Michele LA ROCCA | ADVANCED STATISTICAL LEARNING II
Michele LA ROCCA ADVANCED STATISTICAL LEARNING II
cod. 0222400036
ADVANCED STATISTICAL LEARNING II
| 0222400036 | |
| DIPARTIMENTO DI SCIENZE ECONOMICHE E STATISTICHE | |
| CORSO DI LAUREA MAGISTRALE | |
| SCIENZE STATISTICHE PER LA FINANZA | |
| 2023/2024 |
| OBBLIGATORIO | |
| ANNO CORSO 1 | |
| ANNO ORDINAMENTO 2014 | |
| SECONDO SEMESTRE |
| SSD | CFU | ORE | ATTIVITÀ | |
|---|---|---|---|---|
| SECS-S/01 | 5 | 30 | LEZIONE |
| Obiettivi | |
|---|---|
| CONOSCENZE E CAPACITÀ DI COMPRENSIONE 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. CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE SULLA BASE DELLE CONOSCENZE APPRESE, LO STUDENTE SVILUPPERÀ LA CAPACITÀ DI: - APPLICARE MODELLI NEURONALI 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 AI PROBLEMI DI TIPO FINANZIARIO 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. |
| 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 APPROSSIMAZIONE 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 DISCUTERE UN PROJECT WORK E SOSTENERE UNA PROVA ORALE. IL PROJECT WORK DOVRÀ ESSERE CONCORDATO CON IL DOCENTE DURANTE IL CORSO SEGUENDO LINEE GUIDA DETTAGLIATE CHE SARANNO FORNITE ALL'INIZIO DEL CICLO DI LEZIONI O SU RICHIESTA DEGLI STUDENTI. |
| 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: 2024-12-17]
