Marco Riani, Professor of Statistics

      Univ. of Parma (ITALY)

ANALISI DEI DATI PER IL MARKETING


AVVISO: le lezioni di VEN 22/09/2023 sospese a causa del job day verranno recuperate
MAR 26 settembre dalle ore 13.30 15.30 (lezione frontale aula I) e dalle ore 15.30 alle ore 17.30 (esercitazione presso le aule informatiche)


Ringrazio tutti coloro che hanno fatto osservazioni e segnalazioni sulla seconda edizione del libro
V. p.  Issues · UniprJRC/DSconMATLAB (github.com)

Lucidi delle lezioni (a.a. 2023/2024)

Settimana I:  introduzione al corso, introduzione a MATLAB. Tipologia di variabili: array numerici, characters, string, table, struct. Importazione di file tramite tasks. Creazione di plot tramite tasks.

 

Settimana II

 

LIBRI DI TESTO

 

Riani M., Corbellini A. Laurini F., Morelli G., Proietti T., Perrotta D. Torti F. (2023). Data Science con MATLAB, (seconda edizione), Giappichelli editore, Torino.

 

 

Disponibile presso la libreria MEDICO SCIENTIFICA dal 18/09/2023 oppure tramite AMAZON

 

Comando da eseguire dentro MATLAB per scaricare il materiale aggiuntivo di corredo al libro

!git clone https://github.com/UniprJRC/DSconMATLAB

 

File youtube con le modalità di esame

 

Le lezioni della prima settimana e della prima lezione della seconda settimana sono state  inserite nel canale youtube

https://www.youtube.com/channel/UCvrSSDHucSqwnjuEFmOAe2w

 

SOFTWARE utilizzato durante il corso

Excel e  MATLAB 2023a e MATLAB 2023b.




MATLAB ACADEMY

Gli studenti dell'Università di Parma possono seguire un corso approfondito di MATLAB dall'indirizzo web 
https://matlabacademy.mathworks oppure facendo click sul pulsante "Learn MATLAB" una volta lanciato il programma


Si noti che per gli utenti non UNIPR questi corsi sono a pagamento e sono davvero molto costosi.

Per gli studenti che seguono i corsi di MATLAB Academy è stata resa disponibile da qualche giorno la possibilità di generare in modo automatico dal sistema una certificazione che può essere condivisa con Facebook o Linkedin:

Per utilizzare MATLAB on line per potersi esercitare utilizzando direttamente il browser è possibile fare click su questo link

 

 

COMPONENTI AGGIUNTIVI DI MATLAB DA SCARICARE

 

Link per scaricare il MATLAB toolbox FSDA (Flexible Statistics Data Analysis) dal sito web Mathworks, sviluppato congiuntamente dall'Università di Parma e dal Joint Research Centre della Commissione Europea

Link alla pagina github di FSDA

Link alla documentazione di FSDA

 

 


 

 

 

 

Lucidi delle lezioni (a.a. 2022/2023)

Settimane I-IV

 Introduzione alla programmazione: istruzioni if, cicli for  e while. Istruzione assert. Importazione di file esterni dentro MATLAB. Standardizzazione dei dati. 

Cicli for e while, assert. Distribuzioni di frequenze. Analisi univariate di variabili categoriche e quantitative. Analisi riferite a sottogruppi di unità

Settimana II Analisi univariate di variabili categoriche e quantitative. Analisi di sottogruppi di unità. Boxplot e quantili. Grafici qqplots per capire quanto la distribuzione osservata è vicina alla distribuzione normale.

Terza settimana:  Intervalli di confidenza con o senza variabile di raggruppamento. Tabelle di contingenza e tabelle pivot. Analisi delle distribuzioni: funzione densità, funzione di ripartizione, quantili e generazioni di numeri casuali, da diverse distribuzioni univariate (normale, uniforme, chi quadrato, T di Student). Distribuzione normale bivariata. Analisi preliminari dei dati: gestione dei dati mancanti e dei valori anomali. FIno al capitolo 5

Quarta settimana: Introduzione alla relazione tra due variabili: covarianza e coefficiente di correlazione lineare.  Matrice di covarianze e matrice di correlazione. Test sulla significatività del coefficiente di correlazione. Verifica empirica della distribuzione del test di assenza di correlazione. Correlazione tra i ranghi. Relazione tra correlazione e cograduazione. Correlazione e cograduazione in presenza di missing values. 165-183 del testo.

Le rappresentazioni grafiche per serie storiche univariate (grafici a barre orizzontali, verticali, a linee ed area). Grafici a cascata. Rappresentazioni grafiche per serie storiche bivariate. Grafici ad imbuto. Grafici per la stima della densità (approccio parametrico e non parametrico). Grafici a dispersione personalizzati. Grafici a dispersione con istogrammi o boxplot ai margini con o senza variabile di raggruppamento. Grafici con istogrammi bivariati. Grafici per l'analisi di regressione. Il balloonplot. Matrice dei diagrammi di dispersione (con o senza variabile di raggruppamento). Heatmap, coordinate parallele e rappresentazione iconica. Capitolo 8 del testo

Settimana V

Indici di associazione. Tabelle 2x2, Tabelle IxJ. Misure basate sulla statistica di Pearson. Misure basate sul rapporto dei prodotti incrociati. Indici di associazione basati sulla riduzione dell'errore. Indici di associazione basati sulla riduzione dell'eterogeneità. Indici di associazione per variabili ordinali.

Settimana VI  (parte I)

Algebra lineare avanzata (norme prodotto scalare, forme quadratiche, spazio vettoriale, rango, autovalori e autovettori, proiezioni ortogonali,

Settimana VI  (parte II)

introduzione ai poligoni, distanze e indici di similarità.

 

Settimana VII e prima parte della settimana VIII 

Componenti principali. Approccio basato sulla combinazione lineare delle variabili originarie (lezione del mattino). Approccio basato sulla proiezione dei punti in un sottospazio oppure sulla rappresentazione della matrice originaria con una matrice di rango ridotto. Esempi pratici di applicazione della tecnica delle componenti principali  10/11/2021

 

Settimana VIII (prima parte) 

Introduzione ai profili riga e colonna. Analisi delle corrispondenze, proiezione in un sottospazio di punti che presentano diverso peso nella metrica ponderata. Esempi di utilizzo dell'analisi delle corrispondenze.

Settimana VIII (seconda parte) e Settimana IX 

Introduzione alla classificazione (supervisionata e non supervisionata). Clustering gerarchico e taglio del dendrogramma. Clustering non generarchico. Scelta del numero ottimo di gruppi. Introduzione al  clustering robusto. Cenni sull'analisi testuale.