Bologna · Facoltà: Scienze · Scienza dei materiali (L-SC)
Di cosa si tratta: Serie temporali e social network analysis, natural language processing con pipeline, rappresentazione e classificazione dei testi, estrazione di informazioni, con esercitazioni in Python su Pandas, Scikit-Learn, Statsmodels e NetworkX. Un altro programma tratta pianificazione strategica, cinque forze competitive, teoria dei giochi, risorse e competenze e struttura organizzativa.
Verifica nel regolamento d'esame se la calcolatrice è ammessa e di che tipo. Link affiliati Amazon di ricerca: il prezzo per te non cambia.
Domande possibili all’esame
Che cosa distingue un problema di regressione da uno di classificazione nell'apprendimento supervisionato?
In che modo l'overfitting compromette la capacità di generalizzazione di un modello?
Quali tecniche si possono usare per valutare un modello su dati non visti durante l'addestramento?
Come funziona l'analisi delle componenti principali nella riduzione della dimensionalità?
Quali differenze esistono tra il clustering gerarchico e l'algoritmo K-Means?
Perché la normalizzazione dei dati può essere necessaria prima di applicare un algoritmo basato sulle distanze?
Come si calcola il percentile di una colonna di dati e quali metodi di interpolazione si possono scegliere?
Quali vantaggi offre un modello di boosting rispetto a un singolo albero decisionale?
In che modo si interpreta una matrice di confusione per valutare un classificatore?
Quali strutture dati di Python sono più adatte a contenere elementi unici e perché?
Come si gestiscono i valori mancanti in un dataset senza introdurre distorsioni?
Quale ruolo ha la varianza nel compromesso tra bias e varianza?
Quali differenze esistono tra un test di ipotesi parametrico e uno non parametrico?
In che modo la correlazione tra variabili può portare a interpretazioni errate?
Come si può verificare la significatività statistica di un risultato sperimentale?
Quali metriche si usano per giudicare un modello di regressione lineare?
Quando conviene usare la validazione incrociata invece di una singola suddivisione dei dati?
Come si costruisce un intervallo di confidenza per una media campionaria?
Quali passaggi compongono una pipeline tipica di preparazione dei dati prima dell'addestramento?
Quali criteri orientano la scelta di un modello quando le prestazioni di due algoritmi sono simili?
Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.
Domande frequenti Libri, programma ed esami del prof. Domenico Di Sante a Bologna
Che libro usa il prof. Domenico Di Sante per Data Science a Bologna?
Per Data Science (Canale unico) indica come obbligatorio: methods for complex systems & big data, J., Probabilistic Machine Learning: An Introduction, K. P. Murphy,, Lecture Notes – Machine Learning for the Sciences, Dawid – ArXiv:2204.04198. Facoltativi: Calcolo scientifico. Esercizi e problemi risolti con MATLAB.
Quanto è impegnativo Data Science?
6 CFU, difficoltà stimata 5.1 su 10 rispetto agli esami della stessa area.
Dove trovo la scheda ufficiale di un esame?
Ogni insegnamento qui sopra ha il link alla scheda ufficiale dell’ateneo: controllala sempre prima di acquistare.
Sei uno studente tra i 18 e i 22 anni?Con Prime Student hai 90 giorni gratis, poi Amazon Prime a soli 2,49 € al mese: consegne veloci e gratuite anche sui libri.Scopri Prime Student ›
Controlla sempre la scheda dell'esame. Le informazioni vengono dalle schede ufficiali degli atenei e possono cambiare o contenere errori: prima di acquistare verifica i testi sulla scheda ufficiale dell'esame (la trovi linkata in ogni esame) e, nel dubbio, chiedi al docente.
Aiutaci a tenerci aggiornati
Il prof ha indicato altri libri, pagine o modifiche? Scrivicelo.
Questo sito usa solo strumenti tecnici (nessun cookie di profilazione). I link ai negozi sono link di affiliazione. Cookie policy · Privacy