- Area Economico-Statistica
- Corso di Laurea Magistrale
- Economia e Finanza [F1602M - F1601M]
- Insegnamenti
- A.A. 2025-2026
- 1° anno
- Machine Learning for Finance
- Introduzione
Syllabus del corso
Obiettivi formativi
Conoscenza e capacità di comprensione:
Il corso si propone di fornire allo studente le competenze per un uso di Python e di fornire i concetti e gli strumenti fondamentali, basati su metodi computazionali, per rappresentare l’apprendimento, la conoscenza e il ragionamento in condizioni di incertezza.
Conoscenza e capacità di comprensione applicate:
Al termine del corso, lo studente sarà in grado di progettare e sviluppare strumenti software basati su tecniche di apprendimento automatico (machine learning) per risolvere semplici problemi di analisi di dati e supporto alle decisioni in presenza di informazione incerta o incompleta nel suo ambito di specializzazione.
Autonomia di giudizio:
Lo studente imparerà scegliere in modo autonomo gli strumenti e le tecniche più adatte tra quelle apprese per risolvere problemi pratici
di moderata complessità legati alla manipolazione e all'analisi di dati in ambito finanziario.
Abilità comunicative:
Lo studente svilupperà efficaci abilità comunicative nel contesto della programmazione e machine learning.
Sarà in grado di esprimere concetti tecnici relativi a codice, algoritmi e reti neurali artificiali in modo chiaro e comprensibile, sia oralmente che per iscritto.
Capacità di apprendere:
Lo studente svilupperà le competenze fondamentali per un apprendimento autonomo e continuo nel campo dell'analisi dei dati con tecniche di machine learning.
Sarà capace di acquisire rapidamente nuove conoscenze e abilità, di utilizzare risorse esterne per approfondire temi specifici di machine learning,
e di risolvere in modo indipendente problemi complessi attraverso l'applicazione dei principi appresi.
Contenuti sintetici
Il corso fornirà una approfondita competenza della programmazione in Python e una presentazione delle reti neurali come strumento disupporto alla analisi di dati finanziari.
Programma esteso
- Introduzione all'ambiente PyCharm
- Programmazione in Python:
variabili e tipi di dati: bool, int, float, str, tuple, list, dict.
espressioni aritmetiche, relazionali, e logiche.
funzioni predefinite di base.
istruzioni elementari: assegnamento, return, break, continue, import.
istruzioni composte: if, for, while, with
istruzioni di lettura e scrittura: input, print, file di testo
funzioni e passaggio di parametri.
libreria NumPy
libreria Pandas - Reti neurali
Il percettrone
algoritmo di apprendimento del percettrone
concetto di discesa del gradiente
Il percettrone multistrato
algoritmo di retropropagazione dell'errore - Reti neurali profonde (Deep Learning) Introduzione
Prerequisiti
Le conoscenze di tipo matematico e logico acquisite nella scuola superiore, Algebra lineare, e concetti base sugli algoritmi.
Metodi didattici
Lezioni frontali. Le lezioni si svolgono nei laboratori didattici per consentire agli studenti di applicare immediatamente i concetti spiegati.
Modalità di verifica dell'apprendimento
La verifica dell'apprendimento comprende una prova scritta. La prova si svolgerà nei laboratori didattici per valutare le abilità dello studente nell'utilizzo di Python e le sue competenze nella risoluzione di semplici problemi.
Testi di riferimento
Paul J. Deitel, Harvey M. Deitel, Introduzione a Python. Per l'informatica e la data science. Pearson, 2021 ISBN: 978-8891915924
Periodo di erogazione dell'insegnamento
Primo semestre
Lingua di insegnamento
Italiano
Sustainable Development Goals
Learning objectives
Knowledge and understanding:
The course aims to provide students with the skills to use Python and to provide the fundamental concepts and tools, based on computational methods, to represent learning, knowledge and reasoning under conditions of uncertainty.
Applied knowledge and understanding:
At the end of the course, the student will be able to design and develop software tools based on machine learning techniques to solve simple data analysis and decision support problems in the presence of uncertain or incomplete information in his/her field of specialization.
Making judgments:
The student will learn to independently choose the most suitable tools and techniques among those learned to solve practical problems of moderate complexity related to the manipulation and analysis of data in the financial field.
Communication skills:
The student will develop effective communication skills in the context of programming and machine learning.
He will be able to express technical concepts related to code, algorithms and artificial neural networks in a clear and understandable way, both orally and in writing.
Learning ability:
The student will develop the fundamental skills for autonomous and continuous learning in the field of data analysis with machine learning techniques.
He/she will be able to quickly acquire new knowledge and skills, to use external resources to deepen specific machine learning topics,
and to independently solve complex problems through the application of the principles learned.
Contents
The course will provide in-depth knowledge of Python programming and an introduction to neural networks as a tool to support the analysis of financial data.
Detailed program
- Introduction to PyCharm:
- Python programming:
variables and data types (integers, decimals, booleans, lists, tuples, sets and maps)
arithmetic, relational, and logical expressions
basic function
elementary instructions: assignment, return, break, continue, import
compound statements: if, for, while, with
reading and writing instructions: input, print, text file
functions, parameter passing;
classes;
NumPy library;
Pandas library;
-Neural Networks: Perceptron, Perceptron Learning Algorithm, Gradient Descent Concept, Multilayer Perceptron, Backpropagation Algorithm - Deep Neural Networks: Introduction
Prerequisites
Mathematical-logical knowledge as acquired during high-school, linear algebra and basic concepts on algorithms.
Teaching methods
Frontal lessons. Lessons take place in computer science lab to allow students to immediately apply the concepts explained.
Assessment methods
Learning assessment includes a written exam. The exam will take place in the teaching laboratories to evaluate the student's skills in using Python and their competence in solving simple problems.
Textbooks and Reading Materials
Paul J. Deitel, Harvey M. Deitel, Intro to Python for Computer Science and Data Science. Pearson, 2020
Semester
First semester
Teaching language
Italian
Sustainable Development Goals
Scheda del corso
Staff
-
Alessandro Avellone