Sviluppare la capacità di estrarre sapere e conoscenza da grandi quantità di dati, specificamente
Sviluppare la capacità di estrarre sapere e conoscenza da grandi quantità di dati.
Alla fine del corso lo studente
At the end of the course students will
Lezioni in aula, sezioni in laboratorio
Prima parte: introduzione al data mining Introduzione a Data Mining, Data Science e Big Data Analytics Il processo di Data Mining - CRISP Sette classi di Algoritmi Supervised Learning – Classification Unsupervised Learnimg – Clustering Outliers detection Regression Reinforced Learning Ranking Deep Learning I dieci algoritmi più utilizzati in data mining Esempi utilizzando il software WEKA Applicazioni al marketing, alla finanza, alla medicina Big Data e Hadoop Approccio NoSQL ai dati
Seconda parte: algoritmo di apprendimento automatico per il Data mining Introduzione al Data Mining e Machine Learning Richiami di inferenza statistica e tassonomia dei problemi di Data Mining. Classificazione: Support Vector Machine lineare e non lineare Esercitazione di laboratorio Regressione: Support Vector Regression lineare e non lineare Esercitazione di laboratorio Clustering: K-Means (con estensione tramite kernel) e Spectral Clustering Esercitazione di laboratorio Alberi di decisione Il problema della selezione e validazione dei modelli: k-fold Cross Validation e Bootstrap
Ricevimento: Su appuntamento richiesto per email agli indirizzi Luca Oneto <luca.oneto@unige.it>, Fabrizio Malfanti fabrizio.malfanti@intelligrate.it Per questioni organizzative contattare via email Eva Riccomagno <riccomagno@dima.unige.it>
FABRIZIO MALFANTI (Presidente)
EVA RICCOMAGNO (Presidente)
LUCA ONETO
25 settembre 2018
DATA MINING
E' obbligatorio prenotarsi per sostenere l'esame. L'esame della prima parte consiste nell'elaborazione, svolta in gruppo, di un progetto concordato con il docente e in una prova scritta con correzione commentata e possibilità di discussion. L'esame della seconda parte consiste nella discussione orale di un caso di studio svolto in autonomia dallo studente e concordato con i docenti. Il voto finale è calcolato come la media pesata dei due voti con peso il numero di crediti.
Durante l'esame verrà accertata la conoscenza, da parte dello studente, delle metodologie e delle tecniche per l'estrazione di conoscenza da grandi moli di dati attraverso un piccolo progetto monografico che prevede la soluzione di un problema reale di analisi dati.
La pagina web della prima parte del corso è disponibile al link https://sites.google.com/view/lucaoneto/teaching/dm-smid