2. Docenti
  3. Didattica

ADVANCED STATISTICAL LEARNING II

Michele LA ROCCA ADVANCED STATISTICAL LEARNING II

0222400036
DIPARTIMENTO DI SCIENZE ECONOMICHE E STATISTICHE
CORSO DI LAUREA MAGISTRALE
SCIENZE STATISTICHE PER LA FINANZA
2022/2023

OBBLIGATORIO
ANNO CORSO 1
ANNO ORDINAMENTO 2014
SECONDO SEMESTRE
CFUOREATTIVITÀ
530LEZIONE
MICHELE LA ROCCA T Curriculum
Obiettivi
L'INSEGNAMENTO INTENDE FORNIRE STRUMENTI AVANZATI DI STATISTICAL LEARNING BASATI SU RETI NEURALI. GLI STUDENTI APPRENDERANNO SIA I CONCETTI TEORICI DI BASE SIA LE ABILITÀ COMPUTAZIONALI NECESSARIE PER LA SPECIFICAZIONE E LA STIMA DI RETI NEURALI SIA DI TIPO SHALLOW CHE DI TIPO DEEP. PARTICOLARE ENFASI VERRÀ POSTA SULL’USO DI QUESTA CLASSE DI MODELLI PER LO STUDIO DELLA DIPENDENZA TRA VARIABILI STATISTICHE E PER LO STUDIO E LA PREVISIONE DI FENOMENI DINAMICI, CON UN FOCUS SPECIFICO SUI BIG DATA E SULLE APPLICAZIONI DI TIPO FINANZIARIO ED ASSICURATIVO.
CONOSCENZE E CAPACITÀ DI COMPRENSIONE
GLI STUDENTI APPRENDERANNO CONOSCENZE PER:
–LA SPECIFICAZIONE DI RETI NEURALI ARTIFICIALI DI DI TIPO FEED FORWARD SIA DI TIPO SHALLOW CHE DI TIPO DEEP E LORO CAPACITÀ DI APPOSSIMAZIONE PER FENOMENI CARATERIZZATI DA ELEVATA NONLINEARITÀ
–L’UTILIZZO TECNICHE DI APPRENDIMENTO SIA BASATE SU BACKPROPAGATION (E SUE VARIANTI), SIA BASATE SU EXTREME LEARNING MACHINES
–LA SCELTA E L’USO DI DIFFERENTI FUNZIONI DI PERDITA SIA PER DATI DI TIPO CONTINUO CHE PER DATI DI TIPO DISCRETO (BINARI, CONTEGGIO, ECC.)
–LA VERIFICA E LA VALIDAZIONE DEL MODELLO STIMATO
–L’APPLICAZIONE A FENOMENI DI TIPO DINAMICO
–L’APPLICAZIONE DI QUESTI STRUMENTI PER LA SOLUZIONI DEI PRINCIPALI PROBLEMI CHE POSSONO SORGERE NELLE APPLICAZIONI DI TIPO FINANZIARIO E ASSICURATIVO
–L’UTILIZZO DI SOFTWARE E LINGUAGGI STATISTICI SPECIFCI
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE
SULLA BASE DELLE CONOSCENZE APPRESE, LO STUDENTE SVILUPPERÀ LA CAPACITÀ DI:
– SPECIFICARE, STIMARE E VALIDARE MODELLI DI TIPO NEURONALE SIA DI TIPO SHALLOW CHE DI TIPO DEEP.
–APPLICARE QUESTA CLASSE DI MODELLI A DIVERSI TIPI DI DATI (CONTINUO, DISCRETO, ECC.), A DIVERSI SCHEMI DI DIPENDENZA (REGRESSIONE E SERIE STORICHE), A DIVERSI AMBITI APPLICATIVI CON UN PARTICOLARE FOCUS A I PROBLEMI DI TIPO FINANZIARIO E E ASSICURATIVO.
– USARE IL LINGUAGGIO STATISTICO R PER LA IMPLEMENTAZIONE DEI MODELLI OGGETTO DEL CORSO
–ANALIZZARE E VALUTARE AUTONOMAMENTE E IN MODO CRITICO DOCUMENTI E REPORT CHE INCLUDONO INFORMAZIONI GENERATE CON RETI NEURONALI, FORMULANDO GIUDIZI CRITICI SULLA PARTICOLARE ARCHITETTURA UTILIZZATA, SULLE TECNICHE DI INFERENZA E SUI MODELLI PREDITTIVI COSTRUITI NONCHÉ SULLA VALIDITÀ, INTERNA ED ESTERNA, DELLE CONCLUSIONI RAGGIUNTE.
–PRESENTARE CON PROPRIETÀ DI LINGUAGGIO, IN MODO EFFICACE E CHIARO, I RISULTATI, SIA IN FORMA ORALE CHE SCRITTA.
GLI STUDENTI SARANNO SOLLECITATI AD APPRENDERE LA STRUTTURA LOGICO-CONCETTUALE NECESSARIA PER L’UTILIZZO DI QUESTA SOFISTICATA E COMPLESSA CLASSE DI MODELLI, FORNENDO ALTRESÌ LA CAPACITÀ DI RACCORDARE LE COMPETENZE ACQUISITE CON QUELLE APPRESE NEI CORSI DI STUDIO PIÙ AFFINI.
Prerequisiti
È NECESSARIA LA CONOSCENZA DI NOZIONI DI CALCOLO MATRICIALE, DELLA PROGRAMMAZIONE DI BASE, DEL LINGUAGGIO STATISTICO R, DEI MODELLI DI REGRESSIONE (ALMENO A LIVELLO INTRODUTTIVO).
Contenuti
MODELLI ISPIRATI ALLE RETI NEURALI BIOLOGICHE ED ALCUNI CENNI STORICI SULLA LORO EVOLUZIONE. RETI NEURALI TIPO FEED-FORWARD. TEOREMI DI APPROSSIMAZIOEN UNIVERSALE. LA BACKPROPAGATION E LE SUE VARIANTI. STIMA DEL MODELLO UTILIZZANDO EXTREME LEARNING MACHINES. SCELTA DELLA FUNZIONE DI PERDITA. VERIFICA DEL MODELLO E TECNICHE DI VALIDAZIONE. K-FOLD CROSS-VALIDATION E TEST DIAGNOSTICI. MODELLI LINEARI GENERALIZZATI BASATI SU RETI NEURALI. RETI NEURALI DI TIPO DEEP. RETI NEURALI PER L’ANALISI E LA PREVISIONE DI SERIE STORICHE NON LINEARI. LE RETI NEURALI IN R. APPLICAZIONI DI RETI NEURALI PER LA SOLUZIONE DI PROBLEMI FINANZIARI E ASSICURATIVI. CASI STUDIO CON IL LINGUAGGIO STATISTICO R .
Metodi Didattici
IL CORSO PREVEDE 30 ORE DI DIDATTICA IN AULA. LA FREQUENZA PUR NON ESSENDO OBBLIGATORIA, DATA LA NATURA DEL CORSO, È FORTEMENTE CONSIGLIATA.
DURANTE LE LEZIONI SI AFFRONTERANNO TEMATICHE DI TIPO TEORICO AFFIANCATE COSTANTEMENTE DALLA PRESENTAZIONE DI CASI STUDIO MEDIANTE I QUALI SARANNO CHIARITE LE MODALITÀ DI IMPLEMENTAZIONE DELLE TECNICHE, I CONTESTI DI UTILIZZO DEI DIVERSI STRUMENTI E LE INTERPRETAZIONI POSSIBILI DEI RISULTATI OTTENUTI. LE ESERCITAZIONI PERTANTO COSTITUIRANNO PARTE INTEGRANTE DELLE LEZIONI PROGRAMMATE.
Verifica dell'apprendimento
LO STUDENTE SARÀ VALUTATO DURANTE LA PROVA FINALE CHE SI TERRÀ IN CORRISPONDENZA DELLE DATE DEGLI ESAMI CALENDARIZZATE DAL DIPARTIMENTO.
DURANTE LA PROVA FINALE LO STUDENTE DOVRÀ SOSTENERE UNA PROVA SCRITTA (VALUTATA IN TRENTESIMI) E UNA PROVA ORALE CHE SI TERRÀ, TIPICAMENTE, NEI GIORNI IMMEDIATAMENTE SUCCESSIVI. LA DATA DELLA PROVA SCRITTA È QUELLA PREVISTA DAL CALENDARIO DI DIPARTIMENTO, IL GIORNO DELLA PROVA ORALE È CONCORDATO CON GLI STUDENTI AL TERMINE DELLA PROVA SCRITTA.
LA PROVA SCRITTA (DURATA DI CIRCA 2 H) È TESA AD ACCERTARE LA CAPACITÀ DELLO STUDENTE DI UTILIZZARE GLI STRUMENTI SOFTWARE OGGETTO DEL CORSO, I MODELLI STUDIATI, DI INTERPRETARE E COMMENTARE I RISULTATI STATISTICI OTTENUTI. DURANTE LA PROVA SCRITTA LO STUDENTE RICEVERÀ UNA TRACCIA D’ESAME E SARÀ CHIAMATO A RISPONDERE A 5 DOMANDE (OGNUNA CON UN PUNTEGGIO MASSIMO PARI A 6 PUNTI) SULL’INTERO PROGRAMMA DEL CORSO. LA PROVA ORALE (DURATA DI CIRCA 30 MINUTI) CONSISTE DI UN COLLOQUIO CON DOMANDE E DISCUSSIONE DELL’ELABORATO SCRITTO. IL VOTO FINALE (MIN 18, MAX 30 CON EVENTUALE LODE) È ATTRIBUITO VALUTANDO GLI ESITI DELLA PROVA SCRITTA E DELLA PROVA ORALE IN CUI SARÀ VALUTATA LA PADRONANZA DEI CONTENUTI DEL CORSO, APPROPRIATEZZA DELLE DEFINIZIONI E DEI RIFERIMENTI TEORICI, CHIAREZZA DELL’ARGOMENTARE, DOMINIO DEL LINGUAGGIO SPECIALISTICO.
L'ESAME NON PREVEDE PROVE INTERCORSO.
Testi
LECTURE NOTES, RISORSE WEB E ARTICOLI SUGGERITI DAL DOCENTE DURANTE IL CORSO SARANNO RESI DISPONIBILI A TUTTI GLI STUDENTI FREQUENTANTI

EFFECTIVE STATISTICAL LEARNING FOR ACTUARIES: NEURAL NETWORKS AND EXTENSIONS. MICHEL DENOUIT, DONATIEN HAINAUT, JULIEN TRUFIN, SPRINGER

PER RISPONDERE IN MANIERA FLESSIBILE ALLE SPECIFICHE ESIGENZE DI OGNI SINGOLO STUDENTE, IL DOCENTE SI RISERVA LA POSSIBILITÀ DI CONSIGLIARE LETTURE ALTERNATIVE O AGGIUNTIVE DURANTE LE LEZIONI AGLI STUDENTI CHE NE FARANNO RICHIESTA.
Altre Informazioni
IL DOCENTE FORNISCE ULTERIORI SPIEGAZIONI E SUPPORTO METODOLOGICO AGLI STUDENTI DURANTE LE ORE DI RICEVIMENTO.
GIORNI, ORARI E LUOGO DEL RICEVIMENTO, NONCHÉ LE EVENTUALI VARIAZIONI, SONO COMUNICATE SULLA PAGINA WEB DEL DOCENTE.
E’ POSSIBILE CONCORDARE UN APPUNTAMENTO AL DI FUORI DEGLI ORARI PREVISTI PER IL RICEVIMENTO INVIANDO UNA MAIL ALL’INDIRIZZO MAIL DEL DOCENTE.
  BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2024-08-21]