Libri UniversitariZoom 100%

Prof. Laura Anderlucci: i libri dei suoi insegnamenti

Scheda docente sul sito dell’ateneo ›
Insegnamenti trovati: 3
Bologna 3 insegnamenti
Facoltà: Farmacia e biotecnologie

Prof. Laura Anderlucci: Data Science

5,1difficoltà
Bologna · Facoltà: Farmacia e biotecnologie · Genomics (L-2)
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.

Dettagli corso

3º annoCorso: L-2
CFU: 6Canale: Unico
🕒 Orario lezioni
  • Mar9–13LABORATORIO GENO INFORMATICO
  • Ven9–13LAB BIOINFORMATICO

Tempo di studio e official info

Tempo consigliato per preparare l’esame: 13 settimane (3 mesi)
Dati verificati il 02/10/2026

Libri indicati per la materia

Scorri di lato: 2 libri
James – An introduction to Statistical LearningISBN 9783031387463
Tempo di studio del libro≈ 6,5 settimane
Obbligatorietà
Obbligatorio
Adottato in
6 materie
Tipo
Manuale
Pagine
607 pagine
Difficoltà
8,2
Hastie – The Elements of Statistical Learning, inference and…ISBN 9780387848570
Tempo di studio del libro≈ 8,5 settimane
Obbligatorietà
Obbligatorio
Adottato in
2 materie
Tipo
Manuale
Pagine
745 pagine
Difficoltà
7,7
StrumentiPer questo esame ti serve anche

Strumenti da tenere accanto ai libri d'esame, oltre a quelli indicati dal docente.

Consigliato
Calcolatrice scientifica non programmabile
Cerca su Amazon
Consigliato
Eserciziario di statistica
Cerca su Amazon
Consigliato
R o JASP (programmi gratuiti per l'analisi dei dati)
Gratis dal sito ufficiale
Consigliato
Manuale di Python
Cerca su Amazon

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
  1. Che cosa distingue un problema di regressione da uno di classificazione nell'apprendimento supervisionato?
  2. In che modo l'overfitting compromette la capacità di generalizzazione di un modello?
  3. Quali tecniche si possono usare per valutare un modello su dati non visti durante l'addestramento?
  4. Come funziona l'analisi delle componenti principali nella riduzione della dimensionalità?
  5. Quali differenze esistono tra il clustering gerarchico e l'algoritmo K-Means?
  6. Perché la normalizzazione dei dati può essere necessaria prima di applicare un algoritmo basato sulle distanze?
  7. Come si calcola il percentile di una colonna di dati e quali metodi di interpolazione si possono scegliere?
  8. Quali vantaggi offre un modello di boosting rispetto a un singolo albero decisionale?
  9. In che modo si interpreta una matrice di confusione per valutare un classificatore?
  10. Quali strutture dati di Python sono più adatte a contenere elementi unici e perché?
  11. Come si gestiscono i valori mancanti in un dataset senza introdurre distorsioni?
  12. Quale ruolo ha la varianza nel compromesso tra bias e varianza?
  13. Quali differenze esistono tra un test di ipotesi parametrico e uno non parametrico?
  14. In che modo la correlazione tra variabili può portare a interpretazioni errate?
  15. Come si può verificare la significatività statistica di un risultato sperimentale?
  16. Quali metriche si usano per giudicare un modello di regressione lineare?
  17. Quando conviene usare la validazione incrociata invece di una singola suddivisione dei dati?
  18. Come si costruisce un intervallo di confidenza per una media campionaria?
  19. Quali passaggi compongono una pipeline tipica di preparazione dei dati prima dell'addestramento?
  20. 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.

Facoltà: Economia e management

Prof. Laura Anderlucci: Statistics And Programming

9,9difficoltà
Bologna · Facoltà: Economia e management · Economics, Politics and Social Sciences (L-33)
Di cosa si tratta: Descriptive statistics, con frequency distributions, graphs, central tendency e variability measures, association in contingency tables e simple linear regression and correlation, apre il percorso. Seguono probability (Bayes theorem, random variables, Central Limit theorem) e statistical inference: point and interval estimation e hypothesis testing, con programming in R e RStudio.

Dettagli corso

Tempo di studio e official info

Tempo consigliato per preparare l’esame: ≈ 10 settimane
Dati verificati il 02/10/2026

Libri indicati per la materia

Scorri di lato: 2 libri
Cicchitelli – Statistics - Principles and MethodsISBN 9788891911032
Tempo di studio del libro≈ 6 settimane
Obbligatorietà
Obbligatorio
Adottato in
3 materie
Tipo
Manuale
Pagine
539 pagine
Difficoltà
8
Dalgaard – Introductory statistics with RISBN 9780387790534
Tempo di studio del libro≈ 4 settimane
Obbligatorietà
Obbligatorio
Adottato in
3 materie
Tipo
Manuale
Pagine
363 pagine
Difficoltà
6,2
StrumentiPer questo esame ti serve anche

Strumenti da tenere accanto ai libri d'esame, oltre a quelli indicati dal docente.

Consigliato
Calcolatrice scientifica non programmabile
Consigliato
Eserciziario di statistica
Consigliato
R o JASP (programmi gratuiti per l'analisi dei dati)
Gratis dal sito ufficiale
Consigliato
Manuale di linguaggio C
Cerca su Amazon
Può servirti
Manuale di Python

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
  1. Quali tipi di dati elementari sono gestiti in un linguaggio di programmazione statistica?
  2. Come si scrive un ciclo per calcolare la media campionaria di un vettore?
  3. Quale differenza c'è tra una funzione e uno script in un ambiente statistico?
  4. Come si importa un file di dati e se ne verifica la struttura?
  5. Che cosa si intende per vettorizzazione e quali vantaggi offre rispetto ai cicli?
  6. Come si generano numeri pseudocasuali con un seme fissato per rendere ripetibile una simulazione?
  7. Qual è il ruolo dei data frame nell'analisi dei dati?
  8. Come si gestiscono i valori mancanti prima di stimare un modello?
  9. In che modo si produce un grafico della distribuzione di una variabile continua?
  10. Come si calcola un intervallo di confidenza bootstrap per la mediana?
  11. Quale differenza c'è tra un test parametrico e uno non parametrico implementato al calcolatore?
  12. Come si verifica la correttezza di una funzione con dati di esempio noti?
  13. Che cosa fa una simulazione Monte Carlo per approssimare una probabilità?
  14. Come si organizza un progetto di analisi dati in file separati per leggibilità e riproducibilità?
  15. Quale ruolo ha il controllo di versione nel lavoro statistico collaborativo?
  16. In che modo si applica il riciclo di un vettore di lunghezza diversa nelle operazioni vettoriali?
  17. Come si costruisce un modello di regressione lineare e si estraggono i coefficienti?
  18. Perché è importante documentare il codice di un'analisi statistica?
  19. Come si ordina una tabella di dati per una variabile e si calcolano statistiche per gruppo?
  20. Quale esempio pratico mostra l'uso di una funzione ricorsiva in un calcolo statistico?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

Facoltà: Scienze Statistiche

Prof. Laura Anderlucci: Supervised Statistical Learning

5,1difficoltà
Bologna · Facoltà: Scienze Statistiche · Statistical Sciences (LM-82)
Di cosa si tratta: Resampling methods e cross-validation aprono lo studio dell'apprendimento statistico supervisionato, seguiti dalla classificazione con Naive Bayes, k-Nearest Neighbours, logistic regression e linear discriminant analysis. Si trattano poi dimension reduction e regularisation, i tree-based methods con regression and classification trees, bagging, random forests e boosting, e infine le support vector machines.

Dettagli corso

1º annoCorso: LM-82
CFU: 6Canale: Unico

Tempo di studio e official info

Tempo consigliato per preparare l’esame: 13 settimane (3 mesi)
Dati verificati il 02/10/2026

Libri indicati per la materia

Scorri di lato: 2 libri
James – An introduction to Statistical LearningISBN 9783031387463
Tempo di studio del libro≈ 6,5 settimane
Obbligatorietà
Obbligatorio
Adottato in
6 materie
Tipo
Manuale
Pagine
607 pagine
Difficoltà
8,2
Hastie – The Elements of Statistical Learning, inference and…ISBN 9780387848570
Tempo di studio del libro≈ 8,5 settimane
Obbligatorietà
Obbligatorio
Adottato in
2 materie
Tipo
Manuale
Pagine
745 pagine
Difficoltà
7,7
StrumentiPer questo esame ti serve anche

Strumenti da tenere accanto ai libri d'esame, oltre a quelli indicati dal docente.

Consigliato
Calcolatrice scientifica non programmabile
Consigliato
Eserciziario di statistica
Consigliato
R o JASP (programmi gratuiti per l'analisi dei dati)
Gratis dal sito ufficiale

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
  1. Qual è il trade-off tra distorsione e varianza nella scelta di un modello predittivo?
  2. Come si stima l'errore di previsione tramite la convalida incrociata?
  3. Che cosa distingue la regressione lineare dai metodi basati su alberi decisionali?
  4. Quando la regolarizzazione ridge o lasso migliora la capacità predittiva di un modello?
  5. Come si interpreta la matrice di confusione in un problema di classificazione binaria?
  6. Quali metriche si usano per valutare un classificatore quando le classi sono sbilanciate?
  7. Come funziona la regressione logistica e come si interpretano i suoi coefficienti?
  8. Che cosa rappresenta la curva ROC e come si ricava l'area sottesa?
  9. In che modo i metodi di ensemble come bagging e boosting riducono l'errore di previsione?
  10. Perché l'analisi delle componenti principali può precedere un problema di apprendimento supervisionato?
  11. Quali vantaggi offrono le macchine a vettori di supporto nei problemi ad alta dimensione?
  12. Come si sceglie il parametro di complessità di un albero per evitare il sovradattamento?
  13. Che cosa significa che uno stimatore è consistente in un contesto predittivo?
  14. Quali assunzioni richiede la regressione lineare per ottenere un'inferenza valida?
  15. Come si confrontano due modelli predittivi con lo stesso insieme di dati di validazione?
  16. In che modo la dimensione del campione influisce sulla scelta della complessità del modello?
  17. Perché la standardizzazione delle variabili è importante nei metodi basati su penalizzazione?
  18. Quali sono i passaggi di un'analisi dati completa, dalla preparazione dei dati alla valutazione?
  19. Come si gestiscono le variabili categoriali in un modello di regressione?
  20. Quali criteri orientano la scelta tra un modello più semplice e uno più flessibile?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

Domande frequenti Libri, programma ed esami del prof. Laura Anderlucci a Bologna

Che libro usa il prof. Laura Anderlucci per Data Science a Bologna?

Per Data Science (Canale unico) indica come obbligatorio: James – An introduction to Statistical Learning, Hastie – The Elements of Statistical Learning, inference and….

Quanto è impegnativo Data Science?

6 CFU, difficoltà stimata 5.1 su 10 rispetto agli esami della stessa area.

Che libro usa il prof. Laura Anderlucci per Statistics And Programming a Bologna?

Per Statistics And Programming (Canale unico) indica come obbligatorio: Cicchitelli – Statistics - Principles and Methods, Dalgaard – Introductory statistics with R.

Quanto è impegnativo Statistics And Programming?

10 CFU, difficoltà stimata 9.9 su 10 rispetto agli esami della stessa area.

Che libro usa il prof. Laura Anderlucci per Supervised Statistical Learning a Bologna?

Per Supervised Statistical Learning (Canale unico) indica come obbligatorio: James – An introduction to Statistical Learning, Hastie – The Elements of Statistical Learning, inference and….

Quanto è impegnativo Supervised Statistical Learning?

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.