Syllabus del corso
Obiettivi formativi
Il Corso si propone di fornire nozioni relative ai principali strumenti computazionali in ambito statistico utili per eseguire modellazione statistica e analisi dei dati.
Contenuti sintetici
Il Corso tratta i modelli mistura e le principali tecniche di clustering e classificazione basate sulle misture.
Programma esteso
Modelli mistura. Model-based clustering. Model-based classification. Mixture of experts models. Tecniche di data visualization.
Prerequisiti
Si consiglia la conoscenza degli argomenti di "Analisi Statistica Multivariata" e "Statistica III"
Metodi didattici
Il corso è erogato in italiano e prevede lezioni frontali sia in aula sia in laboratorio informatico. Le lezioni in aula sono mirate all'approfondimento delle conoscenze teoriche dello studente sugli argomenti del Corso ed alla loro formalizzazione. Nelle lezioni svolte in laboratorio informatico si trattano gli aspetti di implementazione dei modelli su dati reali e simulati utilizzando il software R.
Nel periodo di emergenza Covid-19 le lezioni si
svolgeranno da remoto asincrono con eventi in videoconferenza sincrona.
Modalità di verifica dell'apprendimento
La modalità di verifica si basa su un elaborato finale ed una prova scritta eseguita in laboratorio.
Nel periodo di emergenza Covid-19 gli esami si svolgeranno da remoto con l'ausilio dell'e-proctoring.
Testi di riferimento
Fruhwirth-Schnatter (2006) Finite mixture and Markov switching models
- McLahan-Peel (2000) Finite_Mixture_Models
- Kabacoff (2018) Data Visualization with R
Ulteriore materiale è reso disponibile agli studenti sulla pagina e-learning dedicata al Corso.
Periodo di erogazione dell’insegnamento
ll Corso
viene erogato nel primo ciclo del secondo semestre dell'Anno Accademico.
Lingua di insegnamento
Italiano
Learning objectives
The aim of the course is to illustrate the main computational statistical tools which are fundamental for modeling and data analyzing data.
Contents
Mixture-based clustering and classification methods.
Detailed program
Mixture models. Model-based clustering. Model-based classification. Mixture of experts models. Data visualization.
Prerequisites
Knowledge of the notions given in the courses "Multivariate Statistics" and "Statistics III” is recommended.
Teaching methods
Class
lectures and lab sessions.
Assessment methods
Final homework and written exam.
Textbooks and Reading Materials
- Fruhwirth-Schnatter (2006) Finite mixture and Markov switching models
- McLahan-Peel (2000) Finite_Mixture_Models
- Kabacoff (2018) Data Visualization with R
Further material will be circulated via the e-learning page of the course.
Semester
The course is scheduled in the first part (six weeks) of the second semester.
Teaching language
Italian
Opinione studenti
Staff
- Sonia Migliorati