Solo pochi attimi di attesa

Posizione corrente:

Ti trovi in: Home » Scuola di Formazione Aziendale » Analisi dei dati » Frequent Pattern Mining: associazioni e ricorrenze

Frequent Pattern Mining: associazioni e ricorrenze

Cosa entra nel carrello della spesa? Come si può anticipare un guasto a un impianto? Con quali molecole si può creare un farmaco? Introduzione al Frequent Pattern Mining

A cosa serve il Frequent Pattern Mining

Il Frequent Pattern Mining consente di identificare, all’interno di un dataset, schemi e associazioni tra i dati che ricorrono con una certa frequenza: questo genere di informazioni si rivela utile in molti ambiti (commerciale, tecnologico, scientifico, ecc.).

Il Frequent Pattern Mining si applica prevalentemente a dati transazionali e sequenziali, tipici del settore commerciale. Una delle prime applicazioni, la Market Basket Analysis (MBA), nella sua versione più semplice, lavora su un set di variabili binarie associate ad altrettanti prodotti: ogni variabile specifica la presenza (1) o l’assenza (0) del prodotto nel “carrello della spesa” di un cliente; formalmente, quindi, ogni carrello viene descritto da una sequenza di 1 e di 0, detta transazione.

Disponendo di un dataset di transazioni, si può esaminare quali (gruppi di) prodotti tendono a essere acquistati insieme. La MBA, già nella versione-base discussa nel primo modulo del corso, consente di risolvere questo tipo di problema. È evidente l’utilità di queste informazioni per progettare strategie di cross-selling, da implementarsi in un supermercato, in un sito di e-commerce, in un catalogo cartaceo, ecc.Leggi di più

Destinatari, didattica e calendario

Il campo di applicazione del Data Science è in continua crescita ed è già oggi sterminato. Il Frequent Pattern Mining, in particolare, viene utilizzato in numerosi ambiti professionali: marketing, vendite, telecomunicazioni, web, bioinformatica e altri ancora. Il corso, di livello intermedio, è destinato a chi voglia conoscere i principali metodi di pattern mining, combinando aspetti concettuali e pratica operativa. Le lezioni, infatti, mixano elementi teorici con esempi e applicazioni, sfruttando software open source e software a licenza piuttosto comuni.

Sono previste 13 ore di lezione erogate da uno o più Tutor della SFA; si suggerisce un minimo di 3-4 ore a settimana. Giorni e orari di lezione vanno concordati con i Tutor; si assicura ogni sforzo per accomodare le preferenze dei partecipanti, entro la finestra 8:00 – 23:00, lun – dom.

Quota di partecipazione

440,00€.

La quota di partecipazione può variare in caso di personalizzazione del programma e si riferisce all’erogazione a un solo partecipante, in aula virtuale tramite la nostra piattaforma (Tutoring Room). Contatta il nostro Staff per informazioni sul costo del corso in caso di erogazione a due o più partecipanti e/o in aula tradizionale.

Attestato

Al termine del corso si rilascia un attestato di partecipazione riportante il programma svolto e firmato dal corpo docente. Si può anche richiedere la certificazione delle conoscenze acquisite previo superamento di una prova d’esame.


Programma

  1. Market basket analysis: introduzione

    Verranno introdotti i metodi di base per identificare, all’interno di grandi dataset transazionali, gruppi di oggetti che si presentano insieme con frequenza e regole che associano la presenza di certi oggetti a quella di altri. Il dominio di applicazione tipico è l’analisi del carrello della spesa, che studia i comportamenti di acquisto più ricorrenti, ad esempio tra i clienti di una GDO. Tuttavia, le applicazioni si estendono ad ambiti del tutto diversi, dalla diagnostica medica all’analisi di siti web. Inoltre, i concetti discussi costituiscono il punto di partenza per analisi più avanzate, presentate nei moduli successivi.Leggi di più

  2. Market basket analysis: complementi

    Si vedrà come affrontare alcuni problemi che i metodi discussi nel modulo precedente lasciano, in tutto o in parte, irrisolti. Ad esempio, come “sintetizzare” i risultati dell’analisi; come trattare variabili categoriche o continue; come si modificano i risultati dell’analisi al variare del livello di dettaglio con cui vengono specificati gli oggetti del dataset (ad es. computer, computer laptop, computer laptop ASUS, computer laptop ASUS RX57). Si accennerà anche a un algoritmo alternativo all’Apriori discusso nel modulo precedente.Leggi di più

  3. Sequential pattern mining

    Verranno introdotti metodi che consentono di estrarre da grandi dataset di transazioni indicizzate al tempo, gruppi di oggetti che si presentano frequentemente in successione. In sostanza, si tratterà di incorporare l’aspetto temporale nei metodi di analisi già presentati. Le informazioni ricavabili sono utili in molti contesti, dalla pianificazione di strategie di vendita alla previsione di eventi in base a segnali anticipatori.Leggi di più

  4. Subgraph pattern mining

    I metodi presentati nei moduli precedenti verranno ulteriormente estesi per andare alla ricerca dei sotto-grafi più ricorrenti all’interno di un dataset di grafi. Un grafo è un insieme di nodi collegati tra loro: può essere utilizzato per descrivere efficacemente reti di trasporto, siti web, strutture chimiche e molti altri oggetti “complessi”. L’identificazione di frammenti di grafo (sotto-grafi) ricorrenti dà informazioni su percorsi caratteristici e proprietà comuni del fenomeno studiato.Leggi di più

Personalizzazioni

La SFA è disponibile a valutare richieste di personalizzazione del programma del corso sotto vari profili. Puoi aggiungere argomenti funzionali agli obiettivi formativi, anche in sostituzione di argomenti in programma valutati di minor interesse. Puoi aggiungere prerequisiti, qualora tu ritenga di non avere le conoscenze di base necessarie per affrontate uno o più argomenti. Possiamo anche calibrare la didattica dando maggiore attenzione agli aspetti teorici o, viceversa, a quelli operativi.

Vuoi maggiori informazioni?

Scopri di cosa parliamo

Neque porro quisquam est, qui dolorem ipsum quia dolor sit amet, consectetur, adipisci velit, sed quia non numquam eius modi tempora incidunt ut labore et dolore magnam aliquam keywords.