Clustering e Analisi Dati

Introduzione al Clustering e Analisi dei Dati

• Concetti fondamentali di clustering e raggruppamento.
• Applicazioni pratiche in vari settori: marketing, biologia, analisi delle reti sociali.
• Importanza dell’analisi dei dati non supervisionata.

Algoritmi di Clustering Tradizionali

• K-Means: concetto, implementazione e limitazioni.
• Gerarchico: agglomerativo e divisivo.
• DBSCAN e algoritmi di clustering basati sulla densità.

Valutazione della Qualità del Clustering

• Misure di validità del clustering: purezza, indice di Dunn, indice di Silhouette.
• Approcci per la selezione del numero ottimale di cluster.
• Considerazioni pratiche nell’interpretazione dei risultati.

Clustering su Dati di Grandi Dimensioni

• Gestione di dati di grandi dimensioni.
• Algoritmi di clustering efficienti.
• Strategie di campionamento e riduzione della dimensionalità.

Clustering Gerarchico e Visualizzazione dei Risultati

• Analisi di clustering gerarchico.
• Tecniche di visualizzazione: dendrogrammi, mappe di calore.
• Interpretazione e comunicazione dei risultati.

Clustering Basato su Distanza e Similarità

• Misure di similarità e dissimilarità.
• Algoritmi di clustering basati sulla similarità: Affinity Propagation, Spectral Clustering.
• Applicazioni in analisi delle immagini e biologia computazionale.

Clustering Temporale e Spaziale

• Approcci per il clustering di dati temporali.
• Clustering spaziale e geografico.
• Applicazioni in monitoraggio ambientale, analisi del traffico e previsioni.

Algoritmi di Clustering Avanzati

• Clustering basati su modelli probabilistici: Gaussian Mixture Models (GMM).
• Algoritmi di clustering basati su apprendimento profondo.
• Applicazioni in analisi del testo, immagini e dati complessi.