ORGANIZZAZIONE DIDATTICA
Il master prevede lezioni frontali, esercitazioni singole e di gruppo, homework e progetti. 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.
Principali contenuti:
– Foundations of BI & Big Data Analytics
— Architettura sistemi Business Intelligence e Business Analytic
— Trend evolutivi della Business intelligence
— Il ciclo di vita dei Big Data
– Relational DB, Data Modelling NoSQL
— Il paradigma relazionale
— Algebra relazionale e linguaggio SQL
— Transazioni e proprietà ACID
— Il paradigma NoSQL – Dati strutturati, semi-strutturati, non strutturati
— Architetture NoSQL (Key-value Store, Column Store, Document Store, GraphDB)
— Graph DB focus: Data modelling, graph traversal, SNA analysis
— Principi di 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
Statistical Modeling & Machine Learning
Il modulo si propone di presentare i modelli statistici di base, tecniche statistiche di Data Mining e di Machine Learning. Viene inoltre illustrata la metodologia per l’analisi di ai dati illustrandone le problematiche in particolare quando si analizzano grandi moli di dati. Vengono presentati gli strumenti quali SAS e R tramite esercitazioni e laboratori.
Principali contenuti:
– Foundations on Statistics
– Statistical Modelling
– Data Mining & Machine Learning
– Data Processing & Machine Learning
– Laboratorio
Contenuti dettagliati
– Inferenza e distribuzioni
– Fondamenti di inferenza (stimatori, IC, test e  pvalue)
– Modelli statistici (logit e regression)
– Intro & Examples on Supervised Machine Learning
– Train, Test, Validation e Crossvalidation; Overfitting E Bias vs Variance tradoff; Binary and multiclass Classification  (one vs one, one vs rest); Cost Function, Priors
– Gradient DescentI
– Classification Metrics (Accuracy, Precision, Recall, F1-score); Assessment Metrics: AUC, LIFT charts
– Logistic Regression Classifier (single and multiple variables)
– Knn, Naive Bayes, Tree, Random Forest, Boosting, Ensembre
– Neural Networks: Perceptron/MLP
– Feature Selection, imputation, feature engineering; transformation; outlier management; Regularization
– Project implementation SAS Enterprise Miner and R
– Python, Numpy, Pandas, ripasso di concetti di programmazione e matematici
– Forecast Cluster Analysis
– Preprocessing & Machine Learning
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.
Principali contenuti:
– Web Analytics Fundamentals
— Web 2.0 social media
— Social Media Analytics e Social Media Marketing
– Text Mining & Analytics
– Natural Language Content Analysis
– Laboratorio
Analytics  & Management for Business
Il modulo si propone di presentare le principali tecniche e metodologie di Project Management.Si approfondisce la metodologia Agile e in particolare vengono affrontati le caratteristiche della gestione di progetti in ambito Business Intelligence. Si propone inoltre di presentare alcune delle principali applicazioni della Bi e degli Analytics in ambito aziendale. In particolare vengono presentati anche tramite testimonianze di casi aziendali  due importanti applicazioni quali il CPM (Corporate Performance Management) e il CRM (Customer Relationship Management.
Project Management:
– Introduzione al Project management
– Strategic planning, project planning, project control
– Business Intelligence & Project Management
– Il modello AGILE
Analytics for Business
– Big Data e processi decisionali – SWOT Analysis
– Introduzione al CPM
– Introduzione al CRM
– Machine learning & CRM

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)

  • Big Data Processing

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

  • SAS System, SAS Enterprise Miner

  • R  & Python Programming

  • Cluster Analysis

  • Deep Learning

  • Certificazione SAS Enterprise Miner (facoltativa)

Management

  • Analisi organizzativa e processi decisionali

  • Fondamenti di project management

  • Agile 

  • SWOT analysis

  • Big Data-driven strategy

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.