Corso di laurea

data science and engineering

Politecnico di Torino · 38 materie · 11 file condivisi

Per questo corso di laurea sono già disponibili 11 appunti all'interno della community, registrati subito per iniziare a studiare!

Numerose discipline sia scientifiche che umanistiche sono oggi fortemente caratterizzate dall’uso massiccio di dati digitali, utilizzati principalmente nelle analisi alla base dei processi decisionali. In tutti questi ambiti risulta quindi di fondamentale importanza la presenza di figure professionali interdisciplinari (data scientist o data engineer) in grado di raccogliere correttamente e poi raffinare, analizzare, interpretare e valorizzare quantità consistenti di dati di elevata complessità, rendendoli disponibili in maniera efficace per le successive procedure decisionali. Il data scientist deve essere in grado di padroneggiare metodologie e soluzioni tecnologiche innovative di analisi, memorizzazione e processamento dei dati tramite l’applicazione di raffinati strumenti statistici, matematici e informatici, attraverso elaborazioni svolte con metodi automatici. Inoltre deve avere la capacità di contestualizzare le proprie competenze nella varietà degli ambiti in cui la data science trova applicazione, valorizzando le informazioni contenute nei dati stessi e tenendo contemporaneamente conto dei loro risvolti sul piano giuridico e sociale.

Il corso di Laurea Magistrale in Data Science and Engineering mira a formare la figura multidisciplinare del data scientist fornendo forti competenze metodologiche e ingegneristiche complementate da un’elevata capacità di astrazione e un approccio analitico alla risoluzione dei problemi "data-driven", rendendo il data scientist in grado di adattarsi rapidamente ai molteplici contesti applicativi nei quali si troverà ad operare e alla rapida evoluzione degli strumenti utilizzati per l'analisi dei dati. Il corso di laurea mira a formare degli ingegneri capaci di gestire tutto il ciclo di vita del processo di analisi dei dati, dall’analisi dei requisiti, all’acquisizione e memorizzazione di grandi moli di dati, all’analisi dei dati tramite modelli matematici e statistici o algoritmi di machine learning, alla visualizzazione dell'informazione e infine all’utilizzo della conoscenza estratta ai fini decisionali, anche tramite strumenti di simulazione. La figura formata avrà la capacità di operare efficacemente in ognuna delle fasi descritte.

L'applicazione della data science in molteplici ambiti richiede la formazione di figure professionali capaci di operare e interagire efficacemente in contesti di tipo multidisciplinare. Per formare tali competenze, il percorso formativo include approfondimenti tecnologici consistenti in attività pratiche di laboratorio multidisciplinare, focalizzate su casi di studio reali, svolte in collaborazione con aziende o esperti afferenti a settori industriali diversi, rafforzando la capacità di lavorare in team culturalmente eterogenei. A supporto di queste attività, sono fornite agli studenti conoscenze che spaziano dalla capacità di comunicare efficacemente i risultati del proprio lavoro, alla padronanza delle metodologie data-driven per innovare prodotti e processi e alla valutazione degli aspetti etici legati all’uso dei dati e dell'informazione estratta da essi.

Ecco tutti i dettagli sul corso di laurea selezionato. Sul UniDocs troverai gli appunti condivisi dagli altri studenti del tuo corso di laurea, ordinati per materia. Ricordati che per poter visualizzare il materiale devi essere registrato al sito e possedere un numero di crediti sufficiente.

Al momento abbiamo 11 files caricati sul nostro portale suddivisi nelle 38 materie appartenenti al tuo corso di laurea.

Sfoglia il materiale didattico

Con UniDocs hai l'opportunità di studiare insieme a tutto il tuo corso di laurea. Guadagna subito dei crediti, carica il materiale del tuo ultimo esame!
Più condividi, più tempo avrai per studiare con tutta la community!

Materie del corso

Computational linear algebra for large scale problems cod. P161350100 · 1° anno · 0 file
Data Ethics and Protection cod. P593060904 · 1° anno · 0 file
Data management and visualization cod. P272651286 · 1° anno · 4 file
Appunti MongoDB for Data Management — 2025 MongoDB è un database NoSQL con architettura schema-less, utilizzando documenti BSON. I concetti chiave includono collezioni e documenti, con ciascun documento identificato da _id. MongoDB supporta alta scalabilità, prestazioni elevate e operazioni in tempo reale. Il metodo find() restituisce un cursore che consente di iterare sui risultati, applicando limit(), sort() e pretty(). Vantaggi del cursore sono efficienza e flessibilità. MongoDB non supporta join diretti tra collezioni; alternative includono query separate o $lookup. Operazioni su elementi nei documenti consentono di verificare valori null, tipi specifici e esistenza dei campi. L'operatore $ Riassunti Riassunto Prima Parte — 2021 pillola free This document outlines Data Warehouse (DW) design principles, contrasting Top-Down (Inmon, atomic data) and Bottom-Up (Kimball, data marts, star schema) approaches. It delves into conceptual and logical design, covering dimensional modeling with facts, dimensions, and measures, alongside schema types like Star and Snowflake. Key concepts of the ETL (Extraction, Transformation, Loading) process and Online Analytical Processing (OLAP) for multidimensional analysis are explained. The physical design section details various indexing strategies such as B+tree, bitmap, join, and hash structures, and the use of materialized views to optimize DW performance and query efficiency for data science and engineering applications. Riassunti Riassunto Seconda Parte — 2021 pillola free Il testo fornito è illeggibile e composto esclusivamente da caratteri di controllo, simboli non stampabili e rumore digitale tipico di un file PDF corrotto o estratto male. Non contiene alcuna informazione testuale significativa relativa al corso di Data Management and Visualization né ai concetti accademici richiesti per il riassunto universitario. Di conseguenza, è impossibile generare una sintesi coerente dei contenuti didattici poiché la fonte originale non trasmette alcun messaggio comprensibile in italiano o in altra lingua. Riassunti Riassunto Terza Parte — 2021 pillola free Il testo fornito contiene esclusivamente dati binari e caratteri di controllo illeggibili, privi di contenuto informativo utile per un riassunto accademico. Non è possibile quindi generare una sintesi coerente sulla gestione dei dati o la visualizzazione poiché il materiale sorgente non presenta alcuna informazione testuale significativa da elaborare nel contesto del corso di Data Science and Engineering.
Data science lab: process and methods cod. P586678379 · 1° anno · 3 file
Altro Report Regression — 2021 pillola free Questo documento analizza un approccio al problema di regressione per prevedere la qualità del vino, gestendo variabili categoriali ad alta cardinalità tramite embedding Poincaré e FastText. Sono stati valutati diversi modelli, tra cui Random Forest e Gradient Boosting, ottenendo una puntuazione R² out-of-train superiore a 0,85 senza tuning fine. Il preprocessing ha incluso l'uso di mean encoding per alcune variabili e la trasformazione del testo descrittivo in vettori predittivi. Altro Report — 2021 pillola free Il report affronta un problema di regressione per prevedere la qualità del vino analizzando recensioni esperte su 120 mila dati. Dopo aver esplorato il dataset, sono state applicate tecniche di preprocessing come l'eliminazione duplicati, il riempimento valori mancanti e la creazione di feature testuali tramite TF-IDF per gestire alta cardinalità e linguaggio specifico. Sono stati confrontati diversi modelli tra cui Random Forest, Linear Regression e SVR ottimizzando i parametri con grid search su split train/test. Dispense Python intro — 2020 pillola free Il corso introduce Python come linguaggio interpretato, essenziale per la data science grazie alla sua sintassi pulita e all'assenza di dichiarazioni dei tipi. Vengono illustrati due scenari principali: l'utilizzo di IDE complessi come PyCharm per progetti avanzati o Jupyter Notebook per prototipazione rapida con visualizzazione immediata dei risultati. Per gestire le librerie scientifiche fondamentali (NumPy, Pandas) in modo isolato e sicuro, si utilizzano ambienti virtualizzati creati tramite il comando pip3 install.
Decision making and optimization cod. P742192343 · 1° anno · 1 file
Distributed architectures for big data processing and analytics cod. P219661310 · 1° anno · 2 file
Information Theory and Applications cod. P607473813 · 1° anno · 0 file
Machine learning and Deep learning cod. P560324048 · 1° anno · 0 file
Mathematics in Machine Learning cod. P610224686 · 1° anno · 0 file
Numerical optimization for large scale problems and Stochastic Optimization cod. P821332127 · 1° anno · 0 file
Numerical optimization for large scale problems and Stochastic Optimization cod. P356449140 · 1° anno · 0 file
Object oriented programming cod. P175174605 · 1° anno · 0 file
Statistical methods in data science cod. P941052801 · 1° anno · 0 file
Statistical methods in data science cod. P097787946 · 1° anno · 0 file
Bioinformatics cod. P915682260 · 2° anno · 0 file
Computer aided simulations and performance evaluation cod. P098951401 · 2° anno · 0 file
Dynamics on networks and graphs cod. P536181082 · 2° anno · 0 file
Innovation management cod. P755158484 · 2° anno · 0 file
Innovation management cod. P474118204 · 2° anno · 0 file
Machine learning for IOT cod. P642891545 · 2° anno · 0 file
Stochastic processes and time series cod. P031988729 · 2° anno · 0 file
Stochastic processes and time series cod. P013070286 · 2° anno · 0 file
Applied data science project cod. 02TXXWS · 2025/2026° anno · 0 file
Challenge cod. 02UEWWS · 2025/2026° anno · 0 file
Computer-aided simulations lab cod. 01DTHWS · 2025/2026° anno · 0 file
Data Ethics and Data Protection cod. 01URZWS · 2025/2026° anno · 0 file
Data science and machine learning lab cod. 01VSCWS · 2025/2026° anno · 0 file
Deep natural language processing cod. 01VIXWS · 2025/2026° anno · 0 file
Efficient Computing for Artificial Intelligence cod. 02VRVWS · 2025/2026° anno · 0 file
Free ECTS credits (vedi Piano di studi completo ) cod. 13OCDWS · 2025/2026° anno · 0 file
Fundamentals of Artificial Intelligence, Machine and Deep Learning cod. 01VSDWS · 2025/2026° anno · 0 file
Geometric Learning, Time-Variant Data analysis, and Anomaly Detection cod. 01HZSWS · 2025/2026° anno · 0 file
Information Theory for Data Science cod. 01DTGWS · 2025/2026° anno · 0 file
Mathematical and statistical methods for Artificial Intelligence cod. 01VSEWS · 2025/2026° anno · 0 file
Network Dynamics and Learning cod. 01TXLWS · 2025/2026° anno · 0 file
Numerical optimization for large scale problems cod. 01VVFWS · 2025/2026° anno · 0 file
Thesis cod. 17MBRWS · 2025/2026° anno · 0 file

Recensioni del corso

Studi qui? Accedi per lasciare la tua recensione e aiutare altri studenti a scegliere.

Nessuna recensione per ora — e la prima è la più preziosa. Condividi la tua esperienza e orienta le future matricole.