Codice insegnamento

4S004553

Docente

Pietro Sala

Coordinatore

Pietro Sala

Crediti

6

Offerto anche nei corsi:

• Data mining del corso Laurea magistrale in Ingegneria e scienze informatiche
• Data mining del corso Laurea magistrale in Ingegneria e scienze informatiche
• Biomedical decision support systems del corso Laurea magistrale in Artificial Intelligence
• Biomedical decision support systems del corso Laurea magistrale in Artificial Intelligence

Lingua di erogazione

Inglese

Settore Scientifico Disciplinare (SSD)

INF/01 - INFORMATICA

Periodo

II semestre dal 1 mar 2027 al 11 giu 2027.

Corsi Singoli

Autorizzato

Orario Lezioni Moodle Seminari 0

Obiettivi di apprendimento

Il corso si pone l'obiettivo di dotare gli studenti delle competenze necessarie per gestire e ottimizzare l'uso dei dati in ambiti diversi, che vanno dal machine learning al data mining, dall'analisi dei dati fino all'applicazione pratica in contesti aziendali o industriali. Saranno trattati argomenti cruciali quali la trasformazione e la profilazione dei dati, al fine di assicurare che questi siano adeguatamente preparati per essere utilizzati in task data-driven. Inoltre, il corso si concentrerà sull'insegnamento delle metodologie più efficaci per valutare la qualità dei risultati ottenuti, considerando aspetti come la confidenza nel risultato, la robustezza (rispetto al rumore o a dati assenti), l'interpretabilità del metodo e la capacità di spiegare la risposta. Gli studenti impareranno a confrontare le diverse tecniche disponibili per la risoluzione di problemi specifici in maniera critica seguendo tale analisi multidimensionale.

Prerequisiti e nozioni di base

Possedere una solida conoscenza di programmazione, inclusa la comprensione di strutture dati, algoritmi di base. Gli studenti dovrebbero essere familiari con concetti fondamentali di statistica e probabilità, algebra lineare e analisi matematica. È richiesta una comprensione di base del machine learning, includendo algoritmi di classificazione, regressione e clustering. Sono essenziali conoscenze preliminari di basi di dati e gestione dei dati. È inoltre importante avere familiarità con concetti di teoria dei grafi e algoritmi, poiché verranno applicati nell'estrazione di pattern e nell'analisi di strutture dati complesse.

Programma

Al termine del corso, gli studenti saranno in grado di applicare tecniche avanzate di data mining per l'estrazione di conoscenza da dataset complessi e eterogenei. Padroneggeranno algoritmi di Association Rules per identificare pattern frequenti e relazioni significative nei dati, utilizzando metriche come supporto, confidenza e lift. Svilupperanno competenze nell'analisi di strutture dati complesse attraverso process mining e automata learning, implementando algoritmi come L* per l'apprendimento di automi. Acquisiranno expertise in tecniche di machine learning avanzate, inclusi metodi ensemble, boosting, conformal prediction e analisi di time-series univariate. Gli studenti impareranno a applicare concetti di teoria dei giochi nel data mining, utilizzando equilibri di Nash e valori di Shapley per l'analisi e l'interpretazione dei modelli. Infine, svilupperanno abilità nel pattern mining, utilizzando entropia, feature selection e tecniche di regressione conforme per garantire robustezza e affidabilità delle predizioni.

Bibliografia

Modalità didattiche

Il corso adotta un approccio basato principalmente su lezioni frontali integrate con sessioni di laboratorio utilizzando Jupyter Notebooks. Ogni modulo combina spiegazioni teoriche con implementazioni pratiche immediate, permettendo agli studenti di sperimentare direttamente con il codice e visualizzare i risultati in tempo reale. Gli studenti lavoreranno con strumenti consolidati nel settore e implementeranno algoritmi sia da zero che utilizzando librerie specializzate. Le risorse didattiche includono materiali supplementari, codice di esempio e accesso a librerie e framework nel campo dell'intelligenza artificiale e del data mining.

Modalità di verifica dell'apprendimento

L'esame prevede l'implementazione e la discussione di un progetto che copre una parte degli argomenti del corso; la parte restante è verificata mediante una prova orale. Il progetto può essere svolto individualmente o in gruppi di massimo 3 studenti, utilizzando un qualsiasi linguaggio di programmazione (si consigliano vivamente i notebook Python). L'esame si sostiene su appuntamento, in presenza, nel rispetto della normativa italiana; le richieste vanno inviate con almeno 2 settimane di anticipo e la presentazione del progetto e la prova orale possono essere prenotate in date separate. Per essere ammessi all'esame gli studenti devono aver completato il progetto assegnato, il cui codice deve essere funzionante ed eseguibile al momento dell'esame. Il codice va consegnato prima dell'appuntamento d'esame come file .zip via email (non sono ammessi repository GitHub), indicando chiaramente che si tratta della versione finale. Il progetto può essere completato fino all'inizio dell'edizione dell'anno accademico successivo del corso.

Criteri di valutazione

La valutazione si basa sulla valutazione combinata del progetto e della prova orale. Il progetto è valutato in base alla correttezza, alla funzionalità e all'eseguibilità del codice consegnato e alla relativa discussione; la prova orale verifica la comprensione degli argomenti del corso non coperti dal progetto. Il voto finale è individuale, anche quando il progetto è svolto in gruppo.

Criteri di composizione del voto finale

Il voto finale è individuale e risulta dalla valutazione combinata del progetto e della prova orale, che concorrono in egual misura (50% e 50%). Viene verbalizzato ufficialmente al primo appello utile.

Lingua dell'esame

English