Vai al contenuto principale
Oggetto:
Oggetto:

Data Mining e Analisi Multivariata

Oggetto:

Data Mining and Multivariate Analysis

Oggetto:

Anno accademico 2021/2022

Codice dell'attività didattica
ECM0196
Docenti
Natalia Golini (Titolare del corso)
Cinzia Carota (Titolare del corso)
Corso di studi
Laurea in Economia e Statistica per le Organizzazioni - a Torino [0402L31]
Anno
3° anno
Periodo didattico
Da definire
Tipologia
Caratterizzante Affine o integrativo
Crediti/Valenza
12
SSD dell'attività didattica
INF/01 - informatica
SECS-S/01 - statistica
Modalità di erogazione
Tradizionale
Lingua di insegnamento
Italiano
Modalità di frequenza
Fortemente consigliata/Recommended
Tipologia d'esame
Scritto ed orale
Prerequisiti

Buona conoscenza degli elementi di base di:
- analisi dei dati e probabilità: indipendenza statistica/stocastica vs connessione e misure della connessione;
- teoria statistica delle decisioni;
- analisi del modello di regressione lineare e lineare generalizzato;
- linguaggio R.


Good knowledge of basic elements of:
- data analysis and probability: stochastic independence/dependence and its measures;
- inferential statistics;
- linear regression model and generalized linear regression models;
- R language.

Propedeutico a
Oggetto:

Sommario insegnamento

Oggetto:

Obiettivi formativi

L'insegnamento di Data Mining e Analisi Multivariata è finalizzato a fornire agli studenti strumenti avanzati di analisi dei dati, attraverso cui estrapolare informazioni rilevanti da grandi dataset e guidare i collegati processi decisionali.

Obiettivi specifici dell'insegnamento sono:

  • introdurre le tecniche di base del Data Mining e dell'Analisi Multivariata;
  • sviluppare la capacità di scegliere il modello ottimale per analizzare i dati;
  • discutere lo studio di alcune applicazioni reali.

The Data Mining and Multivariate Analysis course is addressed to give advanced data analysis instruments to extract relevant information from big dataset and to guide decision processes.

Specific course objectives are:

  • the introduction of main Data Mining and Multivariate Analysis techniques;
  • the development of the capacity to select the optimal model for data analysis;
  • the discussion of selected case studies.

 

Oggetto:

Risultati dell'apprendimento attesi

Al termine dell'insegnamento lo studente avrà:

  • conoscenza della terminologia scientifica e comprensione degli aspetti teorici e applicativi presentati durante le lezioni, contenuti nel libro di testo e nei materiali dell'insegnamento;
  • conoscenza e capicità di comprensione applicata degli strumenti statistici e computazionali per il Data Mining e la Statistica Multivariata;
  • autonomia di giudizio e conseguente possibilità di sviluppare considerazioni logiche e deduttive indispensabili per lavorare autonomamente nella ricerca, nella selezione e nello studio di dati con il supporto di strumenti di di Data Mining e Analisi Multivariata;
  • abilità comunicative per divulgare in forma scritta e orale i risultati delle analisi condotte utilizzando metodi efficaci e lessico appropriato.

 

At the end of the course students will have:

  • knowledge of scientific terminology and understanding of the theoretical and applied aspects presented in the lectures, in the textbook and in the course material;
  • ability to apply knowledge and understanding of statistical and computational tools forData Mining and Multivariate Analysis;
  • critical thinking and ability to work independently in the research, the selection and the study of data with the support of the Data Mining and Multivariate Analysis tools;
  • communicative abilities to clearly describe and interprete results. 

 

Oggetto:

Modalità di insegnamento

L’insegnamento è strutturato in 72 ore di didattica (12 CFU), suddivise in lezioni da 2 ore in base al calendario accademico. La didattica, che si costituisce di lezioni teoriche e pratiche (con utilizzo del software R), è erogata in presenza. Inoltre, gli studenti e le studentesse con fragilità o residenti fuori regione potranno sempre fruire della lezione in diretta streaming. Le stanze webex a cui accedere sono:

https://unito.webex.com/meet/cinzia.carota (dal 21-2 all'8-3, ovvero per le prime lezioni corrispondenti ai primi 3 cfu)

e

https://unito.webex.com/meet/natalia.golini (ovvero per le restanti  lezioni corrispondenti ai restanti 9 cfu la cui data di inizio verrà comunicata durante la prima lezione della Prof.ssa Carota). 

 

I materiali dell’insegnamento saranno fruibili sulla pagina Moodle dell'insegnamento.

 

The course consists of 36 hours (6 CFU) of teaching, divided into classes of 2 hours according to the academic calendar. The teaching, which consists of theoretical and practical lessons (with R), will be held in presence. Furthermore, students with health frailty or residents outside the region will always be able to attend them in streaming using the following links:

https://unito.webex.com/meet/cinzia.carota (from February 2nd to March 8th, that is to say, to attend to the first group of lessons corresponding to the first 3 CFU)

and

https://unito.webex.com/meet/natalia.golini (for to the remaining lessons corresponding to the remaining 9 CFU. The starting date of the module will be communicated during the first lesson of the Prof.ssa Carota). 

All the teaching materials will be available on the Moodle page.

Oggetto:

Modalità di verifica dell'apprendimento

La verifica dell'apprendimento sarà volta a verificare:

  • la conoscenza estensiva del programma dell'insegnamento di entrambi i moduli del corso di Data Mining e Analisi Multivariata;
  • la capacità di interpretare l'applicazione proposta;
  • la capacità di comunicare sinteticamente la natura e le proprietà degli strumenti utilizzati. 

 

La verifica dell’apprendimento prevede, sia in presenza che a distanza:

  • una prova scritta obbligatoria (su piattaforma Moodle se svolta a distanza)
  • una prova orale obbligatoria (in collegamento WebEx - con webcam accesa - se svolta a distanza)

La prova scritta è un test (un Quiz su Moodle se la prova è svolta a distanza) che comprende domande a risposta multipla e domande a risposta aperta. Tramite queste ultime, si chiederà di commentare i risultati di un'analisi condotta su uno o più casi studio e il codice R sviluppato per produrla, e di rispondere ad alcune domande teoriche riguardanti gli strumenti utilizzati durante l'insegnamento.

La prova orale verterà su gli stessi argomenti della prova scritta.

 
 
 

The exam is aimed at verifying:

  • the extensive knowledge of the course program of both modules of the main Data Mining and Multivariate Analysis course;
  • the ability to interpret the proposed application;
  • the ability to synthetically communicate the nature and properties of the tools used.

It consists of, both in the presence and remotely:

  • mandatory written test (on the Moodle platform if carried out remotely);
  • mandatory oral test (in connection with WebEx, with the webcam on, if carried out remotely).

The written part is a test (a Moodle Quiz if the test if carried out remotely) consisting of multiple-choice questions and open questions. The latter include comments on the results and the R code used in one or more selected case studies, as well as theoretical questions about the tools used during the course. 

The oral exam will focus on the same topics as the written exam.

 

Oggetto:

Attività di supporto

Oggetto:

Programma

  • Introduzione all'insegnamento.
  • Tabelle di contingenza a più entrate.
  • Indipendenza stocastica mutua, congiunta e condizionale.
  • Distribuzione multinomiale e distribuzione di Poisson.
  • Modello log-lineare per lo studio delle relazioni tra variabili categoriche.
  • Data Mining vs Analisi Multivariata.
  • Market Basket Analysis.
  • Elementi di algebra lineare.
  • Matrice dei dati; matrice di covarianza; matrice di correlazione; le trasformazioni dei dati multidimensionali.
  • Analisi delle Componenti Principali.
  • Analisi Fattoriale (in breve).
  • Analisi delle Corrispondenze. 
  • Distanze e Indici di Similarità.
  • Analisi dei gruppi.

  • Introduction to the Course.
  • Multi-waty contingency tables.
  • Mutual, joint and conditional independence.
  • Multinomial and Poisson Distributions.
  • Log-linear models to analyze the association structure for categorical variables. 
  • Data Mining vs Multivariate Analysis.
  • Market Basket Analysis.
  • Elements of linear algebra.
  • Data, covariance, and correlation matrix; transformations of multidimensional data.
  • Principal Component Analysis. 
  • Notes on Factor Analysis.
  • Correspondence Analysis.
  • Distance and Similarity Measures.
  • Cluster Analysis.

 

Testi consigliati e bibliografia



Oggetto:
Libro
Oggetto:

An introduction to generalized linear models,Autori: Dobson A.J. and Barnett A.G., Edizione:Third 

http://www.ru.ac.bd/wp-content/uploads/sites/25/2019/03/202_06_Dobson_An-Introduction-to-Generalized-Linear-Models-2008.pdf

Extending linear model with R, Autore: J Faraway, Edizione 2016. Disponibile in pdf nei materiali didattici.

Analisi dei dati e data mining per le decisioni aziendali 
Autori: Sergio Zani, Andrea Cerioli
Editore: Giuffrè
Data di Pubblicazione: 2007
EAN: 9788814204999
ISBN: 8814204993

Mining of Massive Datasets
Jure Leskovec, Anand Rajaraman, Jeff Ullman
ONLINE VERSION: http://www.mmds.org

 

An introduction to generalized linear models,Autori: Dobson A.J. and Barnett A.G., Edizione:Third 

http://www.ru.ac.bd/wp-content/uploads/sites/25/2019/03/202_06_Dobson_An-Introduction-to-Generalized-Linear-Models-2008.pdf

Extending linear model with R, Autore: J Faraway, Edizione 2016. Disponibile in pdf nei materiali didattici.

Analisi dei dati e data mining per le decisioni aziendali
Autori: Sergio Zani, Andrea Cerioli
Editore: Giuffrè
Data di Pubblicazione: 2007
EAN: 9788814204999
ISBN: 8814204993

 

Mining of Massive Datasets
Jure Leskovec, Anand Rajaraman, Jeff Ullman
ONLINE VERSION: http://www.mmds.org

 

 





Oggetto:

Note

-Le modalità di svolgimento dell'attività didattica potranno subire variazioni in base alle limitazioni imposte dalla crisi sanitaria in corso. In ogni caso per l'insegnamento è assicurata la modalità a distanza per tutto l'anno accademico.

-Per quanto riguarda la verifica dell'apprendimento, in osservanza alle indicazioni dell'Università di Torino, sono state descritte sia le caratteristice dell'esame che avverrà in presenza, sia le caratteristiche dell'esame a distanza riservato alle categorie di studenti e studentesse esplicitamente individuate dall'Ateneo.

 

-----------

 

Orario Lezioni

The way the teaching activity is carried out may be subject to variations according to the evolution of the Covid-19 emergency. In any case, the distance learning is guaranteed for the entire academic year.

 

 

Oggetto:

Moduli didattici

Oggetto:

Altre informazioni

http://www.didattica-est.unito.it/do/home.pl/View?doc=home_appelli.html
Oggetto:
Ultimo aggiornamento: 25/03/2022 15:03
Non cliccare qui!