CLEC/M

Lingua Insegnamento:

Italiano
Testi di riferimento:

Appunti del corso

Per ulteriori approfondimenti:
Leskovec, Jure, Anand Rajaraman, and Jeffrey David Ullman.
Mining of massive datasets.
Cambridge University Press, 2014.
Disponibile gratuitamente online: http://www.mmds.org/
Obiettivi formativi:

L’obiettivo formativo per lo studente è che raggiunga i seguenti risultati di apprendimento:

Conoscenza e capacità di comprensione

Il corso intende fornire le conoscenze metodologiche e applicative relative ai principali strumenti e metodi per l'analisi di insiemi di dati potenzialmente grandi.

Capacità di applicare conoscenza e comprensione

Al termine del corso di insegnamento, lo studente anche con l’aiuto di casi di studio concreti svolti in laboratorio, sarà in grado di estrarre e manipolare dati da web, da file e da database, anche di grandi dimensioni.
Prerequisiti:

Lo studente deve possedere le conoscenze della statistica di base. È consigliata, anche se non richiesta, una conoscenza di base della programmazione.
Metodi didattici:

Lezioni orali. Esercitazioni pratiche in aula informatica.
Modalità di verifica dell'apprendimento:

Conoscenza e capacità di comprensione

La verifica dei risultati di apprendimento sarà effettuata tramite una o più prove scritte ed un colloquio finale (quest’ultimo è facoltativo e/o a discrezione del docente).
La valutazione finale, espressa in trentesimi, tiene conto sia delle prove scritte preliminari che del colloquio di esame.

Capacità di applicare conoscenza e comprensione

Durante le prove d’esame si verifica la capacità degli studenti di applicare le conoscenze fornite dal corso al fine di essere in grado di estrarre e manipolare dati da web, da file e da database, anche di grandi dimensioni.
Sostenibilità:

Gli argomenti trattati nel corso non sono direttamente riconducibili alla sostenibilità ambientale, sociale ed economica.
Altre Informazioni:

- Introduzione al fenomeno dei Big Data
- Metodologie per Big data
- Data mining
- Lab & tools

Introduzione
• Introduzione al fenomeno dei Big Data
Metodologie per I Big data
• Frameworks di programmazione: MapReduce/Hadoop, Spark
Data mining
• Association Analysis
• Clustering
Graph Analytics (metriche di centralità, scale-free/Power-law graphs, fenomeno dello small world, uncertain graphs)
• Similarity and diversity search
Lab & tools
• strumenti e metodologie per collezionare, processare, visualizzare ed analizzare grandi quantitative di dati (Big Data).
o estrarre dati non strutturati dal web (import.io, kimono, etc.)
o esplorare e presentare dati statici (RAWGraphs, Gephi, illustrator, etc.)
o esplorare e costruire visualizzazioni di dati interattive (Tableau Public, Carto)