- Oggetto:
- Oggetto:
Business Analytics
- Oggetto:
Business Analytics
- Oggetto:
Anno accademico 2018/2019
- Codice dell'attività didattica
- ECM0131
- Docente
- Marco Guerzoni (Titolare del corso)
- Corso di studi
- Laurea magistrale in Metodi statistici ed economici per le decisioni - a Torino [0402M21]
- Anno
- 2° anno
- Tipologia
- Affine o integrativo
- Crediti/Valenza
- 6
- SSD dell'attività didattica
- SECS-P/06 - economia applicata
- Modalità di erogazione
- Tradizionale
- Lingua di insegnamento
- Italiano
- Modalità di frequenza
- Consigliata/Recommended
- Tipologia d'esame
- Scritto
- Oggetto:
Sommario insegnamento
- Oggetto:
Obiettivi formativi
Il corso si propone di utilizzare alcuni specifici strumenti di machine learning per risolvere probeli tradizionali di business intelligence.
This course aims at developing competencies in the use of machine learning algorithm to solve common problem-solving activity in the realm of the business intelligence.
- Oggetto:
Risultati dell'apprendimento attesi
Alla fine del corso lo studente dovrà essere in grado di formulare un modello economico per risolvere problemi di marketing e rischio, individuare i dati necessari, suggerire algoritmi adatti e proporre soluzioni
Students will learn how to model economic problems in the realm of marketing and risk, to screen for data to use, to implement machine learning algorithms, and suggest business solutions.
- Oggetto:
Modalità di insegnamento
Lezioni frontali, laboratorio informatico, presentazioni degli studenti
Frontal teaching, labs and students presentation
- Oggetto:
Modalità di verifica dell'apprendimento
NB: questa modalità potrà cmabiare all'inizio del corso, a seconda del numero di studenti partecipanti. La moalità ufficiale verrà comunicata in classe e caricata sulla piattaforma e-learning.
Modalità frequentanti:
Potranno accedere alla modalità frequentanti solo gli studenti che formeranno un gruppo di 4/5 persone e concorderanno con il docente il tema del lavoro di gruppo. Per i frequentanti quindi l'accertamento dello studio e la valutazione della preparazione avverranno in base a due modalità: un lavoro di gruppo con presentazione in classe e un esame scritto finale.
a) Presentazione: ai fini della valutazione finale è richiesto che gli studenti presentino in classe un argomento specifico concordato con il docente legato ad uno specifico oggetto del corso. La definizione dei contenuti e delle modalità di presentazione verrà illustrata in classe. La presentazione avverrà nella ultima settimana di corso. Si richiede a tutti gli studenti del gruppo di partecipare alla presentazione.
b) Esame finale: l'esame scritto finale (1h 30) consisterà in cinque domande aperte su tutti gli argomenti del corso; nella prima prova d'esame alla fine del corso vi sarà la possibilità di scegliere due domande su un insieme di cinque domande.Il peso relativo delle modalità nella valutazione finale è il seguente: 50% esame finale, 50% lavoro di gruppo.
Modalità non frequentanti
Per i non frequentanti, l'esame consisterà in una prova scritta finale consistente in quattro domande su tutti gli argomenti del corso (1h 30).Il testo per i non frequentanti è:
Data Science for Business
What You Need to Know about Data Mining and Data-Analytic Thinking
By Foster Provost, Tom FawcettAttending students:
Grades are based on
- Group assignments (50%)
- One hour and a half written examination to be held at the end of the course (2-out-of-5 questions on various course topics - 50%).
Class discussions and questions are considered an important component of the course.
The lecturer will provide students with basic references, the conceptual framework and access to empirical data. Each member of the group should present a part of the case study.- Oggetto:
Programma
Si faccia riferimento al syllabus dettaglaito nel materiale didattico
# Topic 1 Intro 2 The Big Data revolution in firms strategies 3 To know or to predict: the bias-variance dilemma revisited 4 Supervised and unsupervised algorithm 5 R for strategy: an introduction 6 Key challenges in marketing: a data approach I 7 Key challenges in marketing: a data approach II 8 Evaluating models and model perfomance 9 Setting up the debate 10 Deriving strategy from data 11 Introducing causality in machine learning: the google approach 12 Debate 13 Reporting results and visualization 14 Focus: Insurance markets 15 Focus II: the end o 16 Students presentation 17 Students presentation 18 Conclusion Please see syllabus attached in the e-learning platform
# Topic 1 Intro 2 The Big Data revolution in firms strategies 3 To know or to predict: the bias-variance dilemma revisited 4 Supervised and unsupervised algorithm 5 R for strategy: an introduction 6 Key challenges in marketing: a data approach I 7 Key challenges in marketing: a data approach II 8 Evaluating models and model perfomance 9 Setting up the debate 10 Deriving strategy from data 11 Introducing causality in machine learning: the google approach 12 Debate 13 Reporting results and visualization 14 Focus: Insurance markets 15 Focus II: the end o 16 Students presentation 17 Students presentation 18 Conclusion Testi consigliati e bibliografia
- Oggetto:
Il materiale didattico è costituito da alcuni capitoli di libro e da una serie di articoli su rivista scientifica e dai lucidi delle lezioni. Il materiale didattico sarà disponibile in forma elettronica sulla piattaforma di e-learning. Quando questo non è possibile una copia cartacea degli articoli sarà resa disponibile all'inizio del corso.
libro per non frequentanti:
Data Science for Business
What You Need to Know about Data Mining and Data-Analytic Thinking
By Foster Provost, Tom FawcettThe reading material is based on journal articles and selected book chapters. The material will be available on the e-learning platform.
- Oggetto:
