Didattica 2015-2016
Il Master Big Data è un master full-time erogato interamente online che avrà durata di un anno a partire da Novembre. L'attività didattica prevede due fasi principali: la prima fase, che copre il periodo da Novembre a fine Luglio, è dedicata alle lezioni frontali e attività progettuali; mentre la seconda fase, che copre il periodo Agosto-Dicembre, è dedicata al tirocinio di 475 ore che gli studenti svolgeranno presso i nostri partners.
L'attività didattica settimanale durante la prima fase prevede alcune ore di lezioni frontali concentrate dal mercoledì al sabato e delle ore di laboratorio (non obbligatorie) durante le quali gli studenti potranno esercitarsi sperimentando sul campo i metodi presentati a lezione con il supporto di tutor. Il consiglio del Master ha stabilito che ai fini del conseguimento del titolo sarà necessaria la presenza obbligatoria dello studente ad almeno il 70% delle ore di lezioni frontali. L'organizzazione didattica settimanale è descritta in dettaglio nelle seguenti immagini:
Crediti Formativi Universitari (CFU)
Il Credito Formativo Universitario (CFU) è l'unità di misura del volume di lavoro di apprendimento, richiesto ad un allievo in possesso di adeguata preparazione iniziale, per l'acquisizione di conoscenze ed abilità richieste da una certa attività formativa. Esso corrisponde a 25 ore di lavoro complessivo, che comprende sia le ore di didattica frontale, sia lo studio individuale, sia altri tipi di attività (come il tirocinio). Ogni attività formativa ha associato un certo numero di crediti, che vengono acquisiti con il superamento di una verifica del profitto, e non sostituiscono il voto.
L'attività didattica sarà supportata dall'uso della piattaforma Moodle, dove gli studenti troveranno tutto il materiale didattico.
Insegnamenti 2015-2016
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 esplorativa dei dati e di linguaggi di programmazione.
l modulo presenta le tecniche di base per il sensing e l'estrazione di big data dal web. Gli studenti si impadroniranno dell'uso delle tecniche di "crawling" del web, di ranking delle risorse web e di annotazione semantica delle informazioni testuali reperite sul web.
Il modulo si propone di introdurre le nozioni etico-legali di privacy, anonimato, trasparenza e 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 e di difesa dei diritti degli utenti, che permettono l'analisi di Big Data nel rispetto del diritto alla protezione dei dati personali, alla trasparenza e al trattamento non discriminatorio.
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.
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.
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.
Il modulo ha l'obiettivo di preparare gli studenti alla presentazione della conoscenza estratta dai Big Data attraverso narrazioni che sfruttano la multimedialità. Presenta anche le più significative esperienze recenti di giornalismo e narrazione basate su informazioni quantitative estratte da varie sorgenti di dati.
Il modulo presenta tecnologie e sistemi per l’accesso, la gestione e l'analisi dei Big Data 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 ed il Big Data management, incluso le tecnologie di data warehouse e Online Analytical Processing.
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.
Il modulo ha lo scopo di presentare metodi di base e tecniche di visualizzazione per la presentazione efficace di informazione preveniente da diverse sorgenti: dati strutturati (relazionali, gerarchie, alberi), dati relazionali (social network), dati temporali, dati spaziali e dati spazio-temporali. Attraverso lo studio di metodi e strumenti esistenti, verranno presentati alcuni scenari di analitica visuale.
Il modulo si propone di familiarizzare lo studente con i sistemi ad alte prestazioni per il trattamento e l'analisi di Big Data. Lo studente acquisirà competenze nell'uso di piattaforme NO-SQL per l'interrogazione e il mining di dataset di grandi dimensioni come alternativa dei sistemi di gestione di basi di dati tradizionali.
Il modulo si propone di mostrare le principali tecniche di analisi dei dati spazio-temporali relativi al movimento di persone e veicoli al fine di comprendere la mobilità in un territorio. L'apprendimento sarà sostenuto da numerosi casi di studio sviluppati nel laboratorio SoBigData.eu.
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.
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.
Il periodo di tirocinio previsto dal Master è di 300 ore, corrispondenti a 12 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.
Il modulo presenta le principali tecniche di analisi delle tracce che gli utenti lasciano come effetto delle interrogazioni ai motori di ricerca sul web (query log). Vengono discusse le principali applicazioni del web mining fra cui la profilazione degli interessi o delle attività degli utenti e l'uso dei query log per varie forme di nowcasting, ovvero previsione a breve di indicatori sociali, economici e culturali. L'apprendimento sarà sostenuto da numerosi casi di studio sviluppati nel laboratorio SoBigData.eu.
Il modulo prevede l'insegnamento dei moduli software che costituiscono un moderno motore di ricerca, e di analisi delle prestazioni e dei limiti computazionali delle soluzioni algoritmiche correntemente adottate per ciascuno di essi. Fondamenti pratici e teorici per l’organizzazione e l’analisi dei sistemi di IR.
