Business Intelligence
|
|
- Donata Santoro
- 6 anni fa
- Visualizzazioni
Transcript
1 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 si raccolgono ormai in tutti i contesti oerativi della nostra società.
2 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).
3 Introduzione al Data Mining Nota: si usa distinguere il concetto di modello 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
4 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) 7 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 8
5 Data Mining: definizioni The non trivial rocess of identifying valid, novel, otentially useful and ultimately understandable attern of data Shairo, 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 à roduzione di nuova conoscenza dai dati 10
6 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? 11 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 12
7 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) 13 Data Mining vr Statistica Statistica Non automatica, oeratore fa i calcoli Data minig semi-automatico, macchina fa i calcoli Verification-driven: guidato dalla verifica di un iotesi Discovery-driven, non ci sono iotesi da verificare, scorire nuove iotesi Moli di dati minore Moli di dati molto grandi Analisi rimaria Analisi secondaria 14
8 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). 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). Data mining: obiettivi Classificare Stimare Fare revisioni Raggruare Trovare regole di associazione 16
9 Task di data minig suervisionati Alberi decisionali Reti neurali Non suervisionati Cluster analysis Association rules 17 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 18
10 Task suervisionati Obiettivi n Classificazione n Stima n Previsione Tecniche di data mining n Alberi decisionali n Reti neurali 19 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) 20
11 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 21 Stima Tratta valori continui Individuare il valore di una variabile continua non nota (ad esemio, il reddito, il saldo) Si usa la stima er fare classificazioni Strumenti: alberi di decisione, reti neurali 22
12 Previsione 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 23 Task NON suervisionati Non c è alcuna variabile target da revedere (es individuare i grui di consumatori con i gusti analoghi) Obiettivi: n n raggruare Scorire associazioni tra variabili Tecniche di data mining: n Cluster n Regole di associazione 24
13 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 25 Regole di associazione 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 26 le frodi)
14 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 27 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 DSS: 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) 28
15 Data mining: contesto sociale Raccolta dati su ersone Problematiche n rivacy n Diffusione dei dati n Protezione da uso imrorio 29 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 30
16 Data mining: alicazioni marketing finanza web e-commerce Biotecnologie, farmaceutica, scienze mediche telecomunicazioni 31 Processo di data minig Iterativo 1. Data cleaning 2. Data integration 3. Data warehouse 4. Data mining 5. Patter descrition (modelli eslicativi e redittivi) 6. Pattern evaluation 7. knowlede 32
17 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: deloyment 33 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) 34
18 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? ) 35 Piramide dei DSS 36
19 Le Tecniche di Data Mining Le rinciali tecniche di data mining che vedremo sono: Ø Cluster Analysis Ø Alberi Decisionali
Modelli 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
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
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
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
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
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
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)
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
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
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
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
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
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
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
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
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
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
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
DettagliSistemi 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,
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
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
DettagliIl 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
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
DettagliUn applicazione di Text Mining
Un applicazione di Text Mining Knowledge Discovery in Text (KDT) Problema Un azienda erogatrice di servizi intende analizzare il testo delle telefonate in arrivo al proprio numero verde al fine di migliorare
DettagliCURRICOLO DI MATEMATICA
ISTITUTO COMPRENSIVO N. 4IMOLA (BO) CURRICOLO DI MATEMATICA Progettazione educativa e didattica 1 Secondaria Nucleo tematico: il numero Saper riconoscere e descrivere Conoscere proprietà e procedure riguardanti
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
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
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
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
DettagliMASTER 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
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,
DettagliCognome: Nome: Matricola: Sistemi Operativi A.A , prova scritta del 25 settembre 2008.
ognome: Nome: Matricola: Sistemi Oerativi.. 7-8, rova scritta del 25 settembre 8. Usa questa agina er la brutta, staccala, non consegnarla. Sistemi Oerativi.. 7-8, rova scritta del 25 settembre 8. Usa
DettagliSegmentazione e Marketing 121. Università di Bologna Andrea De Marco
Segmentazione e Marketing 121 Università di Bologna Andrea De Marco Segmentazione Cosa Significa? Usiamo la parola "segmentazione" per definire il processo con cui "raggruppiamo" in insiemi omogenei elementi
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
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
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
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
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
DettagliSegmentazione e Marketing 121
Segmentazione e Marketing 121 Corso di Laurea in Informatica per il Management Università di Bologna Andrea De Marco Segmentazione Cosa Significa? Usiamo la parola "segmentazione" per definire il processo
DettagliPROGRAMMAZIONE DIDATTICA DI MATEMATICA
ISTITUTO COMPRENSIVO F. D'ASSISI TEZZE SUL BRENTA (VI) PROGRAMMAZIONE DIDATTICA DI MATEMATICA CLASSE 3^ OBIETTIVI FORMATIVI: I NUMERI CONOSCENZE ABILITA COMPETENZE Leggere, rappresentare e utilizzare i
DettagliRiconoscimento automatico di oggetti (Pattern Recognition)
Riconoscimento automatico di oggetti (Pattern Recognition) Scopo: definire un sistema per riconoscere automaticamente un oggetto data la descrizione di un oggetto che può appartenere ad una tra N classi
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
DettagliISTITUTO SCOLASTICO COMPRENSIVO MINEO UNITA 1 I NUMERI
ISTITUTO SCOLASTICO COMPRENSIVO MINEO CURRICOLO DI MATEMATICA SCUOLA PRIMARIA classe PRIMA A-B-C INDICATORI OBIETTIVI U.D D'APPRENDIMENTO NUMERI 1) Acquisire il concetto di numero (almeno entro il 100)
DettagliCircolo Didattico di Borgo San Giacomo (Brescia) - CURRICOLO DI CIRCOLO
M A T E M A T I C O - S C I E N T I F I C O - T E C N O L O G I C A D I S C I P L I N E - F I N A L I T À - E L E M E N T I E S S E N Z I A L I I curricoli delle discipline che costituiscono l'area devono
DettagliESERCITAZIONE 5: ESERCIZI DI RIPASSO
Microeconomia CLEA A.A. 00-00 ESERCITAZIONE 5: ESERCIZI DI RIPASSO Esercizio 1: Scelte di consumo (beni comlementari) Un consumatore ha referenze raresentate dalla seguente funzione di utilità: U (, )
DettagliLe previsioni contano
Le previsioni contano Marketing Area: previsione della domanda, delle vendite, preferenze dei consumatori. Retail Area: previsione della domanda per ottimizzare i carichi di magazzino. IT Area: previsione
DettagliCompetenza : 1. Comunicazione efficace Indicatore: 1.1 Comprensione
SCUOLA SECONDARIA DI PRIMO GRADO TECNOLOGIA Competenza : 1. Comunicazione efficace Indicatore: 1.1 Comprensione Descrittori Descrittori Descrittori 1.1.1 E in grado di comprendere testi e altre fonti di
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
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
DettagliCURRICOLO VERTICALE PER COMPETENZE DISCIPLINARI Scuola Primaria - MATEMATICA - COMPETENZA CHIAVE EUROPEA: COMPETENZA MATEMATICA
CURRICOLO VERTICALE PER COMPETENZE DISCIPLINARI Scuola Primaria - MATEMATICA - COMPETENZA CHIAVE EUROPEA: COMPETENZA MATEMATICA Classe Prima Profilo dello studente al termine del Primo ciclo d Istruzione:
DettagliPROGETTI DI SISTEMI INFORMATIVI DIREZIONALI
PROGETTI DI SISTEMI INFORMATIVI DIREZIONALI SI supporto att. Operative VS SI direzionali Per un SI supporto att. Operative si deve Identificare e analizzare processi e procedure Procedere alla loro informatizzazione
DettagliBasi di dati attive. Una base di dati è ATTIVA quando consente la definizione e la gestione di regole di produzione (regole attive o trigger).
Basi di dati attive Una base di dati è ATTIVA quando consente la definizione e la gestione di regole di produzione (regole attive o trigger). Tali regole vengono attivate in modo automatico al verificarsi
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
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,
DettagliConoscere il significato del numero zero e del numero uno e il loro comportamento nelle quattro operazioni.
Nuclei tematici e Competenze chiave IL NUMERO: Competenza matematica. Imparare ad imparare. Profilo delle competenze univoche. Traguardi per lo sviluppo della competenza L alunno si muove con sicurezza
DettagliData Warehousing. Esercitazione 2
Esercitazione 2 Reminder In laboratorio è presente un installazione Enterprise di DB2. Per accedere richiedere un account come specificato sul sito del corso 1 Riepilogo Esercitazione 1: Descrizione dello
DettagliIl Dimensional Fact Model
Il Dimensional Fact Model Per le slides si ringrazia il Prof. Stefano Rizzi (http://www-db.deis.unibo.it/~srizzi/) e il Dott. Angelo Sironi Quale formalismo? Mentre è universalmente riconosciuto che un
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
DettagliTFA A048. Matematica applicata. Incontro del 28 aprile 2014, ore 15-17
TFA A048. Matematica alicata Incontro del 8 arile 04, ore 5-7 Aunti di didattica della matematica alicata all economia e alla finanza. Alicazioni dell analisi (funzioni in iù variabili) a roblemi di Economia
DettagliPROGRAMMAZIONE ANNUALE DI MATEMATICA - SCUOLA PRIMARIA IST. COMP. DON MILANI CERNUSCO S/N -
MATEMATICA: PROGRAMMAZIONE CLASSE PRIMA UTILIZZARE I PER PROGRAMMAZIONE ANNUALE DI MATEMATICA - SCUOLA PRIMARIA IST. COMP. DON MILANI CERNUSCO S/N - 1.1 Risolvere, a livello orale o con l aiuto di una
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
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
DettagliTecniche di riconoscimento statistico
On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 9 Alberi di decisione Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr
DettagliStrutture dati e loro organizzazione. Gabriella Trucco
Strutture dati e loro organizzazione Gabriella Trucco Introduzione I linguaggi di programmazione di alto livello consentono di far riferimento a posizioni nella memoria principale tramite nomi descrittivi
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.
DettagliLe curve di Intensità-Durata-Frequenza (IDF) delle precipitazioni
Le curve di Intensità-Durata-Frequenza (IDF) delle reciitazioni INDICE 1.! Modelli robabilistici... 2! 1.1! Modello di Gumbel... 2! 1.2.! Modello GEV... 3! 2.! Le curve di robabilità luviometrica (IDF)...
DettagliIstituto Comprensivo di Sissa Trecasali Allegato 2.E al Piano Triennale dell Offerta Formativa 2016/19 CURRICOLO DI SCIENZE SCUOLA DELL INFANZIA
CURRICOLO DI SCIENZE SCUOLA DELL INFANZIA OBIETTIVI FORMATIVI TRAGUARDI Obiettivi riferiti all intero percorso della scuola dell infanzia OBIETTIVI SPECIFICI DI APPRENDIMENTO COMPETENZE Osservare con attenzione
DettagliIIS M. Malpighi MODELLO DI PROGRAMMAZIONE DISCIPLINARE PER COMPETENZE. ISTITUTO: IIS M. Malpighi ANNO SCOLASTICO: 2017/2018
IIS M. Malpighi VIA PERSICETANA, 45 CREVALCORE - 40014 (BO) MODELLO DI PROGRAMMAZIONE DISCIPLINARE PER COMPETENZE ISTITUTO: IIS M. Malpighi ANNO SCOLASTICO: 2017/2018 INDIRIZZO: via Persicetana, 45 CLASSE:
DettagliUNITÀ DIDATTICA N. 1 IL NUMERO
UNITÀ DIDATTICA N. 1 IL NUMERO Rappresentare, leggere, scrivere e operare con i numeri naturali e decimali avendo la consapevolezza del valore posizionale delle cifre. Operare con le potenze del 10. Interpretare
DettagliMASTER 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
DettagliMetodi per la riduzione della dimensionalità Strumenti quantitativi per la gestione
Metodi er la riduzione della dimensionalità Strumenti quantitativi er la gestione Emanuele Taufer Introduzione Combinazioni lineari Regressione lineare sulle variabili trasformate Dettaglio teorico Metodi
DettagliScuola Statale Italiana di Madrid Anno scolastico 2014-2015. PROGRAMMAZIONE CURRICOLARE DI MATEMATICA Classe quarta B Insegnante: Adriano Adamo
Scuola Statale Italiana di Madrid Anno scolastico 2014-2015 PROGRAMMAZIONE CURRICOLARE DI MATEMATICA Classe quarta B Insegnante: Adriano Adamo INDICATORI OBIETTIVI SPECIFICI DI APPRENDIMENTO (Conoscenze
DettagliDSS. Decision Support System. 12/11/2008 Fondamenti Informatica 2 - Prof. Gregorio Cosentino 1
DSS Decision Support System 12/11/2008 Fondamenti Informatica 2 - Prof. Gregorio Cosentino 1 Definizione Il DSS è un sistema informativo che converte dati provenienti da fonti interne ed esterne in informazioni
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
DettagliClasse seconda NUMERI. (Nucleo tematico) CONTENUTI (Conoscenze) ABILITÀ (Competenze specifiche) VALUTAZIONE DELLE COMPETENZE.
Classe seconda NUMERI (Nucleo tematico) - Numeri naturali - Rappresentazione dei numeri naturali in base dieci -Addizione e sottrazione tra numeri naturali -Moltiplicazione tra numeri naturali -Divisione
DettagliGli attori della vita economica L azienda come istituzione economica
Danila Travaglio Università degli Studi di Messina E-mail: danilatravaglio@libero.it Tel: 3200272964 Ricevimento: Venerdì doo la lezione e revio auntamento Le origini dell Economia Aziendale L E.A. come
DettagliMODULO 2. Query normali e parametriche Query di:
MODULO 2 TITOLO DBMS e SQL In questo Modulo si affronta lo studio dei DBMS Access e MySQL. In particolare per Access, si descrive come progettare, impostare e modificare gli strumenti di lavoro (tabelle,
DettagliMATEMATICA. UNITA DI APPRENDIMENTO 1 Numeri. Obiettivi specifici di apprendimento
MATEMATICA UNITA DI 1 Numeri. Conoscenze: Rappresentazione dei numeri naturali in base dieci: il valore posizionale delle cifre. Confrontare e ordinare i numeri naturali anche utilizzando i simboli >,
DettagliSEZIONE A - CARATTERISTICHE GENERALI
SEZIONE A - CARATTERISTICHE GENERALI A.1 Identificazione profilo A.1.1 Denominazione profilo TECNICO QUALIFICATO DI SISTEMI I.C.T. A.1.2 Codice regionale 605043 A.2 Settore professionale di riferimento
DettagliLe curve di Intensità-Durata-Frequenza (IDF) delle precipitazioni
Le curve di Intensità-Durata-Frequenza (IDF) delle reciitazioni INDICE 1. Modelli robabilistici... Errore. Il segnalibro non è definito. 1.1 Modello di Gumbel... Errore. Il segnalibro non è definito. 1.2.
DettagliLA LORDIZZAZIONE DEI REDDITI NETTI IRPEF: STRUMENTI PER LA MICROSIMULAZIONE SUL 2005
WORKING PAPER No 478 Marzo6 LA LORIZZAZIONE EI REITI NETTI IRPEF: STRUMENTI PER LA MICROSIMULAZIONE SUL 5 Simone Pellegrino iartimento di scienze economiche e finanziarie G. Prato Università di Torino
DettagliNUMERI ED OPERAZIONI indicatori descrittori valutazione
NUMERI ED OPERAZIONI indicatori descrittori valutazione classe 1^ e consapevolezza del numero e dei simboli matematici sa confrontare e ordinare gruppi di oggetti in relazione alla quantità sa riconoscere
DettagliSCUOLA PRIMARIA MONOENNIO
SCUOLA PRIMARIA MONOENNIO Presentazione La definizione delle competenze e degli obiettivi di apprendimento si ritiene valida per tutte le scuole del Circolo. Potrà essere modificata la scelta in riferimento
DettagliLa società Volocom. Trasformare le informazioni in conoscenza. Conoscere per agire
La società Volocom Trasformare le informazioni in conoscenza 2 La società Volo.com dal 2001 è uno dei leader nei settori del Knowledge Management e nella gestione delle informazioni per la rassegna stampa
DettagliData warehouse: introduzione
atabase and ata Mining Group of atabase and ata Mining Group of atabase and ata Mining Group of atabase and ata Mining Group of atabase and ata Mining Group of atabase and ata Mining Group of atabase and
DettagliCONCETTI E ARCHITETTURA DI UN SISTEMA DI BASI DI DATI
CONCETTI E ARCHITETTURA DI UN SISTEMA DI BASI DI DATI Introduzione alle basi di dati (2) 2 Modelli dei dati, schemi e istanze (1) Nell approccio con basi di dati è fondamentale avere un certo livello di
DettagliProgetto di travi in c.a.p isostatiche Il fuso del cavo risultante e il fuso di Guyon
Università degli Studi di Roma Tre - Facoltà di Ingegneria Laurea magistrale in Ingegneria Civile in Protezione Corso di Cemento rmato Precomresso / 2015-16 Progetto di travi in c.a. isostatiche Il fuso
DettagliOLIGOPOLIO Sul mercato è presente un numero N di imprese N non è cosìgrande da poter giustificare l assunzione che le decisioni delle imprese non
OLIGOPOLIO Sul mercato è resente un numero N di imrese N non è cosìgrande da oter giustificare l assunzione che le decisioni delle imrese non hanno influenza sul rezzo di mercato La concorrenza monoolistica
DettagliNecrologi Oggi SERVIZI FUNEBRI ONLINE. Il nuovo portale per le Agenzie Funebri.
Necrologi Oggi SERVIZI FUNEBRI ONLINE Il nuovo ortale er le Agenzie Funebri www. Necrologi Oggi è il nuovo ortale online dedicato alle Agenzie e alle attività di Onoranze Funebri ensato er offrire vantaggi
DettagliAnalysis Service. Dutto Riccardo IPSI - tel Dutto Riccardo - SQL Server 2008.
SQL Server Business Intelligence Development Studio Analysis Service Dutto Riccardo riccardo.dutto@polito.it IPSI - tel.7991 http://dbdmg.polito.it/ Il Data warehouse Sorgenti dati operazionali DB relazionali
DettagliApprendimento Automatico: Teoria e Applicazioni
Apprendimento Automatico: Teoria e Applicazioni Apprendimento Automatico Componenti strutturati del DI: Alberto Bertoni Paola Campadelli Elena Casiraghi Nicolò Cesa-Bianchi Dario Malchiodi Matteo Re Giorgio
DettagliIl Comportamento del Consumatore. Le curve di reddito consumo o curve di Engel 56EAI
Il Comortamento del Consumatore Le curve di reddito consumo o curve di Engel 56EAI Effetto Reddito Effetto Sostituzione Effetto Comlessivo y x 1 x 3 x 57EAI x= x 3 -x 1 Effetto Reddito Effetto Sostituzione
DettagliLinguaggi e Ambienti di Programmazione
Linguaggi e Ambienti di Programmazione Principi e tecniche diffuse che si incontrano spesso nelle applicazioni dell informatica. Compilatori Editor di struttura: riceve in input una sequenza di comandi
DettagliCapacità: Analizzare un problema semplice. Valutare la congruenza dei risultati con i dati e le informazioni iniziali.
MATEMATICA: PROGRAMMAZIONE CLASSE QUINTA LICEO TURISTICO A.S. 2011-2012 A) OBIETTIVI Conoscenze: Le caratteristiche di una funzione lineare in due variabili reali. Gli scopi e i metodi della ricerca operativa.
DettagliIntroduzione a data warehousing e OLAP
Corso di informatica Introduzione a data warehousing e OLAP La Value chain Information X vive in Z S ha Y anni X ed S hanno traslocato Data W ha del denaro in Z Stile di vita Punto di vendita Dati demografici
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
DettagliDal dato grezzo.. al Marketing Intelligence
Dal dato grezzo.. al Marketing Intelligence Relatore: Daniele Gardella Macerata, 07 novembre 2003 PREMESSA Il mercato Business to Business relazioni tra aziende Le aziende raccolgono informazioni per affidare
DettagliDipartimento di Diritto ISIS ZENALE E BUTINONE TREVIGLIO Anno scolastico
PROGRAMMAZIONE CURRICULARE DIRITTO E LEGISLAZIONE TURISTICA CLASSI TERZE E QUARTE ISTRUZIONE TECNICA NEL TURISMO COMPETENZE Competenze chiave di cittadinanza imparare ad imparare: organizzare il proprio
DettagliPROGRAMMAZIONE INFORMATICA SECONDO BIENNIO. Liceo Scientifico opzione Scienze Applicate
PROGRAMMAZIONE INFORMATICA SECONDO BIENNIO Liceo Scientifico opzione Scienze Applicate Anno scolastico 2017-2018 Programmazione di Informatica pag. 2 / 7 INFORMATICA - SECONDO BIENNIO OBIETTIVI SPECIFICI
DettagliDal comportamento del cliente, il marketing personalizzato
Dal comportamento del cliente, il marketing personalizzato Anna Laura Daniele, Manager of IBM Analytics Solutions IBM Italia @alauradaniele ABI Forum, Roma, 8 Aprile 2016 I big data visti come le informazioni
Dettagli