ID:
500028
Durata (ore):
44
CFU:
6
SSD:
STATISTICA SOCIALE
Anno:
2024
Dati Generali
Periodo di attività
Secondo Semestre (17/02/2025 - 24/05/2025)
Syllabus
Obiettivi Formativi
Mettere a disposizione degli studenti gli strumenti fondamentali della statistica utili alla comprensione e risoluzione di problemi riferiti alle scienze sociali.
Prerequisiti
Non è prevista una propedeuticità formale. Nonostante questo, si suggerisce di acquisire padronanza degli argomenti trattati nei corsi di matematica e statistica.
Metodi didattici
•Lezioni frontali
•Esercitazioni in aula
•Esercitazioni in aula
Verifica Apprendimento
L’esame consiste in un lavoro di gruppo e presentazione in aula:
Gli studenti si suddivideranno in gruppi con lo scopo di raccogliere e analizzare dati riguardanti tematiche attuali. Dovranno preparare un paper di ricerca e una presentazione da esporre in aula davanti ai loro compagni di corso.
Si richiede la creazione di un report dettagliato sul lavoro svolto, con chiara indicazione del contributo individuale di ciascun membro.
Saranno programmati diversi momenti in aula per verificare lo stato di avanzamento del lavoro di gruppo.
Il punteggio finale sarà la somma dei seguenti elementi:
Valutazione della presentazione del lavoro di gruppo (10 punti)
Valutazione del report e dell'articolo (20 punti)
La lode sarà assegnata agli studenti che non solo ottengono il massimo punteggio, ma dimostrano anche un coinvolgimento significativo e attivo nelle attività proposte.
Gli studenti si suddivideranno in gruppi con lo scopo di raccogliere e analizzare dati riguardanti tematiche attuali. Dovranno preparare un paper di ricerca e una presentazione da esporre in aula davanti ai loro compagni di corso.
Si richiede la creazione di un report dettagliato sul lavoro svolto, con chiara indicazione del contributo individuale di ciascun membro.
Saranno programmati diversi momenti in aula per verificare lo stato di avanzamento del lavoro di gruppo.
Il punteggio finale sarà la somma dei seguenti elementi:
Valutazione della presentazione del lavoro di gruppo (10 punti)
Valutazione del report e dell'articolo (20 punti)
La lode sarà assegnata agli studenti che non solo ottengono il massimo punteggio, ma dimostrano anche un coinvolgimento significativo e attivo nelle attività proposte.
Testi
Dispense a cura del docente (integrate con gli appunti delle lezioni).
Contenuti
Obiettivi del Corso
Il corso di Statistica Sociale ha l'obiettivo di fornire agli studenti le competenze necessarie per analizzare dati sociali utilizzando tecniche statistiche avanzate. Tra queste tecniche ci sono l'analisi dei social network, il machine learning e i modelli di linguaggio di grandi dimensioni (LLM). Gli studenti impareranno ad applicare queste metodologie per estrarre informazioni significative dai dati sociali e prendere decisioni informate.
Modulo 1: Introduzione alla Statistica Sociale
Il primo modulo introduce i fondamenti della statistica sociale, spiegando la sua definizione, importanza e le diverse tipologie di dati sociali. Verranno esaminate le principali fonti di dati sociali e saranno trattate le statistiche descrittive, come le misure di tendenza centrale (media, mediana, moda) e le misure di dispersione (varianza, deviazione standard). Inoltre, si affronteranno i concetti di inferenza statistica e i test di ipotesi.
Modulo 2: Analisi dei Social Network
Il secondo modulo si concentra sull'analisi dei social network, introducendo i concetti base e la rappresentazione dei social network tramite nodi e archi. Si discuteranno i diversi tipi di reti sociali, come le reti egocentriche e sociocentriche. Saranno esaminate le metriche dei social network, incluse misure di grado, centralità e analisi delle componenti connesse. Verranno trattati anche la coesione e la struttura dei gruppi, e si utilizzeranno strumenti e software per la visualizzazione dei social network. Infine, si esploreranno applicazioni pratiche dell'analisi dei social network attraverso studi di caso.
Modulo 3: Machine Learning per la Statistica Sociale
Il terzo modulo introduce il machine learning, spiegando la differenza tra apprendimento supervisionato e non supervisionato, e i processi di machine learning come addestramento, validazione e test. Si approfondiranno tecniche di apprendimento supervisionato, come la regressione lineare e logistica, Lasso Ridge ed Elastic Net, alberi decisionali e Random Forest. Inoltre, si tratteranno metodi di ensemble come Random Forest, LSboost e Bagging, con applicazioni pratiche per la predizione di fenomeni sociali. Nell'apprendimento non supervisionato, si esamineranno tecniche di clustering (K-means e gerarchico) e analisi delle componenti principali (PCA), con applicazioni per la segmentazione dei gruppi sociali. Saranno spiegate le metriche di performance dei modelli di machine learning e le tecniche di validazione incrociata, con particolare attenzione a evitare l’overfitting e l’underfitting.
Modulo 4: Modelli di Linguaggio di Grandi Dimensioni (LLM)
L'ultimo modulo introduce i modelli di linguaggio di grandi dimensioni (LLM), spiegandone la definizione e la storia, oltre alle principali architetture come RNN, LSTM e Transformer. Si discuteranno le applicazioni dei LLM nell'analisi sociale, come la sentiment analysis e l'estrazione di opinioni dai social media, e la generazione automatica di testi e riassunti. Il modulo si conclude con esempi pratici di applicazione dei LLM attraverso studi di caso e esercitazioni pratiche con modelli pre-addestrati come GPT-3 e BERT.
Il corso di Statistica Sociale ha l'obiettivo di fornire agli studenti le competenze necessarie per analizzare dati sociali utilizzando tecniche statistiche avanzate. Tra queste tecniche ci sono l'analisi dei social network, il machine learning e i modelli di linguaggio di grandi dimensioni (LLM). Gli studenti impareranno ad applicare queste metodologie per estrarre informazioni significative dai dati sociali e prendere decisioni informate.
Modulo 1: Introduzione alla Statistica Sociale
Il primo modulo introduce i fondamenti della statistica sociale, spiegando la sua definizione, importanza e le diverse tipologie di dati sociali. Verranno esaminate le principali fonti di dati sociali e saranno trattate le statistiche descrittive, come le misure di tendenza centrale (media, mediana, moda) e le misure di dispersione (varianza, deviazione standard). Inoltre, si affronteranno i concetti di inferenza statistica e i test di ipotesi.
Modulo 2: Analisi dei Social Network
Il secondo modulo si concentra sull'analisi dei social network, introducendo i concetti base e la rappresentazione dei social network tramite nodi e archi. Si discuteranno i diversi tipi di reti sociali, come le reti egocentriche e sociocentriche. Saranno esaminate le metriche dei social network, incluse misure di grado, centralità e analisi delle componenti connesse. Verranno trattati anche la coesione e la struttura dei gruppi, e si utilizzeranno strumenti e software per la visualizzazione dei social network. Infine, si esploreranno applicazioni pratiche dell'analisi dei social network attraverso studi di caso.
Modulo 3: Machine Learning per la Statistica Sociale
Il terzo modulo introduce il machine learning, spiegando la differenza tra apprendimento supervisionato e non supervisionato, e i processi di machine learning come addestramento, validazione e test. Si approfondiranno tecniche di apprendimento supervisionato, come la regressione lineare e logistica, Lasso Ridge ed Elastic Net, alberi decisionali e Random Forest. Inoltre, si tratteranno metodi di ensemble come Random Forest, LSboost e Bagging, con applicazioni pratiche per la predizione di fenomeni sociali. Nell'apprendimento non supervisionato, si esamineranno tecniche di clustering (K-means e gerarchico) e analisi delle componenti principali (PCA), con applicazioni per la segmentazione dei gruppi sociali. Saranno spiegate le metriche di performance dei modelli di machine learning e le tecniche di validazione incrociata, con particolare attenzione a evitare l’overfitting e l’underfitting.
Modulo 4: Modelli di Linguaggio di Grandi Dimensioni (LLM)
L'ultimo modulo introduce i modelli di linguaggio di grandi dimensioni (LLM), spiegandone la definizione e la storia, oltre alle principali architetture come RNN, LSTM e Transformer. Si discuteranno le applicazioni dei LLM nell'analisi sociale, come la sentiment analysis e l'estrazione di opinioni dai social media, e la generazione automatica di testi e riassunti. Il modulo si conclude con esempi pratici di applicazione dei LLM attraverso studi di caso e esercitazioni pratiche con modelli pre-addestrati come GPT-3 e BERT.
Lingua Insegnamento
Italiano
Altre informazioni
NOTA: le studentesse/ studenti iscritte/i al programma "Modalità didattiche inclusive" sono pregate/i di contattare il Docente e il Referente del Corso di Laurea al fine di valutare le esigenze specifiche e definire azioni di supporto mirate.
Corsi
Corsi
ECONOMIA
Laurea
3 anni
No Results Found
Persone
Persone (2)
No Results Found