Please enable JavaScript.

Coggle requires JavaScript to display documents.

Data Mining - Coggle Diagram

- - - - l’obiettivo dell’analisi
      - quale conoscenza vogliamo estrarre
    - - prevedere il prezzo di una casa
      - scoprire prodotti acquistati insieme
      - identificare clienti a rischio abbandono
  - - - In questa fase:
        
        si individuano le fonti dati
        
        si capisce quali attributi servono
        
        si valuta la qualità dei dati
      - 👉 È fondamentale capire cosa rappresentano i dati.
  - - - selezione dei dati rilevanti
      - pulizia (valori mancanti, errori)
      - trasformazione (normalizzazione, codifica)
      - formattazione per l’algoritmo
  - - - algoritmi di machine learning
      - parametri del modello
    - - regressione
      - classificazione
      - clustering
      - regole di associazione
  - - - Il modello viene addestrato su un insieme di dati
      - Viene testato su dati non visti prima
    - - valutare accuratezza
      - evitare overfitting
      - confrontare modelli diversi
  - - - verifica con gli stakeholder
      - interpretazione dei risultati
      - visualizzazione chiara
      - integrazione nei sistemi decisionali
- - - - Un modello è:
        
        una regolarità nei dati che si ripete in modo prevedibile
      - I modelli descrivono relazioni o pattern osservabili.
      - Esempi di modelli
        
        🏠 Prezzo casa ≈ 2500 × metri quadrati
        
        🛒 Latte e cereali vengono spesso acquistati insieme
        
        💻 Sequenza tipica di acquisto: PC → fotocamera → scheda di memoria
      - 👉 Un modello è descrittivo e spesso matematico o logico.
  - - - comprendiamo e interpretiamo un modello
    - - spiegare un fenomeno
      - prendere decisioni
      - fare previsioni
    - - Come vengono fissati i prezzi delle case in base alla superficie
      - Quali prodotti posizionare vicini nel supermercato
      - In quale ordine pubblicizzare prodotti digitali
- - - - molti dati omogenei e rappresentativi
    - - i modelli devono essere statisticamente significativi
      - pochi dati producono pattern casuali o fuorvianti
    - - 🏠 molte osservazioni di prezzi e dimensioni delle case
- - - - numerici (prezzi, quantità)
      - categoriali (tipo prodotto)
      - temporali (data, sequenza)
      - transazionali (carrello della spesa)
    - - dati storici
      - dati integrati (spesso da un Data Warehouse)