Vai al contenuto principale
Se prosegui nella navigazione del sito, ne accetti le politiche:
  • Condizioni di utilizzo e trattamento dei dati
Prosegui
x
Se prosegui nella navigazione del sito, ne accetti le politiche:
  • Condizioni di utilizzo e trattamento dei dati
Prosegui
x
e-Learning - UNIMIB
  • Home
  • My Media
  • Altro
Ascolta questa pagina con ReadSpeaker
Italiano ‎(it)‎
English ‎(en)‎ Italiano ‎(it)‎
 Login
e-Learning - UNIMIB
Home My Media
Percorso della pagina
  1. Area Economico-Statistica
  2. Corso di Laurea Magistrale
  3. Scienze Statistiche ed Economiche [F8206B - F8204B]
  4. Insegnamenti
  5. A.A. 2023-2024
  6. 2° anno
  1. Statistical Learning M
  2. Introduzione
Insegnamento Titolo del corso
Statistical Learning M
Codice identificativo del corso
2324-2-F8204B015
Descrizione del corso SYLLABUS

Syllabus del corso

  • Italiano ‎(it)‎
  • English ‎(en)‎
Esporta

Obiettivi formativi

Il corso si pone come obiettivo l'acquisizione delle principali tecniche di statistical learning (SL) e la loro implementazione nell’ambiente di programmazione R. Durante il corso verrà data particolare enfasi alla algorithmic modeling culture, prestando anche attenzione alla stima dell'incertezza nelle previsioni.

Alla fine del corso lo studente sarà in grado di affrontare applicazioni complesse.

Contenuti sintetici

Algoritmi/modelli: metodi basati sugli alberi.
Previsione: stima dell'incertezza.
Un nuovo paradigma: reinforcement learning.
Un problema in SL: p>>n

Programma esteso

Algoritmi/modelli: metodi basati sugli alberi.

  • Alberi decisionali
  • Bagging
  • Random forests
  • Boosting e alberi additivi
  • Ensemble learning

Forecasting: uncertainty estimation.

  • Conformal prediction: una introduzione

A new paradigm: reinforcement learning.

  • Markov decision process
  • Policy search
  • Q-learning

Un problema in SL: p>>n

  • Quando p è molto maggiore di n
  • Sure Indipendent Screaning (SIS)

Prerequisiti

Si consiglia la conoscenza degli argomenti trattati negli insegnamenti di “Probabilità e Statistica Computazionale M”, “Statistica
Avanzata M” e del modulo “Data Mining” dell’insegnamento “Data Science M”.

Metodi didattici

Lezioni sfrontali e di laboratorio.

Modalità di verifica dell'apprendimento

Esame scritto.

Testi di riferimento

T. Hastie, R. Tibshirani, J. Friedman (2017) The Elements of Statistical Learning. Springer.
D. Efron, T. Hastie (2016) Computer-Age Statistical Inference: Algorithms, Evidence, and Data Science. Cambridge University Press.

Altro materiale verrà suggerito durante il corso.

Periodo di erogazione dell'insegnamento

Primo semestre, secondo ciclo.

Lingua di insegnamento

Le lezioni saranno svolte in italiano. Il materiale e i libri di testo sono in Inglese.
Le lezioni potranno essere svolte in inglese se si rendesse necessario.

Sustainable Development Goals

ISTRUZIONE DI QUALITÁ
Esporta

Learning objectives

The course aims to acquire the main techniques of statistical learning (SL) and their implementation in the R programming environment. During the course, emphasis will be placed on the algorithmic modelling culture, while also paying attention to the estimation of uncertainty in predictions.

By the end of the course, the student will be able to deal with complex applications.

Contents

Algorithms/models: tree-based methods.
Forecasting: uncertainty estimation.
A new paradigm: reinforcement learning.
An SL problem: p>>n

Detailed program

Algorithms/models: tree-based methods.

  • Decision trees
  • Bagging
  • Random forests
  • Boosting and additive trees
  • Ensemble learning

Forecasting: uncertainty estimation

  • Conformal prediction: an introduction

A new paradigm: reinforcement learning.

  • Markov decision process
  • Policy search
  • Q-learning

An SL problem: p>>n

  • When p is much greater than n
  • Sure Independent Screaning (SIS)

Prerequisites

Knowledge of topics covered in the courses Probability and Statistics M, Advanced Statistics M and Data Mining (module of Data Science M) is highly recommended.

Teaching methods

Lessons are taught in classroom and lab.

Assessment methods

Written exam.

Textbooks and Reading Materials

T. Hastie, R. Tibshirani, J. Friedman (2017) The Elements of Statistical Learning. Springer.
D. Efron, T. Hastie (2016) Computer-Age Statistical Inference: Algorithms, Evidence, and Data Science. Cambridge University Press.

Further readings will be suggested during the course.

Semester

First semester, second cycle.

Teaching language

The lessons are held in Italian, but the materials and textbooks are in English.
Lessons can be conducted in English if necessary.

Sustainable Development Goals

QUALITY EDUCATION
Entra

Scheda del corso

Settore disciplinare
SECS-S/01
CFU
6
Periodo
Primo Semestre
Tipo di attività
Obbligatorio a scelta
Ore
42
Tipologia CdS
Laurea Magistrale
Lingua
Italiano

Staff

    Docente

  • MB
    Matteo Borrotti

Opinione studenti

Vedi valutazione del precedente anno accademico

Bibliografia

Trova i libri per questo corso nella Biblioteca di Ateneo

Metodi di iscrizione

Iscrizione manuale
Iscrizione spontanea (Studente)

Obiettivi di sviluppo sostenibile

ISTRUZIONE DI QUALITÁ - Assicurare un'istruzione di qualità, equa ed inclusiva, e promuovere opportunità di apprendimento permanente per tutti
ISTRUZIONE DI QUALITÁ

Non sei collegato. (Login)
Politiche
Ottieni l'app mobile
Powered by Moodle
© 2025 Università degli Studi di Milano-Bicocca
  • Privacy
  • Accessibilità
  • Statistiche