Giuseppe POLESE | METODI E TECNICHE PER LA DATA SCIENCE
Giuseppe POLESE METODI E TECNICHE PER LA DATA SCIENCE
cod. 0522500085
METODI E TECNICHE PER LA DATA SCIENCE
| 0522500085 | |
| DIPARTIMENTO DI INFORMATICA | |
| CORSO DI LAUREA MAGISTRALE | |
| INFORMATICA | |
| 2016/2017 |
| OBBLIGATORIO | |
| ANNO CORSO 2 | |
| ANNO ORDINAMENTO 2015 | |
| SECONDO SEMESTRE |
| SSD | CFU | ORE | ATTIVITÀ | |
|---|---|---|---|---|
| INF/01 | 9 | 72 | LEZIONE |
| Obiettivi | |
|---|---|
| INTEGRARE CONOSCENZE ACQUISITE NELL’AMBITO DI ALTRI INSEGNAMENTI SULLE BASI DI DATI CON COMPETENZE UTILI ALLO SVOLGIMENTO DELLA PROFESSIONE DEL DATA SCIENTIST. CONOSCENZA E CAPACITÀ DI COMPRENSIONE: • MODELLI E TECNOLOGIE PER LA GESTIONE DI GRANDI BASI DI DATI, EVENTUALMENTE DISTRIBUITE • ESTRAZIONE DAI DATI E PRESENTAZIONE VISUALE DI CONOSCENZA UTILE PER I PROCESSI DECISIONALI DI VARI TIPI DI ORGANIZZAZIONI. CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: • SAPER ACQUISIRE, ORGANIZZARE, GESTIRE ED ELABORARE GRANDI VOLUMI DI DATI • SAPER ESTRARRE CONOSCENZA DAI DATI • SAPER COMUNICARE LA CONOSCENZA ESTRATTA DAI DATI ATTRAVERSO DIVERSE FORME DI RAPPRESENTAZIONE, INCLUSO TECNICHE VISUALI |
| Prerequisiti | |
|---|---|
| LO STUDENTE DEVE AVER SUPERATO L’ESAME DEL CORSO DI BASI DI DATI 2 E CONOSCERE I FONDAMENTI DI: • INGEGNERIA DEL SOFTWARE • PARADIGMA AD OGGETTI • RETI E SISTEMI DISTRIBUITI. |
| Contenuti | |
|---|---|
| DATA QUALITY: DIPENDENZE FUNZIONALI APPROSSIMATE E LORO UTILIZZO NEL DATA QUALITY INTEGRAZIONE DATI DA SORGENTI MULTIPLE DATA CLEANSING BIG DATA: PROBLEMATICHE DI BIG DATA TECNOLOGIE DI SUPPORTO AI BIG DATA MAP-REDUCE BUSINESS INTELLIGENCE: SISTEMI DI SUPPORTO ALLE DECISIONI KNOWLEDGE DISCOVERY DAI DATI ONLINE ANALYTICAL PROCESSING CENNI SUL TEXT MINING MACHINE LEARNING: FORME DI APPRENDIMENTO ALBERI DI DECISIONE FORMULAZIONE LOGICA DELL’APPRENDIMENTO APPRENDIMENTO BASATO SU SPIEGAZIONI PROGRAMMAZIONE LOGICA INDUTTIVA APPRENDIMENTO STATISTICO APPRENDIMENTO CON VARIABILI NASCOSTE APPRENDIMENTO BASATO SULLE ISTANZE RETI NEURALI MACHINE KERNEL APPRENDIMENTO PER RINFORZO VISUAL DATA ANALYTICS: TECNICHE DI RAPPRESENTAZIONE VISUALE MANIPOLAZIONE VISUALE DEI RISULTATI VISUAL DATA MINING INFORMATION RETRIEVAL: VALUTAZIONE DI SISTEMI IR PRESENTAZIONE DEI RISULTATI IMPLEMENTAZIONE DI UN SISTEMA IR TEMATICHE EMERGENTI: ORGANIZZAZIONE NOSQL DEI DATI E MODELLO CHIAVE-VALORE DATA PRIVACY CENNI SULL’ANALISI DELLE RETI SOCIALI |
| Metodi Didattici | |
|---|---|
| LEZIONI FRONTALI E SEMINARI PER LA PRESENTAZIONE DEI CONCETTI E LO SVILUPPO DI CAPACITÀ DI PROGETTARE E IMPLEMENTARE SOLUZIONI PER PROBLEMATICHE DI DATA SCIENCE. |
| Verifica dell'apprendimento | |
|---|---|
| LO STUDENTE DEVE SVILUPPARE UN PROGETTO RIGUARDANTE UNO DEGLI ARGOMENTI TRATTATI NELL’INSEGNAMENTO, PER POI SOSTENERE UNA PROVA ORALE |
| Testi | |
|---|---|
| S.J.RUSSELL, P. NORVIG, INTELLIGENZA ARTIFICIALE. UN APPROCCIO MODERNO, VOLUME 2 (2/ED, 2005), PEARSON EDUCATION ITALIA. C.M. BISHOP: “PATTERN RECOGNITION AND MACHINE LEARNING”, SPRINGER SCIENCE, NEW YORK, 2006. R.A. ELMASRI, S.B. NAVATHE, “FUNDAMENTALS OF DATABASE SYSTEMS”, 6A EDIZIONE, ADDISON WESLEY, 2010. GOLFARELLI M., RIZZI S., “DATA WAREHOUSE - TEORIA E PRATICA DELLA PROGETTAZIONE”, THE MCGRAW-HILL COMPANIES, 2006. |
| Altre Informazioni | |
|---|---|
| LA FREQUENZA DELLE LEZIONI È FORTEMENTE CONSIGLIATA. GLI STUDENTI DEVONO ESSERE PREPARATI A TRASCORRERE UNA CONGRUA QUANTITÀ DI TEMPO NELLO STUDIO AL DI FUORI DELLE LEZIONI, ALLO SCOPO DI APPROFONDIRE MEGLIO LE TEMATICHE AFFRONTATE IN CLASSE E DI SVILUPPARE IL PROGETTO DEL CORSO. |
BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2019-03-11]
