Esci dai Frame

	Web Mining e Retrieval (a.a. 2014/15) Secondo Semestre
Elenco dei File nel deposito
Sommario Contenuti 1.Novità 2.Programma del Corso 3.Testi di Riferimento 4.Link Utili 5.Diapositive delle lezioni 6.Progetti ed Esercizi Proposti
Novità Risultati della Prova Finale del 21 Settembre 2015. Gli studenti sono invitati a contattare il docente per concorare le modalità dell'orale. . La Prima Prova Finale ed il Secondo Esonero del Corso si terra' il giorno 6 Luglio 2015 a partire dalle ore 10.00 in un aula da destinarsi , nell'Edificio Aule Nuove di Ingegneria. La Seconda Prova Finale del Corso si terra' il giorno 22 Luglio 2015 a partire dalle ore 10.00 in un aula da destinarsi , nell'Edificio Aule Nuove di Ingegneria. Esercizi d'esame per la preparazione del Secondo esonero . Vedi altri esercizi risolti alla Sezione Progetti ed Esercizi Proposti. . ATTENZIONE - La lezione di Martedi' 24 Marzo è confermata in Aula 9 ATTENZIONE - I nuovi orari ed aule delle lezioni per l'anno accademico 2014-2015 sono i seguenti: Martedi' 9:30 - 11:00 AULA 9 - Edificio Nuovo della Didattica, presso la Facolta' di Ingegneria Giovedi' 9:30 - 11:00 AULA B15 - Edificio Nuovo della Didattica, presso la Facolta' di Ingegneria Le lezioni del Corso di Web Mining and Retrieval per l'a.a. 2014-15 avranno inizio a partire da Martedi' 10 Marzo 2015 in Aula C4 alle ore 16:00. Gli studenti sono inviati ad iscriversi al Corso per l'a.a. 2014-15 presso il sito Delphi dell'Ateneo. Il Programma del Corso per l'a.a. 2014-15 rispecchia le tematiche affrontate nel Programma del Corso, a.a. 2013-14. Le diapositive delle lezioni saranno pubblicate durante il ciclo delle lezioni su queste pagine.
Programma Programma del Corso (a.a. 2013/14)
Testi di Riferimento IR - Introduction to Information Retrieval, Christopher D. Manning, Prabhakar Raghavan and Hinrich Schutze, Cambridge University Press. 2008. Find the book Home page HERE. ML - Pattern Recognition and Machine learning, C. Bishop. Springer. 2006. ML ed IR - Automatic Text Categorization: from Information Retrieval to Support Vector Learning, Roberto Basili, Alessandro Moschitti, ARACNE Editore, 2005. Web IR - Bing Liu, Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data. 2nd Edition, July 2011, Springer. Dispense fornite dal docente
Lezioni (Lucidi) Saranno QUI rese disponibili al più presto le dispense delle lezioni del Corso per l'a.a. 2014-15. Lezione 0: Introduzione al Corso WMR. Organizzazione e Modalita' didattiche. Lezione 1: Introduzione al Web Mining & Retrieval Lezione 2: Probability and Learning: an introduction to Naive Bayes classifiers Lezione 3: Introduction to Geometrical models of text classification: Profile-based classification, Rocchio and k-NN. Lezione 4: Evaluation of Machine Learning algorithms. Decision Trees and Weka Tutorial Weka Exercise: Trovate i dati di Training QUI. Lezione 5: Introduction to Markov models: Sequence classification, Language Models, Hidden Markov Models. (Versione per la stampa BN QUI) (Argomento Facoltativo non trattato a lezione) Lezione 5A Estimation. (Versione per la stampa BN QUI) Lezione 6 Introduction to PAC learning and VC dimension. The slides used for the 2011-12 course have been postedited from a kindly published version by Ethem Alpaydin, that you can find HERE. Further details on the PAC learnability and proof of the structural risk analysis over rectangles are given HERE (PAC Learning) and HERE (VC dimension). Lezione 7 (Modified: ) Support Vector Machines. Dan Klein's tutorial on Lagrange methods for the SVM optimization problem. Lezione 7a. Esercitazione pratica sulla piattaforma SVM Light: utilizzo della piattaforma per la classificazione di un dataset fornito secondo la sintassi Weka. Risorse: Slides della esercitazione Dataset di training : Reuters Grain (training dataset), nella directory Data della distribuzione di Weka. Lezione 8 Kernel-based learning. Kernel exercise: Question Classification training/test material. In the folder you can find the original data, as well as the Bag-of-Word and Tree representations for the Entity class. Lezione 9: Introduction to Unsupervised Learning as applied in Instance Clustering: similarity, metrics, algorithms and evaluation. (Optional Exercise)Clustering Exercise. Design of Clustering Algorithms on Controlled Datasets. The full accomplishent of the exercise can be delivered by e-mail to the teacher, and WILL BE PART of the final Course evaluation. Lezione 10: Ensemble Classifiers and Semi-supervised learning (edited version of slides from Chapter 3 and Chapter 5 of "Web Data Mining”, by Bing Liu).. Lezione 11Introduction to On-Line Learning algorithms. Lezione 12: Introduzione all'Information Retrieval Lezione 13: Modelli di Information Retrieval. Una presentazione di H. Schutze sui differenti modelli di weighting e sulle varianti utilizzate nei sistemi correnti e' presente presso il "sito del libro di testo . Lezione 14 Latent Semantic Analysis and Machine Learning. Lezione 15 Metodi di query processing (dalle slide di H. Schutze disponibili QUI) Introduzione ai Word Space Models Lezione 16: un Sistema di Information Retrieval: Lucene. Risorse (dataset e wrapper code) relative alla Collezione Cranfield per la esercitazione Lucene. Lezione 17 Introduzione al Web Search (dalle lezioni di Hinrich Shutze) Lezione 18 Link Analysis and Web Search (dalle lezioni di Hinrich Shutze) Note sulla estensione di PageRank, nota come Topic Sensitive PageRank. Lezione 19. Web Crawling and Clustering. Web crawling (Lesson Slides, C. Manning version, 1/6). Web clustering engines (Slides, Handout version) Lezione 21 Opinion Mining. See also: Opinion Mining su Twitter (G. Castellucci) Tutorial on Opinion Mining (by B. Liu) Book Chapter on Opinion Mining and Sentiment Analysis (by Bo Pang and Lillian Lee) Lezione 22 Some hot topics in Information Retrieval (dalle slide di H. Schutze disponibili QUI) Advertising in a Search Engine (A Video Introduction to Search Advertising in Google) Duplicates and Spam Detection on the Web Search Engine Optimization (SEO)
Link Utili Introduction to Information Retrieval, Christopher D. Manning, Prabhakar Raghavan and Hinrich Schutze, Cambridge University Press. Web Data Mining, Bing Liu, Springer Verlag, 2011.
Progetti ed Esercizi QUI veranno pubblicati i MATERIALI DIDATTICI COMPLEMENTARI Spazi vettoriali, prodotto interno, Norme e funzioni di similarita' (Versione per la stampa BN QUI) Materiale di approfondimento: Relationship-based Clustering and Cluster Ensembles for High-dimensional Data Mining, (Alexander Strehl), PhD Dissertation, University of Texas at Austin, 2002. Sam-string metrics, (Sam Chapman), University of Sheffield. Trasformazioni Lineari, Matrici e Autovettori (Versione per la stampa BN QUI) Elementi e notazioni di teoria della probabilita' (Versione per la stampa BN QUI) Elementi di teoria dell'Informazione (Versione per la stampa BN QUI) Saranno QUI resi disponibili Esercizi e Soluzioni di preparazione alla Prove d'Esame. Introduzione al Test Intermedio (a.a. 2013-2014). Sono disponibili ulteriori esercizi d'esame per la preparazione del Test Intermedio (SOLUZIONI). . Esercizi d'esame per la preparazione del Secondo esonero . .