Python

Il corso presenta le principali tecninche di analisi dei dati sel web.Usando i query log di un motore di ricerca come un caso di studio, gli studenti sono guidati nello sviluppo di un insieme di metodologie per l'analisi dei dati con lo scopo di creare la base di conoscenza utile a costruire un sistema di raccomandazione. Inoltre il corso discute come la stessa informazione possa essere ottimizzata per il ranking nei servizi web.

Il corso propone l’insegnamento di concetti base del paradigma di calcolo distribuito tramite MapReduce dal punto di vista teorico e pratico, in particolare ci si focalizzerà su Hadoop per lo sviluppo di competenze nell'uso di strumenti di calcolo ad alte prestazioni per il data engineering, l'analisi di dati e l'utilizzo di tecniche di data mining. Gli studenti impareranno come i classici algoritmi di data mining possono essere applicati sui Big Data usando Hadoop (Spark).

Il modulo ha l'obiettivo di allineare le competenze informatiche ed analitiche di base degli studenti, in particolare in materia di basi di dati, di analisi statistica ed esplorativa dei dati e di linguaggi di programmazione.

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 le principali tecniche per l'analisi e il mining delle opinioni degli utenti generate principalmente nel web.
Il corso si focalizza principalmente su metodi di text mining applicati al testo generato nei social media e su tecniche di web mining. Usando dei query log di un motore di ricerca reale come caso di studio, gli studenti saranno guidati nello sviluppo di un insieme di metodologie per l'analisi di dati che ha lo scopo di creare la base di conoscenza necessaria a costruire un sistema di raccomandazione.

Il modulo ha l'obbiettivo di preparare gli studenti per la creazione di presentazioni appropriate dei dati e della conoscenza estratta attraverso strumenti e narrative multimediali.
Il modulo prima presenta le tecniche di visualizzazione per una presentazione efficace delle informazioni che derivano da sorgenti dati differenti: dati strutturati (relazionali, gerarchie e alberi), dati relazionali (social network), dati temporali, dati spaziali e dati spazio-temporali.

Il corso propone l’insegnamento di concetti base del paradigma di calcolo distribuito tramite MapReduce dal punto di vista teorico e pratico, in particolare ci si focalizzerà su Hadoop per lo sviluppo di competenze nell'uso di strumenti di calcolo ad alte prestazioni per il data engineering, l'analisi di dati e l'utilizzo di tecniche di data mining. Gli studenti impareranno come i classici algoritmi di data mining possono essere applicati sui Big Data usando Hadoop (Spark).

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 modulo prevede la descrizione della struttura di un motore di ricerca e di strumenti di Text Mining, analizzando le loro caratteristiche e limiti dal punto di vista computazionale, dei parametri precision/recall/F1, e di espressività delle interrogazioni supportate. Il modulo prevede anche una parte hands-on in cui si descriveranno e utilizzeranno alcuni ben noti strumenti open-source Python per il crawling e analisi di pagine web, l’annotazione semantica di testi (TagMe), e l’indicizzazione di collezioni documentali (ElasticSearch).

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.