Corso di laurea
Data Science
Università degli Studi di Napoli - Federico II · 14 materie · 0 file condivisi
Il corso di laurea magistrale in Data Science, facendo sue le richieste della Commissione BigData@MIUR, istituita nel 2016,risponde ad una precisa richiesta da parte del mondo del lavoro nazionale, europeo e mondiale ed è finalizzato alla formazione di "Data scientist".
La suddetta commissione raccomanda esplicitamente di rafforzare lofferta di corsi di Data Science in tutti i corsi di studio, a partire addirittura dalle lauree triennali. Lo stesso rapporto prevede nei prossimi anni una crescita sostenuta dellofferta di lavoro nel campo dei Big Data, superiore a quanto si prevede per l'Information Technology (IT) e decisamente superiore alla crescita in tutti gli altri settori. Lanalisi del MIUR prende le mosse dalla semplice constatazione che già nel 2000 il 25% di tutta l'informazione prodotta nel mondo era registrata su supporto digitale; tale percentuale è salita al 98% nel 2013 e ci si aspetta che d il volume di dati immagazzinati crescerà del 40% allanno fino al 2020. Possedere le competenze necessarie per scegliere ed accedere a questi dati, per integrarli, analizzarli ed estrarne conoscenza utile, per erogare servizi basati su dati digitali e per migliorare la qualità della vita delle comunità e di singole persone, è diventato uno dei principali volani della crescita sociale ed economica. Uno studio della situazione italiana condotto dal CRISP rileva che "complessivamente gli annunci di lavoro sul web, per le professioni nellarea Big Data sono stati oltre 2 mila nel periodo che va da febbraio 2013 a marzo 2016. Il trend complessivo per larea Big Data è in aumento; in particolar modo nel I trimestre 2016 si osserva un aumento del 97% rispetto allo stesso periodo dellanno 2014. Rispetto allanno 2015 laumento è del 73%.". E importante notare a questo proposito che linteresse per la figura (o figure) dello scienziato dei dati ha origine non solo nei settori economici più vicini al modello della cosiddetta "industria 4.0", ma anche in settori più tradizionali come, ad esempio, quello delle compagnie assicurative.
Infine, diverse previsioni relative ai prossimi trenta anni assegnano ai servizi "data intensive", ad esempio le applicazioni accessibili sul telefono cellulare, oltre il 70% del mercato del lavoro. Sulla base del Rapporto di cui sopra, si prevede fino almeno al 2020 una crescita dell'offerta di lavoro nei Big Data del 23% all'anno, contro il 19% di tutto il settore dell'Information Technology (IT) e il 6% globale.
Il Corso di Laurea Magistrale in Data Science dellUniversità degli Studi di Napoli Federico II si rivolge quindi a quei laureati triennali che siano interessati ad estendere le conoscenze e competenze acquisite nel loro percorso formativo universitario verso le tecniche statistiche e le tecnologie informatiche utili a selezionare, elaborare, analizzare fonti di dati in forme nuove, orientandosi verso una professione che ha un rilevante futuro. La proposta di istituzione della LM in Data Science intende formare figure professionali di alto livello che sappiano integrare conoscenze relative alle tecniche, i linguaggi e le tecnologie informatiche con conoscenze sulle tecniche, le metodologie e gli ambienti di analisi statistica, applicandole ai processi di gestione, analisi e utilizzo dei dati a fini della ricerca di base e applicata, e delle applicazioni in ambito di finanza, della Real World Evidence, dellamministrazione e delle scienze sociali. Queste tre anime si riflettono nella definizione dei tre percorsi curriculari che si intende avviare e di cui si darà maggior dettaglio nei seguito del documento:
●Data Science per le Pubbliche Amministrazioni, l'Economia e le Aziende
●Data Science per le Scienze di Base e l'Ingegneria
●Data Science per la Real World Evidence in FArmnacologia e Oncologia
Per far fronte alle esigenze di un mercato del lavoro che richiede il possesso di competenze in rapidissima evoluzione, il Corso prevede forme innovative e dinamiche di insegnamento che coinvolgono figure accademiche e professionisti del settore. Lapprendimento delle conoscenze, lacquisizione delle capacità e il raggiungimento degli obiettivi avverrà attraverso lezioni teorico-pratiche e laboratori didattici, lezioni trasversali multidisciplinari, interazione diretta con imprenditori del settore (questi ultimi direttamente coinvolti nel processo formativo anche tramite il comitato di indirizzo).
Il percorso di studio e le competenze acquisite saranno descritte in dettaglio nel seguito del documento. Qui ci si limiterà a sottolineare come il principio ispiratore sia stato quello di avere un primo anno interamente dedicato all'acquisizione delle metodologie e delle tecnologie fondanti del settore (in ambito ingegneristico, matematico, tecnologico, statistico e etico/legale). Il secondo anno sarà invece dedicato alla acquisizione delle conoscenze (matematico/statistiche, struttura dati, e specifiche tecnologie implementanti) negli specifici domini identificati dai tre curricula. Il tutto facendo particolare attenzione a favorire ove possibile le attività di laboratorio e hands-on.
Alla fine del primo anno, lo studente avrà acquisito competenze approfondite e operative di: statistica avanzata e statistical learning, analisi dei dati, infrastrutture Hardware e Software per i big data, reti di calcolatori, calcolo distribuito e HPC, machine learning e data mining, nonché una conoscenza professionale degli aspetti legati alla privacy e alla sicurezza dei dati sensibili e delle implicazioni etiche dei Big Data.
Il secondo anno invece sarà dedicato ad un approfondimento di metodologie specifiche del settore (dominio) di interesse (identificato dal curriculum scelto) ed all'acquisizione delle competenze basilari indispensabili per permettere una proficua interazione con gli esperti del settore applicativo.
Il percorso formativo, infine, è integrato dalla possibilità per lo studente di effettuare stage/internship presso aziende ed enti convenzionati e di svolgere tesi (oggetto della prova finale) presso Enti e Aziente convenzionati su progetti definiti in accordo con uno o più supervisori accademici.
Durante lintero percorso gli studenti saranno direttamente coinvolti anche in altre importanti attività di gruppo quali ad esempio:
●Comunicazione via social media: durante il 1° e 2° anno, le classi saranno coordinate da tutor nella gestione della comunicazione attraverso i principali social network allo scopo di divulgare le attività svolte durante il corso di laurea
●Seminari specialistici (Altre attività)
●Competizioni organizzate da sponsor o gruppi internazionali (e.g. ideaconnection) per la soluzione di specifici problemi
●Attività hands-on, hack-a-ton, etc
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
introdurre gli studenti all'analisi, alla comprensione e all'elaborazione dei dati utilizzando strumenti matematici Il corso mira a fornire agli studenti gli strumenti chiave alla base della Data Science, sviluppando…
Scheda dell'insegnamento
Obiettivi formativi
introdurre gli studenti all'analisi, alla comprensione e all'elaborazione dei dati utilizzando strumenti matematici
Il corso mira a fornire agli studenti gli strumenti chiave alla base della Data Science, sviluppando le competenze necessarie per modellare, analizzare e interpretare dati complessi. Alla fine del corso, gli studenti saranno in grado di applicare concetti di algebra lineare, calcolo differenziale, probabilità e ottimizzazione alla progettazione e all'analisi di algoritmi di machine learning, acquisendo una solida base teorica per supportare le tecniche moderne di machine learning e analisi dei dati.
Conoscenza e capacita' di comprensione: Entro la fine del corso, gli studenti saranno in grado di:
- comprendere e usare i principali strumenti matematici impiegati in Data Science;
- rappresentare dati e problemi usando modelli matematici appropriati;
- applicare tecniche di algebra lineare, analisi matematica, probabilità e ottimizzazione all'analisi dei dati;
- interpretare le basi matematiche degli algoritmi di machine learning più comuni;
- valutare criticamente i risultati ottenuti, riconoscendo i limiti, le assunzioni e le condizioni di applicabilità dei metodi utilizzati;
- usare il formalismo matematico per affrontare e risolvere problemi di data science con rigore e autonomia.
Capacita' di applicare conoscenza e comprensione: Alla fine del corso, gli studenti saranno in grado di applicare gli strumenti matematici principali alla formulazione e alla risoluzione dei problemi tipici della data science. In particolare, potranno modellare i dati usando strutture matematiche appropriate, applicare tecniche di algebra lineare, calcolo differenziale, probabilità e ottimizzazione all'analisi dei dati, e comprendere le basi matematiche degli algoritmi di machine learning. Inoltre, saranno in grado di interpretare criticamente i risultati ottenuti, valutandone accuratezza, affidabilità e limiti di applicabilità, e di usare strumenti di calcolo scientifico per implementare e convalidare le soluzioni proposte.
Programma
Algebra Lineare
Vettori e spazi vettoriali.
Indipendenza lineare, base e dimensione.
Matrici e operazioni con le matrici.
Sistemi di equazioni lineari.
Autovalori e autovettori.
Ortogonalità e proiezioni.
Fattorizzazioni di matrici (LU, QR).
Ottimizzazione
Ottimizzazione senza vincoli.
Ottimizzazione con vincoli.
Moltiplicatori di Lagrange.
Discesa del gradiente e sue varianti.
Fondamenti di ottimizzazione convessa.
Metodi Numerici
Aritmetica in virgola mobile.
Stabilità numerica e condizionamento.
Soluzione numerica dei sistemi lineari.
Problemi di minimi quadrati.
Introduzione ai metodi iterativi.
Metodi matematici per il Machine Learning
Regressione lineare.
Regressione logistica.
Analisi delle Componenti Principali (PCA).
Decomposizione ai valori singolari (SVD).
Regolarizzazione (L1 e L2).
Introduzione ai metodi kernel.
Applicazioni alla Data Science
Rappresentazione delle caratteristiche.
Riduzione della dimensionalità.
Preprocessing e normalizzazione dei dati.
Fattorizzazione di matrici per i sistemi di raccomandazione.
- Studi di caso con dataset reali.
Modalità d'esame
la valutazione tiene conto della completezza e della chiarezza espositiva delle risposte ai quesiti della prova scritta nonchè della capacità di applicare i concetti appresi a nuovi casi di studio.
Testi di riferimento
Libri di testo suggeriti dal docente
Codice insegnamento mathematical-methods-for-data-science
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.