mail unicampaniaunicampania webcerca

    Rosanna VERDE

    Insegnamento di DATA MINING

    Corso di laurea magistrale in SCIENZE E TECNICHE DELLE AMMINISTRAZIONI PUBBLICHE

    SSD: SECS-S/01

    CFU: 7,00

    ORE PER UNITÀ DIDATTICA: 42,00

    Periodo di Erogazione: Secondo Semestre

    Italiano

    Lingua di insegnamento

    Italiano

    Contenuti

    Introduzione: Il Data Mining versus Knowledge Discovery in Data Bases
    Analisi esplorativa dei dati
    Modelli statistici per il data mining:
    Regressione e Classificazione
    Metodi per il data mining:
    Regole di Associazione
    Misure di dissimilarità e distanze
    Metodi di Clustering divisivo (k-means) e gerarchico (criterio di Ward)
    Analisi in Componenti Principali
    Alberi di decisone (segmentazione binaria – alberi di classificazione e di regressione)

    Software per il Data Mining: R - XLSTAT

    Testi di riferimento

    In alternativa:
    Paolo GIUDICI, Data Mining, Ed. McGraw-Hill
    S. ZANI – A. CERIOLI, Analisi dei dati e Data Mining per le decisioni aziendali, Giuffrè Editore, Milano, 2007

    Obiettivi formativi

    Conoscenza e capacità di comprensione (knowledge and understanding).

    Il corso mira a far conoscere e saper comprendere gli aspetti metodologici del Data Mining e dell’Analisi dei Dati (concetti introduttivi)

    Conoscenza e capacità di comprensione applicate (applied knowledge and understanding).

    Il corso mira alla conoscenza e alla comprensione gli aspetti applicativi delle principali tecniche Data Mining attraverso esercitazioni, attività di laboratorio e acquisizione di conoscenze del software specialistico.

    Autonomia di giudizio (making judgements).

    Il corso mira a far acquisire allo studente capacità di:
    - formulare una propria valutazione e giudizio sulla base delle informazioni apprese nel corso di Statistica e dai confronti in aula con il docente e con gli altri studenti;
    - individuare e raccogliere informazioni aggiuntive per la conoscenza della materia attraverso anche consultazione di altri testi e materiale didattico aggiuntivo;
    di avere la capacità del saper fare, del saper prendere iniziative e decisioni tenendo conto dei vari aspetti di interesse della materia specialmente nei suoi aspetti applicativi di analisi e estrazione di conoscenza dai dati, nella risoluzione di problemi pratici a partire dai dati e le informazioni estratte da banche dati e nell’utilizzo delle metodologie e delle tecniche di Data Mining con il software specialistico.




    Abilità comunicative (communication skills).

    Il corso mira a far acquisire allo studente capacità di comunicazione degli argomenti appresi e dei risultati delle esercitazioni pratiche.

    Capacità di apprendere (learning skills).

    Il corso mira a far acquisire allo studente:
    - capacità di apprendimento che sono necessarie ai fini di un continuo aggiornamento nell'ambito delle tecniche di Data Mining per l’analisi dei dati;
    - capacità di attingere a diverse fonti bibliografiche, sia in italiano che in inglese, al fine di acquisire nuove competenze nella materia

    Prerequisiti

    Conoscenze di base di matematica, di statistica descrittiva e inferenziale.

    Metodologie didattiche

    Lezioni frontali con l’utilizzo di slides e materiale didattico fornito dal docente
    Esercitazioni
    È richiesto lo studio personale con l’approfondimento della materia sui testi consigliati

    Metodi di valutazione

    Tesina scritta riportante gli aspetti metodologici e i risultati commentati delle elaborazioni di dati estratti da un data base pubblico, secondo le tecniche di Data Mining trattate nel corso
    e
    verifica finale attraverso una prova orale

    Altre informazioni

    ----

    Programma del corso

    CONTENUTI
    Introduzione: Il Data Mining versus Knowledge Discovery in Data Bases
    Analisi esplorativa dei dati
    Modelli statistici per il data mining:
    Regressione e Classificazione
    Metodi per il data mining:
    Regole di Associazione
    Misure di dissimilarità e distanze
    Metodi di Clustering divisivo (k-means) e gerarchico (criterio di Ward)
    Analisi in Componenti Principali
    Alberi di decisone (segmentazione binaria – alberi di classificazione e di regressione)

    Software per il Data Mining: R - XLSTAT

    English

    Teaching language

    Italian

    Contents

    Introduction: Data Mining versus Knowledge Discovery in Data Bases
    Exploratory data analysis
    Statistical models for data mining:
    Regression and Classification
    Data mining methods:
    Association Rules
    Measures of dissimilarity and distances
    Clustering methods: divisive (k-means) and hierarchical (Ward criterion)
    Principal Component Analysis
    Decision trees (binary segmentation - classification and regression trees)

    Data Mining Software: R – XLSTAT

    Textbook and course materials

    as alternative:
    Paolo GIUDICI, Data Mining, Ed. McGraw-Hill
    or
    S. ZANI – A. CERIOLI, Analisi dei dati e Data Mining per le decisioni aziendali, Giuffrè Editore, Milano, 2007

    Course objectives

    Knowledge and understanding.
    The course aims at the introduction and understanding of methodological aspects of Data Mining (preliminary concepts)
    Applied knowledge and understanding.
    The course aims at the knowledge and understanding of the application aspects of the main techniques of Data Mining through exercises, laboratory activities and the using of specialist software.
    Making judgements
    The course aims to give ability to the student at:
    - formulating an own evaluation and judgment based on learned notions and from a comparison, in classroom, with the teacher and with the other students;
    - identifying and collecting additional information for the subject knowledge through additional books and teaching materials;
    - improving ability in how to do and in how to take decisions, considering various aspects of the matter, especially applicative ones;
    - performing knowledge extraction from databases by using methodologies and techniques of Data Mining with specialist software (R and XL-STAT).

    Communication skills.
    The course aims to provide the student with communication skills on learnt data analysis methods and on results of practical exercises.

    Learning skills.
    The course aims to provide the student with:
    - learning skills necessary for understanding and using of Data Mining techniques for data processing;
    - ability to draw on different bibliographical sources in order to acquire new skills in this field.

    Prerequisites

    Basic knowledge of descriptive statistics.

    Teaching methods

    Personal study is required on the recommended didactic books
    Slides for the course will be provided
    Laboratory training

    Evaluation methods

    Report on the methodological aspects and results of data process, according to the techniques of Data Mining dealt with in the course
    and
    Final examination by oral test

    Other information

    ----

    Course Syllabus

    Introduction: Data Mining versus Knowledge Discovery in Data Bases
    Exploratory data analysis
    Statistical models for data mining:
    Regression and Classification
    Data mining methods:
    Association Rules
    Measures of dissimilarity and distances
    Clustering methods: divisive (k-means) and hierarchical (Ward criterion)
    Principal Component Analysis
    Decision trees (binary segmentation - classification and regression trees)

    Data Mining Software: R – XLSTAT

    facebook logoinstagram buttonyoutube logotype