Dipartimento di Giurisprudenza, Economia e Scienze Umane - Università Mediterranea di Reggio Calabria - Didattica

Questo sito utilizza cookie tecnici e di terze parti. Se vuoi saperne di più o negare il consenso consulta l'informativa sulla privacy. Proseguendo la navigazione o cliccando su "Chiudi" acconsenti all'uso dei cookie. Chiudi

Data analytics

Corso

Ingegneria Informatica e dei sistemi per le Telecomunicazioni

Curriculum

Curriculum unico

Orientamento

Reti ed applicazioni

Anno Accademico

2018/2019

Crediti

Settore Scientifico Disciplinare

ING-INF/05

Anno

Secondo anno

Unità temporale

Primo semestre

Ore aula

Attività formativa

Attività formative affini ed integrative

Canale unico

Docente

PASQUALE DE MEO

Obiettivi

OBIETTIVI FORMATIVI
Il corso di Data Analytics mira fornire gli strumenti per l’analisi avanzata di grandi moli di dati con tecniche basate sull’Intelligenza Artificiale ed, in particolare, sul Machine Learning. In particolare, il corso mira ad illustrare i principi e le tecniche alla base dell’analisi dei dati grezzi, condotta con l’obiettivo di trarre conclusioni per il consumo umano su tali informazioni, applicando processi di analisi automatizzati.

Conoscenze e capacità di comprensione:
Conoscenza dei concetti e delle nozioni fondamentali della Data Analytics e delle principali metodologie e tecniche di estrazione, manipolazione ed analisi dei dati basate sull’Intelligenza Artificiale.

Autonomia di giudizio:
Sviluppo di autonomia di giudizio e capacità di valutazione tra diverse metodologie e tecniche per l’estrazione e l’analisi dei dati.

Abilità comunicative:
Capacità di comunicare con adeguata competenza tecnica e con linguaggio appropriato, illustrando le motivazioni teoriche e tecniche che sono alla base delle scelte fondamentali di progettazione di un sistema di estrazione ed analisi dei dati.

Capacità di apprendimento:
Capacità di apprendimento di nuove tecnologie e strumenti che derivano dal costante avanzamento delle tecniche di Intelligenza Artificiale, con particolare focus sull’analisi dei dati.

MODALITA' DI ACCERTAMENTO E VALUTAZIONE
Gli esami di accertamento e di valutazione consistono in:
- un progetto di analisi dei dati con lo scopo di analizzare con una o più tecniche un dataset e che consiste nello scegliere un dataset dal web (si suggerisce di prelevarlo da kaggle), proporre un modello di machine learning e commentarlo, eventualmente confrontando tra loro diverse soluzioni,
- un esercizio di web scraping, opzionale, da realizzarsi con Selenium WebDriver o con qualsiasi altro strumento di scraping, che ha lo scopo di approfondire lo specifico problema di recuperare dati dal web,
- una prova orale, la cui durata media è di 40 minuti, volta a discutere il progetto e l’eventuale esercizio realizzato, verificandone la qualità del modello proposto, l'attinenza con il dataset scelto e la bontà dei commenti personali, sia sul modello che sull’eventuale esercizio di web scraping. Inoltre la prova orale mira ad accertare la comprensione degli argomenti teorici del corso. Si precisa che sia il progetto che l’eventuale esercizio di web scraping devono essere consegnati una settimana prima dell’appello, in modo da dare il tempo ai docenti di valutare attentamente l’elaborato.
Al termine della prova orale, allo studente viene attribuito un voto massimo 30/30.

Il voto finale sarà attribuito secondo il seguente criterio di valutazione:
30 e lode: conoscenza completa, approfondita e critica degli argomenti, eccellente proprietà di linguaggio, completa ed originale capacità interpretativa, piena capacità di applicare autonomamente le conoscenze per risolvere i problemi proposti;
28 - 30: conoscenza completa e approfondita degli argomenti, ottima proprietà di linguaggio, completa ed efficace capacità interpretativa, in grado di applicare autonomamente le conoscenze per risolvere i problemi proposti;
24 - 27: conoscenza degli argomenti con un buon grado di padronanza, buona proprietà di linguaggio, corretta e sicura capacità interpretativa, buona capacità di applicare in modo corretto la maggior parte delle conoscenze per risolvere i problemi proposti;
20 - 23: conoscenza adeguata degli argomenti ma limitata padronanza degli stessi, soddisfacente proprietà di linguaggio, corretta capacità interpretativa, più che sufficiente capacità di applicare autonomamente le conoscenze per risolvere i problemi proposti;
18 - 19: conoscenza di base degli argomenti principali, conoscenza di base del linguaggio tecnico, sufficiente capacità interpretativa, sufficiente capacità di applicare le conoscenze di base acquisite;
Insufficiente: non possiede una conoscenza accettabile degli argomenti trattati durante il corso.

Programma

Introduzione al Data Analytics e al Machine Learning 1. Il concetto di apprendimento supervisionato e non-supervisionato. 2. Il primo esempio di classificatore: k-Nearest neighbor II. Classificazione mediante modelli generativi 1. La distribuzione gaussiana univariata e multivariata 2. Approcci generativi per la classificazione III. Modelli di predizione lineare I 1. Regressione Lineare 2. Regularized Linear Regression: Ridge Regression 3. Regularized Linear Regression: Lasso Regression 4. Logistic Regression IV Modelli di Predizione Lineare II 1. Perceptron Algorithm 2. Elementi di ottimizzazione vincolata e non vincolata 3. Ottimizzazione di funzioni convesse e la teoria della dualità 4. Support Vector Machines: hard-Margin SVM 5. Support Vector Machines: Soft-Margin SVM 6. Estensione alla multiclass classification. V. Altri metodi di classificazione 1. Kernel methods e Kernel Trick 2. Kernel Perceptron 3. Kernel SVM 4. Classification and Regression Trees 5. Combinazione di weak classifiers: il Boosting 6. Random forests V. Metodi di Apprendimento non supervisionato 1. Clustering 2. Metodi di riduzione della dimensionalità: PCA e SVD VI. Introduzione al Deep learning 1. Autoencoders 2. Rappresentazioni distribuite 3. Feedforward neural nets

Testi docente

Trevor Hastie, Robert Tibshirani, and Jerome Friedman, The elements of statistical learning (2nd edition). Kevin Murphy, Machine learning: a probabilistic perspective

Erogazione tradizionale

Sì

Erogazione a distanza

Frequenza obbligatoria

Valutazione prova scritta

Valutazione prova orale

Sì

Valutazione test attitudinale

Valutazione progetto

Valutazione tirocinio

Valutazione in itinere

Prova pratica