STATISTICAL INFERENCE AND LEARNING

L’insegnamento ricade tra le attività educative del corso di laurea magistrale in Computer Science che consentono allo studente di acquisire strumenti avanzati per l’analisi di dati mediante tecniche statistiche e di apprendimento automatico. L’obiettivo dell’insegnamento è sviluppare le competenze statistiche necessarie per analizzare dati caratterizzati da alta dimensionalità al fine di risolvere problemi di previsione e classificazione che sorgono nei più svariati ambiti tecnologico-scientifici, biomedici ed economico-aziendali.

La frequenza e la partecipazione alle attività formative proposte dal corso e lo studio individuale consentiranno agli studenti di:
1. (conoscenza e comprensione)
- conoscere e comprendere metodi avanzati propri dell’apprendimento statistico per la sintesi, la previsione e la classificazione
2. (capacità di applicare conoscenza e comprensione)
- applicare in modo autonomo metodi statistici avanzati per sintetizzare informazioni, effettuare previsioni e classificazioni anche con dataset caratterizzati da alta dimensionalità
- utilizzare in modo autonomo software statistico per analizzare dataset caratterizzati da alta dimensionalità
3. (capacità di giudizio)
- esprimere valutazioni autonome rispetto alla validità e alla fattibilità di diverse tecniche statistiche e comprendere il loro impatto sui risultati delle analisi

Si assume che gli studenti abbiano raggiunto gli obiettivi formativi del corso di Applied Probability for Computer Science (https://www.unive.it/data/insegnamento/335487 ) anche senza avere necessariamente superato l’esame. In particolare, è importante che gli studenti abbiano una piena dimistichezza con i concetti di base del calcolo delle probabilità, le variabili casuali, le tecniche di simulazione e gli strumenti di base dell'inferenza statistica.

Il programma del corso prevede la presentazione e la discussione dei seguenti argomenti:
1. modelli previsivi lineari
2. tecniche di classificazione
3. metodi di ricampionamento
4. scelta fra modelli e regolarizzazione
5. modelli non lineari
L’utilizzo del linguaggio R (www.r-project.org) è una parte integrante del corso.

- James G, Witten D, Hastie T, Tibshirani R (2015). An Introduction to Statistical Learning. 2n edition. Springer. Pagina web https://www.statlearning.com/
- Letture e materiali integrativi distribuiti durante il corso tramite la piattaforma Moodle

La verifica dell'apprendimento avviene tramite la discussione orale di un progetto concordato con il docente. Il progetto consiste nell'analisi di un insieme di dati utilizzando i metodi appresi nel corso. Lo studente deve preparare una relazione che descrive il lavoro svolto e poi discuterla con il docente.

Gli studenti saranno valutati in termini di
- qualità delle analisi statistiche
- correttezza del linguaggio tecnico
- correttezza delle conclusioni
- qualità della presentazione (report)
- qualità della discussione orale

Regole:
1) se lo studente non passa l'esame, allora può provare l'esame in un appello successivo con lo stesso progetto. Tuttavia, se lo studente dovesse essere nuovamente bocciato allora sarà necessario considerare un *nuovo* progetto per le sessioni d'esame successive
2) se lo studente passa l'esame ma decide di rifiutare il voto, allora sarà necessario considerare un *nuovo* progetto per le sessioni d'esame successive

orale

Il/la docente ha il dovere di vigilare affinché siano rispettate le regole di autenticità e originalità delle prove d'esame. Di conseguenza, nei casi in cui vi sia il sospetto di un comportamento irregolare, l'esame può prevedere un ulteriore approfondimento, contestuale alla prova d'esame, che potrà essere realizzato anche in modalità differente rispetto alle modalità sopra riportate.

Il punteggio complessivo è dato dalla somma della valutazione assegnata alla relazione che descrive le analisi statistiche svolte (60%) e della valutazione assegnata alla presentazione e discussione orale dei risultati descritti nella relazione (40%). Durante la discussione gli studenti possono anche ricevere domande su argomenti del corso non trattati nel progetto.

Il risultato all'esame è valutato:
- sufficiente (18-22 punti), se lo studente dimostra una sufficiente conoscenza e comprensione dei metodi del corso, è in grado di applicarli e interpretarli adeguatamente e utilizza la terminologia tecnica correttamente;
- discreta (23-25 punti), se lo studente mostra una buona conoscenza e comprensione dei metodi del corso, li applica e interpreta in modo convincente e usa la terminologia tecnica con discreta accuratezza;
- buona (26-28 punti), se lo studente possiede una solida conoscenza e comprensione dei metodi del corso, li applica e interpreta in maniera del tutto convincente e impiega la terminologia tecnica in modo accurato;
- ottima (29-30 punti), se lo studente dimostra un'eccellente conoscenza e comprensione dei metodi del corso, li applica e interpreta in modo brillante e utilizza la terminologia tecnica con estrema accuratezza.

La lode è riservata agli studenti che, oltre ad aver ottenuto un risultato ottimo, dimostrano un impegno eccezionale nella svolgimento e nella presentazione del progetto, apportando contributi o spunti originali.

Lezioni di teoria convenzionali accompagnate da esercitazioni in aula, discussione di casi studio e laboratori. Materiale didattico curato del docente verrà distribuito durante il corso tramite la piattaforma Moodle. Il software statistico utilizzato nel corso è R (www.r-project.org).