Statistica E Data Science

Il corso ha l’obiettivo di fornire conoscenze teoriche e pratiche delle principali tecniche di inferenza statistica e delle relative strategie computazionali. Il corso inoltre si propone di sviluppare la capacità degli studenti di analizzare problemi inferenziali scegliendo metodi inferenziali appropriati, implementare le analisi usando il software R e interpretare e descrivere in modo appropriato i risultati delle analisi effettuate.

Introduzione all’inferenza statistica. Principi di riduzione dei dati. Stima puntuale. Verifica di ipotesi. Intervalli di confidenza. Cenni a metodi avanzati di inferenza statistica. Metodi computazionali in R.

L'esame consiste in una prova scritta, una prova pratica che prevede l'uso del software R e una prova orale finalizzate a valutare le capacità di comprensione, acquisizione e elaborazione dello studente. La prova scritta includerà sia esercizi pratici (che possono prevedere l'uso di una calcolatrice tascabile) sia esercizi teorici. La prova pratica includerà esercizi relativi all'applicazione di metodi computazionali con il software R. Lo studente sarà ammesso alla prova orale solo se avrà superato la prova scritta e la prova pratica.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

Casella, G. and Berger L. R. (2002). Statistical Inference. Second Edition. Duxbury Press.

Il Corso ha l’obiettivo di fornire agli studenti le conoscenze fondamentali sia teoriche che operative del calcolo delle probabilità, in particolare per quanto riguarda spazi di probabilità, variabili aleatorie discrete e continue, teoremi limite e processi stocastici. Il Corso ha anche l’obiettivo di sviluppare la capacità degli studenti di costruire in maniera matematicamente rigorosa modelli probabilistici per affrontare situazioni concrete nell’ambito Data Science. Particolare attenzione viene posta a sviluppare negli studenti le abilità comunicative e il linguaggio matematico necessari a giustificare le proprie scelte modellistiche e motivare i risultati ottenuti. Sia in quanto funzionale ai precedenti obiettivi, sia in quanto dotato di valore culturale in sè, il Corso ha inoltre l’obiettivo di fornire agli studenti le conoscenze e la capacità di comprensione e di applicazione dei concetti e dei risultati fondamentali dell'algebra lineare e del calcolo differenziale e integrale in una e più variabili. Il corso intende anche sviluppare le capacità di saper operare nel calcolo matriciale e differenziale, in particolare nel caso di funzioni a due variabili reali, nella risoluzione degli esercizi. Al termine del corso, gli studenti acquisiranno le seguenti competenze: - Conoscenza e capacità di comprensione Conoscenza dei concetti e risultati principali che riguardano: algebra lineare, calcolo in una e più variabili, spazi di probabilità, variabili aleatorie discrete e continue (sia unidimensionali che multidimensionali), processi stocastici e loro convergenza. - Capacità di applicare conoscenza e comprensione, Autonomia di giudizio e Abilità comunicative Capacità di analizzare matematicamente un problema concreto e formulare un modello probabilistico, geometricamente e analiticamente fondato, per affrontarlo con autonomia di giudizio e discuterlo con proprietà di linguaggio e competenza comunicativa. Capacità di giustificare con pieno rigore matematico le proprie scelte modellistiche e i risultati ottenuti. - Capacità di apprendimento Capacità di comprendere ed interpretare la componente di modellizzazione probabilistica di studi scientifici e di algoritmi disponibili in pacchetti software.
CC) Conoscenza e capacità di comprensione
Lo studente acquisisce i concetti fondamentali della teoria della probabilità, comprendendo i principali modelli probabilistici, le distribuzioni di probabilità discrete e continue, le variabili aleatorie, il valore atteso, la varianza e i principali processi stocastici.
CA) Capacità di applicare conoscenza e comprensione
Lo studente è in grado di modellare semplici fenomeni aleatori, selezionare modelli probabilistici appropriati, calcolare probabilità e quantità di interesse, e utilizzare gli strumenti della probabilità per l'analisi di problemi rilevanti nell'ambito della scienza dei dati.
AG) Autonomia di giudizio
Lo studente sviluppa la capacità di valutare criticamente le ipotesi alla base dei modelli probabilistici, riconoscerne limiti e ambiti di applicabilità e interpretare correttamente i risultati ottenuti nel contesto del problema considerato.
AC) Abilità comunicative
Lo studente è in grado di utilizzare il linguaggio e la notazione propri della probabilità per esporre in modo rigoroso e chiaro ragionamenti, risultati e soluzioni, sia in forma scritta sia orale.
AP) Capacità di apprendimento
Lo studente acquisisce gli strumenti metodologici necessari per approfondire autonomamente argomenti più avanzati di probabilità, statistica e machine learning, anche attraverso la consultazione della letteratura scientifica e tecnica.

1) Spazi vettoriali. Trasformazioni lineari e matrici. Determinante. Autovalori e autovettori.
2) Funzioni in una e più variabili: Sviluppo di Taylor, integrali doppi, differenziale e derivate parziali. Massimi e minimi.
3) Probabilità elementare: Spazi di probabilità, probabilità condizionata ed indipendenza.
4) Variabili aleatorie: Discrete e continue, uni- e multidimensionali. Distribuzioni note e calcolo di distribuzioni.
5) Processi stocastici.
6) Convergenza di processi stocastici.

L'esame consiste in una prova scritta nella quale sono presenti domande aperte, e in una prova orale. Nelle domande aperte lo studente dovrà dimostrare di saper risolvere problemi ispirati a situazioni concrete, dandone giustificazione usando risultati e linguaggio matematico corretto. In particolare, le domande sono formulate in modo da evidenziare se lo studente sia in grado di distinguere quali modelli probabilistici sono più adatti alla situazione concreta presentata nell'esercizio. Nella prova orale viene discussa la risoluzione della prova scritta, compresi i riferimenti teorici funzionali ad essa. L’obiettivo è di verificare se lo studente ha pienamente compreso l’ambito teorico soggiacente alle domande e se è stato in grado di individuare e colmare le sue eventuali carenze emerse durante la prova scritta. Allo studente verrà data la possibilità di effettuare due prove parziali che, se superate entrambe con la sufficienza, permettono di essere esonerato dagli scritti.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

-M.Bramanti, C.D. Pagani e S.Salsa, Calcolo infinitesimale e algebra lineare, seconda edizione. Zanichelli. - C. Fernandez-Granda, Probability and Statistics for Data Science (disponibile online). - S.H. Chan, Introduction to Probability and Data Science. Michigan Publishing (disponibile online).

CONOSCENZA E COMPRENSIONE:
L'insegnamento si propone di fornire agli studenti una conoscenza approfondita delle nozioni di base dell'Inferenza Bayesiana.
Scopo dell'insegnamento è quello di introdurre i modelli parametrici con parametri trattati come variabili aleatorie e la comprensione delle problematiche connesse all'inferenza su tali modelli.
CAPACITA' DI APPLICARE CONOSCENZA E COMPRENSIONE:
Al termine del corso lo studente sarà in grado di impostare e gestire un processo di inferenza su modelli univariati o multivariati con struttura gerarchica adottando un approccio Bayesiano.
ABILITA' COMUNICATIVE:
Durante il corso lo studente svilupperà abilità di comunicazione e interpretazione dei risultati di un'analisi statistica.

Processi stocastici;Introduzione storica e filosofia della statistica Bayesiana;Inferenza parametrica e principali computazioni Bayesiane esatte (modelli ad un parametro); A priori coniugate;A priori non informative; Metodi computazionali (Monte Carlo e Markov Chain Monte Carlo);Modello Normale;Modello Normale Multivariato;Modellazione Gerarchica.

Prova scritta. Nella prova scritta saranno valutate le conoscenze acquisite sui fondamenti dell'Inferenza Bayesiana, sui modelli Bayesiani e i metodi di stima e previsione, sulle problematiche connesse all'Inferenza Bayesiana.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

Peter D. Hoff A First Course in Bayesian Statistical Methods, 2009 Springer

CONOSCENZE:
Conoscenza dei principali modelli statistici in termini di proprietà formali, metodi di stima e potenzialità applicative
COMPETENZE:
Capacità critica di selezionare il modello più appropriato in base agli obiettivi di ricerca e ai dati disponibili, stimare il modello prescelto, valutare l’adeguatezza del modello e interpretare i risultati. Capacità di scrivere un breve rapporto sull’analisi effettuata e l’utilizzo dei risultati derivanti dal modello.

Il corso è diviso in due parti. La prima parte tratta il modello di regressione lineare e i modelli per risposta binaria.
La seconda parte riguarda i modelli lineari generalizzati per risposta ordinale, nominale e di conteggio; i modelli multilivello lineari; i modelli per dati panel. I modelli sono utilizzati per l’analisi di dati reali con il software Stata, con particolare attenzione alla scelta del modello e all’interpretazione dei risultati.

L'esame consiste in una prova scritta con domande di teoria ed esercizi. Vi è una prova per la prima parte del programma e una prova per la seconda parte. Le due prove vengono valutate separatamente in trentesimi e ne viene calcolata la media aritmetica. Gli esercizi richiedono di elaborare (usando una calcolatrice tascabile) i risultati derivanti dall'applicazione di modelli statistici, discutendo le scelte di specificazione e fornendo interpretazioni pertinenti. Durante il corso vengono assegnati dei compiti da svolgere individualmente (homework) con l'uso di software per l'analisi di dati. Gli homework possono contribuire al voto finale come stabilito nella pagina Moodle del corso. La prova orale è facoltativa o obbligatoria in base alle regole riportate nella pagina Moodle del corso.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

• Fahrmeir, L., Kneib, T., Lang, S., Marx, B. (2021). Regression. Models, Methods and Applications. Second edition. Springer.
• diapositive dei docenti

1) Avvicinare lo studente all'utilizzo di strumenti di analisi statistica avanzati di recente applicazione in ambito biomedico ed epidemiologico.
2) Stimolare la lettura critica dei risultati.
3) Stimolare la ricerca di soluzioni originali a problemi applicativi in ambito medico ed epidemiologico.

Metodi statistici avanzati per l'analisi di dati bio-medici e epidemiologici.

Discussione finale con le docenti sugli argomenti in programma
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

Durante il corso sarà fornito materiale da parte del docente (slide e pdf delle lezioni, codici R, articoli scientifici).

Acquisire le competenze per applicare appropriati metodi statistici per estrarre informazione causale dai dati osservati e la capacità di valutare la plausibilità di conclusioni causali.

Saranno introdotti i concetti fondamentali e i metodi più avanzati per l'inferenza causale nell'ambito dell'approccio dei risultati potenziali. Verranno introdotto metodi per il disogno e l'analisi di studi randomizzati e di studi osservazionali sotto l'ipotesi di assenza di confondimento. Verranno inoltre introdotti meccanismi di assegnazione irregolare, discutendo le strategie per analizzare studi randomizzati con nocompliance e, eventualmente, alcuni argomenti avanzati. Presenteremo esempi e casi di studio reali tratti da varie discipline. Per le sessioni pratiche utilizzeremo R.

L'esame consiste in una prova intermedia, due assignment da consegnare tramite moodle entro le scadenze previste. L'esame si conclude con una presentazione e discussione orale.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

Imbens, G.W. and Rubin B. D. (2015) Causal Inference in Statistics, Social, and Biomedical Sciences: An Introduction.
Cambridge University Press.
https://doi.org/10.1017/CBO9781139025751
Ding, P. (2024) A first course in causal inference. Chapman & Hall.

Obiettivo del corso è quello di fornire le conoscenze dei concetti e strumenti più importanti nello studio e applicazione dell’apprendimento automatico:

• Conoscenza e comprensione dei fondamenti matematici e statistici dell’apprendimento automatico contemporaneo.
• Conoscenza e comprensione dei modelli basilari dei modelli teorici per la regressione, per la classificazione supervisionato, e per la stima di densità probabilistiche.
• Conoscenza e comprensione dei fondamenti teorici delle reti neurali per la classificazione e per la regressione.
• Conoscenza e comprensione dei modelli e tecniche del Deep Learning contemporaneo.
  A fine corso lo studente saprà applicare queste conoscenze all'analisi e al design di soluzione di problemi real-world, applicando i best practices e strumenti avanzati per arrivare a soluzione allo stato dell'arte.
  Con riferimento ai Descrittori di Dublino:
  INGEGNERIA INFORMATICA
  Conoscenza e Comprensione
  cc6 - Conoscenze di modelli e metodologie di progetto, sviluppo e verifica di moduli di elaborazione basati su apprendimento automatico e della loro integrazione con modelli basati sulla conoscenza
  Capacità di Applicare Conoscenza e Comprensione
  ca2 - Coordinarsi e collaborare con esperti di settore per la specifica dei requisiti ed il collaudo di un sistema informatico;
  ca3 - Gestire ed impiegare strumentazione e software avanzati per la simulazione di processi e la prototipazione
  ca6 - Saper proporre soluzioni innovative nel proprio dominio di competenza
  Autonomia di Giudizio
  ag1 - Analizzare problemi complessi dell’ingegneria informatica, valutando criticamente metodi e soluzioni
  ag2 - Formulare, in maniera autonoma e con approccio interdisciplinare, considerazioni rigorose e tecnicamente valide sui temi e progetti affrontati
  Capacità di Comunicazione
  ac1 - Presentare i risultati della propria attività in forma scritta e orale con caratteristiche di organicità e rigore tecnico
  ac2 - Comunicare informazioni, idee, problemi e soluzioni a specialisti del settore e a interlocutori non specialisti, in lingua italiana o inglese
  Capacità di Apprendimento
  ap1 - Aggiornarsi in autonomia rispetto al rapido evolversi delle tecnologie dell’ingegneria informatica e, più in generale, dell’ingegneria dell’informazione.
  ap2 - Organizzare e gestire in modo indipendente il proprio percorso di apprendimento, sviluppando capacità di analisi e approfondimento sia in contesti guidati sia in attività autonome.
  ap3 - Apprendere in modo guidato nella preparazione degli esami orali, nella redazione di elaborati analitici o progettuali, e nelle relazioni delle attività svolte.

Il corso è organizzato in un assortimento argomenti tecnici e teorici che, presi insiemi, forniscono una formazione sui Fondamenti dell’Apprendimento Automatico. Vede il Programma del Corso per dettagli.

La verifica finale consta di una combinazione di:

• Esercizi di laboratorio e compiti svolti a casa;
• Una prova intermedia scritta (opzionale); e
• Una prova finale scritta.
  Tabella docimologica di valutazione
  Insufficiente
  Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
  18–22
  Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
  23–25
  Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
  26–28
  Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
  29–30 e Lode
  Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
  La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

• Bishop, Christopher M. Pattern Recognition and Machine Learning. Springer, 2006.
• Shalev-Shwartz S, Ben-David S. Understanding machine learning: From theory to algorithms. Cambridge university press, 2014.
• MacKay, David. Information Theory, Inference and Learning Algorithms. Cambridge University Press, 2003.
• Deisenroth, Marc Peter, A. Aldo Faisal, and Cheng Soon Ong. Mathematics for machine learning. Cambridge University Press, 2020.

Il corso tratta dei metodi univariati e multivariati (modelli di regressione) per l'analisi di dati longitudinali (event-history e panel), con attenzione agli sviluppi recenti.
Verranno anche fornite le competenze di data management necessarie per condurre analisi dei dati longitudinali su Stata.
Infine, gli studenti saranno in grado di applicare i metodi imparati nell'ambito della ricerca sociale e demografica.

Il corso introduce agli aspetti teorici ed applicativi dell'event-history analysis, con alcuni elementi dell'analisi di dati panel.
I dati longitudinali sono comunemente usati per rispondere a molti interrogativi di ricerca in ambito socio-demografico ed epidemiologico.

Studenti frequentanti:

• Assignments da consegnare a cadenza regolare (10% voto finale);
• Discussione dei risultati di un'analisi longitudinale su un tema sostantivo di natura socio-demografica da concordare con i docenti (20% voto finale);
• Realizzazione e stesura dell'elaborato finale (70% voto finale).
  Studenti non frequentanti:
  esame scritto che include sia esercizi da svolgere su Stata che domande di teoria.
  Tabella docimologica di valutazione
  Insufficiente
  Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
  18–22
  Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
  23–25
  Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
  26–28
  Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
  29–30 e Lode
  Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
  La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

• Hans-Peter Blossfeld, Gotz Rohwer, Thorsten Schneider
  (2019). Event History Analysis With Stata. 2nd Edition. Routledge.
• Stefani Scherer (2013). Analisi dei dati longitudinali. Un'introduzione pratica. Bologna: Il Mulino.
• Slides e altri materiali verranno forniti durante il corso.

Alla fine del corso lo studente possiede una base teorico pratica piuttosto ampia dei principali disegni di studio clinici ed osservazionali e dei principali metodi di analisi utilizzati in ambito epidemiologico.
Le conoscenze acquisite sono finalizzate alla soluzione di problemi decisionali presenti in ambito sanitario e alla lettura critica dei risultati ottenuti da studi clinici e epidemiologici. In particolare lo studente dovrà saper adottare le tecniche più adeguate per l'analisi dei dati ed interpretare, con linguaggio proprio della disciplina, i risultati.

Metodi statistici di base per l'analisi di studi clinici, osservazionali e su dati omici.

Valutazione degli homework assegnati durante il corso e discussione finale con il docente sugli argomenti in programma.
Tabella docimologica di valutazione
Insufficiente
Valutazione negativa dovuta a gravi errori concettuali, comprensione frammentaria o nulla degli argomenti trattati, incapacità di applicare le conoscenze, gravi lacune e mancanza di autonomia.
18–22
Valutazione sufficiente o più che sufficiente dovuta a conoscenza elementare degli argomenti, presenza di alcuni errori, capacità di affrontare solo compiti semplici o guidati, livello base di autonomia.
23–25
Valutazione discreta dovuta a comprensione soddisfacente degli argomenti, capacità di applicare correttamente le conoscenze a contesti noti e di affrontare gli esercizi in modo autonomo con qualche imprecisione, con un soddisfacente livello di autonomia e competenza operativa.
26–28
Valutazione buona o molto buona, dovuta a solida comprensione teorica della disciplina, capacità di collegare concetti, risolvere problemi e proporre analisi critiche, di svolgere compiti complessi in modo autonomo, preciso ed efficace, con un buon livello di autonomia e competenza operativa.
29–30 e Lode
Valutazione eccellente o ottima, dovuta a conoscenze complete, approfondite e ben strutturate, capacità di operare in modo autonomo e flessibile, anche in contesti complessi o nuovi, di utilizzare il linguaggio disciplinare in modo appropriato, preciso e articolato, di evidenziare capacità critiche, originalità e rigore nell’esposizione e nell’applicazione.
La Lode è attribuita a elaborati o prestazioni che si distinguono per brillantezza e originalità, anche al di là delle aspettative curricolari.

Durante il corso sarà fornito materiale da parte del docente (slide delle lezioni, codici R/STATA/SAS, articoli scientifici). Inoltre sono consigliati i seguenti testi:
1) Modern Epidemiology
Kenneth J. Rothman,Timothy L. Lash,Sander Greenland. Wolters Kluwer
2) Clinical Trials: A Practical Approach. Stuart J. Pocock. John Wiley & Sons.
3) Statistical Models in Epidemiology. David Clayton, Michael Hills. Oxford University Press.