Data Mining e Scoperta di Conoscenza

Giuseppe Manco

---

Informazioni Generali

Lezioni:

martedì:17:30-19:30 (aula DS5)
mercoledì:15:30-17:30 (aula DS10)
giovedì:9:30-11:30 (aula DS5)
 

Annunci:

• 29/11/2004    Martedì 30 novembre si terrà lezione regolarmente.
• 24/11/2004    Le proposte di progetto sono online.
• 04/11/2004    Venerdì 5 novembre dalle 15:30 alle 18:30 in aula I2 si terrà un recupero delle lezioni settimanali.
• 01/11/2004    La lezione di martedì 2 novembre non si terrà per indisponibilità del docente.
• 21/10/2004    Il materiale relativo al Workshop SERVIR è disponibile qui.
• 19/10/2004    I primi due capitoli delle dispense sono in linea.
• 13/10/2004   Il sito web è attivo.

Descrizione del Corso:

L’analisi di dati e la scoperta di conoscenza da grandi sorgenti di dati (Knowledge Discovery in Databases, KDD) è una delle più attive tematiche nel campo delle basi di dati, ed è il risultato dell’intersezione di varie tematiche: sistemi per basi di dati, statistica, intelligenza artificiale, visualizzazione, estrazione di informazione e apprendimento automatico. Il corso ha l’obiettivo di introdurre le metodologie per l’analisi dei dati e di studiare i suoi principi, algoritmi, implementazioni e applicazioni.

Prerequisiti:

Il corso richiede una conoscenza di nozioni di Basi di Dati e di Statistica. Poiché è prevista un'attività progettuale (da svolgersi essenzialmente in Java), esperienze di programmazione Object-Oriented sono un ulteriore requisito.

Materiale Didattico:

Il corso non ha un libro di riferimento.Saranno distribuiti degli appunti relativi alle lezioni. Dei libri che possono essere considerati rilevanti per gli argomenti che verranno presentati nel corso sono i seguenti:

1. Tom Mitchell. 1997. Machine Learning. McGraw Hill.
2. Ian Witten and Eibe Frank. 2000. Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations. San Francisco, CA: Morgan Kaufmann.
3. Data Mining Techniques, J. Han and M. Kamber. Morgan-Kaufman, 2000.
4. Principles of Data Mining, D. Hand, H. Mannila, P. Smyth. MIT Press, 2001.
5. Neural Networks, S. Haykin. Prentice Hall, 1999.
6. Data Preparation for Data Mining, D. Pyle, Morgan-Kaufman, 1999.
7. Data Mining: Metodi statistici per le applicazioni aziendali, P. Giudici, McGraw-Hill, 2001.
8. Metodi di Data Mining per il CRM, N. Del Cello, S. Dulli, A. Saccaridi, Franco Angeli, 2002.
9. Data Mining, M. Berry, G. Linoff, Apogeo, 2002.
10. Introduzione al Data Mining, R. Richard, G. Michael, McGraw-Hill, 2003.

Esame:

A scelta dello studente sono previste due alternative:

• Attività progettuale (da svolgersi in gruppi di 2 persone). Sarà proposta l'implementazione di una tecnica specifica di data mining, e la sua applicazione ad un insieme specifico di dati.
• Attività seminariale (da svolgersi singolarmente). Sarà proposto lo studio e l'approfondimento di una tecnica specifica di data mining.

Contatti:

Docente: Giuseppe Manco
Ufficio: ICAR-CNR, Via Bucci 41c (I° Piano) - 0984/831728
Ricevimento: martedì ore 12:30-13:30
E-mail: mancoCHIOCCIOLAicarPUNTOcnrPUNTOit

Tutor: Francesco Folino
Ufficio: ICAR-CNR, Via Bucci 41c (I° Piano) - 0984/831745
Ricevimento: venerdì ore 15:30-16:30
E-mail: francescoPUNTOfolinoCHIOCCIOLAicarPUNTOcnrPUNTOit

Informazioni aggiuntive:

• Programma
• Schedule delle lezioni (con materiale delle lezioni e ulteriori letture)
• Informazioni sul progetto
• Tool di progetto

---