Corso di laurea

Data Science per le Strategie Aziendali

Università della Calabria · 19 materie · 0 file condivisi

Ecco tutti i dettagli sul corso di laurea selezionato. Sul UniDocs troverai gli appunti condivisi dagli altri studenti del tuo corso di laurea, ordinati per materia. Ricordati che per poter visualizzare il materiale devi essere registrato al sito e possedere un numero di crediti sufficiente.

Sfoglia il materiale didattico

Con UniDocs hai l'opportunità di studiare insieme a tutto il tuo corso di laurea. Guadagna subito dei crediti, carica il materiale del tuo ultimo esame!
Più condividi, più tempo avrai per studiare con tutta la community!

Materie del corso

Demografia Computazionale 1° anno · 1° semestre · 6 CFU · STAT-03/A · 0 file

Il corso si propone di fornire gli strumenti metodologici e applicativi avanzati per l'analisi dei fenomeni demografici, economici e sociali. Competenze specifiche: competenze specifiche in relazione all’applicazione…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di fornire gli strumenti metodologici e applicativi avanzati per l'analisi dei fenomeni demografici, economici e sociali.

Competenze specifiche:

  • competenze specifiche in relazione all’applicazione delle tecniche e delle metodologie demografiche avanzate in diversi settori disciplinari, quali: le scienze assicurative e attuariali, il marketing, la gestione delle risorse umane.

Competenze trasversali:

  • capacità di modellizzazione dei fenomeni demografici e sociali e di interpretazione e contestualizzazione dei risultati dei modelli applicati che potranno essere utilizzate trasversalmente a tutti gli altri ambiti di applicazione della statistica

Programma

Il corso mira a dare agli studenti gli strumenti concettuali e pratici per lo studio dei fenomeni demografici complessi, utilizzando banche dati di diversa natura e applicando modelli statistici per dati micro e macro.

  • Ricerca sociale: definizione del problema di ricerca; reperimento, pulizia e preparazione dei dati; uso dei modelli e presentazione dei risultati; • Potenzialità dell'uso di varie fonti dati per l'analisi di fenomeni demografici, economici e sociali. Esempi e applicazioni; • Costruzione e applicazione di modelli per lo studio di fenomeni demografici, economici e sociali (modelli lineari, logit, probit, ordinali, ecc.) • Applicazioni pratiche a problemi e fenomeni demografici, economici e sociali attraverso l’uso del software Stata, del quale gli studenti impareranno funzionalità e programmazione; • Analisi predittive: strumenti e tecniche di stima e previsione.

Modalità d'esame

Metodi di Valutazione dell’Apprendimento
L’esame finale consiste in una prova pratica al PC con valutazione in trentesimi. La durata della prova scritta è fissata in 120 minuti.

Criteri di Valutazione dell’Apprendimento
Agli studenti viene fornito un dataset, sul quale lavorare per verificare delle ipotesi di ricerca, seguendo istruzioni loro fornite (prova semi-strutturata con stimolo chiuso e risposta aperta).
Vengono valutati la capacità di tradurre nel linguaggio di programmazione le istruzioni fornite, l’appropriatezza dei modelli e dei metodi utilizzati, i risultati ottenuti, i commenti a corollario dell’esercizio teorico. In particolare, le votazioni più alte saranno attribuite a chi dimostra una piena consapevolezza della materia, con una visione organica degli argomenti e la capacità di sviluppare autonomamente collegamenti fra di essi.

Criteri di Misurazione dell’Apprendimento
L’attribuzione del voto finale è in trentesimi. L’esame si intende superato al raggiungimento della soglia minima fissata in 18/30. Una valutazione insufficiente è determinata dalla mancanza di una conoscenza dei contenuti minimi del corso. I criteri di misurazione sono progressivi e funzionali al diverso raggiungimento delle conoscenze delle abilità fissate negli obiettivi formativi e sono così definiti: 18-20: conoscenza elementare dei metodi, del linguaggio di programmazione, e commenti appena sufficienti; 21-23: conoscenza accettabile ma generica ed abilità pratichhe non sempre appropriate; 24-26: conoscenza buona degli argomenti trattati, ma non sempre completa e dettagliata; 27-29: conoscenze molto buone, abilità pratiche e argomentazione adeguate e ben articolate; 30-30 e lode: conoscenze solide, complete e adeguate, mature e compiute abilità pratiche, applicazione critica nell’esposizione di metodi e argomenti. La durata della prova scritta è fissata in minimo 90 minuti. Le modalità d'esame saranno, inoltre, adeguate alle particolari esigenze degli/delle studenti/studentesse con disabilità certificate ai sensi delle leggi 104/92 e 118/71 o con Disturbo specifico di apprendimento (DSA) certificato ai sensi della legge 170/2010, facendo riferimento alle indicazioni fornite dalla Delegata alle attività concernenti l’integrazione degli Studenti con disabilità e con disturbi specifici di apprendimento nell’Ateneo

Comunicazione del Voto Finale
Appelli d’esame consultabili al link https://corsi.unical.it/lm/data-science-per-le-strategie-aziendali/cds/studiare/calendario-esami/

Testi di riferimento

Dispense fornite in aula dalla docente agli studenti frequentanti e via mail agli studenti non frequentanti.
Materiali on line.

Codice insegnamento 27008250

Disegni E Tecniche Di Campionamento 1° anno · 2° semestre · 9 CFU · STAT-01/A · 0 file

Lo studente dovrà essere in grado di selezionare un campione rappresentativo della popolazione, valutando i vantaggi e gli svantaggi che derivano dall’utilizzo di un determinato piano di campionamento. Competenze…

Scheda dell'insegnamento

Obiettivi formativi

Lo studente dovrà essere in grado di selezionare un campione rappresentativo della popolazione, valutando i vantaggi e gli svantaggi che derivano dall’utilizzo di un determinato piano di campionamento.

Competenze specifiche:

  • apprendimento di tecniche per le selezioni di un campione, anche complesso, da una popolazione finita e di metodi per la stima totale (media) di una variabile oggetto di studio;
  • predisposizione di tecniche d’indagine per tematiche sensibili;
  • competenze di base per stimare caratteristiche semplici della popolazione e valutare il grado di precisione delle stime ottenute;
  • analisi di campioni non-probabilistici nelle web-surveys.

Competenze trasversali:

  • capacità critiche e di giudizio conseguite attraverso: la partecipazione attiva alle lezioni rispondendo a quesiti che verranno posti in aula; la risoluzione individuale di problemi/esercizi con consegna entro un tempo stabilito; la lettura autonoma e apprendimento di articoli distribuiti a inizio corso.

Programma

Piani di campionamenti da popolazione finite e metodi di stima per caratteristiche incognite della popolazione oggetto di studio.

Introduzione. La progettazione di un’indagine campionaria; la popolazione oggetto di studio; il campione e il piano di campionamento; le probabilità di inclusione e le relative proprietà; piani di campionamento probabilistici e non probabilistici. Il campionamento casuale semplice con e senza reimmissione. Generalità e notazione; le probabilità di inclusione; lo stimatore per espansione; la varianza dello stimatore e la stima della varianza; la determinazione dell’ampiezza campionaria; la stima di una proporzione; la stima intervallare. Il campionamento stratificato. Generalità e notazione; le probabilità di inclusione; la stima del totale; la varianza dello stimatore del totale e la stima della varianza; diverse forme di allocazione delle unità (ottimale e proporzionale); confronti di efficienza tra diverse forme di allocazione. Il campionamento con probabilità variabili con e senza reimmissione. Generalità e notazione; la misura di ampiezza; metodi di selezione (totali cumulati, Lahiri, Yates & Grundy, sistematico casualizzato, Midzuno & Sen); lo stimatore di Hansen & Hurwitz; lo stimatore di Horvitz & Thompson; confronti di efficienza; il problema della scelta della misura di ampiezza. Il campionamento a grappoli. Generalità e notazione; il campionamento a grappoli ad uno stadio e due stadi; le probabilità di inclusione; la stima del totale; la varianza dello stimatore del totale. Il campionamento sistematico. Generalità e notazione; la stima del totale. Il metodo di stima del rapporto. Generalità e notazione; lo stimatore del totale e la varianza approssimata (metodo delta); confronti di efficienza; lo stimatore rapporto nel campionamento casuale semplice; lo stimatore rapporto separato e combinato nel campionamento stratificato. Il metodo di stima della regressione. Generalità e notazione; lo stimatore del totale e la varianza approssimata (metodo delta); confronti di efficienza; lo stimatore rapporto nel campionamento casuale semplice; lo stimatore rapporto separato e combinato nel campionamento stratificato; confronti di efficienza con lo stimatore rapporto nel campionamento stratificato. La calibrazione Il concetto di calibrazione e l’impiego delle variabili ausiliaria; lo stimatore calibrato e le sue proprietà; cenni alla calibrazione basata sul modello. Gli errori di misura. Il problema delle mancate risposte e lo stimatore di Horvitz & Thompson; modelli per mancate risposte (MCAR, MAR, NMAR); le indagini su temi delicati e la tecnica delle risposte randomizzate: il metodo di Warner, il metodo di Simmons, i modelli a risposta codificata per variabili quantitative. La stima della varianza con tecniche di ricampionamento: campioni replicati, bootstrap, jackknife. Stima della varianza. Campionamento nonprobabilistico e tecniche di correzione della selection bias.

Modalità d'esame

Metodi di valutazione dell’apprendimento
Per ogni appello, è prevista una prova di verifica semistrutturata con stimolo chiuso-risposta aperta che consiste in un esame orale in cui gli studenti, anche con l’ausilio della forma scritta, dovranno rispondere a una serie di domande poste dal docente su argomenti facenti parte del programma svolto durante il corso. Prevede anche la discussione di una o più letture distribuite a inizio corso dal docente per approfondimenti e studio individuale.
Le modalità d'esame saranno inoltre adeguate alle particolari esigenze degli/delle studenti/studentesse con disabilità certificate ai sensi delle leggi 104/92 e 118/71 o con Disturbo specifico di apprendimento (DSA) certificato ai sensi della legge 170/2010, facendo riferimento all'Art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con D.R. 01.03.2022, n. 370)

Criteri di valutazione dell’apprendimento
La prova orale mira a valutare il livello di conoscenza degli argomenti oggetto della discussione, gli spunti di approfondimento, la chiarezza espositiva attraverso l’uso di un lessico adeguato, il rigore metodologico e la capacità di collegare in maniera autonoma più argomenti.

Criteri per attribuzione del voto finale
Il superamento dell’esame prevede l’attribuzione di un voto finale espresso in trentesimi. Una premialità verrà riconosciuta agli studenti che si saranno particolarmente distinti in aula per livello di attenzione, senso critico, richiesta di approfondimenti e coinvolgimento nelle attività.

Gli appelli d’esame sono consultabili al link https://corsi.unical.it/lm/data-science-per-le-strategie-aziendali/cds/studiare/calendario-esami/

Testi di riferimento

  • Cicchitelli, G., Herzel, A., Montanari G.E. (1997). “Il Campionamento Statistico”, Il Mulino.
  • Conti P.L., Marella D. (2012). “Campionamento da Popolazioni Finite. Il Disegno Campionario”, Springer.
  • Frosini, B.V., Montanaro, M., Nicolini, G. (1999). “Il Campionamento da Popolazioni Finite. Metodi e Applicazioni”, UTET Università.
  • Tillè, Y., Dickson, M.M., Espa, G. (2020). “Elementi di campionamento e stima da popolazioni finite”. Pearson.
  • Cochran, W.G. (1977). “Sampling Technique”, Wiley.
  • Lohr, S.L. (2021). “Sampling: Design and Analysis”, Chapman and Hall/CRC
  • Lu, Y., Lohr, S. (2022). R Companion for Sampling: Design and Analysis. Chapman and Hall/CRC

Codice insegnamento 27008255

Econometrics for panel data 1° anno · 2° semestre · 6 CFU · ECON-05/A · 0 file

Competenze specifiche: Il corso mira a fornire competenze relative allo studio dei metodi avanzati di analisi econometrica applicati all'analisi dei modelli economici e finanziari al fine di verificare empiricamente la…

Scheda dell'insegnamento

Obiettivi formativi

Competenze specifiche:
Il corso mira a fornire competenze relative allo studio dei metodi avanzati di analisi econometrica applicati all'analisi dei modelli economici e finanziari al fine di verificare empiricamente la loro validità.

Competenze trasversali:
Il corso è finalizzato a stimolare la capacità degli studenti di approfondire in modo autonomo le tematiche affrontate e di sviluppare una propria autonomia di giudizio in relazione ai metodi e modelli econometrici più appropriati per l’analisi del fenomeno oggetto di studio.

Programma

ll corso intende fornire allo studente metodi avanzati di analisi econometrica per la trattazione quantitativa dei modelli della teoria finanziaria ed economica, con particolare enfasi allo studio dei modelli econometrici multivariati e panel.

  • Richiami ai modelli di regressione multipla in forma matriciale; Verifica delle Ipotesi di corretta specificazione;
  • Modelli pool per serie storiche;
  • modelli per dati panel con effetti fissi;
  • modelli per dati panel con effetti casuali;
  • Modelli alternativi con stimatori IV: Hausman and Taylor;
  • modelli dinamici per dati panel;
  • modelli spaziali per dati panel.

Modalità d'esame

Metodi di valutazione dell’apprendimento: 1) Una tesina da consegnare a fine corso. La tesina dovrà riguardare l’analisi empirica di un argomento concordato con il docente e l’utilizzo degli strumenti più avanzati studiati durante il corso. 2) Un esame orale che verterà sulla tesina. Criteri di valutazione dell’apprendimento La prova mira a valutare il livello di conseguimento delle competenze specifiche fornite dal corso. Costituiscono elementi di valutazione l’acquisizione del corretto corredo di linguaggio tecnico, la capacità di analisi critica e di giudizio e il livello di conoscenza dei contenuti metodologici del corso. L’esito della prova viene valutato sulla base della chiarezza, correttezza e completezza dell’esposizione circa gli argomenti proposti. Criteri di misurazione dell’apprendimento e di attribuzione del voto finale L’esito dell’esame è espresso in trentesimi. Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'Art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con D.R. 01.03.2022, n. 370).
Appelli d’esame consultabili al link https://corsi.unical.it/lm/data-science-per-le-strategie-aziendali/cds/studiare/calendario-esami/

Testi di riferimento

  • Badi H. Baltagi, (2013), Econometric Analysis of Panel Data, 5th Edition.
  • Hamilton, J. (1994), Time Series Analysis, Princeton University Press.
  • Hsiao, Cheng, (2015), Analysis of Panel Data, Cambridge University Press, 3rd Edition.
  • Lutkepohl, H.: 2005, New Introduction to Multiple Time Series Analysis, Springer, Berlin, Heidelberg, New York, Tokio.
  • Verbeek, M. (2004), Econometria, Zanichelli.
  • Dispense delle lezioni sito web www.camillamastromarco.i

Codice insegnamento 27008668

English For Data Science 1° anno · 1° semestre · 6 CFU · ANGL-01/C · 0 file

Competenze specifiche: comprendere testi relativi all'ambito economico-statistico; individuare il messaggio principale di un testo e informazioni specifiche; capire la relazione fra le diverse parti di un testo;…

Scheda dell'insegnamento

Obiettivi formativi

Competenze specifiche:

  • comprendere testi relativi all'ambito economico-statistico; individuare il messaggio principale di un testo e informazioni specifiche; capire la relazione fra le diverse parti di un testo; sviluppare lessico specialistico;
  • lo studente sarà stimolato a presentare in lingua i contenuti principali di un testo specialistico; esprimere la propria opinione circa un argomento; gestire i turni in un dibattito; evidenziare e riassumere le idee principali di una lezione/seminario/argomento, affrontare un colloquio di lavoro efficacemente.

Competenze trasversali:

  • acquisire autonomia di giudizio nell’analisi linguistica di testi in inglese;
  • sviluppare la propria abilità di auto-valutazione delle competenze linguistiche;
  • capacità di affrontare argomenti in modo autonomo e di rielaborarli personalmente in base al contesto in cui si trovano;
  • consolidamento del problem solving e dell’analisi testuale in autonomia.

Programma

Attraverso la presentazione della figura professionale del/della data scientist, dei principi e delle attività chiave, il corso mira a sviluppare e potenziare la conoscenza e l’uso della lingua inglese in ambito accademico e dell’ambito di pertinenza specifico.
Saranno sviluppate abilità per la produzione e la comprensione scritta, nonché per la comprensione, produzione e interazione orale, in relazione ad argomenti e ambiti di carattere economico-aziendale.
Alla fine del corso gli studenti avranno acquisito un livello di competenza linguistica pari al B2 del QCER (Quadro Comune Europeo di Riferimento per la conoscenza delle lingue).

Il corso si compone di due parti. Nella Prima Parte si affronterà la lettura di testi teorico-narrativi riguardanti le caratteristiche, i principi e le attività che definiscono la figura del/della data scientist, attraverso estratti da testi e articoli accademici dell’ambito scientifico di riferimento, che saranno studiati per la lezione, presentati e discussi in classe, e su cui saranno svolti esercizi scritti di comprensione, approfondimento linguistico e scrittura di brevi testi riassuntivi con commento critico.
La Seconda Parte del corso è basata su letture ed esercitazioni riguardanti studi del caso, sull’apprendimento di come si struttura e si svolge uno studio del caso e (a scelta) sullo svolgimento di uno studio del caso individuale o di gruppo riguardante un argomento a piacere o assegnato, di pertinenza dell’ambito scientifico di riferimento, che sarà presentato in classe, corredato da relativa versione scritta. Se valutato positivamente, tale progetto potrà sostituire la prima parte dell’esame.
Il programma seguirà il seguente ordine di argomenti:
1.1 Introduzione al corso. Argomenti, metodo, valutazione. Primo testo teorico-narrativo: Introduction to Applied Data Science.
1.2 Introduzione allo studio del caso quale strumento di analisi e di presentazione: come si struttura e si svolge.
2.1 Testo teorico-narrativo. Philosophies of Data Science.
2.2 Studio del caso. Walmart: How Big Data Is Used To Drive Supermarket Performance
3.1 Testo teorico-narrativo. Data Science and Global Mega Trends.
3.2 Studio del caso. Netflix: Big Data To Give Us The Programmes We Want.
4.1 Testo teorico-narrativo. Interdisciplinarity in Data Science.
4.2 Studio del caso. Lotus F1 Team: How Big Data Is Essential to The Success of Motorsport Teams.
5.1 Testo teorico-narrativo. The Data Scientist’s Set of Skills and Qualities.
5.2 Studio del caso. Pendleton & Son Butchers: Big Data for Small Business.
6.1 Testo teorico-narrativo. Data Products Step 1: Preparing and gathering data.
6.2 Studio del caso. LinkedIn: How Big Data Is Used to Fuel Social Media Success.
7.1 Testo teorico-narrativo. Data Products Step 2: Building the Data Product.
7.2 Studio del caso. Walt Disney Parks and Resorts: How Big Data Is Transforming Our Family Holidays.
8.1 Testo teorico-narrativo. Data Products Step 3: Finishing off the product and wrapping up.
8.2 Studio del caso. Google: How Big Data Is at The Heart of Google’s Business Model.
9.1 Testo teorico-narrativo. Legal Aspects of Applied Data Science.
9.2 Ripasso degli argomenti.
10. Simulazione d’esame.

Modalità d'esame

Gli studenti saranno valutati sulla base di una prova scritta della durata di un’ora e mezzo. L’esame si compone di due parti corrispondenti alle due componenti che caratterizzano il corso. La Prima Parte è incentrata su tre quesiti inerenti i contenuti dei testi teorico-narrativi studiati, attraverso cui si testerà anche la capacità di comprensione, sintesi, riflessione critica e comunicazione nella stesura di un paragrafo di carattere accademico. La Seconda Parte della prova d’esame, mirante a valutare la capacità di comprensione del testo e le competenze lessico-grammaticali e morfo-sintattiche, è basata su alcuni estratti da testi analizzati durante il corso, di cui si dovrà: a) scrivere il riassunto di due paragrafi utilizzando quattro/cinque frasi unite da linking words; b) completare il testo coniugando 10 voci verbali; c) completare il testo con 10 termini di lessico specialistico.
Il voto finale sarà calcolato in trentesimi e consisterà nella media delle due prove d’esame. La partecipazione in classe (basata sulla frequenza di almeno l’80% delle lezioni) potrà contribuire al voto finale con l’aggiunta di 1-3 punti. L’eventuale svolgimento della presentazione in classe di uno studio del caso con relativa parte scritta, se valutata positivamente, potrà sostituire la prima parte dell’esame se svolto nei primi due appelli della sessione di giugno-luglio.
Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'Art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n.370).
Appelli d’esame consultabili al link https://corsi.unical.it/lm/data-science-per-le-strategie-aziendali/cds/studiare/calendario-esami/

Testi di riferimento

Testi ed attività tratti dai seguenti volumi specialistici:
Brian Godey, Think Like a Data Scientist, 2017.
Martin Braschler, et al. eds, Applied Data Science Lessons Learned for the Data-Driven Business, 2019.
Bernard Marr, Big Data in Practice, 2016.

I momenti laboratoriali utilizzeranno anche estratti da articoli accademici e giornalistici e video.

Testi di grammatica e scrittura accademica di riferimento:
Paul Emmerson, Business Grammar Builder, 2010.
Stephen Bailey, Academic Writing. A Handbook for International Students, S2018.

Codice insegnamento 27008249

Laboratorio Di Modelli Statistici E Statistical Learning 1° anno · 1° semestre · 3 CFU · STAT-01/A · 0 file

L’obiettivo principale del corso è quello di fornire agli studenti le nozioni e le tecniche necessarie per la scelta del modello statistico per dati continui e per dati nell’intervallo continuo (0,1) più opportuno per…

Scheda dell'insegnamento

Obiettivi formativi

L’obiettivo principale del corso è quello di fornire agli studenti le nozioni e le tecniche necessarie per la scelta del modello statistico per dati continui e per dati nell’intervallo continuo (0,1) più opportuno per l’analisi di un problema reale. Le lezioni svolte nel Laboratorio Informatico-Statistico consentono agli studenti di apprendere in modo interattivo le problematiche connesse alla scelta del modello, alla stima, alla valutazione della bontà del modello stimato, nonché di soffermarsi sull’interpretazione dei risultati. Competenze Specifiche:

  • Attraverso l’utilizzo di data set reali, gli studenti acquisiranno competenze pratiche relative all’utilizzo dei principali modelli statistici.
  • Durante il corso gli studenti, organizzati in piccoli gruppi di studio, avranno la possibilità di interagire e confrontarsi per la soluzione di problemi reali assegnati durante le lezioni.
  • Gli studenti saranno capaci di individuare il modello statistico più opportuno per il set di dati da analizzare, valutare la bontà del modello stimato e interpretare i risultati delle stime, ottenute con l’utilizzo del software R.
    Competenze Trasversali:
  • Attraverso le lezioni svolte interamente nel Laboratorio di Statistica, gli studenti acquisiranno capacità di comunicare il proprio pensiero e i risultati delle applicazioni in modo comprensibile, di interloquire, di relazionarsi e confrontarsi con il docente e gli altri studenti.

Programma

Il corso prevede l’impiego del software R per l’utilizzo in situazioni reali delle tecniche statistiche esposte nel corso di Modelli Statistici e Statistical Learning, con particolare riferimento al modello di regressione multipla in presenza di violazione delle ipotesi fondamentali (multicollinearità, eteroschedasticità e correlazione) utilizzando anche tecniche di selezione automatica dei regressori e tecniche di regolarizzazione, al modello di regressione Beta e sue estensioni.

Il programma prevede l’applicazione delle metodologie trattate nel corso di Modelli Statistici e Statistical Learning. In particolare, si prevede la specificazione, la stima e la valutazione, nel caso di dati tratte da banche dati reali, di: (1) modelli di regressione multipla in presenza di violazione delle ipotesi; (2) tecniche di selezione automatica dei regressori e tecniche di regolarizzazione; (3) modelli di regressione Beta. Per le applicazioni è richiesto l’impiego del software R con particolare attenzione ai pacchetti: rsample, aplyr, tidyverse e ggplt2, leaps, glmnet, cv.glmnet, betareg, betaboost e ciTools.

Modalità d'esame

Metodi di valutazione dell’apprendimento Per ogni appello d’esame, la modalità di valutazione dell’apprendimento consiste in una prova orale individuale, con l’utilizzo anche la forma scritta (prova semi-strutturata a stimolo aperto – risposta aperta). La prova orale consiste nella presentazione, discussione e difesa del progetto didattico, predisposto da ogni gruppo, sia dal punto di vista teorico evidenziando le motivazioni sottostanti la scelta del modello utilizzato in base ai dati scelti sia dal punto di vista pratico, commentando i passaggi della costruzione, della stima e della valutazione del modello finale e fornendo l’interpretazione degli output presentati. Le modalità d'esame saranno inoltre adeguate alle particolari esigenze degli/delle studenti/studentesse con disabilità certificate ai sensi delle leggi 104/92 e 118/71 o con Disturbo specifico di apprendimento (DSA) certificato ai sensi della legge 170/2010, facendo riferimento all'Art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con D.R. 01.03.2022, n. 370 Criteri di valutazione dell’Apprendimento Gli esercizi di gruppo somministrati durante il corso e il progetto didattico da presentare durante la prova finale sono volti ad accertare l’acquisizione delle competenze specifiche fornite dal corso, con particolare riferimento alla corretta utilizzazione dei modelli statistici, alla capacità di interpretare e valutare i modelli stimati su dati reali. Particolare attenzione verrà posta all’acquisizione del linguaggio tecnico, alle capacità di analisi critica, alla chiarezza, correttezza e completezza dell’esposizione degli argomenti.

Exam dates can be found at https://corsi.unical.it/lm/data-science-per-le-strategie-aziendali/cds/studiare/calendario-esami/

Testi di riferimento

  • Materiale fornito dal docente sul sito web https://www.unical.it/storage/teachers/f.domma/

Codice insegnamento 27008247

Modelli E Tecniche Di Previsione 1° anno · 2° semestre · 9 CFU · STAT-01/A · 0 file

Obiettivo del corso è l’apprendimento degli strumenti comunemente utilizzati per effettuare previsioni nell’ambito delle serie storiche economiche e finanziarie. Competenze specifiche: apprendimento di modelli e tecniche…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivo del corso è l’apprendimento degli strumenti comunemente utilizzati per effettuare previsioni nell’ambito delle serie storiche economiche e finanziarie.

Competenze specifiche:
apprendimento di modelli e tecniche per la descrizione, l’analisi e l’interpretazione di fenomeni quantitativi che si evolvono nel tempo;
comprensione dei fatti stilizzati che contraddistinguono le serie storiche economiche e quelle finanziarie e individuazione delle metodologie più appropriate per modellarle;
conoscenza di opportuni pacchetti statistici in linguaggio R.

Competenze trasversali:
capacità di individuare la metodologia statistica più appropriata per modellare serie storiche;
autonomia nelle analisi statistiche e capacità critiche conseguite attraverso un approccio learnig-by-doing sviluppato a partire dall’analisi di dati simulati forniti in aula e da dati reali scelti in autonomia. Le analisi verranno effettuate in piena autonomia attraverso esperienze di laboratorio, di problem-solving e la stesura di un rapporto tecnico che sarà discusso in sede di verifica e valutazione dell’apprendimento.

Programma

L’insegnamento afferisce al dominio disciplinare della Statistica (SSD STAT-01/A), con un focus specifico sulla modellistica stocastica e l'analisi predittiva per dati strutturati temporalmente. I contenuti sono finalizzati allo sviluppo di competenze avanzate nella previsione per il supporto alle decisioni strategiche aziendali. I contenuti dell'insegnamento includono il richiamo dei concetti del modello lineare multiplo per la valutazione della capacità predittiva, l'introduzione ai processi stocastici, ai concetti di stazionarietà ed ergodicità e lo studio delle catene di Markov per l'analisi dei fenomeni dinamici. Il percorso prosegue con la trattazione dei modelli tipici delle serie storiche, dai processi ARMA e ARIMA per la modellizzazione del trend e della stagionalità, fino all'analisi della volatilità condizionata mediante i modelli ARCH, GARCH e le relative estensioni IGARCH ed EGARCH. A completamento del quadro metodologico, vengono trattati approcci moderni basati su tecniche di estrazione dei dati e apprendimento automatico (machine learning), con particolare riferimento all'utilizzo di alberi di decisione, foreste casuali e reti neurali per l'identificazione di relazioni non lineari e schemi complessi in serie storiche ad alta dimensionalità. Il percorso si conclude con la validazione delle previsioni e il confronto tra modelli statistici classici e algoritmi di apprendimento automatico con previsioni in contesti di business uncertainty.

Modulo 1 – Fondamenti di Predizione Lineare
Contenuti: regressione lineare multipla (forma matriciale, assunzioni). Capacità predittiva ed errore di previsione (bias-varianza). Analisi dei residui: autocorrelazione (Durbin-Watson, Breusch-Godfrey), eteroschedasticità. Metriche predittive out-of-sample: R^2, MSE, RMSE, MAE.
Risultati attesi: valutare e interpretare modelli lineari in ottica predittiva.

Modulo 2 – Processi Stocastici e Markov
Contenuti: definizione e classificazione dei processi stocastici. Stazionarietà (forte/debole), ergodicità. Autocovarianza e ACF. Catene di Markov: stati, matrice di transizione, proprietà markoviana, equazioni di Chapman-Kolmogorov, distribuzioni stazionarie.
Risultati attesi: comprendere la dinamica probabilistica dei fenomeni temporali.

Modulo 3 – Modelli Classici di Serie Storiche (ARMA/ARIMA)
Contenuti: componenti delle serie (trend, stagionalità, ciclo). White noise. Processi AR(p), MA(q), ARMA(p,q): proprietà e identificazione tramite ACF/PACF. Metodo Box-Jenkins: identificazione, stima (massima verosimiglianza), verifica (Ljung-Box), previsione. Non stazionarietà: ARIMA(p,d,q), test ADF. Modelli stagionali (SARIMA) e intervalli previsivi.
Risultati attesi: costruire e validare modelli per serie stazionarie e non.

Modulo 4 – Volatilità Condizionata (ARCH/GARCH)
Contenuti: eteroschedasticità e volatilità nei dati finanziari. Modelli ARCH(q), GARCH(p,q), IGARCH. Effetti asimmetrici e leverage (EGARCH). Stima, diagnostica e impiego per la gestione del rischio.
Risultati attesi: modellare e interpretare la dinamica della volatilità.

Modulo 5 – Machine Learning per Serie Temporali
Contenuti: limiti dei modelli parametrici nelle serie temporali. Strutturazione dei dati: lag, rolling/expanding window, dipendenza temporale. Alberi decisionali e Random Forests applicati a dati sequenziali e previsioni multi-step. Ensemble learning per maggiore stabilità. Introduzione ai metodi di machine learning per relazioni non lineari e dinamiche temporali.
Risultati attesi: applicare metodi ML a contesti temporali complessi.

Modulo 6 – Validazione e Confronto dei Modelli
Contenuti: tecniche di validazione: cross-validation temporale (finestre mobili/espansive). Selezione modelli (AIC, BIC). Confronto predittivo out-of-sample tra modelli statistici e ML. Analisi dell’incertezza e scenari previsivi per decisioni aziendali.
Risultati attesi: selezionare modelli robusti e supportare decisioni in condizioni di incertezza.

Modalità d'esame

Modalità di verifica dell’apprendimento : Esame scritto obbligatorio (minimo 120 minuti) articolato in quattro sezioni:

  • Quesiti a scelta multipla o Vero/Falso/Incerto con breve motivazione per verificare i concetti base;
  • Due domande aperte sui fondamenti dei processi stocastici, catene di Markov e serie storiche;
  • Dimostrazione matematica di proprietà o parametri dei modelli (es. stazionarietà, momenti GARCH);
  • Esercizio di analisi dati con interpretazione di output R o problem-solving su dati reali/simulati per valutare la capacità di diagnosi e supporto decisionale.

Consentita solo la calcolatrice scientifica. Le prove ricalcano le esercitazioni e simulazioni svolte in aula, di cui costituiscono varianti dirette. Per favorire un apprendimento critico e non mnemonico, non si forniscono archivi di prove passate; la preparazione deve basarsi su materiali didattici e casi studio discussi. Risultati comunicati tramite portale istituzionale.

Criteri di valutazione dell’apprendimento : La valutazione accerta: padronanza dei fondamenti matematici e statistici dei modelli previsivi; rigore logico nella stesura di dimostrazioni e quesiti teorici; capacità critica nel distinguere i fatti stilizzati delle serie economiche/finanziarie e selezionare il modello ottimale; autonomia nell'interpretazione dei risultati computazionali.

Criteri di misurazione dell’apprendimento e voto finale : Voto espresso in trentesimi (sufficienza a 18/30). Il punteggio è la somma dei pesi delle sezioni: domande chiuse/teoriche (40%), dimostrazione formale (20%), esercizio di analisi dati (40%). La lode richiede, oltre alla correttezza della prova, proprietà di linguaggio tecnico, capacità di collegamento trasversale e spiccata autonomia di giudizio.

Inclusione e Accessibilità : Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'Art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370).

Appelli d’esame consultabili al link: https://corsi.unical.it/lm/data-science-per-le-strategie-aziendali/cds/studiare/calendario-esami/

Testi di riferimento

Modulo 1 – Fondamenti di Predizione Lineare
Hyndman, R. J., Athanasopoulos, G. (2021). Forecasting: Principles and Practice, OTexts.
Letture selezionate per circa 40 pagine.

Modulo 2 – Processi Stocastici e Markov
Hamilton, J. D. (1994). Time Series Analysis, Princeton University Press.
Letture selezionate per circa 50 pagine.
Brockwell, P. J., Davis, R. A. (2016). Introduction to Time Series and Forecasting, Springer.
Letture selezionate per circa 40 pagine.

Modulo 3 – Modelli Classici di Serie Storiche (ARMA/ARIMA)
Box, G. E. P., Jenkins, G. M., Reinsel, G. C., Ljung, G. M. (2015). Time Series Analysis: Forecasting and Control, 5th ed., Wiley.
Letture selezionate per circa 120 pagine.
Brockwell, P. J., Davis, R. A. (2016). Introduction to Time Series and Forecasting, Springer.
Letture selezionate per circa 80 pagine.
Hamilton, J. D. (1994). Time Series Analysis, Princeton University Press.
Letture selezionate per circa 70 pagine.

Modulo 4 – Volatilità Condizionata (ARCH/GARCH)
Tsay, R. S. (2010). Analysis of Financial Time Series, 3rd ed., Wiley.
Letture selezionate per circa 80 pagine.
Hamilton, J. D. (1994). Time Series Analysis, Princeton University Press.
Letture selezionate per circa 40 pagine.

Modulo 5 – Machine Learning per Serie Temporali
Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, O’Reilly.
Letture selezionate per circa 100 pagine.
Hyndman, R. J., Athanasopoulos, G. (2021). Forecasting: Principles and Practice, OTexts.
Letture selezionate per circa 60 pagine.

Modulo 6 – Validazione e Confronto dei Modelli
Hyndman, R. J., Athanasopoulos, G. (2021). Forecasting: Principles and Practice, OTexts.
Letture selezionate per circa 40 pagine.
Box, G. E. P., Jenkins, G. M., Reinsel, G. C., Ljung, G. M. (2015). Time Series Analysis: Forecasting and Control, Wiley.
Letture selezionate per circa 50 pagine.

Codice insegnamento 27006616

Modelli Statistici E Statistical Learning 1° anno · 1° semestre · 6 CFU · STAT-01/A · 0 file

Competenze Specifiche: - Conoscere e comprendere i diversi tipi di modelli statistici e delle tecniche di regolarizzazione; - Conoscere e comprendere la differenza tra modelli inferenziali e modelli predittivi; -…

Scheda dell'insegnamento

Obiettivi formativi

Competenze Specifiche: - Conoscere e comprendere i diversi tipi di modelli statistici e delle tecniche di regolarizzazione; - Conoscere e comprendere la differenza tra modelli inferenziali e modelli predittivi; - Acquisire le competenze teoriche necessarie per la scelta del modello inferenziale e/o predittivo più opportuno sulla base dell’obiettivo di ricerca per l’analisi di un set di dati reali; - Saper applicare le conoscenze e le metodologie a specifici casi reali mediante l’utilizzo di opportuni strumenti informatici open source; - Saper analizzare ed interpretare i modelli utilizzati partecipando a gruppi di lavoro, auto-valutando in maniera critica il lavoro svolto Competenze Trasversali: fornire agli studenti la possibilità di interagire tra di loro e con il docente per individuare le risposte più appropriate ai quesiti posti dal mondo reale.

Programma

Il corso si propone di fornire agli studenti gli strumenti necessari per la costruzione di modelli statistici per l’analisi di dati quantitativi, usualmente utilizzati nelle scienze economiche e sociali. In particolare, verranno trattati i modelli di regressione multipla, le tecniche di selezione automatica dei regressori, le tecniche di individuazione delle violazioni delle ipotesi fondamentali (multicollinearità, eteroschedasticità e correlazione) con le relative possibili soluzioni e le tecniche di regolarizzazione, i modelli per l’analisi del reddito e della ricchezza e i modelli di regressione con risposta nell’intervallo continuo (0,1) e sue estensioni.

Il corso si propone di fornire agli studenti gli strumenti necessari per l’analisi di dati quantitativi, usualmente utilizzati nelle scienze economiche e sociali.
In particolare, il corso affronta le seguenti tematiche:

  • Modelli Lineari: specificazione, stima, diagnostica e previsione.
  • Tecniche di selezione automatica dei regressori: forward stepwise, backward stepwise, best subset.
  • Violazione delle ipotesi fondamentali e tecniche di regolarizzazione: minimi quadrati generalizzati, ridge regression, Lasso ed Elastic nets;
  • Modelli Statistici per l'analisi del reddito e della ricchezza individuale e familiare. Misure puntuali e sintetiche della diseguaglianza del reddito;
  • Regressione per variabile risposta nell'intervallo (0,1): la regressione Beta e sue estensioni.
    Si prevede un’analisi estensiva delle metodologie trattate attraverso la presentazione di opportuni casi di studio, anche grazie all’ausilio del software R.

Modalità d'esame

Metodi di valutazione dell’apprendimento Per ogni appello d’esame, la modalità di valutazione dell’apprendimento consiste in una prova orale (prova semi-strutturata a stimolo aperto – risposta aperta). Le modalità d'esame saranno inoltre adeguate alle particolari esigenze degli/delle studenti/studentesse con disabilità certificate ai sensi delle leggi 104/92 e 118/71 o con Disturbo specifico di apprendimento (DSA) certificato ai sensi della legge 170/2010, facendo riferimento all'Art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con D.R. 01.03.2022, n. 370). Criteri di valutazione dell’apprendimento La prova orale è rivolta ad accertare l’acquisizione delle competenze specifiche e i contenuti metodologici fornite dal corso. Criteri per attribuzione del voto finale Il voto finale, espresso in trentesimi, tiene conto della chiarezza, correttezza e completezza dell’esposizione degli argomenti.

Appelli d’esame consultabili al link https://corsi.unical.it/lm/data-science-per-le-strategie-aziendali/cds/studiare/calendario-esami/

Testi di riferimento

  • Linear Models in Statistics, Second Edition, by Alvin C. Rencher and G. Bruce Schaalje, 2008 John Wiley & Sons, Inc.
  • Ferrari S. e Cribari-Neto F. (2014): Beta Regression for Modelling Rates and Proportions. Journal of Applied Statistics, 31:7, 799-815.
  • Materiale fornito dal docente sul sito https://www.unical.it/storage/teachers/f.domma/ .

Codice insegnamento 27008246

Modelli Statistici Per Dati Categoriali 1° anno · 2° semestre · 6 CFU · STAT-01/A · 0 file

Durante il corso saranno presentati modelli e tecniche di analisi dei dati di natura qualitativa, discreta e ordinale: dall'analisi di tabelle di contingenza ai modelli lineari generalizzati. Competenze specifiche: -…

Scheda dell'insegnamento

Obiettivi formativi

Durante il corso saranno presentati modelli e tecniche di analisi dei dati di natura qualitativa, discreta e ordinale: dall'analisi di tabelle di contingenza ai modelli lineari generalizzati. Competenze specifiche: - Competenze teoriche e pratiche per l’analisi specifica di dati categoriali in diversi ambiti applicativi. - Capacità di formulare il modello più opportuno per i dati da analizzare, ottenere i risultati mediante il software dedicato (software R), interpretare opportunamente i risultati. Competenze trasversali - Autonomia nel condurre le analisi più opportune e capacità critiche attraverso un approccio learning-by-doing sviluppato a partire da esempi pratici svolti in aula e in laboratorio, seguendo il docente, e la stesura di un rapporto (stilato individualmente o in coppia) che sarà presentato al docente per l’esame finale di verifica dell’apprendimento.

Programma

Modelli e tecniche di analisi dei dati di natura qualitativa, discreta e ordinale: dai modelli lineari generalizzati ai modelli a variabili latenti (dati cross-section e dati longitudinali)

Strumenti di analisi per dati categoriali. Studi prospettivi, retrospettivi e cross sectional. Rischio relativo e misure per studi epidemiologici. Analisi delle tabelle di contingenza: aspetti inferenziali ed applicazioni. Concetto di odds e odds ratio. Modelli lineari generalizzati: fondamenti teorici ed esempi; stima di massima verosimiglianza e test sui parametri. Modelli logit e di conteggio: specificazione, stima dei parametri, diagnostica e interpretazione per variabili binarie, multinomiali e di conteggio. Modelli a variabili latenti e hidden Markov per serie toriche e dati longitudinali.

Modalità d'esame

Metodi di valutazione dell’apprendimento L’esame consiste nella stesura di un elaborato e in un esame orale (prova semistrutturata risposta chiusa, stimolo aperto). L’elaborato finale sarà stilato singolarmente o in coppia, applicando a dati reali la metodologia appresa e usando il software R. Per accedere all’esame orale, lo studente dovrà aver consegnato al docente l’elaborato finale in formato cartaceo almeno una settimana prima della data prevista per la prova orale. La prova orale consiste nell’esposizione degli argomenti trattati in aula, sia dal punto di vista metodologico che pratico mediante il commento di casi studio presentati e discussi durante il corso. Criteri di valutazione dell’apprendimento L’elaborato mira a valutare il livello di autonomia e di giudizio critico, nonché le abilità pratiche sviluppate dallo studente in merito all’analisi dei dati e alla corretta interpretazione degli output prodotti tramite il software R. La valutazione dell’elaborato tiene conto della correttezza e completezza delle analisi svolte e della chiarezza espositiva. La prova orale mira ad accertare il livello di conoscenza degli argomenti oggetto del corso e la capacità di ragionamento analitico. Criteri per attribuzione del voto finale Il voto finale, espresso in trentesimi, tiene conto, in egual misura, della qualità dell’elaborato prodotto e della prova orale. Appelli d’esame consultabili al link: https://corsi.unical.it/lm/data-science-per-le-strategie-aziendali/cds/studiare/calendario-esami/ . Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370

Testi di riferimento

Testo di riferimento: Agresti A. (2013) “Categorical Data Analysis”, Wiley. Altre letture suggerite: Agresti A. (2007) “An introduction to categorical data analysis”, Wiley. Kateri M. (2014) “Contingency table analysis: methods and Implementation using R”, Springer. Bartolucci, F., Farcomeni, A., & Pennoni, F. (2013). Latent Markov models for longitudinal data. Boca Raton, FL: Chapman & Hall/CRC.

Codice insegnamento 27008248

Sistemi Informativi 1° anno · 2° semestre · IINF-05/A · 0 file

SISTEMI INFORMATIVI AZIENDALI Il corso mira a far acquisire le competenze necessarie per la comprensione, gestione ed utilizzo dei moderni Sistemi Informativi con particolare riferimento alle problematiche connesse con…

Scheda dell'insegnamento

Obiettivi formativi

SISTEMI INFORMATIVI AZIENDALI
Il corso mira a far acquisire le competenze necessarie per la comprensione, gestione ed utilizzo dei moderni Sistemi Informativi con particolare riferimento alle problematiche connesse con la gestione e l’analisi dei dati e della conoscenza aziendale.
Competenze specifiche:

  • conoscere e comprendere i differenti tipi di sistemi informativi e le problematiche relative alla gestione, integrazione, e analisi di dati, e, in generale, connesse gestione della conoscenza aziendale;
  • conoscere e comprendere le metodologie e gli strumenti per la progettazione di componenti dei sistemi informativi;
  • sapere applicare concretamente le conoscenze e le metodologie di cui sopra a specifici domini applicativi mediante l’utilizzo di strumenti informatici open source;
  • sapere analizzare e progettare porzioni di sistemi informativi in specifici domini applicativi partecipando a gruppi di lavoro autonomi/autogestiti, e autovalutare in maniera critica il lavoro svolto.

Competenze trasversali:
saper relazionare in forma scritta e verbale sul lavoro svolto nell'analisi e progettazione di parti di sistemi informativi in ambiti economici, statistici e aziendali, anche attraverso l'uso di strumenti informatici.

Programma

PROCESSI DI BUSINESS
Linguaggi e applicativi per la modellazione di processi di business (es. Yasper);
linguaggi e applicativi per l’esecuzione di processi di business e di workflow (es. Yawl);
analisi strutturale e analisi prestazionali di processi di business (reti di code, simulazione);
esempi di applicazione di processi di business in ambito Cloud e Internet of Things;
cenni di process mining.

SISTEMI INFORMATIVI AZIENDALI
Tipologie di sistemi informativi aziendali (ERP, CRM, KMS, DSS);
composizione di un sistema informativo, ciclo di vita e metodologie di sviluppo dei sistemi informativi;
linguaggio UML per l’analisi, modellazione e progettazione di sistemi informativi;
strumenti software per la modellazione, analisi e manipolazione di dati aziendali;
cenni di tecnologie emergenti per sistemi informativi moderni (noSQL, Cloud Computing) e problematiche ad esse connesse.

  • Tipologie di sistemi informativi aziendali.
    Le organizzazioni, le risorse e i processi; il ruolo del Sistema Informativo nelle organizzazioni;
    leggi della risorsa informazione;
    tipologie di sistema informativo a supporto dei diversi processi aziendali; ERP, CRM, KMS, DSS;
    sistemi OLTP e OLAP; architettura dei sistemi di business intelligence.
  • Composizione di un sistema informativo, ciclo di vita e metodologie di sviluppo dei sistemi informativi.
    Modello organizzativo dei sistemi informativi;
    modello funzionale e informatico dei sistemi informativi;
    fasi del ciclo di vita dei sistemi informativi;
    metodologie di sviluppo dei sistemi informativi;
    catena del valore e processi.
  • UML per l’analisi, modellazione e progettazione di sistemi informativi.
    Diagrammi UML, esempi di utilizzo analizzando casi di studio;
    diagrammi delle attività;
    casi d’uso e diagrammi dei casi d’uso;
    processi e scenari di utilizzo del sistema informativo;
    progettazione concettuale e logica del sistema informativo;
    diagrammi delle classi;
    strumenti per la modellazione UML;
    casi di studio;
    linee guida per la stesura della relazione di progetto dei sistemi informativi.
  • Strumenti software per la modellazione, analisi e manipolazione di dati aziendali.
    Modello relazionale e DBMS MySQL;
    gestione di schemi e istanze tramite MySQL server e MySQL Workbench;
    definizione di schemi relazionali attraverso modelli grafici, forward e backward enginering;
    dump, importazione ed esportazione di schemi e di dati.
  • Tecnologie emergenti per sistemi informativi moderni e problematiche ad esse connesse.
    NoSQL e Cloud Computing;
    modelli logici dei database non relazionali;
    modello orientato ai documenti;
    JSON; MongoDB, Cloud e MongoDB Atlas;
    gestione di documenti in collezioni MongoDB;
    MongoDB Compass.

I concetti e le tematiche elencate verranno illustrati anche mediante la presentazione di opportuni casi di studio e concretamente sperimentati attraverso l’utilizzo di ambienti software.

Modalità d'esame

SISTEMI INFORMATIVI AZIENDALI
Metodi di valutazione dell’apprendimento
Prova orale (prova semi-strutturata con stimolo chiuso e risposta aperta) che include la discussione di un elaborato che documenta lo svolgimento di un progetto didattico relativo alla progettazione di una componente di un sistema informativo.
In caso di valutazione positiva del progetto, gli studenti facenti parte del gruppo di progetto potranno accedere alla prova orale individuale.
La prova orale, della durata di circa 30 minuti, consiste in un’interrogazione sugli argomenti teorici e pratici affrontati durante il corso.

Criteri di valutazione dell’apprendimento
Il progetto permetterà di valutare la capacità di analizzare, progettare e documentare parti di un sistema informativo.
Il progetto permetterà inoltre di valutare la capacità di presentazione dei risultati prodotti.
La prova orale permetterà di valutare le conoscenze teoriche e pratiche maturate nei seguenti ambiti:

  • ciclo di vita e metodologie di sviluppo dei sistemi informativi;
  • strumenti per la modellazione, analisi e manipolazione di dati aziendali.

Criteri di misurazione dell’apprendimento
Il progetto è valutato in trentesimi, tenendo conto sia della qualità del progetto realizzato sia della presentazione dello stesso.
In caso di valutazione almeno sufficiente del progetto, si è ammessi alla prova orale.

Criteri di attribuzione del voto finale
Se la prova orale è giudicata almeno sufficiente, la prova è superata con l’attribuzione di un voto in trentesimi.
Al termine della prova orale verrà attribuito un voto determinato dalla correttezza, completezza e chiarezza espositiva della relazione del progetto didattico e dalla valutazione della discussione del progetto didattico e degli argomenti trattati nel corso.
Il voto viene attribuito tenendo conto in egual misura del voto attribuito al progetto e della valutazione sulla prova orale.

Il voto finale dell'attività formativa principale (SISTEMI INFORMATIVI ) è determinato dalla media pesata sui crediti dei voti dei moduli che la costituiscono (MODULO1: PROCESSI DI BUSINESS e MODULO 2: SISTEMI INFORMATIVI AZIENDALI ).

Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'Art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con D.R. 01.03.2022, n. 370).

Appelli d’esame consultabili al link https://corsi.unical.it/lm/data-science-per-le-strategie-aziendali/cds/studiare/calendario-esami/

Testi di riferimento

SISTEMI INFORMATIVI AZIENDALI

  • Maurizio Pighin, Anna Marzona. Sistemi informativi aziendali ERP e sistemi di data analysis, Pearson.
  • Giampio Bracchi, Chiara Francalanci, Gianmario Motta. Sistemi informativi d’impresa rete, McGraw-Hill.
  • Martin Fower, UML Distilled. Guida rapida al linguaggio di modellazione standard.
    -Dispense fornite dal docente sul piattaforma didattica online

Codice insegnamento 27006627

Strategie D'Impresa (Avanzato) 1° anno · 2° semestre · 6 CFU · ECON-07/A · 0 file

Il corso ha l'obiettivo di far acquisire agli studenti gli strumenti di base necessari a governare i processi riguardanti l'innovazione e le dinamiche di sviluppo e lancio dei nuovi prodotti/servizi, mediante lo studio…

Scheda dell'insegnamento

Scheda dell'a.a. 2025/2026: quella dell'anno in corso non è ancora pubblicata.

Obiettivi formativi

Il corso ha l'obiettivo di far acquisire agli studenti gli strumenti di base necessari a governare i processi riguardanti l'innovazione e le dinamiche di sviluppo e lancio dei nuovi prodotti/servizi, mediante lo studio dei principali modelli e delle più recenti teorie; in particolare l'obiettivo è di accrescere nei discenti le capacità individuali con riferimento ai seguenti ambiti: Conoscenza e capacità di comprensione (knowledge and understanding) delle dinamiche dell'innovazione e del lancio di nuovi prodotti servizi Conoscenza e capacità di comprensione applicate (applying knowledge and understanding) all'innovazione e al lancio di nuovi prodotti e servizi; Autonomia di giudizio (making judgements) circa le strategie innovative e di ricerca&sviluppo di nuovi prodotti e servizi Abilità comunicative (communication skills) relativamente alle decisioni innovative relative a nuovi prodotti/servizi e nuovi mercati. Capacità di apprendere (learning skills) le strategie d'impresa relative all'innovazione.

Programma

Il corso sarà organizzato in otto unità didattiche (moduli), con la seguente articolazione: 1.Le Fonti dell'Innovazione; 2. Modelli di Innovazione Tecnologica; 3.Il successo dell’innovazione. 4.Progettare l’innovazione; 5.L’organizzazione interna dell’innovazione; 6. Il Team Management; 7. Il marketing dell'innovazione; 8. L’innovazione in azione. Il corso "Strategie di Impresa Progredito" tratta in modo prevalente la gestione dei processi innovativi a livello di impresa, di network e di contesti geografici più ampi. Il focus, pertanto, varia a seconda che si esaminino nel corso dei diversi moduli i processi innovativi a livello aziendale, quelli a livello di alleanze strategiche e quelli relativi ai contesti allargati tipo i distretti e i sistemi paese.

Modalità d'esame

La prova scritta prevede four (4) domande aperte su tutto il programma. Il colloquio orale segue lo scritto. La valutazione è in trentesimi. "Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'art. 9 del 'Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento' (emanato con decreto rettorale 01.03.2022, n. 370)."

Testi di riferimento

Libro di testo: Schilling, M. Gestione dell’innovazione. McGraw-Hill Le slide, la palestra d’esame, e tutte le informazioni saranno rese disponibili sul sito www.andrealanza.it

Codice insegnamento 27008254

Business Intelligence e Big Data Analytics 2° anno · 1° semestre · IINF-05/A · 0 file

BIG DATA ANALYTICS Il modulo di “Big Data Analytics”, nell’ambito del Corso di Business intelligence e Big Data Analytics, affronta problemi e metodi avanzati relativi ai sistemi per l’estrazione di conoscenza nei dati -…

Scheda dell'insegnamento

Obiettivi formativi

BIG DATA ANALYTICS
Il modulo di “Big Data Analytics”, nell’ambito del Corso di Business intelligence e Big Data Analytics, affronta problemi e metodi avanzati relativi ai sistemi per l’estrazione di conoscenza nei dati - Data Mining, Text Mining e NLP, Graph Mining e Network Science.

Conoscenza e comprensione (Descrittore di Dublino 1)
Gli studenti acquisiranno conoscenze avanzate relative ai principali paradigmi, modelli e metodologie per l’analisi di Big Data, con particolare riferimento a Data Mining, Text Mining, Natural Language Processing (NLP), Graph Mining e Network Science. Saranno in grado di comprendere i fondamenti teorici e gli aspetti metodologici delle tecniche di estrazione della conoscenza da dati strutturati e non strutturati, nonché le problematiche connesse alla gestione, rappresentazione e interpretazione di grandi moli di dati eterogenei.
Capacità di applicare conoscenza e comprensione (Descrittore di Dublino 2)
Gli studenti saranno in grado di applicare tecniche e strumenti avanzati per l’analisi di Big Data in differenti contesti applicativi. In particolare, sapranno progettare e implementare processi di analisi dei dati, utilizzare algoritmi di Data Mining e modelli predittivi, applicare metodi di Text Mining e NLP per l’analisi automatica dei testi e impiegare strumenti di Graph Mining per la modellazione e l’analisi di reti e dati relazionali. Le competenze applicative saranno consolidate attraverso attività progettuali e casi di studio basati su dataset reali e complessi.
Capacità critica e di giudizio (Descrittore di Dublino 3)
Gli studenti svilupperanno capacità critiche nella selezione, valutazione e interpretazione di modelli e algoritmi per l’analisi dei Big Data. Saranno in grado di confrontare approcci differenti in funzione del contesto applicativo, valutandone efficacia, limiti, scalabilità e interpretabilità dei risultati. Inoltre, matureranno autonomia di giudizio nell’analisi di problematiche complesse e nella definizione di soluzioni data-driven supportate da evidenze empiriche.
Capacità di comunicazione (Descrittore di Dublino 4)
Gli studenti acquisiranno la capacità di comunicare in modo chiaro ed efficace risultati, metodologie e problematiche relative all’analisi dei Big Data, sia in forma scritta sia orale. Attraverso attività di progetto e lavoro di gruppo, svilupperanno competenze di collaborazione, coordinamento e presentazione tecnica, utilizzando un linguaggio appropriato sia nei confronti di interlocutori specialisti sia non specialisti.
Capacità di apprendimento autonomo (Descrittore di Dublino 5)
Gli studenti svilupperanno capacità di apprendimento autonomo che consentiranno loro di approfondire in maniera indipendente nuovi metodi, strumenti e tecnologie nel settore dei Big Data Analytics, caratterizzato da una rapida evoluzione scientifica e tecnologica. Saranno in grado di reperire, analizzare e integrare nuove conoscenze, aggiornando continuamente le proprie competenze anche in contesti interdisciplinari e applicativi avanzati.

Programma

BUSINESS INTELLIGENCE
Sistemi di supporto alle decisioni aziendali;
il ciclo di vita dei sistemi di Data Warehousing;
progettazione e interrogazione di Data Warehousing;
la gestione di progetti di Data Warehousing;
oltre il Data Warehousing: Business Intellegence, analisi what-if; Business Performance Management.

BIG DATA ANALYTICS
Il modulo di “Big Data Analytics”, nell’ambito del Corso di Business intelligence e Big Data Analytics, affronta problemi e metodi avanzati relativi ai sistemi per l’estrazione di conoscenza nei dati - Data Mining, Text Mining e NLP, Graph Mining e Network Science.

● Tecniche e algoritmi avanzati di Data Mining per la risoluzione di problemi di predizione ed esplorazione: Classification, Clustering, Pattern Mining, Ensemble Learning.
● Tecniche e algoritmi avanzati di Text Mining e Natural Language Processing per la risoluzione di problemi di predizione ed esplorazione: Rappresentazione dei Documenti, Clustering e Classificazione di Documenti, Estrazione di Entità e Relazioni, Analisi della Polarità di Sentimento, Inferenza di Linguaggio Naturale.
● Tecniche e algoritmi avanzati di Graph Mining e Network Science: Modellazione ed Analisi Strutturale di Grafi, Centralità, Scoperta di Community, Predizione di Collegamenti.

Modalità d'esame

BIG DATA ANALYTICS
Metodi di Valutazione dell’Apprendimento
La modalità di valutazione dell’apprendimento prevede una prova orale (semistrutturata, stimolo chiuso, risposta aperta). La prova orale, della durata di al più un’ora, si articola nell’esposizione (orale e con l’ausilio anche della forma scritta) da parte dello studente in relazione a specifiche domande per ciascun modulo.
L’esame prevede anche la discussione di un elaborato di progetto che sarà costituito da un due parti integrate, una relativa ad aspetti di Business Intelligence e una relativa ad aspetti di Big Data Analytics.
Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'Art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con D.R. 01.03.2022, n. 370).

Criteri di Valutazione dell’Apprendimento
La prova orale intende verificare se è stato acquisito il corretto corredo di linguaggio tecnico, la capacità di analisi critica e di giudizio, valutando anche il livello di conoscenza dei contenuti metodologici del corso.
L’esito della prova viene valutato sulla base della chiarezza, correttezza e completezza dell’esposizione circa gli argomenti di discussione proposti.
Per superare la prova con livello sufficiente occorre rispondere, in modo corretto e completo, ad almeno uno degli argomenti per ciascun modulo. Si valuterà altresì l’elaborato presentato in termini di correttezza e completezza nonché di efficienza della soluzione software prodotta.

Criteri di Misurazione dell’Apprendimento e Attribuzione del Voto Finale
L’attribuzione del voto finale, in trentesimi, viene assunto sulla base dello svolgimento della prova orale considerando anche la qualità dell’elaborato di progetto presentato.

Appelli d’esame consultabili al link https://corsi.unical.it/lm/data-science-per-le-strategie-aziendali/cds/studiare/calendario-esami/

Testi di riferimento

BIG DATA ANALYTICS
Slides fornite dai docenti e riferimenti bibliografici inclusi all’interno delle slide, inclusi ma non limitati ai seguenti testi di riferimento:

Jiawei Han, Micheline Kamber, Jian Pei. Data Mining: Concepts and Techniques. Morgan Kaufmann. 2011
Jure Leskovec, Anand Rajaraman, Jeffrey David Ullman. Mining of Massive Datasets. Cambridge University Press. 2020
Peter Ghavami. Big Data Analytics Methods. De Gruyter. 2019
Foundations of Statistical Natural Language Processing . Manning C.D., Schütze H . Cambridge Press, 1999.
Machine Learning for Text. Charu C. Aggarwal. Springer, 2022.
Natural Language Processing with Transformers. Lewis Tunstall, Leandro von Werra, Thomas Wolf. O’Reilly, 2022
Stanley Wasserman, Katherine Faust. Social Network Analysis: Methods and Applications. Cambridge University Press. 1995
Reza Zafarani, Mohammad Ali Abbasi, Huan Liu. Social Media Mining. Cambridge University Press. 2014

Codice insegnamento 27010155

Economia Dei Mercati Digitali 2° anno · 2° semestre · 6 CFU · ECON-01/A · 0 file

L’insegnamento ha l’obiettivo di contribuire a formare professionalità in grado di comprendere e analizzare le dinamiche competitive nei mercati digitali, l’intervento pubblico finalizzato a garantire il corretto…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento ha l’obiettivo di contribuire a formare professionalità in grado di comprendere e analizzare le dinamiche competitive nei mercati digitali, l’intervento pubblico finalizzato a garantire il corretto funzionamento dei mercati, le relative implicazioni in termini sistemici.

Competenze specifiche:

  • approfondimento delle basi teoriche ed empiriche necessarie allo studio delle dinamiche competitive dei mercati dell’economia digitale;
  • comprensione delle principali problematiche concorrenziali nei mercati digitali e delle logiche di intervento delle autorità antitrust;
  • capacità di definire le strategie di discriminazione di prezzo attraverso l’utilizzo dei big data.

Competenze trasversali:

  • capacità di applicare le conoscenze acquisite a contesti e problemi reali, proponendo soluzioni appropriate e discutendone le implicazioni. Particolare enfasi sarà posta sull'utilizzo di casi studio come strumento per sollecitare l'applicazione in concreto delle conoscenze teoriche acquisite e interagire nella ricerca di possibili soluzioni in contesti multidisciplinari.

Programma

Il corso mira a descrivere il funzionamento dei mercati digitali. La finalità è quella di analizzare le scelte e le strategie di prezzo e non di prezzo attuate dalle imprese in tali mercati e gli effetti di queste decisioni sull’esito del mercato e sul benessere sociale.

Le caratteristiche dei mercati digitali.
Effetti di rete Within e Cross-groups.
Piattaforme: definizione e tipologie.
Sistema R&R&R.
La discriminazione dei prezzi nei mercati digitali.
Strategie non di prezzo nei mercati digitali.
La regolamentazione dei mercati digitali.

Modalità d'esame

Metodi di Valutazione dell’Apprendimento
L'accertamento delle conoscenze e della capacità di comprensione avviene tramite lo svolgimento di una prova scritta, valutata in trentesimi, finalizzata a valutare il raggiungimento degli obiettivi didattici. La prova scritta, della durata complessiva di 1 ora e 30 minuti, è semistrutturata/stimolo chiuso a risposta aperta ed è tesa a testare la conoscenza degli studenti sull’intero programma.
Criteri di Valutazione dell’Apprendimento.
La prova scritta mira a valutare il livello di apprendimento delle competenze specifiche fornite dal corso. L’esito della prova scritta è positivo (espresso in trentesimi) se lo studente ha raggiunto un grado sufficiente di conoscenza sia degli aspetti teorici che per la capacità di sviluppare gli esercizi applicativi.
L’esito della prova viene valutato sulla base della chiarezza, correttezza e completezza dell’esposizione circa gli argomenti di discussione proposti.
Criteri di Misurazione dell’Apprendimento e Attribuzione del Voto Finale.
Gli esiti della prova scritta e della (eventuale) successiva prova orale contribuiscono a definire l’esito complessivo dell’esame, la cui valutazione è espressa in trentesimi.

Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con decreto rettorale 01.03.2022, n. 370).

Appelli d’esame consultabili al link:
https://corsi.unical.it/lm/data-science-per-le-strategie-aziendali/cds/studiare/calendario-esami/

Testi di riferimento

Belleflamme P. Peitz M., The Economics of Platforms: Concepts and Strategy, Cambridge University Press, 2021.
Materiale didattico aggiuntivo a cura del docente.

Codice insegnamento 27008263

Laboratorio Metodi Statistici Per Le Strategie Aziendali 2° anno · 1° semestre · 3 CFU · STAT-01/A · 0 file

Attraverso la presentazione di opportuni casi di studio, si prevede un’analisi estensiva delle metodologie trattate nel Modulo di Metodi Statistici per le Strategie Aziendali (insegnamento di Statistica per le…

Scheda dell'insegnamento

Obiettivi formativi

Attraverso la presentazione di opportuni casi di studio, si prevede un’analisi estensiva delle metodologie trattate nel Modulo di Metodi Statistici per le Strategie Aziendali (insegnamento di Statistica per le Decisioni Aziendali), anche grazie all’ausilio di software quali R ed SPSS.

Competenze specifiche:

  • acquisire competenze sufficienti per trattare ed elaborare dati a supporto dei processi decisionali e strategici delle aziende, secondo un approccio statistico multidimensionale.

Competenze trasversali:

  • sviluppare capacità critiche e di giudizio e abilità comunicative

Programma

Applicazioni di Multidimensional Scaling metrico e non metrico, di analisi delle corrispondenze, di segmentazione gerarchica (AID, CHAID, CART, Random Forest), di Conjoint Analysis: approccio metrico e non metrico.

Applicazioni di:

  • Multidimensional Scaling metrico e non metrico;
  • analisi delle corrispondenze;
  • segmentazione gerarchica (AID, CHAID, CART, Random Forest);
  • Conjoint Analysis: approccio metrico e non metrico.

Modalità d'esame

La valutazione avverrà sulla base dello svolgimento di una prova pratica (a stimolo aperto e risposta aperta) mediante l’utilizzo del software specifico per l’impiego delle metodologie statistiche trattate e della successiva discussione dei risultati ottenuti. La prova pratica, quindi, consisterà nell’analisi di un dataset da effettuare in ambiente R e/o SPSS, con relativa produzione dello script eventualmente associato e presentazione dei risultati. Ai fini della realizzazione della prova pratica sono previsti almeno due momenti di discussione e confronto durante l’erogazione del corso che concorreranno alla valutazione finale. Simultaneamente verranno valutate le capacità critiche e di giudizio, le proprietà di linguaggio tecnico specifico e la chiarezza espositiva. Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'Art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con D.R. 01.03.2022, n. 370).

Il voto finale è espresso con l’attribuzione di un giudizio (idoneo/non idoneo)

Appelli d’esame consultabili al link https://corsi.unical.it/lm/data-science-per-le-strategie-aziendali/cds/studiare/calendario-esami/

Testi di riferimento

Crawley, Michael J. (2013). The R book. Chichester, West Sussex, United Kingdom :Wiley. Materiale didattico a cura del docente disponibile al link classe Microsoft Teams

Codice insegnamento 27008256

Machine and Deep Learning (Advanced) 2° anno · 2° semestre · 6 CFU · IINF-05/A · 0 file

Obiettivo del corso è fornire un’approfondita conoscenza delle tecniche di progettazione di reti neurali "deep", in contesti applicativi complessi quali il riconoscimento di immagini, documenti testuali e video.…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivo del corso è fornire un’approfondita conoscenza delle tecniche di progettazione di reti neurali "deep", in contesti applicativi complessi quali il riconoscimento di immagini, documenti testuali e video.

Competenze specifiche:
conoscenza dei principi del deep learning, delle reti convoluzionarie, delle reti generative e adversarial;
abilità nel progettare e implementare in Keras soluzioni di deep learning.

Competenze trasversali:
abilità nell'analisi e nella risoluzione dei problemi e nel lavoro di gruppo.

Programma

Deep learning per visione artificiale;
architetture ricorrenti e reti per analisi di testi e sequenze;
architetture avanzate di deep learning;
autoencoders;
architetture generative e reti adversarial.

Codice insegnamento 27010942

Ottimizzazione 2° anno · 2° semestre · 9 CFU · MATH-06/A · 0 file

Il corso mira ad affrontare concetti e modelli di base per sviluppare metodologie e tecniche avanzate per problemi di ottimizzazione. Competenze specifiche: elaborare e/o applicare idee originali, nella modellazione e…

Scheda dell'insegnamento

Obiettivi formativi

Il corso mira ad affrontare concetti e modelli di base per sviluppare metodologie e tecniche avanzate per problemi di ottimizzazione.
Competenze specifiche:

  • elaborare e/o applicare idee originali, nella modellazione e ottimizzazione di problemi;
  • risolvere problemi in ambiti nuovi, capacità di valutazione e validazione dei risultati.
    Competenze trasversali:
  • integrare le conoscenze e gestire la complessità, formulare giudizi;
  • capacità di comunicare e illustrare le conclusioni e le conoscenze, a interlocutori specialisti e non specialisti;
  • studiare in un modo ampiamente auto-gestito e autonomo

Programma

Concetti e modelli di base per sviluppare metodologie e tecniche avanzate per problemi di ottimizzazione.

· Introduzione all’ottimizzazione nell’era dell’Industria 5.0: analisi delle cinque rivoluzioni industriali, importanza dell’uso dei dati nell’era digitale, i dati come strumento di potenziamento delle tecniche di ottimizzazione.
· Ripasso dei concetti fondamentali della Ricerca Operativa ed esempi pratici di modelli di ottimizzazione (produzione, dieta, schedulazione).
· Modelli per problemi di ottimizzazione su rete: problema di flusso a costo minimo, problema del cammino minimo orientato, problema di massimo flusso, problema di trasporto e problema di assegnamento.
· Modelli e algoritmi per problemi di gestione dei fornitori: programmazione multi-obiettivo, metodo dell’epsilon vincolo e costruzione della frontiera di Pareto.
· Modelli e algoritmi per problemi di localizzazione discreta: problema di localizzazione single-commodity one echelon, capacitated plant locaiton, euristiche di risoluzione per ispezione, problemi di localizzazione basati sul concetto di copertura, euristica di Chvatal.
· Modelli e algoritmi per problemi di gestione dei magazzini: problema di dimensionamento dell’area di stoccaggio, di ricevimento e di spedizione, problema di assegnamento dei camion alle porte di un crossdock, euristica di assegnamento alternato, problema del prelievo delle unità di carico ed euristiche della forma ad S e della massima distanza.
· Modelli e algoritmi per problemi di instradamento: Travelling salesman problem di tipo asimmetrico (caratteristiche e formulazione), lower bound, euristica delle toppe, euristica del vertice più vicino, k-scambio, algoritmo di branch-and-cut per la risoluzione ottima
Uso del software di ottimizzazione LINGO per la risoluzione dei problemi di cui sopra.

Modalità d'esame

Metodi di valutazione dell’apprendimento Per ogni appello d’esame, la modalità di valutazione dell’apprendimento è di tipo semi-strutturata con stimolo chiuso e risposta aperta si articola in una prova scritta e una prova orale. Il superamento della prova scritta è prerequisito fondamentale per accedere alla prova orale. La prova scritta (eventualmente anche con l’uso di software), costituita da alcuni esercizi applicativi, ha una durata pari a due ore. Gli studenti devono risolvere gli esercizi proposti riportando i passaggi salienti dei metodi di soluzione utilizzati e la soluzione stessa. La prova orale, della durata di circa mezz’ora, si articola in alcuni quesiti posti dal docente e riguardanti argomenti del programma per i quali gli studenti devono esporre la soluzione anche con l’ausilio della forma scritta.Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'Art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con D.R. 01.03.2022, n. 370). Criteri di valutazione dell’apprendimento: La prova scritta mira a valutare il livello di conseguimento delle competenze specifiche fornite dal corso. Per essere ammessi alla successiva prova orale, occorre il superamento della prova scritta che si consegue tramite una valutazione sufficiente dell’elaborato da parte del docente. La prova orale intende verificare il livello di comprensione dei concetti analizzati durante il corso. Gli studenti devono mostrare di saper analizzare ed esporre la soluzione dei temi richiesti dal docente in modo compiuto ed esaustivo. L’esito della prova viene valutato sulla base della correttezza, completezza e chiarezza dell’esposizione circa gli argomenti di discussione proposti. Criteri di misurazione dell’apprendimento e di attribuzione del voto finale: Gli esiti della prova scritta e della prova orale contribuiscono a definire globalmente l’esito finale dell’esame in trentesimi.

Appelli d’esame consultabili al link https://corsi.unical.it/lm/data-science-per-le-strategie-aziendali/cds/studiare/calendario-esami/

Testi di riferimento

1. Appunti integrativi del docente.
2. G. Ghiani, R. Musmanno, Introduzione alla gestione dei sistemi logistici, con problemi svolti in Microsoft Excel e Python, ISEDI, 2022
3. G. Bruno, Operations Management, Edizioni Scientifiche Italiane, Napoli, 2003

Codice insegnamento 27005402

Prova Finale 2° anno · 15 CFU · 0 file
Statistica Per Le Decisioni Aziendali 2° anno · 1° semestre · STAT-01/A · 0 file

METODI STATISTICI PER LE STRATEGIE AZIENDALI Obiettivo del corso è introdurre alcune particolari classi di metodi e tecniche di apprendimento dai dati a supporto delle decisioni aziendali con particolare riferimento alla…

Scheda dell'insegnamento

Obiettivi formativi

METODI STATISTICI PER LE STRATEGIE AZIENDALI
Obiettivo del corso è introdurre alcune particolari classi di metodi e tecniche di apprendimento dai dati a supporto delle decisioni aziendali con particolare riferimento alla soluzione di problemi complessi soggetti a incertezza. Si approfondiranno problemi complessi per i quali si può adottare una possibile soluzione basata essenzialmente su approcci multidimensionali. In particolare si approfondiranno metodi multivariati a supporto delle strategie aziendali e si introdurranno gli studenti all’utilizzo del software corrispondente. Competenze specifiche: - acquisire elementi metodologici e strumenti interpretativi necessari per la comprensione e l’applicazione di tecniche statistiche avanzate a supporto delle decisioni aziendali. Competenze trasversali: - sviluppare capacità critiche e di giudizio e abilità comunicative.

Programma

TECNICHE DI APPRENDIMENTO E RETI NEURALI
Ragionamento probabilistico;
reti bayesiane;
inferenza nelle reti bayesiane;
metodi di apprendimento automatico e reti neurali.

METODI STATISTICI PER LE STRATEGIE AZIENDALI

  • La statistica a supporto delle strategie aziendali e della pianificazione strategica;
  • le mappe percettive per il posizionamento di prodotto, di marchio e aziendale attraverso il Multidimensional Scaling (metrico, non metrico e per differenze individuali);
  • l’analisi delle corrispondenze e il mapping multidimensionale;
  • la segmentazione gerarchica del mercato (AID, CHAID, CART, Bagging e Random Forest);
  • la Conjoint Analysis per l’analisi delle preferenze dei consumatori.

Modalità d'esame

METODI STATISTICI PER LE STRATEGIE AZIENDALI
Ai fini del conseguimento del voto finale concorreranno, in egual misura, le valutazioni acquisite sui contenuti dei due moduli.
Ai fini della verifica verranno altresì valutate le capacità critiche e di giudizio, le proprietà di linguaggio tecnico specifico e la chiarezza espositiva.

La valutazione relativa ai contenuti del modulo di Metodi Statistici per le Strategie Aziendali si baserà su una prova orale a stimolo aperto e risposta aperta. La prova sarà diretta a verificare l’effettiva comprensione dei metodi e dei modelli trattati e la capacità di proporne l’utilizzo in contesti reali.

L’attribuzione del voto finale è in trentesimi. L’esame si intende superato al raggiungimento della soglia
minima fissata in 18/30.
Una valutazione insufficiente è determinata dalla mancanza di una conoscenza dei contenuti minimi del
corso.

Le modalità d'esame saranno adeguate alle particolari esigenze degli studenti e delle studentesse con disabilità certificate ai sensi delle leggi 104/1992 e 118/1971 o con disturbi specifici di apprendimento (DSA) certificati ai sensi della legge 170/2010, facendo riferimento all'Art. 9 del "Regolamento per l'inclusione e il diritto allo studio di studenti con disabilità o con disturbi specifici di apprendimento" (emanato con D.R. 01.03.2022, n. 370).

Appelli d’esame consultabili al link https://corsi.unical.it/lm/data-science-per-le-strategie-aziendali/cds/studiare/calendario-esami/

Testi di riferimento

METODI STATISTICI PER LE STRATEGIE AZIENDALI

  • B. Bracalente, M. Cossignani, A. Mulas (2009). Statistica aziendale. McGraw-Hill
  • Bassi F., Ingrassia S., (2022). Statistica per Analisi di Mercato. Pearson
  • Gareth J., Witten D., Hastie T., Tibshirani R,. (2020). Introduzione all'apprendimento statistico. Con applicazioni in r. Italia, Piccin-Nuova Libraria.
  • Lebart, L., Morineau, A. and Warwick, K.M. (1984) Multivariate Descriptive Statistical Analysis. John Wiley & Sons, New York.
  • S. Zani, A. Cerioli (2007). Analisi dei dati e data mining per le decisioni aziendali. Giuffrè Ed.
  • L. Breiman, J. Friedman, C.J. Stone, R.A. Olshen (1984). Classification and Regression Trees. Chapman and Hall/CRC
    Materiale didattico a cura del docente disponibile sul canale Ms Teams

Codice insegnamento 27008257

Econometria Per Dati Panel 2° semestre · 6 CFU · 0 file
Machine E Deep Learning (Avanzato) 2° semestre · 6 CFU · INF/01 · 0 file

Recensioni del corso

Studi qui? Accedi per lasciare la tua recensione e aiutare altri studenti a scegliere.

★

Nessuna recensione per ora — e la prima è la più preziosa. Condividi la tua esperienza e orienta le future matricole.