Corso di Tecniche di Analisi Predittiva

Modulo 1: l'Analisi Predittiva Cos'è l'analisi predittiva e come viene utilizzata per prevedere eventi futuri basati su dati storici. Differenza tra analisi descrittiva, diagnostica e predittiva. Panoramica delle applicazioni dell'analisi predittiva nei vari settori (sanità, marketing, finanza, ecc.). Modulo 2: Fondamenti di Statistica per l'Analisi Predittiva la statistica inferenziale: media, varianza, deviazione standard. Distribuzioni di probabilità e loro applicazioni nell'analisi predittiva. Test statistici di base (t-test, chi-quadrato, analisi di regressione). Modulo 3: Preprocessing dei Dati per l'Analisi Predittiva Importanza della pulizia dei dati: gestione di valori mancanti, outlier e rumore. Normalizzazione e standardizzazione dei dati. Tecniche di selezione e trasformazione delle caratteristiche (feature engineering). Creazione di set di dati di addestramento e di test. Modulo 4: Regressione Lineare e Multivariata Cos’è la regressione lineare semplice e come viene utilizzata per fare previsioni numeriche. Regressione multivariata: come gestire più variabili indipendenti. Interpretazione dei coefficienti e dei valori p. Diagnosi dei modelli di regressione: multicollinearità, omoscedasticità e normalità degli errori. Modulo 5: Regressione Logistica e Analisi delle Probabilità Cos’è la regressione logistica e come viene utilizzata per le previsioni binarie (classificazione). Funzione logistica e probabilità condizionata. Valutazione del modello: accuratezza, matrice di confusione, AUC-ROC. Modulo 6: Modelli di Classificazione (Alberi Decisionali, Random Forest, SVM) Introduzione agli alberi decisionali per la classificazione. Cos’è un Random Forest e come migliora le performance rispetto a un singolo albero decisionale. Support Vector Machines (SVM): teoria, vantaggi e applicazioni pratiche. Confronto tra modelli di classificazione e quando scegliere l'uno rispetto all'altro. Modulo 7: Modelli di Serie Temporali Cos’è una serie temporale e come analizzare dati che evolvono nel tempo. Tecniche di decomposizione della serie temporale: trend, stagionalità, ciclicità. Modelli di previsione: ARIMA, SARIMA e modelli esponenziali. Come utilizzare le serie temporali per fare previsioni future. Modulo 8: Modelli di Machine Learning per la Predizione Machine Learning supervisionato e non supervisionato. Modelli di Machine Learning applicati all'analisi predittiva: k-Nearest Neighbors (k-NN), Naive Bayes, e reti neurali. Tecniche di tuning dei modelli: Grid Search e Random Search. Overfitting e Underfitting: come evitarli e bilanciare il modello. Modulo 9: Validazione del Modello e Valutazione delle Performance Cos’è la validazione incrociata (cross-validation) e come migliora l'affidabilità del modello. Metriche di valutazione per i modelli predittivi: MSE, RMSE, MAE, F1-Score. Tecniche di selezione del modello migliore: AIC, BIC, e confronto tra modelli. Modulo 10: Deep Learning per l'Analisi Predittiva Cos’è il Deep Learning e la sua applicazione nell'analisi predittiva. Reti neurali artificiali (ANN): architettura, allenamento e ottimizzazione. Reti neurali convoluzionali (CNN) e reti neurali ricorrenti (RNN) per previsioni più complesse. Frameworks e librerie per il Deep Learning: TensorFlow, Keras, PyTorch. Modulo 11: Analisi Predittiva con Big Data e Hadoop Introduzione ai Big Data: come trattare grandi volumi di dati per le previsioni. Hadoop e Spark come strumenti di elaborazione dei dati su larga scala. Tecniche di analisi predittiva sui Big Data: MapReduce, Spark MLlib. Integrazione di strumenti di Big Data per migliorare l'efficacia dei modelli predittivi. Modulo 12: Tecniche di Ottimizzazione per l'Analisi Predittiva Come ottimizzare i modelli di analisi predittiva per migliorare le previsioni. Algoritmi di ottimizzazione: Gradiente Discesa, Algoritmi Genetici, Simulated Annealing. Ottimizzazione dei parametri nei modelli di machine learning. Tuning avanzato dei modelli predittivi con approcci statistici e computazionali. Modulo 13: Analisi Predittiva per il Business e Decision Making Come applicare l'analisi predittiva per prendere decisioni aziendali informate. Previsione della domanda, gestione delle scorte, e analisi delle vendite. Applicazioni dell'analisi predittiva nel marketing (targeting dei clienti, analisi delle vendite). Case study di successo nell'industria: finanza, sanità, retail, e supply chain. Modulo 14: Etica nell'Analisi Predittiva e Gestione dei Dati L'importanza dell'etica nell'uso dei dati per fare previsioni. Bias nei dati e nei modelli predittivi: come identificarli e mitigarli. Privacy e protezione dei dati: normative (GDPR, CCPA) e implicazioni nell'analisi predittiva. Gestione responsabile dei dati: trasparenza, spiegabilità e fairness nei modelli predittivi. Modulo 15: Tendenze Future nell'Analisi Predittiva e Innovazioni Le nuove frontiere dell'analisi predittiva: AI avanzata, IoT, e previsioni in tempo reale. Analisi predittiva e l'uso del cloud per il calcolo predittivo scalabile. L'importanza delle tecniche di previsione nel contesto dei dati non strutturati. Le sfide future nell'analisi predittiva: qualità dei dati, interpretabilità e gestione dei bias.