Tecniche e strumenti di analisi dei dati

. –Tecniche e strumenti di analisi dei dati
PROF. FRANCESCO CIVARDI
OBIETTIVO DEL CORSO
“La crescente disponibilità di dati nell’attuale società dell’informazione ha
evidenziato la necessità di disporre di strumenti adeguati per la loro analisi. La
statistica applicata ed il data mining si propongono come strumenti privilegiati per
estrarre informazioni da questi dati.” (Paolo Giudici, Data Mining, McGraw-Hill,
2001).
Obiettivo del corso è fornire allo studente la padronanza dei concetti che gli
permetteranno di applicare 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.
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
Introduzione 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
– Cluster Analysis: Algoritmi EM e K-Means, Algoritmi gerarchici.
– Analisi delle associazioni.
BIBLIOGRAFIA
- Slides e appunti delle lezioni
- Siti web e papers comunicati a lezione
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
R. J. ROIGER – M. W. GEATZ, Introduzione al Data Mining, McGraw-Hill, 2004
P. GIUDICI, Data Mining. Metodi statistici per le applicazioni aziendali, McGraw-Hill, 2001
I. H. WITTEN - EIBE FRANK, Data Mining, Practical Machine Learning Tools and Techniques with
Java implementations, Morgan Kaufmann, 1999
T. MITCHELL, Machine learning, McGraw-Hill, 1997
J. HAN E M. KAMBER, Data Mining: Concepts and Techniques, Morgan Kaufmann, 2001.
DIDATTICA DEL CORSO
Lezioni frontali in aula, progetti al computer con software free (KNIME, Orange,
Weka), dimostrazioni su MSFT SQL Server / Analysis Services.
METODO DI VALUTAZIONE
La valutazione sarà basata sulla partecipazione attiva al corso e su di un esame finale
(scritto / orale).
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.