• Edizioni di altri A.A.:
  • 2019/2020
  • 2020/2021
  • 2021/2022
  • 2022/2023
  • 2023/2024
  • 2024/2025
  • 2025/2026

  • 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)

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