Guida degli insegnamenti
Syllabus
Partially translatedTradotto parzialmente
Gloria POLINESI
Lingua di erogazione: INGLESELessons taught in: ENGLISH
Laurea - [ET07] DIGITAL ECONOMICS AND BUSINESS First Cycle Degree (3 years) - [ET07] DIGITAL ECONOMICS AND BUSINESS
Dipartimento: [040002] Dipartimento Scienze Economiche e SocialiDepartment: [040002] Dipartimento Scienze Economiche e Sociali
Anno di corsoDegree programme year : 3 - Secondo Semestre
Anno offertaAcademic year: 2024-2025
Anno regolamentoAnno regolamento: 2022-2023
Opzionale
Crediti: 6
Ore di lezioneTeaching hours: 44
TipologiaType: B - Caratterizzante
Settore disciplinareAcademic discipline: SECS-S/03 - STATISTICA ECONOMICA
Si presuppone la conoscenza della Statistica descrittiva e di quella inferenziale
Descriptive statistics, basic concepts of probability, testing hypotheses, basic concepts of statistical inference.
Il corso sarà svolto sia mediante lezioni frontali sia mediante applicazioni al computer.
The course is organized into 33 lectures of two hours each, including in-person lectures and applications on the computer.
Il corso si propone di fare apprendere l'uso teorico ed empirico di strumenti di statistica per la valutazione di macro e micro aggregati economici e fenomeni finanziari.
Capacità di applicare conoscenze e comprensione.
Al termine del corso gli studenti saranno in grado di scegliere in modo adeguato le tecniche di statistica e valutarne la loro applicabilità ai vari problemi. Saranno, inoltre, in grado di redigere programmi nel linguaggio Python per effettuare le opportune applicazioni.
Competenze trasversali.
Competenze trasversali OBIETT_FORM_03 1000 Sì Le applicazioni pratiche presso il laboratorio di informatica consentiranno agli studenti di migliorare la loro autonomia e la loro capacità critica. Practical exercises will allow
students to improve their autonomy and critical abilities.
Knowledge and Understanding.
The course aims to provide students with theoretical and empirical approaches to analyze aggregate and financial macro- and microeconomic phenomena.
Capacity to apply Knowledge and Understanding.
At the end of the course, students will be able to adequately select and apply statistical techniques to analyze economic and financial datasets in order to solve problems in economics and finance, also with the use of Python code.
Transversal Skills.
Practical exercises will allow
students to improve their autonomy and critical abilities.
1. Richiami di algebra delle matrici.
2. Introduzione all’uso del linguaggio Python.
3. Analisi multivariata dei dati
3.1. Regressione multivariata lineare e logistica.
3.2 Cluster Analysis
3.3. Introduzione all’apprendimento automatico supervisionato.
1. Basic concepts of linear algebra.
2. Introduction to Python programming language.
3. Multivariate data analysis
3.1 Multivariate linear and logistic regression.
3.2 Cluster analysis.
3.3 Introduction to supervised machine learning
L’esame consiste in una prova scritta e una tesina in cui gli studenti devono elaborare una dataset utilizzando codici implementati in Python. La tesina deve includere un esempio di applicazione di machine learning. Nel compito sono previsti
esercizi e domande brevi con l’obiettivo di verificare l'apprendimento
degli argomenti trattati e l’effettiva capacità di applicare le conoscenze
acquisite.
Criteri di valutazione dell'apprendimento.
Nella prova scritta gli studenti dovranno dimostrare di aver acquisito una solida conoscenza dei temi svolti nelle lezioni e di saper utilizzare la corrispondente strumentazione statistica.
Criteri di misurazione dell'apprendimento.
Il voto finale è attribuito in trentesimi. L’esame si intende superato se il
voto è pari o superiore a 18.
Criteri di attribuzione del voto finale.
Il voto finale viene attribuito sulla base del compito scritto, come somma
dei punteggi ottenuti sui singoli esercizi e il voto della tesina sull’analisi dei dati. Il punteggio di ogni esercizio
viene assegnato sulla base della difficoltà dello stesso.
Learning Evaluation Methods.
The final examination consists of a written test and a short report which analyzes a dataset using Python codes. The empirical analysis includes an application of machine learning. The written test consists of short exercises and questions designed to assess the learning of the topics covered and the student’s actual ability to apply the knowledge acquired.
Learning Evaluation Criteria.
During the written exam, students must demonstrate solid knowledge of the topics and methods for functions of one variable. The ability to apply the acquired knowledge is evaluated by solving the assigned problems.
Learning Measurement Criteria.
The exam is worth thirty points. A passing grade is 18 or above.
Final Mark Allocation Criteria.
The final score is determined based on the written exam: the sum of the scores obtained on the individual exercises and the short report on the data analysis. The score of each exercise is awarded based on its difficulty.
Andreas Muller and Sarah Guido: Introduction to Machine Leaning with Python, scaricabile dal web.
Andreas Muller and Sarah Guido: Introduction to Machine Leaning with Python, available on the web.
https://learn.univpm.it/
https://learn.univpm.it/
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