EN
IT
Obiettivi Formativi
OBIETTIVI FORMATIVI:
Il corso di Business Analytics fornisce allo studente un'introduzione alla modellizzazione delle variabili economiche e gestionali utilizzando metodi di regressione e tecniche multivariate, sia parametriche che non parametriche; l'accento è posto sulle applicazioni commerciali, di marketing e industriali (ad es. controllo della qualità, analisi delle vendite, customer satisfaction, analisi di mercato). Il programma riguarda i modelli di supervised statistical learning correntemente utilizzati per l'analisi della dipendenza (regressione lineare, ANOVA, modello autoregressivo, modelli logit e probit) e le tecniche di unsupervised statistical learning utilizzate per l’esplorazione e la riduzione dei dati (analisi in componenti principali e analisi dei gruppi).
CONOSCENZA E CAPACITÀ DI COMPRENSIONE:
Conoscenza e comprensione di tecniche statistiche parametriche e non parametriche applicate a problemi di marketing, previsione delle vendite e problemi finanziari. Alla fine del corso gli studenti dovrebbero essere in grado di comprendere: (i) come applicare modelli statistici in un approccio supervisionato e non supervisionato; (ii) conoscere le assunzioni e saper formulare ipotesi in merito ad un modello insieme alla conoscenza/comprensione degli strumenti necessari per verificare queste ipotesi; (iii) comprendere le tecniche di selezione del modello e le misure della capacità di previsione del modello. In particolare, gli studenti sapranno dominare:
• Il modello di regressione lineare multiplo
• Il modello Logit e Probit
• L’'analisi della varianza (ANOVA)
• Il modello autoregressivo AR (1)
• L’'analisi dei gruppi
• L’analisi delle componenti principali
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:
Attraverso esempi su insiemi di dati reali e l'’utilizzo di software statistici come STATA e SAS, verranno mostrate diverse applicazioni dei concetti illustrati a lezione. Agli studenti verrà richiesto di esercitarsi, sia in classe sia a casa, applicando le metodologie statistiche a insiemi di dati e fornendo un commento e una interpretazione dei risultati ottenuti.
AUTONOMIA DI GIUDIZIO:
Gli studenti saranno in grado di scegliere le tecniche statistiche più appropriate e di selezionare il giusto set di variabili esplicative. Sulla base dei risultati ottenuti, saranno in grado di fornire un'interpretazione sulla relazione tra le variabili oggetto di studio. Gli studenti aumenteranno la capacità di analizzare in modo critico e oggettivo situazioni concrete, fenomeni reali e casi di studio.
ABILITÀ COMUNICATIVE:
Gli studenti saranno in grado di preparare report statistici utilizzando grafici, tabelle, figure e più in generale output di software statistico e di corredarli con commenti appropriati.
CAPACITÀ DI APPRENDIMENTO:
Gli studenti potranno accedere alla lettura e alla comprensione di articoli scientifici che utilizzano i metodi multivariati considerati nel programma del corso. Saranno in grado di individuare i metodi più appropriati per rispondere a delle specifiche domande di ricerca.
Learning Objectives
LEARNING OUTCOMES:
The course in Business Statistics provides an introduction to the modelling of economic and management variables using regression and multivariate methods, both in a parametric than a nonparametric framework; the emphasis is on business, marketing and industrial applications. The program will cover models for the analysis of dependence (linear regression, ANOVA, autoregressive model, logit and probit models) and exploratory techniques for data reduction (principal component analysis and clustering analysis).
KNOWLEDGE AND UNDERSTANDING:
Knowledge and understanding of parametric and nonparametric statistical techniques applied to marketing, sales and financial problems. At the end of the course students should be able to understand: (i) how to apply statistical models in a supervised and unsupervised approach; (ii) perfectly know the model’s assumptions and understanding of the tools needed to verify these hypotheses; (iii) understand the model selection techniques and measures of the model prediction capability. In particular, students will manage:
• Multiple Linear regression model
• Logit and Probit model
• Analysis of Variance (ANOVA)
• Autoregressive model AR(1)
• Cluster Analysis
• Principal Component Analysis
APPLYING KNOWLEDGE AND UNDERSTANDING:
Practical evidence of the concepts will be given with examples using statistical software such as STATA and SAS applied on real datasets. The students will have to practice both in class that with homeworks on the use of specific software so to be able to comment and understand the output.
MAKING JUDGEMENTS:
Students will be able to choose the more appropriate statistical techniques and to select the right set of explanatory variables. On the basis of results obtained, they will be able to give an interpretation about the relationship between the variables under study.
COMMUNICATION SKILLS:
Students will be able to prepare statistical reports using graphs, tables, figures and commenting them.
LEARNING SKILLS:
Students will have access to reading and understanding scientific articles using the multivariate methods considered in the course program. They will be able to identify the most appropriate methods to answer specific research questions.
Prerequisiti
Per comprendere i contenuti delle lezioni e raggiungere gli obiettivi formativi è importante che prima dell’'inizio dell’'attività formativa lo studente abbia conoscenze di base di statistica, teoria della probabilita' e di analisi delle serie temporali.
Prerequisites
In order to understand the contents of the lessons and achieve the educational objectives, it is important for the student to have a basic knowledge of statistics, probability theory and time series analysis.
Programma
1. Richiami di statistica di base, linearita’ e non linearita’
2. Analisi dei dati dipendenti (modelli AR, MA, ARIMA,ARIMAX,SARIMAX)
3. Introduzione al machine learning
4. regression lineare
5. classificazione
6. metodi di ricampionamento
7. selezione del modello e regolarizzazione
8. modelli non lineari: Splines, Local regression, and GAMs
9. Modelli ad alberi: Bagging, Boosting and Random Forests
10 Support vector machines
11. Apprendimento non supervisionato
12. Reti neurali artificiali
Program
1. Basic statistics, linearity, and non-linearity
2. Analysis of time dependent data (AR,MA,ARIMA,ARIMAX,SARIMAX models)
3. Introduction to machine learning
4. Linear Regression
5. Classification
6. Resampling methods
7. Model selection and regularization
8. Non-linear models: Splines, Local regression, and GAMs
9. Tree based models: Bagging, Boosting and Random Forests
10. Support vector machines
11. Unsupervised learning
12. Artificial neural networks
Testi Adottati
- Gareth James - Daniela Witten - Trevor Hastie - Robert Tibshirani
An Introduction to Statistical Learning with Applications in R (2021)
Scaricabile gratuitamente al sito
https://hastie.su.domains/ISLR2/ISLRv2_website.pdf
- Brett Lantz (2013) Machine Learning with R
Scaricabile gratuitamente al sito https://www.packtpub.com/product/machine-learning-with-r/9781782162148
- Qualsiasi testo introduttivo su serie storiche
Books
- Gareth James - Daniela Witten - Trevor Hastie - Robert Tibshirani
An Introduction to Statistical Learning with Applications in R (2021)
Freely available at
https://hastie.su.domains/ISLR2/ISLRv2_website.pdf
- Brett Lantz (2013) Machine Learning with R
Freely available at https://www.packtpub.com/product/machine-learning-with-r/9781782162148
- Any introductory textbooks on time series
Modalità di svolgimento
Modalità di lezione a distanza e interattiva (agli studenti sarà richiesto di partecipare attivamente alle discussioni di classe e al lavoro di gruppo).
Teaching methods
Remote lecture mode and interactive (the students will be required participate actively in the class discussions and group work).
Regolamento Esame
La prova di esame è la stessa per frequentanti e non frequentanti e valuta la preparazione complessiva dello studente, la capacità di integrazione delle conoscenze delle diverse parti del programma, la consequenzialità del ragionamento, la capacità analitica e la autonomia di giudizio.
Inoltre, vengono valutate la proprietà di linguaggio e la chiarezza espositiva, in aderenza con i descrittori di Dublino (1. Conoscenza e capacità di comprensione (knowledge and understanding); 2. Capacità di applicare la conoscenza e comprensione (applying knowledge and understanding); 3. Autonomia di giudizio (making judgements); 4. Capacità di apprendimento (learning skills); 5: Abilità di comunicazione (communication skills).
Per la verifica dell'apprendimento è previsto il sostenimento di una prova orale (55% del voto totale) ed una prova pratica (45% del voto totale) da effettuarsi contestualmente alla prova orale.
Se lo scritto si supera con almeno 18/30, si può rifiutare il voto e tornare all'appello successivo. Il voto ottenuto all'appello successivo annulla il voto precedente;
La prova di esame sarà valutata secondo i seguenti criteri:
Non idoneo: importanti carenze e/o inaccuratezze nella conoscenza e comprensione degli argomenti; limitate capacità di analisi e sintesi, frequenti generalizzazioni e limitate capacità critiche e di giudizio, gli argomenti sono esposti in modo non coerente e con linguaggio inappropriato;
18-20: conoscenza e comprensione degli argomenti appena sufficiente con possibili generalizzazioni e imperfezioni; capacità di analisi sintesi e autonomia di giudizio sufficienti, gli argomenti sono esposti in modo frequentemente poco coerente e con un linguaggio poco appropriato/tecnico;
21-23: Conoscenza e comprensione degli argomenti routinaria; Capacità di analisi e sintesi corrette con argomentazione logica sufficientemente coerente e linguaggio appropriato/tecnico
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/tecnico.
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/tecnico
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.
Exam Rules
The exam is the same for attending and non-attending students and evaluates the overall preparation of the student, the ability to integrate the knowledge of the different parts of the program, the consequentiality of the reasoning, the analytical ability and the autonomy of judgment.
Furthermore, language properties and clarity of presentation are evaluated, in compliance with the Dublin descriptors (1. Knowledge and understanding) 2. Ability to apply knowledge and understanding; 3. Making judgments; 4. Learning skills; 5: Communication skills.
The exam includes an oral exam and a written test, submitted during the oral exam;
The overall grade is as follows: oral exam (55% of the total marks), written test (45% of the total marks).
If the written exam is passed with at least 18/30, you can refuse the mark and come back to the next exam date. The mark obtained at the next exam date cancels the previous mark
The exam will be assessed according to the following criteria:
Not suitable: important deficiencies and / or inaccuracies in the knowledge and understanding of the topics; limited capacity for analysis and synthesis, frequent generalizations and limited critical and judgment skills, the arguments are presented in an inconsistent way and with inappropriate language;
18-20: just sufficient knowledge and understanding of the topics with possible generalizations and imperfections; sufficient capacity for analysis, synthesis and autonomy of judgment, the topics are frequently exposed in an inconsistent way and with inappropriate / technical language;
21-23: Routine knowledge and understanding of topics; Ability to correct analysis and synthesis with sufficiently coherent logical argument and appropriate / technical language
24-26: Fair knowledge and understanding of the topics; good analysis and synthesis skills with rigorously expressed arguments but with a language that is not always appropriate / technical.
27-29: Complete knowledge and understanding of the topics; remarkable abilities of analysis and synthesis. Good autonomy of judgment. Topics exposed rigorously and with appropriate / technical language
30-30L: Excellent level of knowledge and in-depth understanding of the topics. Excellent skills of analysis, synthesis and autonomy of judgment. Arguments expressed in an original way and with appropriate technical language.
EN
IT
Obiettivi Formativi
OBIETTIVI FORMATIVI:
Lo scopo del corso in "Business Analytics", in linea con lo scopo del corso di laurea magistrale in Economia e Management, è quello di preparare gli studenti ad affrontare e gestire la complessità dei dati sempre piu' frequentemente presenti sia in grandi che in medie e piccole imprese.
al fine di estrarre l'informazione rilevante tramite algoritmi di Machine Learning. A tal fine, il corso intende raggiungere i seguenti obiettivi:
- Acquisire conoscenza e capacità di comprensione delle principali tecniche statistiche alla base degli algoritmi di machine learning oggetto del corso.
- Acquisire conoscenza della logica sottostante l'intelligenza artificiale
- Acquisire conoscenza teorica e pratica di alcuni algoritmi di machine learning
- Comprendere il link esistente fra tecniche statistiche "tradizionali" e gli algoritmi di Machine Learning
- Acquisire conoscenza operativa degli algoritmi tramite la loro implementazione tramite il software statistico R
RISULTATI DI APPRENDIMENTO ATTESI:
CONOSCENZA E CAPACITA' DI COMPRENSIONE degli algoritmi illustrati a lezione sotto il profilo teorico ma soprattuto sotto quello operativo, attraverso l'analisi di casi di studio
AUTONOMIA DI GIUDIZIO:
Sviluppare autonome riflessioni sull'opportunita' di usare differenti tecniche ed algoritmi
ABILITA' COMUNICATIVE:
- esprimersi, in forma scritta e orale, utilizzando un linguaggio tecnico appropriato agli interlocutori e al contesto di riferimento;
- capacità di analisi dei problemi, anche complessi;
- capacità relazionali;
- capacità di lavorare in gruppo, gestire lo stress e le situazioni conflittuali.
CAPACITÀ DI APPRENDERE:
- sviluppare analisi sui temi del Machine Learning;
- tenersi aggiornati sull'evoluzione e il miglioramento degli algoritmi oggetto di studio;
- costruire e sviluppare un metodo di studio e di ricerca idoneo a consentire l'approfondimento delle conoscenze maturate.
Learning Objectives
TRAINING OBJECTIVES:
The aim of the "Business Analytics" course, in line with the aim of the Master of Science in Economics and Management, is to prepare students to face and manage the complexity of
the data more and more often available in big as well as medium and small-size companies
To this end, the course aims to achieve the following objectives:
- Acquire knowledge and understanding of the main statistical techniques linked to the machine learning algorithms illustrated.
- Acquire knowledge of the logic underpinning Artificial Intelligence
- Acquire both theoretical and practical knowledge of some Machine Learning algorithms
- Deep understanding of the link between "traditional" statistical techniques and Machine Learning algorithms
- Acquire practical knowledge of the illustrated algorithms through their implementation using the statistical software R
EXPECTED LEARNING OUTCOMES:
KNOWLEDGE AND UNDERSTANDING:
- Know what are the characters that allow to delimit the economic boundaries of the business group;
- Understand what are the boundaries of the business group, especially when the links between the holding company and the subsidiaries are not characterized by the presence of shareholdings;
- Know the tools for assessing the balance conditions (economic-financial, social and environmental) of the group through the analysis of the financial statements / consolidated and sustainability;
- Know and understand the conditions of equilibrium (economic-financial, social and environmental) of the group and its subsidiaries;
- Know and understand what are the reasons and methods of establishment of business groups;
- Understand the relationships between the conditions of equilibrium and economy of the subsidiaries and those of the wider group to which they belong;
- Know the legislation on business groups, with particular reference to the legal liability deriving from the management and coordination of the parent company (pursuant to art. 2497 of the Italian Civil Code);
- Understand how the legislation impacts on the economic choices of the business group.
APPLY KNOWLEDGE AND UNDERSTANDING
Through the knowledge and understanding acquired the student must be able to develop skills / abilities for:
- find and independently access information on business groups, using corporate websites and those of other organizations (e.g. Borsa Italiana, Consob);
- define the most appropriate corporate structure for a group (e.g. legally separate the group's businesses, or keep them within a single legal structure?) considering the activity carried out by it and the geographical expansion (national, international, multi-domestic);
- evaluate the opportunity to focus on reading the financial statements of the individual units that make up the group or on the consolidated financial statements of the group;
- evaluate the conditions of survival and development (quantitative and qualitative) of the groups;
- identify the variables on which to act for the improvement of the equilibrium conditions (economic-financial, social and environmental) of the group considered as a whole, of the holding company and its subsidiaries;
- apply the ADE matrix (decision-making/economic autonomy) to relate the decision-making autonomy of the subsidiaries with their conditions of economic equilibrium.
MAKING JUDGEMENTS:
Develop autonomous reflections on various issues relating to corporate groups. Have the ability to integrate knowledge and manage complexity, as well as to make judgments based on limited or incomplete information, including reflection on the social and ethical responsibilities of corporate groups related to the application of their knowledge and their judgments. The course approach seeks to link economic aspects to social and environmental ones to foster a constructive attitude towards problems through the acquisition of skills and a problem-solving mentality. The student must therefore be able to choose the approaches and tools necessary for understanding the economy and sustainability of groups and develop the ability to collect and interpret data, as well as to use information sources.
COMMUNICATION SKILLS:
- express themselves, in written and oral form, using a technical language appropriate to the interlocutors and the reference context;
- ability to analyze problems, even complex ones;
- relational skills;
- ability to work in groups, manage stress and conflict situations.
LEARNING SKILLS:
- develop analyses on the issues of business groups;
- keep up to date on the evolution of the groups' legislation and on sustainability issues;
- deepen the issues related to the sustainability of the groups;
- build and develop a method of study and research suitable to allow the deepening of the knowledge gained.
Prerequisiti
Per comprendere i contenuti delle lezioni e raggiungere gli obiettivi formativi è importante che prima dell’'inizio dell’'attività formativa lo studente abbia conoscenze di base di statistica, teoria della probabilita' e di analisi delle serie temporali.
Prerequisites
In order to understand the contents of the lessons and achieve the educational objectives, it is important for the student to have a basic knowledge of statistics, probability theory and time series analysis.
Programma
1. Richiami di statistica di base, linearita’ e non linearita’
2. Analisi dei dati dipendenti (modelli AR, MA, ARIMA,ARIMAX,SARIMAX)
3. Introduzione al machine learning
4. regression lineare
5. classificazione
6. metodi di ricampionamento
7. selezione del modello e regolarizzazione
8. modelli non lineari: Splines, Local regression, and GAMs
9. Modelli ad alberi: Bagging, Boosting and Random Forests
10 Support vector machines
11. Apprendimento non supervisionato
12. Reti neurali artificiali
Program
1. Basic statistics, linearity, and non-linearity
2. Analysis of time dependent data (AR,MA,ARIMA,ARIMAX,SARIMAX models)
3. Introduction to machine learning
4. Linear Regression
5. Classification
6. Resampling methods
7. Model selection and regularization
8. Non-linear models: Splines, Local regression, and GAMs
9. Tree based models: Bagging, Boosting and Random Forests
10. Support vector machines
11. Unsupervised learning
12. Artificial neural networks
Testi Adottati
- Gareth James - Daniela Witten - Trevor Hastie - Robert Tibshirani
An Introduction to Statistical Learning with Applications in R (2021)
Scaricabile gratuitamente al sito
https://hastie.su.domains/ISLR2/ISLRv2_website.pdf
- Brett Lantz (2013) Machine Learning with R
Scaricabile gratuitamente al sito https://www.packtpub.com/product/machine-learning-with-r/9781782162148
- Qualsiasi testo introduttivo su serie storiche
Books
- Gareth James - Daniela Witten - Trevor Hastie - Robert Tibshirani
An Introduction to Statistical Learning with Applications in R (2021)
Freely available at
https://hastie.su.domains/ISLR2/ISLRv2_website.pdf
- Brett Lantz (2013) Machine Learning with R
Freely available at https://www.packtpub.com/product/machine-learning-with-r/9781782162148
- Any introductory textbooks on time series
Modalità di svolgimento
Modalità di lezione a distanza e interattiva (agli studenti sarà richiesto di partecipare attivamente alle discussioni di classe e al lavoro di gruppo).
Teaching methods
Remote lecture mode and interactive (the students will be required participate actively in the class discussions and group work).
Regolamento Esame
La prova di esame è la stessa per frequentanti e non frequentanti e valuta la preparazione complessiva dello studente, la capacità di integrazione delle conoscenze delle diverse parti del programma, la consequenzialità del ragionamento, la capacità analitica e la autonomia di giudizio.
Inoltre, vengono valutate la proprietà di linguaggio e la chiarezza espositiva, in aderenza con i descrittori di Dublino (1. Conoscenza e capacità di comprensione (knowledge and understanding); 2. Capacità di applicare la conoscenza e comprensione (applying knowledge and understanding); 3. Autonomia di giudizio (making judgements); 4. Capacità di apprendimento (learning skills); 5: Abilità di comunicazione (communication skills).
Per la verifica dell'apprendimento è previsto il sostenimento di una prova orale (55% del voto totale) ed una prova pratica (45% del voto totale) da effettuarsi contestualmente alla prova orale.
Se lo scritto si supera con almeno 18/30, si può rifiutare il voto e tornare all'appello successivo. Il voto ottenuto all'appello successivo annulla il voto precedente;
La prova di esame sarà valutata secondo i seguenti criteri:
Non idoneo: importanti carenze e/o inaccuratezze nella conoscenza e comprensione degli argomenti; limitate capacità di analisi e sintesi, frequenti generalizzazioni e limitate capacità critiche e di giudizio, gli argomenti sono esposti in modo non coerente e con linguaggio inappropriato;
18-20: conoscenza e comprensione degli argomenti appena sufficiente con possibili generalizzazioni e imperfezioni; capacità di analisi sintesi e autonomia di giudizio sufficienti, gli argomenti sono esposti in modo frequentemente poco coerente e con un linguaggio poco appropriato/tecnico;
21-23: Conoscenza e comprensione degli argomenti routinaria; Capacità di analisi e sintesi corrette con argomentazione logica sufficientemente coerente e linguaggio appropriato/tecnico
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/tecnico.
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/tecnico
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.
Exam Rules
The exam is the same for attending and non-attending students and evaluates the overall preparation of the student, the ability to integrate the knowledge of the different parts of the program, the consequentiality of the reasoning, the analytical ability and the autonomy of judgment.
Furthermore, language properties and clarity of presentation are evaluated, in compliance with the Dublin descriptors (1. Knowledge and understanding) 2. Ability to apply knowledge and understanding; 3. Making judgments; 4. Learning skills; 5: Communication skills.
The exam includes an oral exam and a written test, submitted during the oral exam;
The overall grade is as follows: oral exam (55% of the total marks), written test (45% of the total marks).
If the written exam is passed with at least 18/30, you can refuse the mark and come back to the next exam date. The mark obtained at the next exam date cancels the previous mark
The exam will be assessed according to the following criteria:
Not suitable: important deficiencies and / or inaccuracies in the knowledge and understanding of the topics; limited capacity for analysis and synthesis, frequent generalizations and limited critical and judgment skills, the arguments are presented in an inconsistent way and with inappropriate language;
18-20: just sufficient knowledge and understanding of the topics with possible generalizations and imperfections; sufficient capacity for analysis, synthesis and autonomy of judgment, the topics are frequently exposed in an inconsistent way and with inappropriate / technical language;
21-23: Routine knowledge and understanding of topics; Ability to correct analysis and synthesis with sufficiently coherent logical argument and appropriate / technical language
24-26: Fair knowledge and understanding of the topics; good analysis and synthesis skills with rigorously expressed arguments but with a language that is not always appropriate / technical.
27-29: Complete knowledge and understanding of the topics; remarkable abilities of analysis and synthesis. Good autonomy of judgment. Topics exposed rigorously and with appropriate / technical language
30-30L: Excellent level of knowledge and in-depth understanding of the topics. Excellent skills of analysis, synthesis and autonomy of judgment. Arguments expressed in an original way and with appropriate technical language.
Aggiornato A.A. 2021-2022
Aggiornato A.A. 2021-2022
LEARNING OUTCOMES: On completion of the course students will be expected to:
- Have a good understanding of the fundamental issues and challenges of machine learning: data, model selection, model complexity, etc.
- Have an understanding of some popular machine learning approaches.
- Be able to apply statistical concepts to machine learning algorithms
- Be able to design and implement basic machine learning algorithms using the software package R
KNOWLEDGE AND UNDERSTANDING: The student will understand the main issues related to machine learning. In particular, the problem of the extraction of the relevant information from high dimensional data set will be formalized and explored.
LEARNING SKILLS: Students are expected to learn how to build a theoretical framework and to implement practical solutions for some basic machine learning problems.
PRE-REQUIREMENTS: Machine Learning is a mathematical discipline, and students will benefit from a good background in probability, linear algebra and calculus. Basic programming experience is a plus.
TOPICS
Introduction to machine learning
Basic programming in R
The bias-variance dilemma
Data reduction and signal extraction: theory and methods
Supervised and unsupervised learning
Bootstrap techniques: theory and applications to machine learning
Artificial neural networks
Convolutional neural networks
Genetic algorithms
Support vector machines
TEXTBOOKS:
- Ethem ALPAYDIN, Introduction to Machine Learning, third edition The MIT Press
September 2014
- Karthik, R., and S. Abhishek. "Machine Learning Using R: With Time Series and Industry-Based Use Cases in R." (2019).
Prof.ssa Lucia Leonelli
