Libri UniversitariZoom 100%

Prof. Silvia Sarpietro: i libri dei suoi insegnamenti

Scheda docente sul sito dell’ateneo ›
Insegnamenti trovati: 2
Bologna 2 insegnamenti
Facoltà: Economia e management

Prof. Silvia Sarpietro: Introduction To Machine Learning For Economists

5,1difficoltà
Bologna · Facoltà: Economia e management · Applied Economics and Markets (LM-56)
Di cosa si tratta: Apprendimento statistico, regressione, classificazione e ricampionamento. Modelli lineari con selezione e regolarizzazione (LASSO e Ridge), compromesso bias-varianza, overfitting e validazione, poi modelli non lineari come alberi, random forest, bagging, boosting, macchine a vettori di supporto e reti neurali. Per l'apprendimento non supervisionato: k-means, clustering gerarchico e analisi delle componenti principali.

Dettagli corso

2º annoCorso: LM-56
CFU: 6Canale: Unico
🕒 Orario lezioni
  • Mer14–17AULA P BELMELORO
  • Gio15–18AULA V
  • Ven12–14AULA V (accesso Via Ranzani, 1)

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: 3 libri
James – An Introduction to Statistical Learning with Applications…ISBN 9781071614174
Tempo di studio del libro≈ 6,5 settimane
Obbligatorietà
Obbligatorio
Adottato in
5 materie
Tipo
Manuale
Pagine
607 pagine
Difficoltà
7,7
Hastie – The Elements of Statistical LearningISBN 9780387848570
Tempo di studio del libro≈ 8,5 settimane
Obbligatorietà
Obbligatorio
Adottato in
2 materie
Tipo
Manuale
Pagine
745 pagine
Difficoltà
7,7
Imbens – Machine Learning Methods That Economists Should Know…ISBN
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
n.d.
Difficoltà
5,1
StrumentiPer questo esame ti serve anche

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

Consigliato
Manuale di Python
Cerca su Amazon

Link affiliati Amazon di ricerca: il prezzo per te non cambia.

Domande possibili all’esame
  1. Qual è la differenza tra apprendimento supervisionato e non supervisionato, con un esempio economico?
  2. Perché la regressione Lasso può azzerare alcuni coefficienti mentre la regressione Ridge di norma no?
  3. Come si sceglie il parametro di penalizzazione tramite validazione incrociata?
  4. Che cosa si intende per overfitting e come si riconosce su un campione di verifica?
  5. Come funziona un albero decisionale nella suddivisione dello spazio delle variabili esplicative?
  6. In che modo una foresta casuale riduce la varianza rispetto a un singolo albero?
  7. Qual è l'idea alla base del gradient boosting per migliorare le previsioni?
  8. Come si confrontano le prestazioni di due modelli predittivi con l'errore quadratico medio?
  9. Perché la previsione e l'inferenza causale rispondono a domande diverse nei modelli di machine learning?
  10. Quali limiti presenta l'interpretazione dei coefficienti di una rete neurale?
  11. Come si applica il double machine learning per stimare un effetto causale con molte covariate?
  12. Che cosa significa il compromesso tra distorsione e varianza nella scelta della complessità di un modello?
  13. Come si gestiscono le variabili categoriali in un modello di regressione penalizzata?
  14. Quali vantaggi offre l'elastic net rispetto alla sola regressione Lasso?
  15. In che modo l'analisi del testo può essere usata per costruire variabili economiche?
  16. Come si valuta la capacità predittiva di un modello su dati di serie storiche?
  17. Perché la standardizzazione delle variabili è importante prima di applicare una penalizzazione?
  18. Che cosa misura il tasso di falsi positivi in un problema di classificazione binaria?
  19. Come si può verificare la riproducibilità di un'analisi di machine learning su dati economici?
  20. In quali casi un modello più semplice può essere preferibile a una rete neurale profonda?

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

Prof. Silvia Sarpietro: Introduction To Machine Learning For Economists

5,1difficoltà
Bologna · Facoltà: Economia e management · Economics and Public Policy (LM-56)
Di cosa si tratta: Apprendimento statistico, regressione, classificazione e ricampionamento. Modelli lineari con selezione e regolarizzazione (LASSO e Ridge), compromesso bias-varianza, overfitting e validazione, poi modelli non lineari come alberi, random forest, bagging, boosting, macchine a vettori di supporto e reti neurali. Per l'apprendimento non supervisionato: k-means, clustering gerarchico e analisi delle componenti principali.

Dettagli corso

2º annoCorso: LM-56
CFU: 6Canale: Unico
🕒 Orario lezioni
  • Mer14–17AULA P BELMELORO
  • Gio15–18AULA V
  • Ven12–14AULA V (accesso Via Ranzani, 1)

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: 3 libri
James – An Introduction to Statistical Learning with Applications…ISBN 9781071614174
Tempo di studio del libro≈ 6,5 settimane
Obbligatorietà
Obbligatorio
Adottato in
5 materie
Tipo
Manuale
Pagine
607 pagine
Difficoltà
7,7
Hastie – The Elements of Statistical LearningISBN 9780387848570
Tempo di studio del libro≈ 8,5 settimane
Obbligatorietà
Obbligatorio
Adottato in
2 materie
Tipo
Manuale
Pagine
745 pagine
Difficoltà
7,7
Imbens – Machine Learning Methods That Economists Should Know…ISBN
Tempo di studio del libro≈ 3 settimane
Obbligatorietà
Obbligatorio
Adottato in
1 materia
Tipo
Manuale
Pagine
n.d.
Difficoltà
5,1
StrumentiPer questo esame ti serve anche

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

Consigliato
Manuale di Python

Link affiliati Amazon di ricerca: il prezzo per te non cambia.

Domande possibili all’esame
  1. Qual è la differenza tra apprendimento supervisionato e non supervisionato, con un esempio economico?
  2. Perché la regressione Lasso può azzerare alcuni coefficienti mentre la regressione Ridge di norma no?
  3. Come si sceglie il parametro di penalizzazione tramite validazione incrociata?
  4. Che cosa si intende per overfitting e come si riconosce su un campione di verifica?
  5. Come funziona un albero decisionale nella suddivisione dello spazio delle variabili esplicative?
  6. In che modo una foresta casuale riduce la varianza rispetto a un singolo albero?
  7. Qual è l'idea alla base del gradient boosting per migliorare le previsioni?
  8. Come si confrontano le prestazioni di due modelli predittivi con l'errore quadratico medio?
  9. Perché la previsione e l'inferenza causale rispondono a domande diverse nei modelli di machine learning?
  10. Quali limiti presenta l'interpretazione dei coefficienti di una rete neurale?
  11. Come si applica il double machine learning per stimare un effetto causale con molte covariate?
  12. Che cosa significa il compromesso tra distorsione e varianza nella scelta della complessità di un modello?
  13. Come si gestiscono le variabili categoriali in un modello di regressione penalizzata?
  14. Quali vantaggi offre l'elastic net rispetto alla sola regressione Lasso?
  15. In che modo l'analisi del testo può essere usata per costruire variabili economiche?
  16. Come si valuta la capacità predittiva di un modello su dati di serie storiche?
  17. Perché la standardizzazione delle variabili è importante prima di applicare una penalizzazione?
  18. Che cosa misura il tasso di falsi positivi in un problema di classificazione binaria?
  19. Come si può verificare la riproducibilità di un'analisi di machine learning su dati economici?
  20. In quali casi un modello più semplice può essere preferibile a una rete neurale profonda?

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

Scorri di lato: 2 insegnamenti →

Domande frequenti Libri, programma ed esami del prof. Silvia Sarpietro a Bologna

Che libro usa il prof. Silvia Sarpietro per Introduction To Machine Learning For Economists a Bologna?

Per Introduction To Machine Learning For Economists (Canale unico) indica come obbligatorio: James – An Introduction to Statistical Learning with Applications…, Hastie – The Elements of Statistical Learning, Imbens – Machine Learning Methods That Economists Should Know….

Quanto è impegnativo Introduction To Machine Learning For Economists?

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

Che libro usa il prof. Silvia Sarpietro per Introduction To Machine Learning For Economists a Bologna?

Per Introduction To Machine Learning For Economists (Canale unico) indica come obbligatorio: James – An Introduction to Statistical Learning with Applications…, Hastie – The Elements of Statistical Learning, Imbens – Machine Learning Methods That Economists Should Know….

Quanto è impegnativo Introduction To Machine Learning For Economists?

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.