BIG DATA

182115

Attivita' formativa monodisciplinare

Scheda dell'insegnamento

Codice dell'attivita' formativa:

ECBA012

Anno accademico di regolamento:

2020

Anno di erogazione:

2021/2022

Afferenza:

Corso di Laurea Magistrale in ECONOMIA E BUSINESS ANALYTICS

Lingua:

Italiano

Moduli:

DATABASE - 3 crediti
GRAPH MINING - 6 crediti

Sede:

PESCARA

Crediti:

Anno di corso:

Ciclo:

Primo Semestre

Ore di attivita' frontale:

Prerequisiti:

Lo studente deve possedere le conoscenze della statistica di base. È consigliata, anche se non richiesta, una conoscenza di base della programmazione.

Obiettivi formativi e risultati di apprendimento attesi

L’obiettivo formativo per lo studente è che raggiunga i seguenti risultati di apprendimento:

Conoscenza e capacità di comprensione

Il corso intende fornire le conoscenze metodologiche e applicative relative ai principali strumenti e metodi per l'analisi di insiemi di dati potenzialmente grandi.

Capacità di applicare conoscenza e comprensione

Al termine del corso di insegnamento, lo studente anche con l’aiuto di casi di studio concreti svolti in laboratorio, sarà in grado di estrarre e manipolare dati da web, da file e da database, anche di grandi dimensioni.

Inglese:

The learning objectives can be associated with the following expected learning outcomes:
Knowledge and understanding
The course aims to provide the basic methodological and application knowledge of the main tools for the analysis of big amounts of data

Applying knowledge and understanding
At the end of the course, also because of the case studies addressed during the lab classes, the student will also be able to extract and manipulate data from the web, from files and from databases, including those of big size.

Contenuti

- Introduzione al fenomeno dei Big Data
- Database
- Metodologie per Big data
- Data mining
- Lab & tools

Inglese:

- Introduction to the Big Data phenomenon
- Database
- Big data methods
- Data mining
- Lab & tools

Programma esteso

Introduzione
• Introduzione al fenomeno dei Big Data
Database
• Introduzione ai database: modelli E-R, SQL
• Distributed query evaluation, NoSQL databases, graph databases
Metodologie per I Big data
• Frameworks di programmazione: MapReduce/Hadoop, Spark
Data mining
• Association Analysis
• Clustering
Graph Analytics (metriche di centralità, scale-free/Power-law graphs, fenomeno dello small world, uncertain graphs)
• Similarity and diversity search
Lab & tools
• strumenti e metodologie per collezionare, processare, visualizzare ed analizzare grandi quantitative di dati (Big Data).
o estrarre dati non strutturati dal web (import.io, kimono, etc.)
o gestire e manipolare dati in forma tabulare (google spreadsheet, excel, etc.)
o esplorare e presentare dati statici (RAWGraphs, Gephi, illustrator, etc.)
o esplorare e costruire visualizzazioni di dati interattive (Tableau Public, Carto)

Inglese:

Introduction
• Introduction to the Big Data
Database
• Introduction to databases: E-R models, SQL
• Distributed query evaluation, NoSQL databases, graph databases
Big data methods
• Programming frameworks: MapReduce/Hadoop, Spark
Data mining
• Association Analysis
• Clustering
• Graph Analytics (centrality measures, scale-free/Power-law graphs, small world phenomenon, uncertain graphs)
• Similarity and diversity search
Lab & tools
• tools and methodologies for collecting, processing, visualizing and analyzing large amounts of data (Big Data).
o extract unstructured data from web (import.io, kimono, etc.)
o manage and manipulate data in tabular format (google spreadsheet, excel, etc.)
o explore and present static data (RAWGraphs, Gephi, illustrator, etc.)
o explore and build interactive data visualizations (Tableau Public, Carto)

Bibliografia consigliata

Appunti del corso

Per ulteriori approfondimenti:
Leskovec, Jure, Anand Rajaraman, and Jeffrey David Ullman.
Mining of massive datasets.
Cambridge University Press, 2014.
Disponibile gratuitamente online: http://www.mmds.org/

Inglese:

Course slides.

Further readings:
Leskovec, Jure, Anand Rajaraman, and Jeffrey David Ullman.
Mining of massive datasets.
Cambridge University Press, 2014.
Online available for free: http://www.mmds.org/

Modalità di erogazione

Convenzionale

Metodi didattici

Lezioni orali. Esercitazioni pratiche in aula informatica.

Lectures.
Practice and exercises in the computer lab.

Metodi di valutazione

Tipo di esame:

Orale

Modalita' di verifica dell'apprendimento:

Conoscenza e capacità di comprensione

La verifica dei risultati di apprendimento sarà effettuata tramite una o più prove scritte ed un colloquio finale (quest’ultimo è facoltativo e/o a discrezione del docente).
La valutazione finale, espressa in trentesimi, tiene conto sia delle prove scritte preliminari che del colloquio di esame.

Capacità di applicare conoscenza e comprensione

Durante le prove d’esame si verifica la capacità degli studenti di applicare le conoscenze fornite dal corso al fine di essere in grado di estrarre e manipolare dati da web, da file e da database, anche di grandi dimensioni.

Inglese:

Knowledge and understanding
The verification of the learning outcomes will be carried out through a written and oral examination (the latter being optional or potentially required by the teacher). The score of the exam is assigned by a mark expressed in 30ths and is based on both the written and oral examinations.
Applying knowledge and understanding
During the exam, students' ability to apply the knowledge given in the course is verified. In particular, student should be able to extract and manipulate data from the web, from files and from databases, including those of big size.

Valutazione:

Voto Finale

Periodo didattico

Primo Semestre

BIG DATA

Anno di corso: 1

Anno di corso: 2

Scopri cosa vuol dire essere dell'Ud'A