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:
| Giorno/ora | Aula | Argomento | Materiale didattico | Docente | |
|---|---|---|---|---|---|
| 1. | Lunedì, Febbraio 23 | D1 | Presentazione del corso | lucidi | Pedreschi |
| 2. | Giovedì, Febbraio 26 | A | Cosa è il Data Mining, Motivazioni, Classi di applicazioni, I principali metodi di datamining | Pedreschi | |
| 3. | Lunedì, Marzo 02 | D1 | Il processo di estrazione della conoscenza, esempi: previsione di frodi fiscali, analisi competitiva, etc. | lucidi | Pedreschi |
| 4. | Giovedì, Marzo 05 28 | A | I dati: i tipi di dato, la qualità dei dati, la preparazione dei dati | lucidi | Pedreschi |
| 5. | Lunedì, Marzo 09 | D1 | Misure di similarità e dissimilarità | lucidi | Nanni |
| 6. | Giovedì, Marzo 12 | A | Esplorazione dei dati: dalla statistica descrittiva alla visualizzazione | lucidi | Nanni |
| 7. | Lunedì, Marzo 16 | D1 | Clustering - Algoritmo k-means | lucidi | Pedreschi |
| 8. | Giovedì, Marzo 19 | A | Lezione cancellata per impegni istituzionali del deocente | ||
| 9. | Lunedì, Marzo 23 | D1 | Pattern discovery e regole associative. | Pedreschi | |
| 10. | Giovedì, Marzo 26 | A | Regole Associative: concetti basici, algoritmi A-Priori e FP-Growth | Pedreschi | |
| 11. | Giovedì, Marzo 30 | A | Pattern discovery e regole associative. | Pedreschi | |
| 12. | Lunedi, Aprile 02 | D1 | Ricevimento collettivo e preparazione verifica | lucidi | Pedreschi |
| 13. | Lunedi, Aprile 06, 14-16 | D1 | PRIMA VERIFICA | ||
| 14. | Giovedì, Aprile 16 | A | Pattern discovery e regole associative. | Pedreschi | |
| 15. | Lunedi, Aprile 20 | D1 | Pattern sequenziali | Pedreschi | |
| Giovedi, Aprile 23 | A | LEZIONE CANCELLATA | lucidi | Pedreschi | |
| 16. | Lunedi, Aprile 27 | D1 | Verifica per studenti internazionali ed ERASMUS | ||
| 17. | Giovedi , Aprile 30 | A | Classificazione con alberi di decisione, Algoritmo C4.5 | Ruggieri | |
| 18. | Lunedì, Maggio 4 | D1 | Classificazione con alberi di decisione, Algoritmo C4.5 | lucidi lucidi | Ruggieri |
| 19. | Lunedi, Maggio 11 | D1 | Itemset frequenti con vincoli | lucidi | Pedreschi |
| 20. | Giovedì, Maggio 14 | A | Esercitazioni su classificazione | Pedreschi | |
| 21. | Lunedi, Maggio 25 | D1 | Mobility data mining, Privacy-preserving data mining ed aspetti etici - a seguire ricevimento collettivo | lucidi lucidi | Giannotti Pedreschi |
| 22. | Mercoledì, Maggio 27, 14-16 | I | SECONDA VERIFICA |
Esame scritto e orale. Lo scritto può essere sostituito dalle due verifiche in itinere.