Progettazione di un ambiente analitico per la gestione di dati scientifici e integrazione di tecniche di Machine Learning

Questa tesi analizza come un ambiente analitico possa supportare la gestione e l’analisi di dati scientifici, con particolare attenzione all’applicazione di tecniche di Machine Learning per l’estrazione di informazioni significative. L’elaborato inizia con una panoramica delle tecniche di Data Integration, Data Warehousing e Business Intelligence, evidenziando come queste metodologie siano essenziali per trasformare dati grezzi in conoscenza strategica. Successivamente, viene presentato il caso di studio di un database scientifico derivato da una missione spaziale, che raccoglie enormi volumi di dati osservativi sulle stelle. La sfida principale consiste nell’organizzare e ottimizzare l’accesso a questi dati, garantendo coerenza e scalabilit`a attraverso un modello di gestione dati basato su DBMS Oracle. L’approccio adottato si basa sull’interrogazione diretta del database, sfruttando SQL per estrarre, analizzare e visualizzare i dati scientifici in modo efficiente. Inoltre, vengono implementati modelli di Machine Learning per migliorare l’accuratezza della stima delle misure di magnitudine nella banda BP e di parallasse stellare, ottimizzando cos`ı le analisi astrometriche. I risultati dimostrano come l’integrazione tra tecniche di data engineering e modelli predittivi possa migliorare significativamente la gestione di dataset scientifici complessi. Il sistema sviluppato permette agli utenti di accedere in modo rapido ed efficiente ai dati, abilitando nuove possibilità di analisi nel contesto dell’astronomia computazionale.