MASTER in DATA SCIENCE & BUSINESS ANALYTICS

• Introduzione alla IV rivoluzione industriale ed alla trasformazione digitale
• I dati al centro della IV rivoluzione industriale
• I dati a supporto delle altre tecnologie esponenziali, IoT e Cloud
• I Big Data Analytics e le nuove opportunità per generare valore

• Le origini del ruolo
• Che cosa fa un Data Scientist: attività e job description
• Le caratteristiche di un Data Scientist
• Gli impatti a livello organizzativo

• I passi operativi del processo dei Data Science
• L’identificazione del problema
• La raccolta e l’integrazione dei dati
• L’esplorazione e la modellazione dei dati
• La comunicazione dei risultati

• Gli assetti ed i modelli organizzativi della Big Data Enterprise
• Il modello “Business Driven”
• Il modello centralizzato
• Il modello a matrice
• Il modello ibrido

Testimonianze, best practice e casi di successo

• I principi base dal Data Science
• L’introduzione ai principali tools e metodologie
• Programmare il Phyton con la programmazione funzionale
• L’editing dei più importanti formati di file utilizzati in Data Science

• Le analisi numeriche attraverso le librerie scientifiche Numby e Matplotlib
• La creazione di Dashboard dinamiche visualizzare dati ed analisi statistiche
• Le Query SQL per le interrogazioni complesse
• L’ambiente di sviluppo Jupiter

• L’adozione di Git per la gestione degli ambienti di sviluppo, test e produzione
• L’utilizzo della Shell Bash per la gestione dei file e l’esecuzione dei programmi
• La pratica con i principali software analitici da Anaconda a Tableau
• L’analisi di applicazioni concrete

• Descrizione e concetti chiave dell’”Internet delle Cose” in chiave industriale
• Gli ambiti di utilizzo correnti e futuri nella Smart Manufacturing
• I rischi potenziali e le principali sfide
• Casi di successo e best practices

• Principi base dell’apprendimento statistico e del Machine Learning
• L’ottimizzazione dei modelli attraverso le features più significative
• L’analisi delle metriche per la valutazione dei risultati
• L’utilizzo degli algoritmi per predire i dati

• Gestione, manipolazione e pulizia dei dati
• L’applicazione di modelli di statistica avanzata e tecniche di “scrapring”
• L’interazione con i sistemi cloud per gestione dei dati remoti
• Cloud Computing e modelli di delivery per gli Analytics

• Principi e concetti chiave del Machine Learning
• L’analisi delle serie temporali e della statistica Bayesiana
• Comprendere le tecniche di analisi dell’immagine
• L’automazione dei processi di Machine Learning 

• I principi delle reti neurali e del deep learning
• L’efficienza dei modelli convoluzionali e ricorrenti
• L’estrazione delle informazioni da immagini e testi
• Sistemi di raccomandazione, word embedding  e adversarial network

• Introduzione alle tecnologie più moderne di Data Science
• L’intelligenza artificiale al centro della Cognitive Enterprise
• Rendere operativi i modelli di AI in sincronia con DevOps
• I vantaggi del modello ModelOps multicloud

• Il contesto di riferimento dei Big Data Analytics
• l big data journey: dalla strategia alla tecnologia attraverso competenze e governance
• I  principali trends emergenti
• La diffusione dei Big Data Analytics in Italia

• Introduzione e quadro di riferimento alla Data Governance
• I 4 pilastri della Data Governance
• Big Data Analytics, data governance e change management
• Analisi di alcuni casi concreti di progetti di Data Governance

• Gli ambiti progettuali dei Big data Analytics
• Le fasi di un progetto Big data Analytics: dall’analisi alla valutazione
• Tools e frameworks di Design Thinking di supporto ai Big Data Analytics projects
• Analisi di alcuni progetti Best Practice di successo

• Le analisi descrittive per leggere ed interpretare il passato
• Le analisi predittive per prevedere comportamenti futuri
• Le analisi prescrittive ed “automated” per l’automazione di processi e la presa di decisioni
• Le principali barriere per l’utilizzo dei big data analytics

• Le logiche ed i principi di Data Visualisation
• La Data Visualisation Storytelling
• I principali software e tools per la Data Visualisation
• L’analisi di casi concreti

• Le fonti normative per la tutela dei dati personali
• Le principali problematiche di privacy legate ai Big Data
• Le soluzioni e le regole da rispettare
• Data protection impact assessment

• Le Start Up come fonte continua di innovazione
• L’ecosistema delle start-up nella diffusione dei Big Data.
• Le tipologie di Start-Up nei big data
• Analisi di Big Data Analytics start-up di successo

• L’utilizzo dei Big data Analytics nell’industry 4.0
• Big Data, AI e Analytics per l’ottimizzazione dei processi produttivi
• La manutenzione predittiva e  altri trends per il futuro
• Analisi di casi concreti di applicazione in ambito Manufacturing

• Introduzione alla data driven Customer Relationship
• Gli ambiti progettuali dell’utilizzo dei dati nella relazione con il cliente
• Big Data Analytics, AI e sistemi di C.R.M. (Customer Relationship Management)
• L’utililizzo dei Big Data Analytics in ambito Retail
• Analisi di casi concreti di applicazione nella relazione e gestione del cliente

• Dati e intelligenza artificiale per il processo di recruitment
• La valutazione delle performances nell’era digitale
• Big data e l’automazione dei processi hard
• Big data a AI a supporto del processo di learining
• Analisi di casi di applicazione nell’area HR

• Big Data Analytics e controllo di gestione 4.0
• Big Data, AI e Robot process automation nell’area Finance
• L’utilizzo dei dati per prevenire frodi e prevenire i rischi aziendali
• Analisi di casi applicazione nell’area Finance

• Big Data Analytics e Marketing
• Big Data, AI e Robot process automation nell’area Marketing
• Analisi di casi applicazione nell’area Marketing

• L’utilizzo dei Big Data Analytics nella Pubblica Amministrazione
• Le possibili applicazioni nella Mobilità e Trasporti
• Big Data Analytics per sanità e formazione
• Esempi e casi concreti di applicazione

• Big Data Analytics a supporto di value position e vantaggio competitivo
• Come integrare i Big data nell’offerta di beni e servizi
• Rilevanza, velocità ed obsolescenza dei dati
• L’utilizzo dei dati per la co-creazione di valore a livello di community
• Analisi di casi concreti di applicazione