Big Data Mining

L'informazione che circola sul web e sui social networks e' sempre piu' di natura multimediale. La possibilita' di capire il contenuto e di cercare documenti multimediali su larga scala, specialmente in assenza di descrizioni testuali, e' diventata uno strumento strategico. Il modulo ha l'obbiettivo di presentare strumenti per analizzare ed estrarre informazione da dati multimediali, per cercarli in enormi database. 

Il modulo presenta le principali tecniche di analisi e mining delle opinioni e delle preferenze degli utenti sulla base di Big Data provenienti dal web o da altre sorgenti. Particolare enfasi viene posta sull'uso delle tecniche di text mining per la comprensione del significato emotivo dei testi prodotti dagli utenti sui social media. L'apprendimento sarà sostenuto da numerosi casi di studio sviluppati nel laboratorio SoBigData.eu.

Il corso ha lo scopo di introdurre le principali tecniche di data mining e machine learning (incluso deep learning) per l'analisi di dati temporali, in particolare di time series e dati spazio-temporali relativi alla mobilita' umana. La presentazione delle nozioni sara' supportata da diversi casi di studio sviluppati dal laboratorio SoBigData.eu.
 

Il corso introduce i fondamenti dell'artificial neural network e fornisce una panoramica delle principali tecninche e dei modelli di deep learning. In particolare sono mostrati in dettaglio i modelli neurali che sono utili per affrontare task predittivi su dati vettoriali, sequenziali e immagini e utili per il deep learning generativo, inclusi variational e adversarial learning.

Il modulo si propone di fornire un’introduzione ai concetti di base del data mining e del processo di estrazione della conoscenza, con approfondimenti sui modelli analitici e gli algoritmi più diffusi per il clustering, la classificazione e la scoperta di patterns, anche in riferimento alle nuove sorgenti di Big Data.

Il modulo affronta aspetti pratici del machine learning e delle reti neurali. Mostra le principali soluzioni tecnologiche per risolvere due problemi di machine learning: classificazione e regressione. Il corso copre vari aspetti cruciali di cui tener conto nello sviluppo di soluzioni di machine/deep learning:  i) come identificare la migliore soluzione per un dato problema? ii) come valutare un modello di machine learning? iii) come ottimizzarlo?

Il modulo si propone di fornire un’introduzione ai concetti di base del data mining e del processo di estrazione della conoscenza, con approfondimenti sui modelli analitici e gli algoritmi più diffusi per il clustering, la classificazione e la scoperta di patterns, anche in riferimento alle nuove sorgenti di Big Data.

Questo modulo introduce nozioni della teria dei grafi per analizzare grandi reti socio-economiche. L'analisi poi ci condurrà alla descrizione della modellazione di vari fenomeni e alla corretta definizione di benchmarks con l'uso di un approaccio ispirato alla fisica statistica classica.

Questo modulo presenta metodologie, tecniche e tools di analisi statistica per data science: conoscenza di base della teoria della probabilità, variabili random, modelli statistici, estimation theory, test delle ipotesi, bootstrap, e conoscenza di base dell'analisi delle serie temporali. Il modulo mostra l'applicabilità in casi di studio nel dominio della finanza.

Il corso introduce gli elementi principali per la comprensione dei mercati finanziari, la loro struttura e l'infrastruttura tecnologica. In particolare, il modulo fornisce un background sulla modellazione empirica di time series finanziari, individuando gli aspetti fondamentali della data science tra cui la memorizzazione dei dati, la latenza, l'high dimensional inference, ecc. Il modulo copre anche l'analisi semantica dei testi da news feed e social network per la previsione finanziaria.