Slides introduttive presentate il 16 novembre 2013 a Bari in occasione del laboratorio su Data Mining e Open Data nel contesto di Open Data in Action!

1. Data Mining e Open Data
Duccio Schiavon
(Statistica@Ning)
Bari, 16 novembre 2013

2. Cos’è il Data Mining

3. Enunciazioni autorevoli
‘We’re drawning in information and starving for
knowledge’
John Naisbitt
studioso e futurologo di fama internazionale, ha collaborato con le amministrazioni
Kennedy e Johnson, ha insegnato presso le Università di Mosca e Harvard.

4. Enunciazioni autorevoli
‘Data Mining is the art and science of finding interesting
and useful patterns in data’
Gregory Piatetsky-Shapiro
massimo esperto di Data Mining, fondatore di KDD (Knowledge Discovery
Conferences), cofondatore di ACM SIGKDD, (professional association on Knowledge
Discovery and Data Mining), e amministratore di KDnuggets.com
http://www.kdnuggets.com/faq/what-is-data-mining.html

5. Definizione
‘Data Mining rappresenta l’attività di elaborazione in forma
grafica o numerica di grandi raccolte o di flussi continui di dati con
lo scopo di estrarre informazioni utili a chi detiene i dati stessi’
Adelchi Azzalini
professore di Statistica presso il Dipartimento di Statistica dell’Università degli Studi di
Padova e autore di Analisi dei dati e data mining.

6. Sfide minerarie nella moderna
società dell’informazione
Gli ultimi anni hanno visto una proliferazione delle sorgenti di dati ad
alta capacità di archiviazione
Alcuni esempi:
• Supermercati: market basket analysis basata sugli scontrini emessi e
geo-localizzazione attraverso le carte fedeltà
• Compagnie telefoniche: raccolta dei dati di utilizzo, studio di offerte
progettate sulla base dei consumi, individuazione dei clienti target
• Ricerca scientifica: nella microbiologia, l’analisi delle sequenze di
porzioni di DNA porta alla costruzione di gigantesche tabelle, dette
‘DNA microarray’
• Rilevazioni di natura fisica e chimica: analisi dell’evoluzione del clima
terrestre e di altri fenomeni naturali

7. Sfide minerarie nella moderna
società dell’informazione
• Il Web: enorme deposito di informazioni, contenute in tanti
documenti di forma differente. La ricchezza e la varietà dei contenuti
contraddistinguono questo ambito dai precedenti. Quando vi è la
possibilità di accedere ad informazioni strutturate (o strutturabili) le
possibilità di studio divengono innumerevoli così come le relazioni
osservabili

8. Il Web: la sfida più impegnativa
Purtroppo, i maggiori vantaggi offerti dal Web rappresentano spesso
anche i peggiori svantaggi:
- la quantità di dati è continuamente aggiornata per cui è anche
difficilmente numerabile
- la gran parte dei dati è organizzata in forma non-strutturata
- all’interno del singolo documento, gli elementi oggetto di ricerca non
sempre forniscono una pertinenza precisa sulla loro collocazione e sulla
relazione con gli altri elementi in esso contenuti

9. Problemi minerari e particolare
approccio analitico
Maledizione della dimensionalità: il problema principale del DM è
rappresentato da un possibile rischio: ovvero sia che una tale
abbondanza di dati non consenta in realtà l’estrazione
dell’informazione utile
‘Informazione utile’: espressione volutamente generica in quanto nel
DM non è quasi mai specificato a priori quale sia l’oggetto di interesse,
che spesso si cerca d’individuare proprio “scavando” tra i dati
‘Il DM è una disciplina recente, collocata al punto d’intersezione di varie
aree scientifiche, e specialmente la statistica, l’intelligenza artificiale
(machine learning, pattern recognition, ecc.) e la gestione dei database’
A. Azzalini

10. Ritrosia degli statistici verso il DM
1) In molti casi i dati sono raccolti per motivi diversi da quello della loro
analisi statistica. Ad esempio, in molte imprese, la raccolta avviene per
fini puramente contabili. I dati in questi casi non rispondono a nessun
piano di campionamento o piano sperimentale
2) Dato che l’obiettivo spesso non è dichiarato a priori, la situazione
classica è che andando alla ricerca “di qualcosa” si finisca col trovare
comunque “qualcosa”… anche se questo “qualcosa” in realtà non esiste.
‘If you torture the data long enough, Nature will always confess’
Ronald H. Coase, premio Nobel 1991 per l’economia

11. Cosa distingue il data mining dalla
statistica
La statistica viene tradizionalmente considerata un’analisi primaria
(sperimentale) dei dati raccolti per verificare ipotesi specifiche. La
statistica viene quindi classificata come un’analisi (confermativa)
condotta dall’alto, una verifica o valutazione d’ipotesi
Il data mining è considerato generalmente come un tipo di analisi
secondaria (osservazionale) dei dati raccolti per altre ragioni. Il DM
viene quindi classificato come analisi (esplorativa) condotta dal basso,
un processo di generazione d’ipotesi e di conoscenze (knowledge
discovery).

12. Il modello
‘All Models Are Wrong But Some Are Useful’
George E.P. Bpx
pioniere del controllo di qualità dei processi, nella analisi delle serie storiche, disegno
degli esperimenti e inferenza bayesiana
Il DM è un processo complesso d’identificazione nei dati di tendenze,
strutture, modelli o trend validi, potenzialmente utili ed infine
comprensibili che consentano all’utente di prendere decisioni cruciali.
- complesso: non si tratta del calcolo diretto di quantità predefinite come la
media di un insieme di numeri
- validi: i modelli devono “funzionare”, ovvero sia devono fornire buoni
risultati se applicati su dati nuovi
- potenzialmente utili: i modelli devono essere di qualche utilità per l’utente
- comprensibili: i risultati devono essere interpretabili e comprensibili

13. Gli obiettivi del
data mining

14. Principali funzioni

15. Classificazione predittiva
• Costruzione del modello: descrizione di un insieme pre-determinato di classi
– Ogni unità appartiene ad una classe predefinita, identificata da una precisa
etichetta di classe
– L’insieme di unità utilizzato per la costruzione del modello è chiamato
insieme di addestramento
– Il modello può essere rappresentato da regole di classificazione, alberi
decisionali, formule matematiche, ecc.
• Utilizzo del modello: per la classificazione di oggetti futuri o non noti
– Accuratezza della stima del modello
• Il modello viene testato attraverso un insieme di test di cui sono note le
etichette di output
• Il tasso di accuratezza è la percentuale di unità dell’insieme di test
correttamente classificate dal modello
• L’insieme di test deve essere indipendente dall’insieme di addestramento
– Se l’accuratezza è accettabile, si utilizza il modello per classificare i dati di cui
non sono note le etichette

16. Costruzione del modello
Dati di
addestramento
NOME
Michele
Maria
Luca
Giovanni
Davide
Anna
POSIZIONE
Assistente Prof
Assistente Prof
Professore
Prof. Associato
Assistente Prof
Prof. Associato
ANNI DI RUOLO
3
no
7
si
2
si
7
si
6
no
3
no
Algoritmi di
Classificazione
Modello
IF posizione =
‘professore’
OR anni > 6
THEN di ruolo = ‘si’

17. Accuratezza della stima
Utilizzo dell’insieme di test per costruirci la seguente MATRICE DI CONFUSIONE: i
dati sulla var. DI RUOLO sono noti, ma noi applichiamo il modello facendo
previsioni su di essi “censurandoli”
DI RUOLO Osservati
SI
DI RUOLO
Previsti
SI
NO
Tasso di Accuratezza:
Numero di unità
classificate
correttamente su
numero totale di unità
(a+d)/(a+b+c+d)
NO

18. Applicazione del modello
Modello
Dati di
test
NOME POSIZIONE
Tom
Assistente Prof.
Melissa Prof. Associato
Giorgio Professore
Alessandro
Assistente Prof.
Data Sconosciuti
ANNI DI RUOLO
2
no
7
no
5
si
7
si
(Guido, Professore, 4)
Di Ruolo?
SI

19. Tecniche di classificazione predittiva
•
•
•
•
•
•
Regressione lineare
Analisi discriminante
Metodi non parametrici
Alberi di classificazione
Reti neurali
Combinazioni di classificatori (bagging, boosting, voting)

20. Regressione predittiva
• La previsione tramite regressione consiste in
– Costruire un modello secondo una procedura molto simile a quella della
classificazione predittiva
– usare il modello per prevedere valori continui o ordinali per un dato input
• La regressione predittiva è differente dalla classificazione predittiva
– La classificazione consente di prevedere etichette di classe categoriali
– La regressione consente di modellare funzioni di base numerico-continua
• Principale metodo predittivo: Regressione
– modella la relazione tra una o più variabili indipendenti o predittori ed una variabile
dipendente o di risposta
• Analisi di regressione
– Regressione lineare e multipla
– Regressione non-lineare
– Altri metodi di regressione: modelli lineari generalizzati, regressione di Poisson,
modelli log-lineari

21. Misure di accuratezza della previsione
• Misura di accuratezza predittiva: misura quanto il valore previsto si scosta
dal valore noto
• Funzione di perdita: misura l’errore esistente tra il valore osservato y i e
l’errore previsto yi’ (valori residui)
– Errore assoluto: | yi – yi’|
– Errore quadratico: (yi – yi’)2
• Errore di test (errore di generalizzazione): perdita media sull’insieme di
d
d
test
| yi − yi ' |
∑
∑ ( yi − yi ' ) 2
– Err. assoluto medio:
i =1
d
d
|
∑y
i=
1
d
i
– Err. ass. relativo: ∑ y
|
i=
1
i
Err. quadratico medio:
d
d
∑ ( yi − yi ' ) 2
− yi ' |
−y |
i =1
Err. quad. relativo:
i =1
d
∑(y
i =1
i
− y)2
I più popolari indicatori di accuratezza sono la radice dell’errore
quadratico medio (RMSE) così come la radice dell’errore quadratico
relativo

22. Complessità vs. Bontà di adattamento
y
Dati di addestramento
x

23. Complessità vs. Bontà di adattamento
y
Dati di addestramento
x
Troppo semplice?
y
x

24. Complessità vs. Bontà di adattamento
y
Dati di addestramento
x
y
Troppo complesso?
x
Troppo semplice?
y
x

25. Complessità vs. Bontà di adattamento
y
Dati di addestramento
Troppo semplice?
y
x
y
x
Troppo complesso?
Ci siamo?
y
x
x

26. Complessità e Generalizzazione
Funzione di
perdita
Ad es., errore
quadratico
Errore di Test
Errore di
Addestramento
Complessità
Ottimale del modello
Complessità = gradi
di libertà del modello
(ad es. numero di variabili)

27. Altre tecniche di regressione predittiva
(o meglio: di previsione di una
variabile quantitativa)
•
•
•
•
Spline
Modelli addittivi e GAM
Alberi di regressione
Reti neurali

28. L’intero processo del
data mining

29. Definizione del problema
Definizione del
Definizione del
problema
problema
Rispondi alle seguenti domande:
Cosa stai cercando?
Quali tipi di relazioni intendi trovare?
La soluzione che stai cercando è in linea con i tuoi
reali obiettivi?
Desideri costruire un modello per scopi previsionali
oppure sei interessato ad indagare andamenti e
associazioni?
Quali attributi desideri prevedere?
Quale tipo di relazione esiste tra le colonne del tuo
dataset?
Se disponi di diverse tabelle, queste come sono
relazionate?
In che forma sono disponibili i dati?
I dati sono stagionali?
Fase comune ai comuni processi di modellazione

30. Preparazione dei dati
Definizione del
Definizione del
problema
problema
Preparazione dei
Preparazione dei
dati
dati
La pulitura dei dati non è solo rimozione dei dati
mal-codificati, ma anche trovare correlazioni
nascoste nei dati, identificare sorgenti di dati
che siano sufficientemente accurate, e
determinare quali colonne sono le più
appropriate per l’analisi. Per esempio, desideri
conservare la data di ordine o, in alternativa, la
data di spedizione?
Dati incompleti, dati errati ed input possono
sembrare separati tra loro ma nei fatti possono
influenzare i risultati del modello in modo
inatteso. Quindi, prima d’iniziare occorre
identificare i problemi e correggerli
Fase comune ai comuni processi di modellazione

31. Esplorazione dei dati
Definizione del
Definizione del
problema
problema
Preparazione dei
Preparazione dei
dati
dati
Esplorazione dei
Esplorazione dei
dati
dati
Le tecniche di esplorazione includono il calcolo
dei valori massimi e minimi, della media e delle
deviazioni standard, così come l’osservazione
della distribuzione dei dati.
Dall’osservazione dei massimi, dei minimi e
delle medie potreste ad esempio verificare che i
dati non sono rappresentativi dei processi
caratteristici della vs. attività di business. A
questo punto sarà necessario ottenere dati più
bilanciati o rivedere gli assunti alla base della
vs. analisi.
Valori elevati di deviazione standard possono
indicare la necessità di aggiungere altri dati al
fine di migliorare il modello, ecc.
Fase comune ai comuni processi di modellazione

32. Costruzione del modello
Definizione del
Definizione del
problema
problema
Preparazione dei
Preparazione dei
dati
dati
Esplorazione dei
Esplorazione dei
dati
dati
Costruzione del
Costruzione del
modello
modello
Prima dell’elaborazione del modello, un modello
di data mining è soltanto un contenitore in cui
sono riconoscibili le colonne da utilizzare come
input e l’attributo che si desidera prevedere.
L’elaborazione di un modello è chiamato – come
visto – addestramento. L’addestramento
consiste nel processo di applicazione ai dati di
uno specifico algoritmo matematico al fine di
estrarne tendenze.
Le tendenze trovate nel processo di
addestramento dipendono dalla selezione dei
dati di addestramento, dall’algoritmo scelto, e
dal modo in cui l’algoritmo è stato configurato.
Fase tipica del data mining

33. Validazione del modello
Definizione del
Definizione del
problema
problema
Preparazione dei
Preparazione dei
dati
dati
Esplorazione dei
Esplorazione dei
dati
dati
Costruzione del
Costruzione del
modello
modello
Prima di eseguire il deployment di un modello
sarà necessario testare la sua bontà. Inoltre, in
fase di costruzione generalmente si
costruiscono più modelli basati su tecniche
differenti: quindi si vorrà verificare anche quali
tra questi si adatta meglio ai dati.
Per fare ciò si ricorrerà ad un insieme di dati di
test (o “di verifica”) per osservare quale tra i
modelli (“competitivi”) prodotti funzioni meglio
Validazione del
Validazione del
modello
modello
Fase tipica del data mining

34. Deployment del modello
Definizione del
Definizione del
problema
problema
Preparazione dei
Preparazione dei
dati
dati
Esplorazione dei
Esplorazione dei
dati
dati
Costruzione del
Costruzione del
modello
modello
Validazione del
Validazione del
modello
modello
Una volta ottenuto il modello, sono diverse le
cose che si possono fare a seconda delle
necessità:
1)Usare il modello per creare previsioni
2)Interrogare i dati per estrarne statistiche o
formule
3)Integrare le funzionalità del modello
direttamente in una qualsiasi applicazione (file
PMML; Predictive Model Markup Language)
4)Aggiornare il modello dinamicamente mano a
mano che arrivano dati nuovi, e applicare
modifiche costanti per migliorare l’efficacia della
soluzione.
Deployment del
Deployment del
modello
modello
Fase tipica del data mining

35. Il data mining e il Web

36. Il caso Netflix Prize
Netflix è una società degli Stati
Uniti, nata nel 1997, che offre un
servizio di noleggio di DVD e
videogiochi via Internet. La
spedizione dei dischi è effettuata
tramite il servizio postale, che
viene utilizzato dai clienti anche
per la restituzione. Dal 2008
Netflix offre anche un servizio di
streaming online ai propri clienti,
accessibile tramite un apposito
abbonamento.
Secondo Compete.com, netflix.com è stato mediamente visitato
almeno da 194 millioni di visitatori all’anno dal 2008. Cinque volte il
numero di visitatori di blockbuster.com.
Nell’Aprile 2011, Netflix ha annunciato di aver raggiunto la quota di
26 milioni e 600 mila sottoscrittori. Dall’ottobre del 2012 è presente
sul mercato europeo, in Irlanda ed in Scandinavia.

37. Il caso Netflix Prize
http://www.netflixprize.com/

38. Il caso Netflix Prize
Il Netflix Prize è una competizione aperta per il migliore
algoritmo collaborativo di previsione dei giudizi espressi (voti) dagli
utenti nei confronti dei film visti. L’algoritmo si basa sui giudizi passati e
deve fornire la base per un sistema di “raccomandazione”.
Netflix ha reso pubblico ai partecipanti un insieme di
addestramento composto da 100.480.507 giudizi forniti da 480.189
utenti su 17.770 titoli. Ogni record del dataset era composto da
4 variabili (utente, film, data di giudizio, giudizio). I campi utente e film
sono stati popolati da ID interi, mentre i giudizi erano espressi in una
scala da 1 a 5 stelle.
L’insieme di dati di qualificazione conteneva 2.817.131 record di tre
variabili (utente, film, data di giudizio), con giudizi noti solo alla giuria.
I team di partecipanti dovevano eseguire le previsioni sull’intero set di
qualificazione, ma dovevano essere informati solo del punteggio
ottenuto su meta di esso (insieme di quiz; 1.408.342 giudizi). L’altra
metà avrebbe costituito l’insieme di test (1.408.789), e la prestazione
offerta su di esso avrebbe costituito il reale giudizio da parte della
giuria. A solo i membri della giuria era noto sia il risultato sull’insieme
di quiz che sull’insieme di test.

39. Il caso Netflix Prize
L’accuratezza delle previsioni fornite era espresso in termini di
Radice dell’Errore Quadratico Medio (RMSE) e l’obiettivo era ovviamente
ridurre per quanto possibile il valore di tale errore.
Il concorso aveva l’obiettivo di migliorare la capacità di raccomandazione di
quello che fino ad allora era stato l’algoritmo in uso in Netflix, e che si
chiamava Cinematch. Un algoritmo elementare di previsione – se applicato
all’insieme di quiz – produce in media un RMSE pari a 1,054. Cinematch si
basava su semplici algoritmi a modelli lineari con un alto numero di vincoli sui
dati.
Dopo la costruzione del modello sui dati di addestramento,
Cinematch produceva un RMSE pari a 0,9514 sui dati di quiz, con un
miglioramento di oltre il 10% rispetto ad un qualsiasi algoritmo
elementare.
Cinematch aveva una performance simile sull’insieme di test
(RMSE=0,9525). Per vincere il premio di 1 milione di dollari messo in
palio, i team partecipanti dovevano migliorare almeno di un 10% la
performance sull’insieme di test (per arrivare a RMSE=0,8572).
Sull’insieme si quiz tale miglioramento corrisponde a RMSE=0,8563.

40. Il caso Netflix Prize
Il concorso fu indetto nell’ottobre del 2006, e per molto tempo il premio non fu
vinto da nessuno. Fu messo in palio un premio minore (di 50.000 dollari) a
chiunque ogni anno avesse raggiunto il risultato migliore. Tuttavia per
vincere questo premio, un algoritmo doveva migliorare di almeno l’1% la
prestazione rispetto a quella del vincitore dell’anno prima.
Per vincere i partecipanti dovevano fornire alla giuria il codice sorgente ed
una descrizione dell’algoritmo con una sua descrizione. Dopo la verifica il
vincitore avrebbe dovuto rilascare una licenza NON-ESCLUSIVA a
Netflix. Netflix avrebbe pubblicato solo la descrizione, e non il codice
sorgente. Un team poteva, se preferiva, non reclamare il premio se
desiderava mantenere segreto il codice.
A giugno 2007 si erano iscritti 20.000 team provenienti da 150 paesi.
2.000 team hanno inviato 13.000 insiemi di previsioni.

41. Il caso Netflix Prize
http://www.netflixprize.com//community/

42. Il caso Netflix Prize
http://www.timelydevelopment.com/demos/NetflixPrize.aspx

43. Il caso Netflix Prize
http://www.cs.uic.edu/~liub/KDD-cup-2007/NetflixPrize-description.pdf

44. Il caso Netflix Prize
http://www.the-ensemble.com/content/netflix-prize-movie-similarity-visualization

45. Il caso Netflix Prize
http://abeautifulwww.com/2007/04/03/another-visualization-of-the-netflix-prize-dataset/

46. Il caso Netflix Prize
http://www.nytimes.com/2008/11/23/magazine/23Netflix-t.html?_r=1&pagewanted=all

47. Netflix Prize leaderboard
Il 18 settembre 2009, Netflix ha annunciato il vincitore del premio: il team
chiamato "BellKor's Pragmatic Chaos” ha vinto 1 milione di dollari per
avere raggiunto un RMSE Test pari a 0,8567. Il team “The Ensemble” ha
ottenuto il medesimo risultato ma avendo loro presentato i dati 20 minuti
più tardi, a loro è spettata solo la seconda posizione.
http://www.netflixprize.com//leaderboard

48. Altri casi di “algoritmi collaborativi”
Heritage Health Prize
http://www.heritagehealthprize.com/c/hhp

49. Lista delle “competizioni algoritmiche”
TUNEDIT
http://tunedit.org/challenges

50. Come Facebook utilizza il data mining
Le prime considerazioni in merito rilasciate da un analista-sviluppatore di
Fb risalgono al 2009, quando al Predictive Analytics World nello
spazio riservato al Bay Area R Users Group, Itamar Rosenn ha
illustrato quali tecniche di analisi predittiva erano in uso all’interno di Fb
nel 2007
Nel 2007 i due principali obiettivi analitici di Fb erano:
(i) stabilire quali fossero le principali ragioni all’origine dell’abbandono di Fb
da parte degli utenti (Disattivazione account)
(ii) prevedere quali fossero i motivi per cui un utente appena iscritto
rimaneva in Fb per almeno 3 mesi
http://www.lecturemaker.com/2009/02/r-kickoff-video/

51. Come Facebook utilizza il data mining
Per il primo obiettivo Fb ha utilizzato tecniche di partizionamento ricorsivo
(pacchetto rpart di R) al fine di stabilire se due precise variabili potevano
essere significativamente predittive della possibilità che un utente
rimanesse su Fb:
(i) l’avere compiuto più di una procedura d’iscrizione a Fb
(ii) l’avere inserito le informazioni di base del profilo
Per il secondo obiettivo, è stato adattato ai
dati un particolare modello logistico
secondo l’approccio della least angle
regression (pacchetto lars di R),
trovando che l’attività dei tre mesi
successivi all’iscrizione era “spiegata”
da tre variabili associate alle seguenti
classi di comportamento: (i) numero di
volte che un utente è stato raggiunto da
altri utenti, (ii) frequenza nell’utilizzo di
applicazioni esterne, e (iii) il grado di
apertura dell’utente nei confronti del sito
(“recettività”).

52. Come Facebook utilizza il data mining
Nel maggio 2011, in occasione di un convegno presso il Laboratorio
d’Intelligenza Artificiale del Jožef Stefan Institute, Lars Backstrom
(Responsabile dei sistemi di analisi dei dati e di machine learning
presso Fb) fornisce alcune utili indicazioni sui metodi di analisi
attualmente adottati
La natura dei dati in Fb
Dati strutturati
- Gli oggetti generalmente possono essere collegabili tra loro
- La funzione di amicizia consente di collegare due persone
- La funzione di tag associa una foto ad una persona
- Il collegamento ad una pagina consente di associare una pagina ad
una persona
- Tutti questi oggetti possono essere facilmente riassunti visivamente e
analiticamente
Dati destrutturati
- Principalmente contenuti testuali e visivi (immagini, foto)
- Difficoltà di analisi
http://videolectures.net/eswc2011_backstrom_facebook/
(Dealing with structured and unstructured data at Facebook)

53. Come Facebook utilizza il data mining
Obiettivi analitici di Fb nell’immediato
- Disporre di una maggiore quantità di dati strutturati di migliore
qualità per scopi di data mining
Obiettivi analitici futuri di Fb
- Trovare modi più efficaci di analizzare i dati destrutturati con
l’obiettivo di migliorare i “punteggi” ed approntare nuovi servizi

54. Fb: come analizzare i dati destrutturati
Utilizzo di tecniche automatizzate per l’estrazione d’interessanti diagrammi
Esempio di monitoraggio degli
eventi principali:
Frequenza della parola
“Influenza” pubblicata in
bacheca
Esempio di monitoraggio degli
eventi principali con
associazione:
Frequenza di parole pubblicate
per nazione di provenienza
(registrate nelle 2 ore
successiva al terremoto in
Giappone)

55. Fb: dati strutturati + dati destrutturati
Vodka Map
Età
Percentuale di maschi

56. Fb: un problema di classificazione
Molti utenti si trovano a disporre di troppi contenuti provenienti dagli amici.
Un problema mostrarli tutti
FB deve quindi riuscire a filtrare e classificare tali contenuti in modo da
generare i Newsfeed. La sfida quindi si riduce a prevedere quanto
possano essere interessanti i contenuti sulla base del tipo di relazione
che l’utente ha verso un amico, un luogo, un dettaglio, un’attività, ecc.
Feedback
Vs.
Distanza
Il modello che Fb costruisce è quindi relativo ad un problema di
classificazione il cui obiettivo è prevedere i clic, i “Mi piace”, i
commenti, ecc.

57. Fb: come suggerire gli amici
La maggior parte delle amicizie si crea secondo la logica dell’ “amico
dell’amico” (FOF: “friends of friends”)
- I dati sui maggiori social network dimostrano come le amicizie create
secondo FOF (a 2 salti) siano 5 volte maggiori rispetto alle amicizie
a più di 3 salti (gradi di conoscenza)
Da un punto di vista pratico prevedere i suggerimenti di
amicizia a più di 2 salti è praticamente impossibile:
Ogni utente ha in media 130 amici quindi:
- 130x130=16.900 FOF
- 130x130x130=2.197.000 FOFOF
- ecc.

58. Fb: come suggerire gli amici
Problema: Dato un utente “sorgente” trovare i FOF migliori da
suggerire
Sfida: un utente tipico in genere presenta decine di migliaia di amici di
amici (FOF): come abbiamo visto, mediamente 17.000 circa.
Soluzione: certamente osservare le
amicizie in comune degli amici è
un buon punto di partenza
Altre caratteristiche del social
network potrebbero essere
d’aiuto (ad es., se il tuo migliore
amico ha da poco stretto
amicizia con una persona è
probabile che questa persona
divenga anche tua amica)

59. Fb: come suggerire gli amici
Il modello: Il sistema esamina tutti i FOF e genera una lista di 100
candidati
Il modello prevede la
costruzione di una
previsione in tempo reale
basata:
1) sulla costruzione di
punteggi prodotti da un
algoritmo ad alberi
decisionali
2) sulla pubblicazione della
lista che servirà a riclassificare i FOF in tempo
reale e sulla base delle
visite alle singole pagine
eseguite dall’utente
sorgente
CTR: Click-through Rate

60. Fb: come suggerire gli amici
Predittori:
- Le amicizie comuni pesate
- Caratteristiche demografiche
(età, nazionalità, tempo trascorso in Fb, sesso, numero di amici,
ecc.)
I più importanti:
- Tempo di amicizia stretta dagli amici più vicini
- Nazionalità e tempo trascorso in Fb dell’utente sorgente
- Numero di amici
Modello introdotto a marzo 2011
Risultati:
- Numero ridotto di guasti (singhiozzi)
- Aumento medio delle nuove amicizie del 60%
- Il sistema di analisi del CTR ha ridotto di 1/3 i ricaricamenti della
pagina prima della creazione dell’amicizia

61. Google Prediction Api
Google ha creato un set di API (Application programming interface)
che permettono di accedere ed utilizzare i suoi algoritmi di
machine learning. E' nato così Google Prediction API.
Attraverso queste API si ha accesso a capacità di analisi predittiva,
attraverso le quale è quindi possibile creare applicazioni intelligenti
come, ad esempio:
-
Identificare lo SPAM
Classificare autonomamente messaggi di posta
Proporre film sulla base dei gusti dell'utente
Giudicare quali post su un blog hanno carattere positivo o
negativo
Identificare la lingua scritta o parlata
Riconoscere in quali zone della casa si concentra
maggiormente lo sporco
Le API sono accessibili tramite interfaccia RESTful (Representational
State Transfer)
L’utente deve (1) ricostruire il problema in un formato che le API
possano gestire; (2) preparare un insieme di addestramento per far
apprendere al programma in modo appropriato il problema.
http://code.google.com/intl/it-IT/apis/predict/

62. Google Prediction Api
Google fornisce anche diverse librerie e script per poter accedere alle API
attraverso diversi linguaggi come .NET, Java, PHP, Ruby e Python. E'
interessante notare come esista una libreria specifica per R.
Per accedere a Google Prediction API è necessario innanzitutto
disporre di un account Google e secondariamente attivare sia Google
Prediction API che Google Storage nella console delle API.

63. Google Prediction Api
Esempio di utilizzo di Google Prediction Api per scopi di modellazione e
previsione attraverso R:
http://moderntoolmaking.blogspot.com/2011/08/using-google-prediction-api-from-r.html

64. Ford e Google Prediction API: per
un’auto ecologica di nuova generazione
http://www.youtube.com/watch?v=gamITudh6DI&feature=youtu.be

65. Ford e Google Prediction API: per
un’auto ecologica di nuova generazione
A maggio 2011, in occasione della Google I/O developer conference 2011, i
ricercatori della Ford hanno presentato il loro progetto di utilizzo di Google
Prediction API per il miglioramento delle prestazioni di un prototipo di
veicolo elettrico ibrido. Il sistema prevederebbe:
1) un servizio criptato di utilizzo dei dati forma un profilo dell’automobilista costruito sulla
base dei percorsi e dei tempi di viaggio. In sostanza, il sistema apprende le principali
informazioni sia del conducente che del veicolo stesso.
2) durante la corsa del veicolo, Google utilizzerà Prediction per valutare il
comportamento di guida, raccogliere i dati sui tempi di percorrenza fino alla
destinazione ed indicare come ottimizzare le prestazioni di guida.
3) il computer di bordo, dialoga con il conducente. In base alle risposte, indicherà
all’utente come migliorare lo stile di guida, indicherà il percorso migliore e tenterà
di sfruttare quanto più possibile la carica elettrica, in modo da risparmiare benzina.

66. I software

67. R: riferimenti su tecniche di Data Mining e
web scraping e web crawling
http://azzalini.stat.unipd.it/Libro-DM/index.html
Dataset e codice
http://azzalini.stat.unipd.it/LibroDM/programmi.html
Librerie di R
RCurl – XML – scrapeR - SSOAP

68. Altri Software - Gratuiti
Rattle
(Interfaccia utente per il
data mining con R)
http://rattle.togaware.com/
KNIME
(offre anche un’integrazione con R)
http://www.knime.org/

69. Altri Software - Gratuiti
RapidMiner
(Interfaccia utente per il
data mining con R)
http://rapid-i.com/content/view/181/190/lang,en/
Orange
http://orange.biolab.si/
ADaMSoft
(italianissimo)
http://adamsoft.caspur.it/

70. Provate ZunZun!
Abbiamo caricato su zunzun.com i dati che
vedete sopra, gli abbiamo detto di costruire
un’equazione 2D y = f(x) e gli abbiamo dato
l’ok.
Ebbene, dopo che ZZ ha adattato una serie
di modelli calcolando per ognuno la somma
quadratica degli errori assoluti come indice
di bontà d’adattamento (nota: è possibile
scegliere tra diverse misure d’errore così
come selezionare le famiglie di modelli da
adattare!) questo è stato il risultato:
Come primo modello è stato adattato un modello “Hockey-Sherby”
secondo la seguente equazione:
y = b - (b-a) * exp(-c * (x^d))
con un indice di bontà d’adattamento pari a 40,545
Come secondo modello è stato adattato un modello “Weibull” secondo
la seguente equazione: y = a - b*exp(-cx^d)
con indice di bontà d’adattamento pari a 40,545

71. …per aggiornamenti futuri
Statistica@Ning
http://statistica.ning.com/
groups
Gruppi
•Data mining
•R
•OpenData
•Strumenti per
Modellazione
•Tutorials
•Grafici e visualizzazioni

72. Laboratorio con Rattle
Sito web:
http://rattle.togaware.com/
Per installazione:
http://www.togaware.com/datamining/survivor/Inst
allation_Details.html
Attenzione: assicurarsi di eseguire il seguente
comando in R:
install.packages(c("ada", "amap", "arules",
"bitops“, "cairoDevice", "cba", "combinat", "doBy",
"ellipse", "fEcofin", "fCalendar", "fBasics", "fpc“,
"gdata", "gtools", "gplots", "Hmisc", "kernlab",
"mice", "network", "pmml", "randomForest",
"reshape“, "rggobi", "ROCR", "RODBC", "rpart",
"RSvgDevice", “XML"))
Tutorial:
http://zoo.cs.yale.edu/classes/cs445/misc/mar13l
ae08.pdf

73. fine