ITALIANO
Italian
.
Non ci sono prerequisiti
No prerequisites required
Il corso verrà svolto attraverso lezioni a contenuto sia teorico che pratico
Lectures and case discussions
Al termine del corso gli studenti saranno in grado di comprendere le principali questioni e dimensioni delle decisioni d’impresa che beneficiano dell’uso di strumenti informatici, riguardanti i seguenti temi:
- Segmentazione della clientela: applicazione dell’algoritmo K-Means Clustering
- Analisi del mercato immobiliare: regressione ordinaria e regolarizzata (Ridge, Lasso)
- Previsione delle vendite con alberi decisionali e random forest
- Previsione degli utili aziendali con Support Vector Machines
- Previsione dei tassi di cambio con reti neurali
Al termine del corso gli studenti sapranno anche utilizzare i seguenti principali strumenti di analisi
- Strumenti e metodi di data analysis per la soluzione di problemi decisionali d’impresa
Applicazioni pratiche, confronti e discussioni, che avranno luogo durante il corso, consentiranno agli studenti di migliorare la loro autonomia e le loro competenze sotto il profilo della comunicazione, dell'apprendimento e dell'approccio critico.
The purpose of the course is to explain and discuss how data science can help companies in making strategic decisions concerning their business
The student must be able to recognize, study and understand how new methods of data analysis can help the strategic decision process and support the competitive analysis of the company
students will be able to adapt the decision process to specific company context
1.Contenuti.
- Ripasso delle principali metodologie di data analysis e machine learning
- Definizione dei case study
- Analisi esplorativa dei dati
- Applicazione delle tecniche di data analysis a dataset reali
- Interpretazione critica dei risultati
2.Esercitazioni
Tutti gli argomenti sopra indicati verranno sviluppati attraverso esercitazioni finalizzate allo sviluppo operativo delle attività
3.Esercitazioni in campo
Potranno essere previste visite di istruzione presso enti o imprese interessate allo sviluppo di specifiche soluzioni decisionali
- How to model consumer demand
- Modelling the company business model
- How to identify and describe competitors
- How to make an industry analysis
- Positioning competitors in the competitive arena
L'esame consiste in una prova scritta e di una prova orale di discussione e approfondimento dello scritto.
Per gli di studenti con disabilità/invalidità o disturbo specifico di apprendimento (DSA), che abbiano fatto debita richiesta di supporto per affrontare lo specifico esame di profitto all’Info Point Disabilità/DSA dell’Ateneo. Le modalità di esame saranno adattate alla luce di quanto previsto dalle linee guida di Ateneo (https://www.univpm.it/Entra/Accoglienza_diversamente_abili )
Nel corso dell'esame gli studenti dovranno dimostrare di avere acquisto una solida conoscenza delle principali questioni e dimensioni di analisi.
Il voto verrà espresso in trentesimi. Lo studente supererà l'esame se otterrà almeno 18. È prevista l’assegnazione del massimo dei voti con lode (30 e lode).
Riguardo alla prova scritta, gli studenti risponderanno ad un numero di domande variabile in relazione alla difficoltà e al grado di copertura del programma. Ad ogni domanda sarà attribuito un voto corrispondente al livello di difficoltà. Gli studenti che dimostreranno una critica, analitica, approfondita ed esaustiva comprensione dei contenuti teorici e pratici del corso otterranno la lode.
Examination:Written and Oral.
For students with disabilities/invalids or specific learning disabilities (DSA), who have duly requested support to take the specific exam at the University's Disability/DSA Info Point. The exam methods will be adapted in light of the provisions of the University guidelines (https://www.univpm.it/Entra/Accoglienza_diversamente_abili)
Exams will be evaluated with grades from 18 to 30. Cum laude can be bestowed to outstanding performance.
- JOHN C. HULL, “Machine Learning in Business – Un’Introduzione alla Scienza dei Dati”, seconda edizione, 2021
- G. JAMES, D. WITTEN, T. HASTIE, R. TIBSHIRANI, “An Introduction to Statistical Learning with Applications in R”, seconda edizione, 2021, Springer
Textbook and additional readings will be communicated at the beginning of the course
Università Politecnica delle Marche
P.zza Roma 22, 60121 Ancona
Tel (+39) 071.220.1, Fax (+39) 071.220.2324
P.I. 00382520427