IOT DATA ANALYTICS

Internazionalizzazione della Didattica IOT DATA ANALYTICS

0522500131
DIPARTIMENTO DI INFORMATICA
CORSO DI LAUREA MAGISTRALE
INFORMATICA
2021/2022



ANNO CORSO 1
ANNO ORDINAMENTO 2016
SECONDO SEMESTRE
CFUOREATTIVITÀ
945LEZIONE
Obiettivi
L’OBIETTIVO FORMATIVO DELL’INSEGNAMENTO È QUELLO DI FORNIRE LE COMPETENZE METODOLOGICHE E TECNOLOGICHE NECESSARIE PER ANALIZZARE IN TEMPO REALE ENORMI FLUSSI DI DATI SCAMBIATI CON DISPOSITIVI IOT. IN SOSTANZA, SI INTENDONO INTEGRARE CONOSCENZE DI DATA MANAGEMENT ACQUISITE NELL’AMBITO DEL CORSO DI BASI DI DATI DELLA LAUREA TRIENNALE CON COMPETENZE INERENTI L’ESTRAZIONE DI DATI SENSORISTICI, IL CONTROLLO DELLA LORO QUALITÀ, I MODELLI ANALITICI E LE TECNICHE DI MACHINE LEARNING PER ESTRARRE CONOSCENZA DAGLI STESSI.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE (KNOWLEDGE AND UNDERSTANDING):
FAR ACQUISIRE ALLO STUDENTE CONOSCENZE SU ALGORITMI, MODELLI E TECNOLOGIE PER LA GESTIONE DI GRANDI FLUSSI E SERIE DI DATI PROVENIENTI DA SENSORI O DISPOSITIVI IOT DI VARIO GENERE, AL FINE DI CONSENTIRE ANALISI UTILI E L’ESTRAZIONE ONLINE DI MODELLI PREDITTIVI. IN PARTICOLARE, IL CORSO MIRA A SVILUPPARE NELLO STUDENTE LE SEGUENTI CONOSCENZE:

- ELABORAZIONE DI DATI SENSORISTICI
- DATA QUALITY E DATA PRE-PROCESSING PER IOT
- MODELLI ANALITICI PER IOT
- MACHINE LEARNING PER IOT
- SEQUENCE DATA MINING
- ANALYSIS OF DATA SERIES
- REAL TIME PROCESSING IN IOT

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE (APPLYING KNOWLEDGE AND UNDERSTANDING):

IL MODULO CORSO MIRA A SVILUPPARE NELLO STUDENTE LE SEGUENTI CAPACITÀ:
• SAPER ACQUISIRE, GESTIRE ED ELABORARE GRANDI FLUSSI DI DATI SCAMBIATI CON DISPOSITIVI IOT
• SAPER ANALIZZARE E MIGLIORARE IN TEMPO REALE LA QUALITÀ DI DATI SCAMBIATI CON DISPOSITIVI IOT
• SAPER SELEZIONARE LE TECNICHE DI ANALISI E DI MACHINE LEARNING PIÙ IDONEE PER L’ANALISI DI DATI SENSORISTICI E DI DISPOSITIVI IOT.
Prerequisiti
LO STUDENTE DEVE CONOSCERE I FONDAMENTI DI DATA MANAGEMENT, SISTEMI DISTRIBUITI, PARADIGMA AD OGGETTI ED UN LINGUAGGIO DI PROGRAMMAZIONE.
Contenuti
DOPO UNA PANORAMICA SUI SISTEMI IOT E SUI NUOVI SCENARI APPLICATIVI LEGATI ALLA GESTIONE DI GRANDI SEQUENZE DI DATI PROVENIENTI DA DISPOSITIVI IOT, IL CORSO SI CONCENTRERÀ SUI SEGUENTI ARGOMENTI:

BIG DATA (2 ORE DI TEORIA)
• PROBLEMATICHE DI BIG DATA (1 ORA DI TEORIA)
• TECNOLOGIE DI SUPPORTO AI BIG DATA (1 ORA DI TEORIA)

AMBIENTI IOT (8 ORE DI TEORIA)
• PANORAMICA SU IOT (1 ORA DI TEORIA)
• TASSONOMIA DI IOT INDUSTRIALE (2 ORE DI TEORIA)
• IOT VS SCADA (1 ORA DI TEORIA)
• CASI DI STUDIO SU IOT (4 ORE DI TEORIA)

ELABORAZIONE DI DATI IOT (4 ORE DI TEORIA)
• ESTRAZIONE DI DATI IOT (2 ORE DI TEORIA)
• CONTROLLO DELLA QUALITÀ DEI DATI IOT (2 ORE DI TEORIA)

MINING DI SEQUENZE IN TEMPO REALE (10 ORE DI TEORIA)
• IL MODELLO DATA STREAM (1 ORA DI TEORIA)
• CAMPIONAMENTO DEI DATI IN UNO STREAM (1 ORA DI TEORIA)
• FILTRAGGIO DI STREAM: IL FILTRO DI BLOOM (1 ORA DI TEORIA)
• CONTEGGIO DI ELEMENTI DISTINTI IN UNO STREAM (1 ORA DI TEORIA)
• STIMA DEI MOMENTI (1 ORA DI TEORIA)
• CONTEGGIO DI ELEMENTI IN UNA FINESTRA DI UNO STREAM (2 ORE DI TEORIA)
• FINESTRE DECADENTI (2 ORE DI TEORIA)
• MINING DI PATTERN SEQUENZIALI (1 ORA DI TEORIA)

MACHINE LEARNING PER IOT (18 ORE DI TEORIA)
• CARATTERIZZAZIONE DEI SISTEMI DI MACHINE LEARNING (2 ORE DI TEORIA)
• GESTIONE DI UN PROGETTO DI MACHINE LEARNING (3 ORE DI TEORIA)
• CLUSTERING DI DATA STREAM (3 ORE DI TEORIA)
• ANALISI DI DATA SERIES (8 ORE DI TEORIA)
• ONLINE LEARNING (2 ORE DI TEORIA)

STRUMENTI PER L’IOT DATA ANALYTICS (2 ORE FRONTALI)
• MOA (2 ORE FRONTALI)
Metodi Didattici
L’INSEGNAMENTO PREVEDE 43 ORE DI DIDATTICA FRONTALE E 2 ORE SU STRUMENTI APPLICATIVI, CON L’OBIETTIVO DI PRESENTARE I CONCETTI E SVILUPPARE CAPACITÀ DI PROGETTARE ED IMPLEMENTARE SOLUZIONI PER L’ANALISI IN TEMPO REALE DI SEQUENZE DI DATI PROVENIENTI DA SISTEMI E DISPOSITIVI IOT. GLI ARGOMENTI DEL PROGRAMMA VENGONO PRESENTATI CON L’AUSILIO DI PRESENTAZIONI POWERPOINT, STIMOLANDO DISCUSSIONI CRITICHE CON LA CLASSE. PER OGNI ARGOMENTO TRATTATO, VENGONO ILLUSTRATI POSSIBILI TASK CHE POSSONO ESSERE OGGETTO DI UN PROGETTO DI CORSO DA PARTE DI UNO O PIÙ STUDENTI. PER QUANTO RIGUARDA GLI STRUMENTI APPLICATIVI, OLTRE ALL’UTILIZZO DI PRESENTAZIONI POWERPOINT, ATTRAVERSO LE QUALI VENGONO PRESENTATI CONCETTI ED EVENTUALI LINK A FORUM, MANUALI E SITI DI APPROFONDIMENTO, DURANTE L’ORARIO DI RICEVIMENTO VIENE OFFERTA AGLI STUDENTI LA POSSIBILITÀ DI CHIEDERE SUPPORTO IN MERITO A SIMULAZIONI DA ESSI EFFETTUATE SUL PROPRIO COMPUTER, DI CHIEDERE CHIARIMENTI E RISOLVERE EVENTUALI PROBLEMI TECNICI INSIEME AL DOCENTE.
Verifica dell'apprendimento
IL RAGGIUNGIMENTO DEGLI OBIETTIVI DELL’INSEGNAMENTO E CERTIFICATO MEDIANTE IL SUPERAMENTO DI UN ESAME CON VALUTAZIONE IN TRENTESIMI. L'ESAME PREVEDE UNA PROVA SCRITTA (SI PUÒ ESSERE ESONERATI SUPERANDO UNA PROVA IN ITINERE), LO SVILUPPO DI UN PROGETTO ED UNA PROVA ORALE. LA PROVA SCRITTA (O QUELLA IN ITINERE) È FINALIZZATA AD ACCERTARE L’ACQUISIZIONE DEI CONCETTI TEORICI PRESENTATI DURANTE IL CORSO. IL PROGETTO È FINALIZZATO AD ACCERTARE LA CAPACITA DI APPLICARE LE CONOSCENZE ACQUISITE. ESSO PUÒ ESSERE SVOLTO INDIVIDUALMENTE O IN GRUPPI DI MASSIMO 3 PERSONE, SCEGLIENDO LA TEMATICA TRA UN VENTAGLIO DI PROPOSTE FATTE DAI DOCENTI. DURANTE LO SVOLGIMENTO DEL PROGETTO GLI STUDENTI DOVRANNO INTERAGIRE CON I DOCENTI AL FINE DI COMUNICARE GLI STATI DI AVANZAMENTO DEL PROGETTO E LE EVENTUALI CRITICITÀ EMERSE, CONCORDANDO OBIETTIVI E MODALITÀ DI PROSECUZIONE. AL TERMINE, GLI STUDENTI DOVRANNO CONSEGNARE AI DOCENTI UNA TESINA CONTENENTE LA DOCUMENTAZIONE DI PROGETTO, OLTRE AD UNA PRESENTAZIONE POWERPOINT DELLA DURATA DI CIRCA 30 MINUTI. SUCCESSIVAMENTE AL SUPERAMENTO DELLA PROVA SCRITTA (O DELLA PROVA IN ITINERE) ED ALLA PRESENTAZIONE DEL PROGETTO, GLI STUDENTI DOVRANNO SOSTENERE UNA PROVA ORALE INDIVIDUALE. TALE PROVA CONSISTE IN UN COLLOQUIO CON DOMANDE E DISCUSSIONI SUI CONTENUTI TEORICI E METODOLOGICI TRATTATI A LEZIONE ED E FINALIZZATA AD ACCERTARE LA CAPACITA DI CONOSCENZA E COMPRENSIONE, NONCHÉ LA CAPACITA DI ESPOSIZIONE DEI CONCETTI. LA PROVA ORALE PUÒ ESSERE SVOLTA NELLA STESSA DATA DELLA PRESENTAZIONE DEL PROGETTO, OPPURE IN ALTRA DATA CHE I SINGOLI MEMBRI DEL GRUPPO POSSONO CONCORDARE CON I DOCENTI.
IL VOTO FINALE SCATURISCE, GENERALMENTE, DALLA MEDIA PESATA DEI VOTI IN TRENTESIMI CONSEGUITI IN CIASCUNA DELLE TRE PROVE, 33,33% PER LA PROVA SCRITTA (OD IN ITINERE) 33,33% PER IL PROGETTO E 33,33% PER LA PROVA ORALE.
Testi
1.HWAIYU GENG, INTERNET OF THINGS AND DATA ANALYTICS HANDBOOK, JOHN WILEY & SONS, 2017.
2.JURE LESKOVEC, ANAND RAJARAMAN, JEFFREY D. ULLMAN, “MINING OF MASSIVE DATASETS”, 2^ EDIZIONE, CAMBRIDGE UNIVERSITY PRESS, 2014.
3.AURÉLIEN GÉRON, "HANDS-ON MACHINE LEARNING WITH SCIKIT-LEARN AND TENSORFLOW“, O REILLY ED.
4.J. GAMA, KNOWLEDGE DISCOVERY FROM DATA STREAMS, CRC PRESS, 2010.
5.A. BIFET, R. GAVALDÀ, G. HOLMES, B, PFAHRINGER, MACHINE LEARNING FOR DATA STREAMS – WITH PRACTICAL EXAMPLES IN MOA, THE MIT PRESS, 2018.
Altre Informazioni
LA FREQUENZA DEL CORSO È FORTEMENTE CONSIGLIATA. GLI STUDENTI DEVONO ESSERE PREPARATI A TRASCORRERE UNA CONGRUA QUANTITÀ DI TEMPO NELLO STUDIO AL DI FUORI DELLE LEZIONI. UNA PREPARAZIONE SODDISFACENTE RICHIEDE IN MEDIA 1 ORA DI STUDIO PER CIASCUNA ORA TRASCORSA IN AULA E CIRCA 80 ORE PER LO SVILUPPO DEL PROGETTO.
IL MATERIALE DELLE LEZIONI SARÀ DISPONIBILE SULLA PIATTAFORMA E-LEARNING DIPARTIMENTALE HTTP://ELEARNING.INFORMATICA.UNISA.IT/EL-PLATFORM/

CONTATTI

PROF. GIUSEPPE POLESE
GPOLESE@UNISA.IT
  BETA VERSION Fonte dati ESSE3
  • Didattica