OBIETTIVI FORMATIVI

Sviluppare la capacità di estrarre sapere e conoscenza da grandi quantità di dati.

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Alla fine del corso lo studente

• avrà acquisito i concetti e tecniche base del data mining
• saprà applicare in autonomia le tecniche principali del data mining per risolvere problem reali
• saprà approfondire in autonomia argomenti di data mining in relazione a specifiche applicazioni  

MODALITA' DIDATTICHE

Lezioni in aula, sezioni in laboratorio

PROGRAMMA/CONTENUTO

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

TESTI/BIBLIOGRAFIA

• Aggarwal, C- C. Data mining: the textbook. Springer, 2015.
• Shalev-Shwartz, S., and Shai B. D. Understanding machine learning: From theory to algorithms. Cambridge University Press, 2014.
• Ian H. Witten, Eibe Frank, Mark A. Hall (2000). Data Mining: Practical Machine Learning Tools and Techniques (The Morgan Kaufmann Series in Data Management Systems) ISBN-13: 978-0123748560. Disponibile presso il CSB di Ingegneria 006.312 WIT --> disponibile anche online a http://www.sciencedirect.com/science/book/9780123748560
• Clifton Phua, Vincent Lee, Kate Smith and Ross Gayler (2005). A Comprehensive Survey of Data Mining-based Fraud Detection Research, Computing Research Repository, abs/1009.6119. Disponibile online --> http://arxiv.org/abs/1009.6119
• N. Cristianini, J. Shawe-Taylor, An introduction to support Vector Machine and other kernel-based learning methods, Cambridge University Press, 2006 disponibile ING e ECO
• A. Ng, M. Jordan, Y. Weiss, On spectral clustering: Analysis and an algorithm, NIPS 2001. --> disponibile anche online a  http://papers.nips.cc/paper/2092-on-spectral-clustering-analysis-and-an-algorithm.pdf
• Dispense/Handouts