LAB OF INFORMATION SYSTEMS AND ANALYTICS

Uno dei ruoli principali del Digital Manager è quello di sfruttare le risorse disponibili per gestire processi di digitalizzazione e sviluppare soluzioni nell'ambito dell'Information Technology.
In particolare, lo studente di questo corso sarà in grado di sfruttare tecniche moderne di AI per estrarre dell'informazione significativa partendo da dati di vario genere.
Questo tipo di competenza prevede una forte conoscenza teorica e pratica delle tecniche di analisi di dati.

L'obiettivo del corso è quello di insegnare agli studenti metodi e tecnologia per effettuare analisi di dati e discutere delle tecniche fondamentali di analisi predittiva e descrittiva.
Durante le lezioni diversi strumenti e tecniche saranno presentate, dal punto di vista teorico e pratico in maniera tale che gli studenti possano essere in grado di confrontare i suddetti strumenti per estrarre dell'informazione significativa da questi.
Il risultato della sopracitata analisi potrà essere poi usato come punto di partenza per ulteriori considerazioni e conseguenti decisioni.

Alla fine del corso lo studente sarà in grado di applicare in maniera appropriata algoritmi e tecniche descrittive di dati e gestire gli strumenti presentati durante le lezioni.
Gli studenti saranno inoltre in grado di produrre uno studio comparativo con rappresentazione dei dati.

Gli obiettivi di apprendimento possono essere suddivisi in tre aree:

1. Conoscenza e comprensione:
- capire le basi teoriche degli algoritmi principali presentati durante le lezioni
- capire principi e funzionamenti di tecniche di learning supervisionato
- capire principi e funzionamenti di tecniche di learning non supervisionato

2. Applicazione della conoscenza e comprensione in situazioni pratiche:
- essere in grado di applicare algoritmi di learning ai dati
- essere in grado di utilizzare gli strumenti visti a lezione
- essere in grado di comparare ed interpretare correttamente diversi risultati da diversi algoritmi

3. Comunicazione:
- presentare un'analisi comparativa di diversi metodi di analisi
- essere in grado di presentare correttamente i risultati attraverso grafici appropriati

Gli studenti devono aver acquisito le conoscenze di base necessarie nei corsi di "Introduction to Coding and Data Management" e "Probability and Statistics".

1. Introduzione a Data Science:
- Data-driven approaches and Big Data
- What is Machine Learning and Data Mining: concepts of supervised and unsupervised approaches
- Kinds of data
- Managing a Data Science project
2. Ricerca di similarità nei testi
- rappresentazione di testi, tokenization, stemming, Lemmatization; Vector space; misure di similarità
3. Clustering
- clustering basati su centroide, gerarchico, agglomerativo, density-based
- valutazione di modelli di clustering
4. Learning supervisionato
- training di modelli, validazione e tuning, Feature Engineering
- classificazione, regressione, alberi decisionali
5. Introduzione a CNN e Deep Learning

- Python Data Science Handbook. O’Reilly. 2016.
- Data Science for Business. O'Reilly. 2013.
- Introduction to Machine Learning with Python. O'Reilly. 2016.
- Slides, appunti presentati durante le lezioni

Gli obiettivi di apprendimento saranno verificati attraverso un progetto/report ed in maniera scritta.

Il progetto richiederà di applicare tecniche di analisi di dati ad un dataset e di condurre uno studio comparativo.
Lo studente dovrà scegliere e motivare dettagliatamente attraverso una discussione le motivazioni della propria soluzione.

scritto e orale

Lezioni frontali e sessioni di laboratorio.

Durante il corso verranno usati i seguenti strumenti: Jupyter, scikit-learn.