LAB OF INFORMATION SYSTEMS AND ANALYTICS

Uno dei principali ruoli di un Digital Manager è sfruttare le risorse disponibili per gestire progetti di digitalizzazione e implementare soluzioni digitali nel campo della tecnologia dell'informazione. In particolare, gli studenti dovrebbero essere in grado di sfruttare i moderni approcci di intelligenza artificiale per estrarre informazioni significative a partire da dati grezzi di vario genere.

Tali competenze richiedono una solida conoscenza teorica e pratica dell'analisi dei dati.

Questo corso ha l'obiettivo di insegnare agli studenti metodi e tecnologie per un'analisi dei dati efficace, discutendo le tecniche fondamentali per l'analisi predittiva e descrittiva dei dati. Durante le lezioni, saranno presentati vari strumenti e tecniche, sia dal punto di vista teorico che pratico, in modo che gli studenti possano confrontare tali strumenti ed estrarre conoscenza dai dataset presentati.

I risultati dell'analisi menzionata sono sfruttati come punto di partenza per ulteriori decisioni e considerazioni.

Alla fine del corso, gli studenti dovrebbero essere in grado di applicare le tecniche appropriate di apprendimento e descrittive ai dati e di gestire gli strumenti presentati durante le lezioni. Gli studenti dovrebbero anche essere in grado di produrre un rapporto di analisi comparativa, inclusa la rappresentazione dei dati.

Gli studenti raggiungeranno i seguenti risultati di apprendimento, suddivisi in tre aree principali:

1. Conoscenza e comprensione:
- Comprendere le basi teoriche dei principali algoritmi presentati durante le lezioni;
- Comprendere i principi e le differenze degli algoritmi di apprendimento non supervisionato;
- Comprendere i principi e le differenze degli algoritmi di apprendimento supervisionato.

2. Applicazione delle conoscenze e comprensione in situazioni pratiche:
- Essere in grado di applicare tecniche di analisi supervisionate e non supervisionate appropriate ai dati;
- Essere in grado di utilizzare gli strumenti software per l'analisi dei dati utilizzati durante le lezioni (ad esempio, scikit-learn);
- Essere in grado di confrontare e interpretare correttamente i diversi risultati di analisi ottenuti da diversi algoritmi.

3. Comunicazione:
- Redigere un rapporto di analisi comparativa comprensivo tra i diversi metodi di analisi dei dati;
- Presentare i risultati con grafici e diagrammi appropriati.

Gli studenti dovrebbero aver raggiunto i risultati di apprendimento dei corsi "Introduzione alla Programmazione e Gestione dei Dati" e "Probabilità e Statistica".

1. Introduzione alla Data Science
- Approcci basati sui dati e Big Data
- Cos'è il Machine Learning e il Data Mining: concetti di approcci supervisionati e non supervisionati
- Tipologie di dati
- Gestione di un progetto di Data Science

2. Clustering:
- Riduzione della dimensionalità
- Valutazione della qualità del clustering

3. Apprendimento Supervisionato
- Addestramento, validazione e ottimizzazione dei modelli; Feature Engineering
- Classificazione; Regressione; Alberi decisionali

4. Ricerca di Similarità nei Testi
- Rappresentazione del testo; Tokenizzazione, Stemming, Lemmatizzazione; Spazio vettoriale; Misure di similarità

Python Data Science Handbook. O’Reilly. 2016.

I risultati di apprendimento sono verificati tramite un progetto/rapporto e con un esame scritto.

L'esame scritto richiederà agli studenti di rispondere a domande aperte sui contenuti del corso.

Il progetto richiede l'applicazione di metodi di analisi dei dati a un dataset di complessità limitata e comporta la conduzione di un'analisi comparativa di diversi strumenti applicati a un dataset o problema specifico. Lo studente deve scegliere e motivare la soluzione più appropriata e consegnare un rapporto che discuta un'analisi comparativa dei metodi scelti.

Lezioni teoriche e pratiche.

Inglese

scritto