- Oggetto:
- Oggetto:
Data Mining e Analisi Multivariata
- Oggetto:
Data Mining and Multivariate Analysis
- Oggetto:
Anno accademico 2022/2023
- 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
- Secondo semestre
- 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 datasets and 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 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 interpret 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.
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 consists of theoretical and practical lessons (with R) and will be held in presence.
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 in presenza:
- una prova scritta obbligatoria;
- una prova orale obbligatoria.
La prova scritta è un test che comprende domande a risposta multipla e domande a risposta aperta. Tramite queste ultime, si chiederà di commentare i risultati di un'analisi condotta in laboratorio 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.
Per superare la prova scritta è necessario raggiungere la sufficienza in entrambi i moduli e comunque raggiungere un punteggio pari a 18/30.
La prova orale prevede una prima "domanda di accertamento" sul voto preso nella prova scritta in ciascuno dei due moduli. In caso di risposta esaustiva il voto dello scritto è confermato. E' facoltà dello/a studente/essa decidere se proseguire l'orale nel tentativo di incrementare il punteggio raggiunto nella prova scritta, fino ad un massimo di tre punti. In tal caso verranno poste due domande, una per ciascun modulo, su un qualsiasi argomento affrontato durante l'insegnamento, e non vi è alcuna alcuna garanzia che il voto della prova scritta venga confermato.
The exam, held in presence, 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:
- mandatory written test;
- mandatory oral test.
The written part is a test 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.
In order to pass the written test, it is necessary to achieve sufficiency in both modules, and in any case, achieve at least a score of 18/30
The oral test includes a "confirmation question" on the score obtained with the written test. An exhaustive answer is necessary to confirm the grade of the written test. The student can decide whether to continue the oral test in an attempt to increase the score achieved in the written one, up to a maximum of three points. Then, two questions will be asked, on any topic dealt with during the course, and there is no guarantee that the grade of the written test will be confirmed.
- 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-way 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
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: 8814204993Mining of Massive Datasets
Jure Leskovec, Anand Rajaraman, Jeff Ullman
ONLINE VERSION: http://www.mmds.orgAn introduction to generalized linear models,Autori: Dobson A.J. and Barnett A.G., Edizione:Third
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: 8814204993Mining of Massive Datasets
Jure Leskovec, Anand Rajaraman, Jeff Ullman
ONLINE VERSION: http://www.mmds.org- Oggetto:
Note
Data inizio corso:
lunedì 20 febraio 2022
Orari delle lezioni:
lun-mart: 12.00-14.00
giov-ven: 10.00-12.00
Aule:
da definire
Orario Lezioni
- Oggetto:
Moduli didattici
- Analisi Multivariata (ECM0196A)
- Data Mining (ECM0196B)
- Oggetto:
Altre informazioni
http://www.didattica-est.unito.it/do/home.pl/View?doc=home_appelli.html- Oggetto:
