CORSO DI LABORATORIO OTTIMIZZAZIONE COMBINATORIA. Informazioni e programma del corso Introduzione al data mining e machine learning
|
|
- Michele Savino
- 5 anni fa
- Visualizzazioni
Transcript
1 CORSO DI LABORATORIO OTTIMIZZAZIONE COMBINATORIA Data Mining Parte I Informazioni e programma del corso Introduzione al data mining e machine learning
2 INFORMAZIONI Il corso di laboratorio Ottimizzazione Combinatoria si propone di guidare gli studenti che abbiano seguito il corso di Ottimizzazione Combinatoria nella realizzazione e nella sperimentazione di un algoritmo di apprendimento automatico attraverso l uso della Programmazione Lineare Intera è rivolto principalmente agli studenti che intendano svolgere l attività di tesi sui temi trattati durante le lezioni i prevede da un minimo di 8 ad un massimo di 16 ore di lezioni, che si terranno nel periodo 20 ottobre 15 dicembre 2010 ogni mercoledì dalle 15:00 alle 16:30 in aula A5 richiede la conoscenza degli argomenti trattati nel corso di Ricerca Operativa edi Ottimizzazione Combinatoria Docente del corso Dott.ssa Silvia Canale Dipartimento di Informatica e Sistemistica A.Ruberti Via Ariosto 25, I piano, lato A, stanza 120 canale@dis.uniroma1.it
3 PROGRAMMA Introduzione al data mining e machine learning Apprendimento supervisionato Definizione del problema di apprendimento supervisionato Modelli di apprendimento supervisionato Support vector machine generalizzata (L 0, L 1 1, L -norm) Metodi di soluzione dei problemi di apprendimento supervisionato Metodo di Branch-and-Bound Euristiche per la determinazione di una soluzione intera
4 MATERIALE DIDATTICO Introduzione al data mining e machine learning Fayyad, U. M., Piatetsky-Shapiro, G., Smyth, P. and Uthurusamy, R. Advances in Knowledge Discovery and Data Mining. Menlo Park, Calif.: AAAI Press Fayyad, U. M., Piatetsky-Shapiro and G., Smyth, P. From Data Mining to Knowledge Discovery in Databases. AI Magazine 17(3): Fall 1996, ( /AIT i / /PDF/AIM i Han, J. and Kamber, M. Data Mining: Concepts and Techniques. Morgan Kaufmann Publishers, August ( ) Apprendimento supervisionato Mitchell, T. Machine Learning. McGraw Hill, Mangasarian, O. L. Support Vector Machine Classification via Parameterless Robust Linear Programming. Data Mining Institute Technical Report 03-01, March Optimization Methods and Software 20, 2005, (ftp://ftp.cs.wisc.edu/pub/dmi/tech-reports/03-01.pdf) Wolsey, Laurence A. Integer Programming. Wiley-Interscience Series in Discrete Mathematics and Optimization Slide delle lezioni
5 ALTRE RISORSE Sul sito web della pagina del corso di laboratorio saranno disponibili: Informazioni e avvisi relativi alle lezioni Materiale dd didattico Avvisi relativi all esame Disponibilità tesi Orario di ricevimento martedì dalle 15:00 alle 16:00 presso il Dipartimento di Informatica e Sistemistica
6 PERCHÈ DATA MINING Ogni giorno vengono generati e raccolti migliaia di terabyte di dati Wal-Mart gestisce più di di transazioni al giorno (Babcock 1994) Mobil Oil Corporation gestisce un database in grado di contenere oltre dati relativi all analisi del petrolio (Harrison 1993) Dati medici istudiati i ogni anno in USA U.S.A. occupano oltre 10 9 byte (Matheus 1997) Fattori principali sono aumento delle sorgenti di dati (sensori elettronici, dati dal satellite, ) sistemi automatici di raccolta (codici a barre, sistemi GPS, carte di credito, ) sistemi efficienti ed affidabili di memorizzazione (supporti magnetici, datawarehouse, ) I metodi tradizionali di analisi (fogli elettronici, query, ) non sono più efficaci: nasce l esigenza di sistemi automatici ed intelligenti per aiutare gli esperti nell analisi di grandi quantità di dati
7 Abbiamo molti dati ma poca informazione Soluzione ESTRAZIONE DI INFORMAZIONE estrazione di informazione interessante dai dati contenuti in grandi basi di dati (Knowledge Discovery in Databases KDD) Informazione insieme delle regolarità (pattern)presentipresenti implicitamente nei dati REGOLE ISTANZE Processo deduttivod Processo induttivo ISTANZE REGOLE INFORMAZIONE
8 Estrarre dai dati informazione interessante: FINALITÀ E OBIETTIVI nuova non è qualcosa di già noto o di conoscenza comune o attesa ipotesi a priori ida convalidare implicita presente nei dati analizzati, ma non immediatamente accessibile potenzialmente utile può essere utilizzata per prendere delle decisioni Per esser utile, l informazione estratta deve essere comprensibile agli esperti: la forma in cui la conoscenza è estratta deve essere interpretabile facilmente dagli esseri umani Obiettivi principali: descrizione l estrazione dell informazione è condotta allo scopo di descrivere in maniera intelligente e comprensibile i dati predizione l estrazione dell informazione è condotta allo scopo di generalizzare ped o e est a o ede o a o eèco dotta a oscopod ge e a a e l informazione per prevedere il valore incognito di una o più variabili di interesse
9 PROCESSO DI ESTRAZIONE DI INFORMAZIONE Valutazione pattern Informazione Selezione e trasformazione did dei dati Data Mining Pattern Pulizia i ed integrazione dei dati Datawarehouse Database
10 PROCESSO DI ESTRAZIONE DI INFORMAZIONE 1. Comprendere e i processi pocess di generazione e e ed utilizzo dei dati (dominio applicativo) 2. Pulire i dati disponibili 3. Integrare dati provenienti da diverse sorgenti Pulizia ed integrazione dei dati Database 4. Selezionare idati Selezione e 5. Trasformare idati trasformazione dei dati a) selezione delle caratteristiche (feature selection) b) estrazione delle caratteristiche (feature extraction) c) discretizzazione attributi numerici d) Datawarehousearehouse
11 PROCESSO DI ESTRAZIONE DI INFORMAZIONE 6. Data Mining Data Mining 1. Scelta del modello 2. Selezione del modello 3. Valutazione del modello Dati selezionati e trasformati 7. Valutazione dei risultati a) Analisi dei pattern determinati ed eliminazione dei pattern ridondanti b) Visualizzazione dei risultati (grafici, tabelle, ) 8. Utilizzo dell informazione estratta (supporto alle decisioni) Vl Valutazione pattern Pattern
12 Data Mining 1. Scelta del modello DATA MINING a) in base al tipo di problema apprendimento supervisionato (x,y) y = f(x) classificazione y N regressione y R apprendimento non supervisionato clustering b) in base alle caratteristiche i dl del problema Debiti Reddito 26 Dati Persone (n. istanze) 2 Attributi Reddito ammontare del reddito personale della persona Debiti ammontare dei debiti della persona (mutuo, rate della macchina, ) 2 Etichette debito con la banca pagato debito NON pagato
13 SCELTA DEL MODELLO Debiti Esempio di pattern IF (Reddito < t) THEN debito non pagato t Reddito Caratteristiche del pattern: validità il pattern trovato dovrebbe essere valido anche sui dati futuri con un certo grado di certezza livello di interesse nuova non è qualcosa di già noto o di conoscenza comune o attesa ipotesi a priori i da convalidare implicita presente nei dati analizzati, ma non immediatamente accessibile (come la media dei redditi, etc.) potenzialmente utile può essere utilizzata per prendere delle decisioni (concedere o meno un prestito ad un prossimo cliente, etc.) comprensibile da parte degli esperti
14 SCELTA DEL MODELLO Apprendimento supervisionato Classificazione y N con iperpiano separatore IF (w 1 Reddito +w 2 Debiti < b) ) THEN debito non pagato Debiti w 1 Reddito + w 2 Debiti = b Apprendimento supervisionato Classificazione y N con iperpiani paralleli ad assi coordinati Debiti Reddito Reddito = β IF (Reddito < β AND Debiti > α) THEN debito non pagato α β Debito = α Reddito
15 SCELTA DEL MODELLO Apprendimento supervisionato Regressione y R Debiti = p Reddito + q Debiti Debiti = p Reddito + q Debiti Reddito Apprendimento non supervisionato Clustering partizionale { V 1, V 2, V 3 } x x x Reddito
I vantaggi ottenibili nei campi applicativi attraverso l uso di tecniche di data mining
Dipartimento di Informatica e Sistemistica I vantaggi ottenibili nei campi applicativi attraverso l uso di tecniche di data mining Renato Bruni bruni@dis.uniroma1.it Antonio Sassano sassano@dis.uniroma1.it
DettagliIntroduzione alle tecniche di Data Mining. Prof. Giovanni Giuffrida
Introduzione alle tecniche di Data Mining Prof. Giovanni Giuffrida Programma Contenuti Introduzione al Data Mining Mining pattern frequenti, regole associative Alberi decisionali Clustering Esempio di
DettagliIntroduzione al Data Mining
Introduzione al Data Mining Sistemi informativi per le Decisioni Slide a cura di Prof. Claudio Sartori Evoluzione della tecnologia dell informazione (IT) (Han & Kamber, 2001) Percorso evolutivo iniziato
DettagliData mining: classificazione DataBase and Data Mining Group of Politecnico di Torino
DataBase and Data Mining Group of Database and data mining group, Database and data mining group, DataBase and Data Mining Group of DataBase and Data Mining Group of So dati insieme di classi oggetti etichettati
DettagliDocente. Sistemi Informativi. Programma. Programma. Ing. Fabrizio Riguzzi
Docente Sistemi Informativi Ing. Fabrizio Riguzzi Fabrizio Riguzzi http://www.ing.unife.it/docenti/fabrizioriguzzi Orario di ricevimento: mercoledì 15-17 studio docente, terzo piano, corridoio di destra,
DettagliData Mining e Analisi dei Dati
e Analisi dei Dati Rosaria Lombardo Dipartimento di Economia, Seconda Università di Napoli La scienza che estrae utili informazioni da grandi databases è conosciuta come E una disciplina nuova che interseca
DettagliData mining e rischi aziendali
Data mining e rischi aziendali Antonella Ferrari La piramide delle componenti di un ambiente di Bi Decision maker La decisione migliore Decisioni Ottimizzazione Scelta tra alternative Modelli di apprendimento
DettagliSistemi Informativi. Ing. Fabrizio Riguzzi
Sistemi Informativi Ing. Fabrizio Riguzzi Docente Fabrizio Riguzzi http://www.ing.unife.it/docenti/fabrizioriguzzi Orario di ricevimento: su appuntamento studio docente, terzo piano, corridoio di destra,
DettagliFeature Selection per la Classificazione
1 1 Dipartimento di Informatica e Sistemistica Sapienza Università di Roma Corso di Algoritmi di Classificazione e Reti Neurali 20/11/2009, Roma Outline Feature Selection per problemi di Classificazione
DettagliAnalisi Univariata e Multivariata dei Dati Economici Bruno Ricca (Dipartimento di studi su risorse, impresa, ambiente e metodologie quantitative)
Programma di studio AA 2008-2009 Analisi Univariata e Multivariata dei Dati Economici Bruno Ricca (Dipartimento di studi su risorse, impresa, ambiente e metodologie quantitative) Modulo unico 10 cfu corso
DettagliElementi di Informatica e Programmazione
Elementi di Informatica e Programmazione Introduzione Corsi di Laurea in: Ingegneria Civile Ingegneria per l Ambiente e il Territorio Università degli Studi di Brescia Docente: Daniela Fogli Informazioni
DettagliSistemi Informativi. Ing. Fabrizio Riguzzi
Sistemi Informativi Ing. Fabrizio Riguzzi Docente Fabrizio Riguzzi http://ds.ing.unife.it/~friguzzi Orario di ricevimento: su appuntamento studio docente, terzo piano, corridoio di destra, studio n. 339
DettagliUniversità degli studi di Milano Bicocca Facoltà di Scienze Matematiche, Fisiche e Naturali Corso di Laurea Magistrale in INFORMATICA
Università degli studi di Milano Bicocca Facoltà di Scienze Matematiche, Fisiche e Naturali Corso di Laurea Magistrale in INFORMATICA Offerta formativa Il (classe LM-18) ha, di norma, durata di due anni.
DettagliPDF created with pdffactory trial version www.pdffactory.com. Il processo di KDD
Il processo di KDD Introduzione Crescita notevole degli strumenti e delle tecniche per generare e raccogliere dati (introduzione codici a barre, transazioni economiche tramite carta di credito, dati da
DettagliBASI DI DATI. basi di dati - introduzione ai sistemi informativi 1
BASI DI DATI basi di dati - introduzione ai sistemi informativi 1 Sistema Informativo Insieme degli strumenti, risorse e procedure che consentono la gestione delle informazioni aziendali e' essenziale
DettagliLezione 8. Data Mining
Lezione 8 Data Mining Che cos'è il data mining? Data mining (knowledge discovery from data) Estrazione di pattern interessanti (non banali, impliciti, prima sconosciuti e potenzialmente utili) da enormi
DettagliSistemi Intelligenti. Riassunto
Sistemi Intelligenti Learning and Clustering Alberto Borghese and Iuri Frosio Università degli Studi di Milano Laboratorio di Sistemi Intelligenti Applicati (AIS-Lab) Dipartimento t di Scienze dell Informazione
DettagliIntroduzione al Data Mining Parte 1
Introduzione al Data Mining Parte 1 Corso di Laurea Specialistica in Ingegneria Informatica II Facoltà di Ingegneria, sede di Cesena (a.a. 2009/2010) Prof. Gianluca Moro Dipartimento di Elettronica, Informatica
DettagliCIM Computer Integrated Manufacturing
INDICE CIM IN CONFIGURAZIONE BASE CIM IN CONFIGURAZIONE AVANZATA CIM IN CONFIGURAZIONE COMPLETA DL CIM A DL CIM B DL CIM C DL CIM C DL CIM A DL CIM B Il Computer Integrated Manufacturing (CIM) è un metodo
DettagliSECONDO BIENNIO ISTITUTO TECNICO ELETTRONICA ED ELETTROTECNICA
SETTORE TECNOLOGICO ISTITUTO TECNICO INDIRIZZO ELETTRONICA ED ELETTROTECNICA ARTICOLAZIONE ELETTRONICA ESITI DI APPRENDIMENTO (competenze, abilità, conoscenze) Regolamento, Art.5, comma 1 Nota: Le Competenze,
DettagliPIANO DI LAVORO ANNUALE DELLA DISCIPLINA. Classe 3 ATI A.S. 2015/2016
Istituto di Istruzione Secondaria Superiore Ettore Majorana 24068 SERIATE (BG) Via Partigiani 1 Tel 035 297612 Fax 035301672 Cod. Mecc. BGISO1700A Cod.Fisc. 95028420164 Md CDC 49_1 - Piano di Lavoro Annuale
DettagliMODULO BASE SOFTWARE PER COMMERCIALISTI E AZIENDE MACCHINE E ARREDAMENTI PER UFFICIO ASSISTENZA TECNICA E SISTEMISTICA
MODULO BASE Comprende le anagrafiche clienti e fornitori, la gestione listini prezzi (in presenza del Modulo Magazzino) ed i vari programmi di gestione generale. Il programma gestisce diversi tipi di listino:
DettagliSISTEMI INFORMATIVI AZIENDALI. introduzione ai sistemi informativi 1
SISTEMI INFORMATIVI AZIENDALI introduzione ai sistemi informativi 1 Sistema Informativo Insieme degli strumenti, risorse e procedure che consentono la gestione delle informazioni aziendali e' essenziale
DettagliManuale Utente per la Gestione dei Revisori degli Enti Locali
Manuale Utente per la Gestione dei Revisori degli Enti Locali INDICE DEI CONTENUTI 1 PRESENTAZIONE DEL DOCUMENTO 3 1.1 INTRODUZIONE NORMATIVA 3 1.2 DEFINIZIONE DEI TERMINI/GLOSSARIO 4 2 MODALITÀ DI ACCESSO
DettagliWith financial support of the Preven4on of and Fight against Crime Programme European Commission - Directorate- General Home Affairs
WEB PRO ID - Developing web- based data collec4on modules to understand, prevent and combat ID related crimes and facilitate their inves4ga4on and prosecu4on With financial support of the Preven4on of
DettagliCorso di Web Mining e Retrieval
Corso di Web Mining e Retrieval (a.a. 2011-2012) Roberto Basili 1 Obbiettivi del Corso Introduzione alle nozioni di base per l accesso alle informazione distribuita Componente Fondazionale: Problemi di
DettagliProgetto ASTREA WP2: Sistema informativo per il monitoraggio del sistema giudiziario
Progetto ASTREA WP2: Sistema informativo per il monitoraggio del sistema giudiziario Nell ambito di questa attività è in fase di realizzazione un applicativo che metterà a disposizione dei policy makers,
DettagliData Mining: Applicazioni
Sistemi Informativi Universitá degli Studi di Milano Facoltá di Scienze Matematiche, Fisiche e Naturali Dipartimento di Tecnologie dell Informazione 1 Giugno 2007 Data Mining Perché il Data Mining Il Data
DettagliPIANO DI LAVORO INDIVIDUALE
Ministero dell Istruzione, dell Università e della Ricerca ISTITUTO COMPRENSIVO STATALE R. MORZENTI Via Bracchi -26866 Sant' Angelo Lodigiano Tel. e Fax: 0371/90591 C.F. 92559840159- C.M. LOIC81600L Postacert:
DettagliLiceo Scientifico " C. CATTANEO " PIANO DI LAVORO DI INFORMATICA. CLASSE 3 LSA SEZ. B e D
Liceo Scientifico " C. CATTANEO " PIANO DI LAVORO DI INFORMATICA CLASSE 3 LSA SEZ. B e D Sommario PIANO DI LAVORO DI INFORMATICA... 1 INDICAZIONI GENERALI... 2 PREREQUISITI... 2 CONOSCENZE, COMPETENZE
DettagliDematerializzare i documenti? Prima occorre dematerializzare (bene e a norma) il processo
Giovanni Michele Bianco Marco Trainotti Università di Verona Direzione Organizzazione del Sistema Informativo Dematerializzare i documenti? Prima occorre dematerializzare (bene e a norma) il processo Nessuno
DettagliMATEMATICA e COMPLEMENTI di MATEMATICA
ALLEGATO N.8_b MATEMATICA e COMPLEMENTI di MATEMATICA DESTINATARI gli studenti delle classi: terze e quarte nuovo ordinamento RISULTATI DI APPRENDIMENTO DELL OBBLIGO D ISTRUZIONE, CHIAVE EUROPEA Padroneggiare
DettagliLiceo Marie Curie (Meda) Scientifico Classico Linguistico PROGRAMMAZIONE DISCIPLINARE PER COMPETENZE
Liceo Marie Curie (Meda) Scientifico Classico Linguistico PROGRAMMAZIONE DISCIPLINARE PER COMPETENZE a.s. 2015/16 CLASSE 2^ ASA Indirizzo di studio Liceo scientifico Scienze Applicate Docente Disciplina
DettagliIntelligenza Computazionale
Intelligenza Computazionale A.A. 2009/10 Docente: Francesco Masulli masulli@disi.unige.it L'Intelligenza Computazionale (o Soft Computing o Natural Computing): insieme di metodologie di elaborazione dell'informazione
DettagliCORSO DI WEB MINING E RETRIEVAL - INTRODUZIONE AL CORSO -
1 CORSO DI WEB MINING E RETRIEVAL - INTRODUZIONE AL CORSO - Corsi di Laurea in Informatica, Ing. Informatica, Ing. di Internet (a.a. 2015-2016) Roberto Basili 2 Overview WM&R: Motivazioni e prospettive
DettagliIntroduzione al corso di Programmazione e Laboratorio
Introduzione al corso di Programmazione e Laboratorio A.A. 2008/09 Gianluigi Cibinetto Io Pagina web http://df.unife.it/u/cibinett http://www.fe.infn.it/~cibinett Ufficio Blocco C - stanza 228 al secondo
DettagliAnalisi dei requisiti e casi d uso
Analisi dei requisiti e casi d uso Indice 1 Introduzione 2 1.1 Terminologia........................... 2 2 Modello del sistema 4 2.1 Requisiti hardware........................ 4 2.2 Requisiti software.........................
DettagliMACHINE LEARNING e DATA MINING Introduzione. a.a.2015/16 Jessica Rosati jessica.rosati@poliba.it
MACHINE LEARNING e DATA MINING Introduzione a.a.2015/16 Jessica Rosati jessica.rosati@poliba.it Apprendimento Automatico(i) Branca dell AI che si occupa di realizzare dispositivi artificiali capaci di
DettagliCORSO DI WEB MINING E RETRIEVAL - INTRODUZIONE AL CORSO -
1 CORSO DI WEB MINING E RETRIEVAL - INTRODUZIONE AL CORSO - Corsi di Laurea in Informatica, Ing. Informatica, Ing. di Internet (a.a. 2013-2014) Roberto Basili 2 Overview WM&R: Motivazioni e prospettive
DettagliPROGRAMMA DI SCIENZE E TECNOLOGIE APPLICATE 2015/2016 Classe 2ª Sez. C Tecnologico
ISTITUTO TECNICO STATALE MARCHI FORTI Viale Guglielmo Marconi n 16-51017 PESCIA (PT) - ITALIA PROGRAMMA DI SCIENZE E TECNOLOGIE APPLICATE 2015/2016 Classe 2ª Sez. C Tecnologico Docente PARROTTA GIOVANNI
DettagliSISTEMI INFORMATIVI AZIENDALI
SISTEMI INFORMATIVI AZIENDALI Prof. Andrea Borghesan venus.unive.it/borg borg@unive.it Ricevimento: Alla fine di ogni lezione Modalità esame: scritto 1 Data Mining. Introduzione La crescente popolarità
DettagliANVU SEZIONE REGIONALE DEL LAZIO
SEZIONE REGIONALE DEL LAZIO Sede: Via A. Costa, n 21 00177 Roma Sede Operativa: Via San Teodoro, 70 00186 Roma tel./fax 06.21801259 E-mail: info@anvuroma.it L OPPORTRUNITA CHE CERCAVI. NON PERDERE ALTRO
DettagliPROVINCIA DI LIVORNO Osservatorio trasporti PROGETTO SIRSS
PROVINCIA DI LIVORNO Osservatorio trasporti PROGETTO SIRSS Analisi multivariata degli incidenti su tutte le strade della Provincia di Livorno nell anno 2008, sulla base dei dati pervenuti al 16/11/2009.
DettagliCUSTOMER RELATIONSHIP MANAGEMENT:
LA BICOCCA PER LE IMPRESE CUSTOMER RELATIONSHIP MANAGEMENT: MODELLI E TECNOLOGIE PROGETTO WISPER: ESEMPIO DI CUSTOMER SATISFACTION VITTORIO VIGANO CONSORZIO MILANO RICERCHE MERCOLEDI 22 GIUGNO 2005 Università
DettagliMASTER di I Livello. Il Tutor on line. 3ª Edizione 1575 ore 63 CFU Anno accademico 2015/2016 MA415
MASTER di I Livello Il Tutor on line 3ª Edizione 1575 ore 63 CFU Anno accademico 2015/2016 MA415 Pagina 1/6 Titolo Il Tutor on line Edizione 3ª Edizione Area SCUOLA Categoria MASTER Livello I Livello Anno
DettagliGenerazione di Numeri Casuali- Parte 2
Esercitazione con generatori di numeri casuali Seconda parte Sommario Trasformazioni di Variabili Aleatorie Trasformazione non lineare: numeri casuali di tipo Lognormale Trasformazioni affini Numeri casuali
Dettagliorario ricevimento via e-mail: orario ufficio risposta entro 3 giorni
FACOLTA : INGEGNERIA CORSO DI LAUREA: INFORMATICA INSEGNAMENTO: CONTROLLI DIGITALI Modulo 1 NOME DOCENTE: Prof. Giovanni Fedecostante indirizzo e-mail: giovanni.fedecostante@uniecampus.it orario ricevimento
DettagliSistema Informativo per Associazioni Agricole
Sistema Informativo per Associazioni Agricole Progetto realizzato da in collaborazione con COLLOCAZIONE STRATEGICA Sviluppare nuovi modelli di business Ottimizzare il modello di business attuale Ridurre
DettagliSistema azienda. Sistema azienda (o sistema della organizzazione) uno o più obiettivi, o fini istituzionali
Sistema azienda Sistema azienda (o sistema della organizzazione) uno o più obiettivi, o fini istituzionali una struttura, cioè un insieme di parti, sottoinsiemi, risorse i processi, cioè le attività che
DettagliKnowledge Discovery e Data Mining
Sommario Knowledge Discovery e Mining Introduzione Motivazioni ed applicazioni ll processo di KDD Fasi e caratteristiche Le tecniche di DM Classificazione e regressione Scoperta di regole associative Clustering
Dettagli-PROGRAMMA DEL CORSO- Metodologia in Aula
-PROGRAMMA DEL CORSO- Metodologia in Aula CORSO R.S.P.P. MODULO B4 -INDUSTRIA D.Lgs. 9 aprile 2008, n. 81 art. 32 coordinato al D. Lgs. 3 agosto 2009, n. 106 ed Accordo Stato-Regione del 26 gennaio 2006
DettagliSupervisione di una linea di imbottigliamento. 1/5 www.ni.com
Supervisione di una linea di imbottigliamento "La carta vincente è l utilizzo dell ambiente LabVIEW che consente la salvaguardia dell investimento grazie alla possibilità di integrare in futuro altri sistemi
Dettaglie-learning Nuovi strumenti per insegnare, apprendere, comunicare online
e-learning Nuovi strumenti per insegnare, apprendere, comunicare online Silvia Selvaggi Gennaro Sicignano Enrico Vollono e-learning Nuovi strumenti per insegnare, apprendere, comunicare online 13 Silvia
DettagliMarketing relazionale
Marketing relazionale Introduzione Nel marketing intelligence assume particolare rilievo l applicazione di modelli predittivi rivolte a personalizzare e rafforzare il legame tra azienda e clienti. Un azienda
DettagliProf. Pagani Corrado HTML
Prof. Pagani Corrado HTML IPERTESTI E MULTIMEDIALITÀ Un ipertesto è un insieme di documenti messi in relazione tra loro per mezzo di parole chiave sensibili (link). Può essere visto come una rete; i documenti
DettagliAnalisi e Gestione dei Dati
Analisi e Gestione dei Dati Prof. Alfredo Pulvirenti Prof. Alfredo Ferro: ferro@dmi.unict.it Ufficio 40 Blocco III Tel. 095 7383071 Prof. Alfredo Pulvirenti: apulvirenti@dmi.unict.it Ufficio 35 Blocco
DettagliData warehouse Introduzione
Database and data mining group, Data warehouse Introduzione INTRODUZIONE - 1 Pag. 1 Database and data mining group, Supporto alle decisioni aziendali La maggior parte delle aziende dispone di enormi basi
DettagliEuroware/Domino. Il prodotto
Euroware/Domino Il prodotto Euroware e uno strumento software sviluppato da TXT il cui obiettivo e sfruttare le potenzialita offerte da WWW, estendendole nella direzione di supportare, attraverso una architettura
DettagliLaboratorio di Progettazione di Sistemi Software Progetto: modellazione di un dominio e sue attività
Laboratorio di Progettazione di Sistemi Software Progetto: modellazione di un dominio e sue attività Valentina Presutti (A-L) Riccardo Solmi (M-Z) Definizione del problema Modello di un dominio Si vuole
DettagliRegole di Associazione
Metodologie per Sistemi Intelligenti Regole di Associazione Prof. Pier Luca Lanzi Laurea in Ingegneria Informatica Politecnico di Milano Polo regionale di Como Esempio Esempio Regole di Associazione Scopo
DettagliDisturbi dell Apprendimento
Master in Disturbi dell Apprendimento in collaborazione con IPS nelle sedi di MILANO ROMA PADOVA BOLOGNA BARI CAGLIARI PALERMO CATANIA RAGUSA Questo modulo d iscrizione, unitamente alla fotocopia della
DettagliUNIVERSITÀ DEGLI STUDI DI MILANO-BICOCCA. Facoltà di Scienze matematiche fisiche e naturali. LAUREA IN Matematica
UNIVERSITÀ DEGLI STUDI DI MILANO-BICOCCA Facoltà di Scienze matematiche fisiche e naturali LAUREA IN Matematica REGOLAMENTO DIDATTICO - ANNO ACCADEMICO 2007-2008 DESCRIZIONE Il Corso di Laurea di primo
DettagliIntroduzione al Data Mining Parte 1
Introduzione al Data Mining Parte 1 Corso di Laurea Specialistica in Ingegneria Informatica II Facoltà di Ingegneria, sede di Cesena (a.a. 2010/2011) Prof. Gianluca Moro Dipartimento di Elettronica, Informatica
DettagliPer formalizzare il concetto sono necessarie alcune nozioni relative ai poliedri e alla loro descrizione.
3.7.4 Disuguaglianze valide forti Cerchiamo disuguaglianze valide forti, ovvero disuguaglianze valide che forniscano migliori formulazioni (più stringenti). Per formalizzare il concetto sono necessarie
DettagliUna miniera di dati sul comportamento degli utenti del Web
Una miniera di dati sul comportamento degli utenti del Web Organizzare le informazioni sull'utilizzo della rete in PostgreSQL utilizzando ht://miner, un sistema open-source di data mining e data warehousing
DettagliAttenzione! il valore della Rimodulazione è superiore alla cifra di Negoziazione
Riepilogo Dipartimento ICT Dipartimento ICT nel 2005 diretta nel terzi fondi diretta Reti in Tecnologia Wireless 434.890 79.788 712.457 94.953 578.280 351.500 94.000 Internet di prossima generazione 639.484
DettagliCorso di Laurea in Informatica Umanistica Tesi di Elisa Palumbo
Corso di Laurea in Informatica Umanistica Tesi di Elisa Palumbo I punti della mia tesi: Introduzione all e-learning Descrizione del LMS Moodle Descrizione del progetto Sloodle su Second Life Conclusioni
DettagliProgetto. Sito internet per la valorizzazione dei progetti di educazione ambientale
Progetto Sito internet per la valorizzazione dei progetti di educazione ambientale IL PIANO D AZIONE Promuovere il miglioramento dei processi educativi per favorire la crescita delle persone nella comunità
DettagliArcadia Informatica Srl info@arcamedia.it Tel: +39 035.203.255 Fax: +39 035.201.255 Via delle Betulle 41, 24048 Treviolo (BERGAMO)
info@arcamedia.it Tel: +39 035.203.255 Fax: +39 035.201.255 Via delle Betulle 41, 24048 Treviolo (BERGAMO) Chi siamo Arcadia Informatica nasce nel 1998 come società di servizi nell'ambito informatico ed
DettagliMateriale didattico. Sommario
Diploma Universitario in Ingegneria Informatica Corso di Ingegneria del Software Docente: ing. Anna Rita Fasolino Dipartimento di Informatica e Sistemistica Università degli Studi di Napoli Federico II
DettagliAttività e insegnamenti dell indirizzo Produzioni industriali e artigianali articolazione Artigianato opzione Produzioni tessili sartoriali
Attivitàeinsegnamentidell indirizzoproduzioniindustrialieartigianali articolazioneartigianatoopzioneproduzionitessilisartoriali Disciplina: LABORATORI TECNOLOGICI ED ESERCITAZIONI TESSILI - ABBIGLIAMENTO
DettagliSi riporta in allegato alla presente mail quanto disposto dal Miur in tema di sicurezza e salute nei luoghi
Circolare n 237 MONTECCHIO MAGGIORE, 24 febbraio 2016 Ai Consigli di Classe coinvolti nell ASL A tutto il personale Oggetto: Salute e sicurezza degli studenti in alternanza scuola lavoro Si riporta in
DettagliFORM069 - La gestione condominiale tra aspetti giuridici e contabilità (III edizione)
CORSO DI FORMAZIONE FORM069 - La gestione condominiale tra aspetti giuridici e contabilità (III edizione) 1000 ore - 40 CFU Anno Accademico 2013/2014 FORM069 www.unipegaso.it Titolo FORM069 - La gestione
DettagliAE RZT QSO RKPT SQZC
Laboratorio di Informatica Lezione 1: Introduzione al corso Prof. Riccardo Cassinis Dott. Marzia Tassi Siete seduti nel posto giusto? AE RZT QSO RKPT SQZC PRFGE BERTSZ KDTVSU ZQRPDE 2 1 Prima di cominciare,
DettagliBASI DATI INFORMATICA
BASI DATI INFORMATICA 1 Sistema Informativo Un sistema informativo (SI) è un componente di una organizzazione il cui obiettivo è gestire le informazioni utili per gli scopi dell organizzazione stessa GESTIRE
DettagliInformatica per la Comunicazione/ Verdicchio/ 24/09/2014/ Domande / Matricola Cognome Nome
Informatica per la Comunicazione/ Verdicchio/ 24/09/2014/ Domande / Matricola Cognome Nome 1) In che senso i brani di Bach by Design sono originali? a) Hanno uno stile musicale nuovo b) Hanno una sequenza
DettagliData mining. Data Mining. processo di Data Mining estrarre automaticamente informazioneda un insieme di dati
Data mining Il consente l informazione processo di Data Mining estrarre automaticamente informazioneda un insieme di dati telefoniche, ènascostaa a causa di fra quantitàdi loro, complessità: non... ci
DettagliLaboratorio di Sistemi e Automazione (A020-C320) esperienza competenze Competenze trasversali
DISCIPLINA: Sistemi e Automazione (A020-C320) QUADRO ORARIO Articolazione Meccanica e Meccatronica Secondo Biennio terzo anno: 4 (2) quarto anno: 3 (2) Quinto anno: 3 (2) Articolazione Energia Secondo
DettagliData mining su dati finanziari
Università degli Studi di Milano Corso di laurea Magistrale in Informatica Progetto di Gestione dell Informazione Data mining su dati finanziari DOCENTE Andrea G.B. Tettamanzi PROGETTO DI Guido Lena Cota
DettagliCorso di Sistemi Informativi Geografici. Presentazione del corso Maria Luisa Damiani A.A. 2013-14
Corso di Sistemi Informativi Geografici Presentazione del corso Maria Luisa Damiani A.A. 2013-14 Sommario Contenuti Modalita' d'esame Sito e calendario Obiettivi e contenuto del corso Introduzione ai modelli
DettagliKnowledge Discovery e Data Mining
Knowledge Discovery e Data Mining interessi di ricerca, risultati e progetti Salvatore Orlando Alessandra Raffaetà Data Mining Motivazioni: Evoluzione delle tecnologie per la raccolta e la memorizzazione
DettagliWhite Paper: Data Loss Prevention
L'apprendimento automatico stabilisce un nuovo standard per la prevenzione della perdita di dati: descrizione, impronta, apprendimento White Paper: Data Loss Prevention L'apprendimento automatico stabilisce
DettagliData Mining a.a. 2010-2011
Data Mining a.a. 2010-2011 Docente: mario.guarracino@cnr.it tel. 081 6139519 http://www.na.icar.cnr.it/~mariog Informazioni logistiche Orario delle lezioni A partire dall 19.10.2010, Martedì h: 09.50 16.00
DettagliElaborato di Fondamenti di Informatica 2007/08. Claudio Guidi cguidi@cs.unibo.it
Elaborato di Fondamenti di Informatica 2007/08 Claudio Guidi cguidi@cs.unibo.it Perché e quando. Consente di comprendere come i risultati teorici della teoria dei linguaggi formali possano avere un impatto
DettagliTecniche avanzate di Content Analytics applicate ad attività di intelligence
Tecniche avanzate di Content Analytics applicate ad attività di intelligence Dario Saracino dario.saracino@exprivia.it CCKM - Centro di Competenze sul KM Il gruppo Exprivia Exprivia SpA è una società specializzata
DettagliServizi Sociali. La gestione delle determine e degli atti di liquidazione;
Servizi Sociali Servizi Sociali 3 LA PROCEDURA CONSENTE: L inserimento delle domande inoltrate dai cittadini, l analisi da parte degli assistenti sociali (relazione sociale) e la gestione degli interventi
DettagliPSICOMETRIA. Esercitazione n.1. C.d.L. Comunicazione e Psicologia a.a. 2012/13
PSICOMETRIA Esercitazione n.1 C.d.L. Comunicazione e Psicologia a.a. 2012/13 ESERCITAZIONE 1: INDICE 1. Informazioni di carattere generale sulle esercitazioni 2. Il foglio di calcolo (Excel) 3. Avviare
DettagliSEWASIE. Bologna, 26 Aprile, 2005. Domenico Beneventano Sonia Bergamaschi DBGroup (www.dbgroup@unimo.it) Università di Modena e Reggio Emilia
Bologna, 26 Aprile, 2005 IST-2001-34825 SEWASIE Un motore di ricerca basato sulla semantica Domenico Beneventano Sonia Bergamaschi DBGroup (www.dbgroup@unimo.it) Università di Modena e Reggio Emilia Il
DettagliDATA MINING E DATA WAREHOUSE
Reti e sistemi informativi DATA MINING E DATA WAREHOUSE Marco Gottardo FONTI Wikipedia Cineca Università di Udine, Dipartimento di fisica, il data mining scientifico thepcweb.com DATA MINING 1/2 Il Data
DettagliFORM097 - O.S.S. Integrazione (Operatore Socio Sanitario integrazione da O.S.A.)
CORSO DI FORMAZIONE I EDIZIONE FORM097 - O.S.S. Integrazione (Operatore Socio Sanitario integrazione da O.S.A.) 400 ore Anno Accademico 2014/2015 FORM097 www.unipegaso.it Titolo FORM097 - O.S.S. Integrazione
DettagliPartner del progetto
Partner del progetto Cluster Analysis È qualsiasi tecnica usata per raggruppare un insieme di oggetti in modo che oggetti nello stesso gruppo (cluster) siano più simili tra loro che ad altri oggetti appartententi
DettagliBig Data Analysis Per rendere scalabile il mercato dell Efficienza Energetica
Big Data Analysis Per rendere scalabile il mercato dell Efficienza Energetica Carlo Corallo, AD Elettrogreen Power ELETTROGREEN POWER Crescita fatturato, in milioni di euro 360 260 160 80 4 2010 Avvio
DettagliManuale di utilizzo dell applicativo web SIT PRG
Manuale di utilizzo dell applicativo web SIT PRG L applicativo web SIT PRG permette di interrogare e visualizzare i dati del PRG. E possibile posizionarsi esattamente sul territorio se si conosce l indirizzo
DettagliMarketing - Corso progredito Marketing Research & Consumer Behavior. Gaetano Nino Miceli Maria Antonietta Raimondo
- Corso progredito Research & Consumer Behavior Gaetano Nino Miceli Maria Antonietta Raimondo - Corso progredito 1 IL CORSO Il corso di Progredito ha l obiettivo di trasferire conoscenze specialistiche
DettagliNUCLEI FONDANTI COMPETENZE CONTENUTI ABILITA METODOLOGIE E STRUMENTI METODO SCIENTIFICO VEDERE
NUCLEI FONDANTI COMPETENZE CONTENUTI ABILITA METODOLOGIE E STRUMENTI METODO SCIENTIFICO VEDERE OSSERVARE COMPARARE CLASSIFICARE FORMULARE E VERIFICARE IPOTESI UTILIZZANDO SEMPLICI SCHEMATIZZAZIONI Relazione
DettagliBusiness Intelligence: Data warehouse & Data mining
Business Intelligence Business Intelligence: Data warehouse & Data mining Termine generico per indicare: un insieme di processi per raccogliere ed analizzare informazioni strategiche la tecnologia utilizzata
DettagliProgetti di Tutorato Didattico per il Dipartimento di Ingegneria A.A. 2015/2016
Progetti di Tutorato Didattico per il Dipartimento di A.A. 2015/2016 Nr Titolo Responsabile CDS Nr tutori Nr ore Ore totali Competenze richieste progetto 1 Formazione di base per il riconoscimento rocce
DettagliInternal rating e gestione efficiente del credito:
Internal rating e gestione efficiente del credito: l integrazione dei sistemi Urbino, 15/16 ottobre 2010 Convegno Assbank-ACRI BASILEA 3 e il risk management nelle banche regionali Anselmo Marmonti, Business
DettagliData Mining. KDD e Data Mining - Introduzione (1)
1 Data Mining Corso di Metodi e Modelli per il Supporto alle Decisioni a.a. 2002-03 2 KDD e Data Mining - Introduzione (1) Crescita notevole degli strumenti e delle tecniche per generare e raccogliere
DettagliText Mining nella PA
Text Mining nella PA Elena Fabbris SAS / Data Mining & CRM Solutions (in collaborazione con Settore Dati in Rete CSI Piemonte) Data Mining & Text Mining Data Mining Text Mining Oggetto d analisi Struttura
Dettagli