-
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
- Database
- Metodologie per Big data
- Data mining
- Lab & tools
Introduzione
• Introduzione al fenomeno dei Big Data
Database
• Introduzione ai database: modelli E-R, SQL
• Distributed query evaluation, NoSQL databases, graph databases
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 gestire e manipolare dati in forma tabulare (google spreadsheet, excel, 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
