Corsi di Laurea Corsi di Laurea Magistrale Corsi di Laurea Magistrale
a Ciclo Unico
Scuola di Scienze
INFORMATICA
Insegnamento
DATA MINING
SC01111799, A.A. 2015/16

Informazioni valide per gli studenti immatricolati nell'A.A. 2015/16

Principali informazioni sull'insegnamento
Corso di studio Corso di laurea magistrale in
INFORMATICA
SC1176, ordinamento 2014/15, A.A. 2015/16
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/2015/laurea_magistrale
Dipartimento di riferimento Dipartimento di Matematica
Obbligo di frequenza No
Lingua di erogazione ITALIANO
Sede PADOVA
Corso singolo È possibile iscriversi all'insegnamento come corso singolo
Corso a libera scelta È possibile utilizzare l'insegnamento come corso a libera scelta

Docenti
Responsabile BRUNO SCARPA 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

Organizzazione dell'insegnamento
Periodo di erogazione Secondo semestre
Anno di corso I Anno
Modalità di erogazione frontale

Tipo ore Crediti Ore di
didattica
assistita
Ore Studio
Individuale
LABORATORIO 2.0 16 34.0
LEZIONE 4.0 34 66.0

Calendario
Inizio attività didattiche 01/03/2016
Fine attività didattiche 15/06/2016
Visualizza il calendario delle lezioni Lezioni 2019/20 Ord.2014

Commissioni d'esame
Commissione Dal Al Membri
8 a.a. 2018/2019 01/10/2018 28/02/2020 CATTELAN MANUELA (Presidente)
SCARPA BRUNO (Membro Effettivo)
BRESOLIN DAVIDE (Supplente)
CRAFA SILVIA (Supplente)
SPERDUTI ALESSANDRO (Supplente)
7 a.a. 2017/2018 01/10/2017 28/02/2019 GUOLO ANNAMARIA (Presidente)
BRESOLIN DAVIDE (Membro Effettivo)
CRAFA SILVIA (Membro Effettivo)
SCARPA BRUNO (Membro Effettivo)
SPERDUTI ALESSANDRO (Membro Effettivo)

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 e strumenti avanzati di analisi di grandi quantità di dati, spesso usate come supporto al processo di decisione aziendale.
Modalita' di esame: Scritta/Pratica (con eventuale progetto)
Criteri di valutazione: Le prove d'esame misureranno quanto ciascuno studente (a) saprà e quanto (b) saprà applicare degli strumenti proposti durante il corso.
Contenuti: - 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).
Attivita' di apprendimento previste e metodologie di insegnamento: Lezioni frontali, laboratori con analisi di dati reali
Eventuali indicazioni sui materiali di studio: Libro di testo e materiale didattico fornito dal docente.
Testi di riferimento:
  • Azzalini A., Scarpa B., Analisi dei dati e data mining. --: Springer, 2004. Cerca nel catalogo
  • Azzalini A., Scarpa B., Data analysis and data mining. --: Oxford University Press, 2012. Cerca nel catalogo