Skip to main content
If you continue browsing this website, you agree to our policies:
  • Condizioni di utilizzo e trattamento dei dati
Continue
x
e-Learning - UNIMIB
  • Home
  • My Media
  • More
Listen to this page using ReadSpeaker
 Log in
e-Learning - UNIMIB
Home My Media
Percorso della pagina
  1. Economics
  2. Master Degree
  3. Scienze Statistiche ed Economiche [F8206B - F8204B]
  4. Courses
  5. A.A. 2022-2023
  6. 2nd year
  1. Economics for Data Science M
  2. Summary
Insegnamento Course full name
Economics for Data Science M
Course ID number
2223-2-F8204B020
Course summary SYLLABUS

Course Syllabus

  • Italiano ‎(it)‎
  • English ‎(en)‎
Export

Obiettivi formativi

L'ubiquità delle grandi moli di dati e i contestuali sviluppi nella capacità computazionale e negli algoritimi creano nuove opportunità in ambito economico e aziendale.

Il corso si propone di sviluppare le competenze per applicare l'analisi dei dati a nuovi problemi economici ed aziendali. In modo specifico analizza con "case study" e dataset tre problemi fondamentali di ricerca: effetti causali, previsione e classificazione non supervisionata.

Alla fine del corso lo studente sarà in grado di trasformare un problema economico e aziendale in un modello, scegliere quale approccio empirico sia il più corretto e presentare i risultati dell'analisi in modo professionale.

Contenuti sintetici

Il corso è diviso in 5 parti.

Nella prima parte si discute il ruolo dei big data all'interno dell'economia e le nuove sfide da essi generato. Le tre parti seguenti discutono sepratamente le tre aree di applicazione (causalità, previsione e classificazione non supervisionata) con esempi concreti riguardanti in modo particolari le funzioni di gestione dei rischi e scelte del consumatore.

La quinta parte si concetra su come generare la reportistica dei vari tipi di analisi in ambito economico-aziendale con un'attenzione particolare alla creazione della narrativa di accompagnamento ai diversi modelli e alla loro visualizzazione.

Infine saranno organizzati laboratori di applicazione di algoritmi con il software R.

Programma esteso

1. Introduzione e definizione del problema: the Big Data Challenge

2. Il ruolo dell'incertezza: modelli causali, previsione e classificazione non supervisionata.

3. Modelli causali: elementi fondamentali e un case study.

4. Modelli causali: case studies e laboratorio

5. Previsione: la sfida di valutare l'incertezza nei modelli predittivi.

6. Previsione: case studies e laboratorio

7. Apprendimento non supervisionato:

8. Apprendimento non supervisionato: case studies e laboratorio.

9. Tema di approfondimento I: la network analisi in impresa.

10. Network analisis in impresa: case studies for HR e marketing

11. Tema di approfodimento II: la sfida dei dati non strtutturati.

12. Dati non strutturati: case studies con dati testuali.

13. Dal dato alla conoscenza: il processo di data reporting in ambito economico.

14. Dal dato alla conoscenza: spunti di visualizzazione dei dati.

Prerequisiti

Principi di econometria applicata e metodi quantitativi di statistica applicata.

Metodi didattici

lezioni frontali, dibatti, presentazioni, laboratorio informatico

Modalità di verifica dell'apprendimento

Studenti frequentanti: progetto ed esame scritto.

Studenti non frequentanti: progetto ed esame scritto.

Testi di riferimento

Il materiale didattico è costituito da alcuni capitoli di libro e da una serie di articoli su rivista scientifica e dai lucidi delle lezioni. Il materiale didattico sarà disponibile in forma elettronica sulla piattaforma di e-learning. Quando questo non è possibile una copia cartacea degli articoli sarà resa disponibile all'inizio del corso.

libro:

Data Science for Business
What You Need to Know about Data Mining and Data-Analytic Thinking
By Foster Provost, Tom Fawcett

Periodo di erogazione dell'insegnamento

II semestre

Lingua di insegnamento

Inglese

Sustainable Development Goals

IMPRESE, INNOVAZIONE E INFRASTRUTTURE
Export

Learning objectives

The ubiquity of large amounts of data and the contextual developments in computational capacity and algorithms create new opportunities in the economic and corporate spheres.The course aims to develop the skills to apply data analysis to economic and business problems.

Specifically, it analyzes with case studies and datasets three fundamental problems: causal effects, prediction, and unsupervised classification.

At the end of the course the student will be able to transform an economic and business problem into a model, choose which empirical approach is the most correct and present the results of the analysis in a professional way.

Contents

The course is divided into 5 parts.

The first part discusses the role of big data within within the firm and the new challenges. The subsequent three parts separately discuss three main areas of application (causality, prediction and unsupervised classification) with specific examples mainly about risk management and consumer choices.

The fifth part focuses on how to generate the reports for the various types of analysis in the economic-business context with particular attention to the creation of the narrative accompanying the different models and their visualization.

Finally, in hands-on lab students learn to develop algorithm for data analysis with the software R.

Detailed program


1. Introduction and definition of the problem: the Big Data Challenge

2. The role of uncertainty: Cause, prediction and unsupervised classification.

3. Causal models: fundamental elements and a case study.

4. Causal Models: case studies and laboratory

5. Prediction: the challenge of assessing uncertainty in predictive models.

6. Prediction: case studies and R lab

7. Unsupervised learning

8. Unsupervised learning: case studies and R lab

9. Hot topic I: network analysis for business.

10. Network analysis for business: case studies for HR and marketing

11. Hot topic II: the challenge of unstructured data.

12. Unstructured data: case studies with textual data.

13. From data to knowledge: the data reporting process in economics and business.

14. From data to knowledge: basic principles of data visualization.

Prerequisites

Principles of applied econometrics and statistical quantitative methods for data analysis.

Teaching methods

Lectures, debates, presentations, computer lab

Assessment methods

Attending students: project and written exam.

Non-attending students: project and written exam.

Textbooks and Reading Materials

The reading material is based on journal articles and selected book chapters. The material will be available on the e-learning platform.

Book

Data Science for Business
What You Need to Know about Data Mining and Data-Analytic Thinking
By Foster Provost, Tom Fawcett

Semester

II semester

Teaching language

English

Sustainable Development Goals

INDUSTRY, INNOVATION AND INFRASTRUCTURE
Enter

Key information

Field of research
SECS-P/05
ECTS
6
Term
Second semester
Activity type
Mandatory to be chosen
Course Length (Hours)
42
Degree Course Type
2-year Master Degreee
Language
English

Staff

    Teacher

  • Marco Guerzoni
    Marco Guerzoni

Students' opinion

View previous A.Y. opinion

Bibliography

Find the books for this course in the Library

Enrolment methods

Manual enrolments
Self enrolment (Student)

Sustainable Development Goals

INDUSTRY, INNOVATION AND INFRASTRUCTURE - Build resilient infrastructure, promote inclusive and sustainable industrialization and foster innovation
INDUSTRY, INNOVATION AND INFRASTRUCTURE

You are not logged in. (Log in)
Policies
Get the mobile app
Powered by Moodle
© 2025 Università degli Studi di Milano-Bicocca
  • Privacy policy
  • Accessibility
  • Statistics