Corso di laurea

Analisi Dei Dati Per L'Impresa E La Finanza

Università degli Studi di Modena e Reggio Emilia · 23 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

Algebra Lineare 1° anno · 2° semestre · 6 CFU · STAT-04/A · 0 file
Archivio Globale

Il corso di Algebra Lineare si propone di fornire agli studenti del Corso di Laurea in "Analisi Dati per l’Impresa e la Finanza" gli strumenti quantitativi fondamentali per l’analisi e la risoluzione di modelli…

Scheda dell'insegnamento

Obiettivi formativi

Il corso di Algebra Lineare si propone di fornire agli studenti del Corso di Laurea in "Analisi Dati per l’Impresa e la Finanza" gli strumenti quantitativi fondamentali per l’analisi e la risoluzione di modelli economici, finanziari e decisionali che si basano su strutture algebriche e su metodi di ottimizzazione. Al termine del corso, lo studente avrà acquisito conoscenze teoriche e operative relative alle matrici, ai sistemi lineari, alle applicazioni del calcolo differenziale per funzioni in più variabili e ai metodi di ottimizzazione vincolata, con applicazioni specifiche alla teoria del portafoglio (modello di Markowitz). Lo studente sarà inoltre in grado di applicare tali strumenti in contesti nuovi, formulando in autonomia valutazioni quantitative e scelte razionali in ambito aziendale e finanziario, sulla base delle metodologie apprese. I risultati di apprendimento attesi sono descritti nell’apposita sezione.

Programma

Il corso affronta i seguenti argomenti: (1) Matrici e operazioni matriciali di base (0,5 CFU; 4h) (2) Determinante e rango di una matrice (0,5 CFU; 4h) (3) Inversa di una matrice (0,5 CFU; 4h) (4) Sistemi lineari: risoluzione di m equazioni in n incognite; (1CFU; 8h) (5) Autovalori e autovettori (0,5 CFU; 4h) (6) Applicazioni alla finanza: teoria di Markowitz a due asset (0,5 CFU; 4h) (7) Funzioni reali di più variabili reali: nozioni base e calcolo differenziale (0,5 CFU; 4h) (8) Ottimizzazione libera in due variabili (0,5 CFU; 4h) (9) Ottimizzazione vincolata tramite moltiplicatori di Lagrange (1 CFU; 8h) (10) Applicazioni alla finanza: estensione della teoria di Markowitz a tre asset con rendimento minimo richiesto (0,5 CFU; 4h)

Nessuno obbligatorio. Tuttavia, sono considerati utili i concetti base di matematica: insiemi numerici, operazioni elementari su espressioni algebriche, nozioni di funzione reale di una variabile, calcolo differenziale e integrale elementare.

Le lezioni si svolgono in presenza, con registrazioni messe a disposizione sulla piattaforma ONELab del Dipartimento di Comunicazione ed Economia. L'insegnamento è in lingua italiana. La frequenza non è obbligatoria. L’attività didattica prevede lezioni frontali, comprensive di teoria ed esercitazioni pratiche con esempi applicativi relativi all’ambito economico e finanziario.

Modalità d'esame

La prova di valutazione avviene in forma scritta da svolgersi al termine delle lezioni dell’insegnamento nelle sessioni d’esame istituzionali. L’esame dura 70 minuti ed è caratterizzato da 6 esercizi composti da un totale di 10 domande inerenti gli argomenti affrontati nel corso. Ogni domanda contribuisce con lo stesso peso alla generazione del voto finale nel seguente modo: +3 punti per ogni risposta corretta; -1 punto per ogni risposta sbagliata; 0 punti per ogni risposta non data. La comunicazione del voto verra’ resa nota tramite Esse3, di norma entro 10 giorni dalla data d’esame. È previsto il SALTO D'APPELLO secondo le modalità specificate dal titolare del corso in aula e sulla piattaforma didattica del corso.

Testi di riferimento

Il testo di riferimento del corso è "Metodi matematici per l'economia e il management" di Marco Abate, Milano: McGraw Hill, 2024. Ulteriore materiale (esercizi, prove scritte, dispense) è disponibile sulla piattaforma Moodle per la didattica del Dipartimento di Comunicazione ed Economia. For ERASMUS/OVERSEAS students, suggested handbooks are "A Linear Algebra Primer for Financial Engineering: Covariance Matrices, Eigenvectors, OLS, and more" by Dan Stefanica FE Press New York, 2014 and "Linear Algebra for Economists" by Fuad Aleskerov et al. Springer, 2013.

Codice insegnamento 27213

Base Di Dati 1° anno · 2° semestre · 9 CFU · IINF-05/A · 0 file

Al termine dell'insegnamento di "Base di Dati" lo studente dovrebbe essere in grado di: - conoscere e comprendere i concetti fondamentali di modelli concettuali e modelli logici per basi di dati relazionali -…

Scheda dell'insegnamento

Obiettivi formativi

Al termine dell'insegnamento di "Base di Dati" lo studente dovrebbe essere in grado di: - conoscere e comprendere i concetti fondamentali di modelli concettuali e modelli logici per basi di dati relazionali - conoscere, comprendere e comunicare efficacemente concetti e modelli relativi allele principali tecnologie di database - acquisire la capacità di progettare, creare, modificare e interrogare un database. - applicare le conoscenze e le capacità di comprensione acquisite per descrivere, analizzare e valutare le diverse tecnologie ed i servizi disponibili nel dominio della gestione dei dati Per una più completa comprensione degli obiettivi formativi, si rimanda alla lettura dei risultati di apprendimento attesi.

Programma

Introduzione ai sistemi informativi aziendali e alle basi di dati Progettazione concettuale, logica, fisica Algebra relazionale Linguaggio SQL Tecnologia di un DBMS: architetture dei Data Base Management Systems, transazioni e concorrenza degli accessi, livelli di isolamento Data Models per Data Warehouses e On-line Analytical Processing Progettazione concettuale e logica per Data Warehouse Indici, Ottimizzazioni query Casi di studi

Non sono richieste particolari conoscenze preliminari su servizi e tecnologie ICT.

Testi di riferimento

Basi di dati. di Paolo Atzeni, Stefano Ceri, Piero Fraternali, Stefano Paraboschi, Riccardo Torlone 1 Febbraio 2023 McGraw-Hill ISBN: 8838656541

Codice insegnamento 27217

Calcolo Delle Probabilità 1° anno · 1° semestre · 6 CFU · MATH-03/B · 0 file

Gli obiettivi formativi consistono nel fornire gli strumenti quantitativi essenziali e nel favorire la comprensione delle metodologie di calcolo delle probabilità nel contesto delle scienze economiche e finanziarie. Si…

Scheda dell'insegnamento

Obiettivi formativi

Gli obiettivi formativi consistono nel fornire gli strumenti quantitativi essenziali e nel favorire la comprensione delle metodologie di calcolo delle probabilità nel contesto delle scienze economiche e finanziarie. Si intende inoltre favorire l’adozione di approcci corretti nei confronti della ricerca, nell’interpretazione dei risultati e nella relativa esposizione e comunicazione. Si vuole evidenziare, per mezzo di un profilo di concretezza del corso, come l‘impiego di opportuni metodi consenta di risolvere svariate tipologie di problemi. Per ulteriori approfondimenti, si rimanda a quanto esposto nei risultati attesi.

Programma

Parte I: Probabilità: metodi e applicazioni di base Concetti introduttivi (0,5 CFU, 4 ore) Definizioni essenziali e simbologia (0,5 CFU, 4 ore) Richiami preliminari alla teoria degli insiemi (0,5 CFU, 4 ore) Tipologie di eventi (0,5 CFU, 4 ore) Proprietà fondamentali (0,5 CFU, 4 ore) Il teorema di Bayes (0,5 CFU, 4 ore) Parte II: Principali distribuzioni di probabilità Definizione di distribuzione di probabilità (0,5 CFU, 4 ore) La distribuzione normale (0,5 CFU, 4 ore) L’applicazione della normale alle distribuzioni delle somme e delle medie campionarie (0,5 CFU, 4 ore) La distribuzione binomiale (0,5 CFU, 4 ore) La distribuzione di Poisson (0,5 CFU, 4 ore) La distribuzione di Student (0,5 CFU, 4 ore)

Alcune competenze di statistica descrittiva

Lezioni frontali in lingua italiana con frequenti simulazioni ed esercitazioni in aula, e relativa discussione dei risultati, per rendere più concreto ed applicativo il taglio del corso. Al termine di ogni simulazione, si procederà alla discussione dei risultati ottenuti dagli studenti. La frequenza alle lezioni non è obbligatoria. Tutte le lezioni saranno registrate e disponibili per gli studenti.

Modalità d'esame

L’esame consisterà in una prova scritta.. Sii prevedono due prove parziali sostitutive della prova completa, con le stesse modalità della prova completa. Il voto finale sarà la media aritmetica semplice dei punteggi delle due prove parziali. La prima prova parziale si svolgerà nella pausa dalle lezioni prevista dal Dipartimento a metà del periodo di lezione, mentre la seconda prova si svolgerà subito dopo il termine delle lezioni, in corrispondenza del primo appello. Le domande saranno finalizzate a verificare le conoscenze acquisite, la capacità di applicare queste conoscenze, le capacità critiche nei confronti di metodi che gli studenti dovranno valutare come opportuni o non opportuni; si presterà attenzione inoltre alle modalità con cui i risultati ottenuti saranno esposti e comunicati. Nel corso della prova scritta sarà possibile consultare ogni tipo di materiale: l’abilità richiesta risiederà nella capacità di utilizzare correttamente gli strumenti per affrontare casi e problemi e di ragionare in modo critico sull’individuazione del metodo più adatto a risolvere un determinato problema. Il tempo concesso per l’esame sarà approssimativamente di 90 minuti. La prova prevede indicativamente 30 domande, alcune a risposta aperta (di interpretazione), altre di calcolo. Il punteggio massimo complessivo è 30 punti. A ogni domanda sarà attribuito il punteggio pieno se la risposta è corretta, un punteggio pari a zero se la risposta è errata. Se il risultato è errato ma viene evidenziato un procedimento corretto, sarà assegnata metà del punteggio previsto per quella domanda. I risultati saranno pubblicati indicativamente entro 15 giorni dalla prova, con tempi che possono variare in base al numero di studenti partecipanti. Tutti gli studenti hanno il diritto di visionare il compito e di rifiutare il voto attribuito.

Testi di riferimento

Slides, esercizi e prove d’esame di anni precedenti, a cura del docente, disponibili sulla piattaforma per la didattica Eventuali testi di riferimento sono:  Agresti A., Franklin C., Klingenberg B., Statistica – L’arte e la scienza d’imparare dai dati, Pearson, Milano 2025  Amaturo E., Aragona B., Grassia M.G., Lauro C., Marino M., Statistica per le scienze sociali, Utet, Torino 2018  Melis N., Analisi dei dati e probabilità, Pearson, Milano, 2017  Minozzo M., D’Urso P., Cicchitelli G., Statistica: principi e metodi, Pearson, Milano 2022  Pelosi M., Sandifer T., Cerchiello P., Giudici P., Introduzione alla statistica, McGraw-Hill, Milano 2025  Ross S., Probabilità e statistica per l’ingegneria e le scienze, Maggioli Editore, Milano 2023

Codice insegnamento 27215

Fondamenti Di Informatica 1° anno · 1° semestre · 6 CFU · INFO-01/A · 0 file
Archivio Globale

L'insegnamento ha per obiettivo l'introduzione dello studente ai fondamenti della programmazione. Come linguaggio di riferimento viene usato il Python. Nel corso si adotta l'approccio "imparare facendo": quasi ogni nuova…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento ha per obiettivo l'introduzione dello studente ai fondamenti della programmazione. Come linguaggio di riferimento viene usato il Python. Nel corso si adotta l'approccio "imparare facendo": quasi ogni nuova nozione o dettaglio sono subito messi in pratica al calcolatore con esercizi di complessità crescente.

Programma

Presentazione del corso, obiettivi e contenuti dell'informatica, algoritmi e programmi. (1 CFU) Costanti e variabili, tipi di dato primitivi, definizioni e dichiarazioni, espressioni aritmetiche e logiche, istruzioni di assegnamento, operatori, input/output, conversioni di tipo. (1 CFU) Strutture di controllo condizionali e iterative. Regole di visibilità e durata delle variabili. (1 CFU) Tipi di dato strutturato: vettori, matrici, dizionari. (1 CFU) Funzioni, passaggio dei parametri. (1 CFU) Gestione dei file. (1 CFU)

Nessuno

Fusione di lezioni frontali ed esercitazioni in laboratorio. Nel corso si adotta infatti l'approccio "imparare facendo": quasi ogni nuova nozione o dettaglio è subito messo in pratica al calcolatore con esercizi di complessità crescente. La frequenza non è obbligatoria, ma vivamente consigliata. Le lezioni in aula verranno registrate e rese disponibili agli studenti sulla piattaforma ONELab del Dipartimento di Comunicazione ed Economia. L’insegnamento si svolge in lingua italiana

Modalità d'esame

L'esame si compone di due prove principali: 1) Una prova scritta con maggioranza di domande a scelta multipla e alcune domande aperte. Circa 10/12 domande a scelta multipla e 2/3 domande aperte. 2) Una prova di programmazione da svolgersi su calcolatore. Lo studente dovrà sviluppare un programma a partire dalle specifiche definite. Qualora il docente ritenga che la prova scritta non consenta una compiuta valutazione del raggiungimento dei risultati di apprendimento attesi, può integrare la verifica mediante un colloquio orale finalizzato ad accertare il livello di preparazione dello studente. L'esito del colloquio concorre alla determinazione della valutazione finale.

Testi di riferimento

Tutto il materiale verrà fornito dal docente sulla piattaforma Moodle.

Codice insegnamento 27214

Idoneità Di Lingua Inglese 1° anno · 1° semestre · 3 CFU · ANGL-01/C · 0 file

Il lettorato di lingua inglese per gli studenti iscritti ai corsi di laurea ADIFA è un corso bi- semestrale il cui obiettivo è quello di sviluppare le quattro abilità linguistiche (comprensione e produzione scritta e…

Scheda dell'insegnamento

Obiettivi formativi

Il lettorato di lingua inglese per gli studenti iscritti ai corsi di laurea ADIFA è un corso bi- semestrale il cui obiettivo è quello di sviluppare le quattro abilità linguistiche (comprensione e produzione scritta e orale). Per superare la prova di lettorato, lo studente deve essere in grado di raggiungere un livelloA2- B1, stabilito dal Quadro Comune Europeo di Riferimento. Le lezioni sono mirate alla preparazione della prova di lettorato con esercizi di: • Ascolto: Gli studenti impareranno a dare un senso generale all’ascolto oltre a capire informazioni specifiche. Alcuni esercizi introduttivi di ascolto saranno svolti in classe, tuttavia si consiglia agli studenti di fare degli esercizi di ascolto individuali aggiuntivi. • Lettura: Lettura: lo studente eserciterà la lettura di informazioni di carattere generale • Abilità orali • Lessico Per una più completa comprensione degli obiettivi formativi, si rimanda alla lettura dei risultati di apprendimento attesi. VEDERE ANCHE LE PAGINE DELL'INSEGNAMENTO DI LINGUA INGLESE A2-B1, Corso di Laurea in DIGITAL MARKETING.

Programma

Il corso è organizzato come segue : Comprensione scritta – 0,75 CFU (4 ore) Comprensione orale – 0,75 CFU (4 ore) Produzione scritta – 0,75 CFU (4 ore) Produzione orale – 0,75 (4 ore) Nessuno. Le lezioni si svolgono in presenza. Il corso è erogato in lingua inglese (e in italiano ove necessario, es. per esercitazioni di traduzione). Il corso si articola in esercitazioni in piccoli gruppi. La presenza, seppur caldamente raccomandata, non è obbligatoria. Verranno utilizzati il manuale di riferimento e materiali forniti dalla docente alla pagina Moodle dell’insegnamento. Per scelta del Dipartimento di Comunicazione ed Economia, tutte le lezioni saranno registrate e rese disponibili sulla piattaforma dipartimentale ONELab (htto://www.onelab.unimore.it/site/home.html).

Modalità d'esame

IDONEITÀ Valutazione e punteggio della prova di lettorato. Il lettorato fornisce una idoneità finale (IDONEO / NON IDONEO). La soglia per il conseguimento dell’idoneità è il 60% del punteggio totale. - Ascolto: Rispondere a domande di comprensione riguardo a tre brani di ascolto. 15 punti; - Sentence Transformation: 5 frasi da riscrivere mantenendo lo stesso senso della frase. 5 punti; - Lettura / Comprensione del testo. 10 punti; - Presentazione orale. 10 punti; Prova orale di lettorato: Per informazioni, si vedano le lezioni, disponibili su ONELab, e i materiali forniti dalla docente alla pagina Moodle dell’insegnamento). Prova scritta di lettorato: Prova informatizzata (per ulteriori informazioni, si vedano le lezioni, disponibili su ONELab, e i materiali forniti dalla docente alla pagina Moodle dell’insegnamento). Prove erogate nell'anno accademico: 4 prove scritte in un anno accademico (iscrizione su ESSE3): giugno 2022 x 2; fine agosto/settembre 2022; gennaio 2023. ESONERI Certificazioni internazionali Studenti in possesso di un certificato esterno (tale BULATS, London Chamber of Commerce ecc) di livello B1 oppure di un certificato di general (o business) English di livello B1 o di un livello superiore sono esenti dal Lettorato di Lingua Inglese (A) del primo anno. Gli studenti sono pregati di portare l’originale del certificato alla segreteria studenti, la quale si occuperà della registrazione dell’idoneità. In ogni caso I CERTIFICATI di livello B1 NON DEVONO ESSERE STATI CONSEGUITI PIU’ DI DUE ANNI FA .

Testi di riferimento

Materiali a cura della docente, resi disponibili durante l’anno sulla pagina Moodle dell’insegnamento.

Codice insegnamento 27211

Matematica Generale 1° anno · 1° semestre · 6 CFU · STAT-04/A · 0 file

Il corso si pone l’obiettivo di fornire allo studente solide conoscenze dei concetti di funzione (di una variabile reale), di derivabilità e delle sue applicazioni (massimi e minimi di funzioni), di integrazione. Al…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si pone l’obiettivo di fornire allo studente solide conoscenze dei concetti di funzione (di una variabile reale), di derivabilità e delle sue applicazioni (massimi e minimi di funzioni), di integrazione. Al termine del corso lo studente dovrà essere in grado di applicare gli strumenti matematici nell’analisi e nell’ottimizzazione di processi economici ed aziendali. Per un maggiore dettaglio sugli obiettivi formativi del corso si rimanda alla sezione relativa ai “Risultati di apprendimento attesi”.

Programma

1. Funzioni di una variabile reale: concetto di funzione, limiti, continuità (2 CFU) 2. Calcolo differenziale per funzioni di una variabile: derivata (massimi e minimi), convessità e concavità (flessi) (2 CFU) 3. Elementi di teoria dell'integrazione: integrale indefinito e definito, tecniche di integrazione (2 CFU) La ripartizione dei CFU per macroargomento è da intendere come indicativa: potrebbe subire modifiche durante le lezioni in base alle contingenze e ai riscontri ricevuti.

Conoscenze di base nell’ambito dell’analisi matematica: la teoria degli insiemi, gli insiemi numerici, le equazioni e le disequazioni, il concetto di funzione, la geometria analitica (retta e coniche).

Testi di riferimento

Guerraggio A. Matematica, terza/quarta edizione. Pearson – Prentice Hall Ulteriore materiale disponibile su Moodle.

Codice insegnamento 27212

Modelli Di Business E Decisioni Strategiche 1° anno · 2° semestre · 6 CFU · ECON-06/A · 0 file

Al termine dell’insegnamento di “Modelli di Business e Decisioni Strategiche” lo studente dovrebbe essere in grado di: • comprendere il ruolo e gli strumenti propri della strategia aziendale nel governo delle imprese;…

Scheda dell'insegnamento

Obiettivi formativi

Al termine dell’insegnamento di “Modelli di Business e Decisioni Strategiche” lo studente dovrebbe essere in grado di: • comprendere il ruolo e gli strumenti propri della strategia aziendale nel governo delle imprese; • conoscere e interpretare una strategia aziendale, le sue finalità e gli attori principali; • conoscere e comprendere le caratteristiche fondamentali dei modelli di business, dei sistemi di controllo per la misurazione delle performance; • applicare le conoscenze e le capacità di comprensione acquisite per descrivere, analizzare e valutare i componenti fondamentali di un modello di business e la loro combinazione i sistemi di misurazione delle performance strategiche ed i loro driver, alla redazione di un business plan ed alle scelte strategico-organizzative delle imprese, in una prospettiva di sostenibilità. Per una più completa comprensione degli obiettivi formativi, si rimanda alla lettura dei risultati di apprendimento attesi.

Programma

Introduzione all’azienda e alle strategie aziendali – 1 CFU (8 ore) Posizionamento strategico e analisi del macro-ambiente – 1,5 CFU (12 ore) Decisioni strategiche e modelli di business – 1,25 CFU (10 ore) Strategie di internazionalizzazione e innovazione – 0,75 CFU (6 ore) Imprenditorialità e percorsi di sviluppo – 0,75 (6 ore) Gestione strategica e modelli di struttura organizzativa – 0.75 CFU (6 ore) Nessuno. Il corso si svolge in presenza. La frequenza non è obbligatoria, ma la partecipazione alle lezioni è fortemente consigliata. La decisione di frequentare implica la valutazione progressiva sotto specificata, la quale ha per oggetto anche lo svolgimento di un lavoro di gruppo. Pertanto, al fine di evitare comportamenti che possano danneggiare gli altri componenti del gruppo, non è consentito passare dallo status di frequentante a quello di non frequentante una volta che la decisione è stata assunta, pena l’applicazione di una penalità di 1 punto al voto finale. I contenuti del corso saranno trattati attraverso lezioni frontali attraverso l’ausilio di slides, testimonianze di manager/professionisti, seminari di approfondimento, semplici esercitazioni, lettura e discussione di casi. L’insegnamento è erogato in lingua italiana. Per scelta del Dipartimento di Comunicazione ed Economia, tutte le lezioni saranno registrate e rese disponibili sulla piattaforma dipartimentale ONELab (http://www.onelab.unimore.it/site/home.html).

Modalità d'esame

L’esame si svolgerà al termine dell’insegnamento secondo il calendario ufficiale degli appelli d’esame. La prova è scritta. Gli esiti saranno comunicati entro e non oltre due settimane dalla prova scritta; la pubblicazione avverrà tramite Esse3. Modalità d’esame per studenti Frequentanti La valutazione degli “studenti Frequentanti” è progressiva durante lo svolgimento del corso. Il punteggio complessivo di 30 punti è così suddiviso: • prova scritta finale della durata di 60 minuti: 20 punti (due domande aperte o esercizi); • lavoro di gruppo: 10 punti. Il lavoro di gruppo è realizzato da gruppi di minimo 3 e massimo 5 studenti e consiste nello svolgimento di una analisi quantitativa delle strutture di corporate governance e dei risultati di responsabilità sociale di alcune società quotate alla Borsa Italiana. Ai gruppi di lavoro è richiesto di predisporre una presentazione da effettuarsi durante le ultime sessioni del corso. Le istruzioni di dettaglio sulle modalità di svolgimento del lavoro di gruppo verranno comunicate durante le prime lezioni del corso. La valutazione ottenuta per i lavori di gruppo è mantenuta valida per l’intero anno accademico 2024/2025. Qualora l’esigua numerosità degli studenti non consentisse lo svolgimento dei lavori di gruppo, la valutazione finale deriverà unicamente dallo svolgimento della prova orale. Modalità d’esame per studenti Non Frequentanti La valutazione degli “studenti Non Frequentanti” deriverà unicamente dallo svolgimento della prova orale. La verifica dell’apprendimento prevede un colloquio orale di circa 20 minuti. Durante il colloquio verrà verificata la conoscenza degli argomenti trattati durante il corso attraverso 4/5 domande e ogni risposta verrà valutata fino a un massimo di 8 punti. I criteri di attribuzione dei punteggi sono i seguenti: - capacità di esporre in maniera dettagliata gli argomenti; - utilizzo appropriato della terminologia scientifica.

Testi di riferimento

Perrini F.: Management. Economia Aziendale e Gestione delle Imprese, 4° edizione Egea 2023 Eventuali altri materiali, come slides delle lezioni, testi di esercitazioni, casi studio e letture di approfondimento, saranno resi disponibili nella pagina del corso presente sulla piattaforma digitale Moodle.

Codice insegnamento 27219

Modelli E Strategie Di Data Governance 1° anno · 2° semestre · 12 CFU · ECON-08/A · 0 file

Il corso si pone l’obiettivo di illustrare le principali concettualizzazioni e i processi organizzativi più rilevanti riconducibili al tema della data governance. Al termine del corso, gli studenti saranno in grado di: -…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si pone l’obiettivo di illustrare le principali concettualizzazioni e i processi organizzativi più rilevanti riconducibili al tema della data governance. Al termine del corso, gli studenti saranno in grado di: - Ricostruire l’evoluzione storica dei processi di gestione delle informazioni nel mondo delle imprese; - Comprendere la rilevanza dei sistemi informativi negli odierni contesti organizzativi, soprattutto quelli ad elevato tasso di digitalizzazione; - Utilizzare in maniera appropriata il linguaggio e i metodi di analisi propri della disciplina; - Fare ipotesi sulle possibili strategie che un’organizzazione può implementare sul fronte della gestione delle informazioni; - Valutare gli impatti che le diverse strategie di data governance possono generare su alcune rilevanti dinamiche organizzative, come la gestione delle risorse umane, l’analisi dei rischi e il controllo della qualità. Per una trattazione esaustiva degli obiettivi formativi si rimanda alla sezione “risultati di apprendimento attesi”.

Programma

Il corso è suddiviso in quattro parti, il cui contenuto è sintetizzato come segue. Prima parte: il quadro introduttivo - Dati e informazioni nelle organizzazioni: dalla carta a Internet. Un breve excursus storico. - I dati come asset intangibili. - Organizzare e governare le informazioni. - I dati nell’impresa: possibili classificazioni. - Data Governance e Data Management: differenze e peculiarità. Un’introduzione. Parte seconda: il governo dei dati nelle imprese - Persone, processi e strumenti della Data Governance. - Possibili fronti di impatto della Data Governance sull’attività di impresa. - La gestione dei dati: tra integrazione e interoperabilità. - Dal Data Warehouse alla Business Intelligence. - La sicurezza dei dati: Data Security Management. - Big Data e Data Analytics. - Data Quality Management. Parte terza: progettare e implementare strategie di Data Governance (Progettazione) - Competenze e tecnologie per la Data Governance - La progettazione del quadro operativo. - Assegnazione di ruoli e responsabilità. (Implementazione) - Sviluppare la Roadmap. - Il piano di sostenibilità. - Misurazione e metriche. Parte quarta: analisi di casi studio Quest’ultima parte sarà dedicata all’analisi e alla discussione di casi studio tratti da realtà aziendali di profilo internazionale. I casi studio tratteranno argomenti riconducibili all’intero ventaglio di tematiche affrontate a lezione.

Nessuno.

Il corso viene erogato attraverso lezioni frontali. La frequenza non è obbligatoria. Le lezioni, nelle 48 ore successive alla loro conclusione, saranno rese disponibili sulla piattaforma OneLAB del Dipartimento di Comunicazione ed Economia. L’insegnamento è erogato in lingua italiana.

Modalità d'esame

La verifica dell’apprendimento avverrà attraverso il sostenimento di una prova scritta.

Testi di riferimento

Pompa L. (2025). Il governo e la gestione dei dati nelle organizzazioni. Torino: Giappichelli Mahanti R. (2021). Data Governance and Data Management. Contextualizing Data Governance Drivers, Technologies, and Tools. Dispense a cura dei docenti. Slides delle lezioni.

Codice insegnamento 27218

Obblighi Formativi Aggiuntivi 1° anno · 0 file
Statistica Descrittiva 1° anno · 1° semestre · 9 CFU · STAT-01/A · 0 file

L’obiettivo del corso è quello di introdurre allo studente concetti e nozioni fondamentali alla base ragionamento statistico. Al termine dell’insegnamento lo studente sarà in grado di utilizzare gli strumenti di…

Scheda dell'insegnamento

Obiettivi formativi

L’obiettivo del corso è quello di introdurre allo studente concetti e nozioni fondamentali alla base ragionamento statistico. Al termine dell’insegnamento lo studente sarà in grado di utilizzare gli strumenti di analisi dei dati utili a esplorare, organizzare, rappresentare e riassumere i dati per illustrare le caratteristiche generali di un fenomeno. Per un maggiore dettaglio sugli obiettivi formativi del corso si rimanda alla sezione relativa ai Risultati di apprendimento attesi.

Programma

  • Introduzione alla statistica e campi di applicazione. - Concetti di base: unità e popolazioni, indagini censuarie e campionarie, fonti di dati, caratteri statistici. - La rappresentazione dei dati: distribuzioni unitarie e di frequenze, rappresentazioni grafiche. - Sintesi della distribuzione di una variabile: indici di centralità, indici di variabilità e indici di forma. - Numeri indici. - Le distribuzioni bivariate: frequenze congiunte e marginali. Distribuzioni condizionate. - Analisi della relazione tra due variabili: tabelle di contingenza, dipendenza, correlazione, regressione lineare.

-

Lezioni frontali ed esercitazioni in aula. La frequenza non è obbligatoria, ma vivamente consigliata. Le lezioni in aula verranno registrate e rese disponibili agli studenti sulla piattaforma ONELab del Dipartimento di Comunicazione ed Economia. L’insegnamento si svolge in lingua italiana.

Modalità d'esame

L’esame si articola in due parti: - Prova scritta della durata massima di 90 minuti, composta da esercizi teorici e pratici, da svolgere mostrando in modo chiaro il procedimento adottato; - Prova orale. Per il superamento dell’esame è necessario conseguire una valutazione sufficiente in entrambe le prove. Il punteggio attribuito a ciascuna domanda/esercizio sarà proporzionato al relativo grado di difficoltà. Durante la prova scritta sarà consentita la consultazione dei formulari forniti dalla docente nel corso delle lezioni. La prova scritta e la prova orale spazieranno su tutto il programma del corso.

Testi di riferimento

Cicchitelli G., D’Urso P., Minozzo M. “Statistica: principi e metodi”, Edizioni Pearson. Borra S., Di Ciaccio, A., Statistica: metodologie per le scienze economiche e sociali, McGraw-Hill. Piccolo D., Statistica per le Decisioni, Il Mulino. Agresti A., Finlay B. Statistica per le scienze sociali. Pearson Italia. Diamond I., Jefferies J. “Introduzione alla statistica per le scienze sociali”, McGraw-Hill. Levine J., Szabat K. A., Stephan D.F. “Statistica” (7 Ed.) Pearson Italia.

Codice insegnamento 27216

Analisi Dei Dati Multidimensionali 2° anno · 2° semestre · 12 CFU · STAT-03/B · 0 file

Molte aree dell'economia, dell'industria e della finanza hanno come oggetto lo studio di fenomeni attraverso l'analisi di grandi insiemi di dati, la cui misurazione è caratterizzata da incertezza. Questo corso ha come…

Scheda dell'insegnamento

Obiettivi formativi

Molte aree dell'economia, dell'industria e della finanza hanno come oggetto lo studio di fenomeni attraverso l'analisi di grandi insiemi di dati, la cui misurazione è caratterizzata da incertezza. Questo corso ha come oggetto i principi di base dell'analisi dei dati da un punto di vista statistico ed introduce lo studente alla pratica di tali principi. L'enfasi è posta sull'analisi esplorativa dei dati, sulla costruzione di modelli statistici bivariati e multivariati e sulla corretta interpretazione dei risultati. I principali concetti sono presentati rigorosamente durante il corso. Tuttavia, particolare attenzione sarà posta sullo sviluppo della capacità di risoluzione di problemi

Programma

  • L’analisi dei dati in azienda: il data warehouse ed il data mining come supporto alle decisioni. I sondaggi e le indagini statistiche. - Primary e secondary data. Tecniche di campionamento per l'acquisizione dei secondary data. - Il questionario. - Presentazione e classificazione delle informazioni rilevate: la matrice dei dati. Il trattamento preliminare dei dati: valori mancanti e valori anomali. Analisi esplorative e visualizzazione dei dati. Rappresentazioni grafiche. Il boxplot. - Ripasso: indici univariati di posizione e variabilità, distribuzioni di frequenza, la distribuzione normale - La correlazione e la cograduazione per la relazione tra variabili quantitative. - La relazione tra variabili qualitative nominali: indici di associazione per tabelle 2x2 e per tabelle rxc - Indici di associazione per variabili ordinali. Indici di associazione per variabili rilevate su scala differente. - Market basket analysis - Il problema della riduzione delle dimensioni di una matrice di dati quantitativi: il metodo delle componenti principali. Scomposizione in valori singolari di una matrice di covarianza e di correlazione. I criteri di scelta del numero di componenti. Il biplot. La scatter plot matrix e altre metodologie grafiche multivariate. - I metodi statistici per la segmentazione del mercato: misure di distanza e di similarità tra individui o oggetti. Impiego delle distanze per l’analisi di mercato - Formazione di gruppi omogenei con metodi gerarchici di cluster analysis. Applicazioni a casi reali con l’impiego di SPSS: i segmenti del mercato d’un prodotto, la classificazione della clientela. Metodi non gerarchici di classificazione: le k-medie.

Occorre aver superato gli esami di Matematica Generale e Statistica Descrittiva

Il corso è erogato in lingua italiana. La frequenza non è obbligatoria, ma è fortemente consigliata per un proficuo apprendimento della materia e per la preparazione dell'esame. La didattica comprende: Lezioni frontali: incentrate sull'illustrazione dei concetti teorici e pratici tramite presentazioni in PowerPoint (slide); Esercitazioni e lavori di gruppo: attività pratiche applicative durante le quali agli studenti sarà richiesto di portare il proprio laptop per svolgere esercizi e analisi dei dati attraverso l'uso di software statistici (es. Microsoft Excel).

Modalità d'esame

La verifica dell’apprendimento avviene tramite una prova scritta della durata di 90 minuti. La prova comprende generalmente 4-5 esercizi e un insieme di domande a risposta multipla. I quesiti riguardano i punti chiave della teoria e delle applicazioni pratiche e sono volti ad accertare la capacità di comprensione, l’autonomia di giudizio e la padronanza del linguaggio tecnico. La varietà delle domande consente di valutare sia il livello di apprendimento teorico sia la capacità di applicare le conoscenze acquisite. Nello specifico: Alcuni esercizi richiedono il calcolo e l'interpretazione di indici statistici (inclusa la valutazione della loro significatività); Altri esercizi prevedono l'analisi e l'interpretazione delle tabelle di output di SPSS (o di altri software statistici illustrati a lezione). La prova scritta è seguita da un breve colloquio di discussione dell'elaborato. Esempi di prove d'esame e tipologie di domande sono disponibili sulla pagina Moodle del corso. Materiale consentito all'esame: Libro di testo con relative tavole statistiche Calcolatrice scientifica

Testi di riferimento

Zani S., Cerioli A. (2007). Analisi dei dati a data mining per le decisioni aziendali. Giuffrè. Milano Pelosi MK, Sandifer TM, Cerchiello P, Giudici P (2025) Introduzione alla statistica. Imparare dai dati. III edizione. Mc Graw, Milano

Codice insegnamento 27224

Cloud Computing 2° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file

Il corso fornisce le conoscenze necessarie a comprendere il cloud computing come modello tecnologico e come modello economico, con particolare attenzione al ruolo che l'infrastruttura cloud svolge nei processi di…

Scheda dell'insegnamento

Obiettivi formativi

Il corso fornisce le conoscenze necessarie a comprendere il cloud computing come modello tecnologico e come modello economico, con particolare attenzione al ruolo che l'infrastruttura cloud svolge nei processi di raccolta, conservazione ed elaborazione dei dati aziendali. L'impostazione è introduttiva: non si presuppone alcuna competenza sistemistica pregressa, ma si costruiscono progressivamente i modelli mentali che permettono allo studente di orientarsi in un dominio in rapida evoluzione. Il primo obiettivo è mettere lo studente in condizione di leggere criticamente l'offerta di un cloud provider: riconoscere a quale modello di servizio corrisponde una proposta commerciale, quali responsabilità restano in capo al cliente, quali vincoli di affidabilità e localizzazione geografica sono realmente garantiti e quali voci determinano il costo effettivo del servizio nel tempo. Il secondo obiettivo è operativo: al termine del percorso lo studente sa configurare autonomamente servizi cloud di base, con particolare riferimento a quelli dedicati all'ingestione, all'archiviazione e all'estrazione dei dati, attraverso esercitazioni pratiche su Google Cloud. Al termine del corso lo studente è in grado di: -distinguere i modelli di servizio (IaaS, PaaS, SaaS) e di distribuzione (pubblico, privato, comunitario, ibrido) e valutarne l'adeguatezza rispetto a un'esigenza aziendale; -interpretare i parametri di affidabilità, scalabilità e continuità operativa dichiarati da un fornitore, comprendendone le implicazioni pratiche; -comprendere il funzionamento delle tecnologie abilitanti (virtualizzazione, container, orchestrazione, storage distribuito, API REST) al livello di dettaglio necessario per dialogare con interlocutori tecnici; -configurare servizi cloud per l'estrazione e l'analisi di dati su Google Cloud; -ragionare sui costi di una soluzione cloud secondo la logica FinOps, confrontando scenari alternativi e riconoscendo le principali leve di ottimizzazione; -inquadrare i requisiti di sicurezza, gestione delle identità e conformità normativa che accompagnano l'adozione del cloud in azienda.

Programma

Il corso introduce il cloud computing come modello tecnologico ed economico, partendo dal ruolo del sistema informativo aziendale e dall'infrastruttura che lo sostiene: il datacenter fisico, i criteri di affidabilità dello standard TIA-942 e la distinzione tra scalabilità verticale e orizzontale. Su questa base si presenta la definizione NIST di cloud computing, con le cinque caratteristiche essenziali, i tre modelli di servizio (IaaS, PaaS, SaaS) e i quattro modelli di distribuzione, discussi attraverso casi reali. Segue l'esame delle tecnologie abilitanti: macchine virtuali e container a confronto, orchestrazione dei cluster con Kubernetes, storage distribuito nelle forme dell'object storage e dell'architettura a blocchi di Hadoop, servizi web e architetture REST con lo standard OpenAPI. Si affrontano poi i paradigmi architetturali del software in ambiente cloud: microservizi e API Gateway, cultura DevOps e pipeline CI/CD, ambienti multi-cloud e cloud broker, edge e fog computing per le applicazioni a bassa latenza. Una parte è dedicata al cloud networking e all'alta affidabilità (regioni e zone di disponibilità, disaster recovery, bilanciamento del carico, replica dei servizi) e ai sistemi basati su modelli generativi, esaminati dal lato dell'architettura che li rende operativi: pattern RAG e ricerche semantiche su embedding, tecniche di prompting e di addestramento, agenti autonomi e protocollo MCP, testing e monitoraggio dei costi, allineamento a GDPR e AI Act. Il blocco su sicurezza e IAM distingue identità e autorizzazione e tratta il principio del privilegio minimo, l'autenticazione sicura (MFA, SSO), i service account e l'Infrastructure as Code, la gerarchia delle risorse con l'ereditarietà delle policy e il collegamento al billing account. Il percorso si chiude con la gestione finanziaria del cloud: confronto tra CapEx e OpEx, analisi del TCO su scenari pluriennali, right-sizing, auto-scaling e modelli di acquisto delle risorse (on-demand, riservate, spot), controllo automatico dei budget e disciplina FinOps, con il ciclo Inform-Optimize-Operate e il maturity model Crawl-Walk-Run. Le lezioni sono affiancate da esercitazioni pratiche su Google Cloud lungo il percorso formativo dedicato ai servizi dati, dalla configurazione dei servizi di base fino all'estrazione e all'interrogazione di dataset.

Il corso presuppone una conoscenza di base dei concetti di programmazione, dei fondamenti delle basi di dati e del linguaggio SQL. È inoltre richiesta una familiarità generale con le nozioni di base dell'informatica, in particolare relative al funzionamento dei sistemi operativi e alla gestione del file system.

Lezioni frontali ed esercitazioni pratiche in modalità 50%-50%

Modalità d'esame

L'esame consiste in una prova orale che comprende una verifica pratica live. Durante il colloquio, allo studente verrà richiesto di svolgere alcune semplici operazioni di configurazione e gestione direttamente sulla console di Google Cloud.

Testi di riferimento

Consigliato: Il Cloud Computing per l'economia e la finanza, Alessandro Cucci, thedotcompany edizioni

Codice insegnamento 27221

Data Reduction, Information Design E Data Visualization 2° anno · 1° semestre · 9 CFU · STAT-01/A · 0 file

L’obiettivo di questo corso è quello di introdurre gli studenti ai concetti di statistical learning e data reduction, oltre a fornire gli strumenti necessari per fare data visualization. Al termine dell’insegnamento,…

Scheda dell'insegnamento

Obiettivi formativi

L’obiettivo di questo corso è quello di introdurre gli studenti ai concetti di statistical learning e data reduction, oltre a fornire gli strumenti necessari per fare data visualization. Al termine dell’insegnamento, lo studente sarà in grado di: 1) comprendere ed utilizzare tecniche statistiche per l’analisi e la visualizzazione di dati; 2) usare diversi metodi per l’analisi e la visualizzazione di dati; 3) presentare in maniera efficace un lavoro di analisi e visualizzazione di dataset complessi.

Programma

Statistical learning, data reduction e data visualization. Usare Python per fare data reduction e data visualization. Metodi di classificazione. Metodi di ricampionamento. Scelta del modello lineare. Oltre la linearità: polinomi, funzioni a gradino, spline e regressioni locali. Modelli ad albero. Serie storiche. Social network analysis.

Conoscenza della statistica descrittiva e fondamenti di informatica (entrambe i corsi sono offerti al primo anno del corso di studi).

Lezioni frontali ed esercitazioni in laboratorio, durante le quali verrà utilizzato Python. La frequenza non è obbligatoria ma vivamente consigliata. Le lezioni in aula verranno registrate e rese disponibili agli studenti sulla piattaforma ONELab del Dipartimento di Comunicazione ed Economia. L’insegnamento si svolge in lingua italiana.

Modalità d'esame

La prova d’esame è divisa in due parti. La prima parte consiste nella stesura di un report (2000 parole massimo, referenze escluse) in cui gli studenti dovranno descrivere e commentare il lavoro di analisi di un dataset fornito dal docente. Il report dovrà essere inviato al docente (via email) entro la data di chiusura delle iscrizioni per l'esame in Esse3. La seconda parte consiste in una prova orale da svolgere il giorno dell'esame, in cui verranno affrontati i temi trattati durante il corso (teoria, applicazioni, e scrittura del codice in Python). Il punteggio complessivo di 30 punti è così suddiviso: 10 punti per il report, 20 punti per l’esame orale.

Testi di riferimento

James, G., Witten, D., Hastie, T., e Tibshirani, R. (2020). Introduzione all'apprendimento statistico con applicazioni in R. Piccin Editore. Disponibile al seguente indirizzo (con versione per R e Python): https://www.statlearning.com Kirk, A. (2016). Data Visualisation: A Handbook for Data Driven Design. SAGE. Slide delle lezioni e script Python a cura del docente.

Codice insegnamento 27225

Data Science Lab 2° anno · 2° semestre · 6 CFU · INFO-01/A · 0 file

Al termine del corso lo studente sarà in grado di: • Analizzare le potenzialità del linguaggio Python nei contesti di data analysis, business intelligence e data visualization. • Comprendere in modo approfondito gli…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente sarà in grado di: • Analizzare le potenzialità del linguaggio Python nei contesti di data analysis, business intelligence e data visualization. • Comprendere in modo approfondito gli oggetti e i costrutti fondamentali di Python, dai tipi predefiniti ai principi della programmazione orientata agli oggetti. • Progettare e sviluppare programmi autonomamente, individuando e correggendo errori, bug e comportamenti anomali. • Conoscere le principali strutture dati e le tecniche di interfacciamento con i database. • Possedere una conoscenza introduttiva delle principali librerie per la data analysis.

Programma

  • Tipi predefiniti, variabili ed oggetti sequenziali; • Strumenti di controllo del flusso; • Funzioni e moduli; • Pypi, venvs e librerie di terze parti; • Classi, programmazione orientata agli oggetti; • Librerie Numpy, Pandas, MatPlotLib e SciKit-Learn.

Conoscenza dei sistemi operativi Windows e/o Linux, con particolare attenzione alla struttura e all’utilizzo del file system. Capacità logiche di base e competenze di problem solving.

L’attività didattica combina lezioni frontali, esercitazioni pratiche in laboratorio informatico e momenti di apprendimento attivo guidato. Le lezioni introdurranno i concetti teorici fondamentali, mentre le esercitazioni favoriranno l’applicazione operativa dei contenuti mediante lo sviluppo di codice e l’analisi di casi studio. Sono inoltre previste attività collaborative e discussioni critiche volte a consolidare le competenze analitiche e la capacità di risoluzione dei problemi.

Modalità d'esame

L’esame consiste in un quiz a risposta multipla volto a verificare l’apprendimento della componente teorica del corso, e in una prova pratica di scrittura di codice relativa sia alla standard library di Python sia alle principali librerie per la data analysis.

Testi di riferimento

Testo fondamentale: "Imparare Python" Mark Lutz, O'Reilly Altri testi "Python for Data Analisys" Wes McKinney, O'Reilly "Pandas Cookbook" Theodore Petrou, Packt "Matplotlib 3.0 Cookbook" Srinivasa Rao Poladi, Packt "Hands-On Machine Learning with Scikit-Learn, Keras & Tensorflow" Aurèlien Gèron, O'Reilly

Codice insegnamento 27222

Etica E Dati Nelle Decisioni D'Impresa 2° anno · 2° semestre · 6 CFU · ECON-07/A · 0 file

Il contesto attuale caratterizzato dalla rapida evoluzione degli strumenti ad Intelligenza Artificiale (IA) chiama in campo nuove sfide, anche in campo etico. L’etica consiste negli standard di comportamento a cui ci…

Scheda dell'insegnamento

Obiettivi formativi

Il contesto attuale caratterizzato dalla rapida evoluzione degli strumenti ad Intelligenza Artificiale (IA) chiama in campo nuove sfide, anche in campo etico. L’etica consiste negli standard di comportamento a cui ci atteniamo nella nostra vita personale e professionale. Dovremmo preoccuparci dell’etica anche quando parliamo di IA? Questa è la questione centrale che esamineremo in questo corso e l’obiettivo è di comprendere perché la risposta è sì. Alla fine di questo corso, gli studenti saranno in grado di: • Descrivere il ruolo dell’etica nel contesto manageriale caratterizzato dalla presenza sempre più pervasiva dell'IA • Distinguere tra responsabilità etiche e legali • Descrivere diversi approcci per esaminare la natura etica di una decisione.

Programma

Il corso si compone di due parti. La prima parte tratterà i seguenti argomenti (2 crediti, 16 ore): - Comprendere come l’IA si relazione all’individuo - Comprendere le caratteristiche dell’IA e come queste si riflettono sulle percezioni e sull’esperienza vissuta dall’individuo La seconda parte tratterà i seguenti argomenti (2 crediti, 16 ore): - Individuazione dei risvolti etici nell’ambiente in cui l’individuo si muove, sia in termini di scelte di consumo che di vita professionale, sempre più caratterizzato dalla presenza dell’IA. Durante il corso saranno inoltre proposte esercitazioni in aula e approfondimenti riguardanti l’analisi di casi e lavori di gruppo (2 CFU, 16 ore). Gli argomenti possono essere affrontati con un diverso livello di attenzione in base all’interesse degli studenti o all’attualità. Non è richiesto alcun prerequisito, ma per sentirsi a proprio agio in questo corso, gli studenti dovrebbero avere familiarità con i concetti di base della gestione. Il corso si sviluppa utilizzando formati diversi (lezioni tradizionali, esercizi, testimonianze di practitioners) per offrire un mix di teoria e spiegazioni pratiche di tematiche legate all’etica nelle decisioni d’impresa. La frequenza non è obbligatoria, ma vivamente consigliata. La modalità di erogazione dell’insegnamento è in presenza. In ogni caso le lezioni per scelta del Dipartimento di Comunicazione ed Economia saranno registrate e rese disponibili sulla piattaforma dipartimentale ONELab (https://www.onelab.unimore.it/). L’insegnamento si svolge in lingua italiana.

Modalità d'esame

La verifica dell’apprendimento si realizzerà tramite una prova SCRITTA da svolgersi al termine delle lezioni dell’insegnamento nelle sessioni d’esame istituzionali. L’esame scritto sarà composto da 1 o 2 domande aperte (con limite massimo di spazio/caratteri da utilizzare), riguardanti temi trattati nel corso dell’insegnamento. Il tempo a disposizione per la prova scritta sarà di 60 minuti. Agli studenti che seguiranno il corso in presenza e in modo assiduo è data la possibilità di svolgere lavori di gruppo da esporre durante il corso. Se sceglieranno questa opzione, il 70% dell’esito finale sarà dato dalla valutazione dei lavori di gruppo sviluppati durante il corso, il restante 30% sarà dato dal voto preso all’esame individuale che si terrà in chiusura di corso. Tale possibilità di sostenere l’esame è consentita solo agli studenti frequentanti in presenza (che potranno comunque scegliere di sostenere l’esame nella modalità descritta inizialmente, se lo desiderano). Il voto finale sarà reso noto su Esse3 di norma entro due settimane dalla data d’esame.

Testi di riferimento

Required Readings: • Puntoni, S., Reczek, R. W., Giesler, M., & Botti, S. (2021). Consumers and Artificial Intelligence: An Experiential Perspective. Journal of Marketing, 85(1), 131–151. • Hermann, E. (2022). Leveraging Artificial Intelligence in Marketing for Social Good—An Ethical Perspective. Journal of Business Ethics, 179(1), 43–61. Suggested Reading: • Byars, S. M., & Stanberry, K. (2018). Business Ethics. Rice University. Available at https://openstax.org/details/books/business-ethics

Codice insegnamento 27220

Inferenza Statistica 2° anno · 1° semestre · 9 CFU · STAT-01/A · 0 file

l corso è articolato in due parti: Prima parte: introduce gli strumenti di base per lo studio della probabilità. L’obiettivo principale è far acquisire allo studente familiarità con il calcolo delle probabilità in ambito…

Scheda dell'insegnamento

Obiettivi formativi

l corso è articolato in due parti: Prima parte: introduce gli strumenti di base per lo studio della probabilità. L’obiettivo principale è far acquisire allo studente familiarità con il calcolo delle probabilità in ambito aziendale ed economico, mettendolo in grado di svolgere elaborazioni autonome e di interpretarne correttamente i risultati. Seconda parte: fornisce le nozioni fondamentali relative alle procedure di campionamento e all’inferenza statistica. Durante l’insegnamento l’attenzione sarà focalizzata su un insieme selezionato di tecniche ad ampio impiego pratico. Di ciascuna tecnica verranno illustrati i fondamenti logici e le finalità conoscitive, privilegiando la comprensione concettuale rispetto ai dettagli tecnici e alle derivazioni matematiche.

Programma

INTRODUZIONE Variabili e unità statistiche. Universo e campione. RIPASSO DI STATISTICA DESCRITTIVA Distribuzioni unitarie di frequenza, indici di posizione, indici di variabilità, standardizzazione di una variabile. PROBABILITÀ Concetti primitivi: prova, evento, probabilità. Algebra degli eventi. I postulati. Probabilità classica, frequentista e soggettiva. Probabilità condizionate e indipendenza. Probabilità totale. Teorema di Bayes. Variabili casuali: discrete e continue. Valore atteso e varianza di una variabile casuale. Distribuzione di probabilità, funzione di densità di probabilità e funzione di ripartizione.Variabili casuali standardizzate. Distribuzioni discrete: uniforme, bernoulli, binomiale, Poisson, Distribuzioni continue: normale, t-Student, chi quadro ed F di Fisher. Uso delle tavole. INFERENZA Stima puntuale: Proprietà degli stimatori Intervallo di confidenza per la media (sigma noto e non noto) e per la proporzione. Intervallo di confidenza per una varianza. Formulazione di un test d'ipotesi. Il p-value. Errori di prima e seconda specie. Test per la media. Test per la proporzione. Test per la differenza tra medie di due popolazioni e test per la differenza tra proporzioni di due popolazioni. Test per la varianza di due popolazioni. Inferenza nel modello di regressione lineare: intervalli di confidenza e test di ipotesi sui parametri stimati. Test di ipotesi sulla validità del modello. Metodo di stima della massima verosimiglianza.

Occorre aver superato gli esami di Matematica Generale e Statistica Descrittiva

Il corso è erogato in lingua italiana. La frequenza non è obbligatoria, ma è fortemente consigliata per un proficuo apprendimento della materia e per la preparazione dell'esame. La didattica comprende: Lezioni frontali: incentrate sull'illustrazione dei concetti teorici e pratici tramite presentazioni in PowerPoint (slide); Esercitazioni e lavori di gruppo: attività pratiche applicative durante le quali agli studenti sarà richiesto di portare il proprio laptop per svolgere esercizi e analisi dei dati attraverso l'uso di software statistici (es. Microsoft Excel).

Modalità d'esame

La verifica dell’apprendimento avviene tramite una prova scritta della durata di 90 minuti. La prova comprende generalmente 4-5 esercizi e un insieme di domande a risposta multipla. I quesiti riguardano i punti chiave della teoria e delle applicazioni pratiche e sono volti ad accertare la capacità di comprensione, l’autonomia di giudizio e la padronanza del linguaggio tecnico. La varietà delle domande consente di valutare sia il livello di apprendimento teorico sia la capacità di applicare le conoscenze acquisite. Nello specifico: Alcuni esercizi richiedono il calcolo e l'interpretazione di indici statistici (inclusa la valutazione della loro significatività); Altri esercizi prevedono l'analisi e l'interpretazione delle tabelle di output di SPSS (o di altri software statistici illustrati a lezione). La prova scritta è seguita da un breve colloquio di discussione dell'elaborato. Esempi di prove d'esame e tipologie di domande sono disponibili sulla pagina Moodle del corso. Materiale consentito all'esame: Libro di testo con relative tavole statistiche Calcolatrice scientifica

Testi di riferimento

Cicchitelli G., D'Urso P., Minozzo M. Statistica: principi e metodi, Edizioni Pearson. Cerioli, Milioli, Corbellini, Morelli (2022) Un'introduzione elementare all'inferenza statistica per le discipline aziendali, Uni.nova. Borra S., Di Ciaccio, A., Statistica: metodologie per le scienze economiche e sociali, McGraw-Hill Pelosi MK, Sandifer TM, Cerchiello P, Giudici P (2025) Introduzione alla statistica. Imparare dai dati. III edizione. Mc Graw, Milano Cerioli A., Milioli M.A. & Riani M. (2023) Esercizi di statistica. VI edizione. Uni.nova, Parma

Codice insegnamento 27223

Machine E Deep Learning 3° anno · 1° semestre · 9 CFU · INFO-01/A · 0 file

Al termine dell’insegnamento, lo studente dovrebbe essere in grado di: • Comprendere e applicare le principali tecniche di machine learning e deep learning per analizzare dati. • Analizzare e implementare algoritmi di…

Scheda dell'insegnamento

Obiettivi formativi

Al termine dell’insegnamento, lo studente dovrebbe essere in grado di: • Comprendere e applicare le principali tecniche di machine learning e deep learning per analizzare dati. • Analizzare e implementare algoritmi di classificazione per dati, sequenze temporali e pattern complessi. • Distinguere tra le tecniche di apprendimento automatico supervisionato e non supervisionato. • Comprendere il funzionamento delle reti neurali e implementare architetture neurali complesse per l'analisi di dati spaziali e temporali, nonché per modelli generativi. • Applicare i principi dell'apprendimento con rinforzo in contesti pratici. Per un maggiore dettaglio sugli obiettivi formativi del corso si rimanda alla sezione relativa ai Risultati di apprendimento attesi

Programma

Il corso di "Machine Learning e Deep Learning" è progettato per fornire agli studenti dell’indirizzo Data Analyst le competenze necessarie per comprendere e applicare tecniche di intelligenza artificiale (AI) e apprendimento automatico (ML) nel contesto aziendale. Di seguito sono riportati i dettagli delle tematiche che saranno trattate durante il corso. Introduzione all'Intelligenza Artificiale (AI) • Storia e Evoluzione • Definizione di AI • Applicazioni dell'AI Fondamenti di Machine Learning • Cos’è il Machine Learning • Tipologie di Machine Learning: o Apprendimento Supervisionato: Definizione, caratteristiche e applicazioni; algoritmi comuni (regressione lineare, alberi decisionali, SVM). o Apprendimento Non Supervisionato: Introduzione e applicazioni; tecniche come clustering e riduzione della dimensionalità (K-means, PCA). o Apprendimento per Rinforzo: Concetti di base e applicazioni; introduzione agli agenti e alle politiche di apprendimento. Tipologie del Machine Learning • Regressione Lineare • Regressione Polinomiale • Regressione Ridge (regolarizzazione L2) • Regressione Lasso (regolarizzazione L1) • Elastic Net (combinazione di Lasso e Ridge) • Support Vector Regression (SVR) • Decision Tree Regression • Random Forest Regression • Gradient Boosting Regression • XGBoost • Regressione Bayesiana • k-Nearest Neighbors Regression (k-NN) • Regressione Quantile • Gaussian Process Regression (GPR) • Regressione Logistica (citata in un esempio, ma più propriamente classificazione) Algoritmi di Classificazione (Apprendimento supervisionato) • Regressione Logistica • Albero di Decisione (Decision Tree) • Support Vector Machine (SVM) • K-Nearest Neighbors (KNN) • Random Forest • Reti Neurali Artificiali (ANN) Algoritmi di Categorizzazione • Naive Bayes • K-Means (usato anche per categorizzazione non supervisionata) • Support Vector Machine (SVM) (anche in contesto di categorizzazione) • Random Forest (per categorizzazione supervisionata) • Latent Dirichlet Allocation (LDA) – per analisi e categorizzazione di testo Algoritmi di Clusterizzazione (Apprendimento non supervisionato) • K-Means • Clusterizzazione Gerarchica (Hierarchical Clustering) • DBSCAN (Density-Based Spatial Clustering of Applications with Noise) • Mean Shift • Gaussian Mixture Models (GMM) Analisi Predittiva (Predictive Analytics) Raccomandazione (Recommendation Systems) Approfondimento sul Deep Learning • Cos’è il Deep Learning: Differenze tra machine learning e deep learning, struttura delle reti neurali. Tipologie di Deep Learning: • Reti Neurali Feedforward (Feedforward Neural Networks) • Reti Neurali Convoluzionali (Convolutional Neural Networks - CNN) • Reti Neurali Ricorrenti (Recurrent Neural Networks - RNN) • Reti Neurali Generative (Generative Neural Networks) • Reti Neurali di Trasformazione (Transformers) Esempi Pratici e Casi d'Uso Aziendali • Progetti Pratici: Gli studenti svilupperanno progetti utilizzando strumenti di machine learning e deep learning per risolvere problemi reali.

Conoscere i principi della programmazione, conoscenza del linguaggio Python, predisposizione all’apprendimento per esempi, conoscenza di base di statistica e algebra lineare Aver superato l'esame del corso Fondamenti di Informatica.

Utilizzo di dispense a cura del docente. Si prevede un ciclo di lezioni frontali e l'implementazione in laboratorio di tutte le tecniche presentate in linguaggio Python e utilizzando le varie librerie. La frequenza non è obbligatoria, ma vivamente consigliata. Le lezioni in aula verranno registrate e rese disponibili agli studenti sulla piattaforma ONELab del Dipartimento di Comunicazione ed Economia. L’insegnamento si svolge in lingua italiana

Modalità d'esame

Prova scritta: a) test con domande a risposta multipla; b) durata della prova 60 minuti; c) il test prevede 60 domande a risposta multipla; d) ogni risposta multipla esatta varrà 0,43 punti, quella sbagliata varrà 0; e) i progetti consegnati per l'esame potrano valere fino a 6 punti e saranno considerati come prove intermedie.

Testi di riferimento

Durante il corso verranno forniti dispense realizzate dal docente, link a documenti e siti di particolare rilevanza in relazione alle lezioni e ai temi trattati

Codice insegnamento 27229

Metodologie Di Change Management 3° anno · 2° semestre · 6 CFU · PSIC-03/A · 0 file
Modelli Statistici - Glm 3° anno · 1° semestre · 9 CFU · STAT-01/A · 0 file

Il corso si pone l’obiettivo di formare studenti in grado di saper utilizzare e interpretare correttamente modelli lineari generalizzati per l’applicazione in contesti reali. Al termine dell’insegnamento lo studente deve…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si pone l’obiettivo di formare studenti in grado di saper utilizzare e interpretare correttamente modelli lineari generalizzati per l’applicazione in contesti reali. Al termine dell’insegnamento lo studente deve essere in grado di: Comprendere la struttura generale dei modelli lineari e dei GLM. Applicare i modelli appropriati in funzione della natura della variabile risposta Stimare i parametri dei modelli usando software illustrati Interpretare correttamente i parametri stimati in un contesto applicativo Valutare la bontà di adattamento e la qualità predittiva di un modello Confrontare modelli alternativi per scegliere quello più adatto Avere familiarità con estensioni e limiti dei modelli trattati Per un maggiore dettaglio sugli obiettivi formativi del corso si rimanda alla sezione relativa ai Risultati di apprendimento attesi.

Programma

1. Ripasso del modello lineare - Modello lineare semplice e multiplo - Assunzioni del modello lineare classico - Stima dei parametri e interpretazione - Diagnostica e bontà del modello lineare - Criteri di selezione del modello 2. Introduzione ai Modelli Lineari Generalizzati (GLM) - Motivazioni - Struttura dei GLM - Procedura di stima - Verifica della bontà del modello - Selezione del modello in ambito GLM 3. GLM per dati binari - Regressione logistica - Regressione probit - Interpretazione dei coefficienti - Diagnostica e valutazione del modello 4. GLM per dati di conteggio - Regressione di Poisson - Assunzioni e limitazioni del modello di Poisson - Interpretazione - Estensioni 5. Cenni su GLM per altri tipi di risposta 6. Cenni introduttivi su modelli più avanzati

Occorre aver superato gli esami di Matematica Generale e Statistica Descrittiva

Lezioni frontali in aula più ore di laboratorio con l’ausilio di laptop personali per l’utilizzo del software R. La frequenza non è obbligatoria, ma vivamente consigliata. Le lezioni in aula verranno registrate e rese disponibili agli studenti sulla piattaforma ONELab del Dipartimento di Comunicazione ed Economia. L’insegnamento si svolge in lingua italiana. Materiali didattici integrativi quali slides, dataset, esercizi per casa e esempi d’esame saranno a disposizione nel sito Moodle del corso

Modalità d'esame

La verifica dell’apprendimento avviene tramite una prova scritta della durata di 90 minuti. L’esame consiste generalmente in 22 quesiti: - 15 domande a scelta multipla: 1 punto per una risposta corretta, 0 punti risposta non data, -0.25 risposta errata - 3 domande aperte: 2.5 punti ciascuna - 3 problemi/esercizi: 2.5 punti ciascuna - 1 problema avanzato: 3 punti (per la lode) Si potrà utilizzare la calcolatrice durante l’esame. La prova scritta è seguita da un breve colloquio di discussione dell'elaborato. Il voto finale potrà essere integrato, su base volontaria, con la valutazione di un progetto individuale valente da 0 a 3 punti. Il progetto consisterà nell’analisi di un caso studio tramite l’applicazione dei metodi e dei modelli presentati durante il corso. L’obiettivo è quello di mettere in pratica le competenze acquisite, dalla scelta del modello alla sua interpretazione. Il progetto sarà valutato sulla base della correttezza metodologica, della chiarezza dell’esposizione e della capacità di interpretare i risultati.

Testi di riferimento

Dobson, A. J., & Barnett, A. G. (2018). An Introduction to Generalized Linear Models. Chapman and Hall/CRC. James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An Introduction to Statistical Learning: With Applications in R. 2nd edition. New York: Springer. Versione italiana: "Introduzione all’apprendimento statistico con applicazioni in R". James, G., Witten, D., Hastie, T., & Tibshirani, R. (2020). Piccin Editore

Codice insegnamento 27226

Project Valuation 3° anno · 2° semestre · 6 CFU · STAT-04/A · 0 file

L’insegnamento si propone di illustrare le tecniche di valutazione degli investimenti aziendali sia in termini di modelli teorici, sia delle problematiche operative ad esse inerenti. Al termine dell’insegnamento lo…

Scheda dell'insegnamento

Obiettivi formativi

L’insegnamento si propone di illustrare le tecniche di valutazione degli investimenti aziendali sia in termini di modelli teorici, sia delle problematiche operative ad esse inerenti. Al termine dell’insegnamento lo studente dovrebbe possedere le nozioni di base della finanza d’impresa, nonché la capacità di applicare i concetti e le tecniche del capital budgeting. Lo studente dovrebbe inoltre essere in grado di applicare le conoscenze acquisite nell’insegnamento in nuovi contesti e di formulare autonomamente valutazioni sulle problematiche finanziari dell’impresa e sulle decisioni di capital budgeting, nonché saperli comunicare in modo chiaro e corretto. I risultati di apprendimento attesi sono in ogni caso riportati nell’apposita sezione.

Programma

- Finanza aziendale: i concetti di base (1,5 CFU) • Decisioni finanziarie d’impresa • Prospetti di bilancio (stato patrimoniale, conto economico, rendiconto finanziario) • Valore finanziario del tempo e tassi d’interesse - Flussi di cassa rilevanti nella valutazione dei progetti di investimento (1 CFU) - Criteri di valutazione: VAN, TIR, VAM (1,25 CFU) - Costo del capitale (0,75 CFU) - Scelte di finanziamento e valutazione dei progetti d’investimento (1,5 CFU) • Struttura finanziaria d’impresa: le proposizioni di Modigliani e Miller • Scudo fiscale del debito • Capital budgeting dell’impresa indebitata: Valore attuale modificato e Flow-to-equity Si segnala la possibilità di integrare e/o modificare parzialmente i pesi e i contenuti dell’insegnamento sulla base di fattori contingenti come il livello di interesse dimostrato dagli studenti rispetto ai temi trattati I contenuti dell’insegnamento presuppongono la conoscenza dei concetti basilari in ambito economico- aziendale. La modalità di erogazione dell’insegnamento è in presenza. Le lezioni per scelta del Dipartimento di Comunicazione ed Economia saranno registrate e rese disponibili sulla piattaforma dipartimentale ONELab (http://www.onelab.unimore.it/site/home.html). L’insegnamento è erogato in lingua italiana. La frequenza alle lezioni dell’insegnamento non è obbligatoria, anche se fortemente consigliata. Le lezioni saranno sia di tipo teorico – svolte attraverso lezioni frontali - , sia di applicazione di quanto appreso nella teoria, attraverso lo svolgimento di esercitazioni pratiche, relative anche ad eventuali casi di studio.

Modalità d'esame

La verifica dell’apprendimento si realizzerà tramite una prova SCRITTA IN PRESENZA da svolgersi al termine delle lezioni dell’insegnamento nelle sessioni d’esame istituzionali. L’esame scritto sarà composto da: - una prova con 10 domande a risposta multipla (tempo a disposizione 15 minuti). - una prova con due esercizi (tempo a disposizione 40 minuti). Il voto finale complessivo è la somma dei punteggi delle due prove (fino a 10 punti la prima e fino a 20 punti la seconda) e sarà reso noto su Esse3 dopo il termine della correzione dei compiti entro un paio di settimane dalla data d’esame. È previsto il SALTO D'APPELLO per votazioni inferiori a 10/30.

Testi di riferimento

Jonathan Berk, Peter DeMarzo, Daniela Venanzi, Capital budgeting. Pearson – Addison Wesley. Tranne Capitolo 9. Oppure Jonathan Berk e Peter DeMarzo, FINANZA AZIENDALE VOL 1 6/ED. Pearson – Addison Wesley. Materiale integrativo e di supporto messo a disposizione durante le lezioni attraverso la piattaforma didattica di ateneo

Codice insegnamento 27227

Prova Finale 3° anno · 3 CFU · 0 file
Text Processing E Social Analytics 3° anno · 1° semestre · 6 CFU · GLOT-01/A · 0 file

Al termine del corso, attraverso la partecipazione alle attività didattiche e lo studio della bibliografia di riferimento, gli studenti e le studentesse saranno in grado di: 1. descrivere che cosa si intende per…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, attraverso la partecipazione alle attività didattiche e lo studio della bibliografia di riferimento, gli studenti e le studentesse saranno in grado di: 1. descrivere che cosa si intende per ricerca scientifica in linguistica e identificare gli obiettivi dello studio scientifico del linguaggio umano; 2. riconoscere i principali contenuti, obiettivi e risultati della ricerca nell’ambito della linguistica teorica e orientarsi nella riflessione scientifica sul linguaggio umano; 3. leggere e comprendere un testo scientifico di argomento linguistico; 4. applicare strumenti di analisi statistica a problemi di classificazione linguistica e di analisi storica. Per una più completa comprensione degli obiettivi formativi, si rimanda alla lettura dei risultati di apprendimento attesi.

Programma

Parte A – Introduzione alla linguistica e agli studi sul linguaggio umano (14 ore) 1. Presentazione del corso, organizzazione delle lezioni, modalità e contenuti dell’esame. 2. La ricerca scientifica in linguistica: presupposti, obiettivi e prospettive. 3. La linguistica formale come strumento di analisi del linguaggio umano. 4. La linguistica storica e la ricostruzione del segnale filogenetico attraverso la comparazione linguistica. Parte B – Dati linguistici e analisi quantitativa (16 ore) 1. La ricerca quantitativa e la ricostruzione storica. 2. Comparare grammatiche umane e misurare distanze sintattiche. 3. Modellare la diversità linguistica mediante analisi statistiche. Parte C – Seminari specialistici (18 ore) Durante il corso, saranno proposti tre seminari di studiosi esperti di analisi sociale e linguistica. Ciascun seminario avrà una durata di 2 ore. Le 4 ore successive ad ogni seminario saranno dedicate alla discussione dei contenuti del seminario, a partire dalle presentazioni degli studenti e delle studentesse. Il programma, l’orario delle lezioni e l’articolazione delle modalità di verifica dell’apprendimento saranno resi disponibili sulla pagina Moodle del corso prima dell’inizio delle lezioni.

La parte teorica del corso non richiede prerequisiti specifici, poiché il percorso di studi in Analisi dei dati per l'impresa e la finanza non prevede altri insegnamenti di linguistica. Per la parte di analisi applicata, si presuppone che gli studenti e le studentesse abbiano familiarità con le principali tecniche di analisi statistica affrontate negli insegnamenti dei primi due anni di corso.

Testi di riferimento

Gli studenti e le studentesse che sosterranno l’esame con la modalità “Frequentanti” riceveranno a lezione le indicazioni sui testi da studiare. Gli studenti e le studentesse che sosterranno l’esame con la modalità “Non Frequentanti” dovranno studiare i seguenti testi: (a) Andrea Moro (2017) Le lingue impossibili. Milano: Raffaello Cortina. Capitoli 1, 2, 3, 4, 5, 10. (b) Giorgio Graffi e Sergio Scalise (2024). Le lingue e il linguaggio. Bologna, Il Mulino. Capitoli 1, 2, 3, 4, 5, 7, 11. (c) Cristina Guardiano e Giuseppe Longobardi (2026) Syntactic Methods for Language Phylogenies. In: The Wiley Blackwell Companion to Diachronic and Historical Linguistics. Edited by Adam Ledgeway, Edith Aldridge, Anne Breitbarth, Katalin É. Kiss, Joseph Salmons, and Alexandra Simonenko. NY: John Wiley & Sons. [di questo testo sarà disponibile una copia in pdf sulla pagina Moodle del corso]

Codice insegnamento 27228

Tirocinio 3° anno · 2° semestre · 18 CFU · 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.