• Edizioni di altri A.A.:
  • 2017/2018
  • 2018/2019
  • 2019/2020
  • 2020/2021
  • 2021/2022
  • 2022/2023
  • 2023/2024
  • 2024/2025
  • 2025/2026

  • Testi di riferimento:
    Appunti del corso

    Per ulteriori approfondimenti:
    Giudici P, Figini S (2009). Applied Data Mining for Business and Industry. Wiley 
  • Obiettivi formativi:
    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 analisi multivariata. 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 dati multivariati con sofisticati metodi statistici. Le conoscenze acquisite gli consentiranno di interpretare in modo critico le relazioni economiche e/o aziendali. 
  • Prerequisiti:
    Lo studente deve possedere le conoscenze dei metodi statistici di base 
  • Metodi didattici:
    Lezioni orali. Esercitazioni pratiche con il software R. 
  • Modalità 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 analisi multivariata viene verificata in modo da essere in grado di trattare casi di studio specifici. 
  • Sostenibilità:
     
  • 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. 

1. Prefazione
2. Prime sintesi e rappresentazioni grafiche di dati multivariati
3. Analisi in Componenti Principali
4. Analisi Fattoriale e Modelli ad Equazioni Strutturali
5. Analisi delle Corrispondenze
6. Multidimensional Scaling
7. La classificazione dei dati
8. Alberi di regressione e classificazione

1. Prefazione
1.1. Cenni storici
1.2. Dati di esempio
2. Prime sintesi e rappresentazioni grafiche di dati multivariati
3. Analisi in Componenti Principali
4. Analisi Fattoriale e Modelli ad Equazioni Strutturali
5. Analisi delle Corrispondenze
6. Multidimensional Scaling
7. La classificazione dei dati
7.1. Introduzione
7.2. Classificazione con supervisione (analisi discriminante)
7.3. Classificazione senza supervisione (cluster analysis)
8. Alberi di regressione e classificazione
9. Appendice
9.1. Richiami di calcolo matriciale

Avvisi

Nessun avviso in evidenza

Documenti

Nessun documento in evidenza

Scopri cosa vuol dire essere dell'Ud'A

SEDE DI CHIETI
Via dei Vestini,31
Centralino 0871.3551

SEDE DI PESCARA
Viale Pindaro,42
Centralino 085.45371

email: info@unich.it
PEC: ateneo@pec.unich.it
Partita IVA 01335970693

icona Facebook   icona Twitter

icona Youtube   icona Instagram