Fabio POSTIGLIONE | STATISTICAL DATA ANALYSIS

cod. 0622900026

STATISTICAL DATA ANALYSIS

	0622900026
	DIPARTIMENTO DI INGEGNERIA DELL'INFORMAZIONE ED ELETTRICA E MATEMATICA APPLICATA
	CORSO DI LAUREA MAGISTRALE
	DIGITAL HEALTH AND BIOINFORMATIC ENGINEERING
	2020/2021

PERCORSO COMUNE

	ANNO CORSO 2
	ANNO ORDINAMENTO 2018
	SECONDO SEMESTRE

MODULI

	SSD	CFU	ORE	ATTIVITÀ	TIPO DI ATTIVITÁ FORMATIVA
1	STATISTICAL DATA ANALYSIS (MODULO 1)
	SECS-S/02	3	24	LEZIONE	AFFINE/INTEGRATIVA
	SECS-S/02	3	24	ESERCITAZIONE	AFFINE/INTEGRATIVA
2	STATISTICAL DATA ANALYSIS (MODULO 2)
	ING-INF/03	2	18	LEZIONE	AFFINE/INTEGRATIVA
	ING-INF/03	1	8	ESERCITAZIONE	AFFINE/INTEGRATIVA

DOCENTI

	FABIO POSTIGLIONE1 T Curriculum
	MARIO DI MAURO2 Curriculum

	Obiettivi
	L’INSEGNAMENTO HA CARATTERE SIA METODOLOGICO CHE APPLICATIVO/PROGETTUALE. IL CORSO MIRA A ILLUSTRARE DAPPRIMA LE PRINCIPALI METODOLOGIE DI INTERESSE PER L'ANALISI STATISTICA DEI DATI. SUCCESSIVAMENTE, AD APPLICARE TALI METODOLOGIE A PROBLEMI DI RILEVANZA PRATICA, ATTRAVERSO L'IMPIEGO DI STRUMENTI PER L’ANALISI STATISTICA, LA VISUALIZZAZIONE E L’ELABORAZIONE DEI DATI. CONOSCENZE E COMPRENSIONE •ACQUISIZIONE DELLE PRINCIPALI TECNICHE DI INFERENZA STATISTICA E ANALISI DEI DATI. •APPROCCIO PARAMETRICO VS. APPROCCIO NON PARAMETRICO, METODI SUPERVISIONATI VS. METODI NON SUPERVISIONATI. •ACQUISIZIONE DELLE TECNICHE E DEI PRINCIPALI STRUMENTI PER L’ANALISI DI BIG DATA. APPLICAZIONE DELLE CONOSCENZE E DELLA COMPRENSIONE •CAPACITÀ DI APPLICARE LE PRINCIPALI METODOLOGIE DI ANALISI DEI DATI E INFERENZA STATISTICA A PROBLEMI PRATICI (ES., ANALISI DI DATI SOCIALI, BIOMEDICI). •CAPACITÀ DI ANALIZZARE GRANDI MOLI DI DATI, ORGANIZZATI IN STRUTTURE COMPLESSE, ETEROGENEE, E A ELEVATA DIMENSIONALITÀ. •CAPACITÀ DI UTILIZZARE STRUMENTI (ES., LINGUAGGIO R, MATLAB) PER L’ANALISI STATISTICA, LA VISUALIZZAZIONE E L’ELABORAZIONE DEI DATI. •CAPACITÀ DI UTILIZZARE I PRINCIPALI TOOL DI INTERESSE APPLICATIVO PER PROBLEMI DI DATA ANALYTICS.

L’INSEGNAMENTO HA CARATTERE SIA METODOLOGICO CHE APPLICATIVO/PROGETTUALE.
IL CORSO MIRA A ILLUSTRARE DAPPRIMA LE PRINCIPALI METODOLOGIE DI INTERESSE PER L'ANALISI STATISTICA DEI DATI. SUCCESSIVAMENTE, AD APPLICARE TALI METODOLOGIE A PROBLEMI DI RILEVANZA PRATICA, ATTRAVERSO L'IMPIEGO DI STRUMENTI PER L’ANALISI STATISTICA, LA VISUALIZZAZIONE E L’ELABORAZIONE DEI DATI.

CONOSCENZE E COMPRENSIONE
•ACQUISIZIONE DELLE PRINCIPALI TECNICHE DI INFERENZA STATISTICA E ANALISI DEI DATI.
•APPROCCIO PARAMETRICO VS. APPROCCIO NON PARAMETRICO, METODI SUPERVISIONATI VS. METODI NON SUPERVISIONATI.
•ACQUISIZIONE DELLE TECNICHE E DEI PRINCIPALI STRUMENTI PER L’ANALISI DI BIG DATA.

APPLICAZIONE DELLE CONOSCENZE E DELLA COMPRENSIONE
•CAPACITÀ DI APPLICARE LE PRINCIPALI METODOLOGIE DI ANALISI DEI DATI E INFERENZA STATISTICA A PROBLEMI PRATICI (ES., ANALISI DI DATI SOCIALI, BIOMEDICI).
•CAPACITÀ DI ANALIZZARE GRANDI MOLI DI DATI, ORGANIZZATI IN STRUTTURE COMPLESSE, ETEROGENEE, E A ELEVATA DIMENSIONALITÀ.
•CAPACITÀ DI UTILIZZARE STRUMENTI (ES., LINGUAGGIO R, MATLAB) PER L’ANALISI STATISTICA, LA VISUALIZZAZIONE E L’ELABORAZIONE DEI DATI.
•CAPACITÀ DI UTILIZZARE I PRINCIPALI TOOL DI INTERESSE APPLICATIVO PER PROBLEMI DI DATA ANALYTICS.

	Prerequisiti
	PREREQUISITI: ADEGUATE CONOSCENZE MATEMATICHE E DEGLI ELEMENTI DI BASE DI PROBABILITÀ E STATISTICA.

	Contenuti
	- RICHIAMI DI STATISTICA DI BASE (ORE LEZIONE/ESERCITAZIONE: 7/3) INFERENZA STATISTICA, METODI PARAMETRICI. STIMA A MASSIMA VEROSIMIGLIANZA. TEORIA STATISTICA DELLA DECISIONE. APPROCCIO BAYESIANO. - NORMALIZZAZIONE DEI DATI. WHITENING (1/1) - INTRODUZIONE ALL'APPRENDIMENTO SUPERVISIONATO E MODELLI LINEARI (6/3) REGRESSIONE LINEARE MULTIPLA. MODELLI LINEARI GENERALIZZATI (GLM) - CLASSIFICAZIONE (11/5) REGRESSIONE LOGISTICA. LINEAR DISCRIMINANT ANALYSIS. FORMULAZIONE BAYESIANA DEI PROBLEMI DI REGRESSIONE/CLASSIFICAZIONE. ERRORE DI BIAS ED ERRORE DI VARIANZA. NAÏVE-BAYES. APPROCCI NON PARAMETRICI SUPERVISIONATI. ESEMPI: NAÏVE-KERNEL, METODI NN E K-NN - METODI DI RICAMPIONAMENTO (2/1) CROSS-VALIDATION (LOO, K-FOLD). BOOTSTRAP. - SELEZIONE DEI MODELLI LINEARI E REGOLARIZZAZIONE (9/3) SELEZIONE STEPWISE. RIDGE REGRESSION. LASSO. RIDUZIONE DELLA DIMENSIONALITÀ. PRINCIPAL COMPONENT REGRESSION. ESTENSIONI AL CASO HIGH-DIMENSIONAL DATA. CENNI ALLE TECNICHE DI SPARSIFICAZIONE PER BIG DATA ANALYTICS. - MODELLI ADDITIVI GENERALIZZATI E METODI BASATI SU ALBERI (1/0) - SUPPORT VECTOR MACHINES (1/0) - APPRENDIMENTO NON SUPERVISIONATO, ANALISI ALLE COMPONENTI PRINCIPALI E CLUSTERING (11/5) PRINCIPAL COMPONENTS ANALYSIS. CLUSTERING BASATO SU CENTROIDI: L'ALGORITMO K-MEANS. CLUSTERING GERARCHICO. ALTRI ESEMPI DI TECNICHE DI CLUSTERING. MISTURE DI GAUSSIANE E CLUSTERING BASATO SULL'ALGORITMO EXPECTATION-MAXIMIZATION. CLUSTERING BASATO SULLA DENSITÀ: L'ALGORITMO DBSCAN. - STATISTICA NON PARAMETRICA E CENNI DI FUNCTIONAL DATA ANALYSIS (2/0) - STRUMENTI DI CALCOLO: R MATLAB APACHE SPARKS

Contenuti

- RICHIAMI DI STATISTICA DI BASE (ORE LEZIONE/ESERCITAZIONE: 7/3)
INFERENZA STATISTICA, METODI PARAMETRICI. STIMA A MASSIMA VEROSIMIGLIANZA. TEORIA STATISTICA DELLA DECISIONE. APPROCCIO BAYESIANO.

- NORMALIZZAZIONE DEI DATI. WHITENING (1/1)

- INTRODUZIONE ALL'APPRENDIMENTO SUPERVISIONATO E MODELLI LINEARI (6/3)
REGRESSIONE LINEARE MULTIPLA. MODELLI LINEARI GENERALIZZATI (GLM)

- CLASSIFICAZIONE (11/5)
REGRESSIONE LOGISTICA. LINEAR DISCRIMINANT ANALYSIS. FORMULAZIONE BAYESIANA DEI PROBLEMI DI REGRESSIONE/CLASSIFICAZIONE. ERRORE DI BIAS ED ERRORE DI VARIANZA. NAÏVE-BAYES. APPROCCI NON PARAMETRICI SUPERVISIONATI. ESEMPI: NAÏVE-KERNEL, METODI NN E K-NN

- METODI DI RICAMPIONAMENTO (2/1)
CROSS-VALIDATION (LOO, K-FOLD). BOOTSTRAP.

- SELEZIONE DEI MODELLI LINEARI E REGOLARIZZAZIONE (9/3)
SELEZIONE STEPWISE. RIDGE REGRESSION. LASSO. RIDUZIONE DELLA DIMENSIONALITÀ. PRINCIPAL COMPONENT REGRESSION. ESTENSIONI AL CASO HIGH-DIMENSIONAL DATA. CENNI ALLE TECNICHE DI SPARSIFICAZIONE PER BIG DATA ANALYTICS.

- MODELLI ADDITIVI GENERALIZZATI E METODI BASATI SU ALBERI (1/0)

- SUPPORT VECTOR MACHINES (1/0)

- APPRENDIMENTO NON SUPERVISIONATO, ANALISI ALLE COMPONENTI PRINCIPALI E CLUSTERING (11/5)
PRINCIPAL COMPONENTS ANALYSIS. CLUSTERING BASATO SU CENTROIDI: L'ALGORITMO K-MEANS. CLUSTERING GERARCHICO. ALTRI ESEMPI DI TECNICHE DI CLUSTERING. MISTURE DI GAUSSIANE E CLUSTERING BASATO SULL'ALGORITMO EXPECTATION-MAXIMIZATION. CLUSTERING BASATO SULLA DENSITÀ: L'ALGORITMO DBSCAN.

- STATISTICA NON PARAMETRICA E CENNI DI FUNCTIONAL DATA ANALYSIS (2/0)

- STRUMENTI DI CALCOLO:
R
MATLAB
APACHE SPARKS

	Metodi Didattici
	L’INSEGNAMENTO PREVEDE LEZIONI TEORICHE ED ESERCITAZIONI IN AULA E AL CALCOLATORE. SUGLI ARGOMENTI PROPOSTI.

	Verifica dell'apprendimento
	L’ESAME CONSISTE NELLA DISCUSSIONE DI UN ELABORATO PROGETTUALE, ED È FINALIZZATO A VALUTARE NEL SUO COMPLESSO: LA CONOSCENZA E LA CAPACITÀ DI COMPRENSIONE DEI CONCETTI PRESENTATI AL CORSO; LA CAPACITÀ DI RISOLVERE PROBLEMI DI STATISTICAL DATA ANALYSIS ATTRAVERSO LE METODOLOGIE E GLI STRUMENTI ILLUSTRATI DURANTE IL CORSO. VENGONO ANCHE VALUTATE: L’AUTONOMIA DI GIUDIZIO, LA CAPACITÀ ESPOSITIVA E LA CAPACITÀ DI APPRENDERE.

Verifica dell'apprendimento

L’ESAME CONSISTE NELLA DISCUSSIONE DI UN ELABORATO PROGETTUALE, ED È FINALIZZATO A VALUTARE NEL SUO COMPLESSO: LA CONOSCENZA E LA CAPACITÀ DI COMPRENSIONE DEI CONCETTI PRESENTATI AL CORSO; LA CAPACITÀ DI RISOLVERE PROBLEMI DI STATISTICAL DATA ANALYSIS ATTRAVERSO LE METODOLOGIE E GLI STRUMENTI ILLUSTRATI DURANTE IL CORSO.
VENGONO ANCHE VALUTATE: L’AUTONOMIA DI GIUDIZIO, LA CAPACITÀ ESPOSITIVA E LA CAPACITÀ DI APPRENDERE.

	Testi
	AN INTRODUCTION TO STATISTICAL LEARNING, G. JAMES, D. WITTEN, T. HASTIE, R. TIBSHIRANI, SPRINGER, 2013. AN ELEMENTARY INTRODUCTION TO STATISTICAL LEARNING, S. KULKARNI, G. HARMAN, WILEY, 2010.

	Altre Informazioni
	LA LINGUA DELL'INSEGNAMENTO È L'INGLESE.

BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2022-05-23]

Fabio POSTIGLIONE | STATISTICAL DATA ANALYSIS