Corsi di Laurea Corsi di Laurea Magistrale Corsi di Laurea Magistrale
a Ciclo Unico
Scuola di Scienze
INFORMATICA
Insegnamento
DATA MINING
SC01111799, A.A. 2017/18

Informazioni valide per gli studenti immatricolati nell'A.A. 2017/18

Principali informazioni sull'insegnamento
Corso di studio Corso di laurea magistrale in
INFORMATICA
SC1176, ordinamento 2014/15, A.A. 2017/18
N0
porta questa
pagina con te
Crediti formativi 6.0
Tipo di valutazione Voto
Denominazione inglese DATA MINING
Sito della struttura didattica http://informatica.scienze.unipd.it/2017/laurea_magistrale
Dipartimento di riferimento Dipartimento di Matematica
Obbligo di frequenza No
Lingua di erogazione INGLESE
Sede PADOVA

Docenti
Responsabile ANNAMARIA GUOLO SECS-S/01

Dettaglio crediti formativi
Tipologia Ambito Disciplinare Settore Scientifico-Disciplinare Crediti
AFFINE/INTEGRATIVA Attività formative affini o integrative SECS-S/01 6.0

Modalità di erogazione
Periodo di erogazione Secondo semestre
Anno di corso I Anno
Modalità di erogazione frontale

Organizzazione della didattica
Tipo ore Crediti Ore di
Corso
Ore Studio
Individuale
Turni
LABORATORIO 2.0 16 34.0 Nessun turno
LEZIONE 4.0 34 66.0 Nessun turno

Calendario
Inizio attività didattiche 26/02/2018
Fine attività didattiche 01/06/2018

Syllabus
Prerequisiti: Conoscenze di Informatica di base, Basi di Dati
Conoscenze e abilita' da acquisire: Il corso intende fornire una panoramica sui concetti e sulle metodologie per l’analisi di dati, nonché sugli strumenti necessari per una valutazione critica dei risultati conseguiti.
Modalita' di esame: Scritta / Pratica
Criteri di valutazione: Le prove d'esame sono finalizzate a valutare le conoscenze acquisite da ciascuno studente ed il loro utilizzo per l’analisi di un insieme di dati.
Contenuti: - Introduzione al corso: l’analisi dei dati come strumento di supporto per le decisioni. Motivazioni e contesto per il data mining.
- Modelli previsivi lineari e lineari generalizzati
- Metodi di classificazione: regressione logistica, analisi discriminante lineare e generalizzazioni
- Validazione incrociata
- Tecniche di scelta fra modelli e regolarizzazione
- Modelli non lineari: regressione semiparametrica e non parametrica
- Metodi basati su alberi
Attivita' di apprendimento previste e metodologie di insegnamento: Il corso prevede lezioni frontali e laboratori con analisi di dati reali tramite l’utilizzo dell’ambiente di programmazione R.
Eventuali indicazioni sui materiali di studio: Libri di testo. Materiale didattico fornito dal docente e reso disponibile tramite la piattaforma Moodle.
Testi di riferimento:
  • Azzalini A., Scarpa B., Analisi dei dati e data mining. --: Springer, 2004. Cerca nel catalogo
  • Gareth, J., Witten, D., Hastie, T., Tibshirani, R., An Introduction to Statistical Learning with Applications in R. --: Springer, 2013. Cerca nel catalogo