2013
2013
Sei collegato come utente non registrato
Riepilogo dell'insegnamento: Basi di Dati e Data MIning
Informazioni generali
Corso di Laurea Informatica Percorso curriculum generale
CFU 9 Università PERUGIA
Ore di didattica frontale per CFU 9 Settore Scientifico Disciplinare INF/01
   

9 cfu così ripartiti nelle aree:

  • 4 CFU nell'area G - Basi di dati
  • 5 CFU nell'area M - Rappresentazione della conoscenza

Sillabo dell'insegnamento

  • G - Basi di dati
    • BDA - Basi di Dati Avanzate
      Basi di dati non relazionali. Clearmont Report. Teorema Brewer. Modelli NoSQL: column store, document store, key-value, object oriented. Basi di dati multimediali
    • BDA - Basi di Dati Avanzate
      Data Warehousing. Modello concettuale multidimensionale. Modello logico multidimensionale a cubo e operatori slice, dice, roll-up, drill-down e pivot. Modello logico multidimensionale relazionale: schema a stella e snowflaking. SQL per l'analisi dei dati: operatori modello multidimensionale, funzioni analitiche e funzioni finestra.
    • BDA - Basi di Dati Avanzate
      Basi di dati distribuite: Frammentazione e trasparenza. Tecniche per il mantenimento delle proprietà ACID per le basi di dati distribuite: Commit a 2 fasi, gestione della concorrenza, deadlock in ambiente distribuito. Sistema BASE e modelli consistenza debole (eventual consistency)
    • BDA - Basi di Dati Avanzate
      Data Warehousing: Viste materializzate; reticoli dei cuboidi e delle viste; algoritmo per la scelta delle viste da materializzare. Riscrittura delle query attraverso l'uso delle viste. Algoritmo per il calcolo della compensazione basato sul confronto degli alberi logici. Â Indici per sistemi OLAP: indici bitmap, bit-sliced, encoded vector, encoded bitmap, indici di join.
  • M - Rappresentazione della conoscenza
    • AASC - Apprendimento Automatico e Scoperta di Conoscenza
      Il processo Knowledge Discovery in Databases (KDD). Introduzione al data mining; data mining e machine learning. Apprendimento supervisionato e non supervisionato. Introduzione alla Classificazione con alberi di decisione (tipi e gestione degli attributi, algoritmi di costruzione)
    • AASC - Apprendimento Automatico e Scoperta di Conoscenza
      Ulteriori tecniche di classificazione: NN classifiers; Classificatori bayesiani; Classificatori basati su reti neurali; Classificatori basati su SVM
    • AASC - Apprendimento Automatico e Scoperta di Conoscenza
      Association rules: Concetti e definizioni di base. Mining association rules: frequent itemset generation (algoritmo a priori e ottimizzazione attraverso hash tree); rule generation (generazione per l'algoritmo a priori)
    • AASC - Apprendimento Automatico e Scoperta di Conoscenza
      Preprocessing. Tecniche e misure di valutazione dei modelli. Costruzione e analisi degli insiemi di training e di test. Utilizzo in laboratorio del software WEKA.
    • AASC - Apprendimento Automatico e Scoperta di Conoscenza
      Clustering: Concetti e definizioni di base. clustering partitivo (k-means e varianti), clustering gerarchico, clustering density based (dbscan e optics). Misure e tecniche di valutazione, validazione e confronto.

(*) Le sottoaree con asterisco sono quelle che il GRIN auspica facciano parte in via prioritaria dei sillabi degli insegnamenti assegnati all?area stessa