Salta gli elementi di navigazione
banner
logo ridotto
logo-salomone
Corso di Laurea Magistrale in Statistica, Scienze Attuariali e Finanziarie

I contenuti di Data Science

A partire dall’a.a. 2016-17 si offre agli studenti che scelgono l’indirizzo ‘Statistico’ la possibilità di personalizzare il piano di studi in modo da affinare la preparazione in ambito Data Science.

Le basi di analisi dei dati e modellazione statistica sono fornite dagli insegnamenti obbligatori e dai caratterizzanti del curriculum ‘Statistico’. Argomenti di Data Science sono trattati in vari insegnamenti, ad es. Statistics for spatial data (localizzazioni GPS), Bayesian statistical inference (reti Bayesiane), e soprattutto Multivariate analysis and statistical learning (metodi statistici impiegati nel data mining e strumenti di apprendimento statistico per la classificazione - il programma dettagliato è riportato sotto). Inoltre, negli insegnamenti affini Methods and tools for official statistics e Sampling theory si tratta l’utilizzo dei Big Data per finalità di statistica ufficiale, mentre in Social Network Analysis si trattano i metodi statistici per l'analisi di reti (es. reti di persone, di imprese, di documenti web).

Gli aspetti informatici e computazionali sono trattati in uno specifico insegnamento affine Statistical information systems: big data, open data and semantic web e in insegnamenti del curriculum 'data science' della laurea magistrale in Informatica dell’Università di Firenze che possono essere inseriti come affini o libera scelta, ad esempio Data Mining, Data Warehousing, Machine Learning.

*****

Programma dell'insegnamento Multivariate analysis and statistical learning (prima attivazione a.a. 2016-17, trasformazione di Statistica Multivariata Avanzato) – 9 CFU – Prof.ssa Anna Gottard.

Distribuzione Normale Multivariata. Modello di regressione multivariata. Graphical models con estensione per high dimensional data. Metodi di Data Mining a fini esplorativi: Analisi in componenti principali e Analisi fattoriale. Metodi di Data Mining a fini discriminatori: Analisi discriminante lineare e quadratica. Metodi di supervised learning per la classificazione: CART, boosting, random forest, super learner.

*****

 

 
ultimo aggiornamento: 30-Giu-2017
UniFI Scuola di Economia e Management Home Page

Inizio pagina