. –Tecniche e strumenti di analisi dei dati PROF. FRANCESCO CIVARDI OBIETTIVO DEL CORSO “Per evitare il pericolo di annegare nelle informazioni, ma perire per la mancanza di conoscenza, è emersa l’area di ricerca nota come data analysis, ed è stato sviluppato un numero considerevole di metodi e strumenti software. Tuttavia gli strumenti da soli non bastano; affinché un progetto di intelligent data analysis abbia successo, è necessario affiancare agli strumenti l’applicazione intelligente dell’intuizione umana unita al potere computazionale, una solida conoscenza di base insieme alla modellazione al computer, la costruzione automatica di modelli e la riflessione critica sui risultati ottenuti” (Berthold et al., 2010) Obiettivo del corso è fornire allo studente la padronanza dei concetti che gli permetteranno di applicare varie tecniche di analisi dei dati, “data warehousing”, “OLAP”, “data mining” e algoritmi di “machine learning” a diverse aree applicative. Tali concetti nascono grazie alla sinergia tra varie discipline: l’Intelligenza Artificiale, la Statistica, i Metodi Bayesiani, la Teoria dell’Informazione, la Teoria del Controllo, la Teoria della Complessità Computazionale, la Neurofisiologia, la ricerca sui Data Base e le tecniche di Information Retrieval. Ultima aggiunta, la nuova Scienza delle Reti (sociali, biologiche ecc.). Le aree applicative spaziano dalla diagnosi medica all’analisi del rischio di credito dei clienti di una banca, dall’analisi del comportamento d’acquisto della clientela di un supermercato all’ottimizzazione di processi industriali, fino all’individuazione di frodi o alla previsione di attacchi di terrorismo. PROGRAMMA DEL CORSO – – – – – – – – – – Introduzione alla Business Intelligence, all’OLAP e al Data Mining Concetti di DataWarehousing Analisi multi-dimensionale. Modellazione Dimensionale Data Base Relazionali e Multidimensionali Richiami del linguaggio SQL Cenni al linguaggio MDX Temi del Data Mining: Classificazione, Predizione, Clustering, Associazione Alberi Decisionali. Entropia e Information Gain Richiami di teoria delle probabilità. Teorema di Bayes Naive Bayes. Reti bayesiane – – – – – – – Regressioni lineari e multiple. Regressione logistica Reti neuronali Support Vector Machines Validazione e confronto di modelli di classificazione Cluster Analysis: Algoritmi EM e K-Means, Algoritmi gerarchici Analisi delle associazioni Introduzione alla Scienza delle Reti. BIBLIOGRAFIA - Slides e appunti delle lezioni - Siti web e papers comunicati a lezione M.R. BERTHOLD – C. BORGELT – F. HÖPPNER - F. KLAWONN, Guide to intelligent data analysis, Springer 2010. C. VERCELLIS, Business Intelligence - Modelli matematici e sistemi per le decisioni, McGraw-Hill, 2006. Per consultazione: R. KIMBALL, Data Warehouse: La guida completa, Hoepli, 2002. I. H. WITTEN - EIBE FRANK, Data Mining, Practical Machine Learning Tools and Techniques with Java implementations, Morgan Kaufmann, 1999. J. HAN E M. KAMBER, Data Mining: Concepts and Techniques, Morgan Kaufmann, 2001. DIDATTICA DEL CORSO Lezioni frontali in aula, NodeXL). progetti al computer con software free (KNIME, Gephi, METODO DI VALUTAZIONE La valutazione sarà basata sulla partecipazione attiva al corso e su di un progetto finale con relativa presentazione e discussione dei risultati. AVVERTENZE Il prof. Civardi riceve gli studenti prima e dopo le lezioni, nello studio presso il Dipartimento di Matematica e Fisica, Via Musei 41. Ulteriori informazioni si possono trovare sul sito del docente: http://www2.unicatt.it/unicattolica/docenti/index.html o nella bacheca della Facoltà.