• Edizioni di altri A.A.:
  • 2022/2023
  • 2022/2023
  • 2023/2024
  • 2023/2024
  • 2024/2025
  • 2024/2025

  • Lingua Insegnamento:
    ITALIANO 
  • Testi di riferimento:
    Materiale di studio fornito dal docente durante le lezioni. 
  • Obiettivi formativi:
    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 
  • Prerequisiti:
    La conoscenza dei contenuti dei corsi di Statistica e Data Analytics è fortemente consigliata. 
  • Metodi didattici:
    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'insegnamento prevede 36 ore di lezione.
    L’organizzazione del corso è realizzata in base “all’Ascolto”, un modello sperimentale per il miglioramento continuo della qualità della didattica universitaria. Il corso sarà organizzato in moduli le cui lezioni saranno incentrate prevalentemente sul ricorso ai seguenti metodi didattici: lezioni frontali, dimostrazioni di casi pratici, esercitazioni. 
  • Modalità di verifica dell'apprendimento:
    L'esame finale consta in una prova pratica al calcolatore con il software KNIME e di un colloquio orale.

    Sarà possibile concordare project work di carattere pratico, che approfondiscano gli argomenti trattati a lezione, da discutere in sede di colloquio orale. 
  • Sostenibilità:
    Gli strumenti software usati nel corso sono Open Source 

Il corso mira a fornire conoscenze e competenze pratiche di base e per implementare processi di analisi dei dati di marketing basati su tecniche di Machine Learning, attraverso l'uso di strumenti Open Source e gratuiti.
Il corso di compone di una parte teorica in cui vengono introdotti i concetti base relativi alla Data Science e agli algoritmi e metodi di Machine Learning (Regressione, Classificazione supervisionata e clustering) e di una pratica in cui i concetti verranno applicati attraverso la piattaforma open source KNIME, a casi di studio (es. segmentazione, buy/churn prediction, sentiment analysis).

Modulo 1: Data Science e Machine Learning
- Introduzione alla Data Science: Definizione, concetti di base.
- Le fasi di un progetto di Data Science e i modelli di gestione del processo
- Data Understanding: Sorgenti e tipi di dato
- Introduzione al Machine Learning: Definizioni e caratterizzazione dei principali problemi e metodi.
- Introduzione pratica alla piattaforma KNIME e primo workflow di analisi
Modulo 2: Data preparation/visualisation
- Data preparation: problematiche e soluzioni pratiche in KNIME, casi studio e esercitazioni pratiche
- Manipolazione, aggregazione e visualizzazione dei dati in KNIME, casi studio ed esercitazioni pratiche
Modulo 3: Modeling
Regressione lineare e logistica: richiami.
Workflow di regressione in KNIME: caso studio e esercitazione pratica.
Algoritmi di classificazione e metriche di valutazione.
Workflow di classificazione in KNIME: caso studio e esercitazione pratica.
Algoritmi di clustering: richiami
Workflow di segmentazione tramite clustering in KNIME: caso studio e esercitazione pratica.

Avvisi

Nessun avviso in evidenza

Documenti

Nessun documento in evidenza

Scopri cosa vuol dire essere dell'Ud'A

SEDE DI CHIETI
Via dei Vestini,31
Centralino 0871.3551

SEDE DI PESCARA
Viale Pindaro,42
Centralino 085.45371

email: info@unich.it
PEC: ateneo@pec.unich.it
Partita IVA 01335970693

icona Facebook   icona Twitter

icona Youtube   icona Instagram