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 è strutturato nei seguenti Insegnamenti:
Software per la business intelligence e metodologie di programmazione
(40 ore lezione frontale, 85 ore studio individuale, 5 CFU)
- L'agenda del master e presentazione degli argomenti
- Business Intelligence: dal DB Management e Data Quality agli analitycs e alla comunicazione dei risultati: la toolbox
- Backend: strumenti per archiviazione e aggiornamento dei dati, flat tables, DW e DataMart, Hadoop e Map reduce per i Big Data
- Introduzione agli strumenti: Excel, Qlickview, SAS, Knime, Qgis, Python, SQL
- Verifica di fine modulo
- L'agenda del master e presentazione degli argomenti
- Business Intelligence: dal DB Management e Data Quality agli analitycs e alla comunicazione dei risultati: la toolbox
- Backend: strumenti per archiviazione e aggiornamento dei dati, flat tables, DW e DataMart, Hadoop e Map reduce per i Big Data
- Introduzione agli strumenti: Excel, Qlickview, SAS, Knime, Qgis, Python, SQL
- Verifica di fine modulo
Data management e trattamento dei dati non strutturati
(20 ore lezione frontale, 55 ore studio individuale, 3 CFU)
- Esplorare le fonti informative interne ed esterne all’azienda
- “Lessons learned” nella costruzione di basi dati decisionali
- Come costruire basi dati decisionali (modellare i dati decisionali, la costruzione della base dati decisionale)
- Costruire le basi informative a partire dai bisogni di conoscenza del cliente
- Dati pubblici: open data, big data, data governance, metadati, privacy
- Introduzione alla Yucca Smart Data Platform (IoT, stream di dati real time) ed esercitazioni di utilizzo
- Lavoro di gruppo inerente Data Management, Data Quality e Statistiche introduttive su tematiche inerenti la Pubblica Amministrazione (avvio lavoro in sezione Data Management e conclusione nella verifica modulo Mining I)
- Linguaggio SQL
- Verifica di fine modulo
- Esplorare le fonti informative interne ed esterne all’azienda
- “Lessons learned” nella costruzione di basi dati decisionali
- Come costruire basi dati decisionali (modellare i dati decisionali, la costruzione della base dati decisionale)
- Costruire le basi informative a partire dai bisogni di conoscenza del cliente
- Dati pubblici: open data, big data, data governance, metadati, privacy
- Introduzione alla Yucca Smart Data Platform (IoT, stream di dati real time) ed esercitazioni di utilizzo
- Lavoro di gruppo inerente Data Management, Data Quality e Statistiche introduttive su tematiche inerenti la Pubblica Amministrazione (avvio lavoro in sezione Data Management e conclusione nella verifica modulo Mining I)
- Linguaggio SQL
- Verifica di fine modulo
Raccolta dei dati e data quality
(32 ore lezione frontale, 68 ore studio individuale, 4 CFU)
- 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
- Corso di SAS Base e SAS Guide: Strumenti per la raccolta dei deati e data quality - Analyze data
- Corso di SAS Base e SAS Guide: Strumenti per la raccolta dei deati e data quality - Reporting
- SAS Proc SQL
- Introduzione a SAS Data Integration Studio
- Esempio di estrazione in laboratorio di informazioni da testi (come articoli di giornale), loro codifica in RDF e interrogazione del triple store risultante tramite SPARQL
- Esemplificazione di DATA INTEGRATION
- Strumenti per la raccolta dei dati e data quality: Present data
- La gestione del data anagrafico per il riconoscimento e la contattabilità del Cliente - non PA
- L'assessment di una qualità di una base dati - non PA
- Prestare attenzione alla qualità delle informazioni (le dimensioni di qualità dei dati) - PA
- Introduzione ai Sistemi Informativi Geografici e uso di Qgis
- Verifica di fine modulo
- 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
- Corso di SAS Base e SAS Guide: Strumenti per la raccolta dei deati e data quality - Analyze data
- Corso di SAS Base e SAS Guide: Strumenti per la raccolta dei deati e data quality - Reporting
- SAS Proc SQL
- Introduzione a SAS Data Integration Studio
- Esempio di estrazione in laboratorio di informazioni da testi (come articoli di giornale), loro codifica in RDF e interrogazione del triple store risultante tramite SPARQL
- Esemplificazione di DATA INTEGRATION
- Strumenti per la raccolta dei dati e data quality: Present data
- La gestione del data anagrafico per il riconoscimento e la contattabilità del Cliente - non PA
- L'assessment di una qualità di una base dati - non PA
- Prestare attenzione alla qualità delle informazioni (le dimensioni di qualità dei dati) - PA
- Introduzione ai Sistemi Informativi Geografici e uso di Qgis
- Verifica di fine modulo
Statistica per la BI
(24 ore lezione frontale, 51 ore studio individuale, 3 CFU)
- Eventi e probabilità
- Distribuzioni di probabilità
- Campionamento e intervalli di confidenza
- Test di ipotesi
- Verifica di fine modulo
- Eventi e probabilità
- Distribuzioni di probabilità
- Campionamento e intervalli di confidenza
- Test di ipotesi
- Verifica di fine modulo
Mining I – Statistica descrittiva
(24 ore lezione frontale, 51 ore studio individuale, 3 CFU)
- Uso del software R e dell'IDE Rstudio per analisi statistiche
- I dati, le funzioni, i grafici, altri oggetti: statistica descrittiva
- Test statistici 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 statistici 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)
- Introduzione, preprocessing, classificazione
- Esercitazioni su preprocessing e classificazione con Knime
- Clustering e pattern
- Esercitazioni su clustering con Knime
- Sperimentazione con crossvalidation e tuning dei parametri dei modelli
- Esercitazioni sul confronto di metodi predittivi con Knime
- Natural Language Processing; introduzione (sintassi, semantica); l'interpretazione semantica e il problema della Word Sense Disambiguation
- Risorse per l'NLP: WordNet; algoritmi per la disambiguazione
- Estrazione di informazioni da testi (come articoli di giornale), estrazione di keywords e riassunto automatico
- Rappresentazione della conoscenza e semantic web
- Semantic Web: strumenti e formati; introduzione al semantic web, con cenni a strumenti e formati
- Verifica di fine modulo
- Introduzione, preprocessing, classificazione
- Esercitazioni su preprocessing e classificazione con Knime
- Clustering e pattern
- Esercitazioni su clustering con Knime
- Sperimentazione con crossvalidation e tuning dei parametri dei modelli
- Esercitazioni sul confronto di metodi predittivi con Knime
- Natural Language Processing; introduzione (sintassi, semantica); l'interpretazione semantica e il problema della Word Sense Disambiguation
- Risorse per l'NLP: WordNet; algoritmi per la disambiguazione
- Estrazione di informazioni da testi (come articoli di giornale), estrazione di keywords e riassunto automatico
- Rappresentazione della conoscenza e semantic web
- Semantic Web: strumenti e formati; introduzione al semantic web, con cenni a strumenti e formati
- Verifica di fine modulo
Mining III – Sintesi dell'informazione statistica
(24 ore lezione frontale, 51 ore studio individuale, 3 CFU)
- Individuazione di differenti tipologie di clienti: analisi cluster da un punto di vista operativo
- Conoscere i propri clienti costruendone il profilo attraverso la Segmentazione Comportamentale: identificazione dell’obiettivo e impostazione dell’analisi
- Sintesi dei fenomeni multidimensionali: analisi fattoriale e analisi delle corrispondenze
- Interpretazione dei risultati, passaggio in produzione e supporto alle strategie di marketing dell’azienda
- Esempi di sintesi dell’informazione statistica in ambito Pubblica Amministrazione (indicatori e cruscotti di performance, data e text mining, visualizzazione di informazioni)
- Verifica di fine modulo
- Individuazione di differenti tipologie di clienti: analisi cluster da un punto di vista operativo
- Conoscere i propri clienti costruendone il profilo attraverso la Segmentazione Comportamentale: identificazione dell’obiettivo e impostazione dell’analisi
- Sintesi dei fenomeni multidimensionali: analisi fattoriale e analisi delle corrispondenze
- Interpretazione dei risultati, passaggio in produzione e supporto alle strategie di marketing dell’azienda
- Esempi di sintesi dell’informazione statistica in ambito Pubblica Amministrazione (indicatori e cruscotti di performance, data e text mining, visualizzazione di informazioni)
- Verifica di fine modulo
Modelli e modelli di equazioni strutturali
(24 ore lezione frontale, 51 ore studio individuale, 3 CFU)
- Raccogliere e analizare dati con Python Web Scraping
- Regular expressions, cenni
- Approfondimenti su Assessement dei Modelli
- Modelli di regressione lineare e regressione logistica
- Esempi di modelli: inferenziale, confronti di frequenze, speranza di vita, altri eventuali
- Introduzione ai modelli non lineari
- Modelli strutturali:PATH
- Verifica di fine modulo
- Raccogliere e analizare dati con Python Web Scraping
- Regular expressions, cenni
- Approfondimenti su Assessement dei Modelli
- Modelli di regressione lineare e regressione logistica
- Esempi di modelli: inferenziale, confronti di frequenze, speranza di vita, altri eventuali
- Introduzione ai modelli non lineari
- Modelli strutturali:PATH
- Verifica di fine modulo
Tecniche di simulazione
(24 ore lezione frontale, 51 ore studio individuale, 3 CFU)
- Scelta dei modelli (lineari, non lineari)
- Stima dei modelli
- Tuning dei modelli
- Previsioni - What if analysis
- Verifica di fine modulo
- Scelta dei modelli (lineari, non lineari)
- Stima dei modelli
- Tuning dei modelli
- Previsioni - What if analysis
- Verifica di fine modulo
Interpretazione e comunicazione delle relazioni statitiche
(52 ore lezione frontale, 123 ore studio individuale, 7 CFU)
- Data Visualization
- Infografiche
- 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)
- Responsabilità legale della ricerca, proprietà dei dati del finanziatore, copy right e open access nella sua diffusione
- Informazioni per la Business Intelligence in impresa
- I numeri nella comunicazione
- Numeracy: valutare i numeri e ciò che ci viene detto con i numeri e con le rappresentazioni grafiche dei numeri
- Banco di prova (benchmarking): costruire riferimenti empirici per la valutazione dei numeri
- IntenSionality: il contesto in cui i numeri vengono prodotti e i modelli “teorici” da cui derivano
- Modellizzazione dei processi di comunicazione e valutazione della efficacia
- Specificità e problemi della comunicazione dei risultatidi ricerche scientifiche e rilevazioni statistiche
- Il caso dei Rapporti di sostenibilità economica, sociale e ambientale di imprese e di università
- Verifica di fine modulo
- Data Visualization
- Infografiche
- 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)
- Responsabilità legale della ricerca, proprietà dei dati del finanziatore, copy right e open access nella sua diffusione
- Informazioni per la Business Intelligence in impresa
- I numeri nella comunicazione
- Numeracy: valutare i numeri e ciò che ci viene detto con i numeri e con le rappresentazioni grafiche dei numeri
- Banco di prova (benchmarking): costruire riferimenti empirici per la valutazione dei numeri
- IntenSionality: il contesto in cui i numeri vengono prodotti e i modelli “teorici” da cui derivano
- Modellizzazione dei processi di comunicazione e valutazione della efficacia
- Specificità e problemi della comunicazione dei risultatidi ricerche scientifiche e rilevazioni statistiche
- Il caso dei Rapporti di sostenibilità economica, sociale e ambientale di imprese e di università
- Verifica di fine modulo
Il PIANO DIDATTICO di dettaglio del Master è anche scaricabile in versione .pdf
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”).