Il corso ha l’obiettivo di introdurre i principi fondamentali dello statistical learning per l’analisi dei dati, con particolare attenzione ai problemi di regressione e classificazione in contesti supervisionati. Al termine del corso, lo studente sarà in grado di comprendere i principali modelli statistici per l’analisi predittiva; valutare e selezionare modelli attraverso criteri statistici e metodi di validazione; interpretare i risultati dei modelli e valutarne le prestazioni; utilizzare il software R (e RStudio) per implementare analisi di base di statistical learning. Il corso privilegia un approccio applicativo, con esempi pratici su dati reali.
scheda docente materiale didattico
• Introduzione ai principali modelli di statistical learning (apprendimento statistico);
• problemi di previsione e classificazione: richiami su regressione lineare e sui principali metodi di classificazione non supervisionata;
• Supervised classification: K-Nearest-Neighbours;
• Errore di misclassificazione;
• Metodi di ricampionamento: cross validation e bootstrap;
• Metodi basati su alberi decisionali: regression trees, classification trees, bagging, random forests, boosting.
• Introduzione ai metodi di classificazione Semi-supervisionata;
• Uso dell’ambiente statistico R
Programma
Il corso affronterà le seguenti tematiche:• Introduzione ai principali modelli di statistical learning (apprendimento statistico);
• problemi di previsione e classificazione: richiami su regressione lineare e sui principali metodi di classificazione non supervisionata;
• Supervised classification: K-Nearest-Neighbours;
• Errore di misclassificazione;
• Metodi di ricampionamento: cross validation e bootstrap;
• Metodi basati su alberi decisionali: regression trees, classification trees, bagging, random forests, boosting.
• Introduzione ai metodi di classificazione Semi-supervisionata;
• Uso dell’ambiente statistico R
Prerequisiti
aver superato gli esami di Statistica e Statistica per big data. Conoscenze di algebra lineare, statistica inferenziale, modelli lineari.Testi Adottati
James, G., Witten, D., Hastie, T., Tibshirani, R. (2021). Introduzione all'apprendimento statistico. Con applicazioni in R. Springer.Modalità Frequenza
La frequenza non è obbligatoria, ma fortemente raccomandata.Modalità Valutazione
Esame orale. Durante il corso si svolgeranno due prove scritte intermedie (la prima a metà corso circa e la seconda in prossimità della fine del corso). La prenotazione alle prove intermedie avverrà esclusivamente tramite Gomp. L'accesso alle prove intermedie è consentito a tutti gli studenti (frequentanti e non frequentanti).