Area: Big Data Mining

Docenti: Aziende partner

Descrizione:
Questo modulo introduce nozioni della teria dei grafi per analizzare grandi reti socio-economiche. L'analisi poi ci condurrà alla descrizione della modellazione di vari fenomeni e alla corretta definizione di benchmarks con l'uso di un approaccio ispirato alla fisica statistica classica.

Area: Generico

Docenti: Monreale Anna , Sîrbu Alina , Prencipe Giuseppe

Tutor: Pratesi Francesca , Milli Letizia , Pellungrini Roberto

Descrizione:
Il modulo ha l'obiettivo di allineare le competenze informatiche ed analitiche di base degli studenti, in particolare in materia di basi di dati, di analisi statistica ed esplorativa dei dati e di linguaggi di programmazione.

Strumenti e Tecniche:

• SQL,
• Microsoft
• SQL
• Server,
• Python,
• Excel

Area: Big Data Ethics

Docenti: Monreale Anna , Ruggieri Salvatore , Comandè Giovanni

Descrizione:
Il modulo si propone di introdurre le nozioni etico-legali di privacy, anonimato, trasparenza e non-discriminazione, anche in riferimento al quadro normativo comunitario e alla sua evoluzione in corso. Saranno mostrati i modelli e le tecnologie di privacy-by-design, di auditing dei modelli predittivi e di difesa dei diritti personali, che permettono l'analisi di Big Data nel rispetto del diritto alla protezione dei dati personali, alla trasparenza e al trattamento non discriminatorio.

Strumenti e Tecniche:

• Software
• scientifico
• per
• la
• sanitizzazione
• di
• dataset
• rispetto
• a
• modelli
• di
• privacy
• e
• di
• fairness.

Competenze:

Lo studente acquisirà conoscenze sulle principali nozioni etico-legali di privacy, anonimato, trasparenza e discriminazione. Inoltre, imparerà come si può progettare un processo analitico per big data rispettando il diritto alla protezione dei dati personali, alla trasparenza e al trattamento non-discriminatorio. Lo studente saprà valutare il trade-off tra l’impatto etico-sociale-legale nell’adozione di talune tecnologie rispetto al vantaggio che ne deriva.

Area: Big Data for Social Good

Docenti: Aziende partner

Descrizione:
Il modulo prevede attività seminariali che riportano esperienze e casi di studio/uso di Big Data analytics e Social Mining da parte del laboratorio SoBigData.eu e delle aziende ed istituzioni partner del Master.

Area: Big Data Sensing & Procurement

Docenti: Fagni Tiziano

Tutor: Mazza Michele

Descrizione:
Il modulo presenta le tecniche di acquisizione di big data dalle principali sorgenti ad oggi disponibili, incluso dati telefonici, dati di navigazione satellitare, dati di acquisto e di consumo e dati da social media e social networks, open data e dati amministrativi, dati da sensori personali e ambientali. Vengono anche discusse le modalità partecipative di raccolta dei  dati attraverso sistemi di crowdsourcing and crowdsensing come i giochi con scopo e le campagne virali.

Strumenti e Tecniche:

• Le
• principali
• tecniche
• che
• si
• affronteranno
• riguardano
• la
• gestione
• di
• grandi
• quantità
• di
• dati,
• come
• ad
• esempio
• le
• tecniche
• di
• “data
• cleaning”
• utilizzate
• per
• migliorare
• la
• qualità
• dei
• dati.
• Saranno
• inoltre
• presentati
• metodi
• per
• raccogliere
• dati
• da
• Web
• in
• modo
• mirato
• e
• saranno
• mostrate
• le
• più
• comuni
• API
• per
• accedere
• alle
• informazioni
• presenti
• sui
• Social
• Media.

Competenze:

Il corso ha l’obiettivo di fornire le competenze di base per la creazione e la gestione di grandi quantità di dati. Si acquisiranno i concetti fondamentali sulla qualità dei dati, data cleaning e tool di raffinamento dei dati. Inoltre saranno svolte delle esercitazioni pratiche per interrogare le API esposte dai più comuni Social Media tramite linguaggi di scripting come PHP.

Area: Big Data for Business

Docenti: Piccaluga Andrea , Di Minin Alberto

Tutor: Del Sarto Nicola , Cucino Valentina

Descrizione:
Il modulo mira innanzitutto a presentare le caratteristiche principali dei processi di innovazione nelle imprese e nelle istituzioni. Oltre ad alcuni cenni teorici di economia dell’innovazione, enfasi verrà posta sulla gestione dei processi innovativi (ruolo della R&S, dell’Open Innovation, ecc.). Verranno poi descritte le nuove opportunità di innovazione rese possibili dagli avanzamenti recenti nei processi di raccolta ed elaborazione di dati su vasta scala. Infine, dopo avere spiegato i concetti e i modelli di business model e di start-up, verrà svolto un eservizio di business model innovation teso ad esplorare le potenzialità dei Big Data nell’aprire nuove possibilità di business.

Competenze:

I partecipanti acquisiranno le competenze di base nel campo del management dell’innovazione e soprattutto sperimenteranno un percorso originale di business model innovation.

Area: Big Data Technology

Docenti: Ruggieri Salvatore

Tutor: Pellungrini Roberto

Descrizione:
Il modulo presenta tecnologie e sistemi per la progettazione, il popolamento e l'interrogazione di Data Warehouse per il supporto alle decisioni. L’accento viene posto sulle tecnologie e sull’analisi di problemi applicativi utilizzando esempi e casi studio, con esercitazioni in laboratorio. Lo studente acquisirà conoscenze e capacità sulle principali tecnologie per la Business Intelligence come ETL (Extract, Transform and Load), Data Warehousing, Analytics SQL, OLAP (Online Analytical Processing).

Strumenti e Tecniche:

• Formati
• di
• rappresentazione
• dei
• dati
• su
• file
• (CSV,
• FLV,
• XML).
• Protocolli
• per
• l’accesso
• ai
• dati
• su
• sistemi
• per
• basi
• di
• dati
• relazionali.
• Strumenti
• per
• l'ETL:
• SQL
• Server
• Integration
• Services
• (SSIS).
• Strumenti
• per
• l'analisi
• multidimensionale
• (OLAP):
• SQL
• Server
• Analysis
• Services
• (SSAS).
• Reportistica
• con
• Excel
• e
• SQL
• Server
• Reporting
• Services
• (SSRS).

Competenze:

Lo studente acquisirà conoscenze sulle principali metodologie, architetture e tecnologie di Business Intelligence, con particolare riferimento ai sistemi software ed alla loro applicazione al supporto delle decisioni. Lo studente saprà utilizzare, in modo basilare, strumenti software per l’accesso, la pulizia e la trasformazione di dati, e strumenti per la definizione di cubi multidimensionali e per la progettazione di reportistica di sintesi.

Area: Big Data Mining

Docenti: Giannotti Fosca , Pedreschi Dino , Guidotti Riccardo

Tutor: Citraro Salvatore

Descrizione:
Il modulo si propone di fornire un’introduzione ai concetti di base del data mining e del processo di estrazione della conoscenza, con approfondimenti sui modelli analitici e gli algoritmi più diffusi per il clustering, la classificazione e la scoperta di patterns, anche in riferimento alle nuove sorgenti di Big Data.

Strumenti e Tecniche:

• KNIME,
• Python,
• Scikit-Learn,
• Pandas

Area: Big Data Story Telling

Docenti: Rinzivillo Salvatore , Marchetti Andrea , De Biase Luca

Tutor: Fadda Daniele , Bachini Viola , Lo Duca Angelica

Descrizione:
Il modulo ha l'obbiettivo di preparare gli studenti per la creazione di presentazioni appropriate dei dati e della conoscenza estratta attraverso strumenti e narrative multimediali. Il modulo prima presenta le tecniche di visualizzazione per una presentazione efficace delle informazioni che derivano da sorgenti dati differenti: dati strutturati (relazionali, gerarchie e alberi), dati relazionali (social network), dati temporali, dati spaziali e dati spazio-temporali. Infine, il modulo presenta esperienze significative di giornalismo e storytelling basate su informazione quantitativa estratta da diverse sorgenti.

Area: Big Data Mining

Docenti: Bacciu Davide

Tutor: Cossu Andrea

Descrizione:
Il corso introduce i fondamenti dell'artificial neural network e fornisce una panoramica delle principali tecninche e dei modelli di deep learning. In particolare sono mostrati in dettaglio i modelli neurali che sono utili per affrontare task predittivi su dati vettoriali, sequenziali e immagini e utili per il deep learning generativo, inclusi variational e adversarial learning.

Area: Big Data Mining

Docenti: Amato Giuseppe , Falchi Fabrizio , Gennaro Claudio

Tutor: Carrara Fabio

Descrizione:
L'informazione che circola sul web e sui social networks e' sempre piu' di natura multimediale. La possibilita' di capire il contenuto e di cercare documenti multimediali su larga scala, specialmente in assenza di descrizioni testuali, e' diventata uno strumento strategico. Il modulo ha l'obbiettivo di presentare strumenti per analizzare ed estrarre informazione da dati multimediali, per cercarli in enormi database.

Area: Big Data Technology

Docenti: Trasarti Roberto

Tutor: Monteiro de Lira Vinicius

Descrizione:
Il corso propone l’insegnamento di concetti base del paradigma di calcolo distribuito tramite MapReduce dal punto di vista teorico e pratico, in particolare ci si focalizzerà su Hadoop per lo sviluppo di competenze nell'uso di strumenti di calcolo ad alte prestazioni per il data engineering, l'analisi di dati e l'utilizzo di tecniche di data mining. Gli studenti impareranno come i classici algoritmi di data mining possono essere applicati sui Big Data usando Hadoop (Spark). Set di dati reali (e open source) verranno utilizzati per presentare esempi e per consentire agli studenti di costruire i propri progetti.

Strumenti e Tecniche:

• Python,
• Hadoop,
• Pig,
• Hive,
• MongoDB,
• Spark

Competenze:

Lo studente acquisirà la padronanza di strumenti di calcolo dal alte prestazioni per piattaforme distribuite, e sperimenterà la loro applicazione a dati reali e ad analisi condotte durante il master.

Area: Big Data Sensing & Procurement

Docenti: Ferragina Paolo

Tutor: Santoro Roberto

Descrizione:
Il modulo prevede la descrizione della struttura di un motore di ricerca e di strumenti di Text Mining, analizzando le loro caratteristiche e limiti dal punto di vista computazionale, dei parametri precision/recall/F1, e di espressività delle interrogazioni supportate. Il modulo prevede anche una parte hands-on in cui si descriveranno e utilizzeranno alcuni ben noti strumenti open-source Python per il crawling e analisi di pagine web, l’annotazione semantica di testi (TagMe), e l’indicizzazione di collezioni documentali (ElasticSearch).

Strumenti e Tecniche:

• TagMe,
• Rake,
• Python

Area: Big Data Mining

Docenti: Passarella Andrea

Tutor: Rossetti Giulio

Descrizione:
Il modulo ha lo scopo di fornire agli studenti gli strumenti e le conoscenze necessarie ad analizzare dati su larga scala provenienti da Online Social Networks. Nel modulo vengono presentati gli strumenti di analisi necessari, vengono poi illustrati i risultati ottenuti applicando tali strumenti a vari tipi di reti sociali. Tali strumenti vengono applicati ai due modi principali di rappresentare una OSN tramite grafi, considerando cioè il social e l’interaction graph. Nel corso delle ore di laboratorio, gli studenti applicano i concetti appresi a lezione su dataset reali di Online Social Networks. Vengono svolti laboratori sull'analisi dei vari tipi di grafo sociale visto a lezione. Gli studenti apprendono così l'utilizzo di strumenti software di riferimento per l'analisi di dati provenienti da Online Social Networks.

Strumenti e Tecniche:

• Strumenti
• SW
• per
• la
• rappresentazione
• e
• l’analisi
• di
• grafi
• OSN
• su
• larga
• scala
• Tecniche
• per
• l’estrazione
• di
• indici
• descrittivi
• delle
• proprietà
• fondamentali
• dei
• grafi
• OSN
• partendo
• da
• dati
• di
• interazione
• tra
• utenti
• Tecniche
• per
• l’analisi
• delle
• strutture
• delle
• reti
• sociali
• personali,
• per
• la
• raccolta
• dei
• dati
• necessari
• e
• per
• l’analisi
• della
• loro
• evoluzione
• temporale.

Competenze:

Capacità di analizzare dataset di OSN su larga scala Comprensione degli indici principali per capire le proprietà strutturali delle OSN, e la loro evoluzione dinamica Capacità di utilizzare strumenti SW per la manipolazione e l’analisi di tali dati.

Area: Big Data Mining

Docenti: Esuli Andrea

Tutor: Moreo Fernández Alejandro

Descrizione:
Il modulo presenta le principali tecniche di analisi e mining delle opinioni e delle preferenze degli utenti sulla base di Big Data provenienti dal web o da altre sorgenti. Particolare enfasi viene posta sull'uso delle tecniche di text mining per la comprensione del significato emotivo dei testi prodotti dagli utenti sui social media. L'apprendimento sarà sostenuto da numerosi casi di studio sviluppati nel laboratorio SoBigData.eu.

Strumenti e Tecniche:

• Analisi
• statistica
• della
• rilevanza.

Competenze:

Riconoscimento di problemi di SAOM in contesti pratici. Scelta del modello più adatto per la loro formalizzazione (per esempio: classificazione binaria, regressione, quantificazione). Definizione delle risorse esterne necessarie allo svolgimento del processo (per esempio: risorse lessicali, annotazione di dati di training). Scelta di strumenti software appropriati, implementazione di componenti ad hoc. Scelta e utilizzo di metodi di machine learning per la creazione di modelli per SAOM. Valutazione dei modelli generati, interpretazione dei risultati.

Area: Big Data Mining

Docenti: Lillo Fabrizio

Tutor: Livieri Giulia

Descrizione:
Questo modulo presenta metodologie, tecniche e tools di analisi statistica per data science: conoscenza di base della teoria della probabilità, variabili random, modelli statistici, estimation theory, test delle ipotesi, bootstrap, e conoscenza di base dell'analisi delle serie temporali. Il modulo mostra l'applicabilità in casi di studio nel dominio della finanza.

Strumenti e Tecniche:

• Analisi
• statistica
• della
• rilevanza.

Area: Big Data Mining

Docenti: Nanni Mirco , Nardini Franco Maria

Tutor: Pappalardo Luca

Descrizione:
Il corso ha lo scopo di introdurre le principali tecniche di data mining e machine learning (incluso deep learning) per l'analisi di dati temporali, in particolare di time series e dati spazio-temporali relativi alla mobilita' umana. La presentazione delle nozioni sara' supportata da diversi casi di studio sviluppati dal laboratorio SoBigData.eu.

Strumenti e Tecniche:

• The
• methods
• and
• techniques
• presented
• include
• the
• following:
• trajectory
• and
• profile
• reconstruction
• methods;
• O/D
• matrices
• of
• the
• mobility
• demand;
• trajectory
• clustering;
• flock-,
• swarm-
• and
• convoy-
• patterns;
• mobile
• activity
• recognition.
• In
• the
• course,
• the
• M-Atlas
• platform
• will
• be
• introduced,
• for
• the
• analysis
• of
• mobile
• objects'
• trajectories.

Competenze:

Knowledge of the main opportunities, issues and limitations in the analysis of Bog Mobility Data; knowledge of the main data mining methods for such data; skills to use some specific analysis tools, developed over real datasets.

Area: Generico

Docenti: Aziende partner

Descrizione:
Il periodo di tirocinio previsto dal Master è di 500 ore, corrispondenti a 20 CFU, da svolgersi individualmente o in piccoli gruppi presso una delle aziende ed istituzioni partner del master, sulla base di un progetto concordato e sotto la supervisione di un team di tutor composto da docenti del master e responsabili aziendali. Al termine del periodo di tirocinio, il candidato redige una tesina per descrivere il lavoro svolto, le metodologie utilizzate e i risultati dell'attività di tirocinio svolta presso l'azienda o l'istituzione ospitante. La tesi viene presentata dal candidato in sede di esame finale del master. La tesina viene valutata in base alla qualità del materiale presentato e alle capacità di analisi e di sintesi dimostrate dal candidato nella stesura della tesina stessa. Periodo Tirocino: Settembre - Dicembre.

Area: Big Data Mining

Docenti: Nardini Franco Maria , Trani Salvatore

Tutor: Monteiro de Lira Vinicius

Descrizione:
Il corso presenta le principali tecninche di analisi dei dati sel web.Usando i query log di un motore di ricerca come un caso di studio, gli studenti sono guidati nello sviluppo di un insieme di metodologie per l'analisi dei dati con lo scopo di creare la base di conoscenza utile a costruire un sistema di raccomandazione. Inoltre il corso discute come la stessa informazione possa essere ottimizzata per il ranking nei servizi web. In particolare il corso introduce tecniche di "learning to rank" che hanno lo scopo di stimare la rilevanza di oggetti rispetto ai bisogni di un utente.

Strumenti e Tecniche:

• Python