Text mining ed analisi di dati codificati in linguaggio naturale. Analisi esplorative di dati testualilezione

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Text mining ed analisi di dati codificati in linguaggio naturale. Analisi esplorative di dati testualilezione"

Transcript

1 Text mining ed analisi di dati codificati in linguaggio naturale Analisi esplorative di dati testualilezione 2

2 Le principali tecniche di analisi testuale Facendo riferimento alle tecniche di data mining, disponibili per dati categoriali, ed ampliate per il caso specifico di dati testuali, gli strumenti principali sono: Analisi descrittiva del corpus. Riduzione spaziale della dimensionalità dei dati. Analisi di classificazione. B-ASC Biccocca Applied Statistics Center 2

3 Obiettivi dell analisi Estrazione di contenuti semantici rilevanti Tecnica legata soprattutto al marketing. In particolari applicazioni vengono analizzati i messaggi scaricati da comunità virtuali al fine di ottenere informazioni sull opinione dei clienti Ricerca di entità qualificate per l estrazione di informazioni Formulazione di risposte ad interrogazioni specifiche. Tecnica sottostante i risponditori automatici utilizzati nella prima fase dai customerservice center. Nella maggior parte dei casi vengono utilizzate tecniche di riduzione spaziale. B-ASC Biccocca Applied Statistics Center 3

4 L analisi descrittiva preliminare Ogni analisi statistica inizia con la descrizionedei dati a disposizione. Nel caso specifico dei dati testuali, gli strumenti richiesti sono strettamente legati alla tipologia del dato, quindi richiedono un analisi statisticolinguistica che tenga in considerazione: Tecniche di normalizzazione del testo (stemming e refining). Struttura linguistica(tipologia del testo). Struttura informativa(contenuto). 4

5 L analisi descrittiva preliminare Prima di utilizzare gli indici e le analisi statistiche per commentare e soprattutto confrontare i risultati, è necessario controllare che le operazioni di normalizzazione del testo siano state uniformi su tutti i corpora in analisi: ES.: utilizzare le stesse liste di stop worde gli stessi algoritmi di stemming; Gli strumenti statistici di seguito proposti si applicano ai dati puliti. 5

6 L analisi descrittiva preliminare: Alcuni indicatori N Parole N termini(concetti, unità lessicali) (lo stesso termine si può ripetere più volte, più parole uguali). Occorrenze= numero di ripetizioni dello stesso termine (frequenza) nel corpus. Indici sintetici della qualità dei testi: Tasso di copertura del testo. Indici di ricchezza lessicale. Strumenti statistici Distribuzione dei termini di maggiore importanza per l analisi all interno del corpus. Matrice termini per documenti. 6

7 Tasso di copertura del testo Tasso di copertura del testo: rapporto tra il numero di parole rimaste in seguito alle operazioni di refining ed il numero totale di parole presenti nel testo originale. Fornisce una prima indicazione sulla quantità di informazioni davvero utili contenute nel testo. Alcuni valori sono più legati di altri a determinate tipologie di testo: - Il testo tecnico è solitamente più stringato. - Il testo letterario è più articolato. Confronti fra generi e all interno dello stesso genere.

8 L analisi descrittiva preliminare: Indici di ricchezza lessicale Il vocabolariodi un testo è determinato dai termini usati in un testo, indipendentemente dalla loro frequenza. Un primo indicatore sintetico è #vocabolario, ovvero il numero di termini (non di parole) usati nel testo. Type/tokenratio= #vocabolario/n di parole presenti. Maggiore è il numero di termini diversi in rapporto al totale delle parole presenti, più è ricco il testo. (N.B. stemming) Guiraudindex= n harpax/#vocabolario. Harpax= numero di termini con frequenza assoluta pari a 1 Molti termini singolari indicano maggiore ricchezza di linguaggio. 8

9 L analisi descrittiva preliminare: Indici di ricchezza lessicale (esempio) Un singolo documento, descrittivo dell azienda, ricavato dalla comunicazione ufficiale del sito internet: Fondata nel 1876, Henkeldetiene posizioni di leadership sul mercato mondiale sia nel segmento dedicato ai consumatori sia in quello rivolto alle industrie, con marchi di fama internazionale come Persil, Schwarzkopf e Loctite. Henkel, la cui sede centrale si trova a Düsseldorf, in Germania, impiega circa persone nel mondo ed è una delle multinazionali tedesche più presenti sui mercati mondiali. Nel mondo ogni giorno le persone ripongono fiducia nei marchi e nelle tecnologie Henkel. 9

10 L analisi descrittiva preliminare: Indici di ricchezza lessicale (esempio) Testo dopo il refining(normalizzazione): Fondare Henkel detenere posizione leadership mercato mondo segmento dedicare consumatore rivolgere industria marchio fama internazionale Persil Schwarzkopf LoctiteHenkel sede centrale trovarsi Düsseldorf Germania impiegare persona mondo multinazionale tedesco presente mercato mondo mondogiorno persona riporre fiducia marchio tecnologia Henkel 10

11 L analisi descrittiva preliminare: Indici di ricchezza lessicale (esempio) Numero parole nel documento originale= 75 Numero di parole nel documento normalizzato = 40 Tasso di copertura del testo: 40/75= 0.53 #vocabolario: numero di termini nel testo = 32 Type/token ratio:#vocab/n parole = 32/40=0.8 #Harpax: numero di termini singoli = 27 Guiraud index: #harpax/#vocabolario=27/32=0.84 Termini più frequenti:. mondo Henkel marchio mercato persona

12 Distribuzione di frequenza dei termini a confronto con i lessici di frequenza Comparazione della distribuzione dei termini caratteristici della ricerca e confronto con i lessici di frequenza, che forniscono la distribuzione degli stessi termini all interno del linguaggio comune. Lessico parlato diverso da quello scritto. Particolarità del linguaggio scritto sul web. Linguaggio gergale. 12

13 L analisi descrittiva preliminare: matrice termini x documenti La matrice termini x documenti (come la sua trasposta documenti x termini) fornisce la distribuzione di frequenza di ciascun termine all interno dei vari documenti e vice versa. Questa matrice non ha solo caratteristiche descrittive ma funge da base per la maggior parte delle analisi statistiche più complesse. Fornisce informazioni sulle parole più frequenti e su quelle meno frequenti, che sono caratteri del testo specifico. 13

14 L analisi descrittiva preliminare: matrice termini x documenti mondo marchio mercato persona centrale ecc Azienda A Azienda B Azienda C ecc 14

15 L associazione tra concetti Come nel caso di variabili categoriali, anche per i termini presenti in un testo è possibile calcolare le associazioni fra coppie, verificando quali concetti si presentano più spesso in contemporanea. Dall analisi dell associazione è possibile trarre indicazioni riguardanti eventuali dimensioni latenti, presenti quando lo stesso concetto si manifesta con forme lessicali differenti. 15

16 La riduzione spaziale dei dati Previa la rilevazione di consistenti livelli di associazione fra coppie di concetti, è possibile costruire spazi fattoriali ridotti (proprio come l analisi fattoriale classica) che consentano di raggruppare insiemi di parole, le quali, accostate presentino un pensiero di senso compiuto. Tramite l analisi delle corrispondenze è possibile generare uno spazio in cui i gruppi di termini più prossimi sono portatori di informazioni rilevanti, non autoevidenti nella vasta mole di dati iniziali. 16

17 La riduzione spaziale dei dati La riduzione spaziale dei dati, chiamata anche SVD (SingularValue Decomposition), serve per quantificare l informazione contenuta nella matrice termini X documenti, la quale determina uno spazio multidimensionale enorme. La scomposizione in valori singolari aiuta a ridurre la dimensionalitàdei dati individuando le componenti semantiche latenti ( temi principali nei documenti originali). Ciascun documento ha una determinata posizione rispetto a questi nuovi assi che ne misura l attinenza al concetto ad essi sotteso. 17

18 La classificazione Ai dati testuali è possibile applicare le più diffuse tecniche statistiche di classificazione automatica allo scopo di : Individuare gruppi omogenei di termini all interno del corpus. Evidenziare caratteristiche che si discostano dal comportamento generale e che richiedono un trattamento diverso. 18

19 La classificazione Diversi metodi di classificazione: Metodi di apprendimento supervisionato Alberi decisionali Reti Neurali Metodi di apprendimento non supervisionato Clustering gerarchico Clustering non gerarchico 19

20 La classificazione I metodi di apprendimento supervisionatosono fortemente legati al concetto di text categorization: assegnazione automatica di testi scritti ad una o più categorie note in partenza: Single-label: Ogni testo viene assegnato ad una sola categoria Multi-label: Ogni documento può essere assegnato a zero o più categorie, che possono sovrapporsi parzialmente. Obiettivo di un classificatore automatico è quello di generalizzare le osservazioni fatte su un insieme di campioni di training, allo scopo di assegnare alla giusta categoria nuovi testi. 20

21 La classificazione I metodi di apprendimento non supervisionato, in generale consentono di conseguire i seguenti risultati: Ricerca tipologica e di classi omogenee Ricerca di gruppi di testi tra loro omogenei ma aventi caratteristiche distintive rispetto al resto del corpus. Generazione di ipotesi di ricerca Non necessitano di modelli a priori. Costruzione di sistemi di classificazione automatica Classificatore per le nuove unità. 21

22 Analisi testuale Prospettive: Sfruttare l enorme quantità di informazioni nascoste nei messaggi codificati in linguaggio naturale altrimenti trascurate. Limiti: L AI non è ancora sufficientemente sviluppata per consentire una ricodificaautomatica in linguaggio macchina che non necessiti della supervisione umana. 22

23 Principali software a disposizione per Software free Weka/KEA R/tm Software proprietario TalTac2 T-LAB Spad/data mining SPSS /Clementine SAS text miner l analisi testuale 23

24 Principali software a disposizione per l analisi testuale: WEKA/KEA Weka: Leader nell ambito del software open source per il data mining e per il text mining in particolare. Sviluppato in Java nell ambito dell università di Waikato in Nuova Zelanda. Nato in ambito di ricerca, si sta diffondendo nel mondo economico. Include tooldi pre-processing, metodi di valutazione, algoritmi di apprendimento ed un ambiente per confrontarne i risultati, nonché un interfaccia grafica. 24

25 Principali software a disposizione per l analisi testuale: WEKA/KEA Weka/KEA: Il modulo KEA è specifico dell analisi testuale. KEA fornisce un algoritmo per l estrazione di parole chiave e frasi cardine da documenti testuali utile per indicizzazioni (libere o controllate) tramite dizionario. Integra tutti i più comuni strumenti di analisi statistica testuale.!!!importante: dispone di una vasta raccolta di vocabolari utili per lo stemming(tra cui l italiano). 25

26 Principali software a disposizione per l analisi testuale: R/tm R: È un ambiente di sviluppo specifico per l analisi statistica. Rappresenta lo standard del software statistico open source per il mondo accademico perché è sempre all avanguardia. Lo sviluppo di interfacce grafiche userfriendlyne amplia l utilizzo fuori dall università. Non fornisce garanzie dal punto di vista legale sulla qualità del risultato, peraltro supervisionato costantemente dagli sviluppatori (per lo più accademici di professione). 26

27 Principali software a disposizione per R: l analisi testuale: R/tm Dispone di una ampia serie di moduli specifici che si adattano alle maggiori esigenze statistiche. Il pacchetto per l analisi testuale tmfornisce gli strumenti per la normalizzazionedei testi, che in seguito possono essere trattati con i classici strumenti statistici compresi nei moduli specifici. Per l analisi semantica e lo stemmingutilizza gli stessi strumenti implementati in WEKA. 27

28 Principali software a disposizione per l analisi testuale TalTac2: Software proprietario per l'analisi automatica del testo nella duplice logica di Text Analysis (TA) e di Text Mining(TM). Ha origine dai risultati di ricerche svolte presso le Università degli Studi di Salerno e di Roma "La Sapienza" nel corso degli anni novanta, coordinate da Sergio Bolascoed è frutto della collaborazione di ricercatori e colleghi di varie università italiane e francesi. Utilizza risorse sia di tipo statistico, sia di tipo linguistico, altamente integrate fra loro e personalizzabili dall'utente, e consente a due livelli, lessicale e testuale, da un lato l'analisi del testo (text analysis), dall'altro il recupero e l'estrazione d'informazione, secondo i principi del data mininge del text mining. N.B.: Specifico per ambienti Windows. 28

29 Principali software a disposizione per l analisi testuale T-LAB: Software statistico, utilizzato anche nell ambito, ma indirizzato soprattutto al settore privato. Nato nell ambito in territorio italiano, dispone di una discreta varietà di dizionari e, come TalTac2, è indirizzato specificatamente all analisi testuale. Il software utilizza processi automatici semiautomatici che consentono di evidenziare rapidamente pattern di parole, temi e variabili. N.B.: Specifico per ambienti Windows. 29

30 Principali software a disposizione per l analisi testuale SPAD/data mining: SPAD è un software della società francese Coherisdestinato all analisi dei statistica dati con indirizzo prevalentemente predittivo. Si è sviluppato in ambito accademico ma, grazie allo sviluppo di un interfaccia grafica fortemente intuitiva, ha assunto un indirizzo preminentemente aziendale. Oggi la fase di sviluppo è principalmente a livello proprietario. Il modulo di data mining offre di tecniche di analisi testuale N.B.: Specifico per ambienti Windows. 30

31 Principali software a disposizione per l analisi testuale SPSS/ Clementine SPSS è un software statistico oggi di proprietà dell IBM, diffusissimo soprattutto in ambito sociologico, dispone di un set di toolstatistici abbastanza completo e di un interfaccia grafica molto semplice che ne hanno consentito un grandissima diffusione. Offre un modulo di data mining, Clementine, che integra l analisi testuale. N.B.: Oltre che da Windows è supportato anche da Mac OS. 31

32 Principali software a disposizione per l analisi testuale SAS/ text miner Complesso di prodotti software integrati (sviluppati dal SAS Institute) ad indirizzo prevalenti di supporto alle decisioni. Permette un ampio utilizzo di strumenti di programmazione: meno user friendly ma più flessibile. Rappresenta il leader di mercato nel data mininge, oltre ad avere toolspecifici per l analisi testuale nel pacchetto text minir, oggi offre un pacchetto supplementare completo di texmining, completo degli strumenti più aggiornati e di un ampia gamma di dizionari. N.B.: non è supportato da Mac Os. 32

33 Bibliografia Data Mining Techniques, III ed.; LinoffG.S., Berry M.J.A.; (2011) Wiley Capitolo 21: Text mining

Text mining ed analisi di dati codificati in linguaggio naturale. Analisi esplorative di dati testuali

Text mining ed analisi di dati codificati in linguaggio naturale. Analisi esplorative di dati testuali Text mining ed analisi di dati codificati in linguaggio naturale Analisi esplorative di dati testuali Il text mining: una definizione Data mining per dati destrutturati ovvero documenti codificati in linguaggio

Dettagli

MASTER UNIVERSITARIO

MASTER UNIVERSITARIO MASTER UNIVERSITARIO Analisi Dati per la Business Intelligence In collaborazione con II edizione 2013/2014 Dipartimento di Culture, Politica e Società Dipartimento di Informatica gestito da aggiornato

Dettagli

MASTER UNIVERSITARIO. Analisi Dati per la Business Intelligence e Data Science. IV edizione 2015/2016

MASTER UNIVERSITARIO. Analisi Dati per la Business Intelligence e Data Science. IV edizione 2015/2016 MASTER UNIVERSITARIO Analisi Dati per la Business Intelligence e Data Science In collaborazione con IV edizione 2015/2016 Dipartimento di Culture, Politica e Società Dipartimento di Informatica Dipartimento

Dettagli

Quick Introduction T-LAB 9.1. Strumenti per l Analisi dei Testi. Marzo 2014. Copyright 2001-2014 T-LAB by Franco Lancia All rights reserved.

Quick Introduction T-LAB 9.1. Strumenti per l Analisi dei Testi. Marzo 2014. Copyright 2001-2014 T-LAB by Franco Lancia All rights reserved. T-LAB 9.1 Marzo 2014 Quick Introduction Strumenti per l Analisi dei Testi Copyright 2001-2014 T-LAB by Franco Lancia All rights reserved. Website: http://www.tlab.it/ E-mail: info@tlab.it T-LAB is a registered

Dettagli

DATA MINING E DATA WAREHOUSE

DATA 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

Dettagli

aided content analysis)

aided content analysis) T-Lab Stefano Nobile L analisi del contenuto computerizzata (computer aided content analysis) I software in commercio per l analisi l del contenuto computerassistita possono essere distinti in due grandi

Dettagli

Il DataMining. Susi Dulli dulli@math.unipd.it

Il DataMining. Susi Dulli dulli@math.unipd.it Il DataMining Susi Dulli dulli@math.unipd.it Il Data Mining Il Data Mining è il processo di scoperta di relazioni, pattern, ed informazioni precedentemente sconosciute e potenzialmente utili, all interno

Dettagli

Analisi statistica di dati testuali

Analisi statistica di dati testuali Analisi statistica di dati testuali Prof.ssa D. Fioredistella Iezzi Università di Roma Tor Vergata stella.iezzi@uniroma2.it Studi quantitativi sulla lingua Le tecniche di analisi testuale consentono di

Dettagli

PDF created with pdffactory trial version www.pdffactory.com. Il processo di KDD

PDF 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

Dettagli

Indagini statistiche attraverso i social networks

Indagini statistiche attraverso i social networks Indagini statistiche attraverso i social networks Agostino Di Ciaccio Dipartimento di Scienze Statistiche Università degli Studi di Roma "La Sapienza" SAS Campus 2012 1 Diffusione dei social networks Secondo

Dettagli

Breve descrizione del prodotto

Breve descrizione del prodotto Breve descrizione del prodotto 1. Il software AquaBrowser Library...2 1.1 Le funzioni di Search Discover Refine...3 1.2 Search: la funzione di ricerca e di presentazione dei risultati...3 1.2.1 La configurazione

Dettagli

SISTEMI INFORMATIVI AZIENDALI

SISTEMI 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

Dettagli

Lezione 8. Data Mining

Lezione 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

Dettagli

Prime sperimentazioni d'indicizzazione [semi]automatica alla BNCF

Prime sperimentazioni d'indicizzazione [semi]automatica alla BNCF Prime sperimentazioni d'indicizzazione [semi]automatica alla BNCF Maria Grazia Pepe - Elisabetta Viti (Biblioteca nazionale centrale di Firenze) 6. Incontro ISKO Italia Firenze 20 maggio 2013 SOMMARIO

Dettagli

Analisi statistica di dati testuali: il software SPAD

Analisi statistica di dati testuali: il software SPAD Analisi statistica di dati testuali: il software SPAD Prof.ssa D. Fioredistella Iezzi Università di Roma Tor Vergata stella.iezzi@uniroma2.it SPAD Procedure testuali in SPAD MOTS: Creazione di un vocabolario

Dettagli

Introduzione al Datamining. Francesco Passantino francesco@iteam5.net www.iteam5.net/francesco

Introduzione al Datamining. Francesco Passantino francesco@iteam5.net www.iteam5.net/francesco Introduzione al Datamining Francesco Passantino francesco@iteam5net wwwiteam5net/francesco Cos è il datamining Processo di selezione, esplorazione e modellazione di grandi masse di dati, al fine di scoprire

Dettagli

Esplorazioni e visualizzazioni Rocco Tripodi rocco@unive.it

Esplorazioni e visualizzazioni Rocco Tripodi rocco@unive.it Università Ca Foscari di Venezia Linguistica Informatica Mod. 1 Anno Accademico 2010-2011 Esplorazioni e visualizzazioni Rocco Tripodi rocco@unive.it Schema Input Text Teoria informazione Espressioni Regolari

Dettagli

SEGMENTAZIONE INNOVATIVA VS TRADIZIONALE

SEGMENTAZIONE INNOVATIVA VS TRADIZIONALE SEGMENTAZIONE INNOVATIVA VS TRADIZIONALE Arricchimento dei dati del sottoscrittore / user Approccio Tradizionale Raccolta dei dati personali tramite contratto (professione, dati sul nucleo familiare, livello

Dettagli

Documentazione Demo online

Documentazione Demo online READ-IT Documentazione Demo online ILC-CNR ItaliaNLP Lab Sommario 1 MISURAZIONE DELLA LEGGIBILITÀ DI UN TESTO 2 1.1 Analisi globale della leggibilità 3 1.1.1 Valutazione globale della leggibilità del documento

Dettagli

Data Mining. Gabriella Trucco gabriella.trucco@unimi.it

Data Mining. Gabriella Trucco gabriella.trucco@unimi.it Data Mining Gabriella Trucco gabriella.trucco@unimi.it Perché fare data mining La quantità dei dati memorizzata su supporti informatici è in continuo aumento Pagine Web, sistemi di e-commerce Dati relativi

Dettagli

Data mining e rischi aziendali

Data 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

Dettagli

Database. Si ringrazia Marco Bertini per le slides

Database. Si ringrazia Marco Bertini per le slides Database Si ringrazia Marco Bertini per le slides Obiettivo Concetti base dati e informazioni cos è un database terminologia Modelli organizzativi flat file database relazionali Principi e linee guida

Dettagli

Modulo Campaign Activator

Modulo Campaign Activator Modulo Campaign Activator 1 Che cosa è Market Activator Market Activator è una suite composta da quattro diversi moduli che coprono esigenze diverse, ma tipicamente complementari per i settori marketing/commerciale

Dettagli

Dispersion centrality: applicazione della dispersione in casi di studio reali

Dispersion centrality: applicazione della dispersione in casi di studio reali Dispersion centrality: applicazione della dispersione in casi di studio reali Amedeo Leo Alessio Petrozziello Simone Romano amedeo.leo92@gmail.com alessio92p@gmail.com s.romano1992@gmail.com Università

Dettagli

Archiviazione e Conservazione Sostitutiva

Archiviazione e Conservazione Sostitutiva Archiviazione e Conservazione Sostitutiva AGENDA 1. L archiviazione elettronica semplice 2. La Conservazione Sostitutiva 3. La firma grafometrica Acquisizione: scansione Il documento scansito viene trasformato

Dettagli

Sistemi Informativi Aziendali. Sistemi Informativi Aziendali

Sistemi Informativi Aziendali. Sistemi Informativi Aziendali DIPARTIMENTO DI INGEGNERIA INFORMATICA AUTOMATICA E GESTIONALE ANTONIO RUBERTI Cenni al Data Mining 1 Data Mining nasce prima del Data Warehouse collezione di tecniche derivanti da Intelligenza Artificiale,

Dettagli

Corso di Informatica

Corso di Informatica Corso di Informatica Modulo T2 1 Sistema software 1 Prerequisiti Utilizzo elementare di un computer Significato elementare di programma e dati Sistema operativo 2 1 Introduzione In questa Unità studiamo

Dettagli

ANALISI DEI DATI PER IL MARKETING 2014

ANALISI DEI DATI PER IL MARKETING 2014 ANALISI DEI DATI PER IL MARKETING 2014 Marco Riani mriani@unipr.it http://www.riani.it LA CLASSIFICAZIONE CAP IX, pp.367-457 Problema generale della scienza (Linneo, ) Analisi discriminante Cluster Analysis

Dettagli

Facoltà di Psicologia - Corso FSE gennaio febbraio 2010. Marco Vicentini info@marcovicentini.it

Facoltà di Psicologia - Corso FSE gennaio febbraio 2010. Marco Vicentini info@marcovicentini.it Facoltà di Psicologia - Corso FSE gennaio febbraio 2010 Marco Vicentini info@marcovicentini.it Statistica e Psicologia Quali statistiche per la psicologia? Quali programmi per la statistica? Codifica e

Dettagli

Sistemi informativi aziendali

Sistemi informativi aziendali Sistemi informativi aziendali Lezione 12 prof. Monica Palmirani Sistemi informativi e informatici Sistemi informativi = informazioni+processi+comunicazione+persone Sistemi informatici = informazioni+hardware+software

Dettagli

Introduzione al KDD e al DATA MINING

Introduzione al KDD e al DATA MINING Introduzione al KDD e al DATA MINING Vincenzo Antonio Manganaro vincenzomang@virgilio.it, www.statistica.too.it Indice 1 Verso il DM: una breve analisi delle fasi del processo KDD. 1 2 Il DM: Alcune definizioni.

Dettagli

Data warehouse. Architettura complessiva con OLTP e OLAP OLTP. Sistemi di supporto alle decisioni

Data warehouse. Architettura complessiva con OLTP e OLAP OLTP. Sistemi di supporto alle decisioni Data warehouse Data warehouse La crescita dell importanza dell analisi dei dati ha portato ad una separazione architetturale dell ambiente transazionale (OLTP on-line transaction processing) da quello

Dettagli

Laurea Magistrale in Linguistica Teorica, Applicata e delle Lingue Moderne. Tirocini già attivati e docenti di riferimento

Laurea Magistrale in Linguistica Teorica, Applicata e delle Lingue Moderne. Tirocini già attivati e docenti di riferimento Laurea Magistrale in Linguistica Teorica, Applicata e delle Lingue Moderne Tirocini già attivati e docenti di riferimento Ciascuno dei tirocini proposti è valevole ai fini del riconoscimento dei 6 CFU

Dettagli

Analisi dei requisiti e casi d uso

Analisi 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.........................

Dettagli

Indice-sommario INDICE SOMMARIO CAPITOLO I LE MATRICI DEI DATI E LE ANALISI UNIVARIATE

Indice-sommario INDICE SOMMARIO CAPITOLO I LE MATRICI DEI DATI E LE ANALISI UNIVARIATE VII INDICE SOMMARIO Prefazione... xv CAPITOLO I LE MATRICI DEI DATI E LE ANALISI UNIVARIATE 1. Analisi dei dati e data mining... 1 2. La matrice dei dati «unità pervariabili»... 6 3. Idatiricavatidaun

Dettagli

Indicizzazione terza parte e modello booleano

Indicizzazione terza parte e modello booleano Reperimento dell informazione (IR) - aa 2014-2015 Indicizzazione terza parte e modello booleano Gruppo di ricerca su Sistemi di Gestione delle Informazioni (IMS) Dipartimento di Ingegneria dell Informazione

Dettagli

ht://miner Un sistema open-source di data mining e data warehousing per lo studio dei comportamenti degli utenti su Internet

ht://miner Un sistema open-source di data mining e data warehousing per lo studio dei comportamenti degli utenti su Internet ht://miner Un sistema open-source di data mining e data warehousing per lo studio dei comportamenti degli utenti su Internet Gabriele Bartolini Comune di Prato Sistema Informativo Servizi di E-government

Dettagli

Linguaggi e Paradigmi di Programmazione

Linguaggi e Paradigmi di Programmazione Linguaggi e Paradigmi di Programmazione Cos è un linguaggio Definizione 1 Un linguaggio è un insieme di parole e di metodi di combinazione delle parole usati e compresi da una comunità di persone. È una

Dettagli

Indicizzazione di documenti testuali

Indicizzazione di documenti testuali Indicizzazione di documenti testuali Generazione di un archivio di Documenti Testuali E eseguita off-line necessaria per accelerare il reperimento dei documenti E un processo che esegue le seguenti attività:

Dettagli

Kirey Re.Search 2.0. Piattaforma di ricerca Open Source

Kirey Re.Search 2.0. Piattaforma di ricerca Open Source Kirey Re.Search 2.0 Piattaforma di ricerca Open Source Le esigenze Quando si parla di motori di ricerca si tende a pensare istintivamente solo a quelli utilizzati per effettuare ricerche in Internet, come

Dettagli

Il questionario. Claudio Pizzi Dipartimento di Economia Università Ca Foscari Venezia

Il questionario. Claudio Pizzi Dipartimento di Economia Università Ca Foscari Venezia Il questionario Claudio Pizzi Dipartimento di Economia Università Ca Foscari Venezia 1 Il questionario Il questionario è uno strumento per la rilevazione delle informazioni attraverso un piano strutturato

Dettagli

Data Mining e Marketing Intelligence

Data Mining e Marketing Intelligence Data Mining e Marketing Intelligence Alberto Saccardi * Abstract L evoluzione tecnologica ha reso possibile la costruzione di basi dati dedicate per la Marketing Intelligence, con la disponibilità di patrimoni

Dettagli

ANALISI DEI DATI PER IL MARKETING 2014

ANALISI DEI DATI PER IL MARKETING 2014 ANALISI DEI DATI PER IL MARKETING 2014 Marco Riani mriani@unipr.it http://www.riani.it RIPASSO SULLE MATRICI 1 Addizione tra matrici Moltiplicazione Matrice diagonale Matrice identità Matrice trasposta

Dettagli

SMID a.a. 2005/2006 Corso di Statistica per la Ricerca Sperimentale I sondaggi 23/1/2006

SMID a.a. 2005/2006 Corso di Statistica per la Ricerca Sperimentale I sondaggi 23/1/2006 SMID a.a. 2005/2006 Corso di Statistica per la Ricerca Sperimentale I sondaggi 23/1/2006 Scopo della ricerca Riuscire a determinare le caratteristiche di un fenomeno attraverso un campionamento di alcuni

Dettagli

TEXT MINING, RECUPERARE L'INFORMAZIONE NASCOSTA

TEXT MINING, RECUPERARE L'INFORMAZIONE NASCOSTA TEXT MINING, RECUPERARE L'INFORMAZIONE NASCOSTA FEDERICO NERI (neri@synthema.it) REMO RAFFAELLI (raffaelli@synthema.it) - intervento di Remo Raffaelli - SYNTHEMA Lexical Systrems lab Lungarno Mediceo 40,

Dettagli

LINGUE E LETTERATURE STRANIERE. Inglese, francese, tedesco, spagnolo

LINGUE E LETTERATURE STRANIERE. Inglese, francese, tedesco, spagnolo LINGUE E LETTERATURE STRANIERE Inglese, francese, tedesco, spagnolo Indirizzi Classico e Linguistico BIENNIO (Li, L2), (L3 l a e 2 a liceo) OBIETTIVI GENERALI (L1, L2, L3 e sezioni classiche) Obiettivo

Dettagli

Uno sguardo a Lucene. Diego De Cao, Roberto Basili Web Mining and Information Retrieval a.a. 2010/2011

Uno sguardo a Lucene. Diego De Cao, Roberto Basili Web Mining and Information Retrieval a.a. 2010/2011 Uno sguardo a Lucene Diego De Cao, Roberto Basili Web Mining and Information Retrieval a.a. 2010/2011 Outline Uno sguardo a Lucene Descrizione delle principali caratteristiche Realizzazione di un semplice

Dettagli

Applicazione: Share - Sistema per la gestione strutturata di documenti

Applicazione: Share - Sistema per la gestione strutturata di documenti Riusabilità del software - Catalogo delle applicazioni: Gestione Documentale Applicazione: Share - Sistema per la gestione strutturata di documenti Amministrazione: Regione Piemonte - Direzione Innovazione,

Dettagli

SISTEMI INFORMATIVI AZIENDALI

SISTEMI 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 Sistemi informazionali La crescente diffusione dei

Dettagli

IBM SPSS Modeler Text Analytics 17 - Guida dell'utente

IBM SPSS Modeler Text Analytics 17 - Guida dell'utente IBM SPSS Modeler Text Analytics 17 - Guida dell'utente Nota Prima di utilizzare queste informazioni e il relativo prodotto, leggere le informazioni disponibili in Note a pagina 237. Informazioni sul prodotto

Dettagli

Corso di Alfabetizzazione Informatica

Corso di Alfabetizzazione Informatica Corso di Alfabetizzazione Informatica Lezione 6 a.a. 2010/2011 Francesco Fontanella La Complessità del Hardware Il modello di Von Neumann è uno schema di principio. Attualmente in commercio esistono: diversi

Dettagli

Uno standard per il processo KDD

Uno standard per il processo KDD Uno standard per il processo KDD Il modello CRISP-DM (Cross Industry Standard Process for Data Mining) è un prodotto neutrale definito da un consorzio di numerose società per la standardizzazione del processo

Dettagli

La guida CRM per eliminare le incertezze: prendete il controllo del vostro business

La guida CRM per eliminare le incertezze: prendete il controllo del vostro business 2 La guida CRM per eliminare le incertezze: prendete il controllo del vostro business (2 - migliorate la vostra credibilità: i 5 passi per dimostrare l efficacia del Marketing) Pagina 1 di 9 SOMMARIO PREMESSA...

Dettagli

1. Aspetti di Marketing... 3 Obiettivi... 3 Esempi... 4 2. Aspetti Applicativi... 4 Obiettivi... 4. 3. Aspetti Prestazionali... 4

1. Aspetti di Marketing... 3 Obiettivi... 3 Esempi... 4 2. Aspetti Applicativi... 4 Obiettivi... 4. 3. Aspetti Prestazionali... 4 Pagina 2 1. Aspetti di Marketing... 3 Obiettivi... 3 Esempi... 4 2. Aspetti Applicativi... 4 Obiettivi... 4 Esempi... 4 3. Aspetti Prestazionali... 4 Obiettivi... 4 Esempi... 4 4. Gestione del Credito

Dettagli

Installazione di IBM SPSS Modeler 14.2 Client (licenza di rete)

Installazione di IBM SPSS Modeler 14.2 Client (licenza di rete) Installazione di IBM SPSS Modeler 14.2 Client (licenza di rete) Le seguenti istruzioni sono relative all installazione di IBM SPSS Modeler Client versione 14.2 con licenza di rete. Questo documento è stato

Dettagli

CICLO DI SEMINARI AVANZATI SUI METODI E LE TECNICHE DELLA RICERCA QUALITATIVA PROGRAMMI DEI SEMINARI

CICLO DI SEMINARI AVANZATI SUI METODI E LE TECNICHE DELLA RICERCA QUALITATIVA PROGRAMMI DEI SEMINARI Il Master di Secondo Livello in QR-M&S RICERCA QUALITATIVA PER IL MARKETING E IL SOCIALE Quarta Edizione - A.A. 2012-2013 propone un CICLO DI SEMINARI AVANZATI SUI METODI E LE TECNICHE DELLA RICERCA QUALITATIVA

Dettagli

Analisi delle opinioni dei clienti in ambito automotive: due casi studio

Analisi delle opinioni dei clienti in ambito automotive: due casi studio Analisi delle opinioni dei clienti in ambito automotive: due casi studio Negli ultimi anni le decisioni strategiche o di business di un azienda si affidano sempre più alla tecnologia: nuovi strumenti di

Dettagli

MICROMARKETING DI SUCCESSO SFRUTTANDO DAVVERO IL CUSTOMER DATABASE

MICROMARKETING DI SUCCESSO SFRUTTANDO DAVVERO IL CUSTOMER DATABASE MICROMARKETING DI SUCCESSO SFRUTTANDO DAVVERO IL CUSTOMER DATABASE Innovative tecniche statistiche che consentono di mirare le azioni di marketing, vendita e comunicazione valorizzando i dati dei database

Dettagli

Installazione di IBM SPSS Modeler 14.2 Client (utente singolo)

Installazione di IBM SPSS Modeler 14.2 Client (utente singolo) Installazione di IBM SPSS Modeler 14.2 Client (utente singolo) Le seguenti istruzioni sono relative all installazione di IBM SPSS Modeler Client versione 14.2 con licenza per utente singolo. Una licenza

Dettagli

DIPLOMA DI STATISTICA

DIPLOMA DI STATISTICA Università di Roma La Sapienza DIPLOMA DI STATISTICA PROGETTO CAMPUS Guida all uso dello Spad-T Applicazione Texte Luca Giuliano Alessandro Stabellini Anno 2000 DOS Sigla della locuz. ingl. Disk Operating

Dettagli

COS È IL FORUM COMPOSIZIONE DEL FORUM

COS È IL FORUM COMPOSIZIONE DEL FORUM www.forumtal.it COS È IL TAL La codifica della voce, alla base della tecnologia Umts, il riconoscimento vocale, che permette di effettuare una chiamata senza comporre il numero e l automa che facilita

Dettagli

Il guadagno informativo negli alberi decisionali: un nuovo approccio

Il guadagno informativo negli alberi decisionali: un nuovo approccio Il guadagno informativo negli alberi decisionali: un nuovo approccio Sommario Descrizione del problema... 2 Il guadagno informativo di Nanni... 3 Il software Weka... 3 Cos è Weka... 3 Il guadagno Informativo

Dettagli

Esperienze di Apprendimento Automatico per il corso di Intelligenza Artificiale

Esperienze di Apprendimento Automatico per il corso di Intelligenza Artificiale Esperienze di Apprendimento Automatico per il corso di lippi@dsi.unifi.it Dipartimento Sistemi e Informatica Università di Firenze Dipartimento Ingegneria dell Informazione Università di Siena Introduzione

Dettagli

Verso un lessico computazionale aperto per la lingua italiana

Verso un lessico computazionale aperto per la lingua italiana Verso un lessico computazionale aperto per la lingua italiana Il progetto Senso Comune Guido Vetere Associazione Senso Comune IBM Centro Studi Avanzati di Roma Pubblica Amministrazione Aperta e Libera,,

Dettagli

CORSO DI ITALIANO CLASSE PRIMA

CORSO DI ITALIANO CLASSE PRIMA CORSO DI ITALIANO CLASSE PRIMA UdA n.1 - LEGGERE, COMPRENDERE E INTERPRETARE TESTI 1. Comprendere e analizzare narrativi, descrittivi, espositivi e poetici 2. Riconoscere e classificare diversi tipi di

Dettagli

Competenze Abilità Conoscenze Tempi

Competenze Abilità Conoscenze Tempi DIPARTIMENTO DI INGLESE PRIMO BIENNIO Primo anno COMPETENZE ASSE DEI LINGUAGGI Utilizza gli strumenti espressivi per gestire l interazione comunicativa per i principali scopi di uso quotidiano. - comprende

Dettagli

Introduzione al Pattern Recognition Statistico

Introduzione al Pattern Recognition Statistico Introduzione al Pattern Recognition Statistico Roberto Tagliaferri Dipartimento di Informatica Università di Salerno ( Sa ) 84084 Fisciano e-mail robtag@unisa.it Statistical Pattern Recognition Introduzione

Dettagli

SUPPORTI SOFTWARE PER LA PROGETTAZIONE DI UN SISTEMA DI MOVIMENTAZIONE

SUPPORTI SOFTWARE PER LA PROGETTAZIONE DI UN SISTEMA DI MOVIMENTAZIONE SUPPORTI SOFTWARE PER LA PROGETTAZIONE DI UN SISTEMA DI MOVIMENTAZIONE Alessandro DE CARLI - Luigi PARIS Dipartimento di Informatica e Sistemistica Università degli Studi di Roma La Sapienza Via Eudossiana

Dettagli

Sistemi informativi aziendali

Sistemi informativi aziendali Sistemi informativi aziendali Lezione 12 prof. Monica Palmirani Sistemi informativi e informatici Sistemi informativi = informazioni+processi+comunicazione+persone Sistemi informatici = informazioni+hardware+software

Dettagli

IBM SPSS Modeler Text Analytics 16 Guida dell'utente

IBM SPSS Modeler Text Analytics 16 Guida dell'utente IBM SPSS Modeler Text Analytics 16 Guida dell'utente Nota Prima di utilizzare queste informazioni e il relativo prodotto, leggere le informazioni disponibili in Note a pagina 239. Informazioni sul prodotto

Dettagli

CATALOGO DEI CORSI DI FORMAZIONE

CATALOGO DEI CORSI DI FORMAZIONE CATALOGO DEI CORSI DI FORMAZIONE NextInt Training Center - formazione@nextint.it NextInt Via Nino Oxilia 22 20127 Milano (MI) Tel. +30 02 36572330/332 formazione@nextint.it www.nextint.it CHI SIAMO NextInt

Dettagli

La gestione del documento

La gestione del documento Operatore giuridico d impresa Informatica Giuridica A.A 2002/2003 II Semestre La gestione del documento prof. Monica Palmirani Il documento A differenza del dato il documento è solitamente un oggetto non

Dettagli

LICEO STATALE C. TENCA MILANO Dipartimento di Lingue PROGRAMMAZIONE DISCIPLINARE DI LINGUE E CULTURE STRANIERE

LICEO STATALE C. TENCA MILANO Dipartimento di Lingue PROGRAMMAZIONE DISCIPLINARE DI LINGUE E CULTURE STRANIERE MILANO PROGRAMMAZIONE DISCIPLINARE DI LINGUE E CULTURE STRANIERE STRUTTURA DELLA DISCIPLINA 2 Riflessione sulla lingua Dimensione comunicativa-funzionale Dimensione letteraria 3 Articolazione della disciplina

Dettagli

PROGRAMMAZIONE DIDATTICA DISCIPLINARE

PROGRAMMAZIONE DIDATTICA DISCIPLINARE Pag. 1 di 12 DIDATTICA Disciplina TECNOLOGIE INFORMATICHE a.s. 2013/2014 Classe:1 a Sez. A, B, D INDIRIZZO: Docenti : Prof. Piroddi Luigi, Prof.ssa Ibba Paola Pag. 2 di 12 ANALISI DELLA SITUAZIONE DI PARTENZA

Dettagli

ONLINE BRAND REPUTATION SETTORE RISTORAZIONE

ONLINE BRAND REPUTATION SETTORE RISTORAZIONE ONLINE BRAND REPUTATION SETTORE RISTORAZIONE SOMMARIO 1. ANALISI PRELIMINARE PANEL DI OSSERVAZIONE, FONTI, PRIME EVIDENZE... 3 2. ANALISI QUALITATIVA... 4 3. FOCUS ROADHOUSE GRILL... 6 3.1 Roadhouse Grill

Dettagli

Intelligenza Artificiale

Intelligenza Artificiale Intelligenza Artificiale Anno accademico 2008-2009 Information Retrieval: Text Categorization Una definizione formale Sia D il dominio dei documenti Sia C = {c 1,,c C } un insieme di categorie predefinite

Dettagli

IT Questionario per formatori di insegnanti di lingue Analisi dei dati

IT Questionario per formatori di insegnanti di lingue Analisi dei dati IT Questionario per formatori di insegnanti di lingue Analisi dei dati Tu 1. Al questionario hanno risposto sette formatori di insegnanti di lingue. 2. Sei formatori parlano l inglese, sei il francese,

Dettagli

Cosa significa il titolo di questo lavoro? In che lingua è scritto? E vero quello che dice?

Cosa significa il titolo di questo lavoro? In che lingua è scritto? E vero quello che dice? < (BD BI) > Micaela Caserza Magro, Paolo Pinceti DITEN Università degli Studi di Genova Via Opera Pia 11a 16145 Genova Tel. 010/3532205 - Email: paolo.pinceti@unige.it Introduzione Cosa significa il titolo

Dettagli

B usiness I ntelligence: L a scintilla che accende. un investimento che si fa apprezzare giorno dopo giorno. la conoscenza.

B usiness I ntelligence: L a scintilla che accende. un investimento che si fa apprezzare giorno dopo giorno. la conoscenza. B usiness I ntelligence: un investimento che si fa apprezzare giorno dopo giorno.... abbiamo constatato ad esempio come le aziende che hanno investito significativamente in BI (Business Intelligence) abbiano

Dettagli

Principi dell ingegneria del software Relazioni fra

Principi dell ingegneria del software Relazioni fra Sommario Principi dell ingegneria del software Leggere Cap. 3 Ghezzi et al. Principi dell ingegneria del software Relazioni fra Principi Metodi e tecniche Metodologie Strumenti Descrizione dei principi

Dettagli

***** Il software IBM e semplice *****

***** Il software IBM e semplice ***** Il IBM e semplice ***** ***** Tutto quello che hai sempre voluto sapere sui prodotti IBM per qualificare i potenziali clienti, sensibilizzarli sulle nostre offerte e riuscire a convincerli. IBM and Business

Dettagli

Il File System. È la componente del S.O. che si occupa della gestione della memoria di massa e dell organizzazione logica dei dati

Il File System. È la componente del S.O. che si occupa della gestione della memoria di massa e dell organizzazione logica dei dati Il File System È la componente del S.O. che si occupa della gestione della memoria di massa e dell organizzazione logica dei dati Le operazioni supportate da un file system sono: eliminazione di dati modifica

Dettagli

PIANO DI LAVORO (a.s. 2014/2015) Prof.Andrea Luppichini Prof. Marco Fiorentinini DISCIPLINA Informatica

PIANO DI LAVORO (a.s. 2014/2015) Prof.Andrea Luppichini Prof. Marco Fiorentinini DISCIPLINA Informatica Istituto Tecnico Commerciale Statale e per Geometri E. Fermi Pontedera (Pi) Via Firenze, 51 - Tel. 0587/213400 - Fax 0587/52742 http://www.itcgfermi.it E-mail: mail@itcgfermi.it PIANO DI LAVORO (a.s. 2014/2015)

Dettagli

ERP Commercio e Servizi

ERP Commercio e Servizi ERP Commercio e Servizi Sistema informativo: una scelta strategica In questi ultimi anni hanno avuto grande affermazione nel mercato mondiale i cosiddetti sistemi software ERP. Tali sistemi sono in grado

Dettagli

Introduzione alla Business Intelligence

Introduzione alla Business Intelligence SOMMARIO 1. DEFINIZIONE DI BUSINESS INTELLIGENCE...3 2. FINALITA DELLA BUSINESS INTELLIGENCE...4 3. DESTINATARI DELLA BUSINESS INTELLIGENCE...5 4. GLOSSARIO...7 BIM 3.1 Introduzione alla Pag. 2/ 9 1.DEFINIZIONE

Dettagli

Architetture Web. parte 1. Programmazione in Ambienti Distribuiti A.A. 2003-04

Architetture Web. parte 1. Programmazione in Ambienti Distribuiti A.A. 2003-04 Architetture Web parte 1 Programmazione in Ambienti Distribuiti A.A. 2003-04 Architetture Web (1) Modello a tre livelli in cui le interazioni tra livello presentazione e livello applicazione sono mediate

Dettagli

Informatica d ufficio

Informatica d ufficio Informatica d ufficio Anno Accademico 2008/2009 Lezione N 2 Il Sistema Operativo Il Sistema Operativo Il Sistema Operativo è un programma che è sempre in funzione durante l utilizzo del PC (quando si accende

Dettagli

ONLINE BRAND REPUTATION SETTORE TORREFAZIONE

ONLINE BRAND REPUTATION SETTORE TORREFAZIONE ONLINE BRAND REPUTATION SETTORE TORREFAZIONE SOMMARIO 1. ANALISI PRELIMINARE PANEL DI OSSERVAZIONE, FONTI, PRIME EVIDENZE. 3 2. ANALISI QUALITATIVA... 4 3. FOCUS CAFFÈ VERGNANO... 6 3.1 Caffè Vergnano

Dettagli

Disegni di Ricerca e Analisi dei Dati in Psicologia Clinica. Rcmdr

Disegni di Ricerca e Analisi dei Dati in Psicologia Clinica. Rcmdr Disegni di Ricerca e Analisi dei Dati in Psicologia Clinica Rcmdr http://www.r-project.org http://qplab.psy.unipd.it Che cos è Rcmdr? Rcmdr è un pacchetto che possiamo scaricare dal CRAN e installare su

Dettagli

Progetto ASTREA WP2: Sistema informativo per il monitoraggio del sistema giudiziario

Progetto 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,

Dettagli

IL PROBLEMA DELLA RICERCA DI INFORMAZIONI su Internet e sul web

IL PROBLEMA DELLA RICERCA DI INFORMAZIONI su Internet e sul web IL PROBLEMA DELLA RICERCA DI INFORMAZIONI su Internet e sul web GLI INTERROGATIVI 1. Perché Internet è il più grande contenitore di info del mondo? 2. Perché non è sempre facile reperire informazione utile

Dettagli

CONOSCENZE ABILITÀ METODOLOGIA/ STRATEGIE COMUNI EUROPEE Comunicazione nella madre lingua

CONOSCENZE ABILITÀ METODOLOGIA/ STRATEGIE COMUNI EUROPEE Comunicazione nella madre lingua ISTITUTO COMPRENSIVO 3 - VICENZA DIPARTIMENTO DI ITALIANO CURRICOLO DI LINGUA ITALIANA SCUOLA SECONDARIA Fine classe terza COMPETENZE CHIAVE COMPETENZE SPECIFICHE CONOSCENZE ABILITÀ METODOLOGIA/ STRATEGIE

Dettagli

SAP BUSINESS ONE LA SOLUZIONE GESTIONALE PER LE IMPRESE IN CRESCITA

SAP BUSINESS ONE LA SOLUZIONE GESTIONALE PER LE IMPRESE IN CRESCITA SAP Solution Brief SAP BUSINESS ONE LA SOLUZIONE GESTIONALE PER LE IMPRESE IN CRESCITA SAP Business One è una soluzione semplice ed efficace, che soddisfa le esigenze specifiche delle piccole e medie imprese.

Dettagli

Linguaggi di programmazione

Linguaggi di programmazione Linguaggi di programmazione Programmazione L attività con cui si predispone l elaboratore ad eseguire un particolare insieme di azioni su particolari dati, allo scopo di risolvere un problema Dati Input

Dettagli

Liceo Tecnologico. Indirizzo Informatico e Comunicazione. Indicazioni nazionali per Piani di Studi Personalizzati

Liceo Tecnologico. Indirizzo Informatico e Comunicazione. Indicazioni nazionali per Piani di Studi Personalizzati Indirizzo Informatico e Comunicazione Indicazioni nazionali per Piani di Studi Personalizzati Indirizzo Informatico e Comunicazione Discipline con attività di laboratorio 3 4 5 Fisica 132 Gestione di progetto

Dettagli

L utilizzo dei Big Data in Istat: stato attuale e prospettive

L utilizzo dei Big Data in Istat: stato attuale e prospettive L utilizzo dei Big Data in Istat: stato attuale e prospettive Giulio Barcaroli FORUM PA 28 maggio 2015 Outline Illustrazione delle attività portate avanti dall Istat, riguardanti: la prosecuzione di sperimentazioni

Dettagli

Tecniche di riconoscimento statistico

Tecniche di riconoscimento statistico On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 1 - Introduzione generale Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr

Dettagli

2012 Extreme srl riproduzione riservata

2012 Extreme srl riproduzione riservata Web & Social Media: il BIG DATA* Le aziende devono gestire il BIG DATA perché è attraverso di esso che sviluppano relazioni con i clienti, riscontrano e gestiscono la customer satisfaction, studiano e

Dettagli

Reimmaginare il business con SAP HANA Cloud Platform per l Internet of Things

Reimmaginare il business con SAP HANA Cloud Platform per l Internet of Things SAP Solution Brief SAP HANA SAP HANA Cloud Platform per l Internet of Things Obiettivi Reimmaginare il business con SAP HANA Cloud Platform per l Internet of Things Collegare, trasformare e reimmaginare

Dettagli

Che cos è un DBMS? Capitolo 1. Perché usare un DBMS? DBMS. Descrizioni dei dati nei DBMS. Modelli di dati

Che cos è un DBMS? Capitolo 1. Perché usare un DBMS? DBMS. Descrizioni dei dati nei DBMS. Modelli di dati Che cos è un DBMS? Capitolo 1 Introduzione ai sistemi di basi di dati Una collezione integrata molto grande di dati Modella organizzazioni del mondo reale Entità (ad esempio studenti, corsi) Relazioni

Dettagli