LABORATORIO DI DATA SCIENCE IN ECONOMIA

182108

Attivita' formativa monodisciplinare

Scheda dell'insegnamento

Codice dell'attivita' formativa:

ECBA017

Anno accademico di regolamento:

2020

Anno di erogazione:

2021/2022

Tipologia di insegnamento:

Caratterizzante

Afferenza:

Corso di Laurea Magistrale in ECONOMIA E BUSINESS ANALYTICS

Settore disciplinare:

STATISTICA ECONOMICA (SECS-S/03)

Lingua:

Italiano

Sede:

PESCARA

Crediti:

Anno di corso:

Ciclo:

Secondo Semestre

Ore di attivita' frontale:

Ore di studio individuale:

102

Prerequisiti:

Lo studente deve possedere le conoscenze dei metodi di base di data science.

Obiettivi formativi e risultati di apprendimento attesi

L’obiettivo formativo per lo studente è che raggiunga i seguenti risultati di apprendimento:

Conoscenza e capacità di comprensione

Il corso intende fornire avanzamenti metodologici ed applicativi di specifici metodi di data science. In particolare, gli studenti analizzeranno alcune tipologie di dati economici e aziendali tramite specifiche tecniche statistiche. Si vuole, inoltre, spingere gli studenti a specializzarsi nell'uso del pacchetto statistico open source R.

Capacità di applicare conoscenza e comprensione

Al termine del corso di insegnamento, lo studente anche con l’aiuto di casi di studi concreti svolti con il software statistico R, sarà in grado di analizzare data-base, anche di grandi dimensione, con sofisticati metodi statistici. Le conoscenze acquisite gli consentiranno di interpretare in modo critico le relazioni economiche e/o aziendali.

Inglese:

The training aim for the student is to reach the following learning outcomes:

Knowledge and ability to understand

The course aims to provide methodological and application advances of specific data science methods. In particular, students will analyze some types of economic and business data through specific statistical techniques. We also want to encourage students to specialize in the use of the open source statistical package R.

Ability to apply knowledge and understanding

At the end of the teaching course, the student will also be able to analyze data bases, even large ones, with sophisticated statistical methods, with the help of case studies carried out with the statistical software R. The acquired knowledge will allow him to critically interpret economic and / or business relationships.

Contenuti

1. Analisi di dati Network
2. Metodi Regressivi Avanzati
3. Cluster Analysis
4. Serie Storiche

Inglese:

1.Network data Analysis
2. Advanced Regressive Methods
3. Cluster Analysis
4. Time Series

Programma esteso

1. Analisi di dati Network
1.1. Introduzione
1.2. Tipologie di Grafi: Diretti ed Indiretti
1.3. Visualizzazione ed analisi descrittive di dati Network
1.4. Layout grafico
1.5. Connessioni e Matrici di Contiguità
1.6. Metriche e tassonomia dei dati Network
1.7. Utilizzo dei dati Network nella Classificazione e Previsione
1.8. Raccolta di dati Network con R
1.9. Applicazioni
2. Metodi Regressivi Avanzati
2.1. Regressione polinomiale locale: regressione non parametrica
2.2. Selezione di variabili basate sulle penalizzazione dei modelli di regressione
2.3. LASSO
2.4. Regressione Quantilica
2.5. Applicazioni
3. Cluster Analysis
3.1. Introduzione
3.2. Distanze tra Unità e tra Gruppi
3.3. Clustering Gerarchico
3.4. Dendrogramma: visualizzazione del processo di aggregazione
3.5. Limiti del Clustering Gerarchico
3.6. Clustering Non-Gerarchico l’Algoritmo k-Means
3.7. Applicazioni
4. Serie Storiche
4.1. Introduzione
4.2. Raccolta di dati in Serie Storica con R
4.3. Componenti di una serie storica
4.4. I modelli ARIMA: Identificazione e Stima
4.5. Uso dei modelli ARIMA per la previsione
4.6. Altri metodi di previsione
4.7. Applicazioni

Inglese:

1.Network data Analysis
1.1. Introduction
1.2. Grafh types: Direct and Indirect
1.3. Visualization and descriptive analysis of Network data
1.4. Graphic layout
1.5. Connections and Contiguity Matrixes
1.6. Metrics and taxonomy of Network data
1.7. Use of Network data in Classification and Forecasting
1.8. Network data collection with R
1.9. Applications
2. Advanced Regressive Methods
2.1. Local polynomial regression: non-parametric regression
2.2. Selection of variables based on the penalization of regression models
2.3. LASSO
2.4. Quantitative regression
2.5. Applications
3. Cluster Analysis
3.1. Introduction
3.2. Distances between Units and between Groups
3.3. Hierarchical clustering
3.4. Dendrogram: visualization of the aggregation process
3.5. Limits of Hierarchical Clustering
3.6. Non-Hierarchical Clustering The k-Means Algorithm
3.7. Applications
4. Time Series
4.1. Introduction
4.2. Collection Time Series data with R
4.3. Components of a time series
4.4. The ARIMA models: Identification and Estimation
4.5. Use of the ARIMA models for prediction
4.6. Other forecasting methods
4.7. Applications

Bibliografia consigliata

Appunti del corso
James G, Witten D, Hastie T, Tibshirani R (2013). An Introduction to Statistical Learning
with Applications in R. Springer.

Per ulteriori approfondimenti:
Giudici P, Figini S (2009). Applied Data Mining for Business and Industry. Wiley
Ledolter J. (2013). Data Mining and Business Analytics With R. Wiley
Shmueli G, Bruce PC, Yahav I, Patel NR, Lichtendahl KC, Jr. (2018). Data Mining for Business Analytics. Wiley

Inglese:

Course slides.
James G, Witten D, Hastie T, Tibshirani R (2013). An Introduction to Statistical Learning
with Applications in R. Springer.

Further readings:
Giudici P, Figini S (2009). Applied Data Mining for Business and Industry. Wiley
Ledolter J. (2013). Data Mining and Business Analytics With R. Wiley
Shmueli G, Bruce PC, Yahav I, Patel NR, Lichtendahl KC, Jr. (2018). Data Mining for Business Analytics. Wiley

Modalità di erogazione

Convenzionale

Metodi didattici

Lezioni orali. Esercitazioni pratiche con il software R.

Lectures.
R practice and exercises.

Metodi di valutazione

Tipo di esame:

Orale

Modalita' di verifica dell'apprendimento:

Conoscenza e capacità di comprendere

Per verificare l'apprendimento è previsto un esame scritto ed un orale. L’esame scritto consisterà in domande teoriche ed esercizi sull'intero programma con particolare attenzione all'uso del software R, simulando alcune analisi statistiche su casi reali. La valutazione finale, espressa in trentesimi, tiene conto sia dello scritto che dell’orale.

Capacità di applicare conoscenza e comprensione

Durante lo scritto e l’orale, la capacità degli studenti di applicare la conoscenza di modelli avanzati di data science viene verificata in modo da essere in grado di trattare casi di studio specifici.

Inglese:

Knowledge and ability to understand

To verify the learning a test and an interview are scheduled. The test will consist of theoretical questions and empirical exercises on the whole program with particular attention to the use of the software R, simulating some statistical analysis on real case studies. The final evaluation, expressed in thirtieths, takes into account both the test and the interview.

Ability to apply knowledge and understanding

During the test and the interview, students' ability to apply the knowledge of advanced data science models is tested so as to be able to deal with specific case studies.

Valutazione:

Voto Finale

Periodo didattico

Secondo Semestre

Contatti/Altre informazioni

E-mail: benedett@unich.it.
Giorni ed orari di ricevimento studenti:
Nel I semestre il docente riceve per appuntamento (benedett@unich.it). Nel II semestre il ricevimento è fissato per il mercoledì dalle ore 16:00 alle ore 18:00, studio DEC 2° Piano, Viale della Pineta, 4.

Inglese:

E-mail: benedett@unich.it
In the first semester the Professor sees students only by appointment (benedett@unich.it). In the second semester, the office hours for students is scheduled for Wednesday from 4 pm to 6 pm, studio DEC 2 ° floor, Viale della Pineta, 4.

LABORATORIO DI DATA SCIENCE IN ECONOMIA

Anno di corso: 1

Anno di corso: 2

Scopri cosa vuol dire essere dell'Ud'A