Syllabus del corso
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.
Il corso contribuisce al raggiungimento degli obiettivi formativi nell’area di apprendimento del CdS: “Statistica”. In particolare, fornisce le conoscenze e competenze per individuare e implementare opportuni modelli statistico-probabilistici e trarre le appropriate conclusioni inferenziali con l'ausilio delle tecniche computazionali.
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
Lezioni frontali e sessioni di esercitazione in laboratorio informatico per un totale di 42 ore.
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.
Tutte le lezioni saranno svolte in moduli da 2 o 3 ore in modalità erogativa in presenza.
Modalità di verifica dell'apprendimento
La modalità di verifica è così articolata :
-
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)
Durante la prova non è ammesso l'uso di testi o altro materiale con l'esclusione dei codici che verranno messi a disposizione dal docente all'inizio della prova.
Durante la prova non è ammesso l'uso del cellulare.
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.
The course contributes to the achievement of the educational objectives in the learning area of the degree program: "Statistics". In particular, it provides the knowledge and skills to identify and implement appropriate statistical-probabilistic models and to draw suitable inferential conclusions with the support of computational techniques.
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. The classroom lectures are aimed at deepening the student's theoretical knowledge of the course topics and their formalization.
The computer lab sessions focus on the implementation of models on real and simulated data using the R software.
The lectures will be held in person.
Assessment methods
The exam consists of:
- A final project work (group-based) to be submitted at least 4 working days before the exam date.
- A written exam in the computer lab (exercises using R and theoretical questions on the topics covered in class).
The exam is closed-notes and closed-book, but students are allowed to use the R scripts made available by the teacher.
No phones are allowed during the 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 term (six weeks) of the first semester.
Teaching language
Italian
Sustainable Development Goals
Staff
-
Sonia Migliorati
