Argomenti dell'insegnamento
- Ripasso dell'inferenza statistica: variabili casuali, intervalli di confidenza e test di ipotesi. - Introduzione ai concetti di apprendimento statistico: vocabolario e nozioni di base, approcci parametrici e non parametrici, obiettivi predittivi e inferenziali, trade off bias-varianza, apprendimento supervisionato e non supervisionato. - Regressione lineare ed estensioni: regressione lineare semplice e multipla, stima e valutazione del modello, assunzioni del modello, strumenti inferenziali, predittori qualitativi, effetti di interazione, regressione polinomiale, nozioni di base sulla regressione nonparametrica - Classificazione: introduzione alla classificazione, regressione logistica, stima del modello, valutazione dei classificatori. - Altre tecniche di apprendimento supervisionato: alberi, spline, modelli additivi - Selezione/valutazione del modello e valutazione della sua complessità: metodi di ricampionamento, convalida incrociata e criteri informativi. - Apprendimento non supervisionato: strumenti di clustering come k-means e clustering gerarchico, analisi delle componenti principali - Applicazioni con il software R

Modalità di insegnamento
In-person lectures and computer labs. Whenever possible, lectures will be structured to prioritize in-class time for discussions, and practical applications.

Obiettivi formativi e risultati di apprendimento (ulteriori info.)
/

Modalità d'esame
Assessment (for both attending and non-attending students): - Written Exam: Exercises and review questions (65% of the final grade). - Data Analysis Project: Group project in which students select and analyze an interesting dataset using the tools learned in the course. Groups will present their work at the end of the course (35% of the final grade; optional). Notes: - For students who do not complete the project, the written exam will count for 100% of the final grade. - Project grades remain valid for one academic year.

Criteri di valutazione
Written exam: understanding of statistical concepts, correct interpretation of results of statistical analyses, clarity and precision of explanations. Data Analysis Project: Quality and clarity of the presentation, adequacy and appropriateness of analyses with respect to dataset characteristics

Bibliografia obbligatoria

James, G., Witten, D., Hastie, T., Tibshirani, R. An Introduction to Statistical Learning with Applications in R. Springer, 2013. Freely available at http://www- bcf.usc.edu/~gareth/ISL/ 

Slides and lecture notes provided

Bibliografia facoltativa

Bishop, C. M. (2006). Pattern recognition and machine learning. New York: Springer.

Agresti, A., Finlay, B. Statistica per le scienze sociali, Pearson, 2009. 

Hyndman, R.J. and Athanasopoulos, G. Forecasting: principles and practice, 2nd edition, OTexts: Melbourne, 2018. 

Cicchitelli, Giuseppe. Statistica. Principi e metodi. Pearson, 2008. 

Azzalini, Adelchi, and Bruno Scarpa. Data analysis and data mining: An introduction. OUP USA, 2012. 

Grigoletto, Matteo, Laura Ventura, and Francesco Pauli. Modello lineare: teoria e applicazioni con R. G Giappichelli Editore, 2017. 

Johnson, Richard A., and Dean W. Wichern. "Applied multivariate statistical analysis." New Jersey 405 (1992). 

Altre informazioni
/