Inglese

- Introduzione all'apprendimento statistico

- Regressione lineare

- Metodi di classificazione

-Metodi di Ricampionamento

- Metodi di Regolarizzazione

- Modelli ad albero

- Introduzione a SVM

- Introduzione all'apprendimento statistico per dati autocorrelati

James, G., Witten, D., Hastie, T., & Tibshirani, R. "An Introduction to Statistical Learning". Springer.

Oppure:

James, G., Witten, D., Hastie, T., & Tibshirani, R. "Introduzione all'apprendimento statistico". PICCIN.

Questo corso fornisce un'introduzione all'apprendimento statistico, con particolare attenzione ai modelli predittivi e metodi di apprendimento supervisionato. Gli studenti apprenderanno concetti fondamentali come la regressione, la classificazione, la regolarizzazione e la valutazione dei modelli, oltre all'implementazione pratica con l'uso di software statistici. Sebbene l'attenzione principale sia rivolta all'apprendimento da dati cross-sezionali, il corso introduce anche alcuni concetti per l'apprendimento di dati con correlazione seriale.

Conoscenze di base di probabilità, statistica e algebra lineare. La familiarità con R è fortemente consigliata ma non obbligatoria.

Lezioni frontali teoriche ed esercitazioni mediante software statistici.

L'esame finale consisterà in un esame orale che comprenderà sia domande teoriche che esercizi pratici con software statistici.

To be defined.

English

• Introduction to Statistical Learning

• Linear regression

• Classification

• Resampling

• Regularization

• Tree models

• Introduction to SVM

• Elements of Learning Serially Correlated Data

James, G., Witten, D., Hastie, T., & Tibshirani, R. "An Introduction to Statistical Learning". Springer.

This course provides an introduction to Statistical Learning, with a focus on predictive modelling and supervised learning methods. Students will learn core concepts such as regression, classification, regularization, and model evaluation, as well as practical implementation using statistical software. While the primary focus is on learning from cross-sectional data, the course also introduces some concepts for serially correlated data learning.

Basic knowledge of probability, statistics, and linear algebra. Familiarity with R is strongly recommended but not required.

Theoretical lectures and exercises using statistical software.

The final exam will consist of an oral examination involving both theoretical questions and practical exercises with statistical software.

To be defined.