INTRODUZIONE AL DATA MINING

INF/01 - 9 CFU - 1° semestre

Docenti titolari dell'insegnamento

ALFREDO FERRO
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, text mining, network analysis.
  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.



Contenuti del corso



Testi di riferimento


Altro materiale didattico

Il materiale didattico sarà pubblicato su www.studium.unict.it



Programmazione del corso

 ArgomentiRiferimenti testi
1Introduzione al data mining: problemi, strumenti.materiale didattico fornito dal docente 
2Cenni di probabilità e statisticamateriale didattico fornito dal docente 
3Introduzione ad Rmateriale didattico fornito dal docente 
4Data mining ad alto supportomateriale didattico fornito dal docente 
5Recommendation Systems: definizione, algoritmi, e strumenti di valutazionemateriale didattico fornito dal docente 
6Clusteringmateriale didattico fornito dal docente 
7Classificazione: alberi decisionali e SVMmateriale didattico fornito dal docente 
8Classificazione: estrattori di regole e classificatori bayesianimateriale didattico fornito dal docente 
9Predizione: regressione, regressione logisticamateriale didattico fornito dal docente 
10Esercitazione pratica in Rmateriale didattico fornito dal docente 
11Probabilistic Graphical Modelsmateriale didattico fornito dal docente 
12Networksmateriale didattico fornito dal docente 
13Cenni su reti neurali e deep learningmateriale didattico fornito dal docente 


Verifica dell'apprendimento


MODALITÀ DI VERIFICA DELL'APPRENDIMENTO

L'esame finale consiste in una prova scritta, ed un colloquio orale nel quale viene discusso un progetto ed un recente articolo scientifico su problemi inerenti al corso.

La prova scritta è costituita da esercizi e domande di teoria.

Chi non supera la prova scritta, non può sostenere l'orale. La prova scritta può essere visionata prima delle prove orali.

Il progetto dovrà essere completato entro 30 giorni dal superamento della prova scritta.

Salvo diversa comunicazione:

Note:


ESEMPI DI DOMANDE E/O ESERCIZI FREQUENTI

Esempi saranno pubblicati sul portale www.studium.unict.it




Apri in formato Pdf English version