Anno di corso: 1

Anno di corso: 2

Crediti: 6
Crediti: 6
Crediti: 6
Crediti: 6
Crediti: 6
Crediti: 6
Crediti: 12
Tipo: A scelta dello studente
Crediti: 3
Tipo: Lingua/Prova Finale
Crediti: 33
Tipo: Lingua/Prova Finale

DATA ANALYTICS

Scheda dell'insegnamento

Anno accademico di regolamento: 
2015/2016
Anno di corso: 
2
Anno accademico di erogazione: 
2016/2017
Tipo di attività: 
Obbligatorio a scelta
Crediti: 
6
Ciclo: 
Secondo Semestre
Ore di attivita' didattica: 
54
Prerequisiti: 

Nessun prerequisito essenziale.Sono utili conoscenze di base di algebra lineare e teoria dei grafi.

Moduli

Metodi di valutazione

Tipo di esame: 
Scritto e Orale Separati
Modalita' di verifica dell'apprendimento: 

Progetto e orale.
La verifica dell'apprendimento può inoltre derivare dall'esito di assignment ed esercitazioni di laboratorio.

Valutazione: 
Voto Finale

Obiettivi formativi

Alla fine del corso lo studente avrà compreso le principali tecniche di analisi di dati, sia strutturati che non strutturati, maturando competenze specifiche di data, networks e social media analytics. Sarà inoltre in grado di progettare e realizzare applicativi per lo sviluppo di specifiche funzionalità di analytics (ad esempio, script in python ed R).

Contenuti

Introduzione al data analytics, con particolare riferimento a diverse tipologie di dati e diverse tecniche di analisi. Approfondimenti in specifici contesti di data analytics quali network analytics e social media analytics.

Programma esteso

1 " Il processo di data analytics
Tipi di dati: dati strutturati, semi-strutturati e non strutturati
Tipi di analisi: predittiva, prescrittiva, descrittiva
"

2 Introduzione alla Network Analysis: definizioni base e domini applicativi

3 Reti statiche e dinamiche: proprietà statistiche per l’analisi strutturale

4 Misure di centralità

5 Clustering su grafi: algoritmi ed applicazioni

6 Modelli di influenza e contagio nelle social reti

7 Introduzione al Social Media Analytics

8 Subjectivity Detection, Sentiment Mining, Irony Detection: lessici, modelli probabilistici del linguaggio, ensemble learning

9 Named-Entity Recognition and Linking: Conditional Random Fields, Probabilistic Topic Models, Word Sense Disambiguation

10 Social Media Tagging e Summarization: Tag Generation, Tag analysis, Summarization

11 Problematiche e tecniche di visualizzazione

Bibliografia consigliata

‐ D. Easley, J. Kleinberg. Networks, Crowds, and Markets: Reasoning About a Highly Connected World. Cambridge University Press (2010).
‐ Charu C. Aggarwal . Social Network Data Analytics, Springer (2012)
- N. Danneman, R. Heimann. Socia Media Mining with R. (2014)

Metodi didattici

Lezioni ed esercitazioni in aula. Attività di laboratorio. Svolgimento di esercitazioni e laboratori individuali ed in gruppo.