Corso di laurea

Data Science, Business Analytics E Innovazione

Università degli Studi di Cagliari · 30 materie · 0 file condivisi

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.

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

Advanced Data Management 2° semestre · 6 CFU · INFO-01/A · 0 file
Analisi Dei Big Data 2° semestre · 6 CFU · SECS-S/01 · 0 file
Analisi Economica Dei Mercati E Delle Reti 6 CFU · ECON-01/A · 0 file
Business Analytics 6 CFU · ECON-06/A · 0 file
Cloud Computing 6 CFU · INFO-01/A · 0 file
Contabilita' Per La Direzione 9 CFU · SECS-P/07 · 0 file
Contabilità Per Per La Direzione 9 CFU · ECON-06/A · 0 file
Credit Risk Analytics 2° semestre · 6 CFU · ECON-09/B · 0 file

Gli obiettivi formativi del corso sono i seguenti: Possedere una visione complessiva dei modelli di stima del rischio di credito e del loro ruolo per la gestione bancaria Conoscere il significato e le possibilità di…

Scheda dell'insegnamento

Obiettivi formativi

Gli obiettivi formativi del corso sono i seguenti: Possedere una visione complessiva dei modelli di stima del rischio di credito e del loro ruolo per la gestione bancaria Conoscere il significato e le possibilità di utilizzo dei modelli di credit scoring e dei big data per la gestione bancaria. Conoscere il significato e le possibilità di utilizzo dell’approccio Machine Learning per la misurazione del rischio di credito. Saper sviluppare e stimare un modello di credit scoring basato sui dati. Saper valutare le performance dei modelli disponibili sul mercato sia in termini analitici che di efficacia. Conoscere la segmentazione del mercato del credito bancario e le specificità di ciascun segmento in termini di caratteristiche, informazioni disponibili e rischio. Analizzare i principali benefici e le criticità dei sistemi di credit scoring Conoscere le principali fonti dei dati e le loro caratteristiche peculiari Comprendere l'importanza dell'integrazione dei dati provenienti da diverse fonti Conoscere le modalità operative di gestione dei dati mancanti o inaffidabili

Programma

Il credito e il suo ruolo nell'attività bancaria. Il ruolo della regolamentazione e della supervisione bancaria. Il processo di stima del merito creditizio. Le fonti dei dati: bilanci aziendali, informazioni andamentali e centrale dei rischi: caratteristiche e peculiarità. La soft information: ruolo attuale e possibilità di trattamento informatizzato. La segmentazione del mercato del credito: credito al consumo, prestiti personali, mutui e leasing, prestiti aziendali small business e corporate. Caratteristiche e peculiarità delle stime del rischio di credito per ciascun segmento. L'approccio machine learning, i big data e il ruolo dei credit risk analytics per la gestione bancaria. Laboratorio: Modelli di stima del rischio di credito e loro caratteristiche Analisi dei dati disponibili, e gestione dei dati inaffidabili e mancanti Selezione delle variabili Stima dei modelli di credit scoring implementazione dei modelli di stima del rischio di credito Verifica della capacità previsiva dei modelli

Non sono previsti particolari prerequisiti per seguire il corso. E', tuttavia, ritenuta utile la conoscenza di elementi di base di economia bancaria, di basi di statistica e di programmazione.

L'insegnamento si articola in didattica frontale, seminari e laboratorio, durante i quali saranno presentati i contenuti del programma. L'attività di laboratorio sarà organizzata su gruppi di lavoro, nei quali gli studenti dovranno sviluppare un modello sulla base degli argomenti affrontati a lezione e attinenti all'ambito dei big data e analytics per la gestione bancaria. Il corso unisce lezioni interattive, testimonianze di esperti provenienti da aziende private e organismi di supervisione Le discussioni in aula sono parte integrante del processo di apprendimento e saranno stimolate durante l'intero svolgimento del corso.

Modalità d'esame

L’apprendimento è verificato attraverso la presentazione di lavori di gruppo sviluppati dagli studenti, in cui dimostrare: - La conoscenza del ruolo dei sistemi di gestione del rischio di credito nella gestione bancaria e il loro ruolo nella supervisione dell’attività bancaria; Il punteggio della prova d’esame è espresso in trentesimi. L’intervallo di attribuzione del voto finale va: - dai 18/30: per un livello di conoscenza elementare della materia, ovvero quando lo studente riesce solo a inquadrare la tematica della misurazione e gestione del rischio di credito basata su sistemi informatici, e dimostra una conoscenza appena sufficiente degli argomenti del programma, riportando nella prova orale un risultato appena sufficiente. - ai 30/30, con eventuale lode, se lo studente saprà sistematizzare in maniera logica e coerente le conoscenze che si presuppone abbia acquisito durante il corso, e saprà supportare l’analisi con una eccellente elaborazione dei concetti espressi e un’adeguata padronanza di linguaggio tecnico ed economico. Le modalità di sostenimento d’esame e di attribuzione del voto non cambiano per i non frequentanti. Coerentemente con i descrittori individuati negli obiettivi formativi, saranno valutate: 1) la chiarezza nell’esprimere i contenuti teorici e del loro valore per la gestione bancaria (valutazione conoscenza e comprensione); 2) la capacità di rielaborare i concetti e di spiegarli, anche attraverso il confronto con i casi reali affrontati in classe o approfonditi dallo studente in modo individuale (valutazione capacità di applicare conoscenza e comprensione); 3) la capacità di interpretare adeguatamente le conoscenze e le competenze acquisite in riferimento ai modelli utilizzati, e del loro effettivo valore pratico (valutazione autonomia di giudizio); 4) La chiarezza espositiva, la capacità di sintesi e la padronanza del linguaggio tecnico relativo alla gestione del rischio di credito ed alla gestione bancaria (valutazione abilità comunicative); 5) La capacità di applicare l’approccio ed i modelli, e di approfondirne le implicazioni in riferimento all’evoluzione continua della gestione bancaria (valutazione capacità di apprendimento).

Testi di riferimento

  • B. Baesens, D. Rosch, H. Scheule (2016), Credit risk analytics, Wiley. - H. Scheule, D. Rosch e B. Baesens, Credit Risk Analytics The R Companion

Codice insegnamento 23983

Deep Learning E Reti Neurali 9 CFU · INFO-01/A · 0 file
Diritto Delle Nuove Tecnologie 2° semestre · 6 CFU · GIUR-02/A · 0 file
Economia Aziendale 1° semestre · 6 CFU · ECON-06/A · 0 file
Economia Dei Network 6 CFU · SECS-P/01 · 0 file
Economia Delle Tecnologie Dell'Informazione 1° semestre · 6 CFU · SECS-P/01 · 0 file
Economia Digitale E Ict 9 CFU · ECON-01/A · 0 file
Fondamenti Di Informatica Per Il Data Science 1° semestre · 9 CFU · INFO-01/A · 0 file

Conoscenza e capacità di comprensione Lo studente acquisisce le conoscenze fondamentali dell’informatica necessarie per il Data Science, comprendendo i principi di base dei sistemi di calcolo, della programmazione e…

Scheda dell'insegnamento

Obiettivi formativi

Conoscenza e capacità di comprensione Lo studente acquisisce le conoscenze fondamentali dell’informatica necessarie per il Data Science, comprendendo i principi di base dei sistemi di calcolo, della programmazione e delle strutture dati. Comprende i concetti essenziali relativi all’elaborazione delle informazioni, agli ambienti di sviluppo e al ruolo dell’informatica nei processi di acquisizione, gestione e analisi dei dati. Capacità di applicare conoscenza e comprensione Lo studente è in grado di applicare le conoscenze informatiche di base alla risoluzione di problemi legati al trattamento dei dati, utilizzando linguaggi e strumenti di programmazione appropriati. Sa sviluppare semplici programmi e procedure per la gestione, l’elaborazione e l’analisi dei dati, integrando le competenze informatiche con le esigenze tipiche del Data Science. Autonomia di giudizio Lo studente sviluppa la capacità di valutare in modo critico le soluzioni informatiche adottate per la gestione e l’analisi dei dati, riconoscendone limiti, potenzialità e ambiti di applicazione. È in grado di interpretare i risultati ottenuti e di formulare giudizi autonomi sulla correttezza ed efficienza delle procedure implementate. Abilità comunicative Lo studente è in grado di descrivere e comunicare in modo chiaro i concetti informatici di base e le soluzioni sviluppate, utilizzando un linguaggio tecnico appropriato. Sa presentare il funzionamento di programmi e procedure informatiche sia in forma scritta sia orale, adattando il livello di dettaglio al contesto e all’interlocutore. Capacità di apprendimento Lo studente sviluppa la capacità di apprendere autonomamente nuovi strumenti e linguaggi informatici, aggiornando le proprie competenze in relazione all’evoluzione delle tecnologie digitali. È in grado di proseguire lo studio dell’informatica applicata al Data Science, integrando conoscenze di base con metodologie e strumenti più avanzati.

Programma

I contenuti generali sono: Elementi di base di codifica binaria Principi di funzionamento del sistema operativo Formulazione di algoritmi per la risoluzione di problemi Il linguaggio di programmazione Python. Casi di applicazioni alle scienze economiche. Programma dettagliato Rappresentazione dell’informazione: Rappresentazione binaria dei numeri naturali e interi (segno e valore assoluto, complemento a due) Rappresentazione dei numeri reali (virgola fissa e virgola mobile) Cenni alla codifica dell’informazione non numerica: caratteri e testi, immagini, audio e video Struttura, funzioni e organizzazione del sistema operativo Gestione dei processi e concetto di programma in esecuzione Gestione del file system Gestione dei dispositivi di input/output e dei file Interfaccia utente (shell e interfaccia grafica) e ruolo del sistema operativo come intermediario tra hardware e applicazioni Algoritmi Concetto di algoritmo e tecniche di costruzione di algoritmi, Diagrammi di flusso come strumento di descrizione di semplici algoritmi. Principi generali per la progettazione di algoritmi Linguaggio Python Tipi di dati predefiniti, variabili, operatori ed espressioni Strutture dati: tuple, liste e dizionari Strutture di controllo: selezione e iterazione (if, for, while) Funzioni: definizione, parametri, valore di ritorno e ambito delle variabili Funzioni predefinite e librerie standard (in particolare la libreria matematica) Operazioni di input e output standard Accesso ai file di testo: apertura, lettura e scrittura Gestione di collezioni di dati mediante file Cenni ai formati di dati testuali (TXT, CSV) Implementazione di semplici algoritmi in linguaggio Python Applicazioni alla risoluzione di problemi di ambito economico

Sono richieste capacità di ragionamento logico-matematico e competenze informatiche di base, in particolare l’uso del computer e dei principali strumenti software. Sono inoltre utili le conoscenze matematiche ed economico-statistiche acquisite nel percorso di studi.

Il corso prevede lezioni frontali ed esercitazioni interattive in laboratorio informatico. Esercitazioni ed attività integrative saranno tenute da un tutor. La didattica sarà erogata in presenza.

Modalità d'esame

La verifica dell’apprendimento consiste in una prova scritta, eventualmente integrata da un colloquio orale. La prova comprende quesiti teorici, esercizi applicativi e di programmazione articolati in più punti. Le attività proposte sono finalizzate a valutare la conoscenza dei principali concetti e strumenti informatici affrontati durante il corso e la capacità di applicarli alla risoluzione di problemi rilevanti per il Data Science. Negli esercizi di programmazione saranno valutate la capacità di analizzare il problema, progettare una soluzione algoritmica e implementarla correttamente, prestando attenzione anche alla chiarezza e all’efficienza del codice. La valutazione sarà effettuata in coerenza con i risultati di apprendimento attesi definiti nella sezione “Obiettivi formativi”. Il punteggio della prova d’esame è attribuito mediante un voto espresso in trentesimi. La valutazione tiene conto della correttezza e completezza delle risposte, della capacità di applicare i concetti e gli strumenti appresi, della chiarezza argomentativa e dell’uso appropriato del linguaggio tecnico. Il superamento dell’esame con un voto non inferiore a 18/30 attesta il possesso di conoscenze e competenze almeno sufficienti sugli argomenti oggetto dell’insegnamento. Il conseguimento di un voto pari a 30/30 e lode è riservato agli studenti che dimostrano una conoscenza approfondita dei contenuti e una piena capacità di analisi critica.

Testi di riferimento

Introduzione ai sistemi informatici Sciuto D., Buonanno G., Mari L. McGrawHill Python Introduzione alla programmazione C. Horstmann, R.D. Nacaise, Apogeo Education 2023 Programmazione in Python Kenneth A. Lambert, Maggioli Editore 2024

Codice insegnamento 23985

Laboratorio Di Big Data 6 CFU · INF/01 · 0 file
Management Dell'Innovazione 1° semestre · 9 CFU · ECON-08/A · 0 file

Obiettivo del corso è introdurre lo studente ai processi di gestione e comprensione dell’innovazione. Coerentemente con gli obiettivi formativi del corso di laurea, gli studenti sono stimolati a maturare (1) conoscenze…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivo del corso è introdurre lo studente ai processi di gestione e comprensione dell’innovazione. Coerentemente con gli obiettivi formativi del corso di laurea, gli studenti sono stimolati a maturare (1) conoscenze specifiche legate al management dei processi innovativi in mercati altamente competitivi; (2) capacità di analisi e senso critico rispetto alla valutazione delle strategie di innovazione tecnologica; (3) capacità di assumere decisioni basate sull’analisi dei dati. Conoscenza e capacità di comprensione: l’obiettivo è che gli studenti acquisiscano i principi e le metodologie da applicare e utilizzare nella definizione e successiva implementazione di una efficace strategia di gestione dell’innovazione, con una particolare enfasi relativa ai mercati digitali. Capacità applicative: l’obiettivo è che gli studenti sappiano utilizzare le competenze manageriali legate alla gestione dell'innovazione nella prospettiva di un mercato tecnologicamente sempre più competitivo e basato sulla conoscenza. Autonomia di giudizio: l’obiettivo è che gli studenti sappiano giudicare le metodologie da applicare e utilizzare nella definizione e successiva implementazione di una efficace strategia di gestione dell’innovazione con particolare riferimento ai mercati digitali. Abilità comunicative: l’obiettivo è che gli studenti sappiano comunicare con esperti di diversi settori (tecnici e gestionali) utilizzando un linguaggio appropriato; in privato ma anche in pubblico, le argomentazioni che hanno adotto per difendere eventuali posizioni legate alla comprensione e gestione dei processi innovativi. Capacità di apprendere: l’obiettivo è che gli studenti possiedano gli strumenti concettuali per riconoscere nuovi sviluppi economici a livello internazionale con particolare riferimento ai mercati digitali.

Programma

1) Introduzione al management dell'innovazione 2) Diffusione dell'innovazione: influenza, centralità, brokerage, cohesiveness, snowball effect 3) Esternalità di rete e mercati winner-take-all 4) Digital transformation: le sfide per le imprese 5) Business Analytics e Innovation: Innovation by Digital Models

Familiarità con i concetti propri dell'economia e della gestione delle imprese.

Lezioni frontali e analisi e discussione di casi aziendali.

Modalità d'esame

L'esame si svolge in forma scritta, con domande aperte (tra cui l’analisi di casi ed esempi) volte a verificare l’acquisizione del linguaggio proprio della materia e l’utilizzo dello stesso in modo appropriato. La capacità di utilizzo di quanto appreso e l’autonomia di giudizio è verificata attraverso l’analisi critica di casi ed esempi. I criteri di valutazione sono: 1. la precisione e il rigore delle risposte e delle argomentazioni; 2. la completezza nell’analizzare gli elementi chiave del fenomeno oggetto di valutazione; 3. la capacità di argomentazione, di creare legami e l’originalità delle connessioni teoriche utilizzate per formulare le risposte. L’attribuzione del voto segue la logica seguente: Eccellente preparazione: 30/30 Si conosce approfonditamente il materiale oggetto di studio che viene descritto in modo puntuale e rigoroso. Si dimostra di possedere una visione di insieme di quanto studiato che emerge da collegamenti teorici innovativi e appropriati. L'argomentazione delle risposte è puntuale e coerente con quanto richiesto. Buona preparazione: 27/30– 29/30 Si dimostra di conoscere e aver compreso il materiale oggetto di studio e di riuscire ad integrare tra loro i concetti appresi in modo puntuale e preciso. Discreta preparazione: 24/30 - 26/30 Non sono presenti particolari carenze nella conoscenza del materiale studiato e si dimostra di conoscere gli argomenti trattati dal corso. Tuttavia sono presenti ancora delle imprecisioni e le capacità argomentative richiederebbero un maggiore sviluppo (come la capacità di creare collegamenti tra i concetti). Preparazione più che sufficiente: 21/30 - 23/30 Si dimostra di conoscere gli argomenti. Tuttavia, la capacità di analisi critica richiesta per l’argomentazione dei casi e la formulazione di esempi è debole. Preparazione sufficiente: 18/30 - 20/30 Si conoscono i concetti base (definizioni e processi). L'argomentazione delle risposte, tuttavia, presenta lacune, le risposte sono incomplete e sono presenti imprecisioni. Preparazione insufficiente: 0 - 17/30 Risultano necessari ulteriori sforzi per acquisire i concetti chiave trattati durante il percorso.

Testi di riferimento

  • Schilling M.A. e Izzo, F. (2022). Gestione dell'innovazione. McGraw-Hill. (capitoli 1, 2, 3, 4, 5, 9, 14). - Materiale a cura del docente.

Codice insegnamento 20219

Marketing Digitale 9 CFU · ECON-07/A · 0 file
Marketing Digitale 1° semestre · 9 CFU · ECON-07/A · 0 file

L’obiettivo generale del corso è fornire agli studenti le conoscenze teoriche e le competenze operative necessarie per comprendere e applicare i principi del marketing digitale e approfondire le principali evoluzioni…

Scheda dell'insegnamento

Obiettivi formativi

L’obiettivo generale del corso è fornire agli studenti le conoscenze teoriche e le competenze operative necessarie per comprendere e applicare i principi del marketing digitale e approfondire le principali evoluzioni emergenti, inclusa l’Intelligenza Artificiale (AI). Al termine del corso, gli studenti saranno in grado di sviluppare, implementare e valutare una strategia integrata di digital marketing, utilizzando strumenti digitali e basati sull’AI. **(A) CONOSCENZA E CAPACITÀ DI COMPRENSIONE** Al termine del corso, gli studenti saranno in grado di: A1. Comprendere i concetti chiave, i vantaggi, i limiti e i processi di pianificazione del marketing digitale. A2. Comprendere le caratteristiche e le potenzialità di marketing delle principali piattaforme digitali e social media. A3. Comprendere il ruolo dei dati e degli analytics nel monitoraggio e nel miglioramento delle attività di digital marketing. A4. Comprendere le principali applicazioni dell’**Intelligenza Artificiale nel marketing digitale**, tra cui generazione di contenuti, personalizzazione, analisi dei dati, automazione e supporto alle decisioni. **(B) CONOSCENZA E CAPACITÀ DI COMPRENSIONE APPLICATE** Gli studenti saranno in grado di: B1. Progettare e creare contenuti digitali e selezionare le piattaforme più appropriate in funzione degli obiettivi di marketing e dei target di riferimento. B2. Pianificare attività di digital marketing e pubblicità online e valutarne le performance attraverso dati e metriche pertinenti. B3. Utilizzare **strumenti basati sull’AI** a supporto delle attività di digital marketing e valutarne criticamente gli output. **(C) AUTONOMIA DI GIUDIZIO** Gli studenti saranno in grado di: C1. Valutare criticamente strategie di digital marketing, reputazione online e performance delle campagne. C2. Valutare le implicazioni etiche connesse al digital marketing e all’AI, incluse privacy, protezione dei dati, trasparenza, bias e uso responsabile delle tecnologie. **(D) ABILITÀ COMUNICATIVE** Gli studenti saranno in grado di: D1. Comunicare efficacemente con interlocutori con competenze tecniche e manageriali, utilizzando un linguaggio appropriato. D2. Presentare e discutere una strategia di digital marketing, illustrandone chiaramente obiettivi, strumenti e risultati. **(E) CAPACITÀ DI APPRENDIMENTO** Gli studenti saranno in grado di: E1. Valutare l’impatto sul business delle strategie di digital marketing e delle tecnologie emergenti. E2. Aggiornare autonomamente le proprie conoscenze e competenze in relazione all’evoluzione del digital marketing e dell’**Intelligenza Artificiale**.

Programma

l corso sarà suddiviso in tre parti: la prima, di carattere generale è dedicata alla presentazione di alcuni concetti introduttivi alla base del marketing digitale; la seconda, di carattere operativo è volta all’approfondimento degli strumenti da utilizzare per una efficace realizzazione delle strategie di digital marketing; la terza, di carattere prevalentemente sperimentale, è basata su un ruolo prevalente dello studente che, attraverso l’utilizzazione dei social media (instagram o facebook) e con un lavoro in piccoli gruppi (da due a quattro) promuove un’impresa locale. I contenuti del corso sono così sintetizzabili • I fondamenti del marketing digitale, • La strategia di marketing digitale • L'impatto dei media digitali e della tecnologia sul marketing mix • L’implementazione e pratica del marketing digitale, compresa la creazione di una presenza sul Web, l'ottimizzazione dei contenuti per i motori di ricerca, (SEO) l';utilizzo di piattaforme di social media, la realizzazione di marketing e pubblicità online su una gamma di servizi, nonché il monitoraggio e il miglioramento delle campagne tramite ;analisi.

Al fine di poter trarre il massimo profitto dalla frequenza del corso, lo studente deve avere familiarità con il marketing, con particolare attenzione al marketing mix (prezzo, prodotto, promozione e luogo); segmentazione del mercato e comportamento del

L’insegnamento adotta un approccio didattico integrato, che combina **lezioni frontali, esercitazioni, attività laboratoriali e momenti seminariali**, con l’obiettivo di affiancare all’acquisizione delle conoscenze teoriche lo sviluppo di competenze operative nell’ambito del digital marketing. Indicativamente, le attività didattiche saranno così distribuite: **50% lezioni frontali, 20% esercitazioni, 25% attività laboratoriali e 5% seminari/testimonianze**. Le **lezioni frontali** sono dedicate all’introduzione e all’approfondimento dei principali concetti e modelli del marketing digitale, con particolare riferimento alla definizione della strategia di digital marketing, all’impatto dei media digitali e delle tecnologie sul marketing mix e alle principali modalità di implementazione delle strategie digitali. Le **esercitazioni** consentono agli studenti di applicare i concetti affrontati durante le lezioni attraverso l’analisi di casi, esempi aziendali e attività relative all’utilizzo dei principali strumenti di digital marketing. Particolare attenzione è dedicata alla creazione e gestione della presenza online, alla SEO, ai social media, alla pubblicità online e all’analisi delle performance delle attività digitali. Le **attività laboratoriali** costituiscono la componente maggiormente esperienziale del corso e prevedono un ruolo attivo degli studenti. Organizzati in piccoli gruppi di 3-4 componenti, gli studenti sviluppano un progetto di digital marketing finalizzato alla promozione di un’impresa locale. A partire dall’analisi dell’impresa e del relativo contesto competitivo, i gruppi definiscono una strategia digitale e progettano e realizzano contenuti e attività di comunicazione attraverso i social media, in particolare Instagram e/o Facebook. Gli studenti sono inoltre chiamati a monitorare i risultati ottenuti e a proporre eventuali azioni di miglioramento sulla base dei dati raccolti. Per tale attività gli studenti saranno guidati all'utilizzo dell' Intelligenza Artificiale I **seminari e le testimonianze**, coinvolgono professionisti, imprese ed esperti del settore e hanno l’obiettivo di avvicinare gli studenti alle pratiche emergenti e alle principali trasformazioni che interessano il digital marketing.

Modalità d'esame

Sono previste modalità di verifica differenziate per studenti frequentanti e non frequentanti. Sono considerati frequentanti gli studenti che partecipano ad almeno il 60% delle lezioni. Chi non raggiunge tale soglia è considerato non frequentante e non può partecipare al progetto finale di gruppo. Studenti frequentanti La valutazione finale comprende: Partecipazione alle attività didattiche – 5%, valutata sulla base del contributo attivo a lezioni, discussioni, esercitazioni e casi. Prova scritta individuale – 35%, composta da 5 domande aperte, finalizzate a verificare conoscenza e comprensione dei contenuti, padronanza del linguaggio disciplinare e capacità di collegare concetti e modelli. Progetto finale di gruppo – 60%, sviluppato in collaborazione con un’impresa locale e finalizzato alla definizione e implementazione di una strategia di digital marketing. La valutazione considera qualità dell’analisi, coerenza della strategia, applicazione degli strumenti, utilizzo dei dati e qualità della presentazione. La prova scritta e il progetto devono essere superati entrambi con almeno 18/30. Il voto finale è calcolato applicando i pesi sopra indicati. Studenti non frequentanti Gli studenti non frequentanti sostengono una prova scritta individuale composta da 9 domande aperte sull’intero programma: Part 1 – Digital Marketing Fundamentals (cap. 1, 2 e 3); Part 2 – Digital Marketing Strategy Development (cap. 4 e 5); Part 3 – Digital Marketing Implementation and Practice (cap. 7, 8, 9 e 10). La prova verifica la conoscenza e comprensione dei contenuti, la capacità di collegare concetti e modelli e di applicarli a problemi di digital marketing. La prova è superata con almeno 18/30 e il voto conseguito costituisce il voto finale dell’esame. Per entrambe le modalità, la valutazione considera la padronanza dei contenuti, la capacità di applicazione e analisi, l’autonomia di giudizio e la chiarezza espositiva. La lode può essere attribuita in presenza di una preparazione eccellente e di elevate capacità critiche e applicative.

Testi di riferimento

Chaffey; Ellis-Chadwick with Ellis-Chadwick Digital Marketing,96/e Pearson, 2025

Codice insegnamento 23987

Metodi Di Apprendimento Statistico Per Il Data Science 2° semestre · 9 CFU · STAT-01/A · 0 file

II corso ha come obiettivo principaIe queIIo di fornire aIIo studente metodi di Statistica e di anaIisi dei dati che si aIIontanano daII’approccio cIassico che Io studente ha acquisito durante i corsi di Statistica di…

Scheda dell'insegnamento

Obiettivi formativi

II corso ha come obiettivo principaIe queIIo di fornire aIIo studente metodi di Statistica e di anaIisi dei dati che si aIIontanano daII’approccio cIassico che Io studente ha acquisito durante i corsi di Statistica di primo IiveIIo. L’approccio seguito e queIIo deIIe metodoIogie appartenenti aII’impostazione tipica deIIo statisticaI Iearning e cioè dei metodi statistici che si basano suII’apprendimento dai dati. AIIa fine deI corso gIi studenti conosceranno, sia a IiveIIo metodoIogico che appIicativo, i metodi sviIuppati negIi uItimi 20 anni, grazie aI continuo aumento deIIa potenza di caIcoIo a disposizione, che gIi permetteranno di anaIizzare dati, anche in grandi quantità, di fare previsioni e di individuare i principaIi fattori che caratterizzano e condizionano Ie sceIte in ambito economico, aziendaIe e manageriaIe. CONOSCENZE E CAPACITÀ DI COMPRENSIONE GIi studenti acquisiranno conoscenze di nuove metodoIogie Statistiche, raffrontandoIe con queIIe incontrate nei corsi di primo IiveIIo. II paraIIeIismo con metodi usati in aItre discipIine orientate aI Data Science sarà sistematicamente considerato. ParticoIare attenzione sarà data aII’aspetto deII’interpretazione critico dei risuItati, deII’appIicabiIità dei metodi a dati economici e aziendaIi. CAPACITÀ DI APPLICARE CONOSCENZE E COMPRENSIONE Le continue appIicazioni pratiche in Iaboratorio permetteranno gIi studenti di approntare Ie giuste strategie di anaIisi a probIemi reaIi e artificiaImente creati ad hoc. ParticoIare attenzione verrà data aIIa capacità di verificare Ie condizioni di appIicabiIità dei vari metodi e modeIIi statistici proposti, sia in funzione deI probIema da risoIvere, sia in funzione deIIa moIe e deI tipo di dati disponibiIi. AUTONOMIA DI GIUDIZIO Lo studio di casi reaIi e di casi predisposti artificiaImente ad hoc permetterà agIi studenti di rafforzare Ia propria autonomia di giudizio, in quanto saranno chiamati a prendere decisioni che derivano daII’appIicazione dei metodi ai dati anaIizzati e suggerire interventi quantificandone gIi effetti proprio suIIa base deIIe previsioni ottenute. ABILITÀ COMUNICATIVE GIi studenti saranno chiamati a comunicare i risuItati dei metodi anaIizzati e appIicati con rigore e chiarezza. Dovranno essere in grado di rivoIgersi sia a interIocutori speciaIizzati che non. Saranno oItremodo chiamati a supportare Ie Ioro concIusioni ricorrendo a rappresentazioni grafiche e tabeIIari, e a modeIIi teorici correttamente formaIizzati. CAPACITÀ DI APPRENDIMENTO L’anaIisi periodica di articoIi scientifici, unitamente aIIe Iezioni teoriche e aIIe attività integrative e pratiche, permetteranno di migIiorare e perfezionare Ie capacità di apprendimento degIi studenti anche neI prosieguo deIIa Ioro carriera accademica e professionaIe.

Programma

introduzione ai concetti di StatisticaI Learning e Data Science. AppIicabiIità dei metodi di StatisticaI Learning aIIe probIematiche di tipo economico e aziendaIe. II probIema deIIa predizione in ottica Regressione e CIassificazione. AnaIisi discriminante sempIice e quadratica. I metodi di ricampionamento (Bootstrap a Cross VaIidation). ModeI SeIection (Forward e Backward modeI seIection). Lasso e Ridge regression. Smoothers, SpIine e GAM. Metodi di cIassificazione e regressione ad aIbero. Metodi di apprendimento non supervisionato (CIustering e AnaIisi in Componenti PrincipaIi).

Sono richieste conoscenze di Statistica di primo IiveIIo, di Informatica di base, di Matematica di base (primo IiveIIo). Conoscenze di AIgebra Lineare (eIementi di base) e Econometria sono aItrettanto utiIi anche se non obbIigatorie.

L’insegnamento si articoIa in 54 ore di didattica frontaIe e pratica di Iaboratorio. In aggiunta, si terranno 10 Iezioni di esercitazione, di due ore ciascuna, voIte aII’anaIisi di casi reaIi o artificiaIi. Le Iezioni prevedono una parte teorica e appIicazioni pratiche deIIe metodoIogie considerate a Iezione mediante iI software. AI fine di stimoIare iI Iavoro di gruppo, sono previste sfide tra gruppi di studenti suI trattamento di determinati data set.

Modalità d'esame

II corso è basato su un approccio di natura teorica e appIicativa, quindi Ia vaIutazione finaIe prevede tre principaIi momenti: a) verifica deIIe attività svoIte in Iaboratorio o homework (20%); aIIa fine deIIo studio di ogni macro tematica saranno disponibiIi dei dati che gIi studenti sono chiamati ad anaIizzare, con I’ausiIio deI software, appIicando i metodi studiati. Verrà verificata Ia capacità di appIicare conoscenze e comprensione. b) redazione (30%) e presentazione (10%) di un rapporto finaIe incentrata aIIa risoIuzione di un probIema reaIe o artificiaIe; gIi studenti hanno a disposizione una descrizione deI probIema e gIi obiettivi da raggiungere, una base dati e iI software. II prodotto finaIe è un report sintetico che verrà poi discusso in sede di esame oraIe. In questa fase verrà vaIutata sia Ia capacita ad appIicare Ie conoscenze acquisite, I’autonomia di giudizio e Ia capacità comunicativa. c) Prova oraIe (40%) che prevede I’anaIisi critica deI report prodotto e I’approfondimento di una o più metodoIogie inserite neI programma. Varrà così vaIutata I’abiIità comunicativa e Ie conoscenze e capacità di comprensione. A partire daI voto di 18/30, conferito quando Ie conoscenze/competenze deIIa materia sono aImeno eIementari, fino aI voto di 30/30 con eventuaIe Iode, quanto Ie conoscenze sono ecceIIenti.

Testi di riferimento

Gareth James, DanieIa Witten, Trevor Hastie and Robert Tibshirani An Introduction to StatisticaI Learning with AppIications in R. Springer- (Una versione gratuita in formato e-book è disponibiIe). MateriaIe integrativo, data sets e articoIi saranno distribuiti durante iI corso. Per approfondire: The EIements of StatisticaI Iearning. Data Mining, Inference and Prediction. Trevor Hastie , Robert Tibshirani, Jerome Friedman- Springer. 2nd Edition

Codice insegnamento 20216

Metodi Numerici E Ottimizzazione 1° semestre · 12 CFU · MATH-01/A · 0 file

1. <b>Conoscenza e capacità di comprensione</b>. L'insegnamento, rivolto a studenti del corso di Laurea Magistrale in Data Science, si propone di far acquisire allo…

Scheda dell'insegnamento

Obiettivi formativi

1. <b>Conoscenza e capacità di comprensione</b>. L'insegnamento, rivolto a studenti del corso di Laurea Magistrale in Data Science, si propone di far acquisire allo studente una conoscenza operativa delle metodologie fondamentali dell'analisi numerica. I vari argomenti vengono descritti a fondo fornendo una giustificazione teorica per quanto possibile rigorosa. 2. <b>Capacità di applicare conoscenza e comprensione</b>. Durante il corso verranno discusse possibili applicazioni dei metodi studiati in alcuni settori dell'informatica applicata, quali ad esempio il data mining, l'image processing e la computer vision. Gli studenti dovranno dimostrare di essere in grado di implementare gli algoritmi in un linguaggio di programmazione e di verificare il loro funzionamento mediante una efficace sperimentazione numerica. 3. <b>Autonomia di giudizio</b>. Il corso fornisce agli studenti diligenti le competenze di base per applicare le metodologie matematiche descritte durante il corso alla risoluzione di problemi applicativi connessi al proprio campo di studi. 4. <b>Abilità comunicative</b>. La correzione della prova scritta tiene conto della capacità dello studente di esporre in modo ordinato e coerente gli argomenti studiati. La sua abilità comunicativa viene ulteriormente valutata nel caso che lo studente sostenga anche una prova orale. 5. <b>Capacità di apprendimento</b>. Il corso fornisce agli studenti diligenti una preparazione sufficiente alla comprensione di testi matematici avanzati, rendendoli capaci di ampliare in futuro le proprie conoscenze in modo autonomo.

Programma

1. <b>Nozioni preliminari</b> (8 ore). Problemi ben posti. Condizionamento. Algoritmi numerici: stabilità, complessità computazionale, occupazione di memoria. Sistemi in virgola mobile. Propagazione degli errori. 2. <b>Algebra lineare numerica</b> (18 ore). Richiami di algebra lineare. Spazi normati e spazi di Hilbert. Autovalori e autovettori. Matrici strutturate. Norme matriciali. Numero di condizionamento. Risoluzione dei sistemi lineari mediante il metodo di eliminazione di Gauss con pivoting e i metodi iterativi di Jacobi e Gauss-Seidel. Cenni sulla risoluzione di sistemi rettangolari nel senso dei minimi quadrati. Cenni sul calcolo di autovalori. 5. <b>Laboratorio</b> (10 ore) Introduzione all'ambiente di calcolo e visualizzazione scientifica Matlab. Tipi di variabili. Scripts e funzioni. Strutture di controllo tradizionali e programmazione vettoriale e matriciale. Comandi grafici. Implementazione degli algoritmi studiati.

1. <b>Conoscenze</b>. Il corso richiede una buona conoscenza dei concetti di base di matematica, che è possibile acquisire durante la laurea triennale. 2. <b>Abilità</b>. Gli studenti dovranno essere in grado di applicare le metodologie apprese durante gli esami della triennale. In particolare: grafico di funzioni elementari, calcolo di derivate e di integrali. 3. <b>Competenze</b>. L'unica competenza richiesta per l'accesso al corso è un'esperienza di base nella programmazione dei computer, che consente una comprensione più profonda degli algoritmi che verranno descritti. Sono sicuramente utili l'abitudine all'uso di un approccio matematico nella risoluzione di problemi e una buona capacità nella manipolazione di espressioni algebriche.

La didattica verrà erogata in presenza. Il corso consiste di 36 ore di lezione frontale, che includono anche esercitazioni in aula e al pc. Le esercitazioni in aula consistono nell'applicazione dei metodi studiati e nello svolgimento di prove d'esame, quelle al pc riguardano l'effettiva implementazione degli algoritmi su di un computer. Il docente presta inoltre assistenza costante agli studenti, nell'arco dell'intero anno accademico, sia durante l'orario di ricevimento che attraverso messaggi di posta elettronica.

Modalità d'esame

La verifica dell'apprendimento avviene attraverso una prova che consiste nello svolgimento di alcuni esercizi, inerenti l'intero programma del corso, che richiedono sia abilità operative che conoscenze teoriche. La prova si intende superata solo se lo studente ha riportato una votazione non inferiore a 18/30. Lo studente ha facoltà di richiedere una successiva prova orale al fine di migliorare la valutazione riportata. Allo stesso modo, il docente può richiedere una prova orale, se lo ritiene necessario per poter valutare correttamente la preparazione dello studente. Per superare l'esame lo studente deve dimostrare di possedere una conoscenza di base di tutti gli argomenti trattati nel corso. Il voto sarà compreso tra 18/30 e 22/30 se lo studente dimostra di avere una conoscenza sufficiente della terminologia specifica e una capacità sufficiente di esposizione dei concetti e dei risultati. Il voto sarà compreso tra 23/30 e 26/30 se lo studente dimostra di avere una buona conoscenza della terminologia specifica e una buona capacità di esposizione dei concetti e dei risultati. Il voto sarà compreso tra 27/30 e 30/30 se lo studente dimostra di avere una ottima conoscenza della terminologia specifica e una ottima capacità di esposizione dei concetti e dei risultati. Per conseguire la lode, lo studente deve dimostrare di conoscere in modo eccellente gli argomenti del corso e di essere in grado di applicarli alla risoluzione di problemi. Gli studenti hanno la possibilità di verificare il proprio livello di preparazione nel corso delle esercitazioni svolte dal docente. In queste occasioni potranno mettere alla prova le proprie capacità nello svolgimento di esercizi e prove d'esame, confrontando i propri risultati con quelli presentati dal docente.

Testi di riferimento

G. Rodriguez. Algoritmi Numerici. Pitagora Editrice, Bologna, 2008. ISBN: 88-371-1714-0.

Codice insegnamento 23989

Metodi Numerici E Ottimizzazione 1° semestre · 12 CFU · MATH-01/A · 0 file

1. <b>Conoscenza e capacità di comprensione</b>. L'insegnamento, rivolto a studenti del corso di Laurea Magistrale in Data Science, si propone di far acquisire allo…

Scheda dell'insegnamento

Obiettivi formativi

1. <b>Conoscenza e capacità di comprensione</b>. L'insegnamento, rivolto a studenti del corso di Laurea Magistrale in Data Science, si propone di far acquisire allo studente una conoscenza operativa delle metodologie fondamentali dell'analisi numerica. I vari argomenti vengono descritti a fondo fornendo una giustificazione teorica per quanto possibile rigorosa. 2. <b>Capacità di applicare conoscenza e comprensione</b>. Durante il corso verranno discusse possibili applicazioni dei metodi studiati in alcuni settori dell'informatica applicata, quali ad esempio il data mining, l'image processing e la computer vision. Gli studenti dovranno dimostrare di essere in grado di implementare gli algoritmi in un linguaggio di programmazione e di verificare il loro funzionamento mediante una efficace sperimentazione numerica. 3. <b>Autonomia di giudizio</b>. Il corso fornisce agli studenti diligenti le competenze di base per applicare le metodologie matematiche descritte durante il corso alla risoluzione di problemi applicativi connessi al proprio campo di studi. 4. <b>Abilità comunicative</b>. La correzione della prova scritta tiene conto della capacità dello studente di esporre in modo ordinato e coerente gli argomenti studiati. La sua abilità comunicativa viene ulteriormente valutata nel caso che lo studente sostenga anche una prova orale. 5. <b>Capacità di apprendimento</b>. Il corso fornisce agli studenti diligenti una preparazione sufficiente alla comprensione di testi matematici avanzati, rendendoli capaci di ampliare in futuro le proprie conoscenze in modo autonomo.

Programma

1. <b>Nozioni preliminari</b> (8 ore). Problemi ben posti. Condizionamento. Algoritmi numerici: stabilità, complessità computazionale, occupazione di memoria. Sistemi in virgola mobile. Propagazione degli errori. 2. <b>Algebra lineare numerica</b> (18 ore). Richiami di algebra lineare. Spazi normati e spazi di Hilbert. Autovalori e autovettori. Matrici strutturate. Norme matriciali. Numero di condizionamento. Risoluzione dei sistemi lineari mediante il metodo di eliminazione di Gauss con pivoting e i metodi iterativi di Jacobi e Gauss-Seidel. Cenni sulla risoluzione di sistemi rettangolari nel senso dei minimi quadrati. Cenni sul calcolo di autovalori. 5. <b>Laboratorio</b> (10 ore) Introduzione all'ambiente di calcolo e visualizzazione scientifica Matlab. Tipi di variabili. Scripts e funzioni. Strutture di controllo tradizionali e programmazione vettoriale e matriciale. Comandi grafici. Implementazione degli algoritmi studiati.

1. <b>Conoscenze</b>. Il corso richiede una buona conoscenza dei concetti di base di matematica, che è possibile acquisire durante la laurea triennale. 2. <b>Abilità</b>. Gli studenti dovranno essere in grado di applicare le metodologie apprese durante gli esami della triennale. In particolare: grafico di funzioni elementari, calcolo di derivate e di integrali. 3. <b>Competenze</b>. L'unica competenza richiesta per l'accesso al corso è un'esperienza di base nella programmazione dei computer, che consente una comprensione più profonda degli algoritmi che verranno descritti. Sono sicuramente utili l'abitudine all'uso di un approccio matematico nella risoluzione di problemi e una buona capacità nella manipolazione di espressioni algebriche.

La didattica verrà erogata in presenza. Il corso consiste di 36 ore di lezione frontale, che includono anche esercitazioni in aula e al pc. Le esercitazioni in aula consistono nell'applicazione dei metodi studiati e nello svolgimento di prove d'esame, quelle al pc riguardano l'effettiva implementazione degli algoritmi su di un computer. Il docente presta inoltre assistenza costante agli studenti, nell'arco dell'intero anno accademico, sia durante l'orario di ricevimento che attraverso messaggi di posta elettronica.

Modalità d'esame

La verifica dell'apprendimento avviene attraverso una prova che consiste nello svolgimento di alcuni esercizi, inerenti l'intero programma del corso, che richiedono sia abilità operative che conoscenze teoriche. La prova si intende superata solo se lo studente ha riportato una votazione non inferiore a 18/30. Lo studente ha facoltà di richiedere una successiva prova orale al fine di migliorare la valutazione riportata. Allo stesso modo, il docente può richiedere una prova orale, se lo ritiene necessario per poter valutare correttamente la preparazione dello studente. Per superare l'esame lo studente deve dimostrare di possedere una conoscenza di base di tutti gli argomenti trattati nel corso. Il voto sarà compreso tra 18/30 e 22/30 se lo studente dimostra di avere una conoscenza sufficiente della terminologia specifica e una capacità sufficiente di esposizione dei concetti e dei risultati. Il voto sarà compreso tra 23/30 e 26/30 se lo studente dimostra di avere una buona conoscenza della terminologia specifica e una buona capacità di esposizione dei concetti e dei risultati. Il voto sarà compreso tra 27/30 e 30/30 se lo studente dimostra di avere una ottima conoscenza della terminologia specifica e una ottima capacità di esposizione dei concetti e dei risultati. Per conseguire la lode, lo studente deve dimostrare di conoscere in modo eccellente gli argomenti del corso e di essere in grado di applicarli alla risoluzione di problemi. Gli studenti hanno la possibilità di verificare il proprio livello di preparazione nel corso delle esercitazioni svolte dal docente. In queste occasioni potranno mettere alla prova le proprie capacità nello svolgimento di esercizi e prove d'esame, confrontando i propri risultati con quelli presentati dal docente.

Testi di riferimento

G. Rodriguez. Algoritmi Numerici. Pitagora Editrice, Bologna, 2008. ISBN: 88-371-1714-0.

Codice insegnamento 23990

Metodi Statistici Per L'Analisi Dei Big Data 2° semestre · 6 CFU · STAT-01/A · 0 file
Microeconomia 1° semestre · 6 CFU · ECON-01/A · 0 file

Il corso ha l’obiettivo di fornire a studenti e studentesse gli strumenti teorici necessari alla comprensione del comportamento economico dei soggetti che operano nei mercati dei prodotti e dei fattori produttivi…

Scheda dell'insegnamento

Obiettivi formativi

Il corso ha l’obiettivo di fornire a studenti e studentesse gli strumenti teorici necessari alla comprensione del comportamento economico dei soggetti che operano nei mercati dei prodotti e dei fattori produttivi (consumatori, imprese, governi e proprietari di risorse). Al termine del corso, quindi, si dovrà possedere la conoscenza dei principi economici alla base del funzionamento dei mercati, nonché la capacità di utilizzare tali principi per comprendere gli aspetti essenziali del funzionamento di un sistema economico. Si dovrà, inoltre, apprendere il ruolo centrale dei comportamenti strategici. Coerentemente con gli obiettivi formativi del Corso di Laurea in Economia e Finanza, i risultati di apprendimento attesi sono altresì declinabili in base a tutti i Descrittori di Dublino, secondo lo schema seguente: A) Conoscenza e capacità di comprensione. Al termine del corso studenti e studentesse conosceranno i modelli microeconomici di analisi delle decisioni di spesa dei consumatori e di produzione delle imprese e comprenderanno come avviene l'interazione tra consumatori e imprese nelle diverse forme di mercato. Dovranno, altresì, essere in grado di differenziare l’ottica dell’equilibrio economico parziale da quella dell’equilibrio economico generale e, alla luce di tale differenza, comprendere la nozione di efficienza economica dei mercati concorrenziali. Inoltre, sapranno comprendere gli effetti prodotti dalle politiche pubbliche miranti al controllo dei prezzi o delle quantità scambiate. Impareranno il rigore del ragionamento con l’uso di formule e grafici. Tali conoscenze e capacità di comprensione metteranno studenti e studentesse in grado di approfondire il proprio campo di studi con il supporto di materiale addizionale rispetto al libro di testo; B) Capacità di applicare conoscenza e comprensione. Al termine del corso, studenti e studentesse saranno in grado di analizzare le decisioni di spesa dei consumatori e di produzione delle imprese tanto da comprendere le dinamiche reali in atto nei mercati. Sapranno, inoltre, risolvere problemi riguardanti l’interazione tra agenti economici e valutare in quale misura le strategie possano influenzarne il risultato finale. Sapranno semplificare i comportamenti dei protagonisti del sistema economico per spiegarne la logica, anche in riferimento a casi ipotetici o situazioni di attualità e, contemporaneamente, saranno capaci di rielaborare in modo sintetico concetti complessi (capacità di sintesi); C) Autonomia di giudizio. Al termine del corso, studenti e studentesse saranno in grado di interpretare i dati relativi alle reali dinamiche di mercato e di esprimere giudizi autonomi sulle implicazioni derivanti dalle scelte degli agenti economici; sapranno porre a confronto le differenti forme di mercato e i connessi comportamenti strategici. Saranno, inoltre, in grado di formulare giudizi di valutazione sugli effetti delle principali politiche pubbliche di intervento sui prezzi o sulle quantità scambiate; D) Abilità comunicative. Al termine del corso, studenti e studentesse saranno capaci di comunicare nozioni teoriche, dati e informazioni, discutere le proprie idee, sollevare problemi e proporre soluzioni riguardanti gli aspetti microeconomici del funzionamento dei mercati. Saranno, altresì, in grado di articolare e strutturare con rigore e precisione il discorso sulle tematiche analizzate e acquisiranno la capacità di fare presentazioni in pubblico; E) Capacità di apprendimento. Al termine del corso, studenti e studentesse avranno perfezionato le proprie capacità di apprendimento e sapranno intraprendere studi avanzati con un maggior grado di autonomia.

Programma

1. Introduzione all’analisi microeconomica (4 ore circa) 1.1 L’economia politica come disciplina scientifica 1.2 Il meccanismo di mercato e la formazione dei prezzi 1.3 Nozioni di base sulla domanda e sull’offerta 2. Il comportamento del consumatore (26 ore circa) 2.1 Le preferenze 2.2 La teoria dell’utilità 2.3 Vincolo di bilancio e scelta ottima 2.4 La domanda individuale 2.5 Scomposizione dell’effetto di reddito e dell’effetto di sostituzione 2.6 Domanda di mercato e surplus del consumatore 2.7 Elasticità della domanda 3. Introduzione alla teoria della produzione (6 ore circa)

Non esiste alcun prerequisito formale. Tuttavia, per lo sviluppo degli argomenti in programma, è importante conoscere le nozioni di base del calcolo algebrico e della costruzione di modelli grafici, anche complessi.

L’insegnamento si sviluppa attraverso un modulo di 36 ore. La didattica verrà erogata in presenza, eventualmente integrata con materiali audiovisivi e con lo streaming allo scopo di garantirne la fruizione in modo innovativo e inclusivo. Si prevede lo svolgimento di un’attività didattica tradizionale accompagnata da esercitazioni pratiche. La didattica tradizionale consiste in lezioni frontali volte alla spiegazione degli argomenti previsti nel programma. La lezione utilizza, come strumento di supporto, diapositive appositamente create dai docenti e si potrà avvalere delle piattaforme informatiche messe a disposizione dall’Ateneo. Le esercitazioni consistono nella risoluzione di esercizi pre-assegnati e messi a disposizione dai docenti attraverso il proprio sito web. Nel corso delle lezioni e delle esercitazioni si userà come strumento di supporto il software Excel. Qualora le risorse messe a disposizione dall’Ateneo lo consentano, le esercitazioni vengono integrate da attività svolte da un tutor di materia, secondo le modalità organizzative che verranno comunicate a studenti e studentesse all’inizio del corso.

Modalità d'esame

A) Modalità di verifica dei risultati di apprendimento attesi - Al termine del Modulo, è prevista una prova di valutazione composta da 2 quesiti teorici e da 2 esercizi. Le domande teoriche valgono per il 50% della valutazione complessiva e mirano alla verifica della conoscenza e capacità di comprensione (descr. A), della capacità di applicare conoscenza e comprensione (descr. B), dell’autonomia di giudizio (descr. C) e dell’abilità comunicative (descr. D). Gli esercizi valgono per il restante 50% della valutazione e riguardano la verifica della capacità di applicare conoscenza e comprensione (descr. B). Concernono la risoluzione di problemi riguardanti gli argomenti trattati a livello teorico. B) Regole per la valutazione Il massimo punteggio conseguibile dallo studente è pari a 32 che corrisponde al 30 e lode così ripartiti: - 16/32 attribuiti alle domande teoriche; - 16/32 attribuiti agli esercizi. C) Modalità di formulazione del giudizio L’intervallo di attribuzione del voto finale va: - da 18/30 a 21/30 per un livello di conoscenza elementare della teoria, corretta impostazione della risoluzione degli esercizi e linguaggio scritto di livello sufficiente; - da 22/30 a 25/30 per un livello di conoscenza intermedio della teoria, corretta impostazione e risoluzione parziale degli esercizi, linguaggio scritto di livello medio; - da 26/30 a 29/30 per un livello di conoscenza molto buono della teoria, corretta impostazione e risoluzione quasi completa degli esercizi, linguaggio scritto di livello molto buono; - da 30/30 a 30/30 con lode per eccellenti risposte a tutte le parti della verifica, compreso il linguaggio scritto utilizzato.

Testi di riferimento

Robert H. Frank, Edward Cartwright, Romano Piras, Microeconomia, IX Edizione, McGraw-Hill, Milano, ult. ed. Massidda C., Microeconomia, Giappichelli, Torino, 2009. Massidda C., Mocci C. e Piras R. (eds) Esercizi e Note di Microeconomia, Giappichelli, Torino, 2004.

Codice insegnamento 23995

Prova Finale 9 CFU · 0 file
Sistemi Informativi E Database Management Systems 2° semestre · 9 CFU · INFO-01/A · 0 file

Obiettivi Il corso di Sistemi Informativi e DBMS e' rivolto a studenti che nel corso della laurea triennale hannofrequentato corsi di informatica maturando 11 crediti formativi in tale disciplina. Ha l'ambizione di…

Scheda dell'insegnamento

Obiettivi formativi

Obiettivi Il corso di Sistemi Informativi e DBMS e' rivolto a studenti che nel corso della laurea triennale hannofrequentato corsi di informatica maturando 11 crediti formativi in tale disciplina. Ha l'ambizione di fornire loro competenze, conoscenze ed abilita' informatiche di un moderno data-scientist. Il corso ha quindi l'obiettivo di fornire competenze, conoscenze ed abilita' su realizzazione ed utilizzo di una base di dati relazionale, integrati da elementi del linguaggio SQL, di approfondire la programmazione, anche a oggetti, tramite l'utilizzo del linguaggio Python, di introdurre gli studenti all'utilizzo della shell di Linux/Unix e l'uso di GitHub. Conoscenza e comprensione. L’insegnamento ha l’obiettivo di far conoscere e comprendere allo studente il funzionamento della shell di Linux/Unix, il modello dei dati che sottende i sistemi di gestione di basi di dati relazionali e le metodologie operative di progettazione, realizzazione, esercizio e loro manutenzione nonche' le metodologie di analisi di dati strutturati (database). Si farà riferimento al modello ER e al linguaggio SQL. Lo studente conoscerà gli strumenti dei linguaggi di programmazione e della programmazione a oggetti tramite un uso combinato di nozioni teoriche e pratiche di utilizzo del linguaggio Python e comprendera' come implementare algoritmi e classi in tale linguaggio con particolare attenzione alla manipolazione e gestione di grandi flussi di dati. Capacità di applicare conoscenza e comprensione. Lo studente sarà capace di analizzare, e quindi comprendere, il funzionamento dei principali comandi Linux e del sistema operativo, di applicare le conoscenze acquisite attraverso la progettazione di schemi di basi di dati relazionali e delle relative interrogazioni, utilizzando il linguaggio SQL per la formulazione delle interrogazioni. Svilupperà la capacità di estrarre informazioni da grandi flussi di dati. Lo studente sarà in grado di applicare i principali concetti informativi di programmazione anche a oggetti per sviluppare in Python algoritmi e classi per la soluzione di problemi di media complessità. Autonomia di giudizio. Lo studente saprà valutare quali saranno gli algoritmi piu' convenienti da implementare in Python per manipolare i flussi di big-data e quali costrutti SQL saranno da scegliere per realizzare l'estrazione dei dati dai data base di interesse per prestazioni, efficienza e ottimizzazione delle risorse e del throughput e come raccogliere e organizzarne la memorizzazione e la gestione in un proprio database. Sarà anche in grado di giudicare quali tool di sviluppo e strumenti operativi scegliere nei diversi casi e di utilizzare diverse librerie Python dedicate alla manipolazione dei dati. Abilità comunicative. Lo studente sarà in grado di dialogare con specialisti informatici sulle scelte e strategie da adottare per l'estrazione, la raccolta e l'organizzazione di grandi flussi di dati da e verso database e per la scelta ed implementazione degli algoritmi per la loro manipolazione. Sarà in grado di interagire con il management delle aziende per i dati di interesse e di core business e per la loro presentazione agli stakeholders. Saprà descrivere i dati, sia in forma scritta sia orale e saprà utilizzare diagrammi e grafici per comunicare con efficacia, a interlocutori esperti e non, le informazioni e le conoscenze prodotte dai big data estratti ed analizzati. Capacità di apprendimento. Lo studente consulterà diversi riferimenti, anche in lingua inglese, per acquisire la capacità di aggiornare continuamente le proprie conoscenze professionali in ambito informatico. Egli/Ella sarà in grado di apprendere autonomamente metodologie avanzate e nuovi linguaggi di programmazione.

Programma

Sistemi informativi, dati, database e DBMS. Modelli dei dati e modello relazionale Relazioni, chiavi, vincoli e algebra relazionale. SQL: DDL, creazione delle tabelle e vincoli SQL: SELECT, filtri, ordinamento ed espressioni. SQL: JOIN e interrogazioni su più tabelle SQL: aggregazioni, GROUP BY, HAVING e subquery. Architettura dei DBMS. Progettazione concettuale: modello Entità-Relazione Progettazione logica: dal modello E-R allo schema relazionale. Dipendenze funzionali e normalizzazione Shell Unix/Linux: filesystem, comandi e gestione dei file. Shell Unix/Linux per i dati: pipe, redirection, grep, sort, sed e awk Git e GitHub: repository, commit, branch e versionamento. Git/GitHub collaborativo: merge, pull request, conflitti e workflow Python Object Oriented: classi, oggetti, attributi e metodi. Python OO: ereditarietà, composizione, eccezioni e organizzazione del software I/O standard e I/O su file. Python per i dati: Pandas, DataFrame, importazione e trasformazione. Python e DBMS: connessione, query SQL e CRUD Utilizzo di Numpy. Utilizzo di MatPlotLib Cenni su: Transazioni, ACID, concorrenza e livelli di isolamento. Data Warehouse, OLTP/OLAP e modellazione multidimensionale ETL/ELT e Data Integration con SQL, Python e Pandas. Database NoSQL.

Conoscenze. -E’ richiesta la conoscenza a livello utente di un sistema operativo e dei piu' comuni programmi applicativi. -Sono richieste conoscenze di base su architettura degli elaboratori, porte e reti logiche, sulla codifica del'informazione nel calcolatore, sul funzionamento del sistema operativo, sulla logica booleana, sul funzionamento della memoria principale e del processore. -E’ richiesta una buona preparazione logico matematica a livello di laurea triennale non scientifica. -Conoscenza delle operazioni elementari sui numeri e sugli insiemi. -E' richiesta la conoscenza delle basi di programmazione in python, dell'uso di variabili, espressioni e statements, operatori, tipi di dati semplici (int, long, double, boolean, string) e strutturati (string, tuple, list, dictionary). Strutture di controllo e funzioni, procedure e passaggio di parametri. Abilità. Lo studente deve saper ragionare in temini logici-matematici ed utilizzare il personal computer e il web a livello utente base e scrivere codice in python, query in SQL ed utilizzare la shell di Linux e GitHub. Competenze Lo studente dovrà avere padronanza con gli strumenti logico-matematici e statistici acquisiti durante i corsi della laurea triennale e i corsi del primo semestre.

  • lezioni frontali con supporto di presentazioni grafiche - esercitazioni su Python e su SQL (in linea di massima utilizzando Pycharm e Mysql) Il docente è disponibile a fornire spiegazioni e chiarimenti sia durante l'intervallo fra ore consecutive di lezione, sia durante l'orario di ricevimento, sia a mezzo posta elettronica. Materiale didattico Il materiale didattico verrà reso disponibile nel sito ufficiale del corso o tramite la piattaforma Teams durante le lezioni. Le esercitazioni potranno essere svolte mediante forme di interazione a distanza con i supporti informatici disponibili. Sulla base delle condizioni di contesto, potranno essere previste turnazioni e/o attività sostitutive on-line. In accordo al Manifesto degli Studi per l'A.A. 2023/2024, “La didattica sarà erogata in presenza. Le lezioni potranno essere integrate con materiali audiovisivi e con lo streaming”.

Modalità d'esame

Verifica dell'apprendimento/modalita' d'esame La verifica dell’apprendimento viene effettuata attraverso prove scritte/laboratoriali svolte su moodle anche, se possibile, in itinere contenenti quesiti che coprono l’intero programma del corso. A ciascun esercizio è assegnato un punteggio massimo. Ciascun esercizio viene valutato con un punteggio compreso fra 0 e il punteggio massimo assegnato. Il punteggio massimo viene assegnato in caso di risposta corretta, mentre viene assegnato un punteggio inferiore in presenza di errori. Errori di distrazione o dovuti a incomprensioni del testo attribuibili a possibili ambiguità nel testo stesso avranno un peso inferiore rispetto a errori concettuali chiaramente causati da conoscenza e comprensione parziale dell’argomento. Il voto finale si ottiene come somma dei punteggi ottenuti in ciascun esercizio. Il punteggio massimo della prova o delle prove cumulate va da 30 a 33. Chi ottiene un punteggio complessivo pari a 33 avrà il voto pari a 30 e lode. E' possibile sostenere l'esame in esami parziali durante lo svolgimento delle lezioni e anche dopo la fine delle stesse. Occorre sostenere una prova orale integrativa.

Testi di riferimento

Marco Buttu Programmare con Python (versione in eBook) Guida completa EPUB Pensare da informatico Imparare con Python Allen Downey Green Tea Press Wellesley, Massachusetts Marco Vanneschi Architettura degli Elaboratori, Pisa University Press. P. Atzeni, S. Ceri, P Fraternali, S. Paraboschi, R. Torlone Basi di Dati, Mc Graw Hill R. Elmasri - S. Navathe Sistemi di basi di dati 6/Ed. Fondamenti Pearson Education Italia

Codice insegnamento 23992

Sistemi Informativi E Dbms 1° semestre · 9 CFU · INF/01 · 0 file
Tirocinio 6 CFU · 0 file
Web Analytics E Analisi Testuale 2° semestre · 9 CFU · INF/01 · 0 file
Web Analytics E Natural Language Processing 2° semestre · 9 CFU · STAT-01/A · 0 file

Il corso di Web Analytics e Analisi Testuale è rivolto a studenti del corso di laurea magistrale in Data Science e ha l'obiettivo di fornire competenze e conoscenze di base nel campo dell'information retrieval,…

Scheda dell'insegnamento

Obiettivi formativi

Il corso di Web Analytics e Analisi Testuale è rivolto a studenti del corso di laurea magistrale in Data Science e ha l'obiettivo di fornire competenze e conoscenze di base nel campo dell'information retrieval, dell'analisi testuale e dei moderni modelli generativi. Il corso fornisce le conoscenze necessarie per la realizzazione e l'utilizzo di un sistema completo di information retrieval, dall'estrazione dei dati grezzi dal Web, in particolare dai social network, alla pulitura, filtraggio e processamento, fino all'ottenimento di informazioni "raffinate", essenziali nei processi decisionali informati. Verranno inoltre fornite le tecniche di base della Web Analytics, ovvero come si misura il comportamento degli utenti di un sito Web e come migliorarne la popolarità. Saranno presentati diversi framework per l'analisi testuale, il calcolo statistico e il machine learning utilizzando Python come linguaggio di riferimento. Una parte significativa del corso sarà inoltre dedicata ai Large Language Models e all'approccio Retrieval Augmented Generation (RAG). Conoscenza e comprensione. L'insegnamento ha l'obiettivo di far conoscere e comprendere allo studente i modelli di information retrieval e il loro funzionamento, il processo che sottende all'estrazione, manipolazione e analisi di dati non strutturati presenti nel Web. Verranno introdotte le metodologie operative di processamento e analisi testuale con il duplice fine di ricercare informazioni di interesse e di estrarre metriche complesse come Sentiment, Emotions e Mood espressi nei contenuti Web, con particolare riferimento ai dati provenienti dai social network. Lo studente conoscerà i fondamenti delle metriche dei siti Web con esempi pratici tramite Google Analytics, gli strumenti dell'analisi testuale basati su Python e i fondamenti dei modelli generativi e dell'architettura Transformer, comprendendo le basi del Retrieval Augmented Generation e del Prompt Engineering. Apprenderà infine le basi degli algoritmi di machine learning e come utilizzarli nel contesto dell'analisi testuale, in particolare attraverso le librerie NLTK e Scikit-Learn. Capacità di applicare conoscenza e comprensione. Lo studente sarà capace di analizzare il funzionamento dei principali componenti di un sistema di information retrieval e text analysis, e di applicare le conoscenze acquisite attraverso la progettazione di script Python per l'estrazione di contenuti Web. Saprà utilizzare le librerie NLTK e Scikit-Learn per la classificazione dei contenuti testuali, l'analisi del sentiment e l'estrazione di dati emozionali, sviluppando la capacità di estrarre, organizzare, analizzare e visualizzare informazioni provenienti da grandi flussi di dati. Sarà inoltre in grado di costruire pipeline di text analytics basate su modelli pre-addestrati e di applicare tecniche di Retrieval Augmented Generation a contesti applicativi reali. Autonomia di giudizio. Lo studente saprà valutare quali siano le metodologie e gli strumenti più convenienti da integrare con script in Python per estrarre e analizzare dati sociali del Web, come realizzare pipeline di machine learning per ottenere le prestazioni desiderate e quando sia opportuno ricorrere a modelli generativi o a soluzioni RAG. In definitiva, dato un problema di media complessità, saprà come utilizzare strumenti e conoscenze apprese durante il corso per la sua risoluzione.

Programma

Fondamenti di Information Retrieval. (10 ore) Modelli booleani e vettoriali. Analisi di precision/recall. Esercizi ed esempi pratici. Fondamenti di Web e Text Search ed estrazione dei dati. (10 ore) Indicizzazione. PageRank. Tokenizzazione. Ripulitura del testo. Stemming. Lemmatizzazione. Le metriche BOW e TFxIDF. Esercizi ed esempi. Introduzione alla piattaforma NLTK con esempi. (14 ore) Tokenizzazione. Ripulitura del testo. Stemming. Lemmatizzazione. Le metriche BOW e TFxIDF. Introduzione al machine learning con Scikit-Learn e alle architetture pipe-and-filter. Esercizi ed esempi. Data Mining e Analytics di Social Media. (12 ore) Introduzione all’estrazione dei dati delle reti sociali più popolari. Metriche delle reti sociali. Introduzione alla sentiment analysis e alla rilevazione delle emozioni. Esercizi ed esempi. Introduzione a WEKA, con esempi. (4 ore) Introduzione al machine learning con Weka. Progettazione di algoritmo di machine learning per l’analisi testuale. Esercizi ed esempi. Introduzione a Web Analytics. (4 ore) Obiettivi, metriche. KPI, Dimensioni. Target Esempi pratici tramite Google Analytics.

Abilità. Lo studente deve saper ragionare in termini analitici e logico-matematici ed utilizzare il personal computer e il web a livello utente base. Competenze Lo studente dovrà avere padronanza con gli strumenti logico-matematici e statistici acquisiti durante i corsi della laurea triennale, ed una conoscenza di base della programmazione.

La didattica sarà erogata in presenza. Le lezioni potranno essere integrate con materiali audiovisivi.

Modalità d'esame

La verifica dell'apprendimento si articola in due prove: una prova teorica individuale e un progetto pratico, da svolgere singolarmente o in gruppo di massimo due persone. Prova teorica (12 punti) - 12 domande a risposta multipla somministrate tramite Moodle. Prova pratica (20 punti) Lo studente, singolarmente o in gruppo di massimo due persone, sviluppa un progetto software in Python, applicando gli strumenti presentati durante il corso alla risoluzione di un problema assegnato. L'elaborato finale si compone di tre parti: - il codice degli script realizzati (10 punti); - un report tecnico completo sul progetto (5 punti); - una presentazione del progetto (5 punti). Il voto finale corrisponde alla somma dei punteggi ottenuti nelle due prove. I punteggi pari o superiori a 31 corrispondono al 30 e lode.

Testi di riferimento

Natural Language Processing with Python(ISBN-13: 978-0596516499) Introduction to Information Retrieval (IR e metriche) (ISBN 978-0-521-86571-). Mining the Social Web: Data Mining Facebook, Twitter, LinkedIn, Google+, GitHub, and More (ISBN-13: 978-1449367619) Google Analytics: Understanding Visitor Behavior (ISBN-13: 978-0596158002) Web Scraping with Python: Collecting Data from the Modern Web (ISBN-13: 978-1491910290)

Codice insegnamento 23993

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.