| 0.01 | | [collana] |
| 0.02 | | [nota editoriale] |
| 0.03 | | [frontespizio] |
| 0.04 | | [colophon] |
| 0.05 | | Indice |
| 14277;2001.0710 | 0.11 | | Prefazione [ di Paolo Giudici ] |
| 0.12 | | Ringraziamenti |
| 0.13 | | __ |
| 0.14 | | ____ |
| | | {titolo} |
| 1 | Capitolo1. | Introduzione al data mining |
| 1 | 1.1. | Data mining |
| 2 | 1.1.1. | Che cos'è il data mining |
| 3 | 1.1.2. | Data mining e informatica |
| 6 | 1.1.3. | Data mining e statistica |
| 8 | 1.2. | Il processo del data mining |
| 13 | 1.3. | Software per il data mining |
| 13 | 1.3.1. | SAS Enterprise Miner |
| 16 | 1.4. | Organizzazione del testo |
| 16 | 1.4.1. | Parte metodologica |
| 18 | 1.4.2. | Casi aziendali |
| 19 | 1.5. | Riferimenti per il data mining |
| 21 | Capitolo 2. | Organizzazione dei dati |
| 22 | 2.1. | Dal data warehouse al data mart |
| 24 | 2.1.1. | Data webhouse |
| 25 | 2.1.2. | Data mart |
| 26 | 2.2. | Classificazione dei dati |
| 27 | 2.3. | Costruzione della matrice dei dati |
| 28 | 2.4. | Binarizzazione della matrice dei dati |
| 29 | 2.5. | Distribuzioni di frequenza |
| 30 | 2.5.1. | Distribuzioni univariate |
| 31 | 2.5.2. | Tabelle a doppia entrata |
| 33 | 2.6. | Trasformazioni dei dati |
| 34 | 2.7. | Altre strutture organizzative dei dati |
| 36 | 2.8. | Approfondimenti |
| 39 | Capitolo 3. | Analisi esplorativa dei dati |
| 40 | 3.1. | Analisi esplorativa univariata |
| 41 | 3.1.1. | Indici di posizione |
| 42 | 3.1.2. | Indici di variabilità |
| 43 | 3.1.3. | Indici di eterogeneità |
| 44 | 3.1.4. | Indici di asimmetria |
| 46 | 3.1.5. | Indici di curtosi |
| 47 | 3.2. | Analisi esplorativa bivariata |
| 50 | 3.2.1. | Indici sintetici bivariati |
| 54 | 3.3. | Analisi multivariata di dati quantitativi |
| 56 | 3.4. | Riduzione della dimensionalità:componenti principali |
| 59 | 3.4.1. | Interpretazione delle componenti principali |
| 61 | 3.4.2. | Applicazione del metodo delle componenti principali |
| 63 | 3.5. | Analisi multivariata di dati qualitativi |
| 66 | 3.5.1. | Indici di connessione |
| 68 | 3.5.2. | Indici di dipendenza |
| 72 | 3.5.3. | Indici modellistici |
| 75 | 3.6. | Approfondimenti |
| 79 | Capitolo 4. | Metodi computazionali per il data mining |
| 80 | 4.1. | Misure di prossimità e distanza fra unità statistiche |
| 81 | 4.1.1. | Distanza euclidea |
| 82 | 4.1.2. | Indici di similarità |
| 85 | 4.1.3. | Distanza del chi-quadrato |
| 85 | 4.2. | Analisi di raggruppamento |
| 87 | 4.2.1. | Metodi gerarchici di classificazione |
| 91 | 4.2.2. | Valutazione della classificazione con metodi gerarchici |
| 94 | 4.2.3. | Metodi non gerarchici di classificazione |
| 96 | 4.2.4. | Applicazione della cluster analysis |
| 98 | 4.3. | Analisi di segmentazione |
| 100 | 4.3.1. | Descrizione del metodo |
| 101 | 4.3.2. | Criteri divisivi |
| 102 | 4.3.3. | Criteri di arresto |
| 104 | 4.3.4. | Principali algoritmi |
| 105 | 4.4. | Reti neurali |
| 109 | 4.4.1. | Architettura di una rete neurale |
| 110 | 4.5. | Il problema dell'apprendimento |
| 114 | 4.5.1. | Principio di approssimazione universale |
| 114 | 4.5.2. | Apprendimento nelle reti neurali |
| 115 | 4.6. | Apprendimentosupervisionato: apprendimento multistrato |
| 122 | 4.7. | Applicazione del percettrone multistrato |
| 123 | 4.8. | Apprendimento non supervisionato: reti di Kohonen |
| 127 | 4.9. | Altri metodi computazionali |
| 130 | 4.10. | Approfondimenti |
| 133 | Capitolo 5. | Modelli statistici per il data mining |
| 133 | 5.1. | Regressione lineare semplice |
| 137 | 5.1.1. | Proprietà dei residui della retta di regressione |
| 139 | 5.1.2. | Scomposizione della varianza e bontà dell'adattamento |
| 141 | 5.2. | Regressione lineare multipla |
| 143 | 5.2.1. | Contributo complessivo e parziale delle variabili esplicative |
| 145 | 5.3. | Il modello lineare normale |
| 145 | 5.3.1. | La distribuzione normale |
| 148 | 5.3.2. | Applicazione del modello lineare |
| 151 | 5.3.3. | Applicazione del modello lineare |
| 158 | 5.4. | Modelli lineari generalizzati |
| 158 | 5.4.1. | La famiglia esponenziale di distribuzioni |
| 161 | 5.4.2. | Definizione di modello lineare generalizzato |
| 164 | 5.5. | Modelli di regressione logistica |
| 166 | 5.5.1. | Inferenza nei modelli di regressione logistica |
| 168 | 5.5.2. | Cnfronto fra modelli |
| 171 | 5.5.3. | Analisi dei residui |
| 172 | 5.5.4. | Applicazione del modello di regressione logistico |
| 176 | 5.6. | Modelli log-lineari |
| 178 | 5.6.1. | Interpretazione dei modelli log-lineari |
| 180 | 5.6.2. | Modelli log-lineari grafici |
| 184 | 5.6.3. | Confronto fra modelli log-lineari |
| 185 | 5.6.4. | Applicazione del modello log-lineare |
| 187 | 5.7. | Modelli grafici |
| 189 | 5.7.1. | Modeli grafici simmetrici |
| 192 | 5.7.2. | Applicazione dei modelli grafici simmetrici |
| 196 | 5.7.3. | Modelli grafici ricorsivi |
| 198 | 5.8. | Confronto fra metodi computazionali e modelli statistici |
| 198 | 5.8.1. | Metodi classificatori: alberi decisionali e modelli lineari |
| 199 | 5.8.2. | Modelli previsivi: reti eurali e modelli linerari |
| 201 | 5.8.3. | Rappresentazione grafica: reti neurali e modelli grafici |
| 202 | 5.9. | Approfondimenti |
| 205 | Capitolo 6. | Valutazione dei metodi di data mining |
| 206 | 6.1. | Discrepanza fra modelli statistici |
| 207 | 6.1.1. | Distaza fra modelli statistici |
| 208 | 6.1.2. | Discrepanza di un modello statistico |
| 210 | 6.1.3. | Esempi di funzioni di discrepanza |
| 212 | 6.2. | Criteri basati su test statistici |
| 213 | 6.3. | Criteri non parametrici |
| 214 | 6.4. | Criteri basati su punteggi |
| 216 | 6.4.1. | Criteri bayesiani |
| 217 | 6.5. | Criteri computazionali |
| 219 | 6.6. | Criteri economici |
| 220 | 6.7. | Approfondimenti |
| 223 | Capitolo 7. | Caso 1: Benchmarking dei rendimenti delle attività finanziarie |
| 223 | 7.1. | Modelli finanziari lineari |
| 225 | 7.2. | Applicazione alla matrice dei dati a disposizione |
| 227 | 7.3. | Applicazione di un modello grafico Gaussiano |
| 228 | 7.4. | Correlazioni marginali e parziali |
| 230 | 7.5. | Confronto fra i modelli |
| 231 | 7.6. | Approfondimenti |
| 233 | Capitolo 8. | Caso 2: Valutazione degli effetti delle promozioni di vendita |
| 233 | 8.1. | Descrizioni dei dati |
| 236 | 8.2. | Analisi esplorativa generale |
| 239 | 8.3. | Analisi esplorativa dei singoli negozi |
| 243 | 8.4. | Costruzione di un indice di strategia promozionale |
| 243 | 8.4.1. | Tipo di offerta promozionale |
| 246 | 8.4.2. | Contemporaneità fra promozioni |
| 246 | 8.4.3. | Distanze tra periodii promozionali |
| 248 | 8.4.4. | Combinazione tra caratteristiche |
| 248 | 8.4.5. | Calcolo dell'indice di strategia promozionale |
| 249 | 8.4.6. | Relazione fra indice promozionale e vendite: analisi esplorativa |
| 250 | 8.4.7. | Modello di segmentazione |
| 250 | 8.4.8. | Modello di regressione lineare |
| 252 | 8.4.9. | Diagnostiche e confronto dei modelli previsivi |
| 253 | 8.4.10. | Analisi delle vendite di un prodotto |
| 254 | 8.4.11. | Conclusioni |
| 255 | 8.5. | Approfondimenti |
| 257 | Capitolo 9. | Caso 3: Metodi previsivi dell'ascolto televisivo |
| 258 | 9.1. | I dati analizzati |
| 261 | 9.2. | Trasformazione dei dati |
| 261 | 9.2.1. | Variabili risposta |
| 263 | 9.2.2. | Variabili esplicative |
| 264 | 9.3. | Valutazione dei modelli di analisi |
| 265 | 9.4. | Analisi previsiva per tutte le reti |
| 266 | 9.4.1. | Modelli lineari |
| 267 | 9.4.2. | Reti neurali |
| 268 | 9.4.3. | Confronto tra i modelli |
| 269 | 9.5. | Analisi della correlazione tra gli ascolti |
| 271 | 9.6. | Analisi della competizione tra le reti leader |
| 276 | 9.7. | Approfondimenti |
| 279 | Capitolo 10. | Caso 4: Metodi statistici per la previsione delle insolvenze d'Impresa |
| 279 | 10.1. | Descrizione dei dati e fasi dell'analisi |
| 280 | 10.2. | Analisi eplorativa univariata |
| 280 | 10.2.1. | Variabile risposta |
| 281 | 10.2.2. | Variabili esplicative |
| 288 | 10.3. | Classificazione delle variabili |
| 290 | 10.4. | Analisi esplorativa dell'associazione |
| 292 | 10.5. | Scelta di un modello di regressione logistica |
| 303 | 10.6. | Introduzione di una variabile esterna |
| 304 | 10.7. | Descrizione e interpretazione del modello selezionato |
| 309 | 10.8. | Robustezza del modello scelto |
| 313 | 10.9. | Stima delle probabilità di insolvenza |
| 315 | 10.10. | Approfondimenti |
| 317 | Capitolo 11. | Caso 5: Valutazione e classificazione del merito creditizio |
| 318 | 11.1. | Descrizione e classificazione dei dati |
| 321 | 11.2. | Analisi esplorativa |
| 324 | 11.3. | Costruzione di un modello di regressione logistica |
| 327 | 11.4. | Interpretazione del modello |
| 329 | 11.5. | Valutazione dei modelli |
| 331 | 11.6. | Approfondimenti |
| 333 | Capitolo 12. | Caso 6: Metodi statistici per il customer relationship management |
| 333 | 12.1. | Costruzione della matrice dei dati |
| 333 | 12.1.1. | Fase di targeting |
| 334 | 12.1.2. | Fasedi campionamento |
| 334 | 12.1.3. | Costruzione del Datamart di analisi |
| 334 | 12.1.4. | Variabile risposta |
| 335 | 12.1.5. | Variabili esplicative |
| 337 | 12.1.6. | Selezione delle variabili |
| 338 | 12.2. | Confronto con altri modelli |
| 339 | 12.2.1. | Modello di regressione logistica |
| 339 | 12.2.2. | Modello di rete neurale |
| 340 | 12.2.3. | Alberi decisionali |
| 341 | 12.2.4. | Confronto degli errori di classificazione |
| 341 | 12.2.5. | Confronto delle Lift Chart |
| 342 | 12.2.6. | Confronto delle curve ROC |
| 342 | 12.2.7. | Confronto mediante Threshold response curve |
| 345 | 12.3. | Approfondimenti |
| 347 | Capitolo 13. | Caso 7: Metodi associativi per la market basket analysis |
| 347 | 13.1. | Descrizione dei dati |
| 350 | 13.2. | Analisi esplorativa preliminare |
| 352 | 13.3. | Analisi esplorativa descrittiva |
| 353 | 13.4. | Modelli grafici esplorativi |
| 359 | 13.5. | Modelli log-lineari |
| 360 | 13.5.1. | Gruppo: GELATI |
| 363 | 13.5.2. | Gruppo: FAST |
| 365 | 13.5.3. | Gruppo: MERENDA |
| 366 | 13.5.4. | Gruppo: BIRRA/SUCCO |
| 367 | 13.5.5. | Gruppo: WHITE |
| 369 | 13.5.6. | Gruppo: ANOMALO |
| 369 | 13.5.7. | Conclusioni |
| 369 | 13.6. | Approfondimenti |
| 371 | Capitolo 14. | Caso 8: Analisi dei comportamenti di visita a un sito web |
| 372 | 14.1. | Analisi delle associazioni: descrizioni: descrizione del ddata set utilizzato |
| 372 | 14.2. | Analisi esplorativa |
| 376 | 14.3. | Analisi modellistica |
| 377 | 14.4. | Analisi di segmentazione: il data set utilizzato |
| 379 | 14.5. | Analisi di segmentazione comportamentale |
| 379 | 14.5.1. | Segmentazione con la cluster analysis |
| 381 | 14.5.2. | Segmentazione con le reti di Kohonen |
| 382 | 14.5.3. | |
| 387 | 14.6. | Analisi previsionale |
| 388 | 14.6.1. | Le reti neuronali proposte |
| 391 | 14.6.2. | Confronto tra diverse tipologie di modelli |
| 393 | 14.7. | Approfondimenti |
| 397 | Capitolo 15. | Caso 9: Analisi delle sequenze di visita a un sito di e-commerce |
| 399 | 15.1. | Descrizione dei dati |
| 401 | 15.2. | Indici di support e di confidence |
| 406 | 15.3. | Odds ratio |
| 408 | 15.4. | Odds ratio e indici di confidence per associazioni |
| 410 | 15.5. | Costruzione di un modello grafico non orientato |
| 414 | 15.6. | Costruzione di un modello graficoorientato |
| 417 | 15.7. | Approfondimenti |
| 419 | | Bibliografia |
| 424 | | _ |
| 425 | | [nota editoriale] |
| 426 | | [tipografia] |
| 426 | | ___ |
