Course Syllabus

Export

Questo è un corso avanzato di statistica che ha come oggetto principale l'analisi di dati ad alta dimensionalità. L'obietto del corso è quello di presentare le moderne tecniche di analisi dei dati e la teoria statistica sottostante, coniugando armoniosamente aspetti teorici, pratici e computazionali. 

Il corso riguarda metodi di regressione e classificazione che possono essere impiegati nel caso di dati ad alta dimensionalità 

  1. Regressione lineare,  bias/variance trade-off 
  2. Regressione penalizzata, ridge regression e lasso
  3. Sezione del modello, metodi di validazione incrociata
  4. Regressione nonparametrica. k-nearest neighbors (k-NN). Kernel smoothing. Regression splines, Smoothing splines, Local regression

Sono necessarie conoscenze di probabilità ed inferenza, algebra lineare, programmazione.

Tutte le lezioni si svolgono in laboratorio, integrando aspetti di carattere teorico con quelli computazionali attraverso l'uso di  R.

Prova individuale orale su argomenti trattati a lezione. Viene valutata la completezza, la correttezza delle risposte e la proprietà di linguaggio.


    • Materiale didattico fornito dal docente
    • Azzalini, Scarpa (2012) Data analysis and data mining, an introduction . New York: Oxford University Press
    • Gareth, Witten, Hastie, Tibshirani (2014) An Introduction to Statistical Learning, with Applications in R . Springer
    • Hastie, Tibshirani, Friedman (2009) The Elements of Statistical Learning. Data Mining, Inference and Prediction . Springer
    • Hastie, Tibshirani and Wainwright (2015) Statistical Learning with Sparsity: The Lasso and Generalizations . CRC Press

    Primo Semestre

    Italiano

    Export

    This is an advanced course focusing on the analysis of high-dimensional data. The goal is to study modern methods and their underlying theory, drawing together theory, data, computation and recent research.

    This course covers methods for regression and classification which can be applied to high-dimensional data. 

    1. Linear regression, bias/variance trade-off 
    2. Regularization, ridge and lasso regression
    3. Model selection, cross-validation
    4. Nonparametric Regression. k-nearest neighbors (k-NN). Kernel smoothing. Regression splines, Smoothing splines, Local regression

    Basic knowledge of statistics and probability, linear algebra and computer programming.

    Theoretical lessons and computer applications in lab with R software. 


    Oral individual exam to assess the theoretical knowledge of the student on the topics presented during the course. The grading is based on the correctness, the completeness of the answers and the appropriateness of language. 


    • Lecture notes provided by the instructor
    • Azzalini, Scarpa (2012) Data analysis and data mining, an introduction . New York: Oxford University Press
    • Gareth, Witten, Hastie, Tibshirani (2014) An Introduction to Statistical Learning, with Applications in R . Springer
    • Hastie, Tibshirani, Friedman (2009) The Elements of Statistical Learning. Data Mining, Inference and Prediction . Springer
    • Hastie, Tibshirani and Wainwright (2015) Statistical Learning with Sparsity: The Lasso and Generalizations . CRC Press

    First semester 

    Italian

    Enter

    Key information

    Field of research
    SECS-S/03
    ECTS
    6
    Term
    First semester
    Activity type
    Mandatory to be chosen
    Course Length (Hours)
    46
    Language
    Italian

    Staff

      Teacher

    • Gianna Serafina Monti
      Gianna Serafina Monti

    Students' opinion

    View previous A.Y. opinion

    Bibliography

    Find the books for this course in the Library

    Enrolment methods

    Manual enrolments
    Self enrolment (Student)