Inizio della pagina -
Logo DISCO
|
Visita la Versione ad elevata leggibilità
|
Vai al Contenuto della pagina
|
Vai alla Fine dei contenuti
|
Vai al Menu Principale
|
Vai alla Barra di navigazione (sei in)
|
Vai al Menu di navigazione (albero)
|
Vai alla Lista dei comandi
|
Vai alla Lista degli approfondimenti
|
Vai al Menu inferiore
|
Logo Ateneo
   
Didattica
Data mining

Docente: E. Fagiuoli

Crediti: 6 CFU

Descrizione e Programma del Corso


Conoscenze: Lo studente apprenderà i principali metodi di determinazione strutturale per la costruzione di reti causali, attraverso gli algoritmi più noti, e i principali algoritmi inferenziali. Inoltre apprenderà metodi atti alla risoluzione di problemi di classificazione, con esempi tratti da vari contesti applicativi, e metodi per la modellizzazione di fenomeni multivariati.

Abilità: Lo studente acquisirà competenze specifiche che lo porranno in grado di affrontare e risolvere, in termini operativi, problemi di classificazione, supevisionata e no, e di modellizzazione di fenomeni attraverso metodi di regressione. Inoltre, lo studente apprenderà l'uso di software specifici.

Programma:

  • Introduzione al Data Mining

  • Preprocessing:

    Data Cleaning , data reduction, feature extraction and selection; discretization.

  • Generalità sulla classificazione supervisionata:

    Alberi di decisione; classificatori bayesiani; cenni ad altre metodologie.

  • Classificazione Bayesiana:

    Naive Bayes; tree augmented Naive Bayes; multi net classifier

  • Reti Bayesiane:

    Teoria; cenni a reti Bayesiane temporali

  • Cenni a algoritmi per reti Bayesiane:

    Algoritmo di Pearl; metodo di Lauritzen- Spiegelhalter.

  • Classificazione non supervisionata: metodi di Clustering:

    Metodi di aggregazione, metodi gerarchici.

    Metodi probabilistici.

  • Modelli regressivi multivariati: complementi:

    Analisi della varianza; analisi dei residui; analisi degli outliers

    Metodi risolutivi: OLS, WLS

    Test per lack of fit; collinearità.

  • Risorse di rete e Software:

    Siti rilevanti

    Componenti software

    Datasets e casi di studio

Vai al sito web del corso

 

Approfondimenti

Google Translate
Translate to English Translate to French Translate to German Translate to Spanish Translate to Chinese Translate to Portuguese Translate to Arabic
Translate to Albanian Translate to Bulgarian Translate to Croatian Translate to Czech Translate to Danish Translate to Dutch Translate to Finnish Translate to Greek Translate to Hindi
Translate to Hungarian Translate to Irish Translate to Japanese Translate to Korean Translate to Norwegian Translate to Polish Translate to Romanian Translate to Russian Translate to Serbian
Translate to Slovenian Translate to Swedish Translate to Thai Translate to Turkish

(C) Copyright 2016 - Dipartimento Informatica Sistemistica e Comunicazione - Viale Sarca, 336
20126 Milano - Edificio U14
redazioneweb@disco.unimib.it - ultimo aggiornamento di questa pagina 25/03/2011