Obiettivi formativi
Il corso è finalizzato a un notevole approfondimento di alcuni modelli statistici di particolare rilievo per l'ingegneria gestionale: il disegno degli esperimenti, i modelli discriminanti, i Tree con il machine learning.
Nel corso si effettua anche un confronto tra alcuni modelli statistici e Machine learning.
Prerequisiti
- - -
Contenuti dell'insegnamento
1.Analisi della varianza e disegno degli esperimenti.
Il problema della curvatura nella superficie di risposta.
Il metodo della discesa/salita più rapida.
Il modello a due fattori variabili.
Il modello misto a due fattori.
Piani annidati.
Analisi della covarianza.
Parte 2. Valutazione della solidità economica finanziaria dell'impresa mediante modelli discriminanti.
La discriminante di Fisher.
La discriminate quadratica.
La discriminate logistica.
La discriminate di massima verosimiglianza.
Parte 3. Machine learning e la valutazione dell'impresa mediante il machine learning.
Il metodo del Vicino più Vicino.
Alberi di classificazione e alberi di regressione.
Foreste casuali.
Macchine a vettori di supporto.
Reti neurali.
Programma esteso
1.Analisi della varianza e disegno degli esperimenti.
Ripresa dei modelli a uno, due, tre fattori.
Principali disegni degli esperimenti.
Superfici di risposta di primo e secondo ordine.
Il problema della curvatura della superficie di risposta con dati mancanti.
Metodo della discesa/salita più rapida.
Analisi della varianza con fattori stocastici.
Il modello misto: un fattore variabile e un fattore fisso.
Piani annidati.
Analisi della covarianza.
Parte 2. Valutazione della solidità economica finanziaria dell'impresa.
Le statistiche dell'ISTAT sulle imprese.
Alcuni schemi di riclassificazione del bilancio.
Il flusso dei fondi.
Il sistema dei conti SEC Eurostat e la riclassificazione del bilancio.
La discriminante di Fisher.
La discriminante logistica.
La discriminate quadratica.
La discriminate di massima verosimiglianza.
Parte 3. Machine learning
Il metodo de Il vicino più vicino.
Alberi di classificazione.
Alberi di regressione.
Foreste casuali.
Macchine a vettori di supporto.
Reti neurali.
Bibliografia
Montgomery, D. C.(2006)
Progettazione e analisi degli esperimenti
2006 Mc Graw-Hill. (Alcuni capitoli segnalati durante il corso).
Flury, B. (1997) A First course in Multivariate Statistics, Springer, New York. (Alcuni capitoli segnalati durante il corso).
Lantz B. (2015) Machine learning with R. Packt Publishing, Birminghan. (Capitoli segnalati durante il corso).
James G.,Witten D., Hastie T.,Tibshirami R. (2013) An Introduction to Statistical Learning with Applications in R, Springer,, New York.
Metodi didattici
Lezioni frontali e laboratorio con R.
Modalità verifica apprendimento
Esame orale.
Nell'esame lo studente deve dimostrare la conoscenza dei diversi modelli teorici indicati nel programma e sviluppati nel corso.
Altre informazioni
- - -
Obiettivi agenda 2030 per lo sviluppo sostenibile
- - -
