Università degli Studi di Perugia

Esame orale e progetto. Gli studenti frequentanti potranno sostituire l'esame orale con una serie di prove in itinere che si svolgeranno durante il periodo di lezione.

Dati in elaborazione

Consultare il sito ufficiale del corso www.informatica.unipg.it

Basi di dati avanzate. Basi di dati distribuite. Basi di dati non relazionali. Basi di dati multimediali. Data Warehousing: Business Intelligence per analisi dei dati; metodi, strumenti e strategie progettuali; strutture e linguaggi. 

Il processo Knowledge Discovery in Databases (KDD). Introduzione al data mining; data mining e machine learning.
Classificazione: alberi di decisione (tipi e gestione degli attributi, algoritmi di costruzione); NN classifiers; classificatori bayesiani; classificatori basati su reti neurali; classificatori basati su SVM
Clustering: tipi di cluster e tecniche di clustering, hierarchical and density based clustering (K-means, DBSCAN).
Regole associative: frequent itemset generation, algoritmo a priori e ottimizzazione attraverso hash tree.
Tecniche e misure di valutazione dei modelli. Costruzione e analisi degli insiemi di training e di test.

Basi di dati avanzate, distribuite, multimediali e non relazionali. Data Warehousing. Il processo KDD. Data mining e machine learning. Classificazione, clustering, regole associative. Tecniche e misure di valutazione dei modelli. Costruzione e analisi degli insiemi di training e di test.

Lezioni in aula e in laboratorio

Dispense fornite dal docente.
Ian H. Witten, Eibe Frank - Data Mining: Practical Machine Learning Tools and Techniques (2nd ed.) - 2005
Pang-Ning Tan, M. Steinbach, V. Kumar - Introduction to data mining - Addison-Wesley - 2006

Lo studente dovrà conoscere le tecniche e i modelli più attuali per lo sviluppo di basi di dati distribuite e non relazionali.

Lo studente dovrà conoscere le principali tecniche di modellizzazione e realizzazione per il data warehousing e dovrà essere in grado di progettare, realizzare e interrogare un sistema di datawarehouse. 

Lo studente dovrà conoscere le principali tecniche e e gli algoritmi fondamentali per il data mining. Dovrà essere in grado di progettare un sistema di KDD.

II semestre

si veda orario delle lezioni su www.informatica.unipg.it

Piattaforma per l'e-learning www.estudium.unipg.it

Facoltativa

Dipartimento di matematica e informatica, via Vanvitelli 1, Perugia

Martedì 11-13 oppure su appuntamento

Dipartimento Matematica e Informatica
via Vanvitelli