Presentazione

Organizzazione della Didattica

DM270
INFORMATICA ORD. 2014

Data mining

6

Corsi comuni

 

Frontali Esercizi Laboratorio Studio Individuale
ORE: 34 0 16 102

Periodo

AnnoPeriodo
I anno2 semestre

Frequenza

Facoltativa

Erogazione

Convenzionale

Lingua

Italiano

Calendario Attività Didattiche

InizioFine
02/03/201512/06/2015

Tipologia

TipologiaAmbitoSSDCFU
caratterizzanteDiscipline informaticheINF/016


Responsabile Insegnamento

ResponsabileSSDStruttura
Prof. SCARPA BRUNOSECS-S/01Dipartimento di Scienze Statistiche

Altri Docenti

Non previsti

Attività di Supporto alla Didattica

Non previste

Bollettino

Conoscenze di Informatica di base, Basi di Dati

Il corso intende fornire una panoramica sui concetti e sulle metodologie e strumenti avanzati di analisi di grandi quantità di dati, spesso usate come supporto al processo di decisione aziendale.

Lezioni frontali, laboratori con analisi di dati reali

- L'analisi dei dati come strumento di supporto per le decisioni e la Business Intelligence. Motivazioni e contesto per il data mining. - I modelli statistici: modelli lineari e GLM, la stima e l'adattamento ai dati - Nozioni generali per il data mining: contrasto tra aderenza ai dati e complessità del modello ovvero contrasto tra distorsione e varianza, tecniche generali per la selezione del modello (AIC, BIC, convalida incrociata, oltre ai test statistici classici), suddivisione dei dati in un insieme di lavoro e uno di verifica. - Metodi di regressione: regressione non parametrica, modelli additivi, alberi, mars, projection pursuit, reti neurali (richiami). - Metodi di classificazione: mediante la regressione lineare, regressione logistica e multilogit, modelli additivi, alberi, polymars, reti neurali, combinazione di classificatori (bagging, boosting, foreste casuali). - Metodi di analisi interna: nozioni sui metodi di raggruppamento, analisi delle associazioni tra variabili e algoritmo Apriori. Reti sociali (cenni).

Scritta/Pratica (con eventuale progetto)

Le prove d'esame misureranno quanto ciascuno studente (a) saprà e quanto (b) saprà applicare degli strumenti proposti durante il corso.

Azzalini A., Scarpa B., Analisi dei dati e data mining. : Springer, 2004 Azzalini A., Scarpa B., Data analysis and data mining. : Oxford University Press, 2012

Libro di testo e materiale didattico fornito dal docente.