Area: Big Data Technology

Docenti: Pellungrini Roberto , Prencipe Giuseppe , Monreale Anna, Francesca Naretto

Descrizione:
Il modulo ha lo scopo di allineare le competenze degli studenti in ambito informatico e di analytics di base, con particolare attenzione a database, programmazione, statistica e analisi esplorativa dei dati. Questo modulo si basa su attività pratiche (hands-on).

Strumenti e Tecniche:

• SQL
• Microsoft SQL Server
• Python
• Numpy
• Pandas

Competenze:

• Modellare e interrogare un database
• Affrontare un problema con una strategia di problem solving adeguata
• Implementare semplici programmi Python

Area: Big Data Mining

Docenti: Nardini Franco Maria , Trani Salvatore

Descrizione:
Questo modulo introduce i principali metodi di Intelligenza Artificiale per l'analisi e il text mining di dati testuali, generati principalmente dal web. Verrà posta enfasi sui metodi di text mining applicati a testi provenienti dai social media. Inoltre, il modulo presenta le principali tecniche di analisi dei dati web. Utilizzando come caso di studio il query log di un motore di ricerca reale, gli studenti vengono guidati nello sviluppo di un insieme di metodologie per l'analisi dei dati, finalizzate alla creazione di una base di conoscenza per la costruzione di un sistema di raccomandazione. Successivamente, il corso illustra come le stesse informazioni possano essere utilizzate per ottimizzare il ranking nei servizi Web.

Strumenti e Tecniche:

• NLTK,
• SpaCy
• Scikit-learn
• GenSim
• VADER
• Keras
• Pytorch
• Haystack
• Huggingface Transformers
• ElasticSearch
• LightGBM
• BASH

Competenze:

Capacità di identificare e implementare correttamente tecniche di text e web analytics. Capacità di utilizzare soluzioni allo stato dell'arte per la classificazione del testo, l'analisi e la classificazione del sentiment, e il ranking. Capacità di utilizzare tecniche di learning to rank e reti Transformer per il testo (BERT). Capacità di definire un problema di Web mining e progettarne una soluzione.

Area: Big Data Ethics

Docenti: Comandé Giovanni , Ruggieri Salvatore , Monreale Anna, Francesca Naretto

Descrizione:
Il modulo introduce le nozioni etiche e legali di privacy, anonimato, trasparenza e discriminazione, considerando anche il Regolamento Generale sulla Protezione dei Dati (GDPR). Presenta tecnologie per implementare il principio della privacy-by-design, per l'auditing dei modelli predittivi e per la tutela dei diritti degli utenti, con l'obiettivo di abilitare l'analisi dei Big Data garantendo al contempo la protezione dei dati personali, la trasparenza e la non discriminazione.

Strumenti e Tecniche:

• pandas
• sklearn
• numpy
• seaborn
• matplotlib
• fairlearn
• lime
• dalex
• shap
• lore
• scikit-mobility

Competenze:

Al termine del corso lo studente sarà in grado di analizzare le questioni etiche in un processo di knowledge discovery facendo riferimento anche al quadro giuridico dell'UE e acquisirà conoscenze su alcuni strumenti disponibili per la valutazione delle problematiche etiche.

Area: Big Data for Social Good

Docenti: Guidotti Riccardo , Monreale Anna

Descrizione:
Il modulo è organizzato in lezioni su casi di studio e applicazioni reali che mostrano l'uso delle analisi sui Big Data e del Social Mining. Queste lezioni descrivono le attività del laboratorio SoBigData.eu, delle aziende e delle istituzioni partner del Master.

Area: Big Data Sensing & Procurement

Docenti: Fagni Tiziano

Descrizione:
Questo modulo presenta tecniche e metodi per l'acquisizione di Big Data da un'ampia varietà di fonti disponibili, tra cui dati di telefonia mobile, dati GPS, dati sugli acquisti dei clienti, dati dai social network, dati aperti e amministrativi, dati ambientali e da sensori personali. Vengono inoltre discussi diversi metodi partecipativi per la raccolta dati in crowdsourcing o crowdsensing attraverso campagne ad hoc come serious games e diffusione virale.

Strumenti e Tecniche:

• Selenium
• Beautiful Soup
• PRAW

Competenze:

• Conoscenza teorica: Caratterizzazione dei "big data" e del potenziale ottenibile in termini di conoscenza derivante dalla loro analisi. Caratterizzazione dei dati: fonti aperte, fonti chiuse, open data e linked open data. Raccolta dati o sviluppo di servizi specifici che sfruttano gruppi di utenti (crowdsensing, crowdsourcing). Tecnologie HTML/CSS alla base del funzionamento del Web. Architetture REST. Social media con focus su Twitter e Reddit: analisi delle caratteristiche principali dei social network e panoramica ad alto livello delle API disponibili.
• Caratterizzazione dei "big data" e del potenziale ottenibile in termini di conoscenza derivante dalla loro analisi
• Caratterizzazione dei dati: fonti aperte, fonti chiuse, open data e linked open data. Raccolta dati o sviluppo di servizi specifici che sfruttano gruppi di utenti (crowdsensing, crowdsourcing).
• Tecnologie HTML/CSS alla base del funzionamento del Web
• Architetture REST
• Social media con focus su Twitter e Reddit: analisi delle caratteristiche principali dei social network e panoramica ad alto livello delle API disponibili.
• Conoscenza pratica:
• Uso di tag HTML e selettori CSS per la creazione di pagine web.
• Scraping di siti web con esempi concreti utilizzando le librerie Selenium e BeautifulSoup
• Crawling di social media con esempi concreti utilizzando le API di Reddit tramite la libreria PRAW.
• Parsing di dati in formato CSV/JSON

Area: Big Data Technology

Docenti: Ruggieri Salvatore

Descrizione:
Il modulo presenta tecnologie e sistemi per la progettazione, il popolamento e l'interrogazione di Data Warehouse per il supporto decisionale. L'enfasi è posta sulle tecnologie e sull'analisi di problemi applicativi utilizzando esempi e casi di studio. Lo studente acquisirà conoscenze e competenze sulle principali tecnologie per la Business Intelligence come ETL (Extract, Transform and Load), Data Warehousing, Analytic SQL, OLAP (Online Analytical Processing).

Strumenti e Tecniche:

• pyodbc

Competenze:

Lo studente acquisirà conoscenze e competenze sulle principali tecnologie di Business Intelligence quali ETL (Extract, Transform and Load), Data Warehousing, Analytic SQL, OLAP (Online Analytical Processing). Avrà inoltre riferimenti ai problemi di scalabilità e alle architetture NoSQL.

Area: Big Data Mining

Docenti: 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 enfasi sui modelli analitici e sugli algoritmi più diffusi per il clustering, la classificazione e la scoperta di pattern, anche in riferimento a nuove fonti di Big Data.

Strumenti e Tecniche:

• numpy
• matplotlib
• pandas
• scipy
• sklearn

Competenze:

• Progettare un processo KDD
• Applicare le diverse tecniche di data mining e machine learning in base alla domanda analitica a cui rispondere
• Utilizzare strumenti di data mining e machine learning e librerie python
• Simulare il funzionamento degli algoritmi di data mining e machine learning
• Selezionare l'algoritmo migliore per la corretta impostazione del problema

Area: Big Data Story Telling

Docenti: Rinzivillo Salvatore , Fadda Daniele

Descrizione:
Il corso di Data Visualization e Visual Analytics fornisce un'introduzione completa per produrre visualizzazioni efficaci ed efficienti, e alla pratica del data journalism e dello storytelling attraverso la visualizzazione dei dati. Durante il corso, gli studenti esploreranno le basi della codifica visiva, della mappatura della visualizzazione dei dati attraverso la codifica con variabili visive e delle tecniche di visual analytics.

Competenze:

• Come codificare dati e modelli in una visualizzazione efficiente ed efficace, limitando l'impatto dei bias cognitivi.
• Come progettare e codificare una rappresentazione visiva attraverso moderne librerie di data visualization

Area: Big Data for Business

Docenti: Giulio Ferrigno , Lo Duca Angelica, Viola Bachini

Descrizione:
Il modulo si propone di presentare come i big data possano guidare i processi di innovazione delle aziende e quali siano le best practice per il data journalism e lo storytelling. Dopo una discussione preliminare sugli aspetti chiave che caratterizzano i processi di innovazione aziendale, l'enfasi sulla Data-Driven Innovation sarà posta su strumenti molto pratici come il business model canvas. Il modulo descriverà poi le nuove opportunità di innovazione rese possibili dai recenti progressi nelle tecniche di raccolta ed elaborazione dei big data. Infine, i concetti e i modelli chiave dell'innovazione saranno reinterpretati sfruttando il potenziale dei Big Data per aprire nuove opportunità di business. Questo modulo è basato su attività pratiche e ospiterà la testimonianza di una start-up nel settore big data. Successivamente, gli studenti avranno l'opportunità di esplorare le origini del Data Storytelling e del Data Journalism. Il corso si concentrerà anche sull'importanza di uno storytelling accattivante nella presentazione dei dati attraverso l'esplorazione di casi d'uso reali, per dimostrare l'impiego di una corretta visualizzazione e di uno storytelling coinvolgente.

Competenze:

• Dimostrare conoscenza e comprensione dei framework teorici e degli strumenti pratici per lo studio e l'analisi delle fonti, delle tipologie, dei modelli e della gestione dell'innovazione;
• Analizzare e discutere criticamente le principali problematiche nella gestione dell'innovazione alla luce di esempi aziendali reali e testimonianze;
• Discutere informazioni, idee, problemi e soluzioni pratiche nel campo della gestione dell'innovazione data-driven;

Area: Big Data Mining

Docenti: Marco Podda, Andrea Cossu

Descrizione:
Il corso introdurrà inizialmente i fondamenti delle reti neurali artificiali e, successivamente, fornirà una panoramica delle principali tecniche e modelli nel campo del deep learning utilizzati per costruire sistemi di Intelligenza Artificiale. Un'attenzione specifica sarà dedicata al dettaglio dei modelli neurali utili per affrontare compiti predittivi su dati vettoriali, sequenziali e immagini, e al deep learning generativo, incluso l'apprendimento variazionale e avversariale.

Strumenti e Tecniche:

• Tensorflow
• Keras
• Pytorch
• Scikit-learn
• Numpy
• Pandas
• Matplotlib
• Seaborn

Competenze:

Lo studente acquisirà conoscenze e competenze sulle principali tecnologie per il machine learning mediante reti neurali profonde. Avrà inoltre riferimenti ai problemi applicativi dell'Intelligenza Artificiale e conoscenze di base per l'applicazione di queste metodologie a nuovi problemi.

Docenti: Giuseppe Prencipe

Descrizione:
Il modulo introduce i fondamenti teorici e metodologici dei modelli di Intelligenza Artificiale Generativa, con particolare attenzione alle architetture allo stato dell'arte e al loro ruolo all'interno dell'ecosistema dei Big Data. Fornisce una panoramica critica delle principali tecniche e dei paradigmi emergenti, inclusi i sistemi basati su agenti, evidenziandone potenzialità, limiti e implicazioni etiche. Il corso sviluppa competenze avanzate per l'interazione con i modelli generativi attraverso la progettazione e l'ottimizzazione dei prompt, nonché per la comprensione delle dinamiche di generazione. Esplora inoltre la progettazione e l'utilizzo di agenti di IA per l'automazione di compiti complessi e l'orchestrazione di flussi di lavoro intelligenti. Particolare attenzione è dedicata all'integrazione dei modelli generativi e dei sistemi basati su agenti nelle pipeline di dati e nelle infrastrutture Big Data, con esempi pratici in ambiti quali l'analisi dei dati, il supporto alle decisioni e l'automazione dei processi aziendali. Il modulo comprende attività pratiche e casi di studio volti a rafforzare le competenze applicative e a promuovere un approccio critico e progettuale all'IA Generativa. Il programma copre i fondamenti dell'IA generativa e le sue differenze rispetto agli approcci discriminativi, una panoramica delle principali famiglie di modelli quali autoencoder, VAE e GAN, e un'introduzione ai large language model e alle architetture transformer. Affronta inoltre la generazione di contenuti nelle diverse modalità, le tecniche di prompt engineering, i concetti fondamentali dell'IA agentica, le applicazioni pratiche e una panoramica dei framework e delle API Python per lavorare con i modelli generativi.

Area: Big Data Sensing & Procurement

Docenti: Ferragina Paolo, Giuseppe Prencipe

Descrizione:
Il modulo fornisce la descrizione della struttura di un motore di ricerca e degli strumenti di Text Mining, analizzandone caratteristiche e limiti rispetto al costo computazionale, ai parametri di precision/recall/F1 e all'espressività delle query supportate. Il modulo si basa anche su attività pratiche che presenteranno noti strumenti open source in Python per l'elaborazione del testo e l'analisi di pagine web, l'annotazione semantica dei testi (TagMe) e l'indicizzazione di collezioni di dati testuali (ElasticSearch, GraphDB).

Strumenti e Tecniche:

• requests
• elasticsearch
• nltk
• wordcloud
• matplotlib

Area: Big Data Technology

Docenti: Guidotti Riccardo , Monreale Anna , Roberto Trasarti, Fadda Daniele, Francesca Naretto

Descrizione:
In questo modulo gruppi di studenti verranno guidati nella progettazione e sviluppo di un intero progetto in ambito Big Data e IA: dalla raccolta dati fino alla consegna finale. Gli studenti impiegheranno nel progetto metodi, tecniche e strumenti studiati negli altri moduli. La durata di questo modulo, a differenza degli altri, si estenderà su diversi mesi fino al termine delle lezioni, quando i risultati del progetto verranno presentati davanti a una commissione.

Competenze:

Mettere insieme tutte le competenze apprese durante il Master.

Area: Big Data Mining

Docenti: Rossetti Giulio , Chiara Boldrini

Descrizione:
Questo modulo introduce gli studenti alle teorie, ai concetti e alle misure della Social Network Analysis (SNA), il cui scopo è caratterizzare la struttura dei Social Network Online (OSN) su larga scala. Il corso presenta sia lezioni in aula per introdurre i concetti teorici, sia attività pratiche al computer per applicare la teoria su dataset reali su larga scala ottenuti da OSN come Facebook e Twitter. Il corso mira a discutere in particolare come le proprietà strutturali dei social network possano essere analizzate attraverso tecniche SNA, e come queste proprietà possano essere utilizzate per caratterizzare i fenomeni sociali che emergono nella società.

Strumenti e Tecniche:

• networkx
• cdlib
• ndlib

Competenze:

Modellazione e analisi di reti complesse

Area: Big Data Mining

Docenti: Lillo Fabrizio

Descrizione:
Il modulo presenta le metodologie, le tecniche e gli strumenti di base per l'analisi statistica in data science. Questo include conoscenze fondamentali di teoria della probabilità, variabili casuali, modelli statistici, teoria della stima, test delle ipotesi, bootstrap e basi dell'analisi delle serie storiche. Il modulo mostra l'applicabilità in casi di studio nel dominio della data science finanziaria.

Competenze:

• Saper utilizzare e comprendere i principali strumenti della statistica descrittiva e probabilistica.
• Saper condurre un'analisi statistica su un dataset.
• Costruire un modello probabilistico, stimare i parametri del modello, verificarne la bontà e utilizzarlo in modalità predittiva.

Area: Big Data Mining

Docenti: Nanni Mirco , Pappalardo Luca

Descrizione:
Lo scopo del corso è introdurre le principali tecniche di data mining e machine learning (inclusi gli approcci di deep learning) per l'analisi dei dati temporali, in particolare per le serie storiche e i dati spazio-temporali legati alla mobilità umana. La presentazione sarà supportata da diversi casi di studio sviluppati con il Laboratorio SoBigData.eu.

Strumenti e Tecniche:

• scikit-mobility
• pandas
• tslearn

Competenze:

• Conoscenza delle caratteristiche fondamentali di varie sorgenti di dati per time series e mobilità
• Conoscenza di metodi analitici di base (predittivi, clustering e pattern) per time series e dati di mobilità
• Capacità di realizzazione di semplici processi analitici in python per time series e dati di mobilità

Area: Generico

Docenti: Aziende partner o istituzioni accademiche

Descrizione:
Il master richiede un tirocinio di 425 ore da svolgersi presso uno dei partner (aziende o istituzioni) sulla base di un project work ben definito e sotto la supervisione di un team di tutor composto da docenti ed esperti aziendali. Il tirocinio potrebbe richiedere il lavoro in presenza presso le sedi dei partner.

Competenze:

Relazione di tesi sulle attività svolte durante il tirocinio, inclusi i risultati raggiunti.

Descrizione:
La tesi finale è una relazione scritta delle attività svolte durante il tirocinio, comprensiva dei risultati raggiunti. La tesi finale è valutata da una commissione composta da docenti e esperti aziendali.