Il corso è strutturato nei seguenti argomenti;

Preprocessing di dati strutturati, semi strutturati e non strutturati; viene mostrato come progettare e sviluppare workflow di esplorazione e pre-processamento dati strutturati, semi-strutturati e non strutturati.
Classificazione Supervisionata; introduce alla formulazione, valutazione e risoluzione di problemi di classificazione supervisionata. In problemi in questione sono carettirizzati dal fatto che a fronte di un insieme di attributi di input si dispone di uno o più attributi di output che rappresentano le quantità da prevedere utilizzando gli attributi di input a disposizione. Vengono presentati diversi algoritmi di apprendiment che costituiscono lo stato dell'arte. INoltre, viene dedicata attenzione al tema della progettazione dell’esperimento di apprendimento ed alla valutazione dei relativi risultati.
Classificazione non Supervisionata; dedicato alla formulazione, valutazione e risoluzione di problemi di classificazione non supervisionata, vale a dire problemi per i quali si dispone solamente di un insieme di attributi di input. Viene mostrato come progettare ed implementare un workflow che consenta di raggruppare osservazioni omogenee e separae osservazioni non omogenee. Vengono presentati i principali algorimi di partizionamento, gerarchici, basati sulla densità, e basati sul concetto di grafo. Viene posta attenzione agli indici di valutazione e comparazione di soluzioni alternative.
Regole di Associazione; mostra come apprendere regole di associazione nel caso di dati transazionali. Viene presentato come progettare e implementare un workflow che consenta di estrarre regole di associazione tra attributi in modo da fornire capacità predittiva e decisionale. Anche in questo caso particolare attenzione viene dedicata agli indici di valutazione e comparazione di regole associative.
Text Pre-processing; vengono illustrati i principali metodi ed algoritmi utilizzati per trasformare testo in linguaggio naturale al fine di renderlo utilizzabile da algoritmi di apprendimento. Vengno nello specifico illustrati i principali passi di preprocessing previsti dal Natural Language Processing.
Auto-organizzazione dei Documenti: vengono presentati i Topic Models, modelli grafico-probabilistici di tipo generativo che consentono di estrarre in mod automatico temi nascosti nel testo in linguaggio naturale. Si tratta di modelli indipendenti dalla lingua e basati solo sul dato di conteggio di occorrenze e co-occorrenze di termini. Questa classe di modelli ha trovato grandissima applicazione nel web, per i sistemi di raccomandazione e per l'indicizzazione del testo in liguaggio naturale.
Estrazione dell'Informazione: tecniche ed algoritmi che consentono di estrarre in modo automatico diversi tipi di entità quali persone, istituzioni, città, luoghi, valute, ... Inoltre, vengono presentati algoritmi per estrarre relazioni tra entità e per il riempimento automatico di template a partire da testo in linguaggio naturale.