IOT DATA ANALYTICS (ENGLISH)

Genoveffa TORTORA IOT DATA ANALYTICS (ENGLISH)

0522500131
DIPARTIMENTO DI INFORMATICA
CORSO DI LAUREA MAGISTRALE
INFORMATICA
2018/2019



ANNO CORSO 1
ANNO ORDINAMENTO 2016
SECONDO SEMESTRE
CFUOREATTIVITÀ
945LEZIONE
Obiettivi
L’OBIETTIVO FORMATIVO DELL’INSEGNAMENTO È QUELLO DI FORNIRE LE COMPETENZE METODOLOGICHE E TECNOLOGICHE NECESSARIE PER ANALIZZARE IN TEMPO REALE ENORMI FLUSSI DI DATI SCAMBIATI CON DISPOSITIVI IOT. IN SOSTANZA, SI INTENDONO INTEGRARE CONOSCENZE DI DATA MANAGEMENT ACQUISITE NELL’AMBITO DEL CORSO DI BASI DI DATI DELLA LAUREA TRIENNALE CON COMPETENZE INERENTI L’ESTRAZIONE DI DATI SENSORISTICI, IL CONTROLLO DELLA LORO QUALITÀ, I MODELLI ANALITICI E LE TECNICHE DI MACHINE LEARNING PER IOT, AL FINE DI FORNIRE LE BASI PER LO SVOLGIMENTO DELLA PROFESSIONE DEL DATA SCIENTIST FOR IOT (IOT ANALYST).

CONOSCENZA E CAPACITÀ DI COMPRENSIONE (KNOWLEDGE AND UNDERSTANDING):

FAR ACQUISIRE ALLO STUDENTE CONOSCENZE SUI MODELLI E SULLE TECNOLOGIE PER LA GESTIONE DI GRANDI FLUSSI DI DATI PROVENIENTI DA SENSORI O SCAMBIATI CON DISPOSITIVI IOT DI VARIO GENERE, AL FINE DI CONSENTIRE ANALISI UTILI AI FINI DI UNA GESTIONE OTTIMALE DI PROCESSI PRODUTTIVI E DI RETI TECNOLOGICHE. IN PARTICOLARE, IL CORSO MIRA A SVILUPPARE NELLO STUDENTE LE SEGUENTI CONOSCENZE:


-ELABORAZIONE DI DATI SENSORISTICI
-EDGE PROCESSING
-DATA QUALITY E DATA PRE-PROCESSING PER IOT
-DATABASE NOSQL PER IOT
-MODELLI ANALITICI PER IOT
-MACHINE LEARNING PER IOT
-SEQUENCE DATA MINING
-SENSOR FUSION IN IOT
-REAL TIME PROCESSING IN IOT
-CONCETTI DI DATA PRIVACY E BLOCKCHAIN PER IOT
-TECNICHE DI ML PER L’ADDESTRAMENTO MACHINE TO MACHINE
-VISUALIZZAZIONE DI DATI IOT


CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE (APPLYING KNOWLEDGE AND UNDERSTANDING):

IL MODULO CORSO MIRA A SVILUPPARE NELLO STUDENTE LE SEGUENTI CAPACITÀ:

• SAPER ACQUISIRE, GESTIRE ED ELABORARE GRANDI FLUSSI DI DATI SCAMBIATI CON DISPOSITIVI IOT
• SAPER ANALIZZARE E MIGLIORARE IN TEMPO REALE LA QUALITÀ DI DATI SCAMBIATI CON DISPOSITIVI IOT
• SAPER SELEZIONARE LE TECNICHE DI ANALISI E DI MACHINE LEARNING PIÙ IDONEE PER L’ANALISI DI DATI SENSORISTICI E DI DISPOSITIVI IOT
• SAPER APPLICARE TECNICHE DI ADDESTRAMENTO MACHINE TO MACHINE.
Prerequisiti
LO STUDENTE DEVE CONOSCERE I FONDAMENTI DI DATA MANAGEMENT, SISTEMI DISTRIBUITI, PARADIGMA AD OGGETTI ED UN LINGUAGGIO DI PROGRAMMAZIONE.
Contenuti
DOPO UNA PANORAMICA SUI SISTEMI IOT E SUI NUOVI SCENARI APPLICATIVI LEGATI ALLA GESTIONE DI GRANDI SEQUENZE DI DATI PROVENIENTI DA DISPOSITIVI IOT, IL CORSO SI CONCENTRERÀ SUI SEGUENTI ARGOMENTI:

BIG DATA (2 ORE DI TEORIA)
•PROBLEMATICHE DI BIG DATA (1 ORA DI TEORIA)
•TECNOLOGIE DI SUPPORTO AI BIG DATA (1 ORA DI TEORIA)

ELABORAZIONE DI DATI IOT (5 ORE DI TEORIA)
•ESTRAZIONE DI DATI SENSORISTICI (1 ORE DI TEORIA)
•CONTROLLO DELLA QUALITÀ DEI DATI SENSORISTICI (2 ORE DI TEORIA)
•CORREZIONE DI ERRORI (2 ORE DI TEORIA)

MINING DI SEQUENZE IN TEMPO REALE (15 ORE DI TEORIA)
•INTRODUZIONE AL DATA MINING (1 ORA DI TEORIA)
•MAPREDUCE (2 ORE DI TEORIA)
•FUNZIONI DI SIMILARITÀ (3 ORE DI TEORIA)
•ALGORITMO APRIORI (2 ORE DI TEORIA)
•MODELLI DI DATI SEQUENZIALI (1 ORA DI TEORIA)
•CAMPIONAMENTO DI DATI SEQUENZIALI (1 ORA DI TEORIA)
•FILTRAGGIO DI SEQUENZE DI DATI (1 ORA DI TEORIA)
•QUERY ANSWERING (1 ORA DI TEORIA)
•MINING DI PATTERN SEQUENZIALI (3 ORE DI TEORIA)

MACHINE LEARNING PER IOT (15 ORE DI TEORIA)
•FORME DI APPRENDIMENTO (1 ORA DI TEORIA)
•RIDUZIONE DELLE DIMENSIONI (2 ORE DI TEORIA)
•ALBERI DI DECISIONE (2 ORE DI TEORIA)
•ENSEMBLE LEARNING AND RANDOM FOREST (1 ORA DI TEORIA)
•ONLINE LEARNING (1 ORA DI TEORIA)
•RETI NEURALI PER SEQUENZE DI DATI (5 ORE DI TEORIA)
•DEEP LEARNING PER SEQUENZE DI DATI (3 ORE DI TEORIA)

VISUAL IOT ANALYTICS (4 ORE DI TEORIA)
•TECNICHE DI RAPPRESENTAZIONE VISUALE DI SEQUENZE (1 ORA DI TEORIA)
•MANIPOLAZIONE VISUALE DEI RISULTATI (1 ORA DI TEORIA)
•VISUAL SEQUENCE MINING (1 ORA DI TEORIA)
•TECNOLOGIE PER LA VISUALIZZAZIONE DEI RISULTATI DI ANALISI SU SEQUENZE COMPLESSE DI DATI (1 ORA DI TEORIA)

TREND TOPICS (2 ORE DI TEORIA)
•ANALISI DI SEQUENZE NEI SISTEMI DI RACCOMANDAZIONE (1 ORA DI TEORIA)
•TECNICHE PER IL RISPARMIO ENERGETICO NEI SISTEMI IOT (1 ORA DI TEORIA)

LABORATORIO (2 ORE DI LABORATORIO)
•IL LINGUAGGIO PYTHON (1 ORA DI LABORATORIO)
•PIATTAFORMA PENTAHO (1 ORA DI LABORATORIO)
Metodi Didattici
L’INSEGNAMENTO PREVEDE 43 ORE DI DIDATTICA FRONTALE E 2 ORE SU LINGUAGGI E STRUMENTI APPLICATIVI, CON L’OBIETTIVO DI PRESENTARE I CONCETTI E SVILUPPARE CAPACITÀ DI PROGETTARE E IMPLEMENTARE SOLUZIONI PER L’ANALISI IN TEMPO REALE DI SEQUENZE DI DATI PROVENIENTI DA SISTEMI E DISPOSITIVI IOT. GLI ARGOMENTI DEL PROGRAMMA VENGONO PRESENTATI CON L’AUSILIO DI PRESENTAZIONI POWERPOINT, STIMOLANDO DISCUSSIONI CRITICHE CON LA CLASSE. PER OGNI ARGOMENTO TRATTATO, VENGONO ILLUSTRATI POSSIBILI TASK CHE POSSONO ESSERE OGGETTO DI UN PROGETTO DI CORSO DA PARTE DI UNO O PIÙ STUDENTI. PER QUANTO RIGUARDA GLI STRUMENTI APPLICATIVI, OLTRE ALL’UTILIZZO DI PRESENTAZIONI POWERPOINT, NELLE QUALI VENGONO PRESENTATI CONCETTI ED EVENTUALI LINK A FORUM, MANUALI E SITI DI APPROFONDIMENTO, VENGONO EFFETTUATE SIMULAZIONI AL COMPUTER, LE QUALI VENGONO ESEGUITE ANCHE DAGLI STUDENTI DALLA PROPRIA POSTAZIONE, AVENDO ESSI LA POSSIBILITÀ DI CHIEDERE CHIARIMENTI E RISOLVERE EVENTUALI PROBLEMI TECNICI INSIEME AL DOCENTE.
Verifica dell'apprendimento
IL RAGGIUNGIMENTO DEGLI OBIETTIVI DELL’INSEGNAMENTO E CERTIFICATO MEDIANTE IL SUPERAMENTO DI UN ESAME CON VALUTAZIONE IN TRENTESIMI. L'ESAME PREVEDE LO SVILUPPO DI UN PROGETTO ED UNA PROVA ORALE. IL PROGETTO È FINALIZZATO AD ACCERTARE LA CAPACITA DI APPLICARE LE CONOSCENZE ACQUISITE. ESSO PUÒ ESSERE SVOLTO INDIVIDUALMENTE O IN GRUPPI DI MASSIMO 3 PERSONE, I QUALI POSSONO PROPORRE UNA TEMATICA DI PROGETTO DA SOTTOPORRE ALL’APPROVAZIONE DEL DOCENTE O, IN ALTERNATIVA, SCEGLIERE TRA UN VENTAGLIO DI PROPOSTE FATTE DAL DOCENTE. DURANTE LO SVOLGIMENTO GLI STUDENTI DOVRANNO INTERAGIRE CON IL DOCENTE DEL CORSO AL FINE DI COMUNICARE GLI STATI DI AVANZAMENTO DEL PROGETTO E LE EVENTUALI CRITICITÀ EMERSE, CONCORDANDO OBIETTIVI E MODALITÀ DI PROSECUZIONE DEL PROGETTO. AL TERMINE DEL PROGETTO GLI STUDENTI DEVONO CONSEGNARE AL DOCENTE UNA TESINA CONTENENTE LA DOCUMENTAZIONE DI PROGETTO ED UNA PRESENTAZIONE POWERPOINT DEL PROGETTO DELLA DURATA DI CIRCA 30 MINUTI. SUCCESSIVAMENTE ALLA PRESENTAZIONE DEL PROGETTO GLI STUDENTI DEVONO SOSTENERE UNA PROVA ORALE INDIVIDUALE. TALE PROVA CONSISTE IN UN COLLOQUIO CON DOMANDE E DISCUSSIONE SUI CONTENUTI TEORICI E METODOLOGICI TRATTATI A LEZIONE ED E FINALIZZATA AD ACCERTARE LA CAPACITA DI CONOSCENZA E COMPRENSIONE, NONCHÉ LA CAPACITA DI ESPOSIZIONE DEI CONCETTI. LA PROVA ORALE PUÒ ESSERE SVOLTA NELLA STESSA DATA DELLA PRESENTAZIONE DEL PROGETTO, OPPURE IN ALTRA DATA CHE I SINGOLI MEMBRI DEL GRUPPO POSSONO CONCORDARE CON IL DOCENTE.
IL VOTO FINALE SCATURISCE, GENERALMENTE, DALLA MEDIA PESATA DEI VOTI IN TRENTESIMI CONSEGUITI IN CIASCUNA DELLE DUE PROVE, 60% PER IL PROGETTO E 40% PER LA PROVA ORALE.
Testi
1.JURE LESKOVEC, ANAND RAJARAMAN, JEFFREY D. ULLMAN, “MINING OF MASSIVE DATASETS”, 2^ EDIZIONE, CAMBRIDGE UNIVERSITY PRESS, 2014.
2.AURÉLIEN GÉRON, "HANDS-ON MACHINE LEARNING WITH SCIKIT-LEARN AND TENSORFLOW“, O REILLY ED.
3.C. BISHOP, NEURAL NETWORKS FOR PATTERN RECOGNITION, CLARENDON PRESS, OXFORD, 1995.
4.DISPENSE DEI DOCENTI DEL CORSO.
Altre Informazioni
LA FREQUENZA DEL CORSO È FORTEMENTE CONSIGLIATA. GLI STUDENTI DEVONO ESSERE PREPARATI A TRASCORRERE UNA CONGRUA QUANTITÀ DI TEMPO NELLO STUDIO AL DI FUORI DELLE LEZIONI. UNA PREPARAZIONE SODDISFACENTE RICHIEDE IN MEDIA 1 ORA DI STUDIO PER CIASCUNA ORA TRASCORSA IN AULA E CIRCA 80 ORE PER LO SVILUPPO DEL PROGETTO.
IL MATERIALE DELLE LEZIONI SARÀ DISPONIBILE SULLA PIATTAFORMA E-LEARNING. DIPARTIMENTALE HTTP://ELEARNING.INFORMATICA.UNISA.IT/EL-PLATFORM/


CONTATTI

PROF. GIUSEPPE POLESE
GPOLESE@UNISA.IT
  BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2019-10-21]