unisalento-theme-contenuto-della-pagina [Inizio pagina]
Applied Data Science
Master universitario di II livello
Applied Data Science
Anno accademico 2020/2021
I EDIZIONE
Direttore Prof. Massimo Cafaro
Il Master è coerente con gli obiettivi della SMART SPECIALIZATION STRATEGY della Regione Puglia e consente la partecipazione all’Avviso pubblico regionale n. 2/FSE/2020 “PASS LAUREATI 2020” Voucher per la formazione post-universitaria – nell’ambito del P.O.R. PUGLIA FESR_FSE 2014-2020 – FONDO SOCIALE EUROPEO 2014IT16M2OP002
Dichiarazione di coerenza PASS LAUREATI*
Si precisa che l'allegata attestazione di coerenza fa salva la valutazione di merito circa la finanziabilità dell’iniziativa rimessa, come risulta dal paragrafo G del Bando (Procedure e criteri di ammissibilità) nonchè dal testo delle FAQ pubblicate sul portale Sistema Puglia, ad un Gruppo di lavoro/Nucleo appositamente nominato per l'esame delle candidature ed alla cui istruttoria e valutazione la presente attestazione non può sostituirsi.
Direttore del Master: Prof. Massimo Cafaro
Consiglio Scientifico:
Prof. Giovanni Aloisio, Dipartimento di Ingegneria dell’Innovazione
Prof. Mario A. Bochicchio, Dipartimento di Ingegneria dell’Innovazione
Prof. Massimo Cafaro, Dipartimento di Ingegneria dell’Innovazione
Prof. Angelo Coluccia, Dipartimento di Ingegneria dell’Innovazione
Prof. Cosimo Distante, Consiglio Nazionale delle Ricerche
Prof. Italo Epicoco, Dipartimento di Ingegneria dell’Innovazione
Prof. Gianpaolo Ghiani, Dipartimento di Ingegneria dell’Innovazione
Prof. Antonella Longo, Dipartimento di Ingegneria dell’Innovazione
Prof. Luca Mainetti, Dipartimento di Ingegneria dell’Innovazione
Prof. Giuseppe Ricci, Dipartimento di Ingegneria dell’Innovazione
Prof. Franco Tommasi, Dipartimento di Ingegneria dell’Innovazione
Prof. Daniele Martello, Dipartimento di Matematica e Fisica
Partnership:
Aziende Aìaffernti al Ditech
Sede di svolgimento attività:
Dipartimento di ingegneria dell’Innovazione– Via Per monteroni, 73100 Lecce
Segreteria amministrativa:
Dipartimento di ingegneria dell’Innovazione– Complesso Ecotekne – Corpo O
Tel. 0832 29 7700 Email:
Referente amministrativo: Dott.ssa Rita Malorgio rita.malorgio@unisalento.it
Tutor logistico:
Tutor e-learning:
Email: master.dii@unisalento.it
L’applied data scientist si occupa del pre-processing e della organizzazione dei dati, spesso grandi moli di dati (big data), al fine di effettuare le analisi necessarie per inferire nuova conoscenza estraendola dai dati disponibili. Pertanto, sviluppa appositi modelli e supporta i processi decisionali relativi ad aspetti critici del business. In particolare, nell’ambito di questo master i settori applicativi più rilevanti, da cui saranno estratti degli use-cases, includono banche e finanza, biologia e sanità, pubbliche amministrazioni, marketing, logistica e produzione, aerospazio, climate change, fenomeni complessi fisici ed astrofisici.
L’applied data scientist deve possedere non solo data analytical skills, ma anche programming skills, la capacità di gestire big data e progettare algoritmi che includano anche la conoscenza del particolare dominio applicativo a cui i dati fanno riferimento. Questa figura professionale deve essere in grado di interpretare correttamente i risultati ottenuti, di visualizzarli in modo opportuno e di narrare, tramite storytelling, le soluzioni adottate agli stakeholders coinvolti nel processo di business decision making. Nel suo bagaglio devono essere presenti metodi di analisi tradizionali e non, al fine di essere in grado di costruire modelli statistici e scoprire pattern nei dati. Alle tradizionali capacità di accesso ai dati in DBMS tramite SQL, l’applied data scientist deve coniugare buone capacità di preprocessing dei dati mediante operazioni ETL e di effettuare un’analisi esplorativa dei dati.
FUNZIONI/COMPETENZE:
Statistica, Data Mining, Machine Learning, Predictive modeling, storytelling e visualizzazione, cloud computing, metodi statistici per predictive e prescriptive modeling, algoritmi di knowledge extraction (regressione multipla, pattern recognition, clustering, rule mining, modelli di recommendation) con applicazioni a sentiment analysis, direct marketing, credit scoring etc, metodi di prediction (estrapolazione serie storiche con modelli ARIMA, destagionalizzazione dei dati, modelli di classificazione dalla regressione logistica alle Support Vector Machines etc).
Il Master è strutturato in 1500 ore di cui: - n. 392 ore di didattica frontale;
- n. 150 ore di stage;
- n. 833 di studio ed altre attività;
- n. 125 ore previste per la prova finale (cui corrisponde l'acquisizione di un numero di crediti pari a 5);
- e le rimanenti ore in attività di studio individuale.
Le lezioni in aula si terranno nei giorni di venerdì e sabato, anche in modalità telematica (collegamento Skype, Cisco Webex o Microsoft Teams). Inoltre, le lezioni saranno erogate in due ulteriori pomeriggi.
Percentuale di frequenza obbligatoria: 75%
Periodo di svolgimento
· Data di inizio prevista: 01 novembre 2020
· Data di conclusione delle attività didattiche: 30 ottobre 2021.
· Data dell’esame finale: entro il 31 dicembre 2021
8 ore nei giorni di venerdi e sabato e 4 ore in ciascuno dei due pomeriggi previsti
Numero minimo/massimo dei posti:
· Minimo: 10 – Massimo: 30
Modalità di svolgimento delle verifiche periodiche e della prova o prove finali.
Per le verifiche periodiche: si prevede, in funzione dello specifico insegnamento, una prova di verifica orale, scritta, un progetto oppure una combinazione delle modalità di verifica precedenti.
Per la prova finale: si prevede lo svolgimento di un project work.
Requisiti di accesso
Laurea Magistrale/Specialistica in Informatica (LM-18)
Laurea Magistrale/Specialistica in Matematica (LM-40)
Laurea Magistrale/Specialistica in Scienze dell’economia (LM-56)
Laurea Magistrale/Specialistica in Scienze economico-aziendali (LM-77)
Laurea Magistrale/Specialistica in Fisica (LM-17)
Laurea Magistrale/Specialistica in Biologia (LM-6)
Laurea Magistrale/Specialistica in Metodologie informatiche per le discipline umanistiche (LM-43) Laurea Magistrale/Specialistica in Ingegneria delle telecomunicazioni (LM-27)
Laurea Magistrale/Specialistica in Ingegneria gestionale (LM-31)
Laurea Magistrale/Specialistica in Ingegneria aerospaziale e aeronautica (LM-20) Laurea Magistrale/Specialistica in Ingegneria civile (LM-23)
Laurea Magistrale/Specialistica in Ingegneria meccanica (LM-33)
Laurea Magistrale/Specialistica in Ingegneria delle Telecomunicazioni (LM-27) Laurea Magistrale/Specialistica in Ingegneria Informatica (LM-32)
Modalità di ammissione
Il Master è a numero chiuso e non è attivabile senza il raggiungimento del numero minimo di n. 10 iscrizioni; il numero massimo degli iscritti è fissato in n. 30 unità.
Qualora il numero di domande di ammissione sia inferiore o uguale al numero massimo di posti disponibili, le stesse sono sottoposte a verifica dal referente amministrativo del Dipartimento di Ingegneria che constata il possesso dei requisiti di accesso dei candidati.
Qualora le domande di ammissione siano superiori al numero massimo di posti disponibili, il Consiglio del Master nomina la Commissione selezionatrice dei candidati che abbiano presentato domanda di partecipazione al Master. La Commissione, in particolare, sarà composta da un numero di componenti non inferiore a tre (n. 3), presieduta dal Direttore del Master, prof. Cafaro. Le riunioni della Commissione selezionatrice dei candidati potranno essere svolte anche in modalità telematica.
La graduatoria degli ammessi, predisposta dalla Commissione selezionatrice, sarà inviata all’amministrazione centrale per la pubblicazione all’albo Ufficiale e per gli adempimenti conseguenti. Per quel che concerne la valutazione della idoneità dei titoli conseguiti all’estero, il Consiglio del Dipartimento di Ingegneria dell’Innovazione, su proposta del Consiglio del Master, effettua la valutazione dei titoli conseguiti all’estero e della loro equipollenza.
La Commissione procederà alla valutazione delle domande pervenute ed alla formazione delle graduatorie sulla base dei seguenti criteri:
- voto di laurea: 1/10 del voto effettivo di laurea. Più 1 punto per la lode;
- dottorato di ricerca: 3 punti;
- master e corsi di perfezionamento e specializzazione: 2 punti;
- pubblicazioni attinenti i temi del master: fino a un massimo 5 punti;
- attività di lavoro dipendente ed autonomo prestato in materie attinenti al Master: 5 punti.
Almeno il 20% dei posti è riservato gratuitamente al personale dell’Università del Salento che sia in possesso di una delle lauree previste per l’ammissione, previa verifica della sostenibilità finanziaria.
L’iscrizione al Master richiede un contributo di 3.500,00.
Profilo professionale | Funzioni/competenze | Risultati di apprendimento attesi | Attività formative (titolo) |
Applied Data Scientist
| Statistica, Data Mining, Machine Learning, Predictive modeling, storytelling e visualizzazione, cloud computing, metodi statistici per predictive e prescriptive modeling, algoritmi di knowledge extraction (regressione multipla, pattern recognition, clustering, rule mining, modelli di recommendation) con applicazioni a sentiment analysis, direct marketing, credit scoring etc, metodi di prediction (estrapolazione serie storiche con modelli ARIMA, destagionalizzazione dei dati, modelli di classificazione dalla regressione logistica alle Support Vector Machines etc).
| Ottima capacità di programmazione ad oggetti – linguaggio Python e suo uso per lo sviluppo in cloud di applicazioni (data services) basate su machine learning
| LABORATORIO DI PROGRAMMAZIONE PYTHON |
|
| Conoscenza della matematica su cui si basano algoritmi fondamentali per la data science (riduzione dimensionale dei dati con metodi PCA e SVD etc) | MATEMATICA PER DATA SCIENCE |
|
| Ottima conoscenza statistica (dalla stima parametrica e non parametrica fino ad ANOVA, regressione lineare e logistica, analisi di time-series, estrapolazione serie storiche con modelli ARIMA, destagionalizzazione dei dati)
| STATISTICA COMPUTAZIONALE |
|
| Capacità di usare big data per rispondere ai bisogni dell’azienda. Capacità di visualizzazione dei dati e dei risultati, e di storytelling nei confronti degli stakeholders coinvolti nel processo di business decision making. Conoscenza di massima delle architetture (cloud, CPU versus GPU, database relazionali e non), dei formati dei dati, dei concetti di data warehouse, delle piattaforme cloud più diffuse (AWS, Azure Google Cloud Platform). | LABORATORIO DI ANALISI ESPLORATIVA E BIG DATA |
|
| Capacità di effettuare il mining dei dati per estrarre pattern nascosti nei dati, con applicazioni alla document similarity, link analysis, recommeder systems etc. | DATA MINING |
|
| Conoscenza dei modelli di apprendimento automatico (PAC learning, evolutionary learning, reinforcement learning, deep learning). | TEORIA DELL’APPRENDIMENTO AUTOMATICO |
|
| Processi decisionali, ottimizzazione non lineare, applicazioni alla pianificazione della produzione, al project management, alla finanza, etc. | MODELLI DECISIONALI ED OTTIMIZZAZIONE |
|
| Conoscenza degli aspetti legali relativi al trattamento dei dati. | ASPETTI LEGALI DELLA GESTIONE DELL’INFORMAZIONE |
|
| Uso di librerie Python per AI quali TensoFlow, Keras, Theano etc.
| LABORATORIO DI PROGRAMMAZIONE AI |
24/11/2020 Dichiarazione PASS LAUREATI inizio presunto lezioni
20/11/2020 Si comunica che i candidati ammessi devono formalizzare l'iscrizone al Master entro 10 giorni dall'avvenuta notifica.
Si comunica, altresì, che le lezioni inizieranno nel mese di Gennaio, per consentire l'attenuarsi della situazione epidemiologica legata alla diffusione del COVID-19. Ogni informazione sarà fornita agli studenti via mail, all'indirizzo comunicato all'atto dell'iscrizione.
In base all'andamento della curva dei contagi e alle disposizioni governative, regionali e rettorali, si stabiliranno le modalidà di erogazione delle lezioni (presenza o on-line).
19/11/2020 Si comunica che è stato pubblicato l'elenco degli ammessi al master: