ORGANIZZAZIONE DIDATTICA
Il master prevede lezioni frontali, esercitazioni singole e di gruppo, homeworkprogetti. Al termine di ogni modulo è previsto un esame/progetto di verifica delle competenze acquisite. Il percorso Formativo è composto da alcune sezioni comuni e da alcune sezioni nella quali è possibile scegliere due percorsi alternativi, al termine dei quali nei Workshop vengono condivise e confrontate alcune delle competenze acquisite.  Lo studente potrà scegliere insieme al docente e in base alle competenze e agli interessi quale percorso seguire. .

STRUTTURA

Schedulazione Corsi

STRUTTURA

Aprile – Gennaio
Lezioni e Laboratori
Gennaio – Marzo
Stage/Project Work
Aprile 2023
Meeting finale/Chiusura

LEZIONI

Formula Weekend

LEZIONI

Le lezioni e i laboratori si tengono venerdì (9-18) e il sabato mattina (9-13) tutte le settimane da Aprile a Dicembre escluso il mese di Agosto e le festività.

ESAMI & FREQUENZA

Attestazione finale

ESAMI & FREQUENZA

Sono previste prove scritte intermedie con voto espresso in trentesimi e una prova finale. La frequenza è obbligatoria. Per l’acquisizione dell’attestazione finale è richiesta la presenza per almeno il 75% e il superamento degli esami.

CREDITI FORMATIVI

Suddivisione Ore

CREDITI FORMATIVI

Lezioni frontali ed esercitazioni e/o laboratori: 360 ore; 45 C.F.U.
Stage o Project Work: 300 ore; 12 C.F.U.
Prova finale: 3 C.F.U.
Business Intelligence & Big Data Management
Il modulo permette di acquisire le conoscenze per la comprensione, l’analisi e la progettazione di una architettura BI classica e una architettura Big Data. Conoscere le principali componenti architetturali e per ciascuna di esse approfondire le funzionalità richieste e i principali prodotti di mercato. Acquisire le tecniche principali di elaborazione dati in modalità tradizionale e distribuita.Essere in grado di progettare e realizzare dashboard di fruizione dati, utilizzando i principali strumenti di mercato.
  • Foundations of BI & Big Data Analytics
  • Relational DB, Data Modelling NoSQL
    Il paradigma NoSQL – Dati strutturati, semi-strutturati, non strutturati
    Architetture NoSQL (Key-value
    Store, Column Store, Document Store, GraphDB)
    Data Quality
  • Big Data Processing
    Architetture BI e DWH Architetture NoSQL (Key-value Store, Column Store, Document Store)
    Operational BI e Real Time BI
    Architetture Big Data Cloud per Data Analytics
    Lambda, Kappa e Unified Architecture
    Data Ingestion Patterns (API, Web Scraping, Crawling) Data Streaming
  • Data Visualization
  • Laboratorio – Team Work
Statistical Modeling & Machine Learning
Il modulo si propone di fornire una approfondita conoscenza delle tecniche e degli strumenti di Data Mining e Machine Learning mostrando come possano essere impiegati per risolvere problemi pratici e per fornire valore aggiunto nei processi di business. Dopo una prima parte che fornisce le competenze di Statistical Modelling vengono presentate le peculiarità distintive del Data Mining e del Machine Learning e come utilizzarle per produrre benefici in processo di analisi di Big Data. L’obiettivo del modulo è di fornire conoscenze che permettano di affrontare un problema di analisi dati in tutte le sue fasi: scopo dell’analisi, preparazione del dato, scelta del modello e della tecnica adeguata confrontando diversi possibili  scenari, presentazione dei risultati ottenuti e delle motivazioni sulle scelte effettuate.
  • Foundations on Statistics
    Inferenza e distribuzioni
    Fondamenti di inferenza (stimatori, IC, test e pvalue)
  • Statistical Modelling
    Modelli statistici (logit e regression)
  • Data Mining & Machine Learning
    Train, Test, Validation e Crossvalidation
    Overfitting E Bias vs Variance tradoff
    Classification Metrics
    Knn, Naive Bayes, Tree, Random Forest, Boosting, Ensemble, Logistic Regression Classifier,Neural Networks
    Outlier management
    Forecast Cluster Analysis
    Regularization
  • Data Processing & Machine Learning
  • Laboratorio – Team Work
Web Data Analytics
Il modulo si propone di presentare le principali metodologie e strumenti di analisi dei dati NON strutturati presenti nei Social Media (Twitter, Facebook, Blog ..) e illustrare anche attraverso la presentazione di casi di studio, le tecniche per valutare l’impatto che l’utilizzo dei dati Social Media può avere sulle strategie e sui processi aziendali.
  • Web Analytics Fundamentals
  • Social Media Analytics & social Media Marketing
  • Web Scraping
  • Text Mining & Analytics
  • Natural Language Content Analysis
  • Laboratorio – Team Work

Analytics & Management for Business
Il modulo si propone di presentare i concetti  e le soluzioni fondamentali per organizzazioni che  desiderano diventare data-driven. Vengono in particolare approfondite due tematiche applicative comuni nelle aziende (corporate performance management e customer relationship management) e l’utilizzo della AI per il supporto delle decisioni aziendali.  Il modulo fornisce inoltre le competenze base di Project Management, in particolare con la metodologia Agile. 
  • Analytics for Business
    Data-driven organisation
    Corporate performance management (CPM)
    AI & decision making
    machine learning & customer relationship management (CRM)
  • Project Management
    Big Data project management

    Agile project management

LE COMPETENTE CHE ACQUISISCI..

Big Data Management
  • RDBMS e NoSQL Approaches

  • Data Integration

  • Data Quality techniques and tools

  • Data Visualization

  • Business Intelligence

  • Big Data Architectures ( Hadoop, Spark)

  • Principi di cloud computing

  • Architetture Big data e BI in Cloud

  • Calcolo distribuito e Machine Learning

Web Data Analitycs
  • Web Scraping

  • Text analytics

  • Text Mining

  • Sentiment Analysis

Statistical Modelling/Data Mining/Machine Learning
  • Modelli lineari classici/ modelli lineari logistici

  • Machine Learning

  • Alberi decisionali / Classification

  • R  & Python Programming

  • Cluster Analysis

  • Deep Learning

Management
  • Data-Driven decision making 

  • Gestione di progetti Big Data con metodologia Agile
  • AI Explainability
  • CRM recommandation systems
TOOLS and PLATFORMS
Per le esercitazione e laboratori si utilizzano software proprietari ed open source, tra cui MySQL, MongoDB, Neo4j, OpenRefine, Talend, QlickSense, Tableau, ElasticSearch, Kibana, SAS/STAT, SAS Enterprise Miner, RapidMiner, Microsoft PowerBI,  Microsoft Azure, Cloudera, SPARK, Python, SCALA, Hadoop, Sklearn, Jupyter, Tensorflow, Board
STAGE/PROJECT WORK
Il percorso formativo si conclude con un progetto che si svolge secondo due modalità: Stage o Project Work.