologia;
- impiegare i metodi più appropriati per il calcolo delle misure di intensità, di associazione e di impatto, controllando le possibili fonti di distorsione; illustrare e interpretare correttamente i risultati ottenuti;
- confrontarsi con i concetti di causalità, meccanismo causale e fattore causale in epidemiologia;
- elaborare/selezionare gli indicatori analitici e sintetici necessari per la valutazione e il monitoraggio della condizione di salute di una popolazione.
Obiettivi specifici
a) Conoscenza e capacità di comprensione
La frequenza del Laboratorio consentirà agli studenti di confrontarsi con i più rilevanti problemi, di natura concettuale e operativa, legati alla misurazione delle condizioni di salute e alla valutazione delle relazioni tra insorgenza delle malattie e fattori di rischio.
b) Capacità di applicare conoscenza e comprensione
Obiettivo del laboratorio è quello di fornire conoscenze e, al tempo stesso, mettere a disposizione degli studenti gli strumenti necessari per la valutazione delle condizioni di salute di una popolazione in condizioni reali. A questo fine è data particolare importanza alle fonti di dati disponibili e alla valutazione della loro qualità.
c) Autonomia di giudizio
Gli studenti saranno condotti a esercitare e sviluppare la propria capacità di analisi e di giudizio mediante il confronto con situazioni reali che saranno chiamati a descrivere mediante opportuni indicatori e ad analizzare.
d) Abilità comunicativa
Gli studenti saranno chiamati a preparare e presentare piccole ricerche su temi specifici. Avranno in tal modo l’opportunità di acquisire il linguaggio tecnico-scientifico della disciplina e di sperimentarsi nella esposizione dei risultati ottenuti
e) Capacità di apprendimento
Al termine delle attività svolte in aula e singolarmente da ciascuno studente, gli studenti che frequentano il Laboratorio dovranno dimostrare di saper sviluppare una ricerca che, seppure di ampiezza ridotta e di natura descrittiva, percorra tutte le fasi della predisposizione di un rapporto su aspetti specifici dello stato di salute di una popolazione o di un gruppo.
|
3
|
|
27
|
-
|
-
|
-
|
Ulteriori attività formative (art.10, comma 5, lettera d)
|
ITA |
|
AAF1966 -
LABORATORIO DI DECISIONI STATISTICHE
(obiettivi)
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).
|
3
|
|
27
|
-
|
-
|
-
|
Ulteriori attività formative (art.10, comma 5, lettera d)
|
ITA |
|
|
- -
A SCELTA DELLO STUDENTE
|
12
|
|
96
|
-
|
-
|
-
|
Attività formative a scelta dello studente (art.10, comma 5, lettera a)
|
ITA |
Secondo semestre
|
Insegnamento
|
CFU
|
SSD
|
Ore Lezione
|
Ore Eserc.
|
Ore Lab
|
Ore Studio
|
Attività
|
Lingua
|
|
1018630 -
TEORIA DEI CAMPIONI
(obiettivi)
Obiettivi formativi
L'obiettivo formativo primario è l'apprendimento dei metodi del campionamento da popolazioni finite.
Formalizzare e pianificare il processo di raccolta e analisi di dati in studi osservazionali.
Pianificazione di indagini campionarie, scelta del disegno di campionamento, pianificazione della raccolta dei dati, analisi dei dati e stima delle quantità di interesse.
Conoscenza e comprensione
Conoscenza e comprensione delle principali metodologie di pianificazione delle indagini campionarie, trattamento degli errori non-campionari, delle mancate risposte, dei dati mancanti, degli errori di misurazione. Analisi di dati reali e stima di quantità di interesse, quali medie e proporzioni.
Applicare conoscenza e comprensione
Al termine del corso gli studenti sono in grado di formalizzare e pianificare il processo di raccolta e analisi di dati in studi osservazionali e di gestire i principali disegni campionari, stimatori puntuali e intervallari e le principali metodologie per il trattamento di errori non-campionari, delle mancate risposte, dei dati mancanti, degli errori di misurazione. Sono inoltre in grado di applicare i metodi a dati reali e di interpretare i risultati.
Capacità di giudizio
Gli studenti sviluppano senso critico attraverso le applicazioni dei metodi di campionamento e stima in un ampio spettro di contesti e attraverso il confronto di diverse possibili soluzioni e analisi di risultati.
Communication skills
Gli studenti, attraverso lo studio, acquisiscono il linguaggio tecnico scientifico della disciplina, da usare nella loro attività.
Capacità di apprendimento
Gli studenti che superano l'esame apprendono un metodo di analisi da utilizzare nel processo di raccolta e analisi di dati da popolazioni finite.
|
9
|
SECS-S/01
|
72
|
-
|
-
|
-
|
Attività formative caratterizzanti
|
ITA |
|
10589782 -
METODI STATISTICI PER LA GENETICA
(obiettivi)
Obiettivi formativi.
Lo scopo dell’insegnamento è fornire le conoscenze di base per un approccio statistico all’analisi di dati genetici.
Gli studenti devono quindi essere in grado di formalizzare i problemi in ambito genetico utilizzando opportuni strumenti statistici, selezionando i modelli statistici che ritengono più calzanti all’obiettivo, e sapendone interpretare i risultati ottenuti.
Conoscenza e capacità di comprensione.
Dopo aver frequentato l’insegnamento, gli studenti comprendono i problemi connessi all’analisi di dati genetici e conoscono gli strumenti più idonei al loro trattamento.
Capacità di applicare conoscenza e comprensione.
Al termine dell’insegnamento, gli studenti sono in grado di utilizzare modelli statistici di base per l’analisi di dati genetici, visti anche come dati multivariati a struttura complessa.
Gli studenti sono in grado di interpretare i risultati ottenuti dall’applicazione di tali modelli a dati reali.
Autonomia di giudizio.
Gli studenti sviluppano capacità critiche fruendo delle possibilità di applicazione e discussione di strumenti statistici finalizzati allo studio di dati genetici reali, durante le lezioni pratiche svolte in aula informatica.
Abilità comunicativa.
Gli studenti, attraverso lo svolgimento di esercizi pratici, di applicazioni a dati di benchmark che ricalcano da vicino situazioni sperimentali reali, di attività di gruppo, acquisiscono una sostanziale capacità tecnico-scientifica che può essere utilizzata per comunicare in modo efficace i risultati ottenuti.
Capacità di apprendimento.
Dopo aver sostenuto positivamente l’esame, gli studenti hanno una conoscenza dei modelli statistici di riferimento per l’analisi di dati genetici, hanno appreso alcune nozioni di base sugli studi in questo contesto, sanno applicare i metodi discussi, e commentare criticamente i risultati ottenuti, tramite un utilizzo massivo delle applicazioni software più diffuse.
|
6
|
SECS-S/01
|
48
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ITA |
|
Gruppo opzionale:
Curriculum Biostatistico Gruppo A OPZIONALE un esame da 9 cfu - (visualizza)
|
9
|
|
|
|
|
|
|
|
|
1056015 -
STOCHASTIC PROCESSES
|
Erogato in altro semestre o anno
|
|
10596190 -
PROCESSI STOCASTICI II
(obiettivi)
Conoscenza e capacità di comprensione
Il programma del corso include lo studio del teorema di Girsanov considerato fondamentale per le applicazioni in finanza. Una notevole parte del corso riguarda i processi stabili (speciale sottoclasse dei processi di Lévy), i subordinatori stabili. In funzione delle applicazioni economiche e tecniche sono trattati i processi stazionari e il calcolo in media quadratica ad esso collegato. Gli studenti del corso apprendono anche molte nozioni particolari come le misure e le dimensioni di Hausdorff dei moti Browniani
Capacità di applicare conoscenza e comprensione
Gli studenti del corso di processi stocastici 2 si possono fare un'idea autonoma delle potenzialità della materia per modellare fenomeni anche di natura attuariale e finanziaria. Lo studio del ponte Browniano consente agli studenti di avere gli strumenti per lo studio dei processi empirici
Autonomia di giudizio
Frequentando il corso di processi stocastici 2 gli studenti realizzeranno facilmente l'importanza di strumenti della matematica dall'analisi reale, funzionale e le equazioni differenziali. La teoria della misura come linguaggio rigoroso per l'esposizione di ogni concetto. Date le discussioni svolte nella presentazione del materiale dovrebbe essere chiara l'importanza relativa delle varie parti del programma.
Abilità comunicativa
La capacità di esprimere i concetti in modo sintetico e preciso è un prodotto parallelo del corso e consente allo studenti di imparare a descrivere in modo efficace modelli, loro elaborazione e funzionamento.
Capacità di apprendimento
E' importante per lo studente imparare ad imparare nuove nozioni e ad assimilare il concetto che il corso è uno stimolo per allargare le proprie conoscenze ai sempre più grandi sviluppi della teoria dei processi stocastici.
|
9
|
MAT/06
|
72
|
-
|
-
|
-
|
Attività formative caratterizzanti
|
ITA |
|
1022318 -
PROBABILITA'
|
Erogato in altro semestre o anno
|
|
|
Gruppo opzionale:
Curriculum Biostatistico Gruppo OPZIONALE B esami a scelta per 18 cfu - (visualizza)
|
18
|
|
|
|
|
|
|
|
|
1052019 -
BAYESIAN MODELLING
(obiettivi)
General goals
Knowledge at an intermediate and advanced level of the main issues in Bayesian statistics.
Ability to apply Bayesian statistical techniques to applicative context.
Knowledge and understanding
Knowledge and understanding of the Bayesian approach to statistical inference, of its models and of its methodologies
Applying knowledge and understanding
Ability to apply Bayesian statistical methods for inferential problems in real-data problems
Making judgements
Ability of choosing appropriate Bayesian methods and models in different inferential problems
Communication skills
Ability of communicating results of the analyses in written and oral form
Learning skills
Students acquire skills useful to approach more advanced topics in Bayesian inference, Advanced data analysis, Statistical computing and Mathematical statistics
|
|
|
-
BAYESIAN MODELLING I
|
Erogato in altro semestre o anno
|
|
-
BAYESIAN MODELLING II
|
Erogato in altro semestre o anno
|
|
10589780 -
GESTIONE ED ELABORAZIONE DI BIG DATA
(obiettivi)
Obiettivi generali
Obiettivo del corso è la trattazione e l’approfondimento dei modelli e delle tecnologie tuttora disponibili (o in via di sviluppo) per la memorizzazione e la gestione di Big Data.
Gli studenti impareranno inoltre a sviluppare algoritmi distribuiti per l’elaborazione di Big Data sviluppati in accordo al paradigma MapReduce.
Obiettivi specifici
a) Conoscenza e capacità di comprensione
Gli studenti apprenderanno quali sono le principali criticità che sorgono quando occorre gestire ed elaborare Big Data e per quali motivi gli approcci tradizionali possono non funzionare. A seguire, impareranno quali approcci alternativi adottare per superare queste criticità.
b) Capacità di applicare conoscenza e comprensione
Al termine del corso gli studenti saranno in grado di modellare ed implementare basi dati NoSQL di diverso tipo (e.g., Document based, graph based, KeyValue based) per la memorizzazione e la gestione di Big Data. Saranno inoltre in grado di progettare e sviluppare algoritmi distribuiti per l’elaborazione di Big Data adoperando il paradigma MapReduce.
c) Autonomia di giudizio
Gli studenti svilupperanno la capacità di individuare quelle particolari tipologie di problemi di gestione dati e/o di elaborazione dati per la cui taglia o complessità occorre
adottare un approccio non convenzionale. Saranno inoltre in grado di individuare quale particolare paradigma, tra quelli trattati a lezione, sarà più adatto a modellare il caso oggetto di studio.
d) Abilità comunicativa
Gli studenti, attraverso lo studio e lo svolgimento di esercizi pratici, acquisiscono il linguaggio tecnico-scientifico della disciplina, che deve essere opportunamente utilizzato nelle prove finali.
Le abilità comunicative vengono sviluppate anche attraverso attività di gruppo che portano alla presentazione ed alla discussione di un progetto finale.
e) Capacità di apprendimento
Gli studenti che supereranno l’esame avranno appreso i paradigmi da utilizzare per la gestione e l’elaborazione di Big Data e saranno in grado di metterli in pratica con l’ausilio delle tecnologie trattate durante lo svolgimento del corso.
|
9
|
INF/01
|
72
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ITA |
|
10589835 -
COMPUTATIONAL STATISTICS
(obiettivi)
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.
|
6
|
SECS-S/01
|
48
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
1047802 -
SPATIAL STATISTICS AND STATISTICAL TOOLS FOR ENVIRONMENTAL DATA
|
Erogato in altro semestre o anno
|
|
10589781 -
MODELLI STATISTICI CORSO AVANZATO
|
Erogato in altro semestre o anno
|
|
1047774 -
MODELLI PREVISIVI
|
Erogato in altro semestre o anno
|
|
1022798 -
DATA MINING E CLASSIFICAZIONE
|
Erogato in altro semestre o anno
|
|
10592835 -
BIOINFORMATICA E MEDICINA COMPUTAZIONALE
|
Erogato in altro semestre o anno
|
|
10589824 -
ANALISI STATISTICA DELLE STRUTTURE RELAZIONALI
|
Erogato in altro semestre o anno
|
|
1047773 -
BIG DATA ANALYTICS
(obiettivi)
Learning goals.
The different techniques existing for Big Data management will be illustrated, with a particular emphasis on NoSQL databases.
The course will also deal with the problem of collecting Big Data from various sources such as from the web or from the online social networks.
This will require also the introduction of the different formats that are commonly used to encode unstructured, semi-structured and structured data and of the different techniques that can be used to automate their processing.
Successively, pre-processing techniques, including denoising and imputation of missing data, will be considered.
Then, the course will treat dimensionality reduction techniques, based on feature extraction and feature selection.
Finally, some statistical learning models, supervised and unsupervised, for the analysis of Big Data, will be presented.
Real-world problems will be addressed during the course using suitable software.
Knowledge and understanding.
The student will learn as to apply some statistical learning techniques for dimensionality reduction, based on feature extraction and feature selection.
Moreover, he will know and understand some powerful statistical learning models, supervised and unsupervised, to analyse Big Data.
Applying knowledge and understanding.
The student will be able to manage Big Data collected from various sources.
He will learn as to apply dimensionality reduction techniques, based on feature extraction and feature selection.
Moreover, he will be able to choose and apply some powerful statistical learning models to analyse Big Data.
Making judgements.
Students will develop critical skills through the application of a wide range of machine learning and statistical models.
They also will develop the critical sense through the comparison between alternative solutions to the same problem obtained using different learning logics.
They will learn to critically interpret the results obtained by applying the procedures to real data sets.
Communication skills.
Students, through the study and execution of practical exercises, acquire the technical-scientific language of the discipline, which must be used appropriately in both the intermediate and final written tests and in the oral tests.
Communication skills are also developed through group activities.
Learning skills.
Students who pass the exam will have learned an analytical approach that allows them to tackle Big Data analysis with statistical models and machine learning methods.
|
|
|
-
BIG DATA ANALYTICS
|
Erogato in altro semestre o anno
|
|
-
BIG DATA ANALYTICS
|
Erogato in altro semestre o anno
|
|
10596188 -
INFERENZA CAUSALE
|
Erogato in altro semestre o anno
|
|
|
Gruppo opzionale:
Curriculum Biostatistico Gruppo opzionale C altre attività per 6 CFU - (visualizza)
|
6
|
|
|
|
|
|
|
|
|
AAF1544 -
LABORATORY OF STOCHASTIC PROCESSES
|
Erogato in altro semestre o anno
|
|
AAF1152 -
altre conoscenze utili per l'inserimento nel mondo del lavoro
|
Erogato in altro semestre o anno
|
|
AAF1883 -
LABORATORY OF MACHINE LEARNING
(obiettivi)
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.
|
3
|
|
27
|
-
|
-
|
-
|
Ulteriori attività formative (art.10, comma 5, lettera d)
|
ENG |
|
AAF1884 -
LABORATORY OF DATA DRIVEN DECISION MAKING
|
Erogato in altro semestre o anno
|
|
AAF1149 -
altre conoscenze utili per l'inserimento nel mondo del lavoro
|
Erogato in altro semestre o anno
|
|
AAF1898 -
LABORATORIO DI EPIDEMIOLOGIA SOCIALE
|
Erogato in altro semestre o anno
|
|
AAF1966 -
LABORATORIO DI DECISIONI STATISTICHE
|
Erogato in altro semestre o anno
|
|
Secondo anno
Primo semestre
|
Insegnamento
|
CFU
|
SSD
|
Ore Lezione
|
Ore Eserc.
|
Ore Lab
|
Ore Studio
|
Attività
|
Lingua
|
|
1044607 -
DISEGNO E ANALISI DELLE PROVE CLINICHE
(obiettivi)
L' obiettivo formativo primario dell’insegnamento è l'apprendimento delle principali tecniche statistiche impiegate per la progettazione e l’analisi delle prove cliniche in ottica frequentista e bayesiana.
Obiettivi specifici
a) Conoscenza e capacità di comprensione
Dopo aver frequentato il corso gli studenti conoscono le caratteristiche dei più noti disegni sperimentali utilizzati in ambito clinico. Sono in grado di implementare le principali procedure di analisi delle prove cliniche randomizzate a partire da dati di diversa natura (normali, binari, di conteggio e di sopravvivenza). Sanno interpretare criticamente i risultati, confrontando le potenzialità degli approcci inferenziali frequentista e Bayesiano. Inoltre, sono in grado di applicare procedure di selezione della dimensione campionaria ottima basate su diversi criteri.
b) Capacità di applicare conoscenza e comprensione
Al termine del corso gli studenti sono in grado di applicare, anche mediante l’utilizzo del software R, le conoscenze acquisite nella pianificazione dello studio clinico e nell'interpretazione dei risultati dell’analisi statistica.
c) Autonomia di giudizio
Gli studenti, attraverso lo studio e le diverse applicazioni pratiche mostrate durante le lezioni anche con l’ausilio del software R, sviluppano il senso critico derivante dal confronto tra metodologie di analisi e di disegno basate su approcci differenti. Acquisiscono, inoltre, capacità di giudizio autonomo che permettono di individuare i metodi più appropriati per analizzare dati clinici, selezionare opportunamente il numero di pazienti da arruolare e scegliere le più adeguate strategie di monitoraggio.
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 che orali.
e) Capacità di apprendimento
Gli studenti che superano l’esame, con riferimento a dati clinici, hanno approfondito tematiche riguardanti l’applicazione di metodi inferenziali per l’analisi e il disegno dello studio basati sugli approcci frequentista e Bayesiano. Ciò permette di sviluppare capacità autonome di confronto tra diverse procedure. Inoltre, le attività di gruppo, che prevedono l’utilizzo del software R, sviluppano abilità comunicative e potenziano capacità di programmazione che sicuramente risulteranno utili agli studenti in fase di preparazione della tesi finale.
|
9
|
SECS-S/01
|
72
|
-
|
-
|
-
|
Attività formative caratterizzanti
|
ITA |
|
1022720 -
MODELLI LINEARI GENERALIZZATI
(obiettivi)
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.
|
6
|
SECS-S/02
|
48
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ITA |
|
Gruppo opzionale:
Curriculum Biostatistico Gruppo OPZIONALE B esami a scelta per 18 cfu - (visualizza)
|
18
|
|
|
|
|
|
|
|
|
1052019 -
BAYESIAN MODELLING
(obiettivi)
General goals
Knowledge at an intermediate and advanced level of the main issues in Bayesian statistics.
Ability to apply Bayesian statistical techniques to applicative context.
Knowledge and understanding
Knowledge and understanding of the Bayesian approach to statistical inference, of its models and of its methodologies
Applying knowledge and understanding
Ability to apply Bayesian statistical methods for inferential problems in real-data problems
Making judgements
Ability of choosing appropriate Bayesian methods and models in different inferential problems
Communication skills
Ability of communicating results of the analyses in written and oral form
Learning skills
Students acquire skills useful to approach more advanced topics in Bayesian inference, Advanced data analysis, Statistical computing and Mathematical statistics
|
|
|
-
BAYESIAN MODELLING I
|
Erogato in altro semestre o anno
|
|
-
BAYESIAN MODELLING II
|
Erogato in altro semestre o anno
|
|
10589780 -
GESTIONE ED ELABORAZIONE DI BIG DATA
|
Erogato in altro semestre o anno
|
|
10589835 -
COMPUTATIONAL STATISTICS
|
Erogato in altro semestre o anno
|
|
1047802 -
SPATIAL STATISTICS AND STATISTICAL TOOLS FOR ENVIRONMENTAL DATA
(obiettivi)
Learning goals
The student at the end of the course should be able to use with knowledge advanced modeling and exploratory techniques specifically developed for spatially dependent data. This is achieved by assigning several homeworks on real data. Practical sessions with the R software are part of each lecture, so to allow students to implement what is taught in the theoretical part. Among the expected results, ability to elaborate environmental data using R software, ability to interpret the results obtained, ability to choose the most suitable statistical models according to the hypotheses they are founded on and to their compatibility with the data available.
Knowledge and understanding
The student will be able to understand the main tools for the analysis of spatial and spatio-temporal data. Also an introductory knowledge of extreme value estimation and modeling will be part of his cultural heritage
Applying knowledge and understanding
Students will be involved in the discussion and analysis of case studies using the open source statistical software R. Students will be asked prepare and discuss a presentation of the results of their homeworks. The presentation will be given on front of the class and discussed.
Making judgements
Through the homeworks and the final presentations discussions, tudente will develop judgements capacity in terms of theoretical choices in representation of real worls phenomena.
Communication skills
Students will be asked prepare and discuss a presentation of the results of their homeworks. The presentation will be given on front of the class and discussed.
This procedure will help the student to develop his/her ability to communicate the results of its work.
Learning skills
One of the aims of the course is to build a statistical glossary and a dictionary of specific statistical concepts that will allow the student to read and understand scientific papers using advanced statistical tools in the analysis of environmental data.
|
9
|
SECS-S/02
|
72
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
10589781 -
MODELLI STATISTICI CORSO AVANZATO
(obiettivi)
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.).
|
9
|
SECS-S/01
|
72
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ITA |
|
1047774 -
MODELLI PREVISIVI
(obiettivi)
Obiettivi formativi.
L'obiettivo principale e' di mettere in grado lo studente di sviluppare una analisi statistica corretta e una attività di previsione in tutti i casi in cui il tempo sia una determinante fondamentale del fenomeno analizzato.
Conoscenza e capacità di comprensione.
Dimostrare conoscenze e capacità di comprensione che estendono quelle associate al corso di serie storiche del primo ciclo e consentono di sviluppare pratiche di previsione originali integrando vari metodi.
Capacità di applicare conoscenza e comprensione.
Risolvere problemi complessi che riguardano la dinamica temporale di fenomeni misurati con varie modalità e varie scale.
Autonomia di giudizio.
Capacità di integrare le conoscenze e completare analisi di fenomeni complessi integrando differenti metodologie, anche in presenza di informazioni limitate, incomplete o distorte.
Abilità comunicativa.
Comunicare i risultati di una analisi statistica approfondita essendo in grado di illustrare le varie fasi in termini generali anche a non specialisti.
Capacità di apprendimento
Studiare in modo autogestito e autonomo.
|
6
|
SECS-S/01
|
48
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ITA |
|
1022798 -
DATA MINING E CLASSIFICAZIONE
|
Erogato in altro semestre o anno
|
|
10592835 -
BIOINFORMATICA E MEDICINA COMPUTAZIONALE
(obiettivi)
* 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.
|
9
|
ING-INF/06
|
72
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ITA |
|
10589824 -
ANALISI STATISTICA DELLE STRUTTURE RELAZIONALI
(obiettivi)
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
|
6
|
SECS-S/01
|
48
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ITA |
|
1047773 -
BIG DATA ANALYTICS
(obiettivi)
Learning goals.
The different techniques existing for Big Data management will be illustrated, with a particular emphasis on NoSQL databases.
The course will also deal with the problem of collecting Big Data from various sources such as from the web or from the online social networks.
This will require also the introduction of the different formats that are commonly used to encode unstructured, semi-structured and structured data and of the different techniques that can be used to automate their processing.
Successively, pre-processing techniques, including denoising and imputation of missing data, will be considered.
Then, the course will treat dimensionality reduction techniques, based on feature extraction and feature selection.
Finally, some statistical learning models, supervised and unsupervised, for the analysis of Big Data, will be presented.
Real-world problems will be addressed during the course using suitable software.
Knowledge and understanding.
The student will learn as to apply some statistical learning techniques for dimensionality reduction, based on feature extraction and feature selection.
Moreover, he will know and understand some powerful statistical learning models, supervised and unsupervised, to analyse Big Data.
Applying knowledge and understanding.
The student will be able to manage Big Data collected from various sources.
He will learn as to apply dimensionality reduction techniques, based on feature extraction and feature selection.
Moreover, he will be able to choose and apply some powerful statistical learning models to analyse Big Data.
Making judgements.
Students will develop critical skills through the application of a wide range of machine learning and statistical models.
They also will develop the critical sense through the comparison between alternative solutions to the same problem obtained using different learning logics.
They will learn to critically interpret the results obtained by applying the procedures to real data sets.
Communication skills.
Students, through the study and execution of practical exercises, acquire the technical-scientific language of the discipline, which must be used appropriately in both the intermediate and final written tests and in the oral tests.
Communication skills are also developed through group activities.
Learning skills.
Students who pass the exam will have learned an analytical approach that allows them to tackle Big Data analysis with statistical models and machine learning methods.
|
|
|
-
BIG DATA ANALYTICS
|
Erogato in altro semestre o anno
|
|
-
BIG DATA ANALYTICS
|
Erogato in altro semestre o anno
|
|
10596188 -
INFERENZA CAUSALE
(obiettivi)
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.
|
6
|
SECS-S/05
|
48
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ITA |
|
|
Gruppo opzionale:
Curriculum Biostatistico Gruppo opzionale C altre attività per 6 CFU - (visualizza)
|
6
|
|
|
|
|
|
|
|
|
AAF1544 -
LABORATORY OF STOCHASTIC PROCESSES
|
Erogato in altro semestre o anno
|
|
AAF1152 -
altre conoscenze utili per l'inserimento nel mondo del lavoro
|
Erogato in altro semestre o anno
|
|
AAF1883 -
LABORATORY OF MACHINE LEARNING
|
Erogato in altro semestre o anno
|
|
AAF1884 -
LABORATORY OF DATA DRIVEN DECISION MAKING
(obiettivi)
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.
|
3
|
|
27
|
-
|
-
|
-
|
Ulteriori attività formative (art.10, comma 5, lettera d)
|
ENG |
|
AAF1149 -
altre conoscenze utili per l'inserimento nel mondo del lavoro
|
Erogato in altro semestre o anno
|
|
AAF1898 -
LABORATORIO DI EPIDEMIOLOGIA SOCIALE
|
Erogato in altro semestre o anno
|
|
AAF1966 -
LABORATORIO DI DECISIONI STATISTICHE
|
Erogato in altro semestre o anno
|
|
Secondo semestre
|
Insegnamento
|
CFU
|
SSD
|
Ore Lezione
|
Ore Eserc.
|
Ore Lab
|
Ore Studio
|
Attività
|
Lingua
|
|
1038458 -
ANALISI DEI DATI DI SOPRAVVIVENZA E LONGITUDINALI
(obiettivi)
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.
|
9
|
SECS-S/01
|
72
|
-
|
-
|
-
|
Attività formative caratterizzanti
|
ITA |
|
Gruppo opzionale:
Curriculum Biostatistico Gruppo OPZIONALE B esami a scelta per 18 cfu - (visualizza)
|
18
|
|
|
|
|
|
|
|
|
1052019 -
BAYESIAN MODELLING
(obiettivi)
General goals
Knowledge at an intermediate and advanced level of the main issues in Bayesian statistics.
Ability to apply Bayesian statistical techniques to applicative context.
Knowledge and understanding
Knowledge and understanding of the Bayesian approach to statistical inference, of its models and of its methodologies
Applying knowledge and understanding
Ability to apply Bayesian statistical methods for inferential problems in real-data problems
Making judgements
Ability of choosing appropriate Bayesian methods and models in different inferential problems
Communication skills
Ability of communicating results of the analyses in written and oral form
Learning skills
Students acquire skills useful to approach more advanced topics in Bayesian inference, Advanced data analysis, Statistical computing and Mathematical statistics
|
|
|
-
BAYESIAN MODELLING I
|
Erogato in altro semestre o anno
|
|
-
BAYESIAN MODELLING II
|
Erogato in altro semestre o anno
|
|
10589780 -
GESTIONE ED ELABORAZIONE DI BIG DATA
|
Erogato in altro semestre o anno
|
|
10589835 -
COMPUTATIONAL STATISTICS
|
Erogato in altro semestre o anno
|
|
1047802 -
SPATIAL STATISTICS AND STATISTICAL TOOLS FOR ENVIRONMENTAL DATA
|
Erogato in altro semestre o anno
|
|
10589781 -
MODELLI STATISTICI CORSO AVANZATO
|
Erogato in altro semestre o anno
|
|
1047774 -
MODELLI PREVISIVI
|
Erogato in altro semestre o anno
|
|
1022798 -
DATA MINING E CLASSIFICAZIONE
(obiettivi)
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.
|
9
|
SECS-S/01
|
72
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ITA |
|
10592835 -
BIOINFORMATICA E MEDICINA COMPUTAZIONALE
|
Erogato in altro semestre o anno
|
|
10589824 -
ANALISI STATISTICA DELLE STRUTTURE RELAZIONALI
|
Erogato in altro semestre o anno
|
|
1047773 -
BIG DATA ANALYTICS
(obiettivi)
Learning goals.
The different techniques existing for Big Data management will be illustrated, with a particular emphasis on NoSQL databases.
The course will also deal with the problem of collecting Big Data from various sources such as from the web or from the online social networks.
This will require also the introduction of the different formats that are commonly used to encode unstructured, semi-structured and structured data and of the different techniques that can be used to automate their processing.
Successively, pre-processing techniques, including denoising and imputation of missing data, will be considered.
Then, the course will treat dimensionality reduction techniques, based on feature extraction and feature selection.
Finally, some statistical learning models, supervised and unsupervised, for the analysis of Big Data, will be presented.
Real-world problems will be addressed during the course using suitable software.
Knowledge and understanding.
The student will learn as to apply some statistical learning techniques for dimensionality reduction, based on feature extraction and feature selection.
Moreover, he will know and understand some powerful statistical learning models, supervised and unsupervised, to analyse Big Data.
Applying knowledge and understanding.
The student will be able to manage Big Data collected from various sources.
He will learn as to apply dimensionality reduction techniques, based on feature extraction and feature selection.
Moreover, he will be able to choose and apply some powerful statistical learning models to analyse Big Data.
Making judgements.
Students will develop critical skills through the application of a wide range of machine learning and statistical models.
They also will develop the critical sense through the comparison between alternative solutions to the same problem obtained using different learning logics.
They will learn to critically interpret the results obtained by applying the procedures to real data sets.
Communication skills.
Students, through the study and execution of practical exercises, acquire the technical-scientific language of the discipline, which must be used appropriately in both the intermediate and final written tests and in the oral tests.
Communication skills are also developed through group activities.
Learning skills.
Students who pass the exam will have learned an analytical approach that allows them to tackle Big Data analysis with statistical models and machine learning methods.
|
|
|
-
BIG DATA ANALYTICS
(obiettivi)
Learning goals.
The different techniques existing for Big Data management will be illustrated, with a particular emphasis on NoSQL databases.
The course will also deal with the problem of collecting Big Data from various sources such as from the web or from the online social networks.
This will require also the introduction of the different formats that are commonly used to encode unstructured, semi-structured and structured data and of the different techniques that can be used to automate their processing.
Successively, pre-processing techniques, including denoising and imputation of missing data, will be considered.
Then, the course will treat dimensionality reduction techniques, based on feature extraction and feature selection.
Finally, some statistical learning models, supervised and unsupervised, for the analysis of Big Data, will be presented.
Real-world problems will be addressed during the course using suitable software.
Knowledge and understanding.
The student will learn as to apply some statistical learning techniques for dimensionality reduction, based on feature extraction and feature selection.
Moreover, he will know and understand some powerful statistical learning models, supervised and unsupervised, to analyse Big Data.
Applying knowledge and understanding.
The student will be able to manage Big Data collected from various sources.
He will learn as to apply dimensionality reduction techniques, based on feature extraction and feature selection.
Moreover, he will be able to choose and apply some powerful statistical learning models to analyse Big Data.
Making judgements.
Students will develop critical skills through the application of a wide range of machine learning and statistical models.
They also will develop the critical sense through the comparison between alternative solutions to the same problem obtained using different learning logics.
They will learn to critically interpret the results obtained by applying the procedures to real data sets.
Communication skills.
Students, through the study and execution of practical exercises, acquire the technical-scientific language of the discipline, which must be used appropriately in both the intermediate and final written tests and in the oral tests.
Communication skills are also developed through group activities.
Learning skills.
Students who pass the exam will have learned an analytical approach that allows them to tackle Big Data analysis with statistical models and machine learning methods.
|
3
|
INF/01
|
24
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
-
BIG DATA ANALYTICS
(obiettivi)
Learning goals.
The different techniques existing for Big Data management will be illustrated, with a particular emphasis on NoSQL databases.
The course will also deal with the problem of collecting Big Data from various sources such as from the web or from the online social networks.
This will require also the introduction of the different formats that are commonly used to encode unstructured, semi-structured and structured data and of the different techniques that can be used to automate their processing.
Successively, pre-processing techniques, including denoising and imputation of missing data, will be considered.
Then, the course will treat dimensionality reduction techniques, based on feature extraction and feature selection.
Finally, some statistical learning models, supervised and unsupervised, for the analysis of Big Data, will be presented.
Real-world problems will be addressed during the course using suitable software.
Knowledge and understanding.
The student will learn as to apply some statistical learning techniques for dimensionality reduction, based on feature extraction and feature selection.
Moreover, he will know and understand some powerful statistical learning models, supervised and unsupervised, to analyse Big Data.
Applying knowledge and understanding.
The student will be able to manage Big Data collected from various sources.
He will learn as to apply dimensionality reduction techniques, based on feature extraction and feature selection.
Moreover, he will be able to choose and apply some powerful statistical learning models to analyse Big Data.
Making judgements.
Students will develop critical skills through the application of a wide range of machine learning and statistical models.
They also will develop the critical sense through the comparison between alternative solutions to the same problem obtained using different learning logics.
They will learn to critically interpret the results obtained by applying the procedures to real data sets.
Communication skills.
Students, through the study and execution of practical exercises, acquire the technical-scientific language of the discipline, which must be used appropriately in both the intermediate and final written tests and in the oral tests.
Communication skills are also developed through group activities.
Learning skills.
Students who pass the exam will have learned an analytical approach that allows them to tackle Big Data analysis with statistical models and machine learning methods.
|
3
|
SECS-S/01
|
24
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
10596188 -
INFERENZA CAUSALE
|
Erogato in altro semestre o anno
|
|
|
AAF1019 -
PROVA FINALE
(obiettivi)
Consentire allo studente l'elaborazione di un testo con carattere di originalità che costituisca la somma dei saperi specialistici raggiunta durante i due anni del corso.
|
21
|
|
525
|
-
|
-
|
-
|
Per la prova finale e la lingua straniera (art.10, comma 5, lettera c)
|
ITA |
Data analyst
Primo anno
Primo semestre
|
Insegnamento
|
CFU
|
SSD
|
Ore Lezione
|
Ore Eserc.
|
Ore Lab
|
Ore Studio
|
Attività
|
Lingua
|
|
Gruppo opzionale:
Curriculum Data Analyst Gruppo A OPZIONALE un esame da 9 cfu - (visualizza)
|
9
|
|
|
|
|
|
|
|
|
1056015 -
STOCHASTIC PROCESSES
(obiettivi)
Learning goals
The course provides a broad introduction to stochastic processes. In particular the aim is
- to give a rigorous introduction to the theory of stochastic processes,
- to discuss the most important stochastic processes in some depth with examples and applications,
- to give the flavour of more advanced work and applications,
- to apply these ideas to answer basic questions in several applied situations including biology, finance and search engine algorithms.
Knowledge and understanding
At the end of the course the students will be familiar with the basic concepts of the theory of stochastic processes in discrete and continuous time and will be able to apply various techniques to study stochastic models that appear in applications.
Applying knowledge and understanding
At the end of the course the students will have the tools to grasp and formalize, in the language of stochastic processes, phenomena that evolve in time and space. The students will have the tools to solve simple applied problems in new environments and broader contexts.
Making judgements
At the end of the course the students will have the tools to evaluate critically and choose between different stochastic models to model phenomena that evolve in time and space. The student will also acquire the necessary language skills to start reading academic books on the topic and research papers.
Communication skills
The students will acquire the intuition and the communication skills necessary to describe phenomena in the mathematical language of stochastic processes. In particular the student will also acquire the rationale behind the stochastic model studied (e.g. the ideas of Markovianity, transience, recurrence, equilibrium, stationarity, long and short-time behaviour...) that is necessary to communicate to specialist and non-specialist audiences.
Learning skills
The students will acquire the methodology and the language to study in a manner that may be largely autonomous and to apply the methodology to the subsequent studies in the area of statistics and finance.
|
9
|
MAT/06
|
72
|
-
|
-
|
-
|
Attività formative caratterizzanti
|
ENG |
|
10596190 -
PROCESSI STOCASTICI II
|
Erogato in altro semestre o anno
|
|
1022318 -
PROBABILITA'
(obiettivi)
Obiettivi formativi
L'obiettivo formativo primario dell’insegnamento è l'apprendimento da parte degli studenti dei principali aspetti teorici legati alla probabilità.
Gli studenti devono inoltre saper risolvere i problemi analitici necessari per applicare i suddetti concetti teorici.
Conoscenza e capacità di comprensione.
Dopo aver frequentato il corso gli studenti conoscono e comprendono i principali aspetti relativi alla teoria della probabilità e i principali metodi da utilizzare per risolvere i problemi legati al concetto di incertezza.
Capacità di applicare conoscenza e comprensione.
Al termine del corso gli studenti sono in grado di formalizzare problemi legati all'incertezza in termini di problemi probabilistici e di applicare i metodi specifici della disciplina per risolverli.
Sono inoltre in grado di modellare fenomeni reali mediante strutture probabilistiche notevoli.
Autonomia di giudizio.
Gli studenti sviluppano capacità critiche attraverso l’applicazione della teoria a un'ampia gamma di modelli probabilistici.
Sviluppano inoltre il senso critico attraverso il confronto tra soluzioni alternative allo stesso problema ottenute utilizzando aspetti metodologici diversi.
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.
Capacità di apprendimento.
Gli studenti che superano l’esame hanno appreso i concetti base della probabilità che consentono loro di affrontare i successivi insegnamenti di area statistica (in particolare l'insegnamento di Inferenza Statistica).
|
9
|
MAT/06
|
72
|
-
|
-
|
-
|
Attività formative caratterizzanti
|
ITA |
|
|
1018629 -
TEORIA STATISTICA DELLE DECISIONI
(obiettivi)
L'obiettivo formativo primario dell’insegnamento è l'apprendimento da parte degli studenti dei principali problemi e metodi della Teoria statistica delle decisioni e dei suoi diversi approcci teorici alternativi (bayesiano e non bayesiano).
Gli studenti acquisiscono con il corso la capacità di formalizzare problemi statistico-inferenziali in termini di problemi decisionali e confrontare le soluzioni che diverse impostazioni logiche forniscono a questi problemi. Apprendono inoltre a interpretare i risultati che discendono dall’applicazione dei metodi decisionali a dati reali.
Conoscenza e capacità di comprensione.
Dopo aver frequentato il corso gli studenti conoscono e comprendono i principali problemi di decisione in condizione di incertezza e la formalizzazione in ottica decisionale dei principali problemi di inferenza statistica. Conoscono gli elementi di base di analisi inferenziale bayesiana, i principali strumenti dell’analisi decisionale (funzioni di perdita, perdite attese, funzioni di rischio) e i legami tra le diverse impostazioni logiche della teoria delle decisioni.
Capacità di applicare conoscenza e comprensione.
Al termine del corso gli studenti sono in grado di formalizzare problemi reali (soprattutto di inferenza statistica) in termini di problemi decisionali e di applicare i metodi specifici della disciplina per risolverli, sia in ottica frequentista che bayesiana.
Sono inoltre in grado di trattare i più importanti modelli statistici (con uno o due parametri incogniti) e di applicare i metodi appresi anche a modelli non trattati nelle lezioni.
Sono infine in grado di applicare i metodi ai dati e di interpretare i risultati.
Autonomia di giudizio.
Gli studenti sviluppano capacità critiche attraverso l’applicazione di metodologie decisionali (di ispirazione frequentista e bayesiana) a un'ampia gamma di modelli statistici.
Sviluppano inoltre il senso critico attraverso il confronto tra soluzioni alternative allo stesso problema ottenute utilizzando logiche decisionali e inferenziali 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 lo svolgimento di esercizi sia teorici che pratici, acquisiscono il linguaggio tecnico-scientifico della disciplina e lo utilizzano sia nelle prove scritte che nelle prove orali.
Le abilità comunicative vengono sviluppate anche attraverso attività di gruppo.
Capacità di apprendimento.
Gli studenti, attraverso l’approccio analitico-comparativo del corso, apprendono un metodo di analisi che consente loro di affrontare, negli insegnamenti successivi di area statistica, lo studio delle proprietà formali delle procedure inferenziali in contesti modellistici più complessi.
|
9
|
SECS-S/01
|
72
|
-
|
-
|
-
|
Attività formative caratterizzanti
|
ITA |
|
Gruppo opzionale:
Curriculum Data Analyst Gruppo B2 OPZIONALE a scelta un esame da 6 cfu - (visualizza)
|
6
|
|
|
|
|
|
|
|
|
1052019 -
BAYESIAN MODELLING
(obiettivi)
General goals
Knowledge at an intermediate and advanced level of the main issues in Bayesian statistics.
Ability to apply Bayesian statistical techniques to applicative context.
Knowledge and understanding
Knowledge and understanding of the Bayesian approach to statistical inference, of its models and of its methodologies
Applying knowledge and understanding
Ability to apply Bayesian statistical methods for inferential problems in real-data problems
Making judgements
Ability of choosing appropriate Bayesian methods and models in different inferential problems
Communication skills
Ability of communicating results of the analyses in written and oral form
Learning skills
Students acquire skills useful to approach more advanced topics in Bayesian inference, Advanced data analysis, Statistical computing and Mathematical statistics
|
|
|
-
BAYESIAN MODELLING I
(obiettivi)
General goals
Knowledge at an intermediate and advanced level of the main issues in Bayesian statistics.
Ability to apply Bayesian statistical techniques to applicative context.
Knowledge and understanding
Knowledge and understanding of the Bayesian approach to statistical inference, of its models and of its methodologies
Applying knowledge and understanding
Ability to apply Bayesian statistical methods for inferential problems in real-data problems
Making judgements
Ability of choosing appropriate Bayesian methods and models in different inferential problems
Communication skills
Ability of communicating results of the analyses in written and oral form
Learning skills
Students acquire skills useful to approach more advanced topics in Bayesian inference, Advanced data analysis, Statistical computing and Mathematical statistics
|
3
|
SECS-S/01
|
24
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
-
BAYESIAN MODELLING II
(obiettivi)
General goals
Knowledge at an intermediate and advanced level of the main issues in Bayesian statistics.
Ability to apply Bayesian statistical techniques to applicative context.
Knowledge and understanding
Knowledge and understanding of the Bayesian approach to statistical inference, of its models and of its methodologies
Applying knowledge and understanding
Ability to apply Bayesian statistical methods for inferential problems in real-data problems
Making judgements
Ability of choosing appropriate Bayesian methods and models in different inferential problems
Communication skills
Ability of communicating results of the analyses in written and oral form
Learning skills
Students acquire skills useful to approach more advanced topics in Bayesian inference, Advanced data analysis, Statistical computing and Mathematical statistics
|
3
|
SECS-S/01
|
24
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
1022720 -
MODELLI LINEARI GENERALIZZATI
(obiettivi)
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.
|
6
|
SECS-S/02
|
48
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ITA |
|
10596221 -
MODELLI DI PANEL DATA PER LA FINANZA
|
Erogato in altro semestre o anno
|
|
1047774 -
MODELLI PREVISIVI
|
Erogato in altro semestre o anno
|
|
10589563 -
DATA DRIVEN DECISION MAKING
|
Erogato in altro semestre o anno
|
|
1047773 -
BIG DATA ANALYTICS
(obiettivi)
Learning goals.
The different techniques existing for Big Data management will be illustrated, with a particular emphasis on NoSQL databases.
The course will also deal with the problem of collecting Big Data from various sources such as from the web or from the online social networks.
This will require also the introduction of the different formats that are commonly used to encode unstructured, semi-structured and structured data and of the different techniques that can be used to automate their processing.
Successively, pre-processing techniques, including denoising and imputation of missing data, will be considered.
Then, the course will treat dimensionality reduction techniques, based on feature extraction and feature selection.
Finally, some statistical learning models, supervised and unsupervised, for the analysis of Big Data, will be presented.
Real-world problems will be addressed during the course using suitable software.
Knowledge and understanding.
The student will learn as to apply some statistical learning techniques for dimensionality reduction, based on feature extraction and feature selection.
Moreover, he will know and understand some powerful statistical learning models, supervised and unsupervised, to analyse Big Data.
Applying knowledge and understanding.
The student will be able to manage Big Data collected from various sources.
He will learn as to apply dimensionality reduction techniques, based on feature extraction and feature selection.
Moreover, he will be able to choose and apply some powerful statistical learning models to analyse Big Data.
Making judgements.
Students will develop critical skills through the application of a wide range of machine learning and statistical models.
They also will develop the critical sense through the comparison between alternative solutions to the same problem obtained using different learning logics.
They will learn to critically interpret the results obtained by applying the procedures to real data sets.
Communication skills.
Students, through the study and execution of practical exercises, acquire the technical-scientific language of the discipline, which must be used appropriately in both the intermediate and final written tests and in the oral tests.
Communication skills are also developed through group activities.
Learning skills.
Students who pass the exam will have learned an analytical approach that allows them to tackle Big Data analysis with statistical models and machine learning methods.
|
|
|
-
BIG DATA ANALYTICS
|
Erogato in altro semestre o anno
|
|
-
BIG DATA ANALYTICS
|
Erogato in altro semestre o anno
|
|
10589824 -
ANALISI STATISTICA DELLE STRUTTURE RELAZIONALI
|
Erogato in altro semestre o anno
|
|
1017084 -
ECONOMETRIA
|
Erogato in altro semestre o anno
|
|
10589835 -
COMPUTATIONAL STATISTICS
|
Erogato in altro semestre o anno
|
|
10596191 -
STATISTICA APPLICATA
|
Erogato in altro semestre o anno
|
|
10589567 -
SPATIAL STATISTICS AND STATISTICAL TOOLS FOR ENVIRONMENTAL DATA
|
Erogato in altro semestre o anno
|
|
|
Gruppo opzionale:
Curriculum Data Analyst Gruppo OPZIONALE C altre attività per 12 cfu - (visualizza)
|
6
|
|
|
|
|
|
|
|
|
AAF1544 -
LABORATORY OF STOCHASTIC PROCESSES
(obiettivi)
Learning goals.
The course is organised as a series of classes where the students will have the possibility to solve and discuss the solutions of a series of simple and more advanced exercises on the theory of stochastic processes.
Knowledge and understanding.
At the end of the course the students will acquire the ability to solve autonomously simple and more advanced exercises on the theory of stochastic processes.
Applying knowledge and understanding.
During the course the students will exercise the ability to grasp and formalize, in the language of stochastic processes, phenomena that evolve in time and space and to solve simple applied problems in new environments and broader contexts.
Making judgements.
At the end of the course the students will have the tools to evaluate critically and choose between different stochastic models to model phenomena that evolve in time and space.
Communication skills.
The students will exercise the intuition and the communication skills necessary to describe phenomena in the mathematical language of stochastic processes.
In particular the student will acquire familiarity with the main ideas that are behind the stochastic model, e.g., the ideas of Markovianity, transience, recurrence, equilibrium, stationarity, long and short-time behaviour...
Learning skills.
The students will acquire autonomy in studying more advanced theoretical aspects of stochastic processes and in applying the main ideas of stochastic processes to the subsequent studies in the area of statistics and finance.
|
3
|
|
27
|
-
|
-
|
-
|
Ulteriori attività formative (art.10, comma 5, lettera d)
|
ENG |
|
AAF1883 -
LABORATORY OF MACHINE LEARNING
|
Erogato in altro semestre o anno
|
|
AAF1149 -
altre conoscenze utili per l'inserimento nel mondo del lavoro
(obiettivi)
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.
|
3
|
|
27
|
-
|
-
|
-
|
Ulteriori attività formative (art.10, comma 5, lettera d)
|
ITA |
|
AAF1152 -
altre conoscenze utili per l'inserimento nel mondo del lavoro
(obiettivi)
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.
|
6
|
|
54
|
-
|
-
|
-
|
Ulteriori attività formative (art.10, comma 5, lettera d)
|
ITA |
|
AAF1884 -
LABORATORY OF DATA DRIVEN DECISION MAKING
|
Erogato in altro semestre o anno
|
|
AAF1966 -
LABORATORIO DI DECISIONI STATISTICHE
(obiettivi)
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).
|
3
|
|
27
|
-
|
-
|
-
|
Ulteriori attività formative (art.10, comma 5, lettera d)
|
ITA |
|
AAF2061 -
LABORATORIO DI STATISTICA APPLICATA
|
Erogato in altro semestre o anno
|
|
|
- -
A SCELTA DELLO STUDENTE
|
12
|
|
96
|
-
|
-
|
-
|
Attività formative a scelta dello studente (art.10, comma 5, lettera a)
|
ITA |
Secondo semestre
|
Insegnamento
|
CFU
|
SSD
|
Ore Lezione
|
Ore Eserc.
|
Ore Lab
|
Ore Studio
|
Attività
|
Lingua
|
|
1018630 -
TEORIA DEI CAMPIONI
(obiettivi)
Obiettivi formativi
L'obiettivo formativo primario è l'apprendimento dei metodi del campionamento da popolazioni finite.
Formalizzare e pianificare il processo di raccolta e analisi di dati in studi osservazionali.
Pianificazione di indagini campionarie, scelta del disegno di campionamento, pianificazione della raccolta dei dati, analisi dei dati e stima delle quantità di interesse.
Conoscenza e comprensione
Conoscenza e comprensione delle principali metodologie di pianificazione delle indagini campionarie, trattamento degli errori non-campionari, delle mancate risposte, dei dati mancanti, degli errori di misurazione. Analisi di dati reali e stima di quantità di interesse, quali medie e proporzioni.
Applicare conoscenza e comprensione
Al termine del corso gli studenti sono in grado di formalizzare e pianificare il processo di raccolta e analisi di dati in studi osservazionali e di gestire i principali disegni campionari, stimatori puntuali e intervallari e le principali metodologie per il trattamento di errori non-campionari, delle mancate risposte, dei dati mancanti, degli errori di misurazione. Sono inoltre in grado di applicare i metodi a dati reali e di interpretare i risultati.
Capacità di giudizio
Gli studenti sviluppano senso critico attraverso le applicazioni dei metodi di campionamento e stima in un ampio spettro di contesti e attraverso il confronto di diverse possibili soluzioni e analisi di risultati.
Communication skills
Gli studenti, attraverso lo studio, acquisiscono il linguaggio tecnico scientifico della disciplina, da usare nella loro attività.
Capacità di apprendimento
Gli studenti che superano l'esame apprendono un metodo di analisi da utilizzare nel processo di raccolta e analisi di dati da popolazioni finite.
|
9
|
SECS-S/01
|
72
|
-
|
-
|
-
|
Attività formative caratterizzanti
|
ITA |
|
10589780 -
GESTIONE ED ELABORAZIONE DI BIG DATA
(obiettivi)
Obiettivi generali
Obiettivo del corso è la trattazione e l’approfondimento dei modelli e delle tecnologie tuttora disponibili (o in via di sviluppo) per la memorizzazione e la gestione di Big Data.
Gli studenti impareranno inoltre a sviluppare algoritmi distribuiti per l’elaborazione di Big Data sviluppati in accordo al paradigma MapReduce.
Obiettivi specifici
a) Conoscenza e capacità di comprensione
Gli studenti apprenderanno quali sono le principali criticità che sorgono quando occorre gestire ed elaborare Big Data e per quali motivi gli approcci tradizionali possono non funzionare. A seguire, impareranno quali approcci alternativi adottare per superare queste criticità.
b) Capacità di applicare conoscenza e comprensione
Al termine del corso gli studenti saranno in grado di modellare ed implementare basi dati NoSQL di diverso tipo (e.g., Document based, graph based, KeyValue based) per la memorizzazione e la gestione di Big Data. Saranno inoltre in grado di progettare e sviluppare algoritmi distribuiti per l’elaborazione di Big Data adoperando il paradigma MapReduce.
c) Autonomia di giudizio
Gli studenti svilupperanno la capacità di individuare quelle particolari tipologie di problemi di gestione dati e/o di elaborazione dati per la cui taglia o complessità occorre
adottare un approccio non convenzionale. Saranno inoltre in grado di individuare quale particolare paradigma, tra quelli trattati a lezione, sarà più adatto a modellare il caso oggetto di studio.
d) Abilità comunicativa
Gli studenti, attraverso lo studio e lo svolgimento di esercizi pratici, acquisiscono il linguaggio tecnico-scientifico della disciplina, che deve essere opportunamente utilizzato nelle prove finali.
Le abilità comunicative vengono sviluppate anche attraverso attività di gruppo che portano alla presentazione ed alla discussione di un progetto finale.
e) Capacità di apprendimento
Gli studenti che supereranno l’esame avranno appreso i paradigmi da utilizzare per la gestione e l’elaborazione di Big Data e saranno in grado di metterli in pratica con l’ausilio delle tecnologie trattate durante lo svolgimento del corso.
|
9
|
INF/01
|
72
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ITA |
|
1047208 -
STATISTICAL LEARNING
(obiettivi)
Learning goals
Devising new machine learning methods and statistical models is a fun and extremely fruitful “art”. But these powerful tools are not useful unless we understand when they work, and when they fail. The main goal of statistical learning theory is thus to study, in a
statistical framework, the properties of learning algorithms mainly in the form of so-called error bounds.
This course introduces the techniques that are used to obtain such results, combining methodology with theoretical foundations and computational aspects. It treats both the basic principles to design successful learning algorithms and the “science” of analyzing an algorithm’s statistical properties and performance guarantees.
Theorems are presented together with practical aspects of methodology and intuition to help students develop tools for selecting appropriate methods and approaches to problems in their own data analyses.
Methods for a wide variety of applied problems will be explored and implemented on open-source software like R (www.r-project.org), Keras (https://keras.io/) and TensorFlow (https://www.tensorflow.org/).
Knowledge and understanding
On successful completion of this course, students will:
know the main learning methodologies and paradigms with their strengths and weakness;
be able to identify a proper learning model for a given problem;
assess the empirical and theoretical performance of different learning models;
know the main platforms, programming languages and solutions to develop effective implementations.
Applying knowledge and understanding
Besides the understanding of theoretical aspects, thanks to applied homeworks and a final project possibly linked to hackathons or other data analysis competitions, the students will constantly be challenged to use and evaluate modern learning techniques and algorithms.
Making judgements
On successful completion of this course, students will develop a positive critical attitude towards the empirical and theoretical evaluation of statistical learning paradigms and techniques.
Communication skills
In preparing the report and oral presentation for the final project, students will learn how to effectively communicate original ideas, experimental results and the principles behind advanced data analytic techniques in written and oral form. They will also understand how to offer constructive critiques on the presentations of their peers.
Learning skills
In this course the students will develop the skills necessary for a successful understanding as well as development of new learning methodologies together with their effective implementation. The goal is of course to grow a active attitude towards continued learning throughout a professional career.
|
6
|
SECS-S/01
|
48
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
1055946 -
METODI MATEMATICI DI OTTIMIZZAZIONE
(obiettivi)
Obiettivi formativi
Il corso intende fornire una visione unificata dei principali problemi di ottimizzazione e dei relativi algoritmi di soluzione.
Alla fine del corso lo studente è in grado di classificare i problemi di ottimizzazione in opportune categorie, formulare modelli di ottimizzazione per semplici problemi reali e risolverli con gli algoritmi e il software adeguati.
Conoscenza e capacità di comprensione.
Dopo aver frequentato il corso lo studente conosce e comprende le diverse classi di problemi di ottimizzazione (Programmazione LIneare, Programmazione Lineare con Variabili Intere, Programmazione Non Lineare Convessa) e i principali metodi di soluzione (Metodo del Simplesso, Metodi Branch and Bound e Cutting Plane, Metodi di discesa basati sul gradiente e Metodi ai punti interni).
Capacità di applicare conoscenza e comprensione.
Gli studenti che superano l'esame sono in grado riconoscere problemi reali che possono essere modellizzati come problemi di ottimizzazione, di formulare tali modelli per alcune classi di problemi e risolverli con gli algoritmi e il software adeguati.
Autonomia di giudizio.
Gli studenti acquisiscono la capacità di classificare i problemi di ottimizzazione in opportune categorie e di valutarne la complessità computazionale.
Imparano inoltre a vagliare i diversi aspetti legati ai problemi applicativi, a valutare diverse opzioni modellistiche e a analizzare i risultati ottenuti.
Abilità comunicativa.
La frequenza delle lezioni e lo studio del materiale del corso permettono agli studenti di acquisire il linguaggio base della disciplina.
Le attività di laboratorio permettono agli studenti di acquisire la capacità di preparare brevi documenti che descrivono le scelte modellistiche e i risultati ottenuti su semplici casi applicativi.
Capacità di apprendimento.
Gli studenti che superano l’esame sono in grado di seguire corsi che trattano in modo più approfondito le varie classi di problemi di ottimizzazione.
|
9
|
MAT/09
|
72
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ITA |
|
Gruppo opzionale:
Curriculum Data Analyst Gruppo B2 OPZIONALE a scelta un esame da 6 cfu - (visualizza)
|
6
|
|
|
|
|
|
|
|
|
1052019 -
BAYESIAN MODELLING
(obiettivi)
General goals
Knowledge at an intermediate and advanced level of the main issues in Bayesian statistics.
Ability to apply Bayesian statistical techniques to applicative context.
Knowledge and understanding
Knowledge and understanding of the Bayesian approach to statistical inference, of its models and of its methodologies
Applying knowledge and understanding
Ability to apply Bayesian statistical methods for inferential problems in real-data problems
Making judgements
Ability of choosing appropriate Bayesian methods and models in different inferential problems
Communication skills
Ability of communicating results of the analyses in written and oral form
Learning skills
Students acquire skills useful to approach more advanced topics in Bayesian inference, Advanced data analysis, Statistical computing and Mathematical statistics
|
|
|
-
BAYESIAN MODELLING I
|
Erogato in altro semestre o anno
|
|
-
BAYESIAN MODELLING II
|
Erogato in altro semestre o anno
|
|
1022720 -
MODELLI LINEARI GENERALIZZATI
|
Erogato in altro semestre o anno
|
|
10596221 -
MODELLI DI PANEL DATA PER LA FINANZA
(obiettivi)
Obiettivi generali:
L'obiettivo formativo primario dell’insegnamento è l'apprendimento da parte degli studenti dei principali problemi e metodi (di Statistica Economica) per la costruzione di modelli di Panel Data applicati allo studio della finanza. Gli studenti devono inoltre saper risolvere i problemi analitici necessari per applicare i suddetti metodi e saper interpretare i risultati che discendono dalla loro applicazione a dati reali.
Obiettivi specifici:
a) Conoscenza e capacità di comprensione.
Dopo aver frequentato il corso, gli studenti conoscono e comprendono i principali problemi per la costruzione di modelli di Panel Data riguardanti lo studio del Sistema Bancario (Nazionale e Internazionale). Si prenderà in considerazione la logica della costruzione di un modello di Panel Data con una o più equazioni per la valutazione del Sistema Bancario, dei condizionamenti derivanti dal sottostante modello economico e della conseguente distinzione delle variabili in esogene ed endogene, per la gestione del sistema bancario (variabili di input e prodotti finanziari). Si prenderà in esame il calcolo del rischio di default del sistema bancario dovuto ai crediti in fallimento. Si utilizzeranno metodi di stima quadratici con diversi tipi di metrica (confrontati con metodi massima verosimiglianza). Le stime dei modelli panel porteranno all’implementazione di formule necessarie alla soluzione dei problemi di finanza in esame.
b) Capacità di applicare conoscenza e comprensione.
Al termine del corso gli studenti sono in grado di formalizzare problemi di finanza e di applicare i metodi specifici della disciplina per risolverli. Sono inoltre in grado di trattare i più importanti modelli di Statistica Economica in ambito finanziario con dai panel e di applicare i metodi appresi anche a modelli non trattati nelle lezioni (ad esempio al caso delle Società di Assicurazione e al Sistema Assicurativo in generale). Sono infine in grado di applicare i metodi ai dati e di interpretare i risultati implementando quantitativamente le formule richieste dalla teoria.
c) Autonomia di giudizio.
Gli studenti sviluppano capacità critiche attraverso l’applicazione di metodologie analitiche specifiche a un'ampia gamma di modelli statistico economici per la finanza con dai panel. Sviluppano inoltre il senso critico attraverso il confronto tra soluzioni alternative allo stesso problema ottenute utilizzando approcci diversi. Imparano ad interpretare criticamente i risultati ottenuti applicando le procedure ai dati reali.
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 nella prova scritta che in quella orale.
e) Capacità di apprendimento.
Gli studenti che superano l’esame hanno appreso un metodo di analisi che consente loro di adeguare e modificare i modelli studiati a contesti diversi e di derivare le proprietà formali relative.
|
6
|
SECS-S/03
|
48
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ITA |
|
1047774 -
MODELLI PREVISIVI
|
Erogato in altro semestre o anno
|
|
10589563 -
DATA DRIVEN DECISION MAKING
|
Erogato in altro semestre o anno
|
|
1047773 -
BIG DATA ANALYTICS
(obiettivi)
Learning goals.
The different techniques existing for Big Data management will be illustrated, with a particular emphasis on NoSQL databases.
The course will also deal with the problem of collecting Big Data from various sources such as from the web or from the online social networks.
This will require also the introduction of the different formats that are commonly used to encode unstructured, semi-structured and structured data and of the different techniques that can be used to automate their processing.
Successively, pre-processing techniques, including denoising and imputation of missing data, will be considered.
Then, the course will treat dimensionality reduction techniques, based on feature extraction and feature selection.
Finally, some statistical learning models, supervised and unsupervised, for the analysis of Big Data, will be presented.
Real-world problems will be addressed during the course using suitable software.
Knowledge and understanding.
The student will learn as to apply some statistical learning techniques for dimensionality reduction, based on feature extraction and feature selection.
Moreover, he will know and understand some powerful statistical learning models, supervised and unsupervised, to analyse Big Data.
Applying knowledge and understanding.
The student will be able to manage Big Data collected from various sources.
He will learn as to apply dimensionality reduction techniques, based on feature extraction and feature selection.
Moreover, he will be able to choose and apply some powerful statistical learning models to analyse Big Data.
Making judgements.
Students will develop critical skills through the application of a wide range of machine learning and statistical models.
They also will develop the critical sense through the comparison between alternative solutions to the same problem obtained using different learning logics.
They will learn to critically interpret the results obtained by applying the procedures to real data sets.
Communication skills.
Students, through the study and execution of practical exercises, acquire the technical-scientific language of the discipline, which must be used appropriately in both the intermediate and final written tests and in the oral tests.
Communication skills are also developed through group activities.
Learning skills.
Students who pass the exam will have learned an analytical approach that allows them to tackle Big Data analysis with statistical models and machine learning methods.
|
|
|
-
BIG DATA ANALYTICS
|
Erogato in altro semestre o anno
|
|
-
BIG DATA ANALYTICS
|
Erogato in altro semestre o anno
|
|
10589824 -
ANALISI STATISTICA DELLE STRUTTURE RELAZIONALI
|
Erogato in altro semestre o anno
|
|
1017084 -
ECONOMETRIA
|
Erogato in altro semestre o anno
|
|
10589835 -
COMPUTATIONAL STATISTICS
(obiettivi)
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.
|
6
|
SECS-S/01
|
48
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
10596191 -
STATISTICA APPLICATA
(obiettivi)
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.
|
6
|
SECS-S/01
|
48
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ITA |
|
10589567 -
SPATIAL STATISTICS AND STATISTICAL TOOLS FOR ENVIRONMENTAL DATA
|
Erogato in altro semestre o anno
|
|
|
Gruppo opzionale:
Curriculum Data Analyst Gruppo OPZIONALE C altre attività per 12 cfu - (visualizza)
|
6
|
|
|
|
|
|
|
|
|
AAF1544 -
LABORATORY OF STOCHASTIC PROCESSES
|
Erogato in altro semestre o anno
|
|
AAF1883 -
LABORATORY OF MACHINE LEARNING
(obiettivi)
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.
|
3
|
|
27
|
-
|
-
|
-
|
Ulteriori attività formative (art.10, comma 5, lettera d)
|
ENG |
|
AAF1149 -
altre conoscenze utili per l'inserimento nel mondo del lavoro
|
Erogato in altro semestre o anno
|
|
AAF1152 -
altre conoscenze utili per l'inserimento nel mondo del lavoro
|
Erogato in altro semestre o anno
|
|
AAF1884 -
LABORATORY OF DATA DRIVEN DECISION MAKING
|
Erogato in altro semestre o anno
|
|
AAF1966 -
LABORATORIO DI DECISIONI STATISTICHE
|
Erogato in altro semestre o anno
|
|
AAF2061 -
LABORATORIO DI STATISTICA APPLICATA
(obiettivi)
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.
|
3
|
|
27
|
-
|
-
|
-
|
Ulteriori attività formative (art.10, comma 5, lettera d)
|
ITA |
|
|
Gruppo opzionale:
Curriculum Data Analyst Gruppo A OPZIONALE un esame da 9 cfu - (visualizza)
|
9
|
|
|
|
|
|
|
|
|
1056015 -
STOCHASTIC PROCESSES
|
Erogato in altro semestre o anno
|
|
10596190 -
PROCESSI STOCASTICI II
(obiettivi)
Conoscenza e capacità di comprensione
Il programma del corso include lo studio del teorema di Girsanov considerato fondamentale per le applicazioni in finanza. Una notevole parte del corso riguarda i processi stabili (speciale sottoclasse dei processi di Lévy), i subordinatori stabili. In funzione delle applicazioni economiche e tecniche sono trattati i processi stazionari e il calcolo in media quadratica ad esso collegato. Gli studenti del corso apprendono anche molte nozioni particolari come le misure e le dimensioni di Hausdorff dei moti Browniani
Capacità di applicare conoscenza e comprensione
Gli studenti del corso di processi stocastici 2 si possono fare un'idea autonoma delle potenzialità della materia per modellare fenomeni anche di natura attuariale e finanziaria. Lo studio del ponte Browniano consente agli studenti di avere gli strumenti per lo studio dei processi empirici
Autonomia di giudizio
Frequentando il corso di processi stocastici 2 gli studenti realizzeranno facilmente l'importanza di strumenti della matematica dall'analisi reale, funzionale e le equazioni differenziali. La teoria della misura come linguaggio rigoroso per l'esposizione di ogni concetto. Date le discussioni svolte nella presentazione del materiale dovrebbe essere chiara l'importanza relativa delle varie parti del programma.
Abilità comunicativa
La capacità di esprimere i concetti in modo sintetico e preciso è un prodotto parallelo del corso e consente allo studenti di imparare a descrivere in modo efficace modelli, loro elaborazione e funzionamento.
Capacità di apprendimento
E' importante per lo studente imparare ad imparare nuove nozioni e ad assimilare il concetto che il corso è uno stimolo per allargare le proprie conoscenze ai sempre più grandi sviluppi della teoria dei processi stocastici.
|
9
|
MAT/06
|
72
|
-
|
-
|
-
|
Attività formative caratterizzanti
|
ITA |
|
1022318 -
PROBABILITA'
|
Erogato in altro semestre o anno
|
|
Secondo anno
Primo semestre
|
Insegnamento
|
CFU
|
SSD
|
Ore Lezione
|
Ore Eserc.
|
Ore Lab
|
Ore Studio
|
Attività
|
Lingua
|
|
10589781 -
MODELLI STATISTICI CORSO AVANZATO
(obiettivi)
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.).
|
9
|
SECS-S/01
|
72
|
-
|
-
|
-
|
Attività formative caratterizzanti
|
ITA |
|
10596188 -
INFERENZA CAUSALE
(obiettivi)
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.
|
6
|
SECS-S/05
|
48
|
-
|
-
|
-
|
Attività formative caratterizzanti
|
ITA |
|
Gruppo opzionale:
Curriculum Data Analyst Gruppo OPZIONALE C altre attività per 12 cfu - (visualizza)
|
6
|
|
|
|
|
|
|
|
|
AAF1544 -
LABORATORY OF STOCHASTIC PROCESSES
|
Erogato in altro semestre o anno
|
|
AAF1883 -
LABORATORY OF MACHINE LEARNING
|
Erogato in altro semestre o anno
|
|
AAF1149 -
altre conoscenze utili per l'inserimento nel mondo del lavoro
|
Erogato in altro semestre o anno
|
|
AAF1152 -
altre conoscenze utili per l'inserimento nel mondo del lavoro
|
Erogato in altro semestre o anno
|
|
AAF1884 -
LABORATORY OF DATA DRIVEN DECISION MAKING
(obiettivi)
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.
|
3
|
|
27
|
-
|
-
|
-
|
Ulteriori attività formative (art.10, comma 5, lettera d)
|
ENG |
|
AAF1966 -
LABORATORIO DI DECISIONI STATISTICHE
|
Erogato in altro semestre o anno
|
|
AAF2061 -
LABORATORIO DI STATISTICA APPLICATA
|
Erogato in altro semestre o anno
|
|
|
Gruppo opzionale:
Curriculum Data Analyst Gruppo B2 OPZIONALE a scelta un esame da 6 cfu - (visualizza)
|
6
|
|
|
|
|
|
|
|
|
1052019 -
BAYESIAN MODELLING
(obiettivi)
General goals
Knowledge at an intermediate and advanced level of the main issues in Bayesian statistics.
Ability to apply Bayesian statistical techniques to applicative context.
Knowledge and understanding
Knowledge and understanding of the Bayesian approach to statistical inference, of its models and of its methodologies
Applying knowledge and understanding
Ability to apply Bayesian statistical methods for inferential problems in real-data problems
Making judgements
Ability of choosing appropriate Bayesian methods and models in different inferential problems
Communication skills
Ability of communicating results of the analyses in written and oral form
Learning skills
Students acquire skills useful to approach more advanced topics in Bayesian inference, Advanced data analysis, Statistical computing and Mathematical statistics
|
|
|
-
BAYESIAN MODELLING I
|
Erogato in altro semestre o anno
|
|
-
BAYESIAN MODELLING II
|
Erogato in altro semestre o anno
|
|
1022720 -
MODELLI LINEARI GENERALIZZATI
|
Erogato in altro semestre o anno
|
|
10596221 -
MODELLI DI PANEL DATA PER LA FINANZA
|
Erogato in altro semestre o anno
|
|
1047774 -
MODELLI PREVISIVI
(obiettivi)
Obiettivi formativi.
L'obiettivo principale e' di mettere in grado lo studente di sviluppare una analisi statistica corretta e una attività di previsione in tutti i casi in cui il tempo sia una determinante fondamentale del fenomeno analizzato.
Conoscenza e capacità di comprensione.
Dimostrare conoscenze e capacità di comprensione che estendono quelle associate al corso di serie storiche del primo ciclo e consentono di sviluppare pratiche di previsione originali integrando vari metodi.
Capacità di applicare conoscenza e comprensione.
Risolvere problemi complessi che riguardano la dinamica temporale di fenomeni misurati con varie modalità e varie scale.
Autonomia di giudizio.
Capacità di integrare le conoscenze e completare analisi di fenomeni complessi integrando differenti metodologie, anche in presenza di informazioni limitate, incomplete o distorte.
Abilità comunicativa.
Comunicare i risultati di una analisi statistica approfondita essendo in grado di illustrare le varie fasi in termini generali anche a non specialisti.
Capacità di apprendimento
Studiare in modo autogestito e autonomo.
|
6
|
SECS-S/01
|
48
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ITA |
|
10589563 -
DATA DRIVEN DECISION MAKING
(obiettivi)
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.
|
6
|
MAT/09
|
48
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
1047773 -
BIG DATA ANALYTICS
(obiettivi)
Learning goals.
The different techniques existing for Big Data management will be illustrated, with a particular emphasis on NoSQL databases.
The course will also deal with the problem of collecting Big Data from various sources such as from the web or from the online social networks.
This will require also the introduction of the different formats that are commonly used to encode unstructured, semi-structured and structured data and of the different techniques that can be used to automate their processing.
Successively, pre-processing techniques, including denoising and imputation of missing data, will be considered.
Then, the course will treat dimensionality reduction techniques, based on feature extraction and feature selection.
Finally, some statistical learning models, supervised and unsupervised, for the analysis of Big Data, will be presented.
Real-world problems will be addressed during the course using suitable software.
Knowledge and understanding.
The student will learn as to apply some statistical learning techniques for dimensionality reduction, based on feature extraction and feature selection.
Moreover, he will know and understand some powerful statistical learning models, supervised and unsupervised, to analyse Big Data.
Applying knowledge and understanding.
The student will be able to manage Big Data collected from various sources.
He will learn as to apply dimensionality reduction techniques, based on feature extraction and feature selection.
Moreover, he will be able to choose and apply some powerful statistical learning models to analyse Big Data.
Making judgements.
Students will develop critical skills through the application of a wide range of machine learning and statistical models.
They also will develop the critical sense through the comparison between alternative solutions to the same problem obtained using different learning logics.
They will learn to critically interpret the results obtained by applying the procedures to real data sets.
Communication skills.
Students, through the study and execution of practical exercises, acquire the technical-scientific language of the discipline, which must be used appropriately in both the intermediate and final written tests and in the oral tests.
Communication skills are also developed through group activities.
Learning skills.
Students who pass the exam will have learned an analytical approach that allows them to tackle Big Data analysis with statistical models and machine learning methods.
|
|
|
-
BIG DATA ANALYTICS
|
Erogato in altro semestre o anno
|
|
-
BIG DATA ANALYTICS
|
Erogato in altro semestre o anno
|
|
10589824 -
ANALISI STATISTICA DELLE STRUTTURE RELAZIONALI
(obiettivi)
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
|
6
|
SECS-S/01
|
48
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ITA |
|
1017084 -
ECONOMETRIA
|
Erogato in altro semestre o anno
|
|
10589835 -
COMPUTATIONAL STATISTICS
|
Erogato in altro semestre o anno
|
|
10596191 -
STATISTICA APPLICATA
|
Erogato in altro semestre o anno
|
|
10589567 -
SPATIAL STATISTICS AND STATISTICAL TOOLS FOR ENVIRONMENTAL DATA
(obiettivi)
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.
|
6
|
SECS-S/02
|
48
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
Secondo semestre
|
Insegnamento
|
CFU
|
SSD
|
Ore Lezione
|
Ore Eserc.
|
Ore Lab
|
Ore Studio
|
Attività
|
Lingua
|
|
1022798 -
DATA MINING E CLASSIFICAZIONE
(obiettivi)
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.
|
9
|
SECS-S/01
|
72
|
-
|
-
|
-
|
Attività formative caratterizzanti
|
ITA |
|
Gruppo opzionale:
Curriculum Data Analyst Gruppo B2 OPZIONALE a scelta un esame da 6 cfu - (visualizza)
|
6
|
|
|
|
|
|
|
|
|
1052019 -
BAYESIAN MODELLING
(obiettivi)
General goals
Knowledge at an intermediate and advanced level of the main issues in Bayesian statistics.
Ability to apply Bayesian statistical techniques to applicative context.
Knowledge and understanding
Knowledge and understanding of the Bayesian approach to statistical inference, of its models and of its methodologies
Applying knowledge and understanding
Ability to apply Bayesian statistical methods for inferential problems in real-data problems
Making judgements
Ability of choosing appropriate Bayesian methods and models in different inferential problems
Communication skills
Ability of communicating results of the analyses in written and oral form
Learning skills
Students acquire skills useful to approach more advanced topics in Bayesian inference, Advanced data analysis, Statistical computing and Mathematical statistics
|
|
|
-
BAYESIAN MODELLING I
|
Erogato in altro semestre o anno
|
|
-
BAYESIAN MODELLING II
|
Erogato in altro semestre o anno
|
|
1022720 -
MODELLI LINEARI GENERALIZZATI
|
Erogato in altro semestre o anno
|
|
10596221 -
MODELLI DI PANEL DATA PER LA FINANZA
|
Erogato in altro semestre o anno
|
|
1047774 -
MODELLI PREVISIVI
|
Erogato in altro semestre o anno
|
|
10589563 -
DATA DRIVEN DECISION MAKING
|
Erogato in altro semestre o anno
|
|
1047773 -
BIG DATA ANALYTICS
(obiettivi)
Learning goals.
The different techniques existing for Big Data management will be illustrated, with a particular emphasis on NoSQL databases.
The course will also deal with the problem of collecting Big Data from various sources such as from the web or from the online social networks.
This will require also the introduction of the different formats that are commonly used to encode unstructured, semi-structured and structured data and of the different techniques that can be used to automate their processing.
Successively, pre-processing techniques, including denoising and imputation of missing data, will be considered.
Then, the course will treat dimensionality reduction techniques, based on feature extraction and feature selection.
Finally, some statistical learning models, supervised and unsupervised, for the analysis of Big Data, will be presented.
Real-world problems will be addressed during the course using suitable software.
Knowledge and understanding.
The student will learn as to apply some statistical learning techniques for dimensionality reduction, based on feature extraction and feature selection.
Moreover, he will know and understand some powerful statistical learning models, supervised and unsupervised, to analyse Big Data.
Applying knowledge and understanding.
The student will be able to manage Big Data collected from various sources.
He will learn as to apply dimensionality reduction techniques, based on feature extraction and feature selection.
Moreover, he will be able to choose and apply some powerful statistical learning models to analyse Big Data.
Making judgements.
Students will develop critical skills through the application of a wide range of machine learning and statistical models.
They also will develop the critical sense through the comparison between alternative solutions to the same problem obtained using different learning logics.
They will learn to critically interpret the results obtained by applying the procedures to real data sets.
Communication skills.
Students, through the study and execution of practical exercises, acquire the technical-scientific language of the discipline, which must be used appropriately in both the intermediate and final written tests and in the oral tests.
Communication skills are also developed through group activities.
Learning skills.
Students who pass the exam will have learned an analytical approach that allows them to tackle Big Data analysis with statistical models and machine learning methods.
|
|
|
-
BIG DATA ANALYTICS
(obiettivi)
Learning goals.
The different techniques existing for Big Data management will be illustrated, with a particular emphasis on NoSQL databases.
The course will also deal with the problem of collecting Big Data from various sources such as from the web or from the online social networks.
This will require also the introduction of the different formats that are commonly used to encode unstructured, semi-structured and structured data and of the different techniques that can be used to automate their processing.
Successively, pre-processing techniques, including denoising and imputation of missing data, will be considered.
Then, the course will treat dimensionality reduction techniques, based on feature extraction and feature selection.
Finally, some statistical learning models, supervised and unsupervised, for the analysis of Big Data, will be presented.
Real-world problems will be addressed during the course using suitable software.
Knowledge and understanding.
The student will learn as to apply some statistical learning techniques for dimensionality reduction, based on feature extraction and feature selection.
Moreover, he will know and understand some powerful statistical learning models, supervised and unsupervised, to analyse Big Data.
Applying knowledge and understanding.
The student will be able to manage Big Data collected from various sources.
He will learn as to apply dimensionality reduction techniques, based on feature extraction and feature selection.
Moreover, he will be able to choose and apply some powerful statistical learning models to analyse Big Data.
Making judgements.
Students will develop critical skills through the application of a wide range of machine learning and statistical models.
They also will develop the critical sense through the comparison between alternative solutions to the same problem obtained using different learning logics.
They will learn to critically interpret the results obtained by applying the procedures to real data sets.
Communication skills.
Students, through the study and execution of practical exercises, acquire the technical-scientific language of the discipline, which must be used appropriately in both the intermediate and final written tests and in the oral tests.
Communication skills are also developed through group activities.
Learning skills.
Students who pass the exam will have learned an analytical approach that allows them to tackle Big Data analysis with statistical models and machine learning methods.
|
3
|
INF/01
|
24
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
-
BIG DATA ANALYTICS
(obiettivi)
Learning goals.
The different techniques existing for Big Data management will be illustrated, with a particular emphasis on NoSQL databases.
The course will also deal with the problem of collecting Big Data from various sources such as from the web or from the online social networks.
This will require also the introduction of the different formats that are commonly used to encode unstructured, semi-structured and structured data and of the different techniques that can be used to automate their processing.
Successively, pre-processing techniques, including denoising and imputation of missing data, will be considered.
Then, the course will treat dimensionality reduction techniques, based on feature extraction and feature selection.
Finally, some statistical learning models, supervised and unsupervised, for the analysis of Big Data, will be presented.
Real-world problems will be addressed during the course using suitable software.
Knowledge and understanding.
The student will learn as to apply some statistical learning techniques for dimensionality reduction, based on feature extraction and feature selection.
Moreover, he will know and understand some powerful statistical learning models, supervised and unsupervised, to analyse Big Data.
Applying knowledge and understanding.
The student will be able to manage Big Data collected from various sources.
He will learn as to apply dimensionality reduction techniques, based on feature extraction and feature selection.
Moreover, he will be able to choose and apply some powerful statistical learning models to analyse Big Data.
Making judgements.
Students will develop critical skills through the application of a wide range of machine learning and statistical models.
They also will develop the critical sense through the comparison between alternative solutions to the same problem obtained using different learning logics.
They will learn to critically interpret the results obtained by applying the procedures to real data sets.
Communication skills.
Students, through the study and execution of practical exercises, acquire the technical-scientific language of the discipline, which must be used appropriately in both the intermediate and final written tests and in the oral tests.
Communication skills are also developed through group activities.
Learning skills.
Students who pass the exam will have learned an analytical approach that allows them to tackle Big Data analysis with statistical models and machine learning methods.
|
3
|
SECS-S/01
|
24
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
10589824 -
ANALISI STATISTICA DELLE STRUTTURE RELAZIONALI
|
Erogato in altro semestre o anno
|
|
1017084 -
ECONOMETRIA
(obiettivi)
Obiettivi formativi.
Lo scopo delle lezioni è fornire una trattazione esaustiva dei principali argomenti riguardanti il modello lineare (OLS, MLE, IV, teoria asintotica ed inferenza) per analisi cross-section ed una breve introduzione all'analisi di dati discreti.
Gli studenti devono comprendere i problemi analitici dei suddetti metodi e saperli applicare a situazioni concrete.
Conoscenza e capacità di comprensione.
Dopo aver frequentato il corso gli studenti conoscono e comprendono i principali problemi legati al modello lineare di regressione (per esempio: assenza di esogenità) ed i principali metodi da utilizzare per risolvere tali problemi (per esempio: stimatore IV).
Capacità di applicare conoscenza e comprensione.
Al termine del corso gli studenti sono in grado di formalizzare problemi reali in termini del modelli lineare di regressione 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.
|
6
|
SECS-P/05
|
48
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ITA |
|
10589835 -
COMPUTATIONAL STATISTICS
|
Erogato in altro semestre o anno
|
|
10596191 -
STATISTICA APPLICATA
|
Erogato in altro semestre o anno
|
|
10589567 -
SPATIAL STATISTICS AND STATISTICAL TOOLS FOR ENVIRONMENTAL DATA
|
Erogato in altro semestre o anno
|
|
|
AAF1019 -
PROVA FINALE
(obiettivi)
Consentire allo studente l'elaborazione di un testo con carattere di originalità che costituisca la somma dei saperi specialistici raggiunta durante i due anni del corso.
|
21
|
|
525
|
-
|
-
|
-
|
Per la prova finale e la lingua straniera (art.10, comma 5, lettera c)
|
ITA |
Demografico sociale
Primo anno
Primo semestre
|
Insegnamento
|
CFU
|
SSD
|
Ore Lezione
|
Ore Eserc.
|
Ore Lab
|
Ore Studio
|
Attività
|
Lingua
|
|
10589650 -
GESTIONE E ANALISI DEI DATI DI POPOLAZIONE
(obiettivi)
Obiettivi formativi
Obiettivo principale dell’insegnamento è l’acquisizione della capacità di gestire e analizzare alcune tipologie di dati di popolazione e di orientarsi al meglio tra le più importanti specifiche metodologie ad essi dedicate. Conoscenza e capacità di comprensione.
Le conoscenze previste dal corso riguardano dati di popolazione gerarchici, longitudinali (di sopravvivenza) , relazionali e la comprensione delle loro principali caratteristiche, problematiche e potenzialità.
A queste si affiancano la conoscenza e la comprensione a livello introduttivo di alcuni approcci metodologici specifici quali quello multilevel, quello del corso di vita (sopravvivenza), quello delle analisi di rete.
Capacità di applicare conoscenza e comprensione.
Lo studente che frequenterà questo corso sarà in grado di mettere a punto misure specifiche dei fenomeni demografici; avrà capacità di lettura e interpretazione dei principali parametri demografici di sintesi nei diversi approcci di studio dei fenomeni; avrà capacità di orientarsi tra le principali indagini di popolazione nazionali e internazionali; avrà sensibilità a problemi generati dai dati e a problemi di ricerca specifici, capacità di riconoscere e utilizzare gli strumenti metodologici atti a risolverli, nell’ambito dei temi sviluppati dal programma.
Autonomia di giudizio.
L’insegnamento pone lo studente in grado di discernere le opportunità offerte dalle diverse tipologie di dati, valutandone le potenzialità e quindi scegliendo l’approccio metodologico più adeguato per completare un percorso di analisi che è specifico per la struttura dati in oggetto oltre che per le ipotesi di ricerca: analizzare delle biografie, studiare relazioni con il contesto, analizzare dei legami nelle reti.
Abilità comunicativa.
Lo studente alla fine del corso avrà acquisito la terminologia specifica relativa ai temi affrontati, frequentando le lezioni tradizionali e quelle seminariali in cui si approfondiscono temi da diversi punti di vista e con strumenti meno usuali.
Sarà pertanto in grado di utilizzare un linguaggio adeguato per affrontare, oltre alla verifica finale, anche gli sviluppi tematici che potrà incontrare nel prosieguo del percorso di studio.
Capacità di apprendimento.
Al momento del superamento dell’esame si intendono acquisiti la logica, i contenuti sostanziali e gli strumenti previsti dall’insegnamento, elementi che pongono lo studente anche in grado di formulare un progetto di ricerca per una eventuale tesi di laurea, proiettandosi in ambiti lavorativi dove gli strumenti acquisiti sono la principale risorsa.
|
9
|
SECS-S/04
|
72
|
-
|
-
|
-
|
Attività formative caratterizzanti
|
ITA |
|
Gruppo opzionale:
Curriculum Demografico Sociale Gruppo A OPZIONALE un esame da 9 cfu - (visualizza)
|
9
|
|
|
|
|
|
|
|
|
1056015 -
STOCHASTIC PROCESSES
(obiettivi)
Learning goals
The course provides a broad introduction to stochastic processes. In particular the aim is
- to give a rigorous introduction to the theory of stochastic processes,
- to discuss the most important stochastic processes in some depth with examples and applications,
- to give the flavour of more advanced work and applications,
- to apply these ideas to answer basic questions in several applied situations including biology, finance and search engine algorithms.
Knowledge and understanding
At the end of the course the students will be familiar with the basic concepts of the theory of stochastic processes in discrete and continuous time and will be able to apply various techniques to study stochastic models that appear in applications.
Applying knowledge and understanding
At the end of the course the students will have the tools to grasp and formalize, in the language of stochastic processes, phenomena that evolve in time and space. The students will have the tools to solve simple applied problems in new environments and broader contexts.
Making judgements
At the end of the course the students will have the tools to evaluate critically and choose between different stochastic models to model phenomena that evolve in time and space. The student will also acquire the necessary language skills to start reading academic books on the topic and research papers.
Communication skills
The students will acquire the intuition and the communication skills necessary to describe phenomena in the mathematical language of stochastic processes. In particular the student will also acquire the rationale behind the stochastic model studied (e.g. the ideas of Markovianity, transience, recurrence, equilibrium, stationarity, long and short-time behaviour...) that is necessary to communicate to specialist and non-specialist audiences.
Learning skills
The students will acquire the methodology and the language to study in a manner that may be largely autonomous and to apply the methodology to the subsequent studies in the area of statistics and finance.
|
9
|
MAT/06
|
72
|
-
|
-
|
-
|
Attività formative caratterizzanti
|
ENG |
|
10596190 -
PROCESSI STOCASTICI II
|
Erogato in altro semestre o anno
|
|
1022318 -
PROBABILITA'
(obiettivi)
Obiettivi formativi
L'obiettivo formativo primario dell’insegnamento è l'apprendimento da parte degli studenti dei principali aspetti teorici legati alla probabilità.
Gli studenti devono inoltre saper risolvere i problemi analitici necessari per applicare i suddetti concetti teorici.
Conoscenza e capacità di comprensione.
Dopo aver frequentato il corso gli studenti conoscono e comprendono i principali aspetti relativi alla teoria della probabilità e i principali metodi da utilizzare per risolvere i problemi legati al concetto di incertezza.
Capacità di applicare conoscenza e comprensione.
Al termine del corso gli studenti sono in grado di formalizzare problemi legati all'incertezza in termini di problemi probabilistici e di applicare i metodi specifici della disciplina per risolverli.
Sono inoltre in grado di modellare fenomeni reali mediante strutture probabilistiche notevoli.
Autonomia di giudizio.
Gli studenti sviluppano capacità critiche attraverso l’applicazione della teoria a un'ampia gamma di modelli probabilistici.
Sviluppano inoltre il senso critico attraverso il confronto tra soluzioni alternative allo stesso problema ottenute utilizzando aspetti metodologici diversi.
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.
Capacità di apprendimento.
Gli studenti che superano l’esame hanno appreso i concetti base della probabilità che consentono loro di affrontare i successivi insegnamenti di area statistica (in particolare l'insegnamento di Inferenza Statistica).
|
9
|
MAT/06
|
72
|
-
|
-
|
-
|
Attività formative caratterizzanti
|
ITA |
|
|
Gruppo opzionale:
Curriculum Demografico Sociale Gruppo OPZIONALE B esami a scelta per 21 cfu - (visualizza)
|
21
|
|
|
|
|
|
|
|
|
1022720 -
MODELLI LINEARI GENERALIZZATI
(obiettivi)
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.
|
6
|
SECS-S/02
|
48
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ITA |
|
10589539 -
STATISTICA SANITARIA
(obiettivi)
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.
|
6
|
SECS-S/05
|
48
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ITA |
|
10596189 -
SOCIAL NETWORK ANALYSIS
|
Erogato in altro semestre o anno
|
|
10589614 -
DEMOGRAFIA SOCIO-AMBIENTALE
(obiettivi)
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
|
6
|
SECS-S/04
|
48
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ITA |
|
10589573 -
STRUMENTI E METODI DELLA VALUTAZIONE
|
Erogato in altro semestre o anno
|
|
1018629 -
TEORIA STATISTICA DELLE DECISIONI
(obiettivi)
L'obiettivo formativo primario dell’insegnamento è l'apprendimento da parte degli studenti dei principali problemi e metodi della Teoria statistica delle decisioni e dei suoi diversi approcci teorici alternativi (bayesiano e non bayesiano).
Gli studenti acquisiscono con il corso la capacità di formalizzare problemi statistico-inferenziali in termini di problemi decisionali e confrontare le soluzioni che diverse impostazioni logiche forniscono a questi problemi. Apprendono inoltre a interpretare i risultati che discendono dall’applicazione dei metodi decisionali a dati reali.
Conoscenza e capacità di comprensione.
Dopo aver frequentato il corso gli studenti conoscono e comprendono i principali problemi di decisione in condizione di incertezza e la formalizzazione in ottica decisionale dei principali problemi di inferenza statistica. Conoscono gli elementi di base di analisi inferenziale bayesiana, i principali strumenti dell’analisi decisionale (funzioni di perdita, perdite attese, funzioni di rischio) e i legami tra le diverse impostazioni logiche della teoria delle decisioni.
Capacità di applicare conoscenza e comprensione.
Al termine del corso gli studenti sono in grado di formalizzare problemi reali (soprattutto di inferenza statistica) in termini di problemi decisionali e di applicare i metodi specifici della disciplina per risolverli, sia in ottica frequentista che bayesiana.
Sono inoltre in grado di trattare i più importanti modelli statistici (con uno o due parametri incogniti) e di applicare i metodi appresi anche a modelli non trattati nelle lezioni.
Sono infine in grado di applicare i metodi ai dati e di interpretare i risultati.
Autonomia di giudizio.
Gli studenti sviluppano capacità critiche attraverso l’applicazione di metodologie decisionali (di ispirazione frequentista e bayesiana) a un'ampia gamma di modelli statistici.
Sviluppano inoltre il senso critico attraverso il confronto tra soluzioni alternative allo stesso problema ottenute utilizzando logiche decisionali e inferenziali 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 lo svolgimento di esercizi sia teorici che pratici, acquisiscono il linguaggio tecnico-scientifico della disciplina e lo utilizzano sia nelle prove scritte che nelle prove orali.
Le abilità comunicative vengono sviluppate anche attraverso attività di gruppo.
Capacità di apprendimento.
Gli studenti, attraverso l’approccio analitico-comparativo del corso, apprendono un metodo di analisi che consente loro di affrontare, negli insegnamenti successivi di area statistica, lo studio delle proprietà formali delle procedure inferenziali in contesti modellistici più complessi.
|
9
|
SECS-S/01
|
72
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ITA |
|
|
Gruppo opzionale:
Curriculum Demografico Sociale Gruppo OPZIONALE C Altre attività per 6 cfu - (visualizza)
|
6
|
|
|
|
|
|
|
|
|
AAF1544 -
LABORATORY OF STOCHASTIC PROCESSES
(obiettivi)
Learning goals.
The course is organised as a series of classes where the students will have the possibility to solve and discuss the solutions of a series of simple and more advanced exercises on the theory of stochastic processes.
Knowledge and understanding.
At the end of the course the students will acquire the ability to solve autonomously simple and more advanced exercises on the theory of stochastic processes.
Applying knowledge and understanding.
During the course the students will exercise the ability to grasp and formalize, in the language of stochastic processes, phenomena that evolve in time and space and to solve simple applied problems in new environments and broader contexts.
Making judgements.
At the end of the course the students will have the tools to evaluate critically and choose between different stochastic models to model phenomena that evolve in time and space.
Communication skills.
The students will exercise the intuition and the communication skills necessary to describe phenomena in the mathematical language of stochastic processes.
In particular the student will acquire familiarity with the main ideas that are behind the stochastic model, e.g., the ideas of Markovianity, transience, recurrence, equilibrium, stationarity, long and short-time behaviour...
Learning skills.
The students will acquire autonomy in studying more advanced theoretical aspects of stochastic processes and in applying the main ideas of stochastic processes to the subsequent studies in the area of statistics and finance.
|
3
|
|
27
|
-
|
-
|
-
|
Ulteriori attività formative (art.10, comma 5, lettera d)
|
ENG |
|
AAF1149 -
altre conoscenze utili per l'inserimento nel mondo del lavoro
(obiettivi)
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.
|
3
|
|
27
|
-
|
-
|
-
|
Ulteriori attività formative (art.10, comma 5, lettera d)
|
ITA |
|
AAF1152 -
altre conoscenze utili per l'inserimento nel mondo del lavoro
(obiettivi)
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.
|
6
|
|
54
|
-
|
-
|
-
|
Ulteriori attività formative (art.10, comma 5, lettera d)
|
ITA |
|
AAF1883 -
LABORATORY OF MACHINE LEARNING
|
Erogato in altro semestre o anno
|
|
AAF1898 -
LABORATORIO DI EPIDEMIOLOGIA SOCIALE
|
Erogato in altro semestre o anno
|
|
Secondo semestre
|
Insegnamento
|
CFU
|
SSD
|
Ore Lezione
|
Ore Eserc.
|
Ore Lab
|
Ore Studio
|
Attività
|
Lingua
|
|
1018630 -
TEORIA DEI CAMPIONI
(obiettivi)
Obiettivi formativi
L'obiettivo formativo primario è l'apprendimento dei metodi del campionamento da popolazioni finite.
Formalizzare e pianificare il processo di raccolta e analisi di dati in studi osservazionali.
Pianificazione di indagini campionarie, scelta del disegno di campionamento, pianificazione della raccolta dei dati, analisi dei dati e stima delle quantità di interesse.
Conoscenza e comprensione
Conoscenza e comprensione delle principali metodologie di pianificazione delle indagini campionarie, trattamento degli errori non-campionari, delle mancate risposte, dei dati mancanti, degli errori di misurazione. Analisi di dati reali e stima di quantità di interesse, quali medie e proporzioni.
Applicare conoscenza e comprensione
Al termine del corso gli studenti sono in grado di formalizzare e pianificare il processo di raccolta e analisi di dati in studi osservazionali e di gestire i principali disegni campionari, stimatori puntuali e intervallari e le principali metodologie per il trattamento di errori non-campionari, delle mancate risposte, dei dati mancanti, degli errori di misurazione. Sono inoltre in grado di applicare i metodi a dati reali e di interpretare i risultati.
Capacità di giudizio
Gli studenti sviluppano senso critico attraverso le applicazioni dei metodi di campionamento e stima in un ampio spettro di contesti e attraverso il confronto di diverse possibili soluzioni e analisi di risultati.
Communication skills
Gli studenti, attraverso lo studio, acquisiscono il linguaggio tecnico scientifico della disciplina, da usare nella loro attività.
Capacità di apprendimento
Gli studenti che superano l'esame apprendono un metodo di analisi da utilizzare nel processo di raccolta e analisi di dati da popolazioni finite.
|
9
|
SECS-S/01
|
72
|
-
|
-
|
-
|
Attività formative caratterizzanti
|
ITA |
|
10589631 -
MODELLI DEMOGRAFICI
(obiettivi)
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.
|
6
|
SECS-S/04
|
48
|
-
|
-
|
-
|
Attività formative caratterizzanti
|
ITA |
|
Gruppo opzionale:
Curr. Demografico Sociale gruppo opzionale A1 1 esame a scelta per 9 crediti - (visualizza)
|
9
|
|
|
|
|
|
|
|
|
1022798 -
DATA MINING E CLASSIFICAZIONE
(obiettivi)
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.
|
9
|
SECS-S/01
|
72
|
-
|
-
|
-
|
Attività formative caratterizzanti
|
ITA |
|
1038458 -
ANALISI DEI DATI DI SOPRAVVIVENZA E LONGITUDINALI
(obiettivi)
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.
|
9
|
SECS-S/01
|
72
|
-
|
-
|
-
|
Attività formative caratterizzanti
|
ITA |
|
|
Gruppo opzionale:
Curriculum Demografico Sociale Gruppo A OPZIONALE un esame da 9 cfu - (visualizza)
|
9
|
|
|
|
|
|
|
|
|
1056015 -
STOCHASTIC PROCESSES
|
Erogato in altro semestre o anno
|
|
10596190 -
PROCESSI STOCASTICI II
(obiettivi)
Conoscenza e capacità di comprensione
Il programma del corso include lo studio del teorema di Girsanov considerato fondamentale per le applicazioni in finanza. Una notevole parte del corso riguarda i processi stabili (speciale sottoclasse dei processi di Lévy), i subordinatori stabili. In funzione delle applicazioni economiche e tecniche sono trattati i processi stazionari e il calcolo in media quadratica ad esso collegato. Gli studenti del corso apprendono anche molte nozioni particolari come le misure e le dimensioni di Hausdorff dei moti Browniani
Capacità di applicare conoscenza e comprensione
Gli studenti del corso di processi stocastici 2 si possono fare un'idea autonoma delle potenzialità della materia per modellare fenomeni anche di natura attuariale e finanziaria. Lo studio del ponte Browniano consente agli studenti di avere gli strumenti per lo studio dei processi empirici
Autonomia di giudizio
Frequentando il corso di processi stocastici 2 gli studenti realizzeranno facilmente l'importanza di strumenti della matematica dall'analisi reale, funzionale e le equazioni differenziali. La teoria della misura come linguaggio rigoroso per l'esposizione di ogni concetto. Date le discussioni svolte nella presentazione del materiale dovrebbe essere chiara l'importanza relativa delle varie parti del programma.
Abilità comunicativa
La capacità di esprimere i concetti in modo sintetico e preciso è un prodotto parallelo del corso e consente allo studenti di imparare a descrivere in modo efficace modelli, loro elaborazione e funzionamento.
Capacità di apprendimento
E' importante per lo studente imparare ad imparare nuove nozioni e ad assimilare il concetto che il corso è uno stimolo per allargare le proprie conoscenze ai sempre più grandi sviluppi della teoria dei processi stocastici.
|
9
|
MAT/06
|
72
|
-
|
-
|
-
|
Attività formative caratterizzanti
|
ITA |
|
1022318 -
PROBABILITA'
|
Erogato in altro semestre o anno
|
|
Secondo anno
Primo semestre
|
Insegnamento
|
CFU
|
SSD
|
Ore Lezione
|
Ore Eserc.
|
Ore Lab
|
Ore Studio
|
Attività
|
Lingua
|
|
10589830 -
STIME E PREVISIONI DI POPOLAZIONE
(obiettivi)
Risultati di apprendimento attesi Orientamento gestione informazioni di stock e di flusso sulla popolazione. Orientamento problematica individuazione scenari prospettivi di popolazione. Manipolazione modelli demografici di tipo prospettico.
Competenze da acquisire Orientamento uso fonti in materia di popolazione (dati bilanci e ricostruzione della popolazione). Costruzione scenari previsivi. Utilizzo software previsioni stocastiche.
|
9
|
SECS-S/04
|
72
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ITA |
|
10589781 -
MODELLI STATISTICI CORSO AVANZATO
(obiettivi)
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.).
|
9
|
SECS-S/01
|
72
|
-
|
-
|
-
|
Attività formative caratterizzanti
|
ITA |
|
Gruppo opzionale:
Curriculum Demografico Sociale Gruppo OPZIONALE B esami a scelta per 21 cfu - (visualizza)
|
21
|
|
|
|
|
|
|
|
|
1022720 -
MODELLI LINEARI GENERALIZZATI
|
Erogato in altro semestre o anno
|
|
10589539 -
STATISTICA SANITARIA
|
Erogato in altro semestre o anno
|
|
10596189 -
SOCIAL NETWORK ANALYSIS
(obiettivi)
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.
|
6
|
SPS/07
|
48
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
10589614 -
DEMOGRAFIA SOCIO-AMBIENTALE
|
Erogato in altro semestre o anno
|
|
10589573 -
STRUMENTI E METODI DELLA VALUTAZIONE
|
Erogato in altro semestre o anno
|
|
1018629 -
TEORIA STATISTICA DELLE DECISIONI
|
Erogato in altro semestre o anno
|
|
|
Gruppo opzionale:
Curriculum Demografico Sociale Gruppo OPZIONALE C Altre attività per 6 cfu - (visualizza)
|
6
|
|
|
|
|
|
|
|
|
AAF1544 -
LABORATORY OF STOCHASTIC PROCESSES
|
Erogato in altro semestre o anno
|
|
AAF1149 -
altre conoscenze utili per l'inserimento nel mondo del lavoro
|
Erogato in altro semestre o anno
|
|
AAF1152 -
altre conoscenze utili per l'inserimento nel mondo del lavoro
|
Erogato in altro semestre o anno
|
|
AAF1883 -
LABORATORY OF MACHINE LEARNING
|
Erogato in altro semestre o anno
|
|
AAF1898 -
LABORATORIO DI EPIDEMIOLOGIA SOCIALE
(obiettivi)
Obiettivi formativi
Il Laboratorio intende fornire agli studenti i principali strumenti, concettuali e operativi, per la valutazione delle condizioni di salute della popolazione e il suo monitoraggio nel tempo. Un’attenzione particolare è dedicata agli strumenti necessari per la corretta misurazione delle diseguaglianze di salute sul territorio, tra i generi e tra classi sociali.
Obiettivi generali
Al termine del corso lo studente sarà in grado di:
- utilizzare correttamente i principali concetti e i principali strumenti utilizzati in epidemiologia;
- impiegare i metodi più appropriati per il calcolo delle misure di intensità, di associazione e di impatto, controllando le possibili fonti di distorsione; illustrare e interpretare correttamente i risultati ottenuti;
- confrontarsi con i concetti di causalità, meccanismo causale e fattore causale in epidemiologia;
- elaborare/selezionare gli indicatori analitici e sintetici necessari per la valutazione e il monitoraggio della condizione di salute di una popolazione.
Obiettivi specifici
a) Conoscenza e capacità di comprensione
La frequenza del Laboratorio consentirà agli studenti di confrontarsi con i più rilevanti problemi, di natura concettuale e operativa, legati alla misurazione delle condizioni di salute e alla valutazione delle relazioni tra insorgenza delle malattie e fattori di rischio.
b) Capacità di applicare conoscenza e comprensione
Obiettivo del laboratorio è quello di fornire conoscenze e, al tempo stesso, mettere a disposizione degli studenti gli strumenti necessari per la valutazione delle condizioni di salute di una popolazione in condizioni reali. A questo fine è data particolare importanza alle fonti di dati disponibili e alla valutazione della loro qualità.
c) Autonomia di giudizio
Gli studenti saranno condotti a esercitare e sviluppare la propria capacità di analisi e di giudizio mediante il confronto con situazioni reali che saranno chiamati a descrivere mediante opportuni indicatori e ad analizzare.
d) Abilità comunicativa
Gli studenti saranno chiamati a preparare e presentare piccole ricerche su temi specifici. Avranno in tal modo l’opportunità di acquisire il linguaggio tecnico-scientifico della disciplina e di sperimentarsi nella esposizione dei risultati ottenuti
e) Capacità di apprendimento
Al termine delle attività svolte in aula e singolarmente da ciascuno studente, gli studenti che frequentano il Laboratorio dovranno dimostrare di saper sviluppare una ricerca che, seppure di ampiezza ridotta e di natura descrittiva, percorra tutte le fasi della predisposizione di un rapporto su aspetti specifici dello stato di salute di una popolazione o di un gruppo.
|
3
|
|
27
|
-
|
-
|
-
|
Ulteriori attività formative (art.10, comma 5, lettera d)
|
ITA |
|
Secondo semestre
|
Insegnamento
|
CFU
|
SSD
|
Ore Lezione
|
Ore Eserc.
|
Ore Lab
|
Ore Studio
|
Attività
|
Lingua
|
|
Gruppo opzionale:
Curriculum Demografico Sociale Gruppo OPZIONALE B esami a scelta per 21 cfu - (visualizza)
|
21
|
|
|
|
|
|
|
|
|
1022720 -
MODELLI LINEARI GENERALIZZATI
|
Erogato in altro semestre o anno
|
|
10589539 -
STATISTICA SANITARIA
|
Erogato in altro semestre o anno
|
|
10596189 -
SOCIAL NETWORK ANALYSIS
|
Erogato in altro semestre o anno
|
|
10589614 -
DEMOGRAFIA SOCIO-AMBIENTALE
|
Erogato in altro semestre o anno
|
|
10589573 -
STRUMENTI E METODI DELLA VALUTAZIONE
(obiettivi)
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
|
6
|
SECS-S/05
|
48
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ITA |
|
1018629 -
TEORIA STATISTICA DELLE DECISIONI
|
Erogato in altro semestre o anno
|
|
|
Gruppo opzionale:
Curriculum Demografico Sociale Gruppo OPZIONALE C Altre attività per 6 cfu - (visualizza)
|
6
|
|
|
|
|
|
|
|
|
AAF1544 -
LABORATORY OF STOCHASTIC PROCESSES
|
Erogato in altro semestre o anno
|
|
AAF1149 -
altre conoscenze utili per l'inserimento nel mondo del lavoro
|
Erogato in altro semestre o anno
|
|
AAF1152 -
altre conoscenze utili per l'inserimento nel mondo del lavoro
|
Erogato in altro semestre o anno
|
|
AAF1883 -
LABORATORY OF MACHINE LEARNING
(obiettivi)
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.
|
3
|
|
27
|
-
|
-
|
-
|
Ulteriori attività formative (art.10, comma 5, lettera d)
|
ENG |
|
AAF1898 -
LABORATORIO DI EPIDEMIOLOGIA SOCIALE
|
Erogato in altro semestre o anno
|
|
|
- -
A SCELTA DELLO STUDENTE
|
12
|
|
96
|
-
|
-
|
-
|
Attività formative a scelta dello studente (art.10, comma 5, lettera a)
|
ITA |
|
AAF1019 -
PROVA FINALE
(obiettivi)
Consentire allo studente l'elaborazione di un testo con carattere di originalità che costituisca la somma dei saperi specialistici raggiunta durante i due anni del corso.
|
21
|
|
525
|
-
|
-
|
-
|
Per la prova finale e la lingua straniera (art.10, comma 5, lettera c)
|
ITA |
