Course Syllabus
Obiettivi formativi
Il corso si propone di sviluppare le competenze per applicare l'analisi dei dati ai 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.
Contenuti sintetici
Il corso è diviso in 4 parti.
Nella prima parte si discute il ruolo dei big data all'interno dell'economia e le nuove sfide da essi generato. Le restanti tre parti del corso 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.
Infine saranno organizzati laboratori di utilizzo di algoritmi con il software R.
Programma esteso
1. Introduzione e definizione del problema: the Big Data Challenge
2. Il ruolo dell'incertezza: Causa, previsione e classificazione non supervisionata.
3. Meccanismi causali: elementi fondamentali e un case study.
4. Previsione: la sfida di valutare l'incertezza nei modelli predittivi.
5. Apprendimento non supervisionato: Self-Organizing-Map e marketing
6. Bonus track: l'analisi del Drift nei modelli aziendali.
7. Reporting dei risultati in impresa: creare una narrativa intorno ai modelli.
Metodi didattici
lezioni frontali, dibatti, presentazioni, laboratorio informatico
Modalità di verifica dell'apprendimento
Esame scritto e progetto di analisi dati (50%-50%) . Entrambi verteranno sugli argomenti del corso. Durante l'esame sarà valutata la correttezza e la chiarezza delle risposte.
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
Learning objectives
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.
Contents
The course is divided into 4 parts.
The first part discusses the role of big data within within the firm and the new challenges. The remaining three parts of the course separately discuss the three main areas of application (causality, prediction and unsupervised classification) with specific examples mainly concerning risk management and consumer choices.
Finally, in hands-on lab students learn to develop R algorithm for data analysis.
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 mechanisms: fundamental elements and a case study.
4. Prediction: the challenge of assessing uncertainty in predictive models.
5. Unsupervised learning: Self-Organizing-Map and marketing
6. Bonus track: the analysis of drift in business models.
7. Reporting of company results: creating a narrative around the model
Teaching methods
lectures, debates, presentations, computer lab
Assessment methods
project and written exam about the course content (50%-50%) . The assessment depends on the correctness and the clarity of the answers.
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
Staff
-
Marco Guerzoni
