| Corsi di Laurea | Corsi di Laurea Magistrale | Corsi di Laurea Magistrale a Ciclo Unico |
| Scuola di Scienze | ||
| SCIENZE STATISTICHE | ||
Insegnamento
ANALISI DEI DATI (DATA MINING)
SCP4062891, A.A. 2018/19
Informazioni valide per gli studenti immatricolati nell'A.A. 2018/19
ANALISI DEI DATI (DATA MINING)
SCP4062891, A.A. 2018/19
Informazioni valide per gli studenti immatricolati nell'A.A. 2018/19
Principali informazioni sull'insegnamento
| Corso di studio |
Corso di laurea magistrale in SCIENZE STATISTICHE SS1736, ordinamento 2014/15, A.A. 2018/19 |
 porta questa pagina con te |
|---|---|---|
| Crediti formativi | 9.0 | |
| Tipo di valutazione | Voto | |
| Denominazione inglese | DATA MINING | |
| Sito della struttura didattica | http://www.stat.unipd.it/studiare/ammissione-laurea-magistrale | |
| Dipartimento di riferimento | Dipartimento di Scienze Statistiche | |
| Sito E-Learning | https://elearning.unipd.it/stat/course/view.php?idnumber=2018-SS1736-000ZZ-2018-SCP4062891-N0 | |
| 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 |
|---|---|---|---|
| CARATTERIZZANTE | Statistico | SECS-S/01 | 9.0 |
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 | 4.0 | 30 | 70.0 |
| LEZIONE | 5.0 | 34 | 91.0 |
| Inizio attività didattiche | 25/02/2019 |
|---|---|
| Fine attività didattiche | 14/06/2019 |
| Visualizza il calendario delle lezioni | Lezioni 2019/20 Ord.2014 |
Commissioni d'esame
| Commissione | Dal | Al | Membri |
|---|---|---|---|
| 6 Commissione a.a.2019/20 | 01/10/2019 | 30/09/2020 |
SCARPA
BRUNO
(Presidente)
CANALE ANTONIO (Membro Effettivo) FINOS LIVIO (Membro Effettivo) MENARDI GIOVANNA (Membro Effettivo) |
| 5 Commissione a.a.2018/19 | 01/10/2018 | 30/09/2019 |
SCARPA
BRUNO
(Presidente)
CANALE ANTONIO (Membro Effettivo) FINOS LIVIO (Membro Effettivo) MENARDI GIOVANNA (Membro Effettivo) |
| Prerequisiti: | Sostanziali ma non formali:
Modelli statistici II Analisi dei dati Multidimensionali, un primo corso di Programmazione, un primo corso di Algebra Lineare |
| Conoscenze e abilita' da acquisire: | Lo scopo del corso è di introdurre gli studenti alla comprensione e alla reale capacità di utilizzo di strumenti di data mining e di metodi statistici per l’analisi dei dati. |
| Modalita' di esame: | La prova d'esame consta di tre parti: una parte "teorica", una "pratica" ed una "orale". |
| Criteri di valutazione: | Correttezza e qualità delle prove d'esame |
| Contenuti: | - Nozioni generali: motivazioni e contesto, 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: richiami sui modelli lineari e sui glm; regressione non parametrica mediante il metodo della regressione locale, splines di regressione, splines di lisciamento, modelli additivi, alberi, mars, projection pursuit, reti neurali (cenni). - Metodi di classificazione: mediante la regressione lineare, richiami sulla regressione logistica e multilogit, modelli additivi, alberi, polymars, reti neurali, combinazione di classificatori (bagging, boosting, foreste casuali), support vector machines. - Metodi di analisi interna: nozioni sui metodi di raggruppamento: dissimilarità, metodo delle k-medie, metodi gerarchici. Analisi delle associazioni tra variabili, algoritmo Apriori. Reti sociali (cenni). - Miscellanea: sentiment analysis (cenni), tecniche di visualizzazione dei dati, cenni ad aspetti computazionali. |
| Attivita' di apprendimento previste e metodologie di insegnamento: | Lezioni frontali. Esercitazioni in laboratorio |
| Eventuali indicazioni sui materiali di studio: | Strumenti informatici
Lo strumento di calcolo primario adottato per questo corso è l'ambiente di programmazione R; questo può essere prelevato, assieme alla relativa documentazione, da una postazione CRAN. |
| Testi di riferimento: |
|
- Lecturing
- Laboratory
- Case study
- Working in group
- Questioning
- Story telling
- Problem solving
- Files e pagine caricati online (pagine web, Moodle, ...)
