Laurea Magistrale in Economia dei Mercati e degli Intermediari Finanziari

conoscenza delle nozioni di Matematica generale, statistica descrittiva, calcolo delle probabilità ed elementi di statistica inferenziale.

Il modello di regressione lineare OLS
I modelli per variabili binarie e di conteggio
I Modelli Lineari Generalizzati

Machine Learning: Training, validation and testing, cross-validation, back-testing, hyper-parameter tuning. (Questo forse si può fare all'inizio)

Supervised learning

- linear regression: regolarizzazione (lasso, ridge, elastic net);

- logistic regression, naive Bayes, classificazione e alberi decisionali, k-nearest-neighbors;

- neural networks: architetture (single layer, multi-layer ANNs), funzioni di attivazione, algoritmo del gradiente. Introduzione al deep learning.

Unsupervised Learning
- Classification
- Clustering
- Data Reduction
(PCA, Kmeans, Hierachical Methods, Mixtures)

J. J. Faraway Extending the Linear Model with R, Generalized Linear, Mixed Effects end NOnparametric Regression Models, Chapman & Hall 2006
Dispense Fornite in Aula
J. Hull, Machine Learning in Business, III Edition

HASTIE, Trevor, et al. The elements of statistical learning: data mining, inference, and prediction. New York: springer, 2009.

J. Faraway Extending the Linear Model with R, Generalized Linear, Mixed Effects end NOnparametric Regression Models, Chapman & Hall 2006
J. Hull, Machine Learning in Business, III Edition
JA Nelder & R.W.M. Wedderburn, 1972, Generalized Linear Models
Journal of the Royal Statistical Society Series A (General)

P. McCullagh, John A. Nelder, 1989, Generalized Linear Models, Taylor & Francis Ltd,
Chapman & Hall/CRC Monographs on Statistics and Applied Probability
HASTIE, Trevor, et al. The elements of statistical learning: data mining, inference, and prediction. New York: springer, 2009.

2/3 del monte ore settimanale è dedicato alla didattica frontale, mentre il restante 1/3 ad attività di laboratorio in aula.
Gli studenti dovranno portare il proprio pc con R funzionante. (E’ possibile anche lavorare in coppia su un singolo pc. )

Regolamento esame

Presentazione Tesina con applicazione econometrica su tema concordato con docente
Prova pratica su Machine Learing and Data science Methods con materiale fornito dal docente
Interrogazione orale sulle tematiche afforntate
Norme di comportamento all'esame
Requisito fondamentale per sostenere la prova di esame è la prenotazione sul sistema Delphi nell’intervallo di tempo indicato nel sistema. La mancata prenotazione non permette di sostenere l’esame. In caso di problemi a prenotarsi durante il periodo in cui è possibile prenotarsi, avvisare immediatamente il docente.
Arrivare nell’aula dell’esame almeno 15 minuti prima dell’inizio della prova senza entrare fino a quando non si venga chiamati al momento dell'appello.
Lo studente deve avere con sé un documento di identità in corso di validità. Se lo studente non può essere identificato con certezza, deve lasciare l’aula

Non è possibile uscire dall’aula durante lo svolgimento della prova pratica.
Lo studente può ritirarsi dopo che siano trascorsi 10 minuti dall’inizio della prova per permettere agli studenti ritardatari di accedere in aula. Lo studente che rimane in aula dopo il decimo minuto è tenuto a consegnare il compito.
Gli studenti ritardatari che arrivassero dopo 10 minuti dall’inizio della prova non possono sostenere l’esame.
Prova di esame
La prova di esame è orale e verte sulla discussione della tesina assegnata e verte sul programma del corso.
E’ possibile rifiutare il voto una sola volta. Si considera aver partecipato all’esame al momento della risposta all’appello.
Lo studente che non intende accettare il voto, se consentito, deve darne comunicazione nella modalità e nei tempi indicati dal docente in sede di pubblicazione dei risultati.
Valutazione della prova di esame
La prova di esame sarà valutata secondo i seguenti criteri:
Non idoneo: Importanti e gravi lacune e/o inaccuratezze nella conoscenza e comprensione degli argomenti; limitate capacità di analisi, frequenti generalizzazioni e limitate capacità critiche e di giudizio. Gli argomenti sono esposti in modo scarso e non coerente, con linguaggio inappropriato. Derivazione analitica mancante o solo abbozzata.
18-20: Conoscenza e comprensione degli argomenti appena sufficiente con possibili generalizzazioni e imperfezioni; capacità di analisi e autonomia di giudizio appena sufficienti, gli argomenti sono esposti frequentemente con un linguaggio poco appropriato e spesso poco coerente. Scarso approfondimento delle tematiche. Derivazione analitica mancante o solo abbozzata.
21-23: Conoscenza e comprensione degli argomenti routinaria; capacità di analisi corretta con argomentazione logica sufficientemente coerente e linguaggio per lo più appropriato. L’approfondimento dei temi è per lo più scarso. Derivazione analitica mancante o solo abbozzata.
24-26: Discreta conoscenza e comprensione degli argomenti; buone capacità di analisi e sintesi con argomentazioni espresse in modo rigoroso ma con un linguaggio non sempre appropriato. Discreto approfondimento dei temi. Derivazione analitica parzialmente incompleta.
27-29: Conoscenza e comprensione degli argomenti completa; notevoli capacità di analisi e sintesi. Buona autonomia di giudizio. Argomenti esposti in modo rigoroso e con linguaggio appropriato. Approfondimento dei temi buono e buona capacità di collegamento tra i temi. Mancanza di commenti nella derivazione analitica.
30-30L: Ottimo livello di conoscenza e comprensione approfondita degli argomenti. Ottime capacità di analisi, di sintesi e di autonomia di giudizio. Argomentazioni espresse in modo originale e con linguaggio tecnico appropriato. Ottima capacità di approfondimento ed eccellenti collegamento tra i temi. Derivazione analitica ben sviluppata con commenti puntuali

Il modello di regressione lineare OLS
I modelli per variabili binarie e di conteggio
I Modelli Lineari Generalizzati

Machine Learning: Training, validation and testing, cross-validation, back-testing, hyper-parameter tuning. (Questo forse si può fare all'inizio)

Supervised learning

- linear regression: regolarizzazione (lasso, ridge, elastic net);

- logistic regression, naive Bayes, classificazione e alberi decisionali, k-nearest-neighbors;

- neural networks: architetture (single layer, multi-layer ANNs), funzioni di attivazione, algoritmo del gradiente. Introduzione al deep learning.

Unsupervised Learning
- Classification
- Clustering
- Data Reduction
(PCA, Kmeans, Hierachical Methods, Mixtures)

J. J. Faraway Extending the Linear Model with R, Generalized Linear, Mixed Effects end NOnparametric Regression Models, Chapman & Hall 2006
Dispense Fornite in Aula
J. Hull, Machine Learning in Business, III Edition

HASTIE, Trevor, et al. The elements of statistical learning: data mining, inference, and prediction. New York: springer, 2009

2/3 del monte ore settimanale è dedicato alla didattica frontale, mentre il restante 1/3 ad attività di laboratorio in aula

Regolamento esame

Presentazione Tesina con applicazione econometrica su tema concordato con docente
Prova pratica su Machine Learing and Data science Methods con materiale fornito dal docente
Interrogazione orale sulle tematiche afforntate
Norme di comportamento all'esame
Requisito fondamentale per sostenere la prova di esame è la prenotazione sul sistema Delphi nell’intervallo di tempo indicato nel sistema. La mancata prenotazione non permette di sostenere l’esame. In caso di problemi a prenotarsi durante il periodo in cui è possibile prenotarsi, avvisare immediatamente il docente.
Arrivare nell’aula dell’esame almeno 15 minuti prima dell’inizio della prova senza entrare fino a quando non si venga chiamati al momento dell'appello.
Lo studente deve avere con sé un documento di identità in corso di validità. Se lo studente non può essere identificato con certezza, deve lasciare l’aula

Non è possibile uscire dall’aula durante lo svolgimento della prova pratica.
Lo studente può ritirarsi dopo che siano trascorsi 10 minuti dall’inizio della prova per permettere agli studenti ritardatari di accedere in aula. Lo studente che rimane in aula dopo il decimo minuto è tenuto a consegnare il compito.
Gli studenti ritardatari che arrivassero dopo 10 minuti dall’inizio della prova non possono sostenere l’esame.
Prova di esame
La prova di esame è orale e verte sulla discussione della tesina assegnata e verte sul programma del corso.
E’ possibile rifiutare il voto una sola volta. Si considera aver partecipato all’esame al momento della risposta all’appello.
Lo studente che non intende accettare il voto, se consentito, deve darne comunicazione nella modalità e nei tempi indicati dal docente in sede di pubblicazione dei risultati.
Valutazione della prova di esame
La prova di esame sarà valutata secondo i seguenti criteri:
Non idoneo: Importanti e gravi lacune e/o inaccuratezze nella conoscenza e comprensione degli argomenti; limitate capacità di analisi, frequenti generalizzazioni e limitate capacità critiche e di giudizio. Gli argomenti sono esposti in modo scarso e non coerente, con linguaggio inappropriato. Derivazione analitica mancante o solo abbozzata.
18-20: Conoscenza e comprensione degli argomenti appena sufficiente con possibili generalizzazioni e imperfezioni; capacità di analisi e autonomia di giudizio appena sufficienti, gli argomenti sono esposti frequentemente con un linguaggio poco appropriato e spesso poco coerente. Scarso approfondimento delle tematiche. Derivazione analitica mancante o solo abbozzata.
21-23: Conoscenza e comprensione degli argomenti routinaria; capacità di analisi corretta con argomentazione logica sufficientemente coerente e linguaggio per lo più appropriato. L’approfondimento dei temi è per lo più scarso. Derivazione analitica mancante o solo abbozzata.
24-26: Discreta conoscenza e comprensione degli argomenti; buone capacità di analisi e sintesi con argomentazioni espresse in modo rigoroso ma con un linguaggio non sempre appropriato. Discreto approfondimento dei temi. Derivazione analitica parzialmente incompleta.
27-29: Conoscenza e comprensione degli argomenti completa; notevoli capacità di analisi e sintesi. Buona autonomia di giudizio. Argomenti esposti in modo rigoroso e con linguaggio appropriato. Approfondimento dei temi buono e buona capacità di collegamento tra i temi. Mancanza di commenti nella derivazione analitica.
30-30L: Ottimo livello di conoscenza e comprensione approfondita degli argomenti. Ottime capacità di analisi, di sintesi e di autonomia di giudizio. Argomentazioni espresse in modo originale e con linguaggio tecnico appropriato. Ottima capacità di approfondimento ed eccellenti collegamento tra i temi. Derivazione analitica ben sviluppata con commenti puntuali