Guida degli insegnamenti
Syllabus
Partially translatedTradotto parzialmente
Emanuele STORTI
Lingua di erogazione: ITALIANOLessons taught in: ITALIAN
Laurea Magistrale - [EM11] DATA SCIENCE PER L'ECONOMIA E LE IMPRESE Master Degree (2 years) - [EM11] DATA SCIENCE FOR ECONOMICS AND BUSINESS
Dipartimento: [040002] Dipartimento Scienze Economiche e SocialiDepartment: [040002] Dipartimento Scienze Economiche e Sociali
Anno di corsoDegree programme year : 2 - Primo Semestre
Anno offertaAcademic year: 2023-2024
Anno regolamentoAnno regolamento: 2022-2023
Obbligatorio
Crediti: 6
Ore di lezioneTeaching hours: 44
TipologiaType: C - Affine/Integrativa
Settore disciplinareAcademic discipline: ING-INF/05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI
ITALIANO
Italian
La conoscenza di database relazionali è auspicabile.
Knowledge of relational databases is recommended.
La durata del corso è di 44 ore, così distribuite:
- Lezioni di teoria: 34 ore
- Brainstorming: 6 ore
- Laboratori: 4 ore
The duration of the course is 44 hours divided as follows:
- Theory lessons: 34 hours
- Brainstorming sessions; 6 hours
- Labs: 4 hours
Il corso mira ad introdurre concetti, metodi e linguaggi e strumenti per la gestione di Big Data. Verrà analizzata l’evoluzione dei sistemi per la gestione di dati verso nuove architetture e nuovi modelli (NoSQL).
In particolare, verranno presi in considerazione approcci e strumenti di data management per l'acquisizione di grandi quantità di dati, la loro memorizzazione e processamento, con l'obiettivo di supportare l'organizzazione nella scelta delle soluzioni più adatte in base alle necessità.
Capacità di applicare conoscenze e comprensione.
Gli studenti e le studentesse apprenderanno le problematiche relative alla gestione dei dati nei contesti applicativi moderni, con particolare riferimento ai limiti delle tecnologie tradizionali, e sapranno individuare gli approcci e le soluzioni tecnologiche più adatte alla gestione di Big Data in ambito organizzativo.
Competenze trasversali.
Il corso include, oltre alle lezioni frontali, sessioni di laboratorio e di brainstorming. Questo favorisce lo sviluppo di varie competenze trasversali, quali una comunicazione efficace, capacità di ascolto e la capacità, da parte di studenti e studentesse, di confrontarsi tra loro e con scenari molto stimolanti.
Knowledge and Understanding.
This course aims at allowing students to acquire knowledge about concepts, methods, languages and tools used in Big Data management. The evolution towards new architectures and new data models (NoSQL) will be analyzed.
The course will also discuss data management methods and tools for data ingestion, data storage and processing, with the goal to support organizations in choosing the most suitable solutions based on their needs.
Capacity to apply Knowledge and Understanding.
The students will have learned the problems related to data management in modern application contexts, with particular reference to the limits of traditional technologies, and will be able to identify the most suitable technological approaches and solutions for managing Big Data in an organizational context.
Transversal Skills.
Along with lessons, the course include applicative sessions and brainstorming. This favors the development of various transversal skills, such as effective communication, listening capability and the capability of dealing with very challenging scenarios.
Parte 1:
- Introduzione ai DBMS distribuiti ed ai sistemi NoSQL: motivazioni e caratteristiche, CAP theorem
- Modelli di dati (key-value, document-based, column-family, a grafo)
- Esempi di DBMS non relazionali
Parte 2:
- Introduzione a Big Data Engineering
- Data Warehouses
- Introduzione al Cloud Computing
- Big Data Management: Big Data Storage, Hadoop, Spark
- Cenni ad altre tecnologie
Part 1:
- Introduction to distributed DBMSs and NoSQL systems: motivations and features, CAP theorem
- Data Models (key-value, document-oriented, column-oriented, graph models)
- Examples of non relational DBMSs
Part 2:
- Introduction to Big Data Engineering
- Data Warehouses
- Introduction to Cloud Computing
- Big Data Management: Big Data Storage, Hadoop, Spark
- Outline of other technologies
L'esame consiste in una prova orale sugli argomenti del corso, che può includere alcuni esercizi pratici.
Per gli di studenti con disabilità/invalidità o disturbo specifico di apprendimento (DSA), che abbiano fatto debita richiesta di supporto per affrontare lo specifico esame di profitto all’Info Point Disabilità/DSA dell’Ateneo, le modalità di esame saranno adattate alla luce di quanto previsto dalle linee guida di Ateneo (https://www.univpm.it/Entra/Accoglienza_diversamente_abili).
Criteri di valutazione dell'apprendimento.
Per superare l’esame lo studente o la studentessa deve dimostrare di aver compreso i concetti fondamentali del corso e di aver acquisito competenze sui DBMS non relazionali e sulle scelte tecnologiche relative alla gestione di Big Data.
La valutazione massima è attribuita agli studenti e alle studentesse che dimostrano un’approfondita conoscenza dei contenuti dell’insegnamento, rigore metodologico ed appropriatezza del vocabolario tecnico.
Criteri di misurazione dell'apprendimento.
Viene attribuito un voto in trentesimi con eventuale lode
Criteri di attribuzione del voto finale.
Il voto dipende dalla padronanza degli argomenti del corso che lo studente o la studentessa dimostrerà durante la prova orale.
Learning Evaluation Methods.
The exam consist in an oral test, which may include some practical exercises, covering the course topics.
For students with disabilities or Specific Learning Disorders (SLD) who have contacted the University Disability/SLD Info Point to request support for the specific curricular exam, please note that the way the exam is taken can be adapted in accordance with the University Guidelines (https://www.univpm.it/Entra/Accoglienza_diversamente_abili).
Learning Evaluation Criteria.
To pass the exam, students must prove that they have understood the fundamental concepts of the course and have acquired skills in non-relational DBMSs and in choosing the proper technological solutions for a Big Data problem.
The highest evaluation is given to students who demonstrate a thorough knowledge of the contents of the course, methodological rigor and appropriateness of the technical vocabulary.
Learning Measurement Criteria.
A vote out of thirty is attributed with possible honors
Final Mark Allocation Criteria.
The overall score depends on the knowledge of the topics of the course that the student will show during the oral exam.
[NoSQL] P. Sadalage, M. Fowler, “NoSQL Distilled: a brief guide to the emerging world of polyglot persistence”, Addison-Wesley
[Data warehouse] Matteo Golfarelli, Stefano Rizzi. ”Data Warehouse: Teoria e pratica della progettazione”, McGraw-Hill Italia
[Big Data] Alan Nugent et al. “Big Data for Dummies”, John Wiley & Sons
Altro materiale reso disponibile sul sito del corso raggiungibile al link https://learn.univpm.it
[NoSQL] P. Sadalage, M. Fowler, “NoSQL Distilled: a brief guide to the emerging world of polyglot persistence”, Addison-Wesley
[Data warehouse] Matteo Golfarelli, Stefano Rizzi. ”Data Warehouse: Teoria e pratica della progettazione”, McGraw-Hill Italia
[Big Data] Alan Nugent et al. “Big Data for Dummies”, John Wiley & Sons
Further material available on the course website at https://learn.univpm.it.
Le informazioni contenute nella presente scheda assumono carattere definitivo solo a partire dall'A.A. di effettiva erogazione dell'insegnamento. Academic year 2023-2024
Università Politecnica delle Marche
P.zza Roma 22, 60121 Ancona
Tel (+39) 071.220.1, Fax (+39) 071.220.2324
P.I. 00382520427