• Edizioni di altri A.A.:
  • 2016/2017
  • 2017/2018
  • 2018/2019
  • 2019/2020
  • 2020/2021
  • 2021/2022

  • 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)

Avvisi

Nessun avviso in evidenza

Documenti

Nessun documento in evidenza

Scopri cosa vuol dire essere dell'Ud'A

SEDE DI CHIETI
Via dei Vestini,31
Centralino 0871.3551

SEDE DI PESCARA
Viale Pindaro,42
Centralino 085.45371

email: info@unich.it
PEC: ateneo@pec.unich.it
Partita IVA 01335970693

icona Facebook   icona Twitter

icona Youtube   icona Instagram