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.
Prerequisites
Knowledge of general mathematics, descriptive statistics, probability theory, and basic elements of inferential statistics. A basic familiarity with the statistical software MatLab is required.
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.
Program
Introduction to machine learning. Supervised learning. Regularization methods (Ridge, Lasso, Elastic net). Neural networks (architectures, backpropagation, gradient methods). Application to the evaluation of financial derivatives. Classification (logistic regression, Naive Bayes, KNN, Neural Networks), confusion matrix, ROC curve. Unsupervised learning. Clustering (K-Means). Mixture models.
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)
Books
Course slides
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.
Bibliography
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.
Teaching methods
The teaching activity, consistent with the educational objectives of the course, adopts an approach that integrates, in the same lecture, theory and practice, with guided exercises using MatLab software, and moments of collective discussion of results and problems related to empirical analysis.
In each lesson, the explanation of theoretical foundations is interspersed with practical examples using MatLab software, with the aim of strengthening students' ability to apply analytical tools to the solution of real problems. During lectures, students are actively encouraged to ask questions, express doubts, and develop critical observations, motivating their arguments with the conceptual and technical tools learned. This interactive approach enables the development of cross-cutting skills such as critical reasoning, quantitative problem solving, structured interpretation of empirical evidence, and decision support.
Given the highly applied and interactive nature of the course, attendance is strongly recommended.
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.
Exam Rules
The exam is the same for attending and nonattending students and assesses the student's overall preparation, mastery of the topics covered during the course, both from a theoretical and practical point of view.
The final exam consists of a 90-minute written test, consisting of two exercises: the first exercise will have a more theoretical focus, requiring, for example, the discussion of results and/or theorems covered during the course. The second will be a practical test and will require writing MatLab code and interpreting the related outputs.
To pass the exam, the student must obtain a minimum score of 18 in both exercises of the test. The final grade will be calculated as the arithmetic mean of the score obtained in the two exercises.
Students must register for the exam through the portal: https://delphi.uniroma2.it. Those who fail or decide to withdraw from the test may retake it in the same exam session.
Grading Criteria (out of 30 points)
Fail: Severe gaps and/or inaccuracies in the understanding of basic econometric concepts (e.g., model specification, estimation assumptions); poor grasp of estimation and inference methods; limited ability to interpret empirical results; vague and unstructured reasoning.
18 - 20: Barely sufficient knowledge of the main topics covered; weak understanding of methodological assumptions; basic analytical and synthesis skills, though with uncertainty; sufficient level of independent judgment.
21 - 23: Operational understanding of the estimation methods presented; ability to apply and discuss simple econometric models; correct analysis and logically coherent reasoning, although not particularly in-depth.
24 - 26: Good command of both theoretical and applied content; ability to deliver statistically correct and coherent interpretations; arguments presented with methodological rigor.
27 - 29: Full and confident knowledge of the econometric tools covered in the course, including advanced topics; excellent critical analysis, synthesis skills, and independence in evaluating empirical results.
30 - 30 with honors: Outstanding mastery of econometric methods, including in complex contexts; strong analytical and reasoning skills; original approach to problem-solving; high degree of independent judgment and ability to connect theory, technique, and empirical application.
Modalità di frequenza
Lezioni frontali in laboratorio, con un approccio didattico fortemente interattivo. È vivamente consigliata una partecipazione costante e attiva, in quanto il coinvolgimento diretto degli studenti rappresenta un elemento centrale del metodo di insegnamento.
Attendance Rules
Lectures in the laboratory, with a highly interactive teaching approach. Constant and active participation is strongly recommended, as direct student involvement is a central element of the teaching method.
GIOVANNI TROVATO
EN
IT
Aggiornato A.A. 2024-2025
Econometria Applicata
Prerequisiti
Conoscenza delle nozioni di Matematica generale, statistica descrittiva, calcolo delle probabilità ed elementi di statistica inferenziale.
Programma
Il modello di regressione lineare OLS
I modelli per variabili binarie e di conteggio
I Modelli Lineari Generalizzati
Materiale didattico
Testi Consigliati
J. J. Faraway Extending the Linear Model with R, Generalized Linear, Mixed Effects end NOnparametric Regression Models, Chapman & Hall 2006
Cap. 1, 2, 3, 6,9
Dispense Fornite in Aula
Bibliografia
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
Data Science
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.
Materiale didattico
1. Slides del corso
2. J. Hull, Machine Learning in Business - Capitoli: 1, 2 (no paragrafo “Alternative clustering algorithms”), 3, 4 (solo Sect. 4.4), 6 (no 6.7, 6.8), 8 (opzionale !).
3. James, Witten, Hastie, Tibshirani, Taylor, Introduction to Statistical Learning Capitoli: 1, 2.1, 2.2, 4.1,4.2,4.3, 4.4.4, 6.2, 10.1, 10.2, 12.1, 12.4 (12.4.1).
Aggiornato A.A. 2024-2025
Econometria Applicata
Prerequisites
Knowledge of general mathematics, descriptive statistics, calculus of probability and elements of inferential statistics.
Programme
The OLS linear regression model
Models for binary and counting variables
Generalised Linear Models
Teaching Material
Recommended Texts
J. J. Faraway Extending the Linear Model with R, Generalized Linear, Mixed Effects end NOnparametric Regression Models, Chapman & Hall 2006
Cap. 1, 2, 3, 6,9
Classroom notes
Bibliography
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
Data Science
Introduction to machine learning. Supervised learning. Regularisation methods (Ridge, Lasso, Elastic net). Neural networks (architectures, backpropagation, gradient methods). Application to the evaluation of financial derivatives. Classification (logistic regression, Naive Bayes, KNN, Neural Networks), confusion matrix, ROC curve. Unsupervised learning. Clustering (K-Means). Mixture models.
Teaching material
1. Slides
2. J. Hull, Machine Learning in Business - Chapters: 1, 2 (no paragrafo “Alternative clustering algorithms”), 3, 4 (solo Sect. 4.4), 6 (no 6.7, 6.8), 8 (opzionale !).
3. James, Witten, Hastie, Tibshirani, Taylor, Introduction to Statistical Learning - Chapters: 1, 2.1, 2.2, 4.1,4.2,4.3, 4.4.4, 6.2, 10.1, 10.2, 12.1, 12.4 (12.4.1).
EN
IT
GIOVANNI TROVATO
Prerequisiti
conoscenza delle nozioni di Matematica generale, statistica descrittiva, calcolo delle probabilità ed elementi di statistica inferenziale.
Prerequisites
knowledge of general mathematics, descriptive statistics, probability calculus and elements of inferential statistics
Programma
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)
Program
OLS Regression
Count and binomial models
Generalized Linear Model
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)
Testi Adottati
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.
Books
J. Faraway Extending the Linear Model with R, Generalized Linear, Mixed Effects end NOnparametric Regression Models, Chapman & Hall 2006
Cap. 1, 2, 3, 6,9
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.
Bibliografia
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.
Bibliography
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.
Modalità di svolgimento
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. )
Teaching methods
2/3 weekly hours traditional lecture + 1/3 practical implementation.
Students are requested to have a pc (single or per couple) with R.
Regolamento Esame
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
Exam Rules
Presentation Thesis with econometric application on a topic agreed with the teacher
Practical test on Machine Learning and Data science Methods with material provided by the teacher
Oral questioning on the issues addressed
1. Rules for taking the exam
A fundamental requirement for the exam is to book on the Delphi system within the scheduled time interval. Failure to book does not allow you to take the exam. In case of problems to book during the period in which you can book, notify the professor immediately.
Arrive in the exam room at least 15 minutes before the exam starts and wait outside the room until your name is pronounced at the time of the roll-call.
The student must have a valid identity document with him. If the student cannot be identified with certainty, she must leave the classroom.
It is not possible to leave the classroom during the practical test.
The student can withdraw after 10 minutes from the start of the test to allow late students to access the classroom. The student who remains in the classroom after the tenth minute is required to hand in the assignment.
Latecomers who arrive 10 minutes after the start of the test cannot take the exam.
Examination test
The exam is oral and focuses on the discussion of the assigned thesis and focuses on the course program.
It is possible to refuse the vote only once. It is considered to have taken the exam at the time of answering the roll call.
The student who does not intend to accept the grade, if permitted, must communicate it in the manner and within the times indicated by the teacher when publishing the results.
Evaluation of the exam test
The exam will be assessed according to the following criteria:
Not suitable: Important and serious gaps and / or inaccuracies in the knowledge and understanding of the topics; limited analytical skills, frequent generalizations and limited critical and judgmental skills. The topics are sparsely and inconsistently presented, with inappropriate language. Analytical derivation missing or only sketchy.
18-20: Knowledge and understanding of the arguments just sufficient with possible generalizations and imperfections; just sufficient analytical skills and autonomy of judgment; the arguments are frequently presented with inappropriate and often inconsistent language. Poor in-depth study of the issues. Analytical derivation missing or only sketchy.
21-23: Routine knowledge and understanding of topics; ability to correct analysis with sufficiently coherent logical argument and mostly appropriate language. The in-depth study of the issues is mostly scarce. Analytical derivation missing or only sketchy.
24-26: Fair knowledge and understanding of the topics; good skills of analysis and synthesis with arguments expressed in a rigorous way but with a language that is not always appropriate. Discreet deepening of the themes. Partially incomplete analytical derivation.
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 language. In-depth study of the themes, good and good ability to connect between the themes. Lack of comments in the analytic derivation.
30-30L: Excellent level of knowledge and in-depth understanding of the topics. Excellent skills in analysis, synthesis, and autonomy of judgment. Arguments are expressed in an original way and with appropriate technical language. Excellent in-depth skills and excellent connection between the themes. Well-developed analytical derivation with precise comments.
Modalità di frequenza
La frequenza in aula è facoltativa ma consigliata: essa permette di accedere a prove di verifica dell’apprendimento mirate sullo svolgimento del corso
Attendance Rules
Class attendance is recommend, as well as the subscription to the mailing list at the course website.
ALESSANDRO RAMPONI
Programma
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)
Testi Adottati
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
Books
J. Faraway Extending the Linear Model with R, Generalized Linear, Mixed Effects end NOnparametric Regression Models, Chapman & Hall 2006
Cap. 1, 2, 3, 6,9
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.
Modalità di svolgimento
2/3 del monte ore settimanale è dedicato alla didattica frontale, mentre il restante 1/3 ad attività di laboratorio in aula
Teaching methods
Gli studenti dovranno portare il proprio pc con R funzionante. (E’ possibile anche lavorare in coppia su un singolo pc. )
Regolamento Esame
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
Modalità di frequenza
La frequenza in aula è facoltativa ma consigliata: essa permette di accedere a prove di verifica dell’apprendimento mirate sullo svolgimento del corso
Attendance Rules
Class attendance is recommend, as well as the subscription to the mailing list at the course website.
Prof.ssa Lucia Leonelli
