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.

L'unico requisito formale è che gli studenti abbiano sostenuto con profitto l'esame di "Introduction to Coding and Data Management".

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

Provost, F., & Fawcett, T. (2013). Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. O'Reilly Media.
Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems (2nd ed.). O'Reilly Media.

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.

scritto

Il/la docente ha il dovere di vigilare affinché siano rispettate le regole di autenticità e originalità delle prove d'esame. Di conseguenza, nei casi in cui vi sia il sospetto di un comportamento irregolare, l'esame può prevedere un ulteriore approfondimento, contestuale alla prova d'esame, che potrà essere realizzato anche in modalità differente rispetto alle modalità sopra riportate.

L’esame consiste in una prova scritta e nello sviluppo di un progetto. La prova scritta contribuisce al voto finale per un massimo di 28 punti, mentre il progetto può contribuire fino a un massimo di 5 punti. Gli studenti che raggiungeranno un punteggio superiore a 31 saranno considerati meritevoli della lode.

Il corso prevede sia lezioni teoriche, volte a introdurre i concetti fondamentali e i modelli di riferimento, sia attività pratiche, durante le quali gli studenti applicheranno quanto appreso attraverso esercitazioni guidate, analisi di dati reali e sviluppo di progetti in Python.