Login
Autenticazione studente

Accedi per la prima volta a questo portale?
Utilizza il seguente link per attivare il tuo utente e creare la tua password personale.
»  Crea / Recupera Password

Syllabus

EN IT

ALESSANDRO RAMPONI

Prerequisiti

Conoscenza delle nozioni di matematica generale, statistica descrittiva, calcolo delle probabilità ed elementi di statistica inferenziale. È richiesta una conoscenza di base del software statistico MatLab.

Programma

Introduzione al Machine learning. Supervised learning. Metodi di regolarizzazione (Ridge, Lasso, Elastic net). Neural networks (architetture, backpropagation, metodi del gradiente). Applicazione alla valutazione di derivati finanziari. Classificazione (regressione logistica, Naive Bayes, KNN, Neural Networks), matrice di confusione, curva ROC. Unsupervised learning. Clustering (K-Means). Modelli mistura.

Testi Adottati

Dispense Fornite in Aula

J. Hull, Machine Learning in Business, III Edition

Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani - An Introduction to Statistical Learning (second edition), Springer Texts in Statistics, (August 2021)

Bibliografia

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

Modalità di svolgimento

L'attività didattica, in coerenza con gli obiettivi formativi del corso, adotta un approccio che integra, nella stessa lezione, teoria e pratica, con esercitazioni guidate con l’uso del software MatLab, e momenti di discussione collettiva di risultati e problematiche legate all’analisi empirica.
In ciascuna lezione la spiegazione dei fondamenti teorici e intervallata da esempi pratici usando il software MatLab, con l'obiettivo di rafforzare la capacità degli studenti di applicare strumenti analitici alla soluzione di problemi reali. Durante le lezioni, gli studenti sono attivamente incoraggiati a porre domande, esprimere dubbi, sviluppare osservazioni critiche, motivando le proprie argomentazioni con gli strumenti concettuali e tecnici appresi. Questo approccio interattivo consente di sviluppare competenze trasversali, quali la capacità di ragionamento critico, il problem solving quantitativo, l’interpretazione strutturata di evidenza empirica, e il supporto alle decisioni.
Considerata la natura fortemente applicata e interattiva del corso, la frequenza è vivamente raccomandata.

Regolamento Esame

La prova di esame è la stessa per frequentanti e non frequentanti e valuta la preparazione complessiva dello studente, la padronanza degli argomenti trattati durante il corso, sia dal punto di vista teorico che pratico.

L'esame finale consiste in una prova scritta della durata di 90 minuti, articolata in due esercizi: il primo esercizio avrà un’impostazione più teorica, richiedendo ad esempio la discussione di risultati e/o teoremi trattati durante il corso. Il secondo sarà una prova pratica e richiederà la scrittura di codice MatLab e l’interpretazione dei relativi output.

Per superare l'esame, lo studente dovrà ottenere un punteggio minimo di 18 in entrambi gli esercizi della prova. Il voto finale sarà calcolato come media aritmetica del punteggio ottenuto nei due esercizi.

Gli studenti devono prenotarsi all’esame attraverso il portale: https://delphi.uniroma2.it. Chi non supera o decide di ritirarsi dalla prova potrà ripeterla nella stessa sessione d’esami.


Criteri per la formulazione del giudizio espresso in trentesimi

Non idoneo: gravi lacune e/o imprecisioni nella conoscenza dei concetti econometrici di base (es. specificazione del modello, ipotesi per la stima); scarsa comprensione dei metodi di stima e inferenza; limitate capacità di interpretare i risultati empirici; argomentazioni generiche e prive di rigore.

18 - 20: conoscenza appena sufficiente dei principali argomenti trattati; comprensione debole dei presupposti metodologici; capacità di analisi e sintesi basilari, ma con incertezze; autonomia di giudizio sufficiente.

21 - 23: conoscenza operativa dei metodi di stima trattati; capacità di applicare e discutere modelli econometrici semplici; analisi corretta e argomentazioni logicamente coerenti, anche se non particolarmente approfondite.

24 - 26: buona padronanza dei contenuti teorici e applicativi; capacità di effettuare interpretazioni statisticamente corrette e coerenti; argomentazioni espresse con rigore metodologico.

27 - 29: conoscenza completa e sicura degli strumenti econometrici trattati nel corso, inclusi casi avanzati; ottima capacità di analisi critica, sintesi e autonomia nella valutazione dei risultati empirici.

30 - 30L: eccellente padronanza dei metodi econometrici, anche in contesti complessi; spiccate capacità analitiche e argomentative; originalità nell’approccio ai problemi; elevata autonomia di giudizio e capacità di collegare teoria, tecnica e applicazione empirica.

GIOVANNI TROVATO