Corso di laurea: Data Science
A.A. 2020/2021
Conoscenza e capacità di comprensione
Il laureato magistrale in Data Science conosce le metodologie fondamentali della Statistica,
dell'Informatica e dell'Ingegneria necessarie per la gestione e l'analisi di grandi moli di dati in ambienti
sociali e produttivi complessi. Il laureato magistrale in Data Science conosce gli strumenti tecnologici necessari per la gestione dei big data generati nel mondo digitale, nel mondo fisico, all'interno di organizzazioni complesse pubbliche e private. Il laureato magistrale in Data Science conosce le infrastrutture di comunicazione e le piattaforme computazionali atte alla raccolta, all'elaborazione e all'analisi dei big data, gli aspetti teorico-scientifici della matematica, della statistica e dell'informatica nel quale deve saper identificare, formulare e risolvere, anche in modo innovativo, problemi complessi di analisi di big data che richiedono un approccio interdisciplinare.
Il laureato magistrale in Data Science comprende le problematiche dell'organizzazione delle grandi
moli di dati, i requisiti di sicurezza e privacy, i principi della loro analisi, e l'impatto di tali attività sui
processi produttivi e sociali e sulle pratiche innovative di business. Il laureato magistrale in Data
Science comprende le problematiche dell'integrazione della Data Science all'interno dei processi
decisionali delle aziende, delle istituzioni pubbliche e delle amministrazioni. Il laureato magistrale in
Data Science comprende gli aspetti teorici ed applicativi di settori emergenti con riferimento anche a
problematiche di ricerca avanzate; le principali metodologie e tecnologie di analisi e progetto che sono utilizzate nella progettazione e gestione di servizi innovativi per i cittadini, i consumatori e le imprese basati sull'utilizzo dei big data; le modalità innovative di marketing e di organizzazione del lavoro basate sulle potenzialità dei sistemi sociali digitali e sulle tecnologie di data mining.
Inoltre, il laureato magistrale in Data Science è in grado di elaborare nuove soluzioni tecniche a partire da quelle approfondite nel curriculum di studio e nella tesi di laurea e di contribuire in modo efficace alle attività di un gruppo di ricerca.
Tali conoscenze vengono acquisite mediante le lezioni, le esercitazioni, e le attività di laboratorio nell’ambito sia degli insegnamenti obbligatori che in quelli opzionali. Tali conoscenze vengo acquisite anche attraverso lo svolgimento di progetti volti alla soluzione di problemi originati previsti da molti degli insegnamenti.
Tali conoscenze e capacità sono valutate, per ogni insegnamento, tramite prove in itinere del
raggiungimento degli obiettivi formativi del corso, discussione di progetti individuali o di gruppo, attività guidate di laboratorio, elaborati redatti singolarmente.
Capacità di applicare conoscenza e comprensione
Il titolo di Laurea Magistrale in Data Science consente di formare la figura professionale di Data
Scientist in grado di partecipare e coordinare progetti di Data Science in svariati ambiti applicativi. In
particolare, le sue conoscenze versatili ed interdisciplinari gli consentono di scegliere le metodologie e le tecnologie più adatte per l'ideazione, il progetto e la realizzazione di un progetto di Data Science nei diversi contesti applicativi; inoltre, la sua forma mentis gli consentirà di aggiornarsi continuamente, approfondendo gli aspetti connessi alle applicazioni specifiche del settore di competenza, e di entrare in contatto con le realtà internazionali più avanzate nel campo.
Lo svolgimento di numerosi progetti permette agli studenti di acquisire e sviluppare capacità di applicare conoscenza e comprensione. Tali progetti sono motivati da problemi originati nelle applicazioni principali della Data Science e richiedono l’analisi di dati originati dal mondo reale. Le numerose interazioni degli studenti con il mondo dell’industria e dei servizi durante le attività di stage e di progetto di fine corso permettono anche di applicare nel mondo reale le capacità di conoscenza e comprensione acquisite.
La capacità di applicare conoscenza e comprensione dello studente è monitorata con attività di laboratorio, formazione individuale, e valutata con esami scritti/orali e attività progettuali. Le capacità di applicare conoscenza e comprensione saranno acquisite e verificate attraverso attività di stage e di Internship presso aziende e centri di ricerca accademici e industriali sia nazionali che internazionali. In tali attività, gli studenti dovranno realizzare progetti di data science motivati dall'industria o dalla ricerca e che potranno eventualmente dare luogo al progetto di Tesi di Laurea Magistrale in Data Science. La Tesi di Laurea Magistrale di fine corso darà prova applicativa delle conoscenze e competenze acquisite durante il corso di studio.
Autonomia di giudizio
Il laureato magistrale in Data Science ha la capacità di analizzare e progettare soluzione complesse
di Data Science, valutando l'impatto delle soluzioni nel contesto applicativo, sia relativamente agli
aspetti tecnici che agli aspetti organizzativi. Il laureato magistrale sa inoltre valutare le implicazioni
economiche, sociali ed etiche ad esse associate.
Il possesso di autonomia di giudizio viene acquisito attraverso lo studio individuale e di gruppo,
attraverso le attività di laboratorio, attività progettuali e attraverso la preparazione del progetto di fine corso in collaborazione con le aziende o all’interno dei laboratori di ricerca universitari e industriali. La valutazione della capacità dello studente di esprimere giudizi in modo autonomo è condotta tramite la stesura di elaborati personali, sia nell'ambito dei singoli moduli che nella prova finale.
Abilità comunicative
Il laureato magistrale in Data Science è in grado di interagire efficacemente con specialisti di diversi
settori applicativi al fine di comprenderne le specifiche esigenze nella realizzazione di soluzioni
inerenti diversi campi applicativi. Il laureato magistrale è in grado di descrivere in modo chiaro e
comprensibile soluzioni ed aspetti tecnici nel proprio ambito di competenze. In particolare, sa
addestrare collaboratori, coordinare e partecipare gruppi di progetto nell'industria, pianificare e
condurre la formazione. Il laureato magistrale in Data Science è in grado di utilizzare fluentemente, in
forma scritta e orale, la lingua inglese, con riferimento anche ai lessici disciplinari. In particolare, la
didattica in lingua inglese mira a preparare gli studenti all'interazione in ambito professionale in tale
lingua. Le abilità comunicative vengono acquisite durante i due anni di corso attraverso momenti di confronto e discussione in varie occasioni: seminari ed eventi organizzati con i rappresentanti del mondo del lavoro, attraverso l’esposizione dei lavori progettuali, durante la preparazione della tesi finale.
L'utilizzo di lavori di gruppo permette allo studente di affinare le abilità comunicative. La
valutazione complessiva delle abilità raggiunte è prevista nella prova finale.
Capacità di apprendimento
Il laureato magistrale in Data Science è in grado di acquisire in modo autonomo nuove conoscenze di
carattere tecnico specializzato dalla letteratura scientifica e tecnica del settore, sia nell'ambito delle
metodologie che nell'ambito dei diversi comparti applicativi anche estranei al proprio curriculum di
formazione. Tali capacità sono acquisite con gli strumenti didattici tradizionali, con attività di laboratorio, svolte singolarmente e in gruppo.
Le capacità di apprendimento vengono verificate attraverso gli esami di profitto mediante prove scritte ed orali e mediante attività progettuali. Anche la prova finale è momento di verifica delle capacità di apprendimento del laureato in Data Science che svolge in piena autonomia l’elaborato finale.
Requisiti di ammissione
Per essere ammessi al corso di laurea magistrale occorre essere in possesso dei necessari requisiti curricolari e di un'adeguata preparazione personale.
Requisiti curriculari
I requisiti curriculari sono i seguenti:
(a) Il possesso della laurea o del diploma universitario di durata triennale, ovvero di altro titolo di studio conseguito all'estero, ritenuto idoneo
(b) L'aver acquisito almeno 90 crediti formativi universitari nell'insieme dei seguenti settori:
- Scienze matematiche e informatiche: MAT/*, INF/01
- Scienze fisiche: FIS/*
- Scienze economiche e statistiche: SECS-P/*, SECS-S/*
- Ingegneria industriale e dell'informazione: ING-IND/*, ING-INF/*
- Scienze biologiche: BIO/*
- Scienze giuridiche: IUS/*
(c) Conoscenza della lingua inglese a livello B2 o superiore.
Tali requisiti curriculari intendono garantire l'accesso al corso di studi da parte di tutti gli studenti che abbiano conseguito la laurea di primo livello nelle classi di laurea L-8 (Ingegneria dell'informazione), L-31 (Scienze e tecnologie informatiche) e L-41 (Statistica), nonché nelle classi di laurea L-18 (Scienze dell'economia e della gestione aziendale), L-30 (Scienze e tecnologie fisiche), L-33 (Scienze economiche) e L-35 (Scienze matematiche) e nelle corrispondenti classi di cui al D.M. 509/1999.
Adeguatezza della personale preparazione
Per gli studenti che risultino in possesso dei necessari requisiti curriculari, l'adeguatezza della personale preparazione è accertata in base ai risultati ottenuti ai fini del conseguimento del titolo di studio utilizzato per accedere al corso di laurea magistrale In particolare, verrà verificata la personale preparazione relavivamente alle seguenti conoscenze:
- Matematica: Calcolo differenziale ed integrale per funzioni di una o più variabili reali; nozioni base di algebra lineare e geometria analitica nel piano e nello spazio.
- Probabilità: Variabili aleatorie, distribuzioni e valori attesi; principali modelli di variabili aleatorie; convergenza per successioni di variabili aleatorie.
- Informatica: Principi di programmazione; almeno un linguaggio di programmazione tra C, C++, C#, Java, Python.
Le modalità di verifica della personale preparazione sono definite nel Regolamento didattico del corso di studio.Prova finale
La prova finale potrà essere inerente a un'attività progettuale, di ricerca, metodologica o di tirocinio, presso una struttura industriale, istituzioni pubbliche di ricerca o presso i laboratori stessi dell'università. L'esame finale di laurea consiste nella presentazione e discussione di un progetto con caratteri di originalità e di una relazione supervisionata da un docente di riferimento. Il lavoro svolto dovrà dimostrare che lo studente ha raggiunto una padronanza delle metodologie di Data Science e/o della loro applicazione in un settore specifico a un livello di competenza in linea con le esigenze imposte dai processi di innovazione tecnologica. La prova finale sarà impostata in maniera tale da costituire una credenziale importante per l'inserimento del laureato nel tessuto lavorativo.Orientamento in ingresso
Il SOrT è il servizio di Orientamento integrato della Sapienza. Il servizio ha una sede centrale nella Città universitaria e sportelli dislocati presso le Facoltà. Nei SOrT gli studenti possono trovare informazioni più specifiche rispetto alle Facoltà e ai corsi di laurea e un supporto per orientarsi nelle scelte. L'ufficio centrale e i docenti delegati di Facoltà coordinano i progetti di orientamento in ingresso e di tutorato, curano i rapporti con le scuole medie superiori e con gli insegnanti referenti dell'orientamento in uscita, propongono azioni di sostegno nella delicata fase di transizione dalla scuola all'università e supporto agli studenti in corso, forniscono informazioni sull'offerta didattica e sulle procedure amministrative di accesso ai corsi.
Iniziative e progetti di orientamento:
1. "Porte aperte alla Sapienza".
L'iniziativa, che si tiene ogni anno presso la Città Universitaria, è rivolta prevalentemente agli studenti delle ultime classi delle Scuole Secondarie Superiori, ai docenti, ai genitori ed agli operatori del settore; essa costituisce l'occasione per conoscere la Sapienza, la sua offerta didattica, i luoghi di studio, di cultura e di ritrovo ed i molteplici servizi disponibili per gli studenti (biblioteche, musei, concerti, conferenze, ecc.); sostiene il processo d'inserimento universitario che coinvolge ed interessa tutti coloro che intendono iscriversi all'Università. Oltre alle informazioni sulla didattica, durante gli incontri, è possibile ottenere indicazioni sull'iter amministrativo sia di carattere generale sia, più specificatamente, sulle procedure di immatricolazione ai vari corsi di studio e acquisire copia dei bandi per la partecipazione alle prove di accesso ai corsi. Contemporaneamente, presso l'Aula Magna, vengono svolte conferenze finalizzate alla presentazione dell'offerta formativa di tutte le Facoltà dell'Ateneo.
2. Progetto "Un Ponte tra Scuola e Università"
Il Progetto "Un Ponte tra scuola e Università" nasce con l'obiettivo di favorire una migliore transizione degli studenti in uscita dagli Istituti Superiori al mondo universitario e facilitarne il successivo inserimento nella nuova realtà.
Il progetto si articola in tre iniziative:
a) Professione Orientamento - Seminari dedicati ai docenti degli Istituti Superiori referenti per l'orientamento, per favorire lo scambio di informazioni tra la Scuola Secondaria e la Sapienza;
b) La Sapienza si presenta - Incontri di presentazione delle Facoltà e lezioni-tipo realizzati dai docenti della Sapienza e rivolti agli studenti delle Scuole Secondarie su argomenti inerenti ciascuna area didattica;
c) La Sapienza degli studenti – Interventi nelle Scuole finalizzati alla presentazione dei servizi offerti dalla Sapienza e racconto dell'esperienza universitaria da parte di studenti "mentore", studenti senior appositamente formati.
3. Progetto "Conosci te stesso"
Consiste nella compilazione, da parte degli studenti, di un questionario di autovalutazione per accompagnare in modo efficace il processo decisionale degli stessi studenti nella scelta del loro percorso formativo.
4. Progetto "Orientamento in rete"
Si tratta di un progetto di orientamento e di riallineamento sui saperi minimi. L'iniziativa prevede lo svolgimento di un corso di preparazione, caratterizzato una prima fase con formazione a distanza ed una seconda fase realizzata attraverso corsi intensivi in presenza, per l'accesso alle Facoltà a numero programmato dell'area biomedica, sanitaria e psicologica, destinato agli studenti degli ultimi anni di scuola secondaria di secondo grado.
5. Esame di inglese
Il progetto prevede la possibilità di sostenere presso la Sapienza, da parte degli studenti dell'ultimo anno delle Scuole Superiori del Lazio, l'esame di inglese per il conseguimento di crediti in caso di successiva iscrizione a questo Ateneo.
6. Percorsi per le competenze trasversali e per l'orientamento - PCTO (ex alternanza scuola-lavoro).
Si tratta di una modalità didattica che, attraverso l'esperienza pratica, aiuta gli studenti delle Scuole Superiori a consolidare le conoscenze acquisite a scuola e a testare sul campo le proprie attitudini mentre arricchisce la formazione e orienta il percorso di studio.
7. Tutorato in ingresso
Sono previste attività di tutorato destinate agli studenti e alle studentesse dei cinque anni delle Scuole Superiori.
Regolamento Didattico del
Corso di Laurea Magistrale
in
Data Science
(Master of Science in Data Science)
Classe LM-91
TECNICHE E METODI PER LA SOCIETA’ DELL'INFORMAZIONE
Ordine degli Studi 2020/2021
Obiettivi formativi specifici
Il corso di studio qui proposto si caratterizza per un'offerta didattica interdisciplinare che raccoglie contributi dell’ingegneria, dall’informatica, della statistica, delle scienze economiche e organizzative, insieme a conoscenze specifiche dei principali domini applicativi di Data Science. In particolare, la laurea magistrale in Data Science che proponiamo offre le conoscenze professionali adeguate per lo sviluppo delle tecnologie di raccolta, gestione, elaborazione e analisi dei big data, e la conseguente traduzione in informazioni fondamentali per il processo conoscitivo e decisionale all'interno dei settori innovativi di business e sociali.
Un percorso formativo in Data Science deve rispondere alle notevoli sfide scientifiche e tecnologiche legate all’emergere di piattaforme globali di memorizzazione ed elaborazione dei dati: i dati personali, governativi e commerciali e le relative applicazioni abbandonano i sistemi proprietari per approdare ai sistemi di cloud computing e cloud storage con i relativi problemi di affidabilità, privacy e sicurezza.
La laurea magistrale in Data Science si pone l'obiettivo della formazione di nuove figure professionali che possano contribuire ad aumentare l'efficienza ed affidabilità delle istituzioni pubbliche, delle aziende private e delle amministrazioni locali, con particolare riferimento agli open data, al loro utilizzo per lo sviluppo di servizi più efficienti per le aziende e i cittadini e per l'ottimizzazione della gestione delle risorse nei contesti urbani. La laurea magistrale in data science si pone come obiettivo anche la formazione di professionisti in grado di operare all'interno delle agenzie pubbliche e private al fine di integrare i big data all'interno dei processi di analisi economico e sociali.
Le caratteristiche di interdisciplinarietà della laurea magistrale in Data Science e la sua rigorosa impostazione metodologica la rendono adatta ad essere fruita da studenti che abbiano conseguito la laurea di primo livello in tutti i settori dell'Ingegneria dell'Informazione, dell'Informatica e della Statistica, nonché nelle facoltà di Economia, Matematica e Fisica.
Oltre alle conoscenze specifiche del settore, costituiscono parti fondamentali dell'offerta formativa gli aspetti teorico-scientifici necessari a descrivere e a interpretare i problemi del contesto applicativo in cui si pone il problema di sviluppare metodologie innovative di Data Science, lo sviluppo di capacità di ideazione, pianificazione, progettazione e gestione di complessi sistemi di gestione e analisi di grandi moli di dati, lo sviluppo di capacità di sperimentazione, la conoscenza e l'uso fluente della lingua inglese.
Costituisce un elemento di completamento essenziale della formazione la prova finale o tesi di laurea magistrale, che permette al laureando di applicare la pluralità di nozioni e metodologie acquisite in un campo di applicazione industriale, scientifico o di analisi economico-sociale, e che dimostra la padronanza degli argomenti, la capacità di operare in modo autonomo e un buon livello di comunicazione.
Il percorso formativo è orientato alla fruibilità della laurea magistrale in ambito internazionale, fruibilità garantita dalla quantità e dalla qualità delle relazioni internazionali di ricerca facenti capo ai docenti, nonché dall'erogazione in lingua inglese. Il percorso formativo è inoltre orientato a mantenere una stretta connessione con il tessuto lavorativo, connessione garantita da gran numero e prestigio dei progetti di ricerca applicata di cooperazione tra università e aziende nazionali, internazionali e pubblica amministrazione in cui i docenti sono coinvolti.
Il laureato magistrale in Data Science avrà anche livello di preparazione adeguato per una sua collocazione in contesti di ricerca sia di base che applicata, sia presso università e centri di ricerca che presso settori aziendali di ricerca e sviluppo, sia in ambito nazionale e internazionale.
L'offerta didattica si avvarrà di tutte le competenze multidisciplinari offerte da tutti i 4 Dipartimenti della Facoltà di Ingegneria dell’Informazione, Informatica e Statistica (I3S), il Dipartimento di Scienze Statistiche, il Dipartimento di Ingegneria Informatica, Automatica e Gestionale “Antonio Ruberti”, il Dipartimento di Informatica e il Dipartimento di Ingegneria dell’Informazione, Elettronica e Telecomunicazioni.
Il regolamento didattico del corso di studio definirà, nel rispetto dei limiti normativi, la quota dell'impegno orario complessivo a disposizione dello studente per lo studio personale e per altre attività formative di tipo individuale.
Requisiti di ammissione e crediti riconoscibili
- Requisiti di ammissione
Per essere ammessi al corso di laurea magistrale occorre essere in possesso dei necessari requisiti curricolari (RC) e di un'adeguata preparazione personale (APP).
Requisiti curriculari
I requisiti curriculari (RC) sono i seguenti:
(RC-a) Il possesso della laurea o del diploma universitario di durata triennale, ovvero di altro titolo di studio conseguito all'estero, ritenuto idoneo
(RC-b) L'aver acquisito almeno 90 crediti formativi universitari nell'insieme dei seguenti settori:
- Scienze matematiche e informatiche: MAT/*, INF/01
- Scienze fisiche: FIS/*
- Scienze economiche e statistiche: SECS-P/*, SECS-S/*
- Ingegneria industriale e dell'informazione: ING-IND/*, ING-INF/*
- Scienze biologiche: BIO/*
- Scienze giuridiche: IUS/*
(RC-c) Conoscenza della lingua inglese a livello B2 o superiore.
Tali requisiti curriculari intendono garantire l'accesso al corso di studi da parte di tutti gli studenti che abbiano conseguito la laurea di primo livello nelle classi di laurea L-8 (Ingegneria dell'informazione), L-31 (Scienze e tecnologie informatiche) e L-41 (Statistica), nonché nelle classi di laurea L-18 (Scienze dell'economia e della gestione aziendale), L-30 (Scienze e tecnologie fisiche), L-33 (Scienze economiche) e L-35 (Scienze matematiche) e nelle corrispondenti classi di cui al D.M. 509/1999.
Modalità di ammissione:
In assenza dei requisiti (RC-a) e (RC-b) non è possibile iscriversi al corso di studi.
Per gli studenti che soddisfano i requisiti (RC-a) e (RC-b), l'adeguatezza della personale preparazione (APP) è accertata in base ai risultati ottenuti ai fini del conseguimento del titolo di studio utilizzato per accedere al corso di laurea magistrale.
In particolare, verrà verificata la personale preparazione relativamente alle seguenti conoscenze:
(APP-1). Matematica: Calcolo differenziale ed integrale per funzioni di una o più variabili reali; nozioni base di algebra lineare e geometria analitica nel piano e nello spazio.
(APP-2). Probabilità: Variabili aleatorie, distribuzioni e valori attesi; principali modelli di variabili aleatorie; convergenza per successioni di variabili aleatorie.
(APP-3). Informatica: Principi di programmazione; almeno un linguaggio di programmazione tra C, C++, C#, Java, Python.
Il possesso delle suddette conoscenze sarà verificato da una apposita commissione nominata dal Consiglio di Corso di Studio, che approverà automaticamente l'ammissione alla laurea magistrale degli studenti che siano in possesso dei requisiti curriculari (RCC) di cui sopra e abbiano acquisito almeno:
1. 12 crediti nei settori MAT/03 (Geometria), MAT/05 (Analisi Matematica)
2. 6 crediti nel settore MAT/06 (Probabilità)
3. 6 crediti nei settori INF/01 (Informatica) o ING-INF/05 (Sistemi di elaborazione delle informazioni)
Gli studenti non in possesso dei crediti sopra indicati dovranno sostenere un colloquio di verifica del possesso dell’adeguata preparazione personale (APP).
(RC-c) Gli studenti non in possesso di certificazione della lingua inglese a livello B2 o che non abbiano acquisito almeno 3 crediti di lingua inglese (anche idoneità), dovranno sostenere un colloquio di verifica della conoscenza della lingua inglese.
Descrizione del percorso formativo
La proposta formativa prevede un primo insieme di 39 CFU su settori scientifico disciplinari caratterizzanti miranti a fornire le conoscenze statistiche, ingegneristiche e informatiche di base necessarie per lo sviluppo degli strumenti software e delle infrastrutture necessarie per la raccolta, l’elaborazione, e l’organizzazione delle grandi moli di dati e dei modelli matematico statistici utili per la loro analisi. I 39 CFU includeranno almeno 10 CFU di attività di laboratorio o di studio individuale. Tali corsi caratterizzanti saranno obbligatori per tutti gli studenti. I 39 CFU obbligatori si dividono in 27 CFU sulle tecnologie informatiche e 12 CFU sulle discipline statistiche.
Lo studente potrà quindi scegliere fino a 30 CFU di indirizzo su settori scientifico disciplinari caratterizzanti. almeno 6 dei 36 CFU dovranno essere scelti tra le discipline umane, sociali, giuridiche ed economiche. Tali insegnamenti sono volti alla formazione di un profilo professionale che unisce le competenze ingegneristiche e informatiche con le competenze statistiche e gestionali, economico e giuridiche. Tali competenze devono essere sviluppate insieme ad una profonda conoscenza del contesto economico, sociale e organizzativo in cui le metodologie di Data Science si vanno ad applicare.
Il percorso formativo si completerà con 12 CFU a scelta dello studente e 12 CFU di attività su settori scientifici disciplinari affini.
Non sono previsti obblighi di frequenza se non per attività di laboratorio e attività pratiche.
Tutti gli insegnamenti sono erogati in Lingua Inglese
Le conoscenze raggiunte sono valutate tramite prove intermedie, discussione di lavori di gruppo o
elaborati redatti singolarmente dai discenti e accertate tramite esami di tipo tradizionale.
Caratteristiche della prova finale
La prova finale potrà essere inerente ad un'attività progettuale, di ricerca, metodologica o di tirocinio, presso una struttura industriale, istituzioni pubbliche di ricerca o presso i laboratori stessi dell'università. L'esame finale di laurea consiste nella presentazione e discussione di un progetto con caratteri di originalità e di una relazione supervisionata da un docente di riferimento. Il lavoro svolto dovrà dimostrare che lo studente ha raggiunto una padronanza delle metodologie di Data Science e/o della loro applicazione in un settore specifico a un livello di competenza in linea con le esigenze imposte dai processi di innovazione tecnologica. La prova finale sarà impostata in maniera tale da costituire una credenziale importante per l'inserimento del laureato nel tessuto lavorativo.
Sbocchi occupazionali e professionali previsti per i laureati
I profili professionali individuati sono quelli di Data Scientist, Open Data Manager, Data Intelligence Professional, Big Data Infrastructure Professional. Le funzioni professionali svolte dai laureati in Data Science sono quelle di analizzare, presentare e prevedere le tendenze fondamentali nei flussi di dati, identificare gli strumenti software necessari per l'elaborazione di grandi moli di dati, coordinare la raccolta e la pubblicazione di open data nel settore pubblico e privato, coordinare gruppi di programmatori e progettare nuove classi di servizi basati sui big data, integrare le metodologie di data science all’interno dei processi organizzativi e di strategie di mercato delle aziende, gestire le più importanti infrastrutture software, hardware e di rete per i big data.
Le principali competenze associate alla funzione sono quelle di analisi statistica dei dati, comprensione delle infrastrutture software, data management e data mining, comprensione dei flussi di dati e dei loro formati, management e business analytics, progettazione e analisi di architetture hardware, software e di rete per i big data, competenze giuridiche economiche nel campo dell'ICT. Gli sbocchi professionali si troveranno all’interno di grandi, medie e piccole aziende, pubblica amministrazione, amministrazioni locali, enti di ricerca pubblici e privati, istituti di analisi economico-sociale.
Trasferimenti
Gli studenti che intendono trasferirsi al Corso di Laurea Magistrale in Data Science devono presentare domanda presso la Segreteria Amministrativa delle Facoltà di Ingegneria dell’Informazione, Informatica e Statistica (c/o città universitaria). La domanda deve essere redatta secondo le modalità previste dalla Segreteria Amministrativa e dovrà comunque prevedere l’elenco degli esami superati per i quali si richiede il riconoscimento. Il Consiglio di Corso di Studi delibererà gli esami riconosciuti e i crediti attribuiti e provvederà, inoltre, di concerto con lo studente, alla definizione del percorso formativo che, nel rispetto dell'ordinamento didattico e dei contenuti formativi del Corso di Laurea Magistrale in Data Science, potrà tenere conto del percorso già svolto.
Norme relative alle iscrizioni ad anni successivi per studenti provenienti da altro corso di laurea o altro ateneo
Per iscriversi al secondo anno del corso di studi lo studente proveniente da altro corso di laurea o altro ateneo deve aver acquisito almeno 27 crediti.
Non sono previsti obblighi di frequenza se non per attività di laboratorio o altre attività pratiche o formative.
Periodi di studio all’estero
I corsi seguiti nelle Università Europee o estere, con le quali la Facoltà di Ingegneria dell’Informazione, Informatica, Statistica, ha in vigore accordi, progetti e/o convenzioni, vengono riconosciuti secondo le modalità previste dagli accordi.
Gli studenti possono, previa autorizzazione del Consiglio di Corso di Studi, svolgere un periodo di studio all’estero nell’ambito del progetto LLP Erasmus. In conformità con il Regolamento didattico di Ateneo nel caso di studi, esami e titoli accademici conseguiti all’estero, il Consiglio di Corso di Studi esamina di volta in volta il programma ai fini dell’attribuzione dei crediti nei corrispondenti settori scientifici disciplinari.
Info generali
Programmi e testi d’esame: il programma dei corsi e i testi d’esame sono consultabili sul sito internet: https://corsidilaurea.uniroma1.it/
Servizi di tutorato: I docenti Aris Anagnostopoulos, Pierpaolo Brutti, Antonio Cianfrani, Brunero Liseo svolgono attività di tutorato e orientamento, secondo le modalità e gli orari indicati sul sito del Corso di Laurea. Inoltre il Corso di Laurea si avvale dei servizi di tutorato messi a disposizione dalla Facoltà, compatibilmente alle risorse economiche, utilizzando anche appositi contratti integrativi.
Valutazione della qualità: Il Corso di Laurea, in collaborazione con la Facoltà, effettua la rilevazione dell’opinione degli studenti frequentanti per tutti i corsi di insegnamento tenuti. Il sistema di rilevazione è integrato con un percorso qualità la cui responsabilità è affidata al gruppo di auto-valutazione, docenti, studenti e personale del corso di studio. I risultati delle rilevazioni e delle analisi del gruppo di auto-valutazione sono utilizzati per effettuare azioni di miglioramento delle attività formative.
Lo studente espliciterà le proprie scelte al momento della presentazione,
tramite INFOSTUD, del piano di completamento o del piano di studio individuale,
secondo quanto stabilito dal regolamento didattico del corso di studio.
Primo anno
Primo semestre
|
Insegnamento
|
CFU
|
SSD
|
Ore Lezione
|
Ore Eserc.
|
Ore Lab
|
Ore Studio
|
Attività
|
Lingua
|
|
1047221 -
ALGORITHMIC METHODS OF DATA MINING AND LABORATORY
(obiettivi)
○ The course presents the main algorithmic techniques of data mining,
necessary for data science. They offer to the student the basis for
analyzing data for a variety of applications that deal with semistructured
or unstructured data, such as textual data, transactions, and graph and
information-network data. At the end of the course the student will have a
knowledge of the main theoretical ideas of data mining, as well as some
basic knowledge and experience in using programming tools for analyzing
and mining data.
|
9
|
ING-INF/05
|
54
|
-
|
36
|
-
|
Attività formative caratterizzanti
|
ENG |
|
1047264 -
FUNDAMENTALS OF DATA SCIENCE AND LABORATORY
(obiettivi)
Learning from data in order to gain useful predictions and insights. At
the end of the course students will have an understanding of the basic
programming skills needed for data analysis and visualization. They
will also have familiarity of the typical data processing workflow of data
preparation and scraping, visualization and exploratory analysis and final
statistical modeling. Students will become familiar with the main Python
libraries for data science.
|
9
|
INF/01
|
54
|
-
|
36
|
-
|
Attività formative caratterizzanti
|
ENG |
|
10589600 -
STATISTICAL METHODS IN DATA SCIENCE AND LABORATORY
(obiettivi)
Learning goals
Statistical Methods in Data Science is a two-semester course aimed at providing the fundamental tools for:
setting up probabilistic models;
understanding the basic principles of the main inferential problems: estimation, hypothesis testing, model checking and forecasting;
understanding and contrasting the two main inferential paradigms, namely frequentist and Bayesian statistics;
implementing inference on observed data through both optimization and simulation-based (approximation) techniques such as:
Bootstrap
Monte Carlo
Monte Carlo Markov Chain (MCMC)
understanding comparative merits of alternative strategies
developing statistical computations within a suitable software environment like R (www.r-project.org), OpenBUGS (http://openbugs.net/w/FrontPage) and STAN (http://mc-stan.org/).
Knowledge and understanding
On successful completion of this course, students will:
know the main statistical principles, inferential problems, paradigms and algorithms;
assess the empirical and theoretical performance of different modeling approaches;
know the main platforms, programming languages to develop effective implementations.
Applying knowledge and understanding
Besides the understanding of theoretical aspects, thanks to applied homeworks and a dedicated laboratory in the second semester focused on Bayesian modeling, students will be constantly challenged to use and evaluate all the techniques they have learned as well as to propose new modelization suitable for specific tasks at hand.
Making judgements
On successful completion of this course, students will develop a positive critical attitude towards the empirical and theoretical evaluation of statistical methodologies and results.
Communication skills
In preparing the report and oral presentation for the final project of the second semester laboratory, students will learn how to effectively communicate information, ideas, problems and solutions to specialists but also to a general audience.
Learning skills
In this course the students will develop the skills necessary for a successful understanding and application of new statistical methodologies together with their effective implementation. The goal is of course to grow an active attitude towards continued learning throughout a professional career.
|
|
|
-
STATISTICAL METHODS IN DATA SCIENCE AND LABORATORY II
|
Erogato in altro semestre o anno
|
|
-
STATISTICAL METHODS IN DATA SCIENCE AND LABORATORY I
(obiettivi)
Learning goals
Statistical Methods in Data Science is a two-semester course aimed at providing the fundamental tools for:
setting up probabilistic models;
understanding the basic principles of the main inferential problems: estimation, hypothesis testing, model checking and forecasting;
understanding and contrasting the two main inferential paradigms, namely frequentist and Bayesian statistics;
implementing inference on observed data through both optimization and simulation-based (approximation) techniques such as:
Bootstrap
Monte Carlo
Monte Carlo Markov Chain (MCMC)
understanding comparative merits of alternative strategies
developing statistical computations within a suitable software environment like R (www.r-project.org), OpenBUGS (http://openbugs.net/w/FrontPage) and STAN (http://mc-stan.org/).
Knowledge and understanding
On successful completion of this course, students will:
know the main statistical principles, inferential problems, paradigms and algorithms;
assess the empirical and theoretical performance of different modeling approaches;
know the main platforms, programming languages to develop effective implementations.
Applying knowledge and understanding
Besides the understanding of theoretical aspects, thanks to applied homeworks and a dedicated laboratory in the second semester focused on Bayesian modeling, students will be constantly challenged to use and evaluate all the techniques they have learned as well as to propose new modelization suitable for specific tasks at hand.
Making judgements
On successful completion of this course, students will develop a positive critical attitude towards the empirical and theoretical evaluation of statistical methodologies and results.
Communication skills
In preparing the report and oral presentation for the final project of the second semester laboratory, students will learn how to effectively communicate information, ideas, problems and solutions to specialists but also to a general audience.
Learning skills
In this course the students will develop the skills necessary for a successful understanding and application of new statistical methodologies together with their effective implementation. The goal is of course to grow an active attitude towards continued learning throughout a professional career.
|
9
|
SECS-S/01
|
54
|
-
|
36
|
-
|
Attività formative caratterizzanti
|
ENG |
Secondo semestre
|
Insegnamento
|
CFU
|
SSD
|
Ore Lezione
|
Ore Eserc.
|
Ore Lab
|
Ore Studio
|
Attività
|
Lingua
|
|
10589600 -
STATISTICAL METHODS IN DATA SCIENCE AND LABORATORY
(obiettivi)
Learning goals
Statistical Methods in Data Science is a two-semester course aimed at providing the fundamental tools for:
setting up probabilistic models;
understanding the basic principles of the main inferential problems: estimation, hypothesis testing, model checking and forecasting;
understanding and contrasting the two main inferential paradigms, namely frequentist and Bayesian statistics;
implementing inference on observed data through both optimization and simulation-based (approximation) techniques such as:
Bootstrap
Monte Carlo
Monte Carlo Markov Chain (MCMC)
understanding comparative merits of alternative strategies
developing statistical computations within a suitable software environment like R (www.r-project.org), OpenBUGS (http://openbugs.net/w/FrontPage) and STAN (http://mc-stan.org/).
Knowledge and understanding
On successful completion of this course, students will:
know the main statistical principles, inferential problems, paradigms and algorithms;
assess the empirical and theoretical performance of different modeling approaches;
know the main platforms, programming languages to develop effective implementations.
Applying knowledge and understanding
Besides the understanding of theoretical aspects, thanks to applied homeworks and a dedicated laboratory in the second semester focused on Bayesian modeling, students will be constantly challenged to use and evaluate all the techniques they have learned as well as to propose new modelization suitable for specific tasks at hand.
Making judgements
On successful completion of this course, students will develop a positive critical attitude towards the empirical and theoretical evaluation of statistical methodologies and results.
Communication skills
In preparing the report and oral presentation for the final project of the second semester laboratory, students will learn how to effectively communicate information, ideas, problems and solutions to specialists but also to a general audience.
Learning skills
In this course the students will develop the skills necessary for a successful understanding and application of new statistical methodologies together with their effective implementation. The goal is of course to grow an active attitude towards continued learning throughout a professional career.
|
|
|
-
STATISTICAL METHODS IN DATA SCIENCE AND LABORATORY II
(obiettivi)
Learning goals
Statistical Methods in Data Science is a two-semester course aimed at providing the fundamental tools for:
setting up probabilistic models;
understanding the basic principles of the main inferential problems: estimation, hypothesis testing, model checking and forecasting;
understanding and contrasting the two main inferential paradigms, namely frequentist and Bayesian statistics;
implementing inference on observed data through both optimization and simulation-based (approximation) techniques such as:
Bootstrap
Monte Carlo
Monte Carlo Markov Chain (MCMC)
understanding comparative merits of alternative strategies
developing statistical computations within a suitable software environment like R (www.r-project.org), OpenBUGS (http://openbugs.net/w/FrontPage) and STAN (http://mc-stan.org/).
Knowledge and understanding
On successful completion of this course, students will:
know the main statistical principles, inferential problems, paradigms and algorithms;
assess the empirical and theoretical performance of different modeling approaches;
know the main platforms, programming languages to develop effective implementations.
Applying knowledge and understanding
Besides the understanding of theoretical aspects, thanks to applied homeworks and a dedicated laboratory in the second semester focused on Bayesian modeling, students will be constantly challenged to use and evaluate all the techniques they have learned as well as to propose new modelization suitable for specific tasks at hand.
Making judgements
On successful completion of this course, students will develop a positive critical attitude towards the empirical and theoretical evaluation of statistical methodologies and results.
Communication skills
In preparing the report and oral presentation for the final project of the second semester laboratory, students will learn how to effectively communicate information, ideas, problems and solutions to specialists but also to a general audience.
Learning skills
In this course the students will develop the skills necessary for a successful understanding and application of new statistical methodologies together with their effective implementation. The goal is of course to grow an active attitude towards continued learning throughout a professional career.
|
3
|
SECS-S/01
|
18
|
-
|
12
|
-
|
Attività formative caratterizzanti
|
ENG |
|
-
STATISTICAL METHODS IN DATA SCIENCE AND LABORATORY I
|
Erogato in altro semestre o anno
|
|
1047223 -
NETWORKING FOR BIG DATA AND LABORATORY
(obiettivi)
Obiettivi generali:
Lo scopo del corso è fornire agli studenti gli strumento per comprendere I principi del networking e le principali tecnologie di rete. Il corso è focalizzato sull’evoluzione della rete Internet per il supporto dei big data e del cloud, con particolare attenzione alle soluzioni di rete per i data centers. La prima parte del corso sarà necessaria per rendere omogeneo il livello della classe e per definire i concetti e i termini tecnici di base. Il corso prevede anche l’utilizzo di un emulatore di rete e di un analizzatore di traffico per lo svolgimento di attività pratiche di laboratorio.
Obiettivi specifici:
Conoscenza e capacità di comprensione: conoscere i principali protocolli di rete per la realizzazione di una rete IP.
Conoscenza e capacità di comprensione applicate: saper applicare i principi del networking per realizzare una rete emulata funzionante e per analizzare in maniera critica il traffico all’interno di una rete
Autonomia di giudizio: capacità di individuare criticamente gli elementi di debolezza delle soluzioni architetturali studiate nello scenario di un data center per la gestione dei big data
Capacità di apprendere: capacità di proseguire gli studi successivi riguardanti tematiche avanzate di networking.
|
9
|
ING-INF/03
|
54
|
-
|
36
|
-
|
Attività formative caratterizzanti
|
ENG |
Gruppo opzionale:
GRUPPO OPZIONALE A - (visualizza)
|
6
|
|
|
|
|
|
|
|
|
1047215 -
INTELLECTUAL PROPERTY COMPETITION AND DATA PROTECTION LAW
(obiettivi)
The aim of the course is to provide students with an overview of the functioning of
intellectual property, competition and data protection law from both an economic and
legal perspective. By the end of the course students are expected to have acquired a
general understanding of the main policy issues involved, and should be able to identify
and apply the relevant legal rules, both substantial and procedural, in situations that can
be considered routinary to professionals and businesses operating in the data science
industry.
|
6
|
IUS/04
|
36
|
24
|
-
|
-
|
Attività formative caratterizzanti
|
ENG |
|
1047212 -
ECONOMICS OF NETWORK INDUSTRIES
(obiettivi)
Knowledge and understanding
The aim of the course is to introduce students to the new information economy and the economics of network industries. Students are expected to gain insight into how the specific features of technology and demand affect market structure, firms’ strategies and business models, as well as public policy in network industries.
Applying knowledge and understanding
By the end of the course, students should be able to use methods and models of microeconomics and industrial organization to understand and analyze the competitive dynamics in the new information economy, and specifically in network industries.
Making judgements
Lectures, practical exercises and problem-solving sessions will provide students with the ability to assess the main strengths and weaknesses of theoretical models when used to explain empirical evidence and case studies in the new information economy.
Communication
By the end of the course, students are able to point out the main features of the new information economy and network industries, and to discuss relevant information, ideas, problems and solutions both with a specialized and a non-specialized audience. These capabilities are tested and evaluated in the final written exam and possibly in the oral exam as well as in the project work.
Lifelong learning skills
Students are expected to develop those learning skills necessary to undertake additional studies on relevant topics in the field of the new information economy with a high degree of autonomy. During the course, students are encouraged to investigate further any topics of major interest, by consulting supplementary academic publications, specialized books, and internet sites. These capabilities are tested and evaluated in the final written exam and possibly in the oral exam as well as in the project work, where students may have to discuss and solve some new problems based on the topics and material covered in class.
|
6
|
SECS-P/06
|
36
|
24
|
-
|
-
|
Attività formative caratterizzanti
|
ENG |
|
|
Gruppo opzionale:
GRUPPO OPZIONALE B - (visualizza)
|
18
|
|
|
|
|
|
|
|
|
1047197 -
DATA MANAGEMENT FOR DATA SCIENCE
(obiettivi)
The main goal of the course is to present the basic concepts of data
management systems. The first part of the course introduces the main aspects
of relational database systems, including basic functionalities, file and index
organizations, and query processing. The second part of the course aims
at presenting the main non-relational approaches to data management, in
particular, multidimensional data management, large-scale data management,
and open data management.
|
6
|
ING-INF/05
|
36
|
24
|
-
|
-
|
Attività formative caratterizzanti
|
ENG |
|
1047205 -
CLOUD COMPUTING
(obiettivi)
Obiettivi generali:
Lo scopo del corso è quello di fornire agli studenti i concetti di base dei sistemi distribuiti e quindi di concentrarsi sulle tecnologie di cloud computing. Il corso copre aspetti teorici e pratici con un focus su esempi reali. Alla fine del corso si suppone che gli studenti siano in grado di scegliere, configurare e utilizzare i servizi cloud e progettare e distribuire architetture scalabili ed applicazioni elastiche.
Obiettivi specifici:
Conoscenza e capacità di comprensione:
Al termine del corso, lo studente sarà in grado di descrivere e spiegare
- i concetti generali dei sistemi distribuiti
- il concetto di virtualizzazione di sistema e applicazione
- i meccanismi e gli algoritmi utilizzati nel cloud computing
- le tecnologie per lo storage cloud
- i framework per l’elaborazione dei bigdata
- i problemi di sicurezza informatica e le soluzioni nel cloud computing
Conoscenza e capacità di comprensione applicate:
Al termine del corso, lo studente sarà in grado di
- progettare e implementare un'architettura scalabile e distribuire un'applicazione elastica
- presentare risultati pratici sotto forma di rapporto tecnico
- analizzare e presentare lavori scientifici
- selezionare, configurare ed eseguire servizi cloud utilizzando la GUI e l'API di gestione offerte dai provider IaaS
- progettare e configurare infrastrutture scalabili e applicazioni distribuite elastiche.
- fare scelte progettuali che tengano conto dei problemi di sicurezza informatica
Autonomia di giudizio:
Al termine del corso, lo studente:
- sara’ in grado di valutare e confrontare le tecnologie cloud e i servizi cloud, nonché i framework di elaborazione dei big data
- sara’ in grado di identificare, valutare e confrontare soluzioni all'avanguardia
- rafforzera’ la sua capacità di pensiero critico
Abilità comunicative:
Al termine del corso lo studente:
- sara’ in grado di discutere e trasmettere la propria opinione sulle tecnologie cloud
- sara’ grado di presentare l'analisi di un argomento selezionato a un vasto pubblico
Capacità di apprendere:
Durante il corso, lo studente svilupperà e migliorerà la sua capacità di pensiero critico attraverso lo studio e l'analisi di lavori scientifici e di documentazione tecnica. Inoltre, lo studente migliorerà la sua capacità di integrare informazioni da diverse fonti, ad es. libri, documenti tecnici/scientifici ed esperienze pratiche.
|
6
|
INF/01
|
36
|
24
|
-
|
-
|
Attività formative caratterizzanti
|
ENG |
|
1047200 -
DATA MINING TECHNOLOGY FOR BUSINESS AND SOCIETY
(obiettivi)
The course will present fundamental technologies for advanced data mining
applications. The course will start with presenting the methodologies for storing
and retrieving information on the Web, mining application logs, mining social
media, collaborative filtering and personalization. The course will also present
the basic technlogies for mining geo-spatial data and data produced from
large-scale sensing environments. Applications will include mining of consumer
preferences, computational advertising, online marketplaces, digital marketing
and mining data in physical spaces. As part of the course students will carry on a
field study on a relevant use case for a selected application.
|
6
|
ING-INF/05
|
36
|
24
|
-
|
-
|
Attività formative caratterizzanti
|
ENG |
|
1047214 -
DATA PRIVACY AND SECURITY
|
Erogato in altro semestre o anno
|
|
1047202 -
SIGNAL PROCESSING FOR BIG DATA
|
Erogato in altro semestre o anno
|
|
1056023 -
SMART ENVIRONMENTS
|
Erogato in altro semestre o anno
|
|
10589623 -
COMPUTATIONAL DATA ANALYSIS
|
Erogato in altro semestre o anno
|
|
10589621 -
ADVANCED MACHINE LEARNING
|
Erogato in altro semestre o anno
|
|
|
Gruppo opzionale:
GRUPPO OPZIONALE C - (visualizza)
|
6
|
|
|
|
|
|
|
|
|
1047208 -
STATISTICAL LEARNING
(obiettivi)
Devising new machine learning methods and statistical models is a fun and extremely fruitful “art”. But these powerful tools are not useful unless we understand when they work, and when they fail. The main goal of statistical learning theory is thus to study, in a
statistical framework, the properties of learning algorithms mainly in the form of so-called error bounds.
This course introduces the techniques that are used to obtain such results, combining methodology with theoretical foundations and computational aspects. It treats both the basic principles to design successful learning algorithms and the “science” of analyzing an algorithm’s statistical properties and performance guarantees.
Theorems are presented together with practical aspects of methodology and intuition to help students develop tools for selecting appropriate methods and approaches to problems in their own data analyses.
Methods for a wide variety of applied problems will be explored and implemented on open-source software like R (www.r-project.org), Keras (https://keras.io/) and TensorFlow (https://www.tensorflow.org/).
Knowledge and understanding
On successful completion of this course, students will:
know the main learning methodologies and paradigms with their strengths and weakness;
be able to identify a proper learning model for a given problem;
assess the empirical and theoretical performance of different learning models;
know the main platforms, programming languages and solutions to develop effective implementations.
Applying knowledge and understanding
Besides the understanding of theoretical aspects, thanks to applied homeworks and a final project possibly linked to hackathons or other data analysis competitions, the students will constantly be challenged to use and evaluate modern learning techniques and algorithms.
Making judgements
On successful completion of this course, students will develop a positive critical attitude towards the empirical and theoretical evaluation of statistical learning paradigms and techniques.
Communication skills
In preparing the report and oral presentation for the final project, students will learn how to effectively communicate original ideas, experimental results and the principles behind advanced data analytic techniques in written and oral form. They will also understand how to offer constructive critiques on the presentations of their peers.
Learning skills
In this course the students will develop the skills necessary for a successful understanding as well as development of new learning methodologies together with their effective implementation. The goal is of course to grow a active attitude towards continued learning throughout a professional career.
|
6
|
SECS-S/01
|
36
|
24
|
-
|
-
|
Attività formative caratterizzanti
|
ENG |
|
1047209 -
QUANTITATIVE MODELS FOR ECONOMIC ANALYSIS AND MANAGEMENT
(obiettivi)
General Objectives of the course
The general objectives of the course are:
- Present a general framework for the development of quantitative models for economic analysis and management;
- Provide the basic concepts and a guide to analyse the specialised literature;
- Propose a unified framework on the main methodologies available to compare the productivity and efficiency of Decision Making Units (DMUs);
- Introduce to the relevant roles played by the data for the development of effective quantitative models of socio-economic systems;
- Make an introduction to the main softwares available to implement the quantitative models presented during the course;
- Provide laboratory sessions to implement the quantitative models presented during the course in practice;
- Present several applications in the field of economics and management, including public sector services as potential group project works, to be developed by the students according to their personal interest and background;
- Interact with students through seminars, assisted laboratory, oral presentations and the realization of a project work on real data.
Specific objectives of the course
• KNOWLEDGE AND UNDERSTANDING: DEMONSTRATE THE KNOWLEDGE OF THE BASIC METHODS FOR THE DEVELOPMENT OF QUANTITATIVE MODELS FOR ECONOMIC ANALYSIS AND MANAGEMENT ;
• ABILITY TO APPLY KNOWLEDGE AND UNDERSTANDING: TO BE ABLE TO DEVELOP QUANTITATIVE ECONOMIC MODELS ON THE BASE OF THE KNOWLEDGE AND TECHNIQUES LEARNED DURING THE COURSE;
• JUDGMENT AUTONOMY: TO BE ABLE TO DEVELOP A QUANTITATIVE ECONOMIC MODEL WITH CRITICAL SPIRIT, CHOOSING THE APPROPRIATE METHOD AND CORRECTLY IMPLEMENTING IT.
• COMMUNICATION SKILLS: BEING ABLE TO COMMUNICATE THE RESULTS OF THE ANALYSIS AND ITS INFORMATION TO DIFFERENT TYPES OF INTERLOCUTORS;
• LEARNING SKILLS: TO DEVELOP THE NECESSARY SKILLS TO APPLY AND DEVELOP AUTONOMOUSLY THE METHODS AND MODELS LEARNED DURING THE COURSE.
|
6
|
ING-IND/35
|
36
|
24
|
-
|
-
|
Attività formative caratterizzanti
|
ENG |
|
1041415 -
OPTIMIZATION METHODS FOR MACHINE LEARNING
|
Erogato in altro semestre o anno
|
|
1056087 -
STATISTICS FOR STOCHASTIC PROCESSES
|
Erogato in altro semestre o anno
|
|
|
- -
A SCELTA DELLO STUDENTE
|
6
|
|
36
|
24
|
-
|
-
|
Attività formative a scelta dello studente (art.10, comma 5, lettera a)
|
ITA |
Secondo anno
Primo semestre
|
Insegnamento
|
CFU
|
SSD
|
Ore Lezione
|
Ore Eserc.
|
Ore Lab
|
Ore Studio
|
Attività
|
Lingua
|
|
Gruppo opzionale:
GRUPPO OPZIONALE B - (visualizza)
|
18
|
|
|
|
|
|
|
|
|
1047197 -
DATA MANAGEMENT FOR DATA SCIENCE
|
Erogato in altro semestre o anno
|
|
1047205 -
CLOUD COMPUTING
|
Erogato in altro semestre o anno
|
|
1047200 -
DATA MINING TECHNOLOGY FOR BUSINESS AND SOCIETY
|
Erogato in altro semestre o anno
|
|
1047214 -
DATA PRIVACY AND SECURITY
(obiettivi)
General Objectives
Ensuring the privacy of personal data, and securing the computing infrastructures, are key concerns when collecting and analyzing sensitive data sets. Example of these data sets include medical data, personal communication, personal and company-wide financial information. The course is meant to cover an overview of modern techniques aimed at protecting data privacy and security in such applications.
Specific Objectives
The students will learn the basic cryptographic techniques and their application to obtaining privacy of data in several applications, including cloud computing, statistical databases, distributed computation, and cryptocurrencies.
Knowledge and Understanding
-) Modern cryptographic techniques and their limitations.
-) Techniques for achieving privacy in statistical databases.
-) Techniques for designing cryptographic currencies and distributed ledgers.
-) Techniques for secure distributed multiparty computation.
Applying knowledge and understanding:
-) How to select the right cryptographic scheme for a particular application.
-) How to design a differentially private mechanism.
-) How to program a secure cryptosystem, or a secure smart contract, or a secure cryptographic protocol.
Autonomy of Judgment
The students will be able to judge the security of the main cryptographic applications.
Communication Skills
How to describe the security of cryptographic standards, privacy-preserving statistical databases, and blockchains.
Next Study Abilities
The students interested in research will learn what are the main open challenges in the area, and will obtain the necessary background for a deeper study of the subjects.
|
6
|
INF/01
|
36
|
24
|
-
|
-
|
Attività formative caratterizzanti
|
ENG |
|
1047202 -
SIGNAL PROCESSING FOR BIG DATA
(obiettivi)
This is a methodological course whose objectives are to make the students able to
represent information distributed over a graph and to solve complex optimization
problems in distributed form. The problems concern the extraction of information from
data distributed across various machines and to make inferences about networked
data. These goals are achieved by first teaching the theoretical foundations
necessary to formulate and solve the above problems and then inviting the students to
write Matlab programs implementing the algorithms solving problems of interest.
|
6
|
ING-INF/03
|
36
|
24
|
-
|
-
|
Attività formative caratterizzanti
|
ENG |
|
1056023 -
SMART ENVIRONMENTS
|
Erogato in altro semestre o anno
|
|
10589623 -
COMPUTATIONAL DATA ANALYSIS
(obiettivi)
Obiettivi generali:
Conoscenza dei principali scenari applicativi di interesse nell'analisi di
collezioni di dati di grandi dimensioni.
Conoscenza e comprensione dei principali problemi metodologici e di analisi posti dalla
dimensione crescente dei dati.
Conoscenza delle principali tecniche di soluzione e dei principali strumenti
a disposizione per implementarle.
Comprensione degli aspetti teorici e fondazionali delle principali tecniche per
l'analisi di collezioni di dati di grandi dimensioni
Capacità di tradurre le nozioni acquisite in programmi per la soluzione di problemi
specifici.
Conoscenza delle principali tecniche di valutazione e loro applicazione a scenari specifici.
Obiettivi specifici:
Capacità di:
- individuare le tecniche più adatte a un problema di analisi di dati di grandi dimensioni;
- implementare la soluzione proposta, individuando gli strumenti più adatti a
raggiungere lo scopo tra quelli disponibili;
- progettare e realizzari scenari sperimentali per valutare le soluzioni proposte
in condizioni realistiche;
Conoscenza e comprensione:
- conoscenza dei principali scenari applicativi;
- conoscenza delle principali tecniche di analisi;
- comprensione dei presupposti teorici e metodologici alla base delle tecniche principali
- conoscenza e comprensione delle principali tecniche e indici di valutazione
delle prestazioni
Applicare conoscenza e comprensione:
- essere in grado di tradurre esigenze applicative in problemi concreti di analisi
dei dati;
- essere in grado di identificare gli aspetti del problema, se presenti, che potrebbero rendere
la dimensione (o dimensionalità) dei dati un fattore critico;
- essere in grado di individuare le tecniche e gli strumenti più adatti alla soluzione dei
problemi concreti di cui sopra;
- essere in grado di stimare a priori, almeno qualitativamente, la scalabilità delle
soluzioni proposte;
Capacità critiche e di giudizio:
Essere in grado di valutare, anche sperimentalmente, l'efficacia, l'efficienza e la scalabilità
delle soluzioni proposte
Capacità comunicative:
Essere in grado di descrivere in modo efficace le specifiche di un
problema e di comunicare ad altri le scelte adottate e le motivazioni sottostanti a
tali scelte.
Capacità di apprendimento:
Il corso consentirà lo sviluppo di capacità di approfondimento autonomo
su argomenti del corso o ad essi correlati. Metterà lo studente nelle condizioni
di individuare e consultare in modo critico manuali avanzati o letteratura scientifica
per affrontare scenari nuovi oppure per applicare tecniche alternative a scenari noti.
|
6
|
ING-INF/05
|
36
|
24
|
-
|
-
|
Attività formative caratterizzanti
|
ENG |
|
10589621 -
ADVANCED MACHINE LEARNING
(obiettivi)
General objectives:
The course will present to students advanced and most recent concepts of machine learning and their application in computer vision via deep neural network (DNN) models. It will include theory and practical coding, as well as a final hands-on project. Towards the coding assignments and the final project, the students will work in teams and present their ideas and project outcome to the class.
Specific objectives
The first part of the course includes delving into state-of-the-art DNN models for classification and regression applied to detection (where the objects are in the image), pose estimation (whether people stand, sit or crunch) and re-identification (estimating a unique vector representation for each person). The course further discusses DNNs for multi-task objectives (joint detection, pose estimation, re-identification, segmentation, depth estimation etc). This first part would include DNNs which apply to video sequences, by leveraging memory (e.g. LSTMs) or attention (Transformers).
The second part of the course delves into models, training techniques and data manipulation for generalization, domain adaptation and meta-learning. Further to transfer learning (how pre-trained models may be deployed for other tasks), it discusses multi-modal (with different sensor modalities such as depth or thermal cameras) and self-supervision (e.g. training the DNN model by solving jigsaw puzzles) to auto-annotate large amounts of data. Finally, it presents domain adaptation (e.g. apply daytime-detectors for night vision) and meta-learning, a most recent framework to learn how to learn a task, e.g. online or from little available data.
Knowledge and understanding:
At the end of the course students will be familiar with state-of-the-art DNN models for multiple tasks and multi-task objectives, as well as generalization and the effective use of labelled and unlabelled data for learning, self-supervision and meta-learning.
Apply knowledge and understanding:
At the end of the course students will have become familiar with the most recent advances in machine learning across a variety of tasks, their adaptation to novel domains and the continual self-learning of algorithms. They will be able to explain the algorithms and choose the most appropriate techniques for a given problem. They will be able to experiment with existing implementations and design and write programs for new solutions for a given task or problem in the two fields.
Critical and judgment skills:
Students will be able to analyse a problem or task and identify the most suitable methodologies and techniques to apply in terms of the effective resolution of the problem (accuracy) and its feasibility, including the efficiency, the required amount of data and annotation. Further to class discussions, critical and judgemental skills would be the result of assignments, a course project and a final project report.
Communication skills:
Students will acquire the ability to expose their knowledge in a clear and organized way, which will be verified through a final project presentation and its discussion.
Students will be able to express their solutions rigorously and to explain the structure of the code they have written.
Learning ability:
The acquired knowledge will enable students to face the study of other problems in machine learning and computer vision. Learning ability would result from the chosen lecture topics, covering most broad areas in advanced machine learning, as well as from the final project, for which students would deep dive into a new topic, beyond the thought material.
|
6
|
INF/01
|
36
|
24
|
-
|
-
|
Attività formative caratterizzanti
|
ENG |
|
|
Gruppo opzionale:
GRUPPO OPZIONALE C - (visualizza)
|
6
|
|
|
|
|
|
|
|
|
1047208 -
STATISTICAL LEARNING
|
Erogato in altro semestre o anno
|
|
1047209 -
QUANTITATIVE MODELS FOR ECONOMIC ANALYSIS AND MANAGEMENT
|
Erogato in altro semestre o anno
|
|
1041415 -
OPTIMIZATION METHODS FOR MACHINE LEARNING
(obiettivi)
Knowledge and understanding
The aim of the course is to introduce students to the application of optimization techniques to training problems arising in machine learning. Students are expected to gain insight into standard models in Machine Learning (Deep Networks and Support Vector Machines) and into more recent optimization algorithms for determining the parameters (training) of such models that best fit to the available data.
Applying knowledge and understanding
By the end of the course, students should be able to select the correct model for the problem at hand and either to use standard software specialized to the application and/or to develop their own optimization algorithm.
modelli di apprendimento automatico applicati ai casi studio in apprendimento automatico.
Making judgements
Lectures, practical exercises and project sessions will provide students with the ability to assess the main strengths and weaknesses of the different machine learning models applied to case studies in machine learning.
Communication
By the end of the course, students are able to point out the main features of a machine learning problem and explain techniques for its solution both with a specialized and a non-specialized audience. These abilities are tested and evaluated in the projects developed in small groups thus encouraging team building and a proactive learning process coupling with collaborative learning. These abilities can also be checked in the final oral exam.
Lifelong learning skills
Students are expected to develop those learning skills necessary to undertake additional studies on the relevant topics with a high degree of autonomy. During the classes, students are encouraged to work on projects into small groups thus stimulating student activity and engagement. They are pushed to consult supplementary research publications and internet sites to exploit tricks and detailed choices needed to accomplish the tasks effectively. These capabilities are tested and evaluated in the development of the final reports of the projects where students have to discuss the main issues of the addressed problems and their choices to overcome the difficulties, based on the topics and material covered in class.
|
6
|
MAT/09
|
36
|
24
|
-
|
-
|
Attività formative caratterizzanti
|
ENG |
|
1056087 -
STATISTICS FOR STOCHASTIC PROCESSES
|
Erogato in altro semestre o anno
|
|
|
Gruppo opzionale:
GRUPPO OPZIONALE D - (visualizza)
|
12
|
|
|
|
|
|
|
|
|
1056085 -
BIG DATA FOR OFFICIAL STATISTICS
(obiettivi)
What subset of Big Data can be used in the ambit of Official Statistics and what domains of Official Statistics can be enriched through the availability of new data sources.
How new data sources can be used in Official Statistics, by taking into account challenges, needs and risks in this exercise.
Definition of the role of Big Data in the context of Official Statistics.
How to frame the measurement of social, demographic and economic phenomena through Big Data by considering challenges, needs and risks.
|
6
|
SECS-S/05
|
36
|
24
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
1047218 -
EARTH OBSERVATION DATA ANALYSIS
|
Erogato in altro semestre o anno
|
|
1056129 -
DATA DRIVEN ECONOMICS
|
Erogato in altro semestre o anno
|
|
1047222 -
EFFICIENCY AND PRODUCTIVITY ANALYSIS
|
Erogato in altro semestre o anno
|
|
10589627 -
NEURAL NETWORKS FOR DATA SCIENCE APPLICATIONS
(obiettivi)
Il corso introduce le reti neurali nel contesto delle applicazioni legate al mondo della data science. Dopo un riepilogo dei concetti teorici di base, verranno introdotte alcune delle tecniche ed algoritmi sviluppati negli ultimi anni sotto il nome di “deep learning”, che hanno permesso di applicare con successo le reti neurali a problemi come la computer vision ed il natural language processing. A tal fine saranno introdotte prima le reti convolutive (per l’analisi di immagini), ed in seguito le reti ricorrenti per processare sequenze di dati ed affrontare problemi cosiddetti di ‘sequence to sequence’ (es., traduzione automatica). Ciascun argomento del corso sarà seguito da un laboratorio pratico in cui i concetti saranno sviluppati su casi d’uso concreti tramite l’utilizzo della libreria TensorFlow, rilasciata da Google in open source due anni fa.
Risultati di apprendimento attesi:
Gli studenti acquisiranno la capacità di sviluppare ed implementare tecniche di apprendimento automatiche (basate sulle reti neurali) per numerosi scenari applicativi, fra cui il riconoscimento di immagini e l’analisi del testo). Inoltre, gli studenti acquisiranno i concetti chiave che gli permetteranno di avvicinarsi a sotto-campi più avanzati in autonomia, come la neural machine translation. A livello pratico, gli studenti impareranno ad utilizzare le più recenti librerie per il deep learning, in particolare con l’utilizzo di TensorFlow (rilasciata da Google).
|
6
|
ING-IND/31
|
36
|
-
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
10589730 -
GEOMATICS AND GEOINFORMATION
|
Erogato in altro semestre o anno
|
|
10593052 -
BIOINFORMATICS AND NETWORK MEDICINE
(obiettivi)
General objectives. The general objectives of the course are: i) to provide students with a hands-on experience with basic biological concepts and common bioinformatics tools and databases; ii) to introduce students to the on-the-field application of networks in biology and medicine.
Specific objectives. Students are expected to acquire basic biology knowledge and skills, to understand the role of networks in the study of physiological mechanisms and diseases; to understand how to use network medicine algorithms and procedures.
Knowledge and understanding. The course will include theory and hands-on projects. Students will be trained in the basic theory and application of programs used for database searching, biological network inference and analysis.
Apply knowledge and understanding. At the end of the course students will have become familiar with basic biological concepts and bioinformatics databases and tools. Furthermore, on successful completion of this course, students will understand the use of networks as a paradigm for disease expression and course.
Critical and judgment skills. At the end of the course, students will be able to critically analyse the results of their analysis.
Communication skills. The students will be required to produce reports describing the hands-on projects with specific sections for the description of the obtained results and their discussion.
Learning ability. The projects will be developed in small groups encouraging team building. All the acquired abilities will be checked in a final oral exam during which a good division of teamwork will be rewarded.
|
6
|
ING-INF/06
|
36
|
24
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
10593053 -
DIGITAL EPIDEMIOLOGY AND PRECISION MEDICINE
(obiettivi)
General objectives. Digital data sources and digital traces of human behaviour have the potential to provide local and timely information about disease and health dynamics at the population level. The general aim of the course is to introduce students to the analysis of epidemiological and omics data and to the use of computational approaches for medical/clinical purposes.
Specific objectives. The course consists of two modules. The first module will deal with the opportunities and challenges of mining digital data sources for epidemiological and public health signals and will provide an overview of the state of the art of this emerging field. The second module will focus on “precision medicine”, an emerging approach for disease treatment and prevention that takes into account individual variability in genes, environment, and lifestyle for each person. With the second module, the students are expected to acquire basic biology knowledge and skills and to become familiar with the analysis and integration of omics data.
Knowledge and understanding. The course will include theory and hands-on lectures. Students will be trained in the basic theory for the identification of gene interactions and in the use of network science.
Apply knowledge and understanding. At the end of the course students will have become familiar with basic biological concepts, with the analysis of omics and epidemiological data and with the use of networks for the investigation of infectious disease dynamics and disease etiology, diagnosis, and treatment.
Critical and judgment skills. At the end of the course, students will be able to critically analyse the results of their analysis.
Communication skills. The students will be required to produce reports describing hands-on projects with specific sections for the description of the obtained results and their discussion.
Learning ability. The projects will be developed in small groups encouraging team building.
|
6
|
ING-INF/06
|
36
|
24
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
|
- -
A SCELTA DELLO STUDENTE
|
6
|
|
36
|
24
|
-
|
-
|
Attività formative a scelta dello studente (art.10, comma 5, lettera a)
|
ITA |
Secondo semestre
|
Insegnamento
|
CFU
|
SSD
|
Ore Lezione
|
Ore Eserc.
|
Ore Lab
|
Ore Studio
|
Attività
|
Lingua
|
|
Gruppo opzionale:
GRUPPO OPZIONALE D - (visualizza)
|
12
|
|
|
|
|
|
|
|
|
1056085 -
BIG DATA FOR OFFICIAL STATISTICS
|
Erogato in altro semestre o anno
|
|
1047218 -
EARTH OBSERVATION DATA ANALYSIS
(obiettivi)
The module aims at providing a general background on the remote sensing
systems for Earth Observation from space‐borne platforms and on data
processing techniques. It describes, using a system approach, the characteristics
of the system to be specified to fulfil the final user requirements in different
domains of application. Remote sensing basics and simple wave‐interaction
models useful for data interpretation are reviewed together with technical
principles of the main remote sensors. The course also provides an overview
of the most important applications and bio‐geophysical parameters (of the
atmosphere, the ocean and the land) which can be retrieved. The most important
techniques for data processing and product generation, also by proposing
practical exercises using the computer, are analysed together with an overview
of the main Earth Observation satellite missions and the products they provide to
the final user.
|
6
|
ING-INF/02
|
36
|
24
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
1056129 -
DATA DRIVEN ECONOMICS
(obiettivi)
A first objective of the course is to provide a basic toolbox for the analysis of agent
and group interaction under uncertainty and asymmetric information, and its main
consequences on markets enabled from large-scale digital platforms.
A second objective of the course will be to provide the basic methods
for the use of big data for estimating relevant economic indices.
The active participation of students will be stimulated with game-theoretic
examples, presentations, simple experiments, case-studies and projects
involving the use of real-world data.
|
6
|
SECS-P/02
|
36
|
24
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
1047222 -
EFFICIENCY AND PRODUCTIVITY ANALYSIS
(obiettivi)
This course has the target of providing the students with the modern techniques of measuring quantitatively advanced topics in economic statistics. In particular our focus will be on three main interrelated directions: 1) the analysis of production and efficiency, specifically in the private but also in the public sectors, 2) economic dynamics of sectorial systems founded on micro data, 3) growth, ICT and technology in the modern economy.
This course uses statistical methods, both stochastic and deterministic, to analyze topics such as productivity, efficiency and growth at micro, sectorial, and for coherence at macro level. We first take into exam data from firms that will be useful for the mentioned three-levels study, then, as regards the efficiency analysis of productive units, such data will be employed in order to evaluate mergers and acquisitions of plants and firms and management of productive factors. Efficiency will be evaluated from the sides of costs, profits and revenues. As for the sectorial analysis, static and dynamic models will be considered to allow for forecasts and simulations in each sector for variables like production, labour, capital, raw materials, prices and capital gains. As a consequence, an aggregate analysis on the production, growth and prices will follow. We also deal with ICT and technical progress in the production process considering how and if the associated externalities are effective. We will use the following techniques for data analysis: accounting rules for the database, panel data econometrics, time series analysis for systems of equations, methods for differential equation systems. Topics on private and also public sectors will contribute to explain the relationship between economic structure and the actual crisis. Specifically, lectures also include the examinations of cases study concerning the efficiency and productivity analysis on the recent patterns of the banking sector in the international context.
|
6
|
SECS-S/03
|
36
|
24
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
10589627 -
NEURAL NETWORKS FOR DATA SCIENCE APPLICATIONS
|
Erogato in altro semestre o anno
|
|
10589730 -
GEOMATICS AND GEOINFORMATION
(obiettivi)
The course finds its motivation in the great availability and relevance of geospatial data (in particular big data), and it aims to provide the fundamentals on the main methodologies and techniques currently available for their acquisition, verification, analysis, storage and sharing.
In fact, the vast majority (a percentage close to 80%) of the currently available data has a geographical connotation, is intrinsically linked to a position; they are therefore named geospatial data. Furthermore, the ever-increasing availability of sensors capable of acquiring geospatial data, allowing the acquisition of larger and larger amounts of data, raises several important issues related to the correct, efficient and effective use of these geospatial big data.
Special attention is given to data coming from Global Navigation Satellite Systems (GNSS), Photogrammetry and Remote Sensing, Volunteered Geographic Information (VGI) and crowdsourcing, both regarding their analysis and management with freely available software and cloud-based platforms for planetary-scale environmental data analysis (Google Earth Engine).
Knowledge and understanding
Students who have passed the exam will know the fundamentals on the main methodologies and techniques currently available for geospatial data acquisition, verification, analysis, storage and sharing, with focus on Global Navigation Satellite Systems (GNSS), Photogrammetry and Remote Sensing, and cloud-based platforms for planetary-scale environmental data analysis (Google Earth Engine), being also aware of the relevant resources represented by Volunteered Geographic Information (VGI) and crowdsourcing
Applying knowledge and understanding
Students who have passed the exam will be able to plan and manage the acquisition, verification, analysis, storage and sharing of geospatial data necessary to solve interdisciplinary problems, using Global Navigation Satellite Systems (GNSS), Photogrammetry and Remote Sensing, and cloud-based platforms for planetary-scale environmental data analysis (Google Earth Engine), being also aware of the relevant additional contributions which can be supplied by Volunteered Geographic Information (VGI) and crowdsourcing
Making judgment
Students will acquire autonomy of judgment thanks to the skills developed during the execution of the numerical and practical exercises that will be proposed on three main topics of the course (Global Navigation Satellite Systems, Photogrammetry and Remote Sensing, Google Earth Engine)
Learning skills
The acquisition of basic methodological skills on the topics covered, together with state-of-the-art operational skills, favors the development of autonomous learning skills by the student, allowing continuous, autonomous and thorough updating.
|
6
|
ICAR/06
|
36
|
24
|
-
|
-
|
Attività formative affini ed integrative
|
ENG |
|
10593052 -
BIOINFORMATICS AND NETWORK MEDICINE
|
Erogato in altro semestre o anno
|
|
10593053 -
DIGITAL EPIDEMIOLOGY AND PRECISION MEDICINE
|
Erogato in altro semestre o anno
|
|
|
Gruppo opzionale:
GRUPPO OPZIONALE B - (visualizza)
|
18
|
|
|
|
|
|
|
|
|
1047197 -
DATA MANAGEMENT FOR DATA SCIENCE
|
Erogato in altro semestre o anno
|
|
1047205 -
CLOUD COMPUTING
|
Erogato in altro semestre o anno
|
|
1047200 -
DATA MINING TECHNOLOGY FOR BUSINESS AND SOCIETY
|
Erogato in altro semestre o anno
|
|
1047214 -
DATA PRIVACY AND SECURITY
|
Erogato in altro semestre o anno
|
|
1047202 -
SIGNAL PROCESSING FOR BIG DATA
|
Erogato in altro semestre o anno
|
|
1056023 -
SMART ENVIRONMENTS
(obiettivi)
Goal of this course is to provide an overview of the large world of wireless and wired technologies that are will be used for the Smart Environments. These technologies will be able to provide infrastructures of networks and digital information used in the urban spaces and smart environments to build advanced applications.
Recent advances in areas like pervasive computing, machine learning, wireless and sensor networking enable various smart environment applications in everyday life. The main goal of this course is to present and discuss recent advances in the area of the Internet of Things, in particular on technologies, architectures, algorithms and protocols for smart environments with emphasis on real smart environment applications. The course will present the communication and networking aspects as well as the processing of data to be used for the application design. The course will propose two cases studies in the field of smart environments: Vehicular Traffic monitoring for ITS applications and Network cartography. In both cases instruments, models and methodologies for the design of smart environments applications will be provided.
|
6
|
ING-INF/03
|
36
|
24
|
-
|
-
|
Attività formative caratterizzanti
|
ENG |
|
10589623 -
COMPUTATIONAL DATA ANALYSIS
|
Erogato in altro semestre o anno
|
|
10589621 -
ADVANCED MACHINE LEARNING
|
Erogato in altro semestre o anno
|
|
|
Gruppo opzionale:
GRUPPO OPZIONALE C - (visualizza)
|
6
|
|
|
|
|
|
|
|
|
1047208 -
STATISTICAL LEARNING
|
Erogato in altro semestre o anno
|
|
1047209 -
QUANTITATIVE MODELS FOR ECONOMIC ANALYSIS AND MANAGEMENT
|
Erogato in altro semestre o anno
|
|
1041415 -
OPTIMIZATION METHODS FOR MACHINE LEARNING
|
Erogato in altro semestre o anno
|
|
1056087 -
STATISTICS FOR STOCHASTIC PROCESSES
(obiettivi)
Lo scopo principale del corso è quello di insegnare le più popolari metodologie di inferenza non parametrica, soprattutto da un punto di vista bayesiano.
Lo studente, alla fine del corso, sarà in grado di utilizzare processi di Dirichlet e loro ramificazioni nei più consueti contesti inferenziali di data science
|
6
|
SECS-S/01
|
36
|
24
|
-
|
-
|
Attività formative caratterizzanti
|
ENG |
|
|
AAF1149 -
altre conoscenze utili per l'inserimento nel mondo del lavoro
(obiettivi)
The specific aim is to enable the student to assist him with the more specific knowledge for inclusion in the future world of work.
|
3
|
|
-
|
-
|
-
|
-
|
Ulteriori attività formative (art.10, comma 5, lettera d)
|
ITA |
|
AAF1022 -
PROVA FINALE
(obiettivi)
The student will present and discuss the results of a technical activity, producing a written thesis supervised by a professor and showing the ability to master the methodologies of data science
|
24
|
|
-
|
-
|
-
|
-
|
Per la prova finale e la lingua straniera (art.10, comma 5, lettera c)
|
ITA |
