INTRODUZIONE AL DATA MINING

INF/01 - 9 CFU - 1° semestre

Docente titolare dell'insegnamento

GIOVANNI MICALE


Obiettivi formativi

Obiettivi formativi generali dell'insegnamento in termini di risultati di apprendimento attesi.

  1. Conoscenza e capacità di comprensione (knowledge and understanding): Il corso mira a formare le conoscenze e le competenze di base per l’analisi, la rappresentazione, e l’organizzazione di dati.
  2. Capacità di applicare conoscenza e comprensione (applying knowledge and understanding): lo studente acquisirà conoscenze riguardo ai modelli e gli algoritmi per l’analisi dei dati quali: mining ad alto supporto, sistemi di raccomandazione, ricerca di similarità, classificazione, clustering, reti neurali, analisi di reti.
  3. Autonomia di giudizio (making judgements): Attraverso esempi concreti e casi di studio, lo studente sarà in grado di elaborare autonomamente soluzioni a determinati problemi legati all'analisi dei dati.
  4. Abilità comunicative (communication skills): lo studente acquisirà le necessarie abilità comunicative e di appropriatezza espressiva nell'impiego del linguaggio tecnico nell'ambito generale dell'analisi dei dati.
  5. Capacità di apprendimento (learning skills): il corso si propone, come obiettivo, di fornire allo studente le necessarie metodologie teoriche e pratiche per poter affrontare e risolvere autonomamente nuove problematiche che dovessero sorgere durante una attività lavorativa. A tale scopo diversi argomenti saranno trattati a lezione coinvolgendo lo studente nella ricerca di possibili soluzioni a problemi reali, utilizzando benchmark disponibili in letteratura.

Modalità di svolgimento dell'insegnamento

Lezioni frontali

Qualora l'insegnamento venisse impartito in modalità mista o a distanza potranno essere introdotte le necessarie variazioni rispetto a quanto dichiarato in precedenza, al fine di rispettare il programma previsto e riportato nel syllabus.


Prerequisiti richiesti

Programmazione, strutture dati, algoritmi su grafi.



Frequenza lezioni

Le risorse principali messe a disposizione dello studente sono le lezioni frontali, la cui frequenza è fortemente consigliata.

Per seguire meglio le lezioni, vengono messe a disposizione le slide utilizzate per il corso. Le slide non costituiscono un mezzo di studio: forniscono un dettaglio puntuale sugli argomenti trattati a lezione.

Per ulteriori approfondimenti sugli argomenti del corso, verranno indicati riferimenti a libri di testo e risorse online.



Contenuti del corso

Il corso è diviso in due parti, una teorica in cui verranno illustrati i principali problemi di Data Mining e una pratica in cui verrà introdotto il linguaggio R e mostrato come tali problemi possono essere risolti in R. Le due parti saranno portate avanti in parallelo.

Gli argomenti affrontati nel corso sono:

Nell'ambito del linguaggio R, oltre alle funzioni di base, verranno introdotte diverse librerie per l'analisi dei dati, quali "caret" (per la classificazione), "igraph" (per l'analisi e la visualizzazione di reti) e "keras" (per la costruzione di reti neurali).



Testi di riferimento

Per la parte teorica sull'analisi dei dati, si farà principalmente riferimento a diversi capitoli del libro:

Altri testi di Data Mining suggerito è

Per la parte relativa al calcolo delle probabilità il testo suggerito è:

Per il linguaggio R si può far riferimento al seguente libro di testo disponibile online:


Altro materiale didattico

Il materiale didattico sarà pubblicato su Studium (https://studium.unict.it/) e, in caso di svolgimento delle lezioni in modalità mista o a distanza, sul canale Teams del corso.



Programmazione del corso

 ArgomentiRiferimenti testi
1Introduzione al data miningmateriale didattico fornito dal docente 
2Richiami su calcolo delle probabilit√†materiale didattico fornito dal docente 
3Linguaggio Rmateriale didattico fornito dal docente 
4Data Mining ad alto supporto (apriori, insiemi frequenti, regole di associazione)materiale didattico fornito dal docente 
5Classificazione (alberi decisionali, SVM, classificatori bayesiani, classificatori lazy, estrattori di regole)materiale didattico fornito dal docente 
6Clustering (gerarchico, k-means, density-based)materiale didattico fornito dal docente 
7Sistemi di raccomandazionemateriale didattico fornito dal docente 
8Catene di Markov e HMMmateriale didattico fornito dal docente 
9Introduzione alle reti (Misure di centralit√†, Coefficiente di Clustering)materiale didattico fornito dal docente 
10Modelli random di retimateriale didattico fornito dal docente 
11Graph matchingmateriale didattico fornito dal docente 
12Graph miningmateriale didattico fornito dal docente 
13Reti neurali (Feed-Forward, Convolutional, Recurrent, Long-Short Term Memory)materiale didattico fornito dal docente 


Verifica dell'apprendimento


MODALITÀ DI VERIFICA DELL'APPRENDIMENTO

L'esame finale consiste in una prova scritta ed una prova orale.

La prova scritta è costituita da tre domande di teoria a risposta aperta su argomenti presentati a lezione.

Il voto ottenuto con la prova scritta è il voto di base dell'esame, che può essere incrementato di 2 o 4 punti con la prova orale, a seconda del tipo di esame orale scelto.

La prova orale può essere, a scelta:

Le due parti dell'esame (prova scritta e prova orale) possono essere sostenute in qualsiasi ordine e anche in sessioni e appelli d'esame diversi.

Il progetto, una volta assegnato, dovrà essere completato entro 90 giorni.

Salvo diversa comunicazione, la prova scritta si svolgerà alle ore 9:00 e avrà durata di 1 ora.

Note:




Apri in formato Pdf English version