IBLM21

Lingua Insegnamento:

Italiano
Testi di riferimento:

Introduction to Data Mining. Pang-Niig Tan. Global Edition
Obiettivi formativi:

Gli studenti acquisiranno familiarità con i concetti chiave del data mining, come l'apprendimento supervisionato e non supervisionato, i principali algoritmi di classificazione e clustering e le metriche per valutare le prestazioni degli algoritmi. Tali concetti verranno declinati dando enfasi alle sfide e alle applicazioni del campo medico.
Prerequisiti:

Si richiede familiarità con strumenti di programmazione (es. Matlab / Python)
Metodi didattici:

Lezioni frontali associate ad esercitazioni ed approfondimenti in classe utilizzando strumenti di programmazione.
Modalità di verifica dell'apprendimento:

Realizzazione di un progetto con tesina, da presentare e difendere all'esame.
Oltre alla discussione sul progetto, la verifica dell'apprendimento avverrà tramite domande sull'intero programma.
Sostenibilità:
Obiettivi Agenda 2030 per lo sviluppo sostenibile:

Questo insegnamento concorre alla realizzazione degli obiettivi ONU dell'Agenda 2030 per lo Sviluppo Sostenibile
Altre Informazioni:

Ricevimento: su appuntamento.

- Data mining e big data
- Tipologie di dati e loro manipolazione
- Apprendimento supervisionato e non supervisionato
- Algoritmi di classificazione
- Algoritmi di clustering
- Valutazione delle performance degli algoritmi
- Aspetti etici legati al data mining

- Tipi di dati e loro caratteristiche - Apprendimento supervisionato e non supervisionato - Classificazione: Concetti di base e principali algoritmi di classificazione - Analisi associative: concetti ed principali algoritmi. - Cluster Analysis: concetti e principali algoritmi. - Regressione - Aspetti etici dell'intelligenza artificiale