Esci dai Frame

	Web Mining e Retrieval (a.a. 2012/013) Primo 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 Elenco di lavori scientifici da discutere all'esame orale. Risultati del Secondo Test Finale del 22 Febbraio 2013 per l'a.a. 2012-13. Date di verbalizzazione per tutti gli esonerati o sufficienti alla Seconda Prova Finale: 18 Marzo 2013, ore 16:00-16:30, Stanza del Docente 21 Marzo 2013, ore 16:00-16:30, Stanza del Docente 9 Aprile 2013, ore 16:00-17:00, Stanza del Docente Risultati Completi dell'ESONERO per l'a.a. 2012-13. Le date di verbalizzazione saranno pubblicate al piu' presto su queste pagine. Risultati Primo ESONERO (aa 2012-13) Le date degli esami previsti a fine Corso sono: Primo Appello e Secondo Esonero: 11 Febbraio 2013, ore 16:00, Aula da definire Secondo Appello:22 Febbraio 2013, ore 16:00, Aula da definire ATTENZIONE!!! A causa di sovrapposizioni con l'inizio di altri Corsi, l'inizio delle lezioni del Corso per l.a. 2012-13 e' previsto per GIOVEDI' 4 Ottobre 2012 alle ore 11:30 in Aula C2. ATTENZIONE!!! - I nuovi orari e aule delle lezioni sono i seguenti: Lunedi' 11:30 - 13.15 Aula C6 - Edificio Nuovo della Didattica Giovedi' 11.30 - 13.15 Aula C2 - Edificio Nuovo della Didattica Venerdi' 14.00 - 15.45 Aula C3 - Edificio Nuovo della Didattica La lezione di Venerdi' 5 Ottobre 2012 e' annullata. Di conseguenza la prossima lezione si terra' regolarmente Lunedi' 8 Ottobre alle 11:30 in Aula C6.
Programma Programma finale del Corso (a.a. 2011/12)
Testi di Riferimento Introduction to Information Retrieval, Christopher D. Manning, Prabhakar Raghavan and Hinrich Schutze, Cambridge University Press. 2008. Find the book Home page HERE. ML ed IR Automatic Text Categorization: from Information Retrieval to Support Vector Learning, Roberto Basili, Alessandro Moschitti, ARACNE Editore, 2005. Dispense fornite dal docente
Lezioni (Lucidi) Lezione 0: Introduzione al Corso WMR. Organizzazione e Modalita' didattiche. Lezione 1: Introduzione al Web Mining & Retrieval Lezione 2: Spazi vettoriali, prodotto interno, Norme e funzioni di similarita' (Versione per la stampa BN QUI) Lezione 3: Trasformazioni Lineari, Matrici e Autovettori (Versione per la stampa BN QUI) Lezione 4: Geometrical models of classification: K-NN, Profile-based classification, Rocchio model. Performance Evaluation. Lezione 5: Elementi e notazioni di teoria della probabilita' (Versione per la stampa BN QUI) Lezione 6: Elementi di teoria dell'Informazione (Versione per la stampa BN QUI) Lezione 7: Probabilstic classification: Naive Bayes classification Lezione 8: Introduction to Markov models: Sequence classification, Language Models, Hidden Markov Models. (Versione per la stampa BN QUI) Lezione 9: Decision Tree Learning - Introduction to The WEKA machine learning platform. (Versione per la stampa BN QUI) 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 11: Introduction to automatic clustering. Agglomerative and divisive algorithms. Similarity Measures for clusters. (Argomento Facoltativo non trattato a lezione) Lezione 12 Estimation. (Versione per la stampa BN QUI) Lezione 13 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 14 (Modified: ) Support Vector Machines. Dan Klein's tutorial on Lagrange methods for the SVM optimization problem. Lezione 15 Kernel-based learning. Lezione 16. Esercitazione pratica sulla piattaforma SVM Light: utilizzo della piattaforma svm light per la classificazione di un dataset fornito in sintassi Weka secondo lo schema di multiclassificazione One-Vs-All. Risorse: Slides della esercitazione Istruzioni dettagliate sull'esercitazione Dataset di training Dataset di testing Lezione 17 Introduction to Tree Kernels and their applications in NLP. Lezione 18: Introduzione all'Information Retrieval Lezione 19: 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 20: Introduzione alla architettura di un Sistema di Information Retrieval. Lezione 20b: un Sistema di Information Retrieval: Lucene. Dati della collezione Cranfield DATI: Collezione Cranfield Lezione 21 Metodi di query processing (dalle slide di H. Schutze disponibili QUI) Introduzione ai Word Space Models Lezione 22 Tecniche geometriche per l'IR: Latent Semantic Analysis (Version Handout) Dagli autovalori alla Singular Value decomposition per la dimensionality reduction Lezione 23 Introduzione al Web Search (dalle lezioni di Hinrich Shutze, handsout (2slides per page) HERE) Lezione 24 Social Network Analysis and Opinion Mining. See also: Tutorial on Opinion Mining (by B. Liu) Book Chapter on Opinion Mining and Sentiment Analysis (by Bo Pang and Lillian Lee) Social Web and Semantic Web (Tom Gruber, slides) (Video Lecture HERE) Lezione 25 Some hot topics in Information Retrieval (dalle slide di H. Schutze disponibili QUI) Advertising in a Search Engine (A Video Introduction to Search Asdvertising 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. 2008. Web Data Mining, Bing Liu, Springer Verlag, 2007. Letture Consigliate dallo Special Interest group ACM su Information Retreival.
Progetti ed Esercizi Saranno QUI resi disponibili durante il Corso Esercizi e Soluzioni di preparazione alla Prove d'Esame.