Course Syllabus
Obiettivi
Il laboratorio intende fornire gli strumenti tecnici per l'implementazione di pipeline di processamento dati (strutturati e non) mediante l'uso degli algoritmi e tool dello stato dell'arte per l'estrazione di conoscenza da dati reali. Inoltre, il corso intende fornire gli strumenti tecnici per la modellazione e realizzazione di data model in accordo con il paradigma NoSQL, focalizzando principalmente sui graph-database.
Contenuti sintetici
Getting knowledge from data
Modelling and Querying the Resulting knowledge
Data visualisation & Decision Making
Programma esteso
Getting knowledge from data
Word Embedding (Word2Vec, Doc2Vec,GLOVE, FastText, StarSpace)
Evaluate word embedding models (intrinsic vs extrinsic evaluation)
Topic Modelling through Python
Modelling and Querying the Resulting knowledge
introduction to SNA metrics
graph-databases and graph-traversal query languages (Cypher)
Explainable AI (global and local interpretation models)
Data visualisation & Decision Making
Data visualisation paradigms and models (D3js, GraphViz, Gephi, Tableau)
Prerequisiti
Nessuno
Modalità didattica
Lezioni frontali, attività in laboratorio con l'uso del PC, esercitazioni, assegnamenti da svolgere a casa.
Materiale didattico
Lezioni con l'ausilio di slide, laboratorio e casi applicativi. Articoli scientifici di riferimento saranno forniti dal docente. Il Software utilizzato sarà sia open-source sia proprietario con licenza.
Periodo di erogazione dell'insegnamento
II semestre
Modalità di verifica del profitto e valutazione
La modalità di verifica si basa su una prova progettuale e una prova orale. Il progetto si può svolgere individualmente o a gruppi.
In sede di valutazione viene considerata la capacità dello studente di rispondere a quesiti specifici facendo riferimento agli aspetti teorici e pratici (mediante esempi) connessi all'argomento richiesto.
La prova progettuale è obbligatoria e comune sia per gli studenti frequentanti sia per i non frequentanti.
La prova orale è mirata ad accertare la conoscenza teorica dello studente sugli argomenti del corso. Saranno quindi valutate le capacità di ragionare e approfondire le tematiche proposte in sede di esame e il rigore metodologico del loro sviluppo.
Orario di ricevimento
Su appuntamento
Aims
The laboratory aims at providing technical competences in the implementation of complex data pre-processing pipelines for both structured and unstructured data. To this end, state-of-the-art tools and algorithms will be applied to real-life data. The laboratory would also provide technical competences for modelling and realising NoSQL data models, with a special focus on Graph-data models
Contents
Getting knowledge from data
Modelling and Querying the Resulting knowledge
Data visualisation & Decision Making
Detailed program
Getting knowledge from data
Word Embedding (Word2Vec, Doc2Vec,GLOVE, FastText, StarSpace)
Evaluate word embedding models (intrinsic vs extrinsic evaluation)
Topic Modelling through Python
Modelling and Querying the Resulting knowledge
introduction to SNA metrics
graph-databases and graph-traversal query languages (Cypher)
Explainable AI (global and local interpretation models)
Data visualisation & Decision Making
Data visualisation paradigms and models (D3js, GraphViz, Gephi, Tableau)
Prerequisites
None
Teaching form
The course will be provided by means of lessons, laboratory sessions and homeworks.
Textbook and teaching resource
Lectures with the support of slides, laboratory and real-life case studies. Scientific Papers and books indicated by the lecturer. The software used is either available as open source or through academic license.
Semester
II Semester
Assessment method
The assessment is based on a project and an oral exam. The project can be carried out individually or in groups.
The oral evaluation is focused on the student's ability to answer to specific questions by referring both to the theoretical and practical aspects (through examples) connected to the requested topic.
The project is mandatory for both attending students and non-attending students.
The oral exam is aimed at assessing the theoretical knowledge of the student on the topics of the course. The ability to reason and deepen the issues proposed during the examination and the methodological rigor of their development will be evaluated.
Office hours
By appointment