Course Syllabus
Obiettivi formativi
Il Corso si propone di fornire nozioni relative ad alcuni 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, classificazione e regressione basate sulle misture.
Programma esteso
Modelli mistura. Model-based clustering. Model-based classification. Mixture of experts models. Tecniche di data visualization e di gestione dei dati (tidyverse).
Prerequisiti
Si consiglia la conoscenza degli argomenti di "Analisi Statistica Multivariata" e di "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.
Modalità di verifica dell'apprendimento
La modalità di verifica è così articolata :
- un homework intermedio (individuale)
- un project work finale da consegnare almeno 4 giorni lavorativi prima della data dell'esame (di gruppo)
- una prova scritta in laboratorio informatico (esercizi con R e domande teoriche sugli argomenti svolti a lezione)
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 secondo periodo del primo semestre dell'Anno Accademico.
Lingua di insegnamento
Italiano
Sustainable Development Goals
Learning objectives
The aim of the course is to illustrate some computational statistical tools which are fundamental for data analysis and modeling.
Contents
Mixture-based clustering , classification and regression methods.
Detailed program
Mixture models. Model-based clustering. Model-based classification. Mixture of experts models. Data visualization and manipulation (tidyverse).
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
The exam consists of an intermediate homework, a final project work and a 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 second part (six weeks) of the first semester.
Teaching language
Italian
Sustainable Development Goals
Staff
-
Sonia Migliorati
