Corsi di Laurea Corsi di Laurea Magistrale Corsi di Laurea Magistrale
a Ciclo Unico
Scuola di Scienze
DATA SCIENCE
Insegnamento
STATISTICAL LEARNING (C.I.)
SCP7079226, A.A. 2018/19

Informazioni valide per gli studenti immatricolati nell'A.A. 2018/19

Principali informazioni sull'insegnamento
Corso di studio Corso di laurea magistrale in
DATA SCIENCE
SC2377, ordinamento 2017/18, A.A. 2018/19
N0
porta questa
pagina con te
Crediti formativi
Tipo di valutazione Voto
Denominazione inglese STATISTICAL LEARNING (C.I.)
Sito della struttura didattica http://datascience.scienze.unipd.it/2018/laurea_magistrale
Dipartimento di riferimento Dipartimento di Matematica
Obbligo di frequenza No
Lingua di erogazione INGLESE
Sede PADOVA
Corso singolo È possibile iscriversi all'insegnamento come corso singolo
Corso a libera scelta È possibile utilizzare l'insegnamento come corso a libera scelta

Docenti
Responsabile ALBERTO ROVERATO SECS-S/01

Moduli che appartengono al corso integrato
Codice Insegnamento Responsabile
SCP7079227 STATISTICAL LEARNING 1 (MOD. A) ALBERTO ROVERATO
SCP7079228 STATISTICAL LEARNING 2 (MOD. B) ALBERTO ROVERATO

Organizzazione dell'insegnamento
Periodo di erogazione  
Anno di corso  
Modalità di erogazione frontale

Calendario
Inizio attività didattiche 01/10/2018
Fine attività didattiche 28/06/2019
Visualizza il calendario delle lezioni Lezioni 2019/20 Ord.2017

Commissioni d'esame
Commissione Dal Al Membri
3 a.a 2019/2020 01/10/2019 30/09/2020 ROVERATO ALBERTO (Presidente)
SCARPA BRUNO (Membro Effettivo)
ADIMARI GIANFRANCO (Supplente)
CELANT GIORGIO (Supplente)
CORTESE GIULIANA (Supplente)
GUOLO ANNAMARIA (Supplente)
2 a.a 2018/2019 01/10/2018 30/09/2019 ROVERATO ALBERTO (Presidente)
GUOLO ANNAMARIA (Membro Effettivo)
ADIMARI GIANFRANCO (Supplente)
CELANT GIORGIO (Supplente)
CORTESE GIULIANA (Supplente)

Syllabus
Prerequisiti: basic probability theory; multivariable calculus; linear algebra; basic computing skills
Conoscenze e abilita' da acquisire: become familiar with statistical thinking; gain adequate proficiency in the development and use of standard statistical inference tools; be able to analyse datasets using a modern programming language such as R
Modalita' di esame: written test
Criteri di valutazione: the successful student should show knowledge of the key concepts, skills in the analysis of data and competency in applications

Didattica innovativa: Strategie di insegnamento e apprendimento previste
  • Lecturing
  • Laboratory
  • Problem based learning
  • Case study

Didattica innovativa: Software o applicazioni utilizzati
  • Moodle (files, quiz, workshop, ...)
  • Latex