Guida degli insegnamenti
Syllabus
Partially translatedTradotto parzialmente
ENRICO MARCHEGIANI
Lingua di erogazione: INGLESELessons taught in: ENGLISH
Laurea Magistrale - [IM15] GREEN INDUSTRIAL ENGINEERING Master Degree (2 years) - [IM15] GREEN INDUSTRIAL ENGINEERING
Dipartimento: [040004] Dipartimento Ingegneria Industriale e Scienze MatematicheDepartment: [040004] Dipartimento Ingegneria Industriale e Scienze Matematiche
Anno di corsoDegree programme year : 1 - Secondo Semestre
Anno offertaAcademic year: 2023-2024
Anno regolamentoAnno regolamento: 2023-2024
Obbligatorio
Crediti: 9
Ore di lezioneTeaching hours: 72
TipologiaType: C - Affine/Integrativa
Settore disciplinareAcademic discipline: ING-INF/05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI
Inglese
English
no
no
Il corso consiste in 72 ore di lezione così suddivise:
• 48 lezioni di teoria
• 10 di esercitazione
• 14 di laboratorio
The course consists of 72 hours of class lectures, divided as the following:
• 48 hours of theory
• 10 hours of exercises
• 14 hours of laboratory
L’insegnamento ha la finalità di fornire allo studente le conoscenze su metodologie, modelli e tecniche di gestione e l’analisi di dati per il supporto alle decisioni.
Capacità di applicare conoscenze e comprensione.
Sulla base del contesto applicativo, dei dati e degli obiettivi decisionali, lo studente sarà in grado di interrogare una base di dati, utilizzare un Data Warehouse e progettare processi di Data Mining. Inoltre, sarà in grado di applicare le principali tecniche di Machine Learning ed analizzare criticamente la qualità dei risultati ottenuti.
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 concorreranno 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 management and analysis of data to
support decisions.
Capacity to apply Knowledge and Understanding.
Based on data, application domain and goals, the student will be able to query a database, to use a Data Warehouse and to design Data Mining processes. Furthermore, the student will be able to apply the main Machine Learning techniques and to critically evaluate the quality of results.
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
- Introduzione alle basi di dati e sistemi di gestione di basi di dati.
- Modello relazionale: definizioni, relazioni e tabelle, gestione di valori nulli, vincoli di integrità.
- SQL.
- Cenni ai modelli NoSQL.
- Data Warehouse: modello multidimensionale, architettura di un Data Warehouse, operatori OLAP, modelli logici.
- Data Mining: Il processo di Knowledge Discovery in Databases, cenni alle tecniche di data pre-processing, tecniche di Data Mining, Machine Learning.
Sono previste esercitazioni ed attività di laboratorio sull’interrogazione di basi di dati, e sulle principali tecniche di Data Mining e Machine Learning.
- Introduction to databases and database management systems.
- Relational model: definitions, relations and tables, null values, integrity constraints.
- SQL.
- Overview of NoSQL models.
- Data Warehouse: multidimensional model, Data Warehouse architecture, OLAP operators, logical models.
- Data Mining: Knowledge Discovery in Databases process, elements of pre-processing techniques, Data Mining techniques and algorithms, Machine Learning.
Lab activities and exercises are planned on database querying, and on the main Data Mining and Machine Learning techniques.
La valutazione del livello di apprendimento degli studenti è svolta tramite una prova orale, consistente nell'esposizione di concetti, basi teoriche e pratiche sui temi trattati nel corso.
Criteri di valutazione dell'apprendimento.
Per superare con esito positivo la valutazione dell'apprendimento, lo studente deve dimostrare, attraverso la prova orale, di aver ben compreso i concetti esposti nel corso e deve dimostrare capacità critica e di problem solving. Durante la prova viene valutato il grado di completezza ed approfondimento raggiunto nella conoscenza e comprensione dei contenuti del corso.
Criteri di misurazione dell'apprendimento.
Viene attribuito un voto finale in trentesimi, con eventuale lode. Il voto minimo per il superamento dell’esame è 18/30.
Criteri di attribuzione del voto finale.
Affinchè la valutazione finale sia positiva, lo studente deve conseguire almeno 18 punti nella prova orale, dimostrando un livello di conoscenza e
comprensione sufficiente sugli argomenti esposti. La valutazione massima è raggiunta dimostrando una conoscenza approfondita dei contenuti del corso. La lode è riservata agli studenti che abbiano dimostrato una particolare brillantezza nella esposizione orale.
Learning Evaluation Methods.
Evaluation is based an oral exam, which consists of the exposition of concepts, theoretical and practical aspects on topics covered in the course.
Learning Evaluation Criteria.
In order to successfully pass the assessment of learning, the student must demonstrate, through the oral exam, both a good understanding of concepts presented in the course, critical thinking and problem solving abilities. During the test it is assessed the degree of completeness and depth achieved in knowledge and understanding of the contents.
Learning Measurement Criteria.
The final mark is between 0 and 30, with possible praise. The minimum mark for passing the exam is 18/30.
Final Mark Allocation Criteria.
In order for the final evaluation to be positive, the student must achieve a pass in the oral exam (equal to or greater than 18 points), demonstrating
a basic level of knowledge and understanding on the topics covered in the test. The highest rating is achieved by demonstrating a thorough understanding of the course content. The praise is reserved for students who have demonstrated a particular brilliance in oral exposure.
P. Atzeni, S. Ceri, S. Paraboschi, R. Torlone, “Basi di dati: modelli e linguaggi di interrogazione", 2° ed.”, McGraw-Hill, Italia
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/).
P. Atzeni, S. Ceri, S. Paraboschi, R. Torlone, “Basi di dati: modelli e linguaggi di interrogazione", 2° ed.”, McGraw-Hill, Italia
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/).
no
no
Le informazioni contenute nella presente scheda assumono carattere definitivo solo a partire dall'A.A. di effettiva erogazione dell'insegnamento. Academic year 2023-2024
Università Politecnica delle Marche
P.zza Roma 22, 60121 Ancona
Tel (+39) 071.220.1, Fax (+39) 071.220.2324
P.I. 00382520427