Struttura didattica
Il Master è annuale, corrisponde a 60 CFU (crediti formativi universitari) e ha una durata di 1.500 ore tra didattica frontale, studio individuale, tirocinio. E' prevista una prova finale (discussione Tesi di Master).
Le 1.500 ore sono così articolate:
- Didattica frontale n. 304 ore, studio individuale n. 671 ore, corrispondenti ad un totale di 39 CFU
- Tirocinio n. 400 ore, pari a 16 CFU
- Prova finale n. 125 ore, pari a 5 CFU
Il piano didattico 2019/2020 è strutturato nei seguenti Insegnamenti (cliccare sul nome dell'Insegnamento per vederne l’articolazione):
Software per la business intelligence e metodologie di programmazione
(60 ore lezione frontale, 140 ore studio individuale, 8 CFU, SSD: INF/01)
- L'agenda del master e presentazione degli argomenti
- Business Intelligence, Data Science: excursus sui moduli del Master
- Backend: Strumenti per archiviazione e aggiornamento dei dati, flate tables, DW e DataMart
- Corso di SAS Base e SAS Guide: Strumenti per la raccolta dei dati e data quality - Access Data
- Corso di SAS Base e SAS Guide: Strumenti per la raccolta dei dati e data quality - Manage Data
- Linguaggio SQL
- Informazioni geografiche e Qgis
- Corso di SAS Base e SAS Guide: Strumenti per la raccolta dei dati e data quality - Analyze Data
- Corso di SAS Base e SAS Guide: Strumenti per la raccolta dei dati e data quality - Reporting
- Qlik View
- Visualizzazione dei dati e Dashboard
- R
- Python
- Verifica di fine modulo
- L'agenda del master e presentazione degli argomenti
- Business Intelligence, Data Science: excursus sui moduli del Master
- Backend: Strumenti per archiviazione e aggiornamento dei dati, flate tables, DW e DataMart
- Corso di SAS Base e SAS Guide: Strumenti per la raccolta dei dati e data quality - Access Data
- Corso di SAS Base e SAS Guide: Strumenti per la raccolta dei dati e data quality - Manage Data
- Linguaggio SQL
- Informazioni geografiche e Qgis
- Corso di SAS Base e SAS Guide: Strumenti per la raccolta dei dati e data quality - Analyze Data
- Corso di SAS Base e SAS Guide: Strumenti per la raccolta dei dati e data quality - Reporting
- Qlik View
- Visualizzazione dei dati e Dashboard
- R
- Python
- Verifica di fine modulo
Data management e trattamento dei dati non strutturati
(28 ore lezione frontale, 72 ore studio individuale, 4 CFU, SSD: INF/01)
- Esplorare le fonti informative interne ed esterne all’azienda
- Costruire applicazioni e basi informative a partire dai bisogni di conoscenza
- Come costruire basi dati decisionali (modellare i dati decisionali, la costruzione della base dati decisionale)
- Introduzione a Data Integration
- Integrazione dei dati
- Seminario Knime
- Verifica di fine modulo
- Esplorare le fonti informative interne ed esterne all’azienda
- Costruire applicazioni e basi informative a partire dai bisogni di conoscenza
- Come costruire basi dati decisionali (modellare i dati decisionali, la costruzione della base dati decisionale)
- Introduzione a Data Integration
- Integrazione dei dati
- Seminario Knime
- Verifica di fine modulo
Raccolta dei dati e data quality
(12 ore lezione frontale, 13 ore studio individuale, 1 CFU, SSD: INF/01)
- Sensori, IoT, piattaforme Big Data
- Informazioni geografiche e Qgis
- La gestione del data anagrafico per il riconoscimento e la contattabilità del Cliente
- Verifica di fine modulo
- Sensori, IoT, piattaforme Big Data
- Informazioni geografiche e Qgis
- La gestione del data anagrafico per il riconoscimento e la contattabilità del Cliente
- Verifica di fine modulo
Statistica per la BI
(16 ore lezione frontale, 34 ore studio individuale, 2 CFU, SSD: INF/01)
- Eventi e probabilità
- Test di ipotesi
- Distribuzioni di probabilità
- Verifica di fine modulo
- Eventi e probabilità
- Test di ipotesi
- Distribuzioni di probabilità
- Verifica di fine modulo
Mining I – Statistica descrittiva
(24 ore lezione frontale, 51 ore studio individuale, 3 CFU, SSD: MAT/06)
- Uso del software R e dell'IDE Rstudio per analisi statistiche
- I dati, le funzioni, i grafici, altri oggetti: statistica descrittiva
- Test statici parametrici e non parametrici
- La correlazione e la regressione
- ANOVA a una via
- Tabelle di contingenza e indipendenza statistica
- Verifica di fine modulo
- Uso del software R e dell'IDE Rstudio per analisi statistiche
- I dati, le funzioni, i grafici, altri oggetti: statistica descrittiva
- Test statici parametrici e non parametrici
- La correlazione e la regressione
- ANOVA a una via
- Tabelle di contingenza e indipendenza statistica
- Verifica di fine modulo
Mining II – Machine learning e text mining
(40 ore lezione frontale, 85 ore studio individuale, 5 CFU, SSD: INF/01)
- Natural Language Processing: introduzione e problemi aperti; Intro NLP e livelli di analisi(sintassi, semantica)
- Rappresentazione di concetti e nozione di distanza semantica. Text analytics e word sense disambiguation
- Esercitazione su calcolo di distanza semantica fra due termini e fra due concetti
- Introduzione, preprocessing, classificazione
- Esercitazioni con Knime
- Clustering e pattern
- Semantic Web: strumenti e formati; intro al semantic web, con cenni a strumenti e formati. Cenni di RDF e SPARQL
- Use case II: Esercitazione in laboratorio su estrazione di keywords
- Verifica di fine modulo
- Natural Language Processing: introduzione e problemi aperti; Intro NLP e livelli di analisi(sintassi, semantica)
- Rappresentazione di concetti e nozione di distanza semantica. Text analytics e word sense disambiguation
- Esercitazione su calcolo di distanza semantica fra due termini e fra due concetti
- Introduzione, preprocessing, classificazione
- Esercitazioni con Knime
- Clustering e pattern
- Semantic Web: strumenti e formati; intro al semantic web, con cenni a strumenti e formati. Cenni di RDF e SPARQL
- Use case II: Esercitazione in laboratorio su estrazione di keywords
- Verifica di fine modulo
Mining III – Sintesi dell'informazione statistica
(24 ore lezione frontale, 51 ore studio individuale, 3 CFU, SSD: INF/01)
- Individuazione di differenti tipologie di clienti: analisi cluster
- Sintesi dei fenomeni multidimensionali: analisi fattoriale e analisi delle corrispondenze
- Esempi di sintesi dell'informazione statistica in ambito Pubblica Amministrazione(indicatori e cruscotti di performance, data e text mining, visualizzazione di informazioni)
- Conoscere i propri clienti costruendone il profilo attraverso la Segmentazione Comportamentale: identificazione dell’obiettivo e impostazione dell’analisi
- Interpretazione dei risultati, passaggio in produzione e supporto alle strategie di marketing dell’azienda
- Verifica di fine modulo
- Individuazione di differenti tipologie di clienti: analisi cluster
- Sintesi dei fenomeni multidimensionali: analisi fattoriale e analisi delle corrispondenze
- Esempi di sintesi dell'informazione statistica in ambito Pubblica Amministrazione(indicatori e cruscotti di performance, data e text mining, visualizzazione di informazioni)
- Conoscere i propri clienti costruendone il profilo attraverso la Segmentazione Comportamentale: identificazione dell’obiettivo e impostazione dell’analisi
- Interpretazione dei risultati, passaggio in produzione e supporto alle strategie di marketing dell’azienda
- Verifica di fine modulo
Modelli e modelli di equazioni strutturali
(24 ore lezione frontale, 51 ore studio individuale, 3 CFU, SSD: SECS-S/01)
- Modelli di regressione lineare e regressione logistica
- Valutazione di un modello logistico
- Modelli: descrizione ed esempi di modelli. Utilizzi delle probabiltà condizionali. Previsione e formalizzazione
- Utilizzo di SAS Enterprise Miner
- Verifica di fine modulo
- Modelli di regressione lineare e regressione logistica
- Valutazione di un modello logistico
- Modelli: descrizione ed esempi di modelli. Utilizzi delle probabiltà condizionali. Previsione e formalizzazione
- Utilizzo di SAS Enterprise Miner
- Verifica di fine modulo
Tecniche di simulazione
(24 ore lezione frontale, 51 ore studio individuale, 3 CFU, SSD: INF/01)
- Scelta dei modelli (lineari, non lineari)
- Tuning dei modelli
- Modelli strutturali: Path Analysis
- Stima dei modelli
- Esempi di simulazione: le distribuzioni di potenza. Pareto e Zipf
- La comunicazione giornalistica dei numeri ed altre rapppresentazioni grafiche
- Previsione: analisi what-if
- Esercitazione sulla costruzione di modelli strutturali
- Verifica di fine modulo
- Scelta dei modelli (lineari, non lineari)
- Tuning dei modelli
- Modelli strutturali: Path Analysis
- Stima dei modelli
- Esempi di simulazione: le distribuzioni di potenza. Pareto e Zipf
- La comunicazione giornalistica dei numeri ed altre rapppresentazioni grafiche
- Previsione: analisi what-if
- Esercitazione sulla costruzione di modelli strutturali
- Verifica di fine modulo
Interpretazione e comunicazione delle relazioni statistiche
(52 ore lezione frontale, 123 ore studio individuale, 7 CFU, SSD: SPS/07)
- Informazioni per la Business Intelligence in impresa
- Responsabilità legale della ricerca, proprietà dei dati del finanziatore, copy right e open access nella sua diffusione
- Visualizzazione dei dati e Dashboard
- Media, Pubblici e stakeholder della ricerca scientifica: la loro rilevanza nell’impostazione teorica e nella comunicazione dei risultati e nella comunicazione del metodo (probabilismo, falsificazionismo)
- Modi efficaci di comunicazione dei risultati e dei numeri nell'ambito Business Intelligence
- Interpretazioni di percentuali e probabilità condizionali
- Il contesto in cui i numeri vengono prodotti e i modelli “teorici” da cui derivano: obiettivi e trattamento dei dati nei modelli
- Fondamenti psicologici per le rappresentazioni grafiche, tools grafici, dashboards
- La comunicazione giornalistica dei numeri ed altre rappresentazioni grafiche
- Verifica di fine modulo
- Informazioni per la Business Intelligence in impresa
- Responsabilità legale della ricerca, proprietà dei dati del finanziatore, copy right e open access nella sua diffusione
- Visualizzazione dei dati e Dashboard
- Media, Pubblici e stakeholder della ricerca scientifica: la loro rilevanza nell’impostazione teorica e nella comunicazione dei risultati e nella comunicazione del metodo (probabilismo, falsificazionismo)
- Modi efficaci di comunicazione dei risultati e dei numeri nell'ambito Business Intelligence
- Interpretazioni di percentuali e probabilità condizionali
- Il contesto in cui i numeri vengono prodotti e i modelli “teorici” da cui derivano: obiettivi e trattamento dei dati nei modelli
- Fondamenti psicologici per le rappresentazioni grafiche, tools grafici, dashboards
- La comunicazione giornalistica dei numeri ed altre rappresentazioni grafiche
- Verifica di fine modulo
Il PROGRAMMA DI DETTAGLIO di ogni Insegnamento è anche scaricabile in formato pdf. Clicca qui.
Per verificare l’apprendimento, durante il percorso didattico saranno svolte delle verifiche in itinere con valutazione espressa in trentesimi, mentre, a conclusione dell’intero percorso, è prevista una verifica finale, valutata in centodecimi, consistente nella discussione della tesi di Master, legata all’esperienza del tirocinio.
E’ richiesto il superamento positivo di tutte le verifiche al fine dell’ottenimento del Diploma di Master/Attestato di frequenza (sezione “Titoli”).