Course Syllabus

Export

Al termine di questo modulo, gli studenti acquisiranno le basi teoriche e gli strumenti operativi dei principali approcci di machine learning per il data management, applicati all'analisi di macro-indicatori sintetici per la sostenibilità. In particolare, saranno in grado di:

  • padroneggiare gli elementi fondamentali dell'analisi multivariata e del processo decisionale multicriterio per analizzare sistemi di dati complessi definiti da macro-indicatori di sostenibilità (conoscenza e capacità di comprensione)
  • conoscere i principi e le condizioni operative delle principali tecniche e scegliere e gestire gli approcci di indagine più adatti alle finalità dell'analisi (capacità di applicare conoscenza e comprensione)
  • valutare le caratteristiche, i campi di applicazione e i vantaggi e gli svantaggi delle singole tecniche di machine learning (autonomia di giudizio)
  • proporre e giustificare la scelta dell'approccio ritenuto più adatto a uno specifico problema, comunicando i risultati a un pubblico che potrebbe non avere familiarità con questi metodi (abilità comunicative)
  • apprendere in modo autonomo ed esplorare ulteriori estensioni metodologiche del machine learning per il data management (capacità di apprendimento).
  • Struttura e pre-trattamento dei dati nell'ambito del machine learning; covarianza e correlazione
  • Strategie per l'esplorazione dei dati e la razionalizzazione di problemi complessi: Analisi delle Componenti Principali
  • Misure di distanza per la similarità e la diversità
  • Modellazione supervisionata per l'analisi degli indicatori di sostenibilità
  • Strategie per il processo decisionale multicriterio
  • Esperienze pratiche e casi di studio

La struttura dei dati multivariati:

  • Covarianza e correlazione
  • Scalatura e pre-trattamento dei dati: centratura, auto-scaling, range scaling, variance scaling

Strategie per l'esplorazione dei dati e la razionalizzazione di problemi complessi:

  • Analisi della struttura ed esplorazione dei dati relativi a sistemi complessi nell'ambito dei macro-indicatori sintetici per la sostenibilità
  • Analisi delle Componenti Principali (PCA): scores e loadings; autovalori e definizione delle componenti significative (analisi del rango)
  • Esempi di PCA e casi di studio

Analisi della similarità e della diversità nei sistemi complessi:

  • I concetti di analogia, similarità, dissimilarità e distanza
  • Misure di distanza e similarità per dati quantitativi e binari
  • Cluster Analysis: esempi e casi di studio

Modellazione supervisionata per l'analisi degli indicatori di sostenibilità:

  • Il concetto di bias e i metodi di validazione; tecniche di validazione dei modelli supervisionati
  • Metodi di regressione e classificazione multivariata: esempi e casi di studio

Strategie per il processo decisionale multicriterio:

  • Funzioni di desiderabilità e di utilità per l'ordinamento razionale di dati multivariati; fronte di Pareto
  • Esempi e casi di studio

Conoscenze di base di statistica univariata

Lezioni frontali e attività pratiche di laboratorio:
10 ore, lezioni in presenza, didattica erogativa
10 ore, lezioni in presenza, didattica interattiva
10 ore, lezioni in presenza, didattica interattiva per la realizzazione di una relazione su un caso di studio, da analizzare a gruppi da parte degli student

Slides
Articoli scientifici messi a disposizione sul sito di e-learning del corso
Dati e codice per le sessioni pratiche messi a disposizione sul sito di e-learning del corso

Primo semestre

Per il metodo di verifica del profitto e valutazione, si veda il syllabus del corso Laboratory of Data management and synthetic indicators for sustainability

Su appuntamento via email

ISTRUZIONE DI QUALITÁ
Export

By the end of this module, students will acquire the theoretical foundations and operational tools of the main machine learning approaches for data management, applied to the analysis of macro synthetic indicators for sustainability. In particular, they will be able to:

  • master the fundamental elements of multivariate analysis and multicriteria decision making to analyse complex data systems defined by macro indicators of sustainability (knowledge and understanding)
  • know the principles and operating conditions of the main techniques and choose and manage the investigation approaches most suited to the purposes of the analysis (applying knowledge and understanding)
  • evaluate the characteristics, the fields of application and the advantages and disadvantages of the individual machine learning techniques (making judgements)
  • suggest and justify the choice of the approach considered most suitable for a specific problem, communicating the results to an audience that might not be familiar with these methods (communication skills)
  • learn independently and explore further methodological extensions of machine learning for data management (learning skills).
  • Data structure and data pre-processing in the framework of machine learning; covariance and correlation
  • Strategies for data exploration and the rationalization of complex problems: Principal Component Analysis
  • Distances for similarity and diversity measures
  • Supervised modelling for the analysis of indicators for sustainability
  • Strategies for Multicriteria Decision Making
  • Practical experience and case studies

The structure of multivariate data:

  • Covariance and correlation
  • Data scaling and pre-treatment: centering, auto-scaling, range scaling, variance scaling

Strategies for data exploration and the rationalization of complex problems:

  • Analysis of the structure and exploration of data related to complex systems in the framework of macro synthetic indicators for sustainability
  • Principal Component Analysis (PCA): scores and loadings; eigenvalues and definition of significant components (rank analysis)
  • Examples of PCA and case studies

Analysis of similarity and diversity in complex systems:

  • The concepts of analogy, similarity, dissimilarity and distance
  • Distance and similarity measures for quantitative and binary data
  • Cluster Analysis: examples and case studies

Supervised modelling for the analysis of indicators for sustainability:

  • The concept of bias and validation methods; validation techniques of supervised models
  • Multivariate regression and classification methods: examples and case studies

Strategies for Multicriteria Decision Making:

  • Desirability and utility functions for the rational ranking of multivariate data; Pareto front
  • Examples and case studies

Basic knowledge of univariate statistics

Face-to-face lectures and practical laboratory activities:
10 hours, in-person lectures, delivered didactics
10 hours, in-person lectures, interactive teaching
10 hours, in-person lectures, interactive teaching to produce a report on a case study, to be analysed by the students in groups

Slides
Scientific papers made available on the e-learning website of the course
Data and code for practical sessions made available on the e-learning website of the course

First semester

For the assessment method and evaluation, please refer to the syllabus of the course Laboratory of Data management and synthetic indicators for sustainability.

By appointment scheduled via email

QUALITY EDUCATION
Enter

Key information

Field of research
CHIM/01
ECTS
3
Term
First semester
Activity type
Mandatory to be chosen
Course Length (Hours)
30
Degree Course Type
2-year Master Degree
Language
English

Staff

    Teacher

  • davide ballabio
    Davide Ballabio

Enrolment methods

Manual enrolments

Sustainable Development Goals

QUALITY EDUCATION - Ensure inclusive and equitable quality education and promote lifelong learning opportunities for all