Analisi Computazionale dei dati nel “caso Enron”: Metodi e Risultati

Questa tesi esplora l'analisi computazionale dei dati del caso Enron, utilizzando vari metodi e strumenti di analisi dei dati. L'obiettivo principale è stato quello di estrarre informazioni rilevanti da un vasto dataset testuale e di ottenere una comprensione approfondita delle strutture e dei temi nascosti nei dati. Il lavoro si è concentrato sull'applicazione di tecniche di Information Retrieval per recuperare rapidamente informazioni rilevanti, migliorando l'accessibilità e l'usabilità dei dati. Inoltre, l'uso del metodo delle k-medie, supportato dall'indice di Calinski-Harabasz e dal metodo del gomito, ha permesso di identificare il numero ottimale di cluster e di analizzare le parole chiave e i temi principali di ciascun cluster. L'approccio basato sull'analisi delle Componenti Principali nei Vettori Singolari Destri e il confronto del metodo LSQR con la regressione SVD hanno ulteriormente rafforzato la validità dei risultati ottenuti, confermando la robustezza delle tecniche utilizzate. In conclusione, questa tesi dimostra come l'integrazione di diverse metodologie di analisi dei dati possa offrire una comprensione approfondita e sfaccettata di un vasto dataset testuale, aprendo la strada a future ricerche e applicazioni in vari domini.