Data Mining. Data Mining. Introduzione al Data Mining. Introduzione al Data Mining. Introduzione al Data Mining. Introduzione al Data Mining
|
|
- Lucio Salvatore
- 5 anni fa
- Visualizzazioni
Transcript
1 Introduzione al Data Mining Data Mining Il Data Mining è la risosta tecnologica all esigenza di saer analizzare e ricavare conoscenze utili, dalle enormi quantità di dati grezzi che si raccolgono ormai in tutti i contesti oerativi della nostra società. Introduzione al Data Mining Esemi: Solo il database del settore consegne della UPS ha una dimensione di 17 Tera-Byte. Questi dati vanno analizzati sia er caire come migliorare il servizio ai clienti, sia er migliorare l efficienza interna dell azienda I servizi segreti militari raccolgono una infinità di immagini via satellite, che devono saer classificare er riconoscere se è stato fotografato un semlice trattore o un carro armato! Le aziende farmaceutiche, er rogettare un nuovo farmaco, utile e sicuro er l uomo, devono analizzare e selezionare milioni di comosti chimici (candidati a divenire farmaco) Introduzione al Data Mining La risosta all esigenza di analisi di queste enormi quantità di dati raccolti è raresentata dal Data Mining. Il data mining è il rocesso di analisi, svolto in modo semiautomatico, di una grande quantità di dati grezzi al fine di scorire il modello ( attern ) che li governa, o una regola significativa, da cui ricavare conoscenze utili alicabili al nostro contesto oerativo (come ad esemio revisioni e classificazioni). Introduzione al Data Mining Nota: si usa distinguere il concetto di modello (attern) da quello di regola, erché er modello si intende uno strumento che oltre a fornire l outut richiesto descriva anche con quale logica il sistema reale raggiunge quel outut. Mentre er regola si intende un rocedimento che ad un dato inut ermetta di associare il corrisondente outut senza necessariamente conoscere il funzionamento intrinseco del sistema reale (questo è il caso delle reti neurali, una tecnica che vedremo di data mining). Data Mining Estrazione di dati Processo di eslorazione e analisi di dati (automatico e semiautomatico) di un amia mole di dati, al fine di scorire modelli (PATTERN) e regole 6 1
2 Data Mining: motivazioni Trovare informazioni nascoste, ersone avrebbero bisogno di mesi er scorirle, maggior arte dei dati non sono analizzati Tecniche tradizionali non sono alicabili su dati grezzi (non elaborati) Data Mining: definizioni Estrazione di conoscenza non nota (attern ricorrenti) da grandi basi di dati n Pattern mining n Knowledge discovery in data base (KDD) n Knowledge discovery of hidden attern n Knowledge extraction n Pattern analysis n Information haversting (raccolta) n Business intelligence 7 8 Data Mining: definizioni The non trivial rocess of identifying valid, novel, otentially useful and ultimately understandable attern of data Shairo, Esemio: restiti in banca la banca vuole concedere restiti solo se si asetta che il cliente agherà le rate Questo roblema uò essere risolto mediante l estrazione di attern da dati storici la banca ossiede dati storici sui restiti che ha già erogato nel assato e sa in quali casi le rate sono state agate regolarmente o meno er attern si intende, ad esemio, una regola che descrive in modo succinto delle informazioni estratte dai dati storici er revedere se un otenziale cliente agherà le rate di un restito regolarmente o meno 10 Dati storici Creazione del attern/modello
3 Alicazione del attern/modello Data Mining Obiettivi: n Descrittivo: descrivere in modo non evidente (classificare, individuare grui in un insieme di dati la cui struttura non è visibile) n Eslicativo: Siegare (insight), trovare modelli eslicativi (i fattori legati ad un fenomeno, correlazioni) n Predittivo: fare revisioni sul futuro, sul valore di variabili Data Mining vr Dw vr DB DB/OLTP DW/OLAP DATA MINING Estrazione di dati Riassunti, aggregazioni, trend (descrizione su caratteristiche statiche) Knowledge discovery of hidden attern (rodurre nuova conoscenza) Informazione Analisi Insight & rediction Chi ha comrato i fondi? Quale è la media degli incassi dei fondi venduti er regione in un anno? Chi comrerà un fondo nei rossimi 6 mesi e erche? à roduzione di nuova conoscenza dai dati Data Mining vr Dw vr DB DB/OLTP DW/OLAP DATA MINING OLTP, query definite esresse con il linguaggio standard SQL Outut è un sottoinsieme dei dati Su dati relazionali (db) Query non definite, no standard Outut è un sottoinsieme dei dati Su dati relazionali e multidimensionali (dw) Query non definite, no standard Outut non è un sottoinsieme dei dati, ma uò essere un modello Su dati relazionali (db) dati multidimensionali (dw) Dati multimediali, saziali (satial and temoral db) Grafi (www) Testi 17 DATA MINING su TESTI Il testo diventa un vettore di termini contenente le occorrenze della arole (numero di volte in cui il termine è resente nel doc) Vettore: insieme di elementi dello stesso tio, cui si accede er osizione s[0] à accedi al rimo elemento del vettore TEXT MINIG: uso di tecniche di NLP (Natural Language Processing) 18 3
4 Data Mining vr Statistica Task di data mining Statistica Non automatica, oeratore fa i calcoli Verification-driven: guidato dalla verifica di un iotesi Moli di dati minore Data minig semi-automatico, macchina fa i calcoli Discovery-driven, non ci sono iotesi da verificare, scorire nuove iotesi Moli di dati molto grandi Analisi rimaria Analisi secondaria Task di data mining Classificare Stimare Fare revisioni Raggruare Trovare regole di associazione Le Tecniche di Data Mining Le tecniche di data mining servono er trasformare i dati grezzi in informazioni utili. Quindi servono er risolvere Problemi di eslorazione dati (Data Mining Non Suervisionato): roblemi in cui non saiamo cosa dover ricercare nei dati e allora lasciamo che siano i dati stessi a indicarci un risultato, a suggerirci la loro struttura (o attern). 21 Problemi di classificazione e di regressione (Data Mining Suervisionato). In tutti questi roblemi saiamo bene quello che stiamo cercando: in entrambi i casi l obiettivo è revedere il valore che assumerà una certa variabile detta target (che sarà di tio categorico nei roblemi di classificazione, di tio numerico nei roblemi di regressione). Task di data minig suervisionati Alberi decisionali Reti neurali Non suervisionati Cluster analysis Association rules Task suervisionati Previsione del comortamento di alcune variabili target in funzione delle variabili di inut (es revisione di chi sarà insolvente) Usare i dati disonibili er creare un modello che descriva il comortamento di una variabile target in termini dei dati disonibili
5 Task suervisionati Obiettivi n Classificazione n Stima n Previsione Tecniche di data mining n Alberi decisionali n Reti neurali Classificazione Assegnazione di un nuovo oggetto ad una classe redefinita doo averne esaminato le caratteristiche Valori discreti e booleani (si, no) Es: assegnazione di un nuovo cliente ad un segmento secifico (gold, silver) Attribuire una arola chiave ad una notizia (nera, rosa, etc) Classificazione Procedimento: Fase di training su una orzione di dati costituita da esemi già classificati (training set) Fase di creazione del modello di classificazione alicabile a nuovi dati da classificare Strumenti: alberi di decisione, reti neurali Stima (regressione) Tratta valori continui Individuare il valore di una variabile continua (ad esemio, il reddito, il saldo, la quantità venduta di un rodotto) Si usa la stima er fare classificazioni Strumenti: alberi di decisione, reti neurali Previsione Task NON suervisionati la classificazione e la stima ossono essere usate er fare redizioni sul futuro Es revedere le dismissioni dal servizio Prevedere chi attiverà ADSL tra gli abbonati Dati storici à modello à alicato a nuovi dati à revisione di un comortamento futuro Strumenti: alberi di decisione, reti neurali 29 Non c è alcuna variabile target da revedere (es individuare i grui di consumatori con i gusti analoghi) Obiettivi: n raggruare n Scorire associazioni tra variabili Tecniche di data mining: n Cluster n Regole di associazione 30 5
6 Clustering Raggruamento er affinita, segmentazione di un gruo eterogeneo in sottogrui (cluster) iù omogenei er certe caratteristiche Non fa ricorso a classi redefinite, classificazione a osteriori (vr classificazione a riori) Non usa esemi da cui arendere Sta al ricercatore attribuire significato ai grui Prelude altre tecniche di data mining Strumento: cluster analysis Regole di associazione 33 Stabilire quali oggetti ossono abbinarsi n Ex quali rodotti si trovano insieme nel carrello della sesa (market basket analysis) n Usato er ianificare la distribuzione dei rodotti sugli scaffali in modo che gli articoli che di solito vengono acquistati insieme si trovino vicino (o lontano.. Cross-selling) Sequenze di acquisto che occorrono nel temo (analisi degli outlier: oggetto non conforme alle caratteristiche degli altri dati: utili er 34 le frodi) Data mining: contesto alicativo Strumento di ricerca: da usare nella fase di ricerca e sviluo, ad es. industria farmaceutica, quali molecole sono candidate a diventare farmaci Miglioramento dei rocessi: risarmio di risorse, controllo di rocessi, diagnosi di guasti Marketing e CRM: arte del CRM analitico, analisi del comortamento d acquisto, er segmentare clienti, focalizzare le offerte su clienti migliori 35 Data mining: contesto tecnico Machine learning (AI): obt far arendere le macchine da esemi statistica: uso di tecniche statistiche (come regressione), metodi di camionamento, metodologia serimentale Dw: infrastruttura ICT di suorto alle decisioni HW: elaboratori otenti in grado di elaborare grandi quantità di dati (fino a qualche anno fa non sarebbe stato ossibile) 36 6
7 Data mining: contesto sociale Raccolta dati su ersone Problematiche n rivacy n Diffusione dei dati n Protezione da uso imrorio Data mining: contesto aziendale Vale la ena raccogliere un informazione se il ritorno dell investimento è sueriore al costo dell investimento fatto er acquisire l informazione Una conoscenza viene considerata utile se la conoscenza che ne deriva vale iù de soldi sesi er scorirla Data mining: alicazioni marketing finanza web e-commerce Biotecnologie, farmaceutica, scienze mediche telecomunicazioni Processo di data minig 1. Data cleaning 2. Data integration 3. Data warehousing 4. Data mining 5. Patter descrition (modelli eslicativi e redittivi) 6. Pattern evaluation 7. Knowledge Processo di data minig Fase 1: comrensione del dominio, ulitura dei dati, rerocessing creazione del datawarehouse adatto (60% dello sforzo comlessivo) fase 2:individuare tecniche dm utili Fase 3: indivduazione dei attern, costruzione del modello di realtà: inut à modello à outut Eta, sesso à modello à il cliente restuirà il restito Fase 4: Validazione del modello: Fase 5: visualizzazione er resentazione
8 Valutazione del modello Valutazione dei attern estratti Possono essere moltissimi Necessario un data minig sul data minig Modello valido se n Comrensibile n Corretto n Affidabile (se testato su nuovi dati, è valido con un certo livello di certezza) 43 Casi d uso Banca deve decidere se autorizza un emissione n Ha tanti dati storici n Ciascuna richiesta è classificata in i) autorizzata, ii) richiedi info, iii)non autorizzata, iv) non autorizzata e informata autorità er truffa A) si costruisce un modello dei dati storici (training set) ( quali valori degli attributi hanno causato l attribuzione a una classe? ) B) si usa il modello er classificare e rendere decisioni in relazione a nuove richieste ( dove inserire una nuova richiesta? ) 44 8
Business Intelligence
Business Intelligence Data Mining Introduzione al Data Mining Il Data Mining è la risosta tecnologica all esigenza di saer analizzare e ricavare conoscenze utili, dalle enormi quantità di dati grezzi che
DettagliIntroduzione al Data Mining
Data Mining Introduzione al Data Mining Il Data Mining è la risposta tecnologica all esigenza di saper analizzare e ricavare conoscenze utili, dalle enormi quantità di dati grezzi che si raccolgono ormai
DettagliLe Tecniche di Data Mining
Cluster Analysis Le Tecniche di Data Mining Le rinciali tecniche di data mining che vedremo sono: Ø Ø Cluster Analysis Alberi Decisionali Cluster Analysis La Cluster Analysis è una tecnica di data mining
DettagliData Science A.A. 2018/2019
Corso di Laurea Magistrale in Economia Data Science A.A. 2018/2019 Lez. 5 Data Mining Data Science 2018/2019 1 Data Mining Processo di esplorazione e analisi di un insieme di dati, generalmente di grandi
DettagliModelli matematici e Data Mining
Modelli matematici e Data Mining Introduzione I modelli matematici giocano un ruolo critico negli ambienti di business intelligence e sistemi di supporto alle decisioni. Essi rappresentano un astrazione
DettagliI Componenti del processo decisionale 7
Indice Introduzione 1 I Componenti del processo decisionale 7 1 Business intelligence 9 1.1 Decisioni efficaci e tempestive........ 9 1.2 Dati, informazioni e conoscenza....... 12 1.3 Ruolo dei modelli
DettagliMASTER UNIVERSITARIO
MASTER UNIVERSITARIO I Analisi Dati per la Business Intelligence e Data Science in collaborazione con Gestito da: V edizione 2016/2017 Dipartimento di Culture, Politica e Società Dipartimento di Informatica
Dettagli1. EVOLUZIONE DELLE TECNOLOGIE DI ANALISI DEI DATI
1. EVOLUZIONE DELLE TECNOLOGIE DI ANALISI DEI DATI 1.1 Evoluzione delle tecnologie informatiche di gestione e analisi dati... 21 1.1.1 Fase 1 Database relazionali e SQL... 21 1.1.2 Fase 2- Data Warehouse
DettagliGestione e condivisione di basi di dati e conoscenza
Gestione e condivisione di basi di dati e conoscenza Modulo 2 Orario del corso martedi o mercoledi (A SECONDA DEL GRUPPO) 10.00-13.00 AULA li5 Mercoledi 16.00-19.00 AULA H1 Da mercoledi 7 novembre 2018
DettagliBICOOP Churn Analisys
BICOOP Churn Analisys Definizione del concetto di abbandono e creazione di modelli previsionali Mirco Nanni KDD Lab,ISTI-CNR, Pisa mirco.nanni@isti.cnr.it Master MAINS, 6 luglio 2009 Sommario Introduzione
DettagliKnowledge Management E Business Intelligence
Knowledge Management E Business Intelligence 1 Il valore della Conoscenza DATI: sono nozioni grezze e incomplete. INFORMAZIONI: hanno origine dai dati aggiungendo ad essi valore attraverso processi di
Dettaglidocente: Germana Scepi
INSEGNAMENTO DI :PIANO DEGLI ESPERIMENTI CORSO DI LAUREA: CLAS docente: Germana Scei Eserimenti in Scienza e Industria I metodi serimentali sono amiamente utilizzati sia nella ricerca scientifica che nel
DettagliCALCOLO DELLE PROBABILITÀ. 1. La probabilità che una candela accesa si spenga è p = 1, perché è assolutamente certo che si esaurirà.
CALCOLO DELLE PROBABILITÀ -Definizione di robabilità -Legge additiva (eventi disgiunti) -Probabilità totale -Eventi comosti -Eventi indiendenti -Legge moltilicativa -Probabilità comoste - -Definizione
DettagliTecnologie, strumenti e processi alle informazioni e l estrazione della conoscenza
Tecnologie, strumenti e processi per l accesso l alle informazioni e l estrazione della conoscenza Maurizio Lancia Alberto Salvati CNR - Ufficio Sistemi Informativi Sommario Scenario Obiettivi e linee
DettagliFallimenti delle aziende in Italia
Fallimenti delle aziende in Italia Dati aggiornati a marzo 2013 Marketing CRIBIS D&B Agenda Analisi dei Fallimenti in Italia Company Profile Gli Strumenti Utilizzati e Metodologia 2 Tipologia di analisi
DettagliSchedulazione di dettaglio Macchine in parallelo
Lezione 8 Schedulazione di dettaglio Macchine in arallelo Dati: Una lista di lotti (job) che devono essere rocessati da un sistema roduttivo comosto da un set di macchine in arallelo. Siano i lotti caratterizzati
DettagliCORSO DI LABORATORIO OTTIMIZZAZIONE COMBINATORIA. Informazioni e programma del corso Introduzione al data mining e machine learning
CORSO DI LABORATORIO OTTIMIZZAZIONE COMBINATORIA Data Mining Parte I Informazioni e programma del corso Introduzione al data mining e machine learning INFORMAZIONI Il corso di laboratorio Ottimizzazione
DettagliInformatica per le discipline umanistiche 2 lezione 11
Informatica per le discipline umanistiche 2 lezione 11 Come si fa a costruire una base di dati? Dipende. Le persone che si iscrivono in università forniscono dati che popolano il database dellʼuniversità
DettagliGeneralizzazione dell equazione logistica (UN) Autore: Antonello Urso - 07/07/07
Generalizzazione dell equazione logistica (UN) Autore: Antonello Urso - 07/07/07 Pianetagalileo - (ultimo aggiornamento: 23/07/07) Introduzione: L equazione logistica uò descrivere lo sviluo di una oolazione
DettagliSistemi informativi aziendali struttura e processi
Sistemi informativi aziendali struttura e processi Data mining Copyright 2011 Pearson Italia Uso dei Data Warehouse Esistono tre tipi di applicazioni front-end per data warehouse Analisi statica (reporting)
DettagliIntroduzione alle macchine termiche
1 Introduzione alle macchine termiche In questa nota 1 introduciamo il concetto di macchina termica che oera con trasformazioni cicliche er trasformare calore in lavoro. In generale questo argomento viene
DettagliI DATI E LA LORO INTEGRAZIONE 63 4/001.0
I DATI E LA LORO INTEGRAZIONE 63 4/001.0 L INTEGRAZIONE DEI DATI INTEGRAZIONE DEI DATI SIGNIFICA LA CONDIVISIONE DEGLI ARCHIVI DA PARTE DI PIÙ AREE FUNZIONALI, PROCESSI E PROCEDURE AUTOMATIZZATE NELL AMBITO
DettagliI p. I teoremi dell'economia del benessere. Politica economica CLEC/M Efficienza paretiana e concorrenza perfetta.
Efficienza aretiana e concorrenza erfetta lberto agnai Università G. D nnunzio Facoltà di Economia htt://bagnai.org Efficienza ed equità: il criterio aretiano I due teoremi dell economia del Le iotesi
DettagliDisciplina: INFORMATICA
II1 ANNO Indirizzo AFM Articolazione SIA Anno scolastico 2017/2018 Classe 5S Docenti Corongiu, Pazienza Disciplina: INFORMATICA I risultati di apprendimento relativi al profilo educativo, culturale e professionale
DettagliEconomia regionale. Analisi dei processi localizzativi. Modelli economici regionali e analisi dell interazione spaziale
Economia regionale Analisi dei rocessi localizzativi Modelli economici regionali e analisi dell interazione saziale Sviluo economico regionale e analisi delle olitiche regionali Il concetto di sazio Sazio
DettagliIL COMPORTAMENTO DEL MONOPOLISTA
IL COMPORTAMENTO DEL MONOPOLISTA Discriminazione di rezzo: il monoolista uò vendere la stessa merce a rezzi diversi a consumatori (o grui di consumatori) diversi Discriminazione di rezzo di rimo grado
DettagliOre settimanali di lezione: 3 h di cui 2 in compresenza con l insegnante di Lab. di Informatica prof.ssa E.De Gasperi
Anno scolastico 2015/2016 Piano di lavoro individuale ISS BRESSANONE-BRIXEN LICEO SCIENTIFICO - LICEO LINGUISTICO - ITE Classe: III ITE Insegnante: Prof.ssa Maria CANNONE Materia: INFORMATICA Ore settimanali
DettagliLaboratorio di Informatica I
Struttura della lezione Lezione 15: Puntatori e stringhe Vittorio Scarano Corso di Laurea in Informatica Puntatori Relazione con gli arrays Aritmetica dei untatori Allocazione dinamica di memoria Puntatori
DettagliLa probabilità. f n. evidentemente è 0 ( E)
La robabilità Definizione - Eserimento aleatorio Ogni fenomeno del mondo reale al quale associare una situazione di incertezza. Es: Lancio di un dado, estrazioni numeri della tombola, ecc. Definizione
DettagliIl confronto di IRIDE con esperienze simili
PEOPLE CENTERED APPLICATIONS Il confronto di IRIDE con esperienze simili Le tecnologie Almawave al servizio delle amministrazioni pubbliche, cittadini e imprese Bologna,19 ottobre 2016 Almawave PRINCIPALI
Dettaglila parola binaria che è è la parola di dati e p venuta fuori, in trasmissione, a seguito dell esecuzione delle 4 prove di parità;
Aunti di Elettronica Digitale Circuiti er il codice Hamming Circuito er la decodifica Hamming Vogliamo realizzare un circuito cominatorio che rilevi e corregga l errore singolo su arole di codice Hamming.
DettagliData Journalism. Analisi dei dati. Angelica Lo Duca
Data Journalism Analisi dei dati Angelica Lo Duca angelica.loduca@iit.cnr.it Obiettivo L obiettivo dell analisi dei dati consiste nello scoprire trend, pattern e relazioni nascosti nei dati. di analisi
DettagliStandard per Data Mining
Standard per Data Mining Sistemi informativi per le Decisioni Slide a cura di prof. Claudio Sartori Iniziative di Standard per Data Mining I modelli di Data Mining e statistici generati dagli strumenti
DettagliANALISI DELLE AZIENDE B2B AD ALTA RISCHIOSITA
ANALISI DELLE AZIENDE B2B AD ALTA RISCHIOSITA Dati aggiornati a Giugno 2013 Marketing CRIBIS D&B Agenda Aziende B2B ad alta rischiosità, Giugno 2013 Company Profile Gli Strumenti Utilizzati e Metodologia
DettagliClassificazione Mario Guarracino Data Mining a.a. 2010/2011
Classificazione Mario Guarracino Data Mining a.a. 2010/2011 Introduzione I modelli di classificazione si collocano tra i metodi di apprendimento supervisionato e si rivolgono alla predizione di un attributo
DettagliData warehouse Introduzione
DataBase and Data Mining Group of DataBase and Data Mining Group of DataBase and Data Mining Group of Database and data mining group, D MG B Data warehouse Introduzione INTRODUZIONE - 1 Database and data
DettagliIndice generale. Introduzione. Capitolo 1 Essere uno scienziato dei dati... 1
Introduzione...xi Argomenti trattati in questo libro... xi Dotazione software necessaria... xii A chi è rivolto questo libro... xii Convenzioni utilizzate... xiii Scarica i file degli esempi... xiii Capitolo
DettagliDall analisi analisi delle performance alle applicazioni di c.r.m. analitico
Direzione Centrale Area Marketing e Sviluppo Ufficio Analisi Dati Commerciali Dall analisi analisi delle performance alle applicazioni di c.r.m. analitico Domenico Buonocunto d.buonocunto@roma.bcc.it Indice
DettagliAlberi di Regressione
lberi di Regressione Caso di studio di Metodi vanzati di Programmazione 2015-2016 Corso Data Mining Lo scopo del data mining è l estrazione (semi) automatica di conoscenza nascosta in voluminose basi di
DettagliPuntatori in C. Fondamenti di Informatica. Daniele Loiacono
Puntatori in C Fondamenti di Informatica Puntatori Come è fatta la memoria del calcolatore? Un modello concettuale della memoria q La memoria centrale di un calcolatore è una sequenza di celle numerate
DettagliSISTEMI OPERATIVI, RETI, INTERNET
Competenze e Unità didattica formativa capitalizzabile 4.1 SISTEMI OPERATIVI, RETI, INTERNET Comprendere il significato dell'evoluzione dei sistemi operativi. Comprendere che cosa fa un sistema operativo
DettagliAlberi Decisionali Per l analisi del mancato rinnovo all abbonamento di una rivista
Alberi Decisionali Per l analisi del mancato rinnovo all abbonamento di una rivista Il problema L anticipazione del fenomeno degli abbandoni da parte dei propri clienti, rappresenta un elemento fondamentale
DettagliPLASTICITA IN RIFERIMENTO AI TERRENI
PLASTICITA IN RIFERIMENTO AI TERRENI Es. rovino soggetto a rova di comressione monoassiale σ a σ a σ R R σ Y Y σ a O ε a OY: deformazioni reversibili, comortamento elastico (comortamento lineare er deformazioni
DettagliCapitolo 2. Funzioni
Caitolo 2 Funzioni 2.1. De nizioni Un concetto di fondamentale imortanza è quello di funzione. roosito la seguente de nizione: Vale a questo De nizione 10 Dati due insiemi (non vuoti) X e Y, si chiama
DettagliCURRICOLO DI MATEMATICA
CURRICOLO DI MATEMATICA AREA LOGICO MATEMATICA CLASSE PRIMA COMPETENZE OBIETTIVI DI APPRENDIMENTO STANDARD DI APPRENDIMENTO ATTESI Riconoscere e risolvere situazioni problematiche utilizzando anche rappresentazioni
DettagliInformazioni sul corso 1
Informazioni sul corso 1 Insegnamento: Statistica (gruppo C) Corso di Laurea Triennale in Economia Dipartimento di Economia e Management Università degli Studi di Ferrara Docente: Dott.ssa Angela Grassi
DettagliPentaho: una soluzione Open per la progettazione e sviluppo di Data Warehouse
DPTS - DCMT/1 Pentaho: una soluzione Open per la progettazione e sviluppo di Data Warehouse Mariano Crea Istituto Nazionale di Statistica Agenda Data Warehouse Overview La Suite Pentaho Mondrian & JPivot:
DettagliIntroduzione al data mining. Sistemi di elaborazione delle informazioni 2 Anno Accademico Prof. Mauro Giacomini
Introduzione al data mining Sistemi di elaborazione delle informazioni 2 Anno Accademico 2007-2008 Prof. Mauro Giacomini Definizione Processo che impiega una o più tecniche di apprendimento computerizzate
DettagliCURRICOLO VERTICALE MATEMATICA
ISTITUTO COMPRENSIVO ITALO CALVINO GALLIATE Scuola Primaria CURRICOLO VERTICALE MATEMATICA TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE AL TERMINE DELLA SCUOLA PRIMARIA OBIETTIVI DI APPRENDIMENTO OBIETTIVI
DettagliData warehouse Introduzione
D M B G Data warehouse Introduzione INTRODUZIONE - 1 Supporto alle decisioni aziendali La maggior parte delle aziende dispone di enormi basi di dati contenenti dati di tipo operativo queste basi di dati
DettagliDeduzione della legge dell azione di massa per via cinetica
L equilibrio chimico Reazioni reversibili o di equilibrio: reazioni che ossono avvenire sia in senso diretto che in senso inverso Deduzione della legge dell azione di massa er via cinetica A + B C + D
DettagliTEORIA DELLA PROBABILITÁ
TEORIA DELLA PROBABILITÁ Cenni storici i rimi arocci alla teoria della robabilità sono della metà del XVII secolo (Pascal, Fermat, Bernoulli) gli ambiti di alicazione sono i giochi d azzardo e roblemi
DettagliLE FUNZIONI ECONOMICHE
M A R I O G A R G I U L O LE FUNZIONI EONOMIHE APPLIAZIONE DELL ANALISI MATEMATIA FUNZIONI EONOMIHE L economia è lo studio di come imiegare, con maggior convenienza, il denaro di cui si disone er raggiungere
DettagliProgetto ARS01_00917 OK-INSAID Operational Knowledge from Insights and An 703,520 PON R&I Capofila. Durata (mesi) 30 Data Inizio 01/07/2018
Progetto ARS01_00917 OK-INSAID Operational Knowledge from Insights and An Capofila Engineering Ingegneria Informatica S.p.A. Durata (mesi) 30 Data Inizio 01/07/2018 Costo Progetto Quota CALEF (K ) 703,520
DettagliEstratto dell'agenda dell'innovazione e del Trade Bari Speciale: I casi. Introduzione dell'area tematica IL CASO GEATECNO
Estratto dell'agenda dell'innovazione e del Trade Bari 2011 Speciale: I casi Introduzione dell'area tematica IL CASO GEATECNO Innovare e competere con le ICT: casi di successo - PARTE Cap.4 Gestire efficacemente
DettagliI8 ITS for Ports and Transport Communities Dott.ssa Silvia Ferrini Collaboratrice Direzione Sviluppo e Innovazione
I8 ITS for Ports and Transport Communities Dott.ssa Silvia Ferrini Collaboratrice Direzione Sviluppo e Innovazione dsi3@porto.livorno.it 1 Definizione di ITS - Sistemi di trasporto intelligenti Cosa sono
DettagliDISCIPLINA: MATEMATICA
Opera in modo faticoso e inappropriato nel calcolo e utilizza linguaggi e metodi della disciplina in modo scorretto. Opera in modo faticoso e incerto nel calcolo e utilizza linguaggi e metodi della disciplina
DettagliSistemi Informativi. Scopo del corso. Organizzazioni e obiettivi. Scopo del corso (cont.) Risorse (cont.) Risorse. Introduzione ai Sistemi Informativi
Scopo del corso Sistemi Informativi Introduzione ai Sistemi Informativi Paolo Maggi Mostrare come le tecnologie dell informazione possano essere utilizzate per migliorare i processi
DettagliRegolarizzazione (Shrinkage) Strumenti quantitativi per la gestione
Regolarizzazione (Shrinkage) Strumenti quantitativi er la gestione Emanuele Taufer Metodi di regolarizzazione o shrinkage Regressione ridge Standardizzare i redittori Dati Credit.csv Ridge er i dati Credit.csv
DettagliSISTEMI INFORMATIVI E DATABASE
SISTEMI INFORMATIVI E DATABASE SISTEMA INFORMATIVO AZIENDALE (S.I.) In una realtà aziendale si distingue: DATO elemento di conoscenza privo di qualsiasi elaborazione; insieme di simboli e caratteri. (274,
DettagliSistemi SCADA e IoT: convergenza ed applicazioni. Elisabetta Giusti A.T.I. Srl
Sistemi SCADA e IoT: convergenza ed applicazioni Elisabetta Giusti A.T.I. Srl www.acmotec.com Aspettative del Gestore al tempo dell IoT Aumentare l efficienza nuovi servizi Diminuire i tempi di fermo fault
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
DettagliTECNOLOGIA E PRODUZIONE
TECNOOGIA E PRODUZIONE Fattori: avoro () : ore di lavoro imiegate Caitale () : fattori di roduzione che durano nel temo Tecnologia: Possibilità di combinazione dei fattori e er rodurre TECNOOGIA FATTORI
DettagliSISTEMI INFORMATIVI DIREZIONALI BUSINESS INTELLIGENCE
SISTEMI INFORMATIVI DIREZIONALI BUSINESS INTELLIGENCE Punti chiave Cosa sono i sistemi informativi direzionali (SID)? Che differenza con i sistemi di supporto alle attività operative? Qual è il punto di
DettagliInformatica per la Comunicazione/ Verdicchio/ 22/05/2014/ Domande / VERSIONE 1
Informatica per la Comunicazione/ Verdicchio/ 22/05/2014/ Domande / VERSIONE 1 1) In che senso i brani di Bach by Design sono originali? a) Hanno uno stile musicale nuovo b) Hanno una sequenza di note
DettagliModellazione dinamica per il controllo di processo. Davide Manca Strumentazione e Controllo di Impianti Chimici Politecnico di Milano
L2 Modellazione dinamica er il controllo di rocesso Davide Manca Strumentazione e Controllo di Imianti Chimici Politecnico di Milano L2 Dinamica di rocesso Il controllo di rocesso richiede la conoscenza
DettagliMATRICE TUNING competenze versus unità didattiche, Corso di Laurea in Informatica (classe L-31), Università degli Studi di Cagliari
A: CONOSCENZA E CAPACITA DI COMPRENSIONE Conoscere e saper comprendere i fondamenti della matematica discreta (insiemi, interi, relazioni e funzioni, calcolo combinatorio) Conoscere e saper comprendere
DettagliLezione 14 Il meccanismo della domanda e dell offerta. Breve e lungo periodo
Corso di Economia Politica rof. S. Paa Lezione 14 Il meccanismo della domanda e dell offerta. Breve e lungo eriodo Facoltà di Economia Università di Roma La Saienza L equilibrio tra domanda e offerta Sovraoniamo
DettagliProblemi legati all'uso dei Puntatori
Problemi legati all'uso dei Puntatori 1. Aree inutilizzabili: Possibilità di erdere l'indirizzo di aree di memoria allocate al rogramma che uindi non sono iù accessibili. (v. esemio recedente). 2. Riferimenti
DettagliCapitolo 1 Esercizi svolti
Caitolo 1 sercizi svolti sercizio 1.1 Il mercato del frumento oera in condizioni di concorrenza erfetta e le curve di domanda e offerta sono: = 1500-5 = 600 + 4 dove è esresso in /quintali e in milioni
DettagliAML EXPO. AI a supporto dell AML 30 MAGGIO Pieralberto Nati CEO AML EXPO COPYRIGHT ALL RIGHT RESERVED
AML EXPO 30 MAGGIO ROMA @EATALY AI a supporto dell AML Pieralberto Nati CEO Una piattaforma applicativa che gestisce la Corporate Governance Supportando tutti i livelli organizzativi: board, management
DettagliData Science A.A. 2018/2019
Corso di Laurea Magistrale in Economia Data Science A.A. 2018/2019 Lez. 2 Business Intelligence Data Science 2018/2019 1 Dati Tecnologie di memorizzazione a basso costo + connettività Accesso a grandi
DettagliDAI DATI ALL'INSIGHT DI BUSINESS PER LE CORPORATE. Micaela Martinelli Head of Business Development - Global Transaction Banking
DAI DATI ALL'INSIGHT DI BUSINESS PER LE CORPORATE Micaela Martinelli Head of Business Development - Global Transaction Banking ISP ha avviato un importante programma nell ambito dei Big Financial Data
DettagliISTITUTO COMPRENSIVO F. D'ASSISI TEZZE SUL BRENTA (VI)
ISTITUTO COMPRENSIVO F. D'ASSISI TEZZE SUL BRENTA (VI) PROGRAMMAZIONE DIDATTICA DI MATEMATICA CLASSE 4^ OBIETTIVI FORMATIVI: Leggere, scrivere, confrontare numeri naturali e decimali. CONOSCENZE ABILITA
DettagliFUORI DI SCIENZA 2015/2016 fuoridiscienza.wordpress.com PROPOSTE DIDATTICHE 2015/2016
FUORI DI SCIENZA 2015/2016 fuoridiscienza.wordress.com fuoridiscienza@gmail.com PROPOSTE DIDATTICHE 2015/2016 Chi siamo? Una biotecnologa, una geologa, una storica e una biologa si incontrano e... sembra
Dettaglicontactplan engagement marketing
engagement marketing contactplan Crea e gestisce segmenti e cluster sul database clienti, pianifica campagne multi-channel sui target individuati, in modalità SaaS Via Natale Battaglia, 12-20127 Milano
DettagliAnalisi dei dati. analisi dei dati 1
Analisi dei dati analisi dei dati 1 Il problema... Limitazioni della tecnologia relazionale - Difficoltà d'uso - Rigidità Conseguenze - Uso operativo: buono - Uso strategico: scarso Soluzioni: tecniche,
DettagliESERCITAZIONE 4: MONOPOLIO E CONCORRENZA PERFETTA
ESERCITAZIONE 4: MONOPOLIO E CONCORRENZA PERFETTA Esercizio : Scelta ottimale di un monoolista e imoste Si consideri un monoolista con la seguente funzione di costo totale: C ( ) = 400 + + 0 0 La domanda
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
Dettagli2 Le fluttuazioni economiche: domanda e offerta aggregata
2 Le fluttuazioni economiche: domanda e offerta aggregata 2.1 Crescita economica e fluttuazioni È tradizione suddividere la Macroeconomia in due cami di studio distinti: la crescita e le fluttuazioni.
DettagliSITO WEB (sistema dolly accessibile agli iscritti)
Academy Big Data Corso di Alta Formazione METODOLOGIE, TECNICHE E TOOL PER L ANALISI DI BIG DATA SITO WEB (sistema dolly accessibile agli iscritti) https://dolly.ingmo.unimore.it/2018/course/view.php?id=650
DettagliInformatica per la Comunicazione/ Verdicchio/ 22/07/2015/ Domande / VERSIONE 1 Matricola Cognome Nome
Informatica per la Comunicazione/ Verdicchio/ 22/07/2015/ Domande / VERSIONE 1 Matricola Cognome Nome 1) Quale delle seguenti persone ha sicuramente usato un compasso nella sua professione? a) David Cope
DettagliDATA MINING. Cos'è il Data Mining: Traduzione letterale: Clustering e Reti di Kohonen
Cos'è il Data Mining: Traduzione letterale: DATA MINING Data : To mine : informazione scavare,estrarre Clustering e Reti di Kohonen Processo di estrazione di conoscenza (nell'ambito del KDD,knowledge discovery
DettagliConfronto tra le proporzioni in due popolazioni indipendenti (alcune note)
Confronto tra le roorzioni in due oolazioni indiendenti (alcune note) Finora abbiamo visto come verificare iotesi su un articolare arametro (indicatore di una caratteristica qualità) di una oolazione sulla
DettagliLe basi di dati. Definizione 1. Lezione 2. Bisogna garantire. Definizione 2 DBMS. Differenza
Definizione 1 Lezione 2 Le basi di dati Gli archivi di dati Organizzato in modo integrato attraverso tecniche di modellazione di dati Gestiti su memorie di massa Con l obiettivo Efficienza trattamento
DettagliDEEP LEARNING PER CONTROLLO QUALITA PRODOTTO E CONTROLLO DI PROCESSO Alessandro Liani, CEO e R&D Manager
DEEP LEARNING PER CONTROLLO QUALITA PRODOTTO E CONTROLLO DI PROCESSO Alessandro Liani, CEO e R&D Manager Smart Vision - Le tecnologie per l industria del futuro Machine Learning Famiglie di machine learning
Dettaglia 11 s 1 + a 12 s a 1n s n = b 1 a 21 s 1 + a 22 s a 2n s n = b 2..
Matematica II 020304 Ogni sistema di m equazioni lineari in n incognite x 1 x 2 x n si uo raresentare nella forma a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + + a 2n x n = b 2 a m1 x 1
DettagliAnalisi previsionale per l ottimizzazione della postalizzazione delle promo. KDD Lab. Pisa
Analisi previsionale per l ottimizzazione della postalizzazione delle promo KDD Lab. Pisa Postalizzazione di promozioni Il processo decisionale: Inventare la promozione Selezionare il target Contattare
DettagliPROGRAMMAZIONE DI MATEMATICA
PROGRAMMAZIONE DI MATEMATICA CLASSE: QUINTA INDIRIZZO: ECONOMICO/TURISTICO UDA n. 1 Prerequisiti Funzioni di due variabili Equazioni, disequazioni e sistemi in una variabile Coniche Dominio di una funzione
DettagliINFORMAZIONI PERSONALI VINCENZO OGNIBENE Luogo di nascita: TORINO Sesso: M Data di nascita: 09/06/1980
CURRICULUM VITAE INFORMAZIONI ERSONALI vincenzo.ognibene@asstval.it Luogo di nascita: TORINO Sesso: M Data di nascita: 09/06/1980 ESERIENZE ROFESSIONALI Dal 01/03/2017, in corso Dal 01/01/2016 al 28/02/2017
DettagliSUPERIORE DI SAN DANIELE DEL FRIULI VINCENZO MANZINI CORSI DI STUDIO:
ISTITUTO STATALE di ISTRUZIONE SUPERIORE DI SAN DANIELE DEL FRIULI VINCENZO MANZINI CORSI DI STUDIO: Amministrazione, Finanza e Marketing/IGEA Costruzioni, Ambiente e Territorio/Geometri Liceo Linguistico/Linguistico
DettagliCapitolo 3 - Parte IV Complementi sui circuiti combinatori
Aunti di Elettronica Digitale Caitolo 3 - arte IV Comlementi sui circuiti combinatori Introduzione... Sommatori...2 Introduzione...2 Half-adder...3 Full-adder...4 Sommatore binario arallelo...7 roagazione
DettagliChe cosa è la statistica oggi?
Metodologie Statistiche a supporto delle decisioni aziendali: Revenue/Yield Management Prof. Massimo Aria Ricercatore in Statistica Sociale Una breve premessa: Che cosa è la statistica oggi? 1 Statistica
DettagliCapitolo 1 Introduzione e raccolta
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 1 Introduzione e raccolta Insegnamento: Statistica dei dati Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara
Dettaglirelazioni classe 1 a 2 a 3 a
MATEMATICA relazioni classe 1 a 2 a 3 a TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE 5. Ricerca dati per ricavare informazioni e costruisce rappresentazioni (tabelle e grafici). Ricava informazioni anche
DettagliRiduzioni di Turing. OMdT. nastro di oracolo. domanda. tra linguaggi. macchina di Turing con oracolo (OMdT). detto insieme di oracolo.
Riduzioni di Turing! Nozione iù forte di riduzione olinomiale tra linguaggi.! Basata sul modello di calcolo della macchina di Turing con oracolo (OMdT). 1 OMdT! MdT dotata di un nastro addizionale: nastro
DettagliLe curve di Intensità-Durata-Frequenza (IDF) delle precipitazioni
Le curve di Intensità-Durata-Frequenza (IDF) delle reciitazioni INDICE 1. Il modello robabilistico di Gumbel... 2 2. Le curve di robabilità luviometrica (IDF)... 4 3. La relazione intensità-durata delle
Dettagli