Guida degli insegnamenti

Syllabus

Partially translatedTradotto parzialmente
[W000797] - BIG DATA ANALYTICSBIG DATA ANALYTICS
Domenico POTENA
Lingua di erogazione: ITALIANOLessons taught in: ITALIAN
Laurea Magistrale - [IM12] INGEGNERIA INFORMATICA E DELL'AUTOMAZIONE Master Degree (2 years) - [IM12] COMPUTER AND AUTOMATION ENGINEERING
Anno di corsoDegree programme year : 1 - Secondo Semestre
Anno offertaAcademic year: 2018-2019
Anno regolamentoAnno regolamento: 2018-2019
Crediti: 9
Ore di lezioneTeaching hours: 72
TipologiaType: B - Caratterizzante
Settore disciplinareAcademic discipline: ING-INF/05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI

LINGUA INSEGNAMENTO LANGUAGE

Italiano

Italian


PREREQUISITI PREREQUISITES

Conoscenza dei modelli di rappresentazione e dei linguaggi di interrogazione delle basi di dati

Knowledge of database models and query languages


MODALITÀ DI SVOLGIMENTO DEL CORSO DEVELOPMENT OF THE COURSE

48 ore di teoria
10 ore di esercitazioni
14 ore di laboratorio

Theory: 48 hours
Exercises: 10 hours
Laboratory: 14 hours


RISULTATI DI APPRENDIMENTO ATTESI LEARNING OUTCOMES
Conoscenze e comprensione.

L’insegnamento ha la finalità di fornire allo studente le conoscenze su metodologie, modelli e tecniche di analisi di grandi moli di dati per il supporto alle decisioni, comprendendo i vantaggi e i limiti delle diverse soluzioni. Lo studente acquisirà inoltre conoscenze sugli aspetti prestazionali e architetturali, con particolare riferimento alle architetture distribuite e di Cloud Computing per la memorizzazione e l’analisi dei dati, le principali metriche di efficienza ed affidabilità e le tecniche per l’analisi di prestazioni e il dimensionamento.


Capacità di applicare conoscenze e comprensione.

Lo studente sarà in grado di: progettare processi di analisi dei dati, sulla base del contesto applicativo, dei dati e degli obiettivi decisionali; utilizzare i principali strumenti di data analytics; analizzare criticamente la qualità dei risultati ottenuti; stimare il carico di lavoro e dimensionare un sistema di gestione e analisi dei dati garantendo una qualità di servizio accettabile a costi ragionevoli.


Competenze trasversali.

Lo studio basato su materiali diversi, ed in particolare su articoli scientifici, contribuirà allo sviluppo di capacità di apprendimento in autonomia e di sintesi. Lo sviluppo e la presentazione di progetti di gruppo concorrerà al miglioramento delle capacità comunicative e relazionali dello studente.


Knowledge and Understanding.

The course aims to provide students with knowledge on methodologies, tools and techniques for the analysis of Big Data to support decisions, understanding advantages and limits of different solutions. The student will also acquire knowledge about performance and architectural aspects, with special emphasis on distributed and Cloud Computing architectures for data storage and analysis, key efficiency and reliability metrics, techniques for the analysis of performance and sizing of resources.


Capacity to apply Knowledge and Understanding.

The student will be able to: design data analysis processes on the basis of data, application domain and goals; use the main tools for data analytics; critically evaluate the quality of results; estimate the system workload and properly size a system for data management and analysis, ensuring quality of service in a cost-effective manner.


Transversal Skills.

The study based on different materials, and in particular on research articles, will contribute to the development of autonomous learning and synthesis skills. The development and presentation of team projects will contribute to the improvement of communication and interpersonal skills.



PROGRAMMA PROGRAM

Introduzione ai Big Data.
Introduzione al Cloud Computing.
Data Warehouse: sistemi direzionali e di supporto alle decisioni, modello multidimensionale, architettura di un Data Warehouse,
operatori OLAP, modelli logici, progettazione concettuale.
Data Mining: Il processo di Knowledge Discovery in Databases, cenni alle tecniche di data preprocessing, tecniche di Data Mining.
I principali strumenti per il Data Analytics.

Sono previste esercitazioni ed attività di laboratorio sugli strumenti di gestione ed analisi dei Big Data, sulla progettazione di datawarehouse, e sulle principali tecniche di Data Mining.

Introduction to Big Data.
Introduction to Cloud Computing.
Data Warehouse: Decision support information systems, multi-dimensional model, Data Warehouse architecture, OLAP operators, logical models, conceptual design.
Data Mining: Knowledge Discovery in Databases process, elements of pre-processing techniques, Data Mining techniques.
Tools for Data Analytics.

Lab activities and exercises are planned on the management and analysis of Big Data, on the design of the data warehouse, and on the main Data Mining techniques.


MODALITÀ DI SVOLGIMENTO DELL'ESAME DEVELOPMENT OF THE EXAMINATION
Modalità di valutazione dell'apprendimento.

La valutazione del livello di apprendimento degli studenti consiste in due prove: lo sviluppo di un progetto ed una prova orale. Nello sviluppo di un progetto lo studente approfondisce uno degli argomenti del corso. Il progetto può essere svolto in gruppo, composto al massimo da tre studenti. Per lo sviluppo dei progetti sono previste revisioni periodiche nelle quali è richiesto agli studenti di svolgere una presentazione orale dei risultati del progetto, e la stesura di una relazione che documenta le attività svolte ed i risultati ottenuti. La prova orale consistente nell'esposizione di concetti e basi teoriche sui temi trattati nel corso. Le due prove possono essere effettuate in qualsiasi ordine.


Criteri di valutazione dell'apprendimento.

Per superare con esito positivo la valutazione dell'apprendimento, lo studente deve dimostrare, attraverso le prove prima descritte, di aver ben compreso i concetti esposti nel corso sul data analytics e deve dimostrare capacità di approfondimento, capacità critica e di problem solving nella esecuzione delle attività di progetto.


Criteri di misurazione dell'apprendimento.

Durante le prove viene valutato il grado di completezza ed approfondimento raggiunto nella conoscenza e comprensione dei contenuti del corso. Viene valutata inoltre la capacità di applicare in maniera corretta ed autonoma modelli e metodologie per la risoluzione di problemi.


Criteri di attribuzione del voto finale.

Il voto finale in trentesimi è ottenuto sommando il punteggio del progetto (da 0 a 6 punti) a quello della prova orale (da 0 a 24 punti). Affinchè la valutazione finale sia positiva, lo studente deve conseguire almeno 15 punti nella prova orale, dimostrando un livello di conoscenza e comprensione sufficiente sugli argomenti esposti, e una votazione maggiore di zero nel progetto, legata al raggiungimento degli obiettivi fissati. La valutazione massima è raggiunta dimostrando una conoscenza approfondita dei contenuti del corso e ottime capacità e autonomia di svolgimento del progetto, che deve essere sviluppato in maniera ampia e approfondita. La lode è riservata agli studenti che abbiano dimostrato una particolare brillantezza nella esposizione orale e nello sviluppo del progetto.


Learning Evaluation Methods.

Evaluation is based on two tests: The development of a project and an oral exam. The development of the project allows student to deepen one of the topics of her interest. The project can be done in groups, composed of a maximum of three students. For the development of the projects periodic reviews are planned, in which students are required to organize an oral presentation of the project results, and the production of a report documenting the activities undertaken and the results obtained. The oral exam consists of the exposition of concepts and theoretical aspects on topics covered in the course. The two tests can be performed in any order.


Learning Evaluation Criteria.

In order to successfully pass the assessment of learning, the student must demonstrate, through the procedure described above, both a good understanding of concepts presented in the course on data analytics and deepening, critical thinking and problem solving abilities in the execution of project activities.


Learning Measurement Criteria.

During the tests it is assessed the degree of completeness and depth achieved in knowledge and understanding of the contents. It is also assessed the ability to use in a correct and autonomous way models and methodologies for solving problems.


Final Mark Allocation Criteria.

The final mark (between 0 and 30) is the sum of the score of the project ((between 0 and 6) and the score of the oral exam (between 0 and 24). In order for the final evaluation to be positive, the student must achieve a pass in the oral exam (equal to or greater than 15 points), demonstrating a basic level of knowledge and understading on the topics covered in the test, and a score greater than zero in the project, depending on the achievement of objectives. The highest rating is achieved by demonstrating a thorough understanding of the course content and excellent ability to carry out the project. The praise is reserved for students who have demonstrated a particular brilliance in oral exposure and development of the project.



TESTI CONSIGLIATI RECOMMENDED READING

Matteo Golfarelli, Stefano Rizzi, Data Warehouse - Teoria e pratica della progettazione 2/ed, mcgraw-hill, 2006; P. Atzeni, S. Ceri, S. Fraternali, S. Paraboschi, R. Torlone, Basi di Dati: architetture e linee di evoluzione, McGraw-Hill, 2007; Pang-Ning Tan, Michael Steinbach, Anuj Karpatne, Vipin Kumar, Introduction to Data Mining, Addison-Wesley.
Eventuale altro materiale didattico che sarà messo a disposizione sul sito del corso (https://learn.univpm.it/course/view.php?id=7846).

Matteo Golfarelli, Stefano Rizzi, Data Warehouse - Teoria e pratica della progettazione 2/ed, mcgraw-hill, 2006;
P. Atzeni, S. Ceri, S. Fraternali, S. Paraboschi, R. Torlone, Basi di Dati: architetture e linee di evoluzione, McGraw-Hill, 2007;
Pang-Ning Tan, Michael Steinbach, Anuj Karpatne, Vipin Kumar, Introduction to Data Mining, Addison-Wesley.

Further material provided by the teacher through the course site (https://learn.univpm.it/course/view.php?id=7846).


E-LEARNING E-LEARNING

NO

NO


Scheda insegnamento erogato nell’A.A. 2018-2019
Le informazioni contenute nella presente scheda assumono carattere definitivo solo a partire dall'A.A. di effettiva erogazione dell'insegnamento.
Academic year 2018-2019

 


Università Politecnica delle Marche
P.zza Roma 22, 60121 Ancona
Tel (+39) 071.220.1, Fax (+39) 071.220.2324
P.I. 00382520427