ITALIANO

Tecniche statistiche multivariate per l'analisi del text mining.
Il text mining è una tecnica di Intelligenza Artificiale (AI) che utilizza l'elaborazione del linguaggio naturale (NLP) per trasformare il testo libero, non strutturato, di documenti/database quali pagine web, articoli di giornale, e-mail, agenzie di stampa, post/commenti sui social media ecc. in dati strutturati e normalizzati.

Analisi dei dati e data mining per le decisioni aziendali
di Sergio Zani (Autore) e Andrea Cerioli (Autore)
Giuffrè editore, 2007

Jo, T. (2019). Text mining (Vol. 45). Cham, Switzerland: Springer International Publishing.

Laboratorio di statistica con R
2/Ed. • Con MyLab + Pearson eText
Francesca Ieva - Chiara Masci - Anna Maria Paganoni (2016)

1) Utilizzare nel contesto digitale, il text mining per l'estrazione di informazioni;
2) Sviluppare i fondamenti teorici basilari delle principali tecniche di analisi statistica multivariata:
3) Identificare i contesti applicativi delle tecniche studiate;
4)Implementare le metodologie e le tecniche in maniera corretta, rigorosa e coerente con la natura dei dati e l'obiettivo dello studio in oggetto.
5)Interpretare in maniera corretta e con una visione globale i risultati ottenuti dalle analisi multivariate;
6)Introdurre il questionario come strumento di valutazione per la valutazione e pianificazione delle strategie di digital marketing;
7) Acquisire le principali expertise per gestire i contesti digitale ad alto valore aggiunto per i consumatori;
8) Conoscere i fondamenti dell'ambiente statistico R e riuscire ad utilizzare gli script per lo svolgimento di un'analisi statistica completa su una serie di dati, applicando le tecniche multivariate studiate.

1)Conoscenza delle tecniche statistiche di analisi univariata e bivariata, statistiche descrittive, distribuzioni di frequenza, distribuzioni di frequenza congiunte, probabilità ed inferenza statistica;
2)Conoscenza di base di Excel.

1)Lezioni di teoria
2)Esercitazioni su dati reali condotte dal docente e generalizzabili dagli studenti con l'utilizzo di Excel e dell'ambiente statistico R studio.

L'esame finale consiste in due prove successive:

1) Preparare e discutere un elaborato scritto basato su dati reali provenienti da fonti ufficiali o su un questionario creato dallo studente.
L'elaborato deve contenere una descrizione dettagliata degli obiettivi, dei dati e delle tecniche statistiche scelte per raggiungere gli obiettivi e dei risultati ottenuti;

2) superare una prova scritta con domande a scelta multipla aventi come oggetto gli elementi di teoria trattati nel corso.

1) TEXT MINING
Introduzione. Data warehouse, flussi informativi, banche dati, dataset. Stutture delle banche dati e relazioni tra i data set. Data cleaning. Data mining. Text mining, Big Data analytcs, Sentiment Analysis, Industry 4.0 and AI.

2) TECNICHE DI ANALISI MULTIVARIATA
- Matrice dei dati
Le analisi e le rappresentazioni grafiche uni e multivariate
Tecniche fattoriali di riduzione delle dimensioni: analisi delle componenti principali (ACP); analisi delle corrispondenze semplici (AC) e multiple (ACM); Multidimensional scaling.
Tecniche di classificazione: cluster analysis e alberi di classificazione
Modelli multivariati: modello di regressione lineare multipla.
Cenni a Modello di regressione logistica, Modelli per dati con struttura gerarchica ed a modelli per dati in serie storica.

3)IL QUESTIONARIO COME STRUMENTO NEL DIGITAL MARKETING
La struttura del questionario. Elementi per la formulazione delle domande.

4)INTRODUZIONE AD R.
Le basi della programmazione in R. Applicazione in R delle tecniche di analisi multivariata oggetto del corso.

Italian

Multivariate statistical techniques for text mining analysis.
Text mining is an Artificial Intelligence (AI) technique that uses natural language processing (NLP) to transform free, unstructured text from documents/databases such as web pages, newspaper articles, emails, news agencies, social media posts/comments, etc. into structured, normalized data.

Analisi dei dati e data mining per le decisioni aziendali
di Sergio Zani (Autore) e Andrea Cerioli (Autore)
Giuffrè editore, 2007

Jo, T. (2019). Text mining (Vol. 45). Cham, Switzerland: Springer International Publishing.

Laboratorio di statistica con R
2/Ed. • Con MyLab + Pearson eText
Francesca Ieva - Chiara Masci - Anna Maria Paganoni (2016)

1) Use in the digital context, text mining for the extraction of information;
2) Develop the basic theoretical foundations of the main techniques of multivariate statistical analysis:
3) Identify the application contexts of the studied techniques;
4) Implement the methodologies and techniques in a correct, rigorous and consistent manner with the nature of the data and the objective of the study in question.
5) Interpret correctly and with a global vision the results obtained from multivariate analyses;
6) Introducing the questionnaire as an assessment tool for evaluating and planning digital marketing strategies;
7) Acquire the main expertise to manage digital contexts with high added value for consumers;
8) Know the fundamentals of the R statistical environment and be able to use the scripts to carry out a complete statistical analysis on a series of data, applying the studied multivariate techniques.

1) Knowledge of statistical techniques of univariate and bivariate analysis, descriptive statistics, frequency distributions, joint frequency distributions, probability and statistical inference;
2)Basic knowledge of Excel.

1)Lectures on theory
2)Exercises on real data conducted by the lecturer and generalizable by students using Excel and the statistical environment R studio.

The final examination consists of two successive tests:

1) Prepare and discuss a written paper based on actual data from official sources or a student-created questionnaire.
The paper must contain a detailed description of the objectives, the data and statistical techniques chosen to achieve the objectives and the results obtained;

2)passing a written test with multiple-choice questions having as their subject the elements of theory covered in the course.

1) TEXT MINING.
Introduction. Data warehouse, information flows, databases, datasets. Database structures and relationships among datasets. Data cleaning. Data mining. Text mining, Big Data analytcs, Sentiment Analysis, Industry 4.0 and AI.

2) MULTIVARIATE ANALYSIS TECHNIQUES.
- Data matrix.
Uni and multivariate analyses and graphical representations.
Dimensionality reduction factorial techniques: principal component analysis (ACP); simple correspondence analysis (AC) and multiple correspondence analysis (ACM); Multidimensional scaling.
Classification techniques: cluster analysis and classification trees
Multivariate models: multiple linear regression model.
Hints at Logistic regression model, Models for data with hierarchical structure and models for time series data.

3)THE QUESTIONNAIRE AS A TOOL IN DIGITAL MARKETING.
The structure of the questionnaire. Elements for the formulation of questions.

4)INTRODUCTION TO R.
The basics of programming in R. Application in R of multivariate analysis techniques covered in the course.