Rosaria LOMBARDO
Insegnamento di MACHINE LEARNING PER LA FINANZA
Corso di laurea magistrale in ECONOMIA, FINANZA E MERCATI
SSD: SECS-S/01
CFU: 6,00
ORE PER UNITÀ DIDATTICA: 42,00
Periodo di Erogazione: Primo Semestre
Italiano
Lingua di insegnamento | ITALIANO |
Contenuti | Il corso introduce i più importanti strumenti di analisi dei dati per il machine learning. L'apprendimento automatico è un'area dell'intelligenza artificiale che consente ai computer di apprendere senza essere programmati esplicitamente. Questa particolare capacità di autoapprendimento, unita all'analisi dei big data e ad algoritmi speciali, ha assunto un ruolo fondamentale nei mercati finanziari, dalla valutazione del rischio all'approvazione del finanziamento. Gli algoritmi di apprendimento automatico possono basarsi su milioni di esempi e volumi molto elevati di dati per rilevare tendenze che potrebbero influenzare il processo decisionale economico e finanziario e l'autorizzazione del prestito. Il machine learning viene utilizzato anche per l'analisi del "sentiment", con l'obiettivo di replicare l'intuizione umana nell'attività finanziaria per scoprire nuovi trend e segnali di mercato. |
Testi di riferimento | Machine learning con R. Conoscere le tecniche per costruire modelli predittivi di Brett Lantz (Autore) Apogeo, 2020 |
Obiettivi formativi | La prima parte del corso si concentra sulla programmazione lineare e l'analisi dei dati. La seconda parte è più pratica, con laboratori per aiutare gli studenti a sviluppare le loro abilità di programmazione per il machine learning. |
Prerequisiti | Statistica |
Metodologie didattiche | Lezioni frontali e applicazioni pratiche utilizzando il linguaggio di programmazione R. |
Metodi di valutazione | L'esame consiste nella discussione di un caso studio utilizzando il pacchetto R, assegnato durante il corso. Il caso studio verrà discusso in una prova orale, in cui verrà chiesto agli studenti di spiegare e discutere la strategie metodologiche e computazionali adottate |
Altre informazioni | Le conoscenze degli algoritmi di classificazione automatica e di regressione multipla nonchè le tecniche di riduzione della dimensionalità e di validazione automatica saranno fondamentali per una buona comprensione dei contenuti teorico-applicativi del corso. |
Programma del corso | -Introduzione |
English
Teaching language | Italian |
Contents | The course introduces students to the most important data analysis tools for machine learning. Machine learning is an area of Artificial Intelligence that allows computers to learn without being explicitly programmed. This particular self-learning ability, combined with big data analysis and special algorithms, has assumed a fundamental role in the financial markets, from risk assessment to loan approval. Machine learning algorithms can build on millions of examples and very high volumes of data to detect trends that could affect economic and financial decision making and loan authorization. Machine learning is also used for the analysis of "sentiment", with the aim of replicating human intuition in financial activity to discover new trends and market signals. |
Textbook and course materials | Machine learning con R. Conoscere le tecniche per costruire modelli predittivi di Brett Lantz (Autore) Apogeo, 2020 |
Course objectives | The first part of the course focuses on linear programming and data analysis. The second part is more hands-on, with laboratories to help students develop their software skills. |
Prerequisites | Statistics |
Teaching methods | Lectures and practical applications using R programming language |
Evaluation methods | The exam consists in the discussion of a case study using the R package, assigned during the course. The case study will be discussed in an oral exam, in which students will be asked to explain and discuss the methodological and computational strategies adopted. |
Other information | The knowledge of the automatic classification and multiple regression algorithms as well as the dimensionality reduction methods and the automatic validation techniques will be fundamental for a good understanding of the theoretical-applicative contents of the course. |
Course Syllabus | -Introduction |