ITALIANO

Introduzione: Il Data Mining versus Knowledge Discovery in Data Bases Analisi esplorativa dei dati Modelli statistici per il data mining: Regressione e Classificazione Metodi per il data mining: Regole di Associazione Misure di dissimilarità e distanze Metodi di Clustering divisivo (k-means) e gerarchico (criterio di Ward) Analisi in Componenti Principali Alberi di decisone (segmentazione binaria – alberi di classificazione e di regressione) Software per il Data Mining: R

In alternativa: S. ZANI – A. CERIOLI, Analisi dei dati e Data Mining per le decisioni aziendali, Giuffrè Editore, Milano, 2007
A. Azzalini - B. Scarpa, Analisi dei dati e data mining, Springer-Verlag Italia, 2004 ISBN 88-470-0272-9

Conoscenza e capacità di comprensione (knowledge and understanding).

Il corso mira a
- far conoscere e saper comprendere gli aspetti metodologici del Data Mining e dell’Analisi dei Dati (concetti introduttivi) Conoscenza e capacità di comprensione applicate (applied knowledge and understanding).
- alla conoscenza e alla comprensione gli aspetti applicativi delle principali tecniche Data Mining attraverso esercitazioni, attività di laboratorio e acquisizione di conoscenze del software specialistico. Autonomia di giudizio (making judgements).

Il corso mira a far acquisire allo studente capacità di:
- formulare una propria valutazione e giudizio sulla base delle informazioni apprese nel corso di Statistica e dai confronti in aula con il docente e con gli altri studenti;
- individuare e raccogliere informazioni aggiuntive per la conoscenza della materia attraverso anche consultazione di altri testi e materiale didattico aggiuntivo;
- di avere la capacità del saper fare, del saper prendere iniziative e decisioni tenendo conto dei vari aspetti di interesse della materia specialmente nei suoi aspetti applicativi di analisi e estrazione di conoscenza dai dati, nella risoluzione di problemi pratici a partire dai dati e le informazioni estratte da banche dati e nell’utilizzo delle metodologie e delle tecniche di Data Mining con il software specialistico.

Abilità comunicative (communication skills).

Il corso mira a far acquisire allo studente capacità di comunicazione degli argomenti appresi e dei risultati delle esercitazioni pratiche.

Capacità di apprendere (learning skills).

Il corso mira a far acquisire allo studente:
- capacità di apprendimento che sono necessarie ai fini di un continuo aggiornamento nell'ambito delle tecniche di Data Mining per l’analisi dei dati;
- capacità di attingere a diverse fonti bibliografiche, sia in italiano che in inglese, al fine di acquisire nuove competenze nella materia

Conoscenze di base di statistica descrittiva e inferenziale.

Lezioni frontali con l’utilizzo di slides e materiale didattico fornito dal docente Esercitazioni È richiesto lo studio personale con l’approfondimento della materia sui testi consigliati

Tesina scritta riportante gli aspetti metodologici e i risultati commentati delle elaborazioni di dati estratti da un data base pubblico, secondo le tecniche di Data Mining trattate nel corso e verifica finale attraverso una prova orale

CONTENUTI

Introduzione: Il Data Mining versus Knowledge Discovery in Data Bases
Analisi esplorativa dei dati Modelli statistici per il data mining
Regressione e Classificazione Metodi per il data mining
Regole di Associazione
Misure di dissimilarità e distanze
Metodi di Clustering divisivo (k-means) e gerarchico (criterio di Ward)
Analisi in Componenti Principali
Alberi di decisone (segmentazione binaria
– alberi di classificazione e di regressione) Software per il Data Mining: R
- XLSTAT

Italian

Introduction: Data Mining versus Knowledge Discovery in Data Bases Exploratory data analysis Statistical models for data mining: Regression and Classification Data mining methods: Association Rules Measures of dissimilarity and distances Clustering methods: divisive (k-means) and hierarchical (Ward criterion) Principal Component Analysis Decision trees (binary segmentation - classification and regression trees) Data Mining Software: R – XLSTAT

as alternative: S. ZANI – A. CERIOLI, Analisi dei dati e Data Mining per le decisioni aziendali, Giuffrè Editore, Milano, 2007
A. Azzalini - B. Scarpa, Analisi dei dati e data mining, Springer-Verlag Italia, 2004 ISBN 88-470-0272-9

Knowledge and understanding.
The course aims at the introduction and understanding of methodological aspects of Data Mining (preliminary concepts) Applied knowledge and understanding.
The course aims at the knowledge and understanding of the application aspects of the main techniques of Data Mining through exercises, laboratory activities and the using of specialist software.

Making judgments
The course aims to give the ability to the student at:
- formulating their own evaluation and judgment based on learned notions and from a comparison, in the classroom, with the teacher, and with the other students;
- identifying and collecting additional information for the subject knowledge through additional books and teaching materials;
- improving ability in how to do and in how to take decisions, considering various aspects of the matter, especially applicative ones;
- performing knowledge extraction from databases by using methodologies and techniques of Data Mining with specialist software (R and XL-STAT).

Communication skills.

The course aims to provide the student with communication skills on learned data analysis methods and on the results of practical exercises.

Learning skills.
The course aims to provide the student with:
- learning skills necessary for understanding and using of Data Mining techniques for data processing;
- ability to draw on different bibliographical sources in order to acquire new skills in this field.

Basic knowledge of descriptive and inferential statistics.

Personal study is required on the recommended didactic books Slides for the course will be provided Laboratory training

Report on the methodological aspects and results of data process, according to the techniques of Data Mining dealt with in the course and Final examination by oral test

Introduction: Data Mining versus Knowledge Discovery in Data Bases Exploratory data analysis
Statistical models for data mining
Regression and Classification Data mining methods
Association Rules Measures of dissimilarity and distances Clustering methods
divisive (k-means) and hierarchical (Ward criterion)
Principal Component Analysis Decision trees (binary segmentation
classification and regression trees)

Data Mining Software: R – XLSTAT