Dipartimento di InformaticaUniversità degli Studi di Milano

Algoritmi per dati su larga scala (DSEH)2025/26

Laurea magistrale in Data Science for Economics and Health · Università degli Studi di Milano · Le lezioni sono in inglese · 3 CFU · 20 ore

Questa pagina si riferisce al modulo Algorithms for massive data all'interno dell'insegnamento «Algorithms for massive data, cloud and distributed computing» della Laurea magistrale in Data science for economics. L'insegnamento di Analisi dei dati su larga scala per il corso di Laurea magistrale in Informatica è descritto in un'apposita pagina.

Obiettivo del corso è introdurre i concetti fondamentali alla base della gestione e all'analisi di big data, comprese le principali tecniche di elaborazione che trattano dati su larga scala e la loro implementazione su sistemi computazionali distribuiti.

Risultati attesi

Alla fine del modulo, gli studenti conosceranno i principali approcci legati all'analisi di quantità massive di dati e saranno capaci di progettare e implementare elaborazioni di dati su larga scala utilizzando moderni sistemi di calcolo distribuito.

Avvisi

  1. Progetti per il modulo di «Algoritmi per dati su larga scala» (Laurea magistrale DSE)

    Sono disponibili le descrizioni dei progetti per il modulo di «Algoritmi per dati su larga scala» della Laurea magistrale in «Data Science for Economics».

  2. Modifica giorno lezioni AMD

    La lezione dell'insegnamento di «Algorithms for massive datasets» inizialmente prevista per martedì 27/01 avrà luogo lunedì 26/01 dalle 10:30 alle 12:30 nell'aula Alfa del Dipartimento di Informatica.

Orari del corso

Le lezioni avranno luogo nel settore di Città Studi, secondo il seguente calendario:

Giorno Ora Luogo
martedì 10:30 - 12:30 Alfa
giovedì 09:30 - 11:30 502

Eventuali variazioni rispetto al calendario pianificato verranno comunicate in aula e pubblicizzate nel paragrafo Avvisi di questa pagina.

Ricevimento studenti

Su appuntamento, stanza 5015 del Dipartimento di Informatica. È possibile contattare il docente tramite posta elettronica, avendo cura di leggere preventivamente la guida predisposta dal Prof. Sebastiano Vigna e di specificare chiaramente nell'oggetto del messaggio il nome dell'insegnamento e l'anno accademico. In particolare, si invitano gli studenti a usare sempre come mittente l'indirizzo fornito loro dall'Ateneo (basato cioè sul dominio studenti.unimi.it) firmando con nome, cognome e matricola e ricordando che i tempi di risposta possono variare in funzione degli impegni del docente.

Materiale didattico

Le lezioni sono basate:

  • sul libro Mining of Massive Datasets, scritto da A. Rajaraman e J. Ullman (indicato come RU nel calendario delle lezioni), gratuitamente scaricabile dal sito degli autori e pubblicato in versione cartacea da Cambridge University Press (ISBN:9781107015357);
  • sulle dispense e sul codice di esempio pubblicati nel calendario delle lezioni.

Programma

Il programma riguarda gli argomenti dettagliati nel calendario delle lezioni (disponibile all'inizio delle lezioni), che corrisponde al materiale trattato sul libro di testo, oltre che sui restanti documenti elencati tra il materiale didattico.

Propedeuticità

È richiesta la conoscenza degli argomenti principali di programmazione degli elaboratori, analisi matematica e probabilità e statistica al livello considerato in una laurea triennale di area informatica.

Calendario delle lezioni

Lezione Data Argomento Materiale
L01 13/01/2026 Analisi di relazioni.
L02 15/01/2026 Analisi di relazioni. MapReduce.
L03 20/01/2026 Analisi di relazioni. Spark.
L04 22/01/2026 Algoritmi MapReduce.
L05 26/01/2026 Algoritmi MapReduce. Ricerca di elementi simili
  • RU 2.2.10, 2.5, 3.1-3.2.
L06 29/01/2026 Ricerca di elementi simili.
L07 03/02/2026 Insiemi di elementi frequenti.
  • RU 6.1-6.3.
L08 05/02/2026 Insiemi di elementi frequenti.
  • RU 6.4.
L09 10/02/2026 Deep learning.
L10 12/02/2026 Deep learning.

Modalità d'esame

Esame scritto (prof. Anisetti, prof. Foresti)

È necessario iscriversi tramite UniMia all'appello d'esame nel quale si vuole sostenere una o entrambe le parti dell'esame. Entro pochi giorni dall'esame verrà inviata una mail agli studenti iscritti, chiedendo quale parte dell'esame sarà sostenuta. Gli studenti che hanno già sostenuto con profitto una parte dell'esame devono iscriversi alla parte rimanente tramite Ariel. Gli studenti non iscritti non saranno ammessi a sostenere l'esame: è necessario conoscere con precisione il numero esatto di persone che sosterranno l'esame, per poter dimensionare le aule (anche virtuali), soprattutto in questa situazione emergenziale.

Progetto ed esame orale (prof. Malchiodi)

L'esame del modulo consiste di un progetto e di una prova orale, entrambi relativi agli argomenti trattati nell'insegnamento. Il progetto richiede l'elaborazione di un dataset tramite applicazione critica delle tecniche descritte durante le lezioni, ed è riassunto in una relazione scritta. La valutazione del progetto, espressa in termini approvato/respinto, tiene conto del livello di padronanza degli argomenti e della chiarezza espositiva nella relazione presentata. La prova orale, alla quale si accede dopo che il progetto è stato valutato positivamente, è basata sulla discussione di alcuni argomenti trattati nell'insegnamento e sull'approfondimento di alcuni aspetti del progetto presentato. La valutazione della prova orale, espressa in trentesimi, tiene conto del livello di padronanza degli argomenti, della chiarezza espositiva e della proprietà di linguaggio. Per le modalità di esame degli altri moduli si rimanda alle relative pagine Web.

Non è richiesto di iscriversi tramite UniMia. Gli stuenti devono inviare una mail al prof. Malchiodi entro la data indicata nella tabella sottostante, contenente un link al progetto. Quando il progetto è stato corretto gli studenti saranno contattati per organizzare l'esame orale. La tabella sottostante indica le date provvisorie per gli orali.

Voto finale

L'esame di ogni modulo è passato se la valutazione corrispondente è superiore o uguale a 15/30. L'esame per l'intero insegnamento è passato se la media delle valutazioni dei moduli (pesata sui crediti di questi ultimi) è superiore o uguale a 18/30 e al più una delle tre valutazioni è inferiore a 18/30. Il voto finale sarà verbalizzato nell'appello in cui lo studente risulta iscritto per l'esame scritto.

Validità dei voti

Il voto per ogni parte dell'esame è valido per un anno. Se dopo un anno dal sostenimento di una parte dell'esame con profitto il voto finale non è registrato, sarà necessario ripetere tutte le parti (comprese quelle già sostenute con profitto).

Appelli d'esame

Sessione Data
marzo project deadline: 16/03, oral exams: from 23/03
giugno project deadline: 15/06, oral exams: from 22/06
luglio project deadline: 29/06, oral exams: from 06/07
settembre project deadline: 11/09, oral exams: from 18/09
novembre project deadline: 18/11, oral exams: from 27/11
dicembre project deadline: 10/12, oral exams: from 18/12