| Corsi di Laurea | Corsi di Laurea Magistrale | Corsi di Laurea Magistrale a Ciclo Unico |
| Scuola di Ingegneria | ||
| ENVIRONMENTAL ENGINEERING | ||
Insegnamento
BIG DATA ANALYTICS DATA MINING FOR ENGINEERS
INP9087244, A.A. 2023/24
Informazioni valide per gli studenti immatricolati nell'A.A. 2023/24
BIG DATA ANALYTICS DATA MINING FOR ENGINEERS
INP9087244, A.A. 2023/24
Informazioni valide per gli studenti immatricolati nell'A.A. 2023/24
Principali informazioni sull'insegnamento
| Corso di studio |
Corso di laurea magistrale in ENVIRONMENTAL ENGINEERING IN1825, ordinamento 2020/21, A.A. 2023/24 |
 porta questa pagina con te |
|---|---|---|
| Curriculum | Environment and sustainability [003PD] | |
| Crediti formativi | 6.0 | |
| Tipo di valutazione | Voto | |
| Denominazione inglese | BIG DATA ANALYTICS DATA MINING FOR ENGINEERS | |
| Dipartimento di riferimento | Dipartimento di Ingegneria Civile, Edile e Ambientale (ICEA) | |
| Obbligo di frequenza | No | |
| Lingua di erogazione | INGLESE | |
| 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 | |
| Corso per studenti Erasmus | Gli studenti Erasmus+ o di altri programmi di mobilità possono frequentare l'insegnamento |
Docenti
| Responsabile | ROSA ARBORETTI GIANCRISTOFARO | STAT-01/A |
|---|
Mutuante
| Codice | Insegnamento | Responsabile | Corso di studio |
|---|---|---|---|
| INP9087244 | BIG DATA ANALYTICS DATA MINING FOR ENGINEERS | ROSA ARBORETTI GIANCRISTOFARO | IN0517 |
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 | in presenza |
| Tipo ore | Crediti | Ore di didattica erogata |
Ore Studio Individuale |
|---|---|---|---|
| LEZIONE | 6.0 | 48 | 102.0 |
| Inizio attività didattiche | 26/02/2024 |
|---|---|
| Fine attività didattiche | 15/06/2024 |
| Visualizza il calendario delle lezioni | Lezioni 2024/25 Ord.2020 |
Commissioni d'esame
| Commissione | Dal | Al | Membri |
|---|---|---|---|
| 5 2023 | 01/10/2023 | 15/03/2025 |
ARBORETTI GIANCRISTOFARO
ROSA
(Presidente)
DISEGNA MARTA (Membro Effettivo) CECCATO RICCARDO (Supplente) |
| 4 2022 | 01/10/2022 | 15/03/2024 |
ARBORETTI GIANCRISTOFARO
ROSA
(Presidente)
DISEGNA MARTA (Membro Effettivo) |
| Prerequisiti: | Aver seguito un corso di Statistica di base. |
| Conoscenze e abilita' da acquisire: | Introdurre lo studente alle principali tecniche statistiche di Big Data analytics e Machine Learning nell'ambito dei contesti in cui sorge spontaneo il loro utilizzo facendone comprendere sia i fondamenti teorici che la loro adeguata applicazione a problemi concreti. |
| Modalita' di esame: | L'esame consiste in una prova scritta al computer relativa ad una analisi di dati con metodi di Machine Learning. |
| Criteri di valutazione: | La preparazione dello studente sarà valutata sulla base del grado di conoscenza dei principi teorici e delle applicazioni delle metodologie statistiche presentate all'interno dell'insegnamento. |
| Contenuti: | Questo corso si focalizza sull’analisi statistica dei dati originati da processi di ingegneria al fine di consentire l’estrazione di conoscenze e di supportare le azioni decisionali. A tal scopo, vengono introdotte due classi di modelli e metodi statistici: machine learning e data mining. Con machine learning ci si riferisce ad algoritmi e modelli statistici utilizzati allo scopo di migliorare progressivamente le loro performance sia riguardo ad uno specifico compito assegnato sia al fine di ottenere delle previsioni senza la necessità di essere ri-programmati esplicitamente. Il data mining è costituito da un insieme di tecniche e metodologie che hanno per oggetto l'estrazione di informazioni utili da grandi volumi di dati digitali, sia attraverso metodi automatici sia semi-automatici. In accordo al moderno paradigma della data-driven innovation, il corso intende introdurre in modo pratico ai metodi e modelli statistici necessari per affrontare le imminenti sfide poste dai sistemi complessi e dal continuo cambiamento tecnologico e di processi di business. Questo corso si concentra inoltre su concetti, principi e tecniche di ampia portata e stabilisce una linea di base che può essere applicabile a qualsiasi ambiente tecnologico e industriale. Il corso è orientato all'analisi pratica dei processi di ingegneria per mezzo del software KNIME, come strumento principale per l'analisi statistica dei dati. |
| Attivita' di apprendimento previste e metodologie di insegnamento: | Lezioni frontali ed esercitazioni anche mediante l'utilizzo di slide e materiale preventivamente fornito agli studenti, oltre ad esercitazioni in laboratorio informatico con uso di software statistico. |
| Eventuali indicazioni sui materiali di studio: | Slide e materiale fornito dal docente e libri di testo. |
| Testi di riferimento: |
|
- Lavori di gruppo
- Case study
- Utilizzo delle tecnologie per la didattica (moodle e/o altri strumenti per la didattica, software, video, quiz, wooclap)
