Guida degli insegnamenti
Syllabus
Partially translatedTradotto parzialmente
Francesco CAUTERUCCIO
Lingua di erogazione: ITALIANOLessons taught in: ITALIAN
Laurea Magistrale - [IM07] INGEGNERIA GESTIONALE (Curriculum: DIGITALIZZAZIONE E ANALISI DELL'INFORMAZIONE AZIENDALE) Master Degree (2 years) - [IM07] MANAGEMENT ENGINEERING (Curriculum: DIGITALIZZAZIONE E ANALISI DELL'INFORMAZIONE AZIENDALE)
Dipartimento: [040004] Dipartimento Ingegneria Industriale e Scienze MatematicheDepartment: [040004] Dipartimento Ingegneria Industriale e Scienze Matematiche
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: 48
TipologiaType: C - Affine/Integrativa
Settore disciplinareAcademic discipline: ING-INF/05 - SISTEMI DI ELABORAZIONE DELLE INFORMAZIONI
Italiano
Italian
no
none
Il corso consiste in 48 ore così suddivise:
• 30 ore di teoria
• 8 ore di esercitazione
• 10 ore di laboratorio
The course consists of 48 hours, divided as following:
• 30 hours of theory
• 8 hours of exercises
• 10 hours of laboratory
L’insegnamento ha la finalità di fornire alle studentesse e agli studenti le conoscenze su metodologie, modelli e tecniche di gestione e l’analisi dei dati per il supporto alle decisioni.
Capacità di applicare conoscenze e comprensione.
Sulla base del contesto applicativo, dei dati e degli obiettivi decisionali, studentesse e studenti saranno in grado di interrogare una base di dati, utilizzare un Data Warehouse e un Data Lake e progettare processi di Data Mining. Infine, essi saranno in grado di lavorare con due tool di Data Analytics utilizzati nei contesti aziendali.
Competenze trasversali.
Lo studio basato su materiali diversi, ed in particolare su articoli scientifici, contribuirà allo sviluppo di capacità di apprendimento in autonomia e di sintesi. Lo sviluppo e la presentazione di progetti di gruppo concorreranno al miglioramento delle capacità comunicative e relazionali delle studentesse e degli studenti.
Knowledge and Understanding.
This course aims to provide students with knowledge on methodologie, tools and techniques for the management and analysis of data to support decisions
Capacity to apply Knowledge and Understanding.
Based on data, application domain and goals, the student will be able to query a database, to use a Data Warehouse and a Data Lake and to design Data Mining Process. Finally, he will be able to work with two Data Analytics tools used in business contexts.
Transversal Skills.
The study based on different materials, and in particular on research articles, will contribute to the development of autonomous learning and synthesis skills. The development and presentation of team projects will contribute to the improvement of communication and interpersonal skills.
• Cenni sulle basi di dati e sul modello relazionale
• Cenni su SQL e sui modelli NoSQL
• Data Warehouse: modello multidimensionale, architettura di un Data Warehouse, operatori OLAP, modelli logici
• Data Mining: Introduzione alle tecniche di estrazione delle regole associative, di classificazione e di clustering
• Introduzione a Qlik e Tableau
• Introduction to databases and relational model
• Introduction to SQL and NoSQL models
• Data Warehouse: multidimensional model, architecture of a Data Warehouse, OLAP operators, logical models.
• Data Mining: introduction to techniques for association rule extraction, classification and clustering.
• Introduction to Qlik and Tableau
La valutazione del livello di apprendimento delle studentesse e degli studenti è svolta tramite una prova progettuale seguita da una prova orale. Nella prova progettuale si utilizzeranno i due tool illustrati durante il corso.
Criteri di valutazione dell'apprendimento.
Per superare con esito positivo la valutazione dell'apprendimento, le studentesse e gli studenti devono dimostrare, attraverso la prova progettuale e la prova orale, di aver ben compreso i concetti esposti nel corso e deve dimostrare capacità critica e di problem solving. Durante la prova viene valutato il grado di completezza ed approfondimento raggiunto nella conoscenza e comprensione dei contenuti del corso.
Criteri di misurazione dell'apprendimento.
Viene attribuito un voto finale in trentesimi, con eventuale lode. Il voto minimo per il superamento dell’esame è 18/30.
Criteri di attribuzione del voto finale.
Affinchè la valutazione finale sia positiva, le studentesse e gli studenti devono conseguire almeno 18 punti nella prova orale, dimostrando un livello di conoscenza e comprensione sufficiente sugli argomenti esposti. La valutazione massima è raggiunta dimostrando una conoscenza approfondita dei contenuti del corso. La lode è riservata alle studentesse e studenti che abbiano dimostrato una particolare brillantezza nella esposizione orale.
Learning Evaluation Methods.
Evaluation is based on a project followed by an oral exam. In the project, students will use the two tools proposed during the course.
Learning Evaluation Criteria.
In order to successfully pass the assessment of learning, the student must demonstrate, through the project and oral exam, both a good understanding of concepts presented in the course, critical thinking and problem solving abilities. During the test it is assessed the degree of completeness and depth achieved in knowledge and understanding of the contents.
Learning Measurement Criteria.
The final mark is between 0 and 30, with possible praise. The minimum mark for passing the exam is 18/30.
Final Mark Allocation Criteria.
In order for the final evaluation to be positive, the student must achieve a pass in the oral exam (equal to or greater than 18 points), demonstrating a basic level of knowledge and understanding on the topics covered in the test. The highest rating is achieved by demonstrating a thorough understanding of the course content. The praise is reserved for students who have demonstrated a particular brilliance in oral exposure.
M. Golfarelli, S. Rizzi “Data Warehouse: teoria e pratica della progettazione”
Pang-Ning Tan, Michael Steinbach, Anuj Karpatne, Vipin Kumar, Introduction to Data Mining, Addison-Wesley.
Eventuale altro materiale didattico che sarà messo a disposizione sul sito del corso (https://learn.univpm.it/).
M. Golfarelli, S. Rizzi “Data Warehouse: teoria e pratica della progettazione”
Pang-Ning Tan, Michael Steinbach, Anuj Karpatne, Vipin Kumar, Introduction to Data Mining, Addison-Wesley.
Further material provided by the teacher through the course 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