Metodi Avanzati per il Data Mining

Contenuti

• M 1.Fondamenti di Basi di Dati e MySQL (teoria e pratica) 30 ore.Sistemi informativi e DBMS. Schemi e istanze. Modello RDBMS. Chiavi e vincoli di integrità referenziale. Linguaggio SQL. Progettazione concettuale con il modello E-R. Esercitazioni sul DBMS MySQL. Definizione e modifica di uno schema. Istruzioni per la manipolazione dei dati.
  
• M 2. Data Warehousing (teoria e pratica). 10 ore.Architetture, ETL, modello multidimensionale, OLTP vs. OLAP, ROLAP vs. MOLAP. Il ciclo di vita di un Data Warehouse. Progettazione concettuale, logica e fisica. Esercitazioni sulla progettazione di un data warehouse.
  
• M 3. Reti neurali (teoria e pratica).25 ore.Impiego delle reti neurali per problemi di apprendimento, i principali algoritmi per la minimizzazione dell'errore di stima e previsione, le strategie per la definizione dell'architettura ottimale delle rete ed il controllo dell'overfitting.Introduzione all'uso di pacchetti open source per l'addestramento e l'uso delle reti neurali.
  
• M 4. Data Mining e Regole Logiche (teoria e pratica).25 ore.Tecniche di Classificazione, Pattern Recognition, e Apprendimento Automatico nel Data Mining, individuazione dei campi di applicazione per questi metodi. I principali metodi di Classificazione e Apprendimento in contesti logici: alberi di decisione, sistemi basati su ottimizzazione intera, rule induction. Elementi caratterizzanti di tali tecniche. Casi di studi analizzati tramite diversi applicativi (fra cui il software open source Weka). Problematiche applicative
  
• M 5.Clustering e Feature Selection (teoria e pratica). 25 ore.Apprendimento supervisionato (clustering) ed estrazione delle caratteristiche rilevanti per l'analisi di un dataset di grandi dimensioni.Si prevede lo svolgimento di esercitazioni ed applicazioni su dati reali.
  
• M 6. Support Vector Machines (teoria e pratica). 25 ore.Fondamenti della teoria dell'apprendimento basato sulla separazione lineare, proiezione in spazi trasformati tramite funzioni kernel polinomiali, gaussiane e RBF; algoritmi di ottimizzazione per la stima dei parametri delle support vector machines, interpretazione dei support vectors e loro principali problematiche applicative. I pacchetti open source per la stima e l'uso delle support vector machines.
  
• M 7. Ottimizzazione non lineare (teoria e pratica). 20 ore.Metodi di tipo quasi-Newton e gradiente coniugato per la soluzione di problemi di ottimizzazione non vincolata. Uso di sofware per l'ottimizzazione non linare: LBFGS e CG+.
  
• M 8. Ottimizzazione lineare intera (teoria e pratica). 25 ore.Formulazione e metodi di soluzione standard per problemi di ottimizzazione lineare a variabili intere associati a particolari modelli di Data Mining.Uso di software commerciale e open source.
  
• M 9. Elementi di statistica (teoria e pratica).15 ore.Introduzione alle metodologie della statistica multivariata per la previsione e la classificazione. Implementazione e risoluzione di modelli di statistica multivariata ed analisi dei risultati

Risultati attesi
Risultato atteso del corso è l'acquisizione di competenze avanzate su tecniche di data mining per la soluzione di diversi problemi applicativi come ad esempio la progettazione industriale, la diagnostica medica, l’analisi di mercati finanziari,il customer profiling, il web mining. L’alto livello di competenze che si acquisiscono offrono la possibilità di inserimento nella progettazione industriale, nel business intelligence e nel marketing, nel controllo di gestione e nei laboratori di ricerca.

Modalità di valutazione competenze in uscita
Al termine di ogni modulo formativo è previsto un questionario di valutazione per accertare il livello di apprendimento raggiunto da ciascun allievo. Al termine di tutto il percorso formativo l'allievo sarà impegnato nell'elaborazione pratica di un project work, che permetterà di valutare le competenze apprese durante le lezioni di teoria e i laboratori di pratica.

Metodologie formative utilizzate
Nel Corso si integrano momenti di formazione di tipo tradizionale (teorico/frontale in aula) a momenti di Laboratorio(pratica)con la metodologia dell'action learning. Inoltre si prevede un periodo Laboratoriale Outdoor in un contesto lavorativo reale per sperimentare l'effettiva implementazione del processo di data mining.