Guida degli insegnamenti
Syllabus
Partially translatedTradotto parzialmente
Rocco PIETRINI
Lingua di erogazione: ITALIANOLessons taught in: ITALIAN
Laurea Magistrale - [IM07] INGEGNERIA GESTIONALE Master Degree (2 years) - [IM07] MANAGEMENT ENGINEERING
Dipartimento: [040004] Dipartimento Ingegneria Industriale e Scienze MatematicheDepartment: [040004] Dipartimento Ingegneria Industriale e Scienze Matematiche
Anno di corsoDegree programme year : 2 - Secondo Semestre
Anno offertaAcademic year: 2023-2024
Anno regolamentoAnno regolamento: 2022-2023
Crediti: 6
Ore di lezioneTeaching hours: 48
TipologiaType: D - A scelta dello studente
Settore disciplinareAcademic discipline: ING-INF/05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI
Italiano
Italian
no
no
Il corso consiste in 48 ore così suddivise:
• 16 ore di teoria
• 16 ore di esercitazione
• 16 ore di laboratorio
The duration of the course is 48 hours divided as follows:
• 16 hours of theory
• 16 hours of exercises
• 16 hours of laboratory
L’insegnamento ha la finalità di consentire alle studentesse e agli studenti di conoscere le principali metodologie e tecnologie, nonché i principali strumenti per l’analitica dei dati descrittiva, diagnostica, predittiva e prescrittiva. Una particolare enfasi verrà posta nella realizzazione di progetti utilizzando i tool che, al momento dell’erogazione del corso, risultano essere i leader del mercato sulla base di valutazioni oggettive, quali i Magic Quadrant di Gartner. Il corso, oltre all’analitica dei dati in generale, porrà un’enfasi particolare all’applicazione di tale attività a contesti particolarmente innovativi.
Capacità di applicare conoscenze e comprensione.
Le studentesse e gli studenti saranno in grado di lavorare in team con altri colleghi al fine di effettuare alcuni progetti che gli consentiranno di mettere in pratica le conoscenze via via acquisite. In particolare, ciascun team dovrà realizzare un progetto di analitica dei dati descrittiva, diagnostica, predittiva e prescrittiva utilizzando tool alternativi.
Competenze trasversali.
Il corso è fortemente basato sulla realizzazione di progetti in gruppo e sul brainstorming. Questo favorisce lo sviluppo di varie competenze trasversali, quali la capacità di lavorare in gruppo, la gestione dei conflitti, la comunicazione efficace, la capacità di ascolto e di sintesi di idee differenti. La necessità di elaborare dati provenienti da contesti eterogenei (quali quelli economici, finanziari, medici, etc.) favorirà, inoltre, la capacità, da parte degli studenti, di confrontarsi con scenari molto stimolanti, consentendo loro di sperimentare in anticipo un modus operandi tipico del mondo del lavoro.
Knowledge and Understanding.
This course aims at allowing students to know the main methodologies and technologies, as well as the main tools, for descriptive, diagnostic, predictive and prescriptive data analytics. A special emphasis will be placed on the implementation of projects by means of tools that are market leaders when the course is delivered based on objective evaluations, like the ones of Gartner’s Magic Quadrants. In addition to general data analytics, this course will place a particular emphasis on the application of this activity to particularly innovative contexts.
Capacity to apply Knowledge and Understanding.
Students will be able to work in team with other colleagues in order to carry out some projects that will allow them to put into practice the knowledge acquired over time. In particular, each team will carry out a descriptive, diagnostic, predictive and prescriptive data analytics project using alternative tools that are leaders in Gartner's Magic Quadrants.
Transversal Skills.
This course is strongly based on the realization of projects to be carried out in groups and on brainstorming. This method favors the development of several transversal skills such as the capability of working in a team, conflict management, effective communication, listening capability and of synthesize different ideas. The necessity to process data coming from heterogeneous contexts (such as the economic, financial and medical ones) will also favor the capability of dealing with scenarios very challenging scenarios. This will allow them to experience in advance a modus operandi typical of the job’s world.
• Richiami di Big Data Analytics
• Richiami di Statistica
• Richiami di Data Mining e Machine Learning
• Le serie temporali
• La Social Network Analysis
• Microsoft Power BI
• Introduzione all’ecosistema Python per la Data Analytics
• Big Data Analytics Recalls
• Statistics Recalls
• Data Mining and Machine Learning Recalls
• Time Series
• Social Network Analysis
• Microsoft Power BI
• Introduction to the Python ecosystem for Data Analytics
L’esame prevede la realizzazione di alcune tesine e una prova orale in cui si discuteranno le tesine realizzate e verranno approfonditi gli aspetti teorici che ad esse si riferiscono. Le tesine, da svolgersi in gruppo, richiederanno l’utilizzo di Power BI e dell’ecosistema Python per la Data Science per estrarre conoscenza da uno o più insiemi di dati reali provenienti da contesti scelti dagli studenti. Durante il corso verranno condotte delle sessioni di brainstorming dove ciascun gruppo presenterà il proprio lavoro e gli altri gruppi potranno intervenire per osservazioni, suggerimenti, etc.
Criteri di valutazione dell'apprendimento.
Per superare l’esame le studentesse e gli studenti devono dimostrare, attraverso i progetti, di aver compreso i concetti fondamentali del corso e di aver acquisito competenze sui tool di Data Analytics descrittiva, diagnostica, predittiva e prescrittiva. La valutazione massima è attribuita agli studenti che dimostrano un’ottima conoscenza dei tool, un’ottima capacità di costruire dei progetti che utilizzino tali tool, 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 complessivo dipende principalmente dalla qualità dei progetti e dal contributo che le studentesse e gli studenti dimostreranno di aver dato ad essi nonché dalla padronanza sugli argomenti del corso che lo studente dimostrerà durante la prova orale.
Learning Evaluation Methods.
The exam includes the realization of some projects and an oral test in which the realized projects will be discussed in such a way as to deepen the theoretical aspects that refer to them. Projects, to be realized in groups, will require the use of PowerBI and the Python ecosystem for Data Science to extract knowledge from one or more sets of real data from contexts chosen by students. During the course several brainstorming sessions will be conducted, where each group will present its project and the other groups can intervene for comments, suggestions, etc.
Learning Evaluation Criteria.
To pass the exam, students must prove, through their projects, that they have understood the fundamental concepts of the course and have acquired skills in the tools of descriptive, diagnostics, predictive and prescriptive Data Analytics. The highest evaluation is given to students who demonstrate an excellent knowledge of tools, an excellent ability to build projects that use these tools, a thorough knowledge of the contents of the course, methodological rigor and appropriateness of the technical vocabulary.
Learning Measurement Criteria.
A score in thirtieths is given, possibly cum laude.
Final Mark Allocation Criteria.
The overall score depends mainly on the quality of the projects, on the contribution that the student will provide to their realization, as well as on the knowledge of the topics of the course that the student will show during the oral exam.
• T. Erl, W. Khattak, P. Buhler, “Big Data Fundamentals – Concepts, Drivers & Techniques”, Prentice Hall, 2015.
• P. Bruce, A. Bruce, P. Gedeck, “Practical statistics for Data Scientists”, O’Reilly, 2020.
• M. Tsvetovat, A. Kouznetsov, “Social Network Analysis for Startups”, O’Reilly, 2011.
Dispense fornite dal docente
Materiale didattico disponibile sul sito https://learn.univpm.it/
• T. Erl, W. Khattak, P. Buhler, “Big Data Fundamentals – Concepts, Drivers & Techniques”, Prentice Hall, 2015.
• P. Bruce, A. Bruce, P. Gedeck, “Practical statistics for Data Scientists”, O’Reilly, 2020.
• M. Tsvetovat, A. Kouznetsov, “Social Network Analysis for Startups”, O’Reilly, 2011.
Notes provided by Professor
Educational material available at the site 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