ITALIANO 

Materiale di studio fornito dal docente durante le lezioni. 

Obiettivi formativi specifici del corso sono i seguenti:
Distingue le caratteristiche e le diverse fasi dei principali modelli di gestione dei progetti di Data Science e le loro fasi.
Distingue le diverse tipologie di dati in relazione alle grandezze da rappresentare e le operazioni supportate
Compone workflow di base in KNIME, selezionando e interconnettendo opportunamente i nodi.
Distingue le principali operazioni di data preparation e le relative finalità.
Compone workflow di preparazione dei dati in KNIME usando gli opportuni nodi per manipolare e processare i dati
Distingue le caratteristiche e finalità delle diverse tipologie di problemi (task) di apprendimento automatico (Machine Learning) supervisionato e non supervisionato.
Distingue le problematiche e le fasi del processo di valutazione di un sistema di apprendimento automatico.
Implementa workflow KNIME per compiere analisi di regressione multipla e valutazione dei risultati
Distingue le caratteristiche dei principali approcci di apprendimento automatico applicati a problemi di Classificazione.
Definisce le principali metriche per la valutazione di un sistema di classificazione.
Implementa workflow di classificazione in KNIME
Distingue le caratteristiche dei principali approcci di apprendimento automatico applicati a problemi di Clustering.
Definisce le principali metriche per la valutazione di una analisi di raggruppamento.
Implementa workflow di clustering in KNIME 

La conoscenza dei contenuti dei corsi di Statistica e Data Analytics è fortemente consigliata. 

Il corso alterna lezioni frontali teoriche ed esercitazioni in classe in cui gli studenti potranno applicare i metodi studiati in pratica attraverso lo strumento adottato (KNIME). 

L'esame finale consta in una prova pratica al calcolatore con il software KNIME e di un colloquio orale. 

Gli strumenti software usati nel corso sono, quando possibile, Open Source