Guida degli insegnamenti
Syllabus
Partially translatedTradotto parzialmente
Marco CUCCULELLI (Crediti: 3 Ore di lezioneTeaching hours: 22)
Valerio Sullo (Crediti: 6 Ore di lezioneTeaching hours: 44)
Lingua di erogazione: ITALIANOLessons taught in: ITALIAN
Laurea Magistrale - [EM11] DATA SCIENCE PER L'ECONOMIA E LE IMPRESE Master Degree (2 years) - [EM11] DATA SCIENCE FOR ECONOMICS AND BUSINESS
Dipartimento: [040002] Dipartimento Scienze Economiche e SocialiDepartment: [040002] Dipartimento Scienze Economiche e Sociali
Anno di corsoDegree programme year : 2 - Secondo Semestre
Anno offertaAcademic year: 2024-2025
Anno regolamentoAnno regolamento: 2023-2024
Obbligatorio
Crediti: 9
Ore di lezioneTeaching hours: 66
TipologiaType: B - Caratterizzante
Settore disciplinareAcademic discipline: SECS-P/06 - ECONOMIA APPLICATA
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
Risolvere problemi economici utilizzando il software e la statistica
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
Capacità di applicare conoscenze e comprensione.
Al termine del corso gli studenti sapranno utilizzare i principali strumenti e metodi di analisi per la soluzione di problemi decisionali d’impresa
Competenze trasversali.
Le applicazioni pratiche, confronti e discussioni, che avranno luogo durante il corso, consentiranno agli studenti di migliorare la loro capacità di svolgere in modo critico ed autonomo analisi per la risoluzione di problemi economici. Gli studenti saranno stimolati a migliorare le proprie capacità comunicative e di presentazione, esercitando al contempo le proprie capacità di cooperazione e di lavoro in gruppo.
Ability in problem solving using statistical and software tools
The purpose of the course is to explain and discuss how data science can help companies in making strategic decisions concerning their business. Students will gain expertise in the following arguments:
- Customer segmentation (K-Means clustering)
- Real estate market analysis (Ridge, Lasso)
- Sales prediction (random forest and decision trees)
- Forecasting business profits (Support Vector Machines)
- Forecasting exchange rates (neuronal reticulum)
Capacity to apply Knowledge and Understanding.
By the end of the course, students will 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
Transversal Skills.
The practical exercises, discussions, and debates that will take place during the course will enable students to improve their ability to conduct independent, critical analysis for the purpose of solving economic problems. Students will be stimulated to improve their personal communication and presentation skills, while practicing their cooperation and group-work abilities.
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
The main topics covered during the course are the following:
- 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
All the above topics will be developed through practical exercises. The course might include instruction visits to entities or businesses interested in developing particular decision-making solutions.
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 )
Criteri di valutazione dell'apprendimento.
Nel corso dell'esame gli studenti dovranno dimostrare di avere acquisto una solida conoscenza delle principali questioni e dimensioni di analisi.
Criteri di misurazione dell'apprendimento.
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).
Criteri di attribuzione del voto finale.
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)
Learning Evaluation Criteria.
The students must demonstrate that they have gained a solid understanding of the main analytical techniques.
Learning Measurement Criteria.
Exams will be evaluated with grades from 18 to 30. Cum laude can be bestowed to outstanding performance.
Final Mark Allocation Criteria.
Regarding the written exam, students will respond to a number of questions that are variable in relation to the program's difficulty and degree of completion. Every question will have a vote corresponding to its level of difficulty. Students who demonstrate a critical, analytical, thorough, and insightful understanding of the course's theoretical and practical contents will obtain the laude.
- 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
Materiale a supporto verrà reso disponibile sulla pagina e-learning del corso: https://learn.univpm.it/
- 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
Additional material will be available in the e-learning web page: https://learn.univpm.it/
L'insegnamento non è erogato in modalità e-learning.
The teaching is not delivered in e-learning mode.
Le informazioni contenute nella presente scheda assumono carattere definitivo solo a partire dall'A.A. di effettiva erogazione dell'insegnamento. Academic year 2024-2025
Università Politecnica delle Marche
P.zza Roma 22, 60121 Ancona
Tel (+39) 071.220.1, Fax (+39) 071.220.2324
P.I. 00382520427