Area: Big Data Mining

Docenti: Aziende partner

Descrizione:
Questo modulo introduce nozioni della teria dei grafi per analizzare grandi reti socio-economiche. L'analisi poi ci condurrà alla descrizione della modellazione di vari fenomeni e alla corretta definizione di benchmarks con l'uso di un approaccio ispirato alla fisica statistica classica.

Area: Generico

Docenti: Monreale Anna , Sîrbu Alina , Prencipe Giuseppe

Tutor: Pratesi Francesca , Milli Letizia , Pellungrini Roberto

Descrizione:
Il modulo ha l'obiettivo di allineare le competenze informatiche ed analitiche di base degli studenti, in particolare in materia di basi di dati, di analisi statistica ed esplorativa dei dati e di linguaggi di programmazione.

Strumenti e Tecniche:

• SQL,
• Microsoft
• SQL
• Server,
• Python,
• Excel

Area: Big Data Ethics

Docenti: Monreale Anna , Ruggieri Salvatore , Comandè Giovanni

Descrizione:
Il modulo si propone di introdurre le nozioni etico-legali di privacy, anonimato, trasparenza e discriminazione, anche in riferimento al quadro normativo comunitario e alla sua evoluzione in corso. Saranno mostrati i modelli e le tecnologie di privacy-by-design e di difesa dei diritti degli utenti, che permettono l'analisi di Big Data nel rispetto del diritto alla protezione dei dati personali, alla trasparenza e al trattamento non discriminatorio.

Strumenti e Tecniche:

• Software
• scientifico
• per
• la
• sanitizzazione
• di
• dataset
• rispetto
• a
• modelli
• di
• privacy
• e
• di
• fairness.

Competenze:

Lo studente acquisirà conoscenze sulle principali nozioni etico-legali di privacy, anonimato, trasparenza e discriminazione. Inoltre, imparerà come si può progettare un processo analitico per big data rispettando il diritto alla protezione dei dati personali, alla trasparenza e al trattamento non-discriminatorio. Lo studente saprà valutare il trade-off tra l’impatto etico-sociale-legale nell’adozione di talune tecnologie rispetto al vantaggio che ne deriva.

Area: Big Data for Business

Docenti: Aziende partner

Descrizione:
Il modulo prevede attività seminariali che riportano esperienze e casi di studio/uso di Big Data analytics e Social Mining da parte del laboratorio SoBigData.eu e delle aziende ed istituzioni partner del Master.

Area: Big Data for Social Good

Docenti: Aziende partner

Descrizione:
Il modulo prevede attività seminariali che riportano esperienze e casi di studio/uso di Big Data analytics e Social Mining da parte del laboratorio SoBigData.eu e delle aziende ed istituzioni partner del Master.

Area: Big Data Sensing & Procurement

Docenti: Cresci Stefano

Tutor: Nizzoli Leonardo

Descrizione:
Il modulo presenta le tecniche di acquisizione di big data dalle principali sorgenti ad oggi disponibili, incluso dati telefonici, dati di navigazione satellitare, dati di acquisto e di consumo e dati da social media e social networks, open data e dati amministrativi, dati da sensori personali e ambientali. Vengono anche discusse le modalità partecipative di raccolta dei  dati attraverso sistemi di crowdsourcing and crowdsensing come i giochi con scopo e le campagne virali.

Strumenti e Tecniche:

• Le
• principali
• tecniche
• che
• si
• affronteranno
• riguardano
• la
• gestione
• di
• grandi
• quantità
• di
• dati,
• come
• ad
• esempio
• le
• tecniche
• di
• “data
• cleaning”
• utilizzate
• per
• migliorare
• la
• qualità
• dei
• dati.
• Saranno
• inoltre
• presentati
• metodi
• per
• raccogliere
• dati
• da
• Web
• in
• modo
• mirato
• e
• saranno
• mostrate
• le
• più
• comuni
• API
• per
• accedere
• alle
• informazioni
• presenti
• sui
• Social
• Media.

Competenze:

Il corso ha l’obiettivo di fornire le competenze di base per la creazione e la gestione di grandi quantità di dati. Si acquisiranno i concetti fondamentali sulla qualità dei dati, data cleaning e tool di raffinamento dei dati. Inoltre saranno svolte delle esercitazioni pratiche per interrogare le API esposte dai più comuni Social Media tramite linguaggi di scripting come PHP.

Area: Big Data for Business

Docenti: Piccaluga Andrea , Di Minin Alberto

Tutor: Del Sarto Nicola , Cucino Valentina

Descrizione:
Il modulo mira innanzitutto a presentare le caratteristiche principali dei processi di innovazione nelle imprese e nelle istituzioni. Oltre ad alcuni cenni teorici di economia dell’innovazione, enfasi verrà posta sulla gestione dei processi innovativi (ruolo della R&S, dell’Open Innovation, ecc.). Verranno poi descritte le nuove opportunità di innovazione rese possibili dagli avanzamenti recenti nei processi di raccolta ed elaborazione di dati su vasta scala. Infine, dopo avere spiegato i concetti e i modelli di business model e di start-up, verrà svolto un eservizio di business model innovation teso ad esplorare le potenzialità dei Big Data nell’aprire nuove possibilità di business.

Competenze:

I partecipanti acquisiranno le competenze di base nel campo del management dell’innovazione e soprattutto sperimenteranno un percorso originale di business model innovation.

Area: Big Data Story Telling

Docenti: De Biase Luca , Marchetti Andrea

Tutor: Bachini Viola , Lo Duca Angelica

Descrizione:
Il modulo ha l'obiettivo di preparare gli studenti alla presentazione della conoscenza estratta dai Big Data attraverso narrazioni che sfruttano la multimedialità. Presenta anche le più significative esperienze recenti di giornalismo e narrazione basate su informazioni quantitative estratte da varie sorgenti di dati.

Strumenti e Tecniche:

• Web
• api
• per
• recuperare
• dati.
• Tecniche
• di
• web
• scraping.
• Web
• data
• sources:
• google
• search,
• whoIs
• ...
• Tool
• per
• la
• pulizia
• di
• dati:
• google
• refine.
• Tool
• per
• la
• visualizzazione
• google
• fusion,
• google
• charts,
• highcharts,
• ...

Competenze:

Progettazione e realizzazione di una storia di giornalismo investigativo. Tecniche di recupero, pulizia, analisi e visualizzazione di data sources.

Area: Big Data Technology

Docenti: Ruggieri Salvatore

Tutor: Pellungrini Roberto

Descrizione:
Il modulo presenta tecnologie e sistemi per la progettazione, il popolamento e l'interrogazione di Data Warehouse per il supporto alle decisioni. L’accento viene posto sulle tecnologie e sull’analisi di problemi applicativi utilizzando esempi e casi studio, con esercitazioni in laboratorio. Lo studente acquisirà conoscenze e capacità sulle principali tecnologie per la Business Intelligence come ETL (Extract, Transform and Load), Data Warehousing, Analytics SQL, OLAP (Online Analytical Processing).

Strumenti e Tecniche:

• Formati
• di
• rappresentazione
• dei
• dati
• su
• file
• (CSV,
• FLV,
• XML).
• Protocolli
• per
• l’accesso
• ai
• dati
• su
• sistemi
• per
• basi
• di
• dati
• relazionali.
• Strumenti
• per
• l'ETL:
• SQL
• Server
• Integration
• Services
• (SSIS).
• Strumenti
• per
• l'analisi
• multidimensionale
• (OLAP):
• SQL
• Server
• Analysis
• Services
• (SSAS).
• Reportistica
• con
• Excel
• e
• SQL
• Server
• Reporting
• Services
• (SSRS).

Competenze:

Lo studente acquisirà conoscenze sulle principali metodologie, architetture e tecnologie di Business Intelligence, con particolare riferimento ai sistemi software ed alla loro applicazione al supporto delle decisioni. Lo studente saprà utilizzare, in modo basilare, strumenti software per l’accesso, la pulizia e la trasformazione di dati, e strumenti per la definizione di cubi multidimensionali e per la progettazione di reportistica di sintesi.

Area: Big Data Mining

Docenti: Giannotti Fosca , Pedreschi Dino

Tutor: Guidotti Riccardo

Descrizione:
Il modulo si propone di fornire un’introduzione ai concetti di base del data mining e del processo di estrazione della conoscenza, con approfondimenti sui modelli analitici e gli algoritmi più diffusi per il clustering, la classificazione e la scoperta di patterns, anche in riferimento alle nuove sorgenti di Big Data.

Strumenti e Tecniche:

• KNIME,
• Python,
• Scikit-Learn,
• Pandas

Area: Big Data Story Telling

Docenti: Rinzivillo Salvatore

Tutor: Fadda Daniele

Descrizione:
Il modulo ha lo scopo di presentare metodi di base e tecniche di visualizzazione per la presentazione efficace di informazione preveniente da diverse sorgenti: dati strutturati (relazionali, gerarchie, alberi), dati relazionali (social network), dati temporali, dati spaziali e dati spazio-temporali. Attraverso lo studio di metodi e strumenti esistenti, verranno presentati alcuni scenari di analitica visuale.

Strumenti e Tecniche:

• La
• rappresentazione
• grafica
• di
• informazione
• complessa
• richiede
• l’uso
• opportuno
• di
• strumenti
• simbolici
• e
• grafici.
• Nel
• corso
• verranno
• affrontati
• i
• metodi
• di
• codifica
• di
• diverse
• forme
• di
• dati
• e
• modelli
• con
• un
• linguaggio
• visuale,
• approfondendo
• argomenti
• di
• base
• come
• la
• scelta
• del
• colore,
• della
• forma,
• del
• tratto,
• dell’animazione,
• dell'interazione.

Competenze:

Il corso ha l’obiettivo di fornire le competenze di base per la creazione di una visualizzazione efficace. I concetti di base forniti permettono di sfruttare al meglio gli strumenti di visualizzazione più diffusi (fogli di calcolo, framework di Business Informatics, ecc.) Verranno inoltre presentati due strumenti avanzati per la visualizzazione di dati: 1) Processing.org: visualizzazione sia statica che interattiva su desktop o per publishing 2) D3.js e librerie javascript simili: visualizzazione interattiva e statica rivolta al web publishing.

Area: Big Data Mining

Docenti: Nardini Franco Maria

Tutor: Trani Salvatore

Descrizione:
Il modulo affronta aspetti pratici del machine learning e delle reti neurali. Mostra le principali soluzioni tecnologiche per risolvere due problemi di machine learning: classificazione e regressione. Il corso copre vari aspetti cruciali di cui tener conto nello sviluppo di soluzioni di machine/deep learning:  i) come identificare la migliore soluzione per un dato problema? ii) come valutare un modello di machine learning? iii) come ottimizzarlo?

Strumenti e Tecniche:

• Il
• corso
• si
• basa
• sulle
• più
• famose
• librerie
• Python
• per
• il
• machine
• learning (scikit-learn,
• Tensorflow,
• Keras,
• etc.)

Area: Big Data Technology

Docenti: Trasarti Roberto

Tutor: Monteiro de Lira Vinicius

Descrizione:
Il modulo si propone di familiarizzare lo studente con i sistemi ad alte prestazioni per il trattamento e l'analisi di Big Data. Lo studente acquisirà competenze nell'uso di piattaforme NO-SQL per l'interrogazione e il mining di dataset di grandi dimensioni come alternativa dei sistemi di gestione di basi di dati tradizionali.

Strumenti e Tecniche:

• Python,
• Hadoop,
• Pig,
• Hive,
• MongoDB,
• Spark

Competenze:

Lo studente acquisirà la padronanza di strumenti di calcolo dal alte prestazioni per piattaforme distribuite, e sperimenterà la loro applicazione a dati reali e ad analisi condotte durante il master.

Area: Big Data Sensing & Procurement

Docenti: Ferragina Paolo

Tutor: Santoro Roberto

Descrizione:
Il modulo prevede l'insegnamento dei moduli software che costituiscono un moderno motore di ricerca, e di analisi delle prestazioni e dei limiti computazionali delle soluzioni algoritmiche correntemente adottate per ciascuno di essi. Fondamenti pratici e teorici per l’organizzazione e l’analisi dei sistemi di IR.

Strumenti e Tecniche:

• TagMe,
• Rake,
• Python

Area: Big Data Mining

Docenti: Nanni Mirco

Tutor: Pappalardo Luca , Cintia Paolo

Descrizione:
Il modulo si propone di mostrare le principali tecniche di analisi dei dati spazio-temporali relativi al movimento di persone e veicoli al fine di comprendere la mobilità in un territorio. L'apprendimento sarà sostenuto da numerosi casi di studio sviluppati nel laboratorio SoBigData.eu.

Strumenti e Tecniche:

• Le
• principali
• tecniche
• e
• metodi
• di
• analisi
• presentati
• includono
• i
• seguenti:
• tecniche
• di
• ricostruzione
• di
• traiettorie
• e
• profili;
• matrici
• O/D
• di
• domanda
• della
• mobilità;
• trajectory
• clustering;
• flock-,
• swarm-
• e
• convoy-patterns;
• mobile
• activity
• recognition.
• Durante
• il
• modulo
• verrà
• presentata
• la
• piattaforma
• M-Atlas
• per
• l'analisi
• di
• traiettorie
• di
• oggetti
• mobili.

Competenze:

Conoscenza delle principali opportunità, criticità e limitazioni nell'analisi di Big Data di mobilità; conoscenza dei principali metodi di data mining per tali dati; capacità di utilizzo di alcuni strumenti specifici maturata su dataset reali.

Area: Big Data Mining

Docenti: Passarella Andrea

Tutor: Rossetti Giulio

Descrizione:
Il modulo ha lo scopo di fornire agli studenti gli strumenti e le conoscenze necessarie ad analizzare dati su larga scala provenienti da Online Social Networks. Nel modulo vengono presentati gli strumenti di analisi necessari, vengono poi illustrati i risultati ottenuti applicando tali strumenti a vari tipi di reti sociali. Tali strumenti vengono applicati ai due modi principali di rappresentare una OSN tramite grafi, considerando cioè il social e l’interaction graph. Nel corso delle ore di laboratorio, gli studenti applicano i concetti appresi a lezione su dataset reali di Online Social Networks. Vengono svolti laboratori sull'analisi dei vari tipi di grafo sociale visto a lezione. Gli studenti apprendono così l'utilizzo di strumenti software di riferimento per l'analisi di dati provenienti da Online Social Networks.

Strumenti e Tecniche:

• Strumenti
• SW
• per
• la
• rappresentazione
• e
• l’analisi
• di
• grafi
• OSN
• su
• larga
• scala
• Tecniche
• per
• l’estrazione
• di
• indici
• descrittivi
• delle
• proprietà
• fondamentali
• dei
• grafi
• OSN
• partendo
• da
• dati
• di
• interazione
• tra
• utenti
• Tecniche
• per
• l’analisi
• delle
• strutture
• delle
• reti
• sociali
• personali,
• per
• la
• raccolta
• dei
• dati
• necessari
• e
• per
• l’analisi
• della
• loro
• evoluzione
• temporale.

Competenze:

Capacità di analizzare dataset di OSN su larga scala Comprensione degli indici principali per capire le proprietà strutturali delle OSN, e la loro evoluzione dinamica Capacità di utilizzare strumenti SW per la manipolazione e l’analisi di tali dati.

Area: Big Data Mining

Docenti: Lillo Fabrizio

Tutor: Livieri Giulia

Descrizione:
Questo modulo presenta metodologie, tecniche e tools di analisi statistica per data science: conoscenza di base della teoria della probabilità, variabili random, modelli statistici, estimation theory, test delle ipotesi, bootstrap, e conoscenza di base dell'analisi delle serie temporali. Il modulo mostra l'applicabilità in casi di studio nel dominio della finanza.

Strumenti e Tecniche:

• Analisi
• statistica
• della
• rilevanza.

Area: Big Data Mining

Docenti: Esuli Andrea

Tutor: Moreo Fernández Alejandro

Descrizione:
Il modulo presenta le principali tecniche di analisi e mining delle opinioni e delle preferenze degli utenti sulla base di Big Data provenienti dal web o da altre sorgenti. Particolare enfasi viene posta sull'uso delle tecniche di text mining per la comprensione del significato emotivo dei testi prodotti dagli utenti sui social media. L'apprendimento sarà sostenuto da numerosi casi di studio sviluppati nel laboratorio SoBigData.eu.

Strumenti e Tecniche:

• Analisi
• statistica
• della
• rilevanza.

Competenze:

Riconoscimento di problemi di SAOM in contesti pratici. Scelta del modello più adatto per la loro formalizzazione (per esempio: classificazione binaria, regressione, quantificazione). Definizione delle risorse esterne necessarie allo svolgimento del processo (per esempio: risorse lessicali, annotazione di dati di training). Scelta di strumenti software appropriati, implementazione di componenti ad hoc. Scelta e utilizzo di metodi di machine learning per la creazione di modelli per SAOM. Valutazione dei modelli generati, interpretazione dei risultati.

Area: Generico

Docenti: Aziende partner

Descrizione:
Il periodo di tirocinio previsto dal Master è di 500 ore, corrispondenti a 20 CFU, da svolgersi individualmente o in piccoli gruppi presso una delle aziende ed istituzioni partner del master, sulla base di un progetto concordato e sotto la supervisione di un team di tutor composto da docenti del master e responsabili aziendali. Al termine del periodo di tirocinio, il candidato redige una tesina per descrivere il lavoro svolto, le metodologie utilizzate e i risultati dell'attività di tirocinio svolta presso l'azienda o l'istituzione ospitante. La tesi viene presentata dal candidato in sede di esame finale del master. La tesina viene valutata in base alla qualità del materiale presentato e alle capacità di analisi e di sintesi dimostrate dal candidato nella stesura della tesina stessa. Periodo Tirocino: Settembre - Dicembre.

Area: Big Data Mining

Docenti: Nardini Franco Maria , Perego Raffaele

Tutor: Trani Salvatore

Descrizione:
Il corso presenta le principali tecninche di analisi dei dati sel web.Usando i query log di un motore di ricerca come un caso di studio, gli studenti sono guidati nello sviluppo di un insieme di metodologie per l'analisi dei dati con lo scopo di creare la base di conoscenza utile a costruire un sistema di raccomandazione. Inoltre il corso discute come la stessa informazione possa essere ottimizzata per il ranking nei servizi web. In particolare il corso introduce tecniche di "learning to rank" che hanno lo scopo di stimare la rilevanza di oggetti rispetto ai bisogni di un utente.

Strumenti e Tecniche:

• Python