Master di I Livello in Analisi e Modellazione dei Dati e dei Processi: Metodi e Modelli - AMDP

Nell'odierna società della conoscenza i dati e la capacità di analizzarli per estrarre da essi informazione e conoscenza assumono una importanza strategica per il successo di una qualsiasi organizzazione, sia pubblica che privata.

Questo Master, formando la figura del business e data analyst, intende fornire al discente le conoscenze e le competenze necessarie per modellare e analizzare i dati di interesse di una organizzazione e i processi che ne regolano il funzionamento e dai quali i dati originano. La capacità di modellare e analizzare dati di varia natura e dimensione (mediante tecniche di text mining, social network analysis e machine learning) consentirà al discente, da un lato, di conoscere i dati in gioco nella realtà in esame, le relative modalità di archiviazione e trattamento degli stessi, e dall'altro, di individuare correlazioni, pattern interpretativi e indici statistici utili all'estrazione di informazione e conoscenza utili per l'organizzazione.


Costo La quota integrale di iscrizione al Master è stabilita in €1.600,00 frazionabili in 3 rate di cui la prima di €600,00 all'atto dell'iscrizione e le successive, di €500,00 cadauna, a 30 gg e 60 gg dalla data di iscrizione.

Il master si articola nei seguenti 11 moduli formativi:

Modulo I. Analisi e modellazione di processi di business, SSD ING-INF/05 - 4 CFU
Docente: Prof.ssa Marta Cimitile

Obiettivi formativi: Il modulo intende fornire al discente la base di conoscenze e metodi necessari per la modellazione, la simulazione e l'analisi di modelli di business. Le lezioni contengono nozioni teoriche e pratiche (alcuni dei principali tool attualmente disponibili per la modellazione e l'analisi dei processi sono presentati durante il corso). Inoltre, sono mostrati esempi di modellazione e analisi di processi reali.

Argomenti trattati: Modellazione di Processi di Business; Data Flow Diagram; BPMN; UML per la modellazione dei processi; Process Mining.Software utilizzati nelle esercitazioni: Disco


Modulo II. Progettazione, implementazione e gestione di basi di dati, SSD INF/01 - 4 CFU
Docente: Prof. Damiano Distante

Obiettivi formativi: Il modulo fornisce al discente conoscenze sulle metodologie e i modelli per la progettazione di basi di dati relazionali, sul linguaggio SQL sia per la definizione che per la manipolazione dei dati, e sui DBMS per la realizzazione e gestione di basi di dati. Il modulo fornisce inoltre nozioni di base e una panoramica sui database NoSQL.

Argomenti trattati: Sistemi informativi, Basi di dati e DBMS; Il processo di progettazione di una base di dati; Il modello Entità-Relazione; La progettazione concettuale; Il modello relazionale; La progettazione logica; Il linguaggio SQL per la definizione dei dati; Il linguaggio SQL per la manipolazione dei dati; I database NoSQL.Linguaggi e DBMS di riferimento: SQL, MySQL, Oracle


Modulo III.Open Data, SSD ING-INF/05 - 4 CFU
Docente: Prof.ssa Marta Cimitile

Obiettivi formativi: Il modulo intende fornire al discente la base di conoscenze e metodi necessari per la raccolta, la gestione e l';analisi degli Open Data. Le lezioni sono di tipo teorico e pratico. I contenuti del Corso sono inoltre approfonditi con casi di studio e esempi di applicazioni di Open Data in contesti reali. 

Argomenti trattati: Introduzione agli Open Data; I portali Open Data; La sostenibilità dei portali Open Data; La scala di Berners Lee; Open Source vs Open Data; Linked Open Data; Semantic Web.


Modulo IV. Analisi statistica dei dati - Inferenza statistica, SSD SECS-S/01 - 4 CFU 
Docente: Prof. Pasquale Sarnacchiaro

Obiettivi formativi: Il modulo si propone di fornire le basi concettuali e operative del ragionamento statistico. In particolare, esso prevede un'introduzione all'analisi statistica dei dati, l'esposizione delle nozioni del calcolo delle probabilità e dell'inferenza statistica evidenziando l'utilità delle tecniche statistiche per l'analisi empirica 

Argomenti trattati: Probabilità concetti di base; Principali teoremi sulle probabilità; Variabili casuali discrete; Variabili casuali continue; Distribuzioni e campionamento; Principali metodi di campionamento; Teoria della stima; Intervalli di confidenza; Determinazione della numerosità campionaria; Test d'ipotesi per medie; Test d'ipotesi per varianze; Test d'ipotesi per proporzioni Linguaggi e software utilizzati nelle esercitazioni: R, RStudi.
 

Modulo V. Analisi statistica dei dati - Analisi statistica multivariata, SSD SECS-S/01 - 4 CFU 
Docente: Prof. Carlo Cavicchia

Obiettivi formativi: Lo scopo del modulo & egrave; quello di sviluppare nello studente le abilità necessarie per l'analisi di sistemi complessi di dati e per la successiva interpretazione dei risultati ottenuti. Al termine del corso, lo studente avrà acquisito nozioni e tecniche necessarie all'analisi di dati di grandi dimensioni (big data) tramite tecniche di riduzioni dimensionale, modelli a variabili latenti e analisi dei gruppi. Il corso prevede l'utilizzo del software R (e la sua interfaccia Rstudio) per l'applicazione delle tecniche e dei modelli trattati.

Argomenti trattati: Richiami di statistica e correlazione, Analisi delle componenti principali, determinazione delle componenti principali, rappresentazioni grafiche dell'analisi in componenti principali, modelli fattoriali, differenze tra l';analisi delle componenti principali e l';analisi fattoriale, cluster analysis: metodi gerarchici, metodi non gerarchici, uso congiunto di analisi delle componenti principali e cluster analysis. Linguaggi e software utilizzati nelle esercitazioni: R, RStudio

 
Modulo VI. Analisi statistica dei dati - Modelli statistici di regressione, SSD SECS-S/01 - 4 CFU
Docente: Dott.ssa Giorgia Zaccaria

Obiettivi formativi: Il modulo mira ad approfondire teoria e applicazioni dei modelli di regressione con particolare riferimento ai modelli lineari. Sono trattati modelli per dati continui e binari.

Argomenti trattati: Regressione lineare semplice: introduzione e stima dei parametri, intervalli di confidenza, test d'ipotesi e bontà di adattamento del modello; Regressione lineare multipla: introduzione e stima dei parametri, proprietà degli stimatori e bontà dipag 9adattamento del modello, test d'ipotesi, predittori qualitativi e analisi dei residui; Regressione logistica: introduzione e stima dei parametri.Linguaggi e software utilizzati nelle esercitazioni: R, RStudio


Modulo VII. Analisi di dati testuali, SSD INF/01 - 4 CFU
Docente: Dott. Marco Cascio

Obiettivi formativi: Il modulo fornisce al discente le conoscenze di base sull'elaborazione automatica dei testi. In questo modulo sono introdotte le principali applicazioni e sono forniti gli strumenti teorici e metodologici di base per la comprensione e la realizzazione sia di modelli linguistici sia di espressioni regolari. Infine, sono trattate applicazioni avanzate quale l'analisi del sentimento per aspetti e dove verranno mostrate le molteplici criticità dell'intero flusso di elaborazione.

Argomenti trattati: Testi digitali; Analisi dei testi; Elementi di calcolo delle probabilità; Occorrenze, Co-occorrenze, Collocazioni; Modelli linguistici; Smoothing; Esercizi su Modelli Linguistici; Espressioni Regolari; Analisi del Sentimento; Analisi del Sentimento per aspetti.


Modulo VIII. Analisi di reti sociali, SSD INF/01 - 4 CFU
Docente: Dott. Marco Cascio

Obiettivi formativi: Il modulo intende fornire al discente le conoscenze di base sull'analisi delle reti sociali. Saranno introdotte quindi le principali applicazioni e verranno forniti gli strumenti teorici e metodologici di base per la comprensione e la realizzazione di esperimenti che anche grazie al supporto di tool allo stato dell'arte permetteranno al discente di sviluppare una piena consapevolezza sui limiti e le potenzialità dettati dalla disciplina. Il modulo prevede oltre alle videolezioni delle e-tivity rivolte alla sperimentazione diretta delle metodologie.

Argomenti trattati: Introduzione alle reti sociali; Definizioni; Misure sulle reti sociali; Il software Pajek; Reti sociali con Pajek; Graph Database.Software utilizzati nelle esercitazioni: Pajek


Modulo IX. Machine Learning e Big Data, SSD SECS-S/06 - 4 CFU
Docente: Prof.ssa Rosella Castellano

Obiettivi formativi: Il modulo ha come obiettivo quello di discutere i principali modelli quantitativi utilizzati per l';analisi e la classificazione dei Big Data. In particolare, tali modelli non saranno discussi solo per via teorica, ma anche attraverso applicazioni pratiche di Machine Learning con il software open source WEKA.

Argomenti trattati: Introduzione. Concetti Essenziali: cosa si intende per advanced analytics; focus on predictive; dizionario e terminologia. I Modelli Predittivi: regressione lineare e logistica; reti neurali; alberi decisionali; ensemble modeling; algoritmi di clustering. Metodi per la valutazione delle performance dei modelli. Il processo di costruzione del modello.pag 10Software utilizzati nelle esercitazioni: Weka.


Modulo IX bis. Laboratorio di Machine Learning con Python (SSD INF/01) Lezioni a cura di: Dott. Lorenzo Madeddu

Obiettivi formativi: A fine laboratorio lo studente sarà in grado di applicare, utilizzando il linguaggio e le librerie Python, i modelli di Machine Learning più popolari, comprendendone la costruzione, valutazione e interpretazione. Inoltre, i numerosi esempi pratici offriranno gli strumenti per comprendere ed affrontare problematiche dei dataset reali come, ad esempio, casistiche di dati sbilanciati o sparsi.

Argomenti trattati: Richiami sui concetti base di Python. Uso di librerie di analisi dati: Numpy e Pandas. Esempi pratici e interattivi di Data Visualization con la libreria Plotly. Uso pratico di Scikit-Learn per sviluppare modelli predittivi supervisionati e non, quali: regressione lineare, regressione logistica, naive bayes, support vector machine, alberi di decisione, random forest, boosting, reti neurali e k-means. Tecniche di valutazione di un modello predittivo come, ad esempio, Precision, Recall, AUROC, AUPRC e K-Cross Fold-Validation. Introduzione all'interpretazione dei modelli "white box" per individuare, ad esempio, le feature più importanti per un determinato modello.Linguaggi e software utilizzati: Python, Anaconda, Jupyter, librerie Python per il machine learning.


Modulo X. I dati personali: Profili normativi di tutela e sicurezza, SSD IUS/01 - 4 CFU
Docente: Dott.ssa Fabiola Orlandi

Obiettivi formativi: In questo modulo formativi si discutono i profili normativi di tutela e sicurezza dei dati personali, prendendo in esame la più recente normativa in materia.

Argomenti trattati: Banche dati e normativa europea; La nozione di Open Data; I diritti fondamentali; La protezione dei dati personali; Il d.lgs. 30 giugno 2003, n. 196; La responsabilità per illecito trattamento dei dati personali; Il Garante per la protezione dei dati personali; Il Regolamento UE n. 679/2016; Il decreto legislativo n. 101 del 2018; Cyber security e protezione dei dati personali.

Il Master si rivolge a dirigenti e funzionari pubblici; operatori e responsabili dei sistemi informativi e dei centri elaborazione dati; responsabili della comunicazione e del marketing; responsabili del controllo dei processi e delle procedure; laureati in discipline tecnico-scientifiche interessati a specializzarsi nell'analisi e modellazione dei dati e dei processi.

Requisiti di accesso:

Possono accedere al master coloro che sono in possesso di:
i. Laurea conseguita ai sensi del DM n. 270/2004;
ii. Laurea conseguita ai sensi del DM n. 509/1999;
iii. Laurea conseguita secondo gli ordinamenti previgenti;
iv. Titolo rilasciato all'estero, riconosciuto idoneo dalla normativa vigente.