Informazioni Generali

Docenti

• MATILDE TREVISANI (matildet@deams.units.it)
• ROBERTA PAPPADA’ (rpappada@units.it)

Orario delle lezioni

Durata del corso 45 ore (6 CFU)

• Calendario
  • lunedì 14:00-16:00
  • mercoledì 14:00-16:00
• Aula 4_INF_01

Possibili variazioni al calendario verranno comunicate attraverso Teams/Moodle

Giorni di Lezione

Periodo delle lezioni: 24 febbraio - 30 maggio 2025

Non si terrà lezione:

• il 21 e 23 aprile per la pausa pasquale

Si tratta di un calendario di massima, sono possibili variazioni che verranno comunicate in anticipo via Teams/Moodle

Ricevimento studenti

• Per l’ora e il giorno si veda la pagina della docente dal personale del dipartimento https://deams.units.it/it/dipartimento/persone/personale-docente e quindi dalla scheda persona

• più direttamente, inserendo il nome del docente in cerca docente di ateneo https://units.coursecatalogue.cineca.it/cerca-docenti

• Uffici

  • Roberta Pappadà Stanza 2.18, II piano (Ed. D, P.le Europa)

  • Matilde Trevisani Stanza 2.16, II piano (Ed. D, P.le Europa)

Scopo del corso

• Si veda il syllabus del corso

Il corso mira a fornire agli studenti gli strumenti di base per la visualizzazione e l’analisi dei dati mediante l’uso del software statistico “R”.

Al termine del corso, lo/a studente/ssa sarà in grado di:

• utilizzare R per il calcolo, l’organizzazione e la rappresentazione dei dati;
• utilizzare semplici funzioni per descrivere diversi tipi di variabili e sintetizzare i dati in maniera opportuna;
• utilizzare alcune tecniche statistiche e adattare modelli statistici utilizzando funzioni in R;
• ricorrere a strumenti di reporting per illustrare i risultati ottenuti.

Contenuti

Il corso riguarderà

• le principali strutture di dati in R, la lettura dei dati e la loro organizzazione in data frames e altre strutture
• la trasformazione dei dati e gli strumenti per l’analisi esplorativa e la visualizzazione dei dati
• le principali strutture di programmazione per lavorare con istruzioni, funzioni e strutture di controllo

Inoltre verranno trattati

• approfondimenti su alcuni aspetti di programmazione in R per l’analisi dei dati
• semplici modelli statistici (ad esempio, la regressione lineare multivariata) in R
• alcune tecniche statistiche per dati multivariati (ad esempio, tecniche di cluster analysis) in R

Verranno illustrati vari esempi di dati reali e proposti esercizi in aula

Materiali didattici

Materiale per apprendere R:

• Lucidi e appunti, file sorgenti di R e dati per le sessioni pratiche saranno forniti durante il corso.

• Ulteriore materiale presentato a lezione o utile per lo studio verrà reso disponibile via Moodle

• Ulteriori risorse sono disponibili nella pagina web del CRAN (The Comprehensive R Archive Network: https://cran.r-project.org/). Vedi ad es Manuals e Contributed

Testo di riferimento per le tecniche statistiche:

• James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to Statistical Learning, with application in R. New York: Springer. 8th printing 2017
  

Dalla pagina degli autori è scaricabile una seconda edizione (corrected 2023)

Altre risorse online per impararer R

• YARRR! THE PIRATE’S GUIDE TO R

Questa guida accessibile (e giocosa!) ti aiuterà ad analizzare immediatamente i dati. I capitoli 2-4, 9, 13, 15 ti prepareranno per la maggior parte di ciò che incontrerai nei corsi di statistica. Questo libro è ricco di informazioni utili facili e veloci da digerire.

• MODERN DIVE

Questo libro online fornisce un’introduzione equilibrata a R con una forte enfasi sulla discussione e sulla visualizzazione dei dati. Dopo aver seguito le prime due parti, sarai pronto per la maggior parte dei corsi R di alto livello.

• R FOR DATA SCIENCE

Questo è lo standard di riferimento per lo sviluppo di competenze di programmazione R, gestione dei dati e visualizzazione. Questo libro ha molti capitoli brevi. Anche solo leggere i capitoli 2-6 ti dà una familiarità di base con R.

Altri riferimenti

per l’analisi dei dati:

• Elements of Data Analytic Style
• The Art of Data Science
• Exploratory Data Analysis
• Regression Modeling for Data Science in R

Modalità di insegnamento

• Il corso prevede lezioni frontali che avranno tuttavia carattere principalmente pratico (si raccomanda di frequentare le lezioni)

• Ogni studente potrà utilizzare il proprio laptop (o una postazione dell’aula)

• E’ importante ricordarsi di

  • installare R (https://cran.mirror.garr.it/CRAN/)
  • installare RStudio (https://posit.co/download/rstudio-desktop/)

• Durante le lezioni verranno talvolta proposti degli esercizi utili all’autovalutazione (attraverso, ad esempio, quiz di Wooclap o Mentimeter)

Informazioni sull’esame

L’esame finale prevede una prova scritta e lo svolgimento di un lavoro di gruppo:

• il test scritto comprende domande a risposta chiusa (vero/falso e a scelta multipla) da svolgere con l’impiego di R.
• nel lavoro di gruppo (3/4 persone) verrà chiesto di sviluppare un progetto inerente alle tecniche di analisi dei dati discusse durante il corso e consegnare un report entro la scadenza data che precede la sessione d’esame estiva.
• Per valutare il lavoro di gruppo potrà essere approfondito il contributo individuale o richiesta l’esposizione di quanto presentato nel report

Metodo di valutazione

• La valutazione si basa sul punteggio individuale ottenuto nella prova scritta (con un peso 0.7) e sulla valutazione del lavoro di gruppo (con peso 0.3).

• Lo studente che non partecipa al lavoro di gruppo può raggiungere un punteggio massimo di 24/30.

• Il voto finale è in trentesimi. Il voto minimo per superare l’esame è 18/30.

• Sono previsti tre appelli nella sessione di giugno-luglio, uno nella sessione di settembre.

Q&A

Domande?