Data Mining, BI e Sistemi Web

Il data mining estrae conoscenza (pattern, regole, predizioni) da grandi basi di dati. Il suo motore è l'apprendimento statistico / machine learning: stimare una funzione predittiva dai dati che generalizzi a dati nuovi.

Le due grandi famiglie

Famiglia	Obiettivo	Metodi
Supervisionato	predire Y da X (etichette note)	regressione, regressione logistica, alberi, ensemble, SVM, reti neurali
Non supervisionato	scoprire struttura senza Y	clustering (k-means), PCA/SVD

Il processo (CRISP-DM)

Comprensione del business → comprensione e preparazione dei dati (pulizia, feature) → modellazione → valutazione → deployment. La preparazione dei dati è in genere la fase più onerosa.

Il problema centrale è generalizzare: un modello troppo flessibile fa overfitting (impara il rumore), uno troppo rigido fa underfitting.

Trade-off bias-varianza

L'errore di predizione si scompone in bias² + varianza + errore irriducibile (σ²). Aumentando la complessità: il bias cala, la varianza cresce. Si cerca il punto di equilibrio.

Validazione (stimare l'errore vero)

• Train/validation/test split; K-fold cross-validation (ruota K sottoinsiemi come validazione); LOOCV (caso estremo K = n).
• Bootstrap: ricampionamento con reinserimento per stimare l'incertezza.
• Data leakage: errore grave — informazione del test che "trapela" nel training (es. normalizzare prima dello split) → stime di performance gonfiate.

Regolarizzazione (controllare la complessità)

• Ridge (L2): penalizza i coefficienti grandi, li "restringe" senza azzerarli.
• Lasso (L1): può azzerare coefficienti → selezione di variabili (sparsità).
• Elastic net: combinazione di L1 e L2.

Alberi di decisione (CART)

Partizionano lo spazio delle feature in regioni e predicono un valore costante per regione. Criterio di split per classificazione: minimizzare l'impurità — indice di Gini o entropia. Si potano (pruning) per evitare overfitting. Hanno basso bias ma alta varianza → ideali da combinare.

Metodi ensemble

Metodo	Come	Effetto
Bagging	media di alberi su campioni bootstrap	↓ varianza
Random Forest	bagging + a ogni split solo √d feature (decorrela)	↓↓ varianza + feature importance
Boosting	alberi sequenziali sui residui (XGBoost/LightGBM)	↓ bias (stato dell'arte sui dati tabellari)

Altri modelli

• SVM: massimizzano il margine tra le classi; kernel trick per confini non lineari.
• Reti neurali: strati di neuroni, addestrati con backpropagation e discesa del gradiente (SGD); base del deep learning.
• k-means: clustering non supervisionato in k gruppi; PCA: riduzione di dimensionalità sulle componenti a massima varianza.

La Business Intelligence (BI) trasforma i dati operativi in informazioni per le decisioni. Architettura tipica:

Data warehouse e dintorni

• OLTP vs OLAP: i sistemi OLTP gestiscono le transazioni operative (scritture frequenti); i sistemi OLAP sono ottimizzati per l'analisi (interrogazioni complesse, aggregazioni).
• Data warehouse: archivio integrato, orientato al soggetto, storicizzato, non volatile (Inmon). Data mart: sottoinsieme tematico.
• ETL (Extract-Transform-Load): estrazione dalle sorgenti, trasformazione/pulizia, caricamento nel warehouse.
• Modello multidimensionale: schema a stella (fatti + dimensioni) o a fiocco di neve; il cubo OLAP consente operazioni di roll-up, drill-down, slice & dice.

Indicatori e visualizzazione

KPI (Key Performance Indicator), cruscotti (dashboard) e reportistica. Strumenti diffusi: Power BI, Tableau, Qlik. La BI è descrittiva (cosa è successo); la data science aggiunge il predittivo (cosa succederà).

Architettura client-server e a livelli

• Modello a 3 livelli: presentazione (front-end) · logica applicativa (back-end) · dati (database).
• HTTP/HTTPS: protocollo richiesta-risposta stateless; HTTPS = HTTP su TLS (cifrato).
• Front-end: HTML, CSS, JavaScript. Back-end: linguaggi server (Java, Python, PHP, ...) + database.

API e servizi

• API REST: risorse identificate da URL, metodi HTTP (GET/POST/PUT/DELETE), scambio dati in JSON; stateless.
• Architetture a microservizi vs monolite; web application vs web service.

Database

• Relazionali (SQL): tabelle, chiavi, proprietà ACID (atomicità, coerenza, isolamento, durabilità).
• NoSQL: documentali, chiave-valore, a colonne, a grafo — per scalabilità e dati non strutturati (collegamento ai Big Data).

Tema	Risposta sbagliata	Risposta corretta
Modello troppo complesso	generalizza meglio	overfitting (alta varianza, impara il rumore)
Random forest vs bagging	identici	RF decorrela gli alberi (√d feature per split)
Boosting	riduce la varianza (come il bagging)	riduce il bias, alberi sequenziali
Lasso vs Ridge	uguali	il Lasso (L1) azzera coefficienti → selezione variabili
OLTP / OLAP	sinonimi	OLTP = transazioni; OLAP = analisi
ETL	Encrypt-Transfer-Load	Extract-Transform-Load
Data leakage	irrilevante	gonfia le performance: il test "trapela" nel training
Proprietà transazioni SQL	BASE	ACID (BASE è tipico del NoSQL)
HTTPS	protocollo diverso da HTTP	è HTTP su TLS (cifrato)

Fonti: parte ML ancorata al brain economia-finanza-pubblica (ISLR, ESL); parte BI/web da fondamenti standard di informatica (manualistica concorsuale SIST). Report compilato per RIPAM Studio — Giugno 2026 / RIPAM Studio | @fcapurso