CLEBA

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 è effettuata tramite una o più prove scritte (più prove scritte nel caso di effettuazione di prove parziali) ed un colloquio orale (quest’ultimo è facoltativo e/o a discrezione del docente).
Nella prova scritta sono proposti sia esercizi che domande di teoria.
Il colloquio orale (facoltativo e/o a discrezione del docente) consiste in domande volte ad approfondire alcuni dei temi del programma (anche tra quelli ricompresi nella prova scritta) con la finalità di verificare la capacità dello studente di analizzare aspetti più particolari e specifici.
La valutazione finale, espressa in trentesimi, tiene conto sia della/e prova/e scritta/e che del colloquio orale.
Per la votazione finale si tiene anche conto della valutazione di una tesina (non obbligatoria) da svolgere su un tool per big data, da presentare agli altri studenti nell’ambito di una lezione a ciò dedicata. Tale tesina con presentazione dà un punteggio bonus aggiuntivo da 0 a 2 punti (0 punti corrisponde a 18/30, 2 punti a 30/30) che si somma al voto in trentesimi ottenuto dalle prova scritta e orale.
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, manipolare e analizzare dati da web, da file e da database, anche di grandi dimensioni.
Sostenibilità:
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
• Similar Items
• Frequent Itemset and Association Analysis
• Clustering
Graph Analytics
• PageRank
• Community Detection in Social Networks
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)