Prossima sessione di esami orali: Lunedi 21 luglio 2008, ore 15:00, studio Pedreschi
Seconda verifica: Giovedi 5 Giugno 2008 - risultati pdf
Prima verifica: risultati pdf
Appelli sessione estiva
La grande disponibilità di dati provenienti da database relazionali, dal web o da altre sorgenti motiva lo studio di tecniche di analisi dei dati che permettano una migliore comprensione ed un più facile utilizzo dei risultati nei processi decisionali. L'obiettivo del corso è quello di fornire un'introduzione ai concetti di base del processo di estrazione di conoscenza, alle principali tecniche di data mining ed ai relativi algoritmi, concentrandosi su quelli più diffusi e consolidati, ma discutendo anche gli aspetti avanzati ed ancora al limite fra tecnologia metura e ricerca. Si discutono esempi di uso delle tecniche di data mining in contesti applicativi realistici, quali la market basket analysis ed il rilevamento di frodi. Il corso si conclude con cenni sugli aspetti di privacy ed etici inerenti all’utilizzo di tecniche inferenza sui dati e dei quali l’analista deve essere a conoscenza. Il corso consiste delle seguenti parti:
• Pang-Ning Tan, Michael Steinbach, Vipin Kumar, Introduction to DATA MINING, Pearson - Addison Wesley, ISBN 0-321-32136-7, 2006
| Giorno/ora | Aula | Argomento | Materiale didattico | Docente | |
|---|---|---|---|---|---|
| 1. | Lunedì, Febbraio 18 | A1 | Presentazione del corso | lucidi | Pedreschi |
| 2. | Giovedì, Febbraio 21 | A | Cosa è il Data Mining, Motivazioni, Classi di applicazioni, I principali metodi di datamining | Pedreschi | |
| 3. | Lunedì, Febbraio 25 | A1 | Il processo di estrazione della conoscenza, esempi: previsione di frodi fiscali, analisi competitiva, etc. | lucidi | Pedreschi |
| 4. | Giovedì, Febbraio 28 | A | I dati: i tipi di dato, la qualità dei dati, la preparazione dei dati | lucidi | Pedreschi |
| 5. | Lunedì, Marzo 3 | A1 | Misure di similarità e dissimilarità | lucidi | Pedreschi |
| 6. | Giovedì, Marzo 6 | A | Esplorazione dei dati: dalla statistica descrittiva alla visualizzazione | lucidi | Pedreschi |
| 7. | Lunedì, Marzo 10 | A1 | Clustering - Algoritmo k-means | lucidi | Mirco Nanni |
| 8. | Giovedì, Marzo 13 | A | Clustering - Algoritmi gerarchici e density-based | Pedreschi | |
| 9. | Lunedì, Marzo 17 | A1 | Classificazione con alberi di decisione, Algoritmo C4.5 | Pedreschi | |
| 10. | Giovedì, Marzo 20 | A | Classificazione con alberi di decisione, Algoritmo C4.5 | Pedreschi | |
| 11. | Giovedì, Marzo 27 | A | Esercitazione | Pedreschi | |
| 12. | Lunedi, Marzo 31 | A1 | Ricevimento collettivo e preparazione verifica | lucidi | Pedreschi |
| 13. | Giovedì, Aprile 3, 16-18 | A | PRIMA VERIFICA | ||
| 14. | Lunedì, Aprile 7 | A1 | Classificazione con alberi di decisione, Esercitazione con strumenti software data mining | lucidi | Pedreschi |
| 15. | Giovedì, Aprile 10 | A | Classificazione e clustering - casi di studio | Pedreschi | |
| 16. | Giovedì, Aprile 17 | A | Gestione del processo di KDD con strumenti commerciali e open-source | Pedreschi | |
| 17. | Lunedì, Aprile 21 | A1 | Altri algoritmi di classificazione: modelli a regole, K-nearest neighbors. | ||
| 18. | Giovedì, Aprile 24 | A | Pattern discovery e regole associative. | Maurizio Atzori | |
| 19. | Lunedi, Aprile 28 | A1 | Pattern discovery e regole associative. | Maurizio Atzori | |
| 20. | Lunedì, Maggio 5 | A1 | Regole Associative: concetti basici, algoritmi A-Priori e FP-Growth | lucidi lucidi | Pedreschi |
| 21. | Giovedì, Maggio 8 | A | Itemset frequenti con vincoli | lucidi | Pedreschi |
| 22. | Giovedì, Maggio 15 | A | Mobility data mining | Pedreschi | |
| 23. | Lunedì, Maggio 19 | A1 | Privacy-preserving data mining ed aspetti etici | lucidi lucidi | Giannotti - Pedreschi |
| 24. | Giovedì, Giugno 5, 16-18 | A | SECONDA VERIFICA |
da definire
da definire