• Introduzione al R e RStudio: nozioni base d’installazione e programmazione
• Grafici in R: principi fondamentali della visualizzazione dei dati
• Statistica descrittiva in impostazioni univariate e multivariate:
• • descrizione grafica di variabili categoriali e continue (istogrammi, box plot, scatter plot), indicatori di posizione e dispersione, misure di concentrazione e Indice di Gini, misure di profondità, rappresentazione della matrice di covarianza
• Analisi dei component principali, scaling multidimensionale
• Introduzione alla visualizzazione dei dati e delle informazioni
• Codifica visuale dei dati: panoramica dei modelli visuali
• Panoramica dei software per la visualizzazione dei dati e delle informazioni
• Buone pratiche per la comunicazione dei dati e delle informazioni
• Progettare una storia data-driven

Docente: Francesca Ieva, Gabriele Colombo

• Introduzione ai compiti principali nella computer vison
• Tecniche di pre-elaborazione, normalizzazione del contrasto, aumento del set di dati
• Applicazioni nel mondo reale della computer vision e riconoscimento delle immagini con Python e Keras
• Compiti nell’elaborazione del linguaggio naturale. Rappresentazione e incorporazione di parole e frasi alternative
• Applicazioni nel mondo reale di elaborazioni del linguaggio naturale (NLD) con Pyton e Keras

Docente: Matteo Matteucci, Mauricio Soto

• Dati IoT e il loro ruolo nei processi decisionali data-driven
• Sfide nel trattamento dei dati IoT
• Flussi e tecniche di elaborazione degli eventi per i dati IoT
• Analisi descrittive e predittive per i dati IoT
• Strumenti in campo IoT con un’immersione sull’uso di Kafka e InfluxDB

Il corso prevede tre momenti di attività di gruppo durante i 2 giorni. Nel primo i partecipanti definiranno un problema data-driven con vincoli di reattività.  Nel secondo lavoreranno alla traduzione del problema business formulato nella prima attività in un problema tecnico di analisi descrittiva e predittiva di dati IoT. Nel terzo lavoreranno su come allineare le metriche di successo business con quelle tecniche.

Durante il corso verranno affrontati Case History e verrà proposta una testimonianza aziendale.

Docente: Emanuele Della Valle

• Introduzione ai social media e al contenuto generato dalle persone
• Sentiment analysis, analisi dell’atteggiamento e dell’opinione
• Rilevamento degli argomenti, estrazione della conoscenza semantica, riconoscimento della named entity
• Casi studio: eventi sociali sul larga scala, politica, studi longitudinali metropolitani (ad esempio Expo 2015, Milano Design Week and Milano Fashion Week…)

Docente: Marco Brambilla

• Sistemi Cloud: stack tecnologico, virtualizzazione e contenitori
• Cloud autoscaling, modelli di servizio (IaaS, PaaS e SaaS)
• Hadoop e introduzione all’ecosistema Hadoop
• Servizi cognitivI e intelligenza artificiale nelle piattaforme cloud
• Esempi dal mondo reale e casi d’uso (ad. Esempio Martin, il chatbot che risponde a domande business e Il caso Netflix: da Hadoop all’implemetazione Spark)

Docente: Danilo Ardagna, Andrea Saltarello

• Introduzione al paradigma Big Data: modelli ACID e BASE, principio CAP
• Data lakes e data ingestion pipeline
• Modelli di dati NoSQL. Database grafici, basati sui documenti (MongoDB), chiave- valore (Redis,…), a colonne larghe
• Spark, dagli RDDs ai frame di dati. Machine learning su Spark; da MLlib alle pipeline di apprendimento avanzato
• Applicazione e casi d’utilizzo nel mondo reale (ad esempio il caso Netflix)

Durante il corso verranno affrontati Case History.

Docente: Danilo Ardagna, Marco Brambilla

• Compiti Principali nel Machine Learning
• Apprendimento supervisionato: classificazione e regressione
• Apprendimento non supervisionato: clustering e regole associative
• Deep Learning e le sue applicazioni
• Laboratorio con analisi a ciclo completo sviluppato in Python su classificazione, regressione, casi d’uso del clustering

Docente: Carlo Vercellis, Mauricio Abel Soto

• Intelligenza artificiale, Machine Learning, Big Data Analytics: motivazioni e applicazioni
• Ruolo e competenze per la Data Science. Modelli organizzativi. Sviluppo di progetti
• Struttura per le architetture di business analytics. Dai Data warehouses ai Data lakes
• Struttura per i Servizi Cognitivi
• Applicazioni e casi d’uso nei Big Data, Intelligenza artificiale, Machine Learning

Durante il corso verranno affrontati Case History e verrà proposta una testimonianza aziendale.

Docente: Carlo Vercellis