la brochure - mads master

mads
MASTER IN APPLIED
DATA SCIENCE
Injecting new skills into the Data-Driven economy
mads
MASTER IN APPLIED
DATA SCIENCE
Injecting new skills into the Data-Driven economy
COME
•
“
Obiettivo primario
del master è fornire
competenze pratiche
finalizzate a rendere
gli studenti
immediatamente
operativi
”
•
•
•
•
350 ore di didattica frontale
e laboratorio
600 ore di stage in azienda
Analisi di casi di studio aziendali
Toolkit di tecnologie da utilizzare
Placement: Match con le aziende partner e
COSA
• Approccio metodico all’analisi dei dati
• Tecniche avanzate per il data & text mining
• Modelli di analisi nell’ambito di diversi tipi
di processi aziendali
• Rappresentazione visuale dei dati, storytelling
• Conoscenza dei processi aziendali
• HADOOP Spark e Storm, R
PERCHÉ
DOVE
Questo master è stato progettato
su richiesta dalle aziende partner,
che hanno la necessità di avvalersi
di risorse competenti e già pronte
sul piano operativo.
Il master si svolgerà presso il Centro Polifunzionale “Ex Macello”, a
Cesena, città universitaria e polo di
eccellenza nel settore ICT.
Scopri il servizio Student Care
e i servizi agevolati per l’alloggio.
A CHI È RIVOLTO
Laureati triennali e magistrali in:
•Statistica,
•Economia,
•Informatica,
• Ingegneria Informatica
• Ingegneria Gestionale
In mancanza di questi requisiti sarà
valutata l’esperienza personale.
QUANDO
Master Full Time
Durata: un anno
Open day: 10/10/2016
Selezioni: 07, 08/11/2016
Scadenza iscrizioni: 30/10/2016
Inizio: 28/11/2016
1
anno
DISTRIBUZIONE
ORE MASTER
DISTRIBUZIONE ORE MASTER
350
600
12
10 +
ore di teoria e laboratorio
156
194
32
174
TEORIA
LAB & INTERATTIVE
44
ore di stage in azienda
docenti universitari e manager aziendali
100
PRECORSI
AREA INFORMATICA
AREA ECONOMICO STATISTICA
SEMINARI, CASE STUDY E FIELD WORK
aziende partner
TOOLBOX
Particolare attenzione è stata posta nella scelta
dei software dando priorità a strumenti open
source o leader di mercato.
L’idea è quella di fornire agli studenti un toolbox
che consenta di risolvere i problemi di analisi
affrontati nelle lezioni teoriche. Concentrare lo
sforzo di apprendimento degli studenti in un
selezionato numero di software (salvo software
dedicati a compiti specifici) consentirà di
raggiungere alti livelli di padronanza e autonomia.
Molti dei corsi utilizzeranno il software open
source R come principale strumento per l’analisi
dei dati. Questo tool sarà oggetto di formazione
anche nell’ambito dei pre-corsi in modo
che gli studenti siano fin da subito operativi
nell’ambito dei moduli didattici.
Faranno inoltre parte del toolbox:
• SPARK e la piattaforma HADOOP per la gestione dei Big Data
• TABLEAU per la business intelligence e l’analisi interattiva dei dati
• SAS software di rifermento per l’analisi statistica
• Brandwatch per le problematiche di social mediamonitoring
PRESENTAZIONE
La crescente disponibilità di grandi moli di dati
e la disponibilità di tecnologie idonee per analizzarle
e per ricavarne un vantaggio competitivo sta cambiando
il modo di lavorare in azienda.
Il Data Scientist è un esperto in queste aree con una spiccata
conoscenza nella comprensione del business e dei dati.
Deve essere in grado di trasformare la conoscenza nascosta
nei dati in un vantaggio competitivo.
Quella del Data Scientist sta diventando una delle professioni
più ricercate nelle aziende di medie e grandi dimensioni.
Gli ambiti applicativi sono praticamente infiniti e vanno
dall’industria 4.0, alla logistica, all’ambito finance
e a quello del marketing.
Come definito dall’Economist, la professione del Data Scientist
non è solo tra le più ricercate, ma è anche tra le più interessanti,
sia per il mix di competenze necessarie sia per il fascino che ha
lo studio dei fenomeni che avvengono dentro e fuori i confini
aziendali finalizzato all’innovazione del business.
Il Master in Applied Data Science – Mads, organizzato da FORMart,
si rivolge a laureati triennali e magistrali nelle discipline economiche,
statistiche e informatiche (in mancanza di questi requisiti sarà
valutata l’esperienza professionale) che vogliano specializzarsi nel
settore dell’analisi dati e della data-driven economy.
Il programma di studio è incentrato su due aree principali:
la competenza economico-statistica, indispensabile per
comprendere i fenomeni aziendali, saperli misurare e capire
come tradurre le informazioni e la conoscenza proveniente
dai dati in un vantaggio competitivo; la competenza
informatica, necessaria per padroneggiare le tecnologie
abilitanti per la gestione e l’analisi dei dati.
L’enfasi pratica del corso mira ad affiancare alle lezioni
teoriche un’ampia attività di laboratorio e di studio di casi
aziendali trattati assieme a professionisti delle aziende
partner del master.
I docenti del master rappresentano l’eccellenza delle
Università italiane nei rispettivi ambiti di competenza e sono
stati selezionati anche in base all’esperienza su progetti reali
dall’Università di Bologna, dal Politecnico di Milano, Università
di Cà Foscari e Università di Modena e Reggio-Emilia.
Ai docenti universitari si affiancheranno, nella terza fase di
didattica, professionisti aziendali che proporranno casi di
studio incentrati sui temi affrontati nei moduli precedenti.
Matteo Golfarelli,
coordinatore scientifico
mads – Master in Applied Data Science
PROGRAMMA
Il programma del Master è organizzato in 4 fasi principali:
Precorsi – Didattica – Seminari, Case Study e Field Work – Stage.
La fase Precorsi ha l’obiettivo di allineare le competenze degli
iscritti per consentire ai docenti della fase Didattica di essere
maggiormente efficaci.
Quest’ultima sarà incentrata su due aree principali: la competenza
economico-statistica, indispensabile per comprendere i fenomeni
aziendali, saperli misurare e capire come tradurre le informazioni
e la conosca proveniente dai dati in un vantaggio competitivo;
la competenza informatica, necessaria per padroneggiare le
tecnologie abilitanti per la gestione e l’analisi dei dati.
La fase Seminari, Case Study e Field Work accentua l’enfasi
pratica del corso e mira ad affiancare alle lezioni teoriche,
un’ampia attività di laboratorio e di studio di casi aziendali trattati
assieme a professionisti delle aziende partner del master.
Lo studio in aula, circa 350 ore, è suddiviso in due periodi
intervallati da un periodo di studio individuale ed esami.
A questo seguirà uno Stage di 600 ore da svolgersi nelle aziende
partner del master. La frequenza è di circa 35 ore settimanali.
PRECORSI
L’obiettivo dei pre-corsi è quello di rendere
omogenee le conoscenze e le competenze di
base di studenti con background eterogenei.
In particolare:
• In area informatica ci si concentrerà sul
sistema e il linguaggio R, poi ampiamente
utilizzato nei moduli didattici e sui database
relazionali e linguaggio SQL che sono alla base
dei sistemi di archiviazione dei dati.
• In area economico-statistica si partirà dal
concetto di impresa e di processo, per poi capire
come misurare le performance attraverso il
bilancio e altri indicatori aziendali.
DIDATTICA
Suddivisa in area economico-statistica,
per comprendere i fenomeni aziendali,
e area informatica, per padroneggiare
l’analisi e gestione dei dati.
DIDATTICA: AREA INFORMATICA
BUSINESS INTELLIGENCE & DATA WAREHOUSING
Ore: 32
•
•
•
•
•
•
Introduzione alla business intelligence
Data warehousing e OLAP come tecnologie abilitanti
per la BI
Modellazione multidimensionale a livello concettuale: il DFM
Modellazione multidimensionale a livello logico: star
e snowflake schema
Self-service BI
Cenni alla BI 2.0
Obiettivo del corso è presentare una trattazione generale dei sistemi di business
intelligence, con particolare accento sulle tematiche legate ai data warehouse visti
come tecnologia abilitante.
Prerequisito per il corso è una sufficiente conoscenza delle basi di dati relazionali
e del linguaggio SQL.
Al termine del corso, lo studente sarà in grado di comprendere i meccanismi
e le architetture alla base delle piattaforme di business intelligence, nonché
di interrogare data warehouse aziendali
Prof. Stefano Rizzi
Università di Bologna
DIDATTICA: AREA INFORMATICA
BIG DATA
Ore: 50
•
•
•
•
•
•
Introduzione ai Big Data: valore per le aziende e impatto
sui processi aziendali
I sistemi NoSQL
Lo stack tecnologico HADOOP: architetture e moduli
Programmazione e utilizzo con Map-Reduce, Spark e Storm
Analytics su piattaforma Big Data
La proprietà dei dati: etica e legislazione
Il corso introduce ai principi di utilizzo dei Big Data e alle relative architetture
e tecnologie.
In particolare lo studente acquisirà le competenze necessarie a scegliere
e utilizzare la tecnologia e l’architettura più idonea per una specifica applicazione.
Le lezioni frontali saranno associate ad esercitazioni in laboratorio per rendere
gli studenti direttamente operativi.
Prof. Matteo Golfarelli
Università di Bologna
Prof. Claudia Cevenini
Università di Bologna
DIDATTICA: AREA INFORMATICA
DATA INTEGRATION & DATA QUALITY
Ore: 16
•
•
•
•
•
Introduzione alla data integration
Schema matching e mapping
Data matching ed entity resolution
Data fusion
Data quality e Data Profiling
Prof. Sonia
Bergamaschi
Università degli Studi
di Modena e Reggio Emilia
Il corso introduce ai principi di utilizzo dei Big Data e alle relative architetture e
tecnologie.
In particolare lo studente acquisirà le competenze necessarie a scegliere e utilizzare
la tecnologia e l’architettura più idonea per una specifica applicazione.
Le lezioni frontali saranno associate ad esercitazioni in laboratorio per rendere gli
studenti direttamente operativi.
Prof. Domenico
Beneventano
Università degli Studi
di Modena e Reggio Emilia
DIDATTICA: AREA INFORMATICA
DATA & TEXT MINING
Ore: 40
•
•
•
•
•
•
•
Introduzione al Data Mining
Rappresentazione dei dati
Classificazione
Clustering
Preparazione dei dati
Text Mining
Graph Mining
Fornire competenze relative alle tecniche classiche e moderne nel campo del
data mining con particolare attenzione alle tematiche del clustering applicato
a grafi di reti sociali e documenti.
Prof. Pierluca Lanzi
Politecnico di Milano
DIDATTICA: AREA INFORMATICA
DATA VISUALIZATION
Ore: 16
•
•
•
•
•
Le motivazioni alla base della visualizzazione dei dati: perché visualizziamo
Il ruolo (e i limiti) delle variabili visuali
Esperienze ibride: mescolare analisi, esplorazione e narrazione
Gli strumenti della visualizzazione dei dati: limiti e opportunità
Oltre la visualizzazione: verso la fruizione fisica e contestuale
Il corso affronta il tema della Information Visualization, concentrandosi sulla
sua funzione comunicativa. Obiettivo del corso è quello di fornire una visione
generale sulla Information Visualization, sui suoi principi e sulle tecniche per la
creazione di visualizzazioni di dati. Attraverso un workshop pratico gli studenti
metteranno in pratica le nuove competenze acquisite, confrontandosi con
problematiche e sfide tipiche della visualizzazione dei dati. L’esercitazione
pratica sarà effettuata a partire da un dataset pubblicato in Open Data.
Competenze in uscita: conoscenza delle principali tecniche di visualizzazione,
nonché la capacità di progettare e creare visualizzazioni di dati semplici ed
efficaci.
Il corso fornisce anche una introduzione ai principali tool Open per la creazione
di visualizzazioni di dati.
Prof. Paolo Ciuccarelli
Politecnico di Milano
DIDATTICA: AREA INFORMATICA
OPEN & LINKED DATA
Ore: 20
•
•
•
Teoria: Introduzione agli Open Data, RDF and OWL
Pratica: pubblicare dati come Linked Data
Business Cases: il progetto BIO2RDF e uso di RDFa in Best Buy
•
•
•
Teoria: OWL e SPARQL
Pratica: modellare un’ontolgia in protégé, interrogare linked open data usando SPARQL
Business Case: schema.org e il google knowledge graph
•
•
•
Teoria: R2RML, ontology-based data integration
Pratica: accedere a dati in un database relazionale usando protégé
e ontop reasoner
Business Case: ontology-based data access nell’industria dell’Oil&Gas
Il corso presenta le tecnologie del Semantic Web e il loro ruolo nel realizzare la
visione degli open & linked data. La prima porzione del corso introduce gli open
data e discute l’opportunità di collegarli tra loro in un Web di dati. La seconda
parte del corso è strutturata in 4 moduli. Il primo introduce RDF come un
modello flessibile per rappresentare dati eterogenei. Il secondo descrive OWL
come linguaggio ontologico per la modellazione dell’informazione contenuto in
sorgenti di dati eterogenee in un mondo aperto dove non è possibile assumere
che l’informazione sia completa. Il terzo illustra SPARQL come linguaggio di
interrogazione per RDF in presenza di ontologie scritte in OWL. Il quarto presenta
R2RML come linguaggio dichiarativo per descrivere come mappare in RDF dati
immagazzinati in database relazionali. La terza e ultima parte del corso mostra
come assemblare tutti questi pezzi realizzando una semplice applicazione in R che
integra open dati eterogenei utilizzando i principi dell’ontology-based data access.
Prof. Emanuele
della Valle
Politecnico di Milano
DIDATTICA: AREA INFORMATICA
SOCIAL MEDIA MONITORING
Ore: 12
•
•
•
Introduzione ai sistemi di Social Media Monitoring e Social Business Intelligence
Architetture, tecniche e metodologie per i sistemi di Social Business Intelligence
Attività in laboratorio con Brandwatch
Prof. Matteo Golfarelli
Università di Bologna
Conoscere l’opinione dei media circa la propria azienda o circa una particolare
tematica rappresenta oggi un importante vantaggio competitivo. Il modulo
introduce le tecniche e le metodologie e i software utilizzati nell’ambito di
questo tipo progetti. In particolare, ampia parte del modulo sarà dedicata a una
esperienza pratica in laboratorio utilizzando la piattaforma Brandwatch.
DIDATTICA: AREA ECONOMICO-STATISTICA
BUSINESS STATISTICS
Ore: 24
•
•
•
•
Strumenti di base della Statistica,
La misura e l’analisi delle relazioni fra variabili
Dipendenza in media, in distribuzione e lineare.
Approccio probabilistico alla valutazione dei risultati della soluzione
statistica a un problema analitico di causa-effetto.
Il corso offre gli strumenti di base per l’analisi statistica delle informazioni
legate alla gestione delle organizzazioni private e pubbliche.
Il corso è impostato al fine di fornire gli strumenti di base per un corretto
approccio alla trasformazione e all’analisi dei dati finalizzata soprattutto,
ma non solamente, al mondo della comunicazione e del marketing.
Prof. Furio Camillo
Università di Bologna
DIDATTICA: AREA ECONOMICO-STATISTICA
MARKETING ANALYTICS
Ore: 24
Analisi multivariata dei dati con approccio data driven:
• decomposizioni fattoriali in contesti metrici diversi,
• tecniche di clustering non supervisionate,
• tecniche predittive di tipo statistico-probabilistico come l’analisi discriminante
e la regressione robusta.
• Modelli per la valutazione d’impatto mediante approccio controfattuale.
• Modelli di conjoint analysis.
Particolare attenzione è riservata al trattamento analitico di dati derivanti da
opinioni e comportamenti di clienti o cittadini nell’ambito dei sistemi informativi
contemporanei strutturati per il Customer relationship management (CRM) o il
Citizen relationship management (CzRM).
Temi come il trattamento di un questionario di opinione, la segmentazione
delle opinioni mediante clustering e tecniche di riduzione della complessità,
saranno pertanto oggetto di contestualizzazioni in un uso moderno di tecniche
e soluzioni tradizionali legate alle ricerche di mercato. In particolare saranno
presentati modellazioni per la stima di propensity all’acquisto o a una buona
reazione a stimoli pubblicitari.
Prof. Furio Camillo
Università di Bologna
DIDATTICA: AREA ECONOMICO-STATISTICA
OPERATIONAL ANALYTICS
Ore: 24
•
•
•
•
•
•
•
•
•
Industry 4.0
Modelli e funzioni organizzative in fabbrica
Cenni sull’architettura dei sistemi per la raccolta dati
Misure di produttività
Individuazione e raccolta dei dati di interesse
Machine learning
Statistical Learning
Supervised and Unsupervised Learning
R – software
Il modulo introduce il concetto di Internet of Things in ambito industriale
e rappresenta le strutture informative e organizzative alla base della produzione
dei dati e delle informazioni. Le lezioni affronteranno inoltre i meccanismi di
analisi della produttività e gli strumenti a supporto delle decisioni in fabbrica.
A tal fine le lezioni frontali saranno associate da esercitazioni in laboratorio
per rendere gli studenti direttamente operativi, in particolare sarà affrontato
l’uso degli strumenti di machine learning per analisi dei dati e la creazione
dell’informazione utile al supporto delle decisioni.
Prof. Giovanni Vaia
Università Cà Foscari
Prof. Raffaele Pesenti
Università Cà Foscari
DIDATTICA: AREA ECONOMICO-STATISTICA
PERFORMANCE MANAGEMENT
Ore: 24
• Performance management e management control: finalità, componenti,
principali strumenti e processo
• L’interpretazione della performance economico-finanziaria dell’impresa:
analisi della redditività e della sostenibilità finanziaria
• Benchmarking economico-finanziario
• Simulazioni e previsioni economico-finanziarie, business plan
• L’uso delle informazioni di costo per la gestione dell’impresa: terminologia
e sistemi di cost accounting
• L’uso delle informazioni di costo nella gestione del valore e della competitivtà aziendale
• Performance measurement systems: KPI finanziari, operativi e strategici
• Business performance analytics e analytical performance management
Prof. Riccardo Silvi
Università di Bologna
SEMINARI, CASE STUDY,
FIELD WORK
Questa parte del master sarà composta da due tipi
di interventi:
• Seminari di approfondimento: finalizzati a completare le competenze già acquisite nelle fasi precedenti;
riguarderanno sia gli aspetti informatici (es. presentazione
della piattaforma Google per i Big Data), sia tematiche
dell’area economico-statistica. Sarà infine questa
l’occasione per trattare tematiche rilevanti che non hanno
trovato spazio nei moduli precedenti (es. storytelling).
• Studio di business case aziendali: si tratta di lezioni
interattive in cui manager aziendali e data scientist
proporranno dei casi di studio aziendali che saranno
affrontati assieme agli studenti sulla base
delle competenze precedentemente acquisite.
STAGE
Durante la fase di stage, 600 ore
per una durata approssimativa di 4 mesi,
lo studente sarà coinvolto in un progetto
reale all’interno di una delle aziende partner.
L’azienda in cui essere inseriti sarà
individuata mediante una fase di match
che si terrà al termine dei moduli didattici.
I colloqui tra studenti e aziende saranno
finalizzati a identificare le aziende che meglio
rispondono al profilo degli studenti.
Le aziende potranno proporre uno
o più progetti con diverse
peculiarità tra cui scegliere.
DOCENTI
Matteo Golfarelli
Professore associato
presso il Dipartimento
di Informatica – Scienza e Ingegneria dell’Università di Bologna ed
è docente di sistemi
informativi, basi di dati e data mining. È
autore di oltre 100 pubblicazioni in riviste
e conferenze internazionali nei settori
del pattern recognition, della robotica,
dei sistemi multi agente e della business
intelligence che oggi rappresenta il
suo principale settore di ricerca. I suoi
attuali interessi di ricerca includono i
data warehouse distribuiti e semantici,
la business intelligence su open data
e su dati social e i big data. Ha fatto
parte di molteplici progetti di ricerca,
nazionali e internazionali, nelle suddette
aree ricerca. È attivamente impegnato
nel trasferimento tecnologico nel settore
della business intelligence, collabora con
aziende italiane pubbliche e private ed è
stato responsabile scientifico di numerose convenzioni aziendali. È membro
del comitato scientifico di CesenaLab un
incubatore di start up in ambito digital.
È coordinatore scientifico di mads – Master in Applied Data Science
Stefano Rizzi
Professore Ordinario
presso il DISI – Università di Bologna, dove
dirige il BIG (Business
Intelligence Group)
e insegna Business
Intelligence e Ingegneria del Software. I
suoi attuali interessi di ricerca includono
la progettazione di data warehouse e
la business intelligence, in particolare la
modellazione multidimensionale di big
data e la social business intelligence. Ha
conseguito il PhD in Ingegneria Elettronica e Informatica presso l’Università di
Bologna.
Ha pubblicato più di 110 articoli
su riviste e atti di congressi nei settori
business intelligence e pattern recognition, e un libro sulla progettazione di
data warehouse. Ha partecipato
a diversi progetti di ricerca e convenzioni
di ricerca su tali aree e fa parte dello
steering committee dell’ER (Int. Conf. on
Conceptual Modeling).
Emanuele
della Valle
Emanuele della Valle
ha un dottorato di
ricerca in Computer
Science presso la Vrije
Universiteit di Amsterdam e un Master in
Computer Science and Engineering presso
il Politecnico di Milano. È ricercatore presso
il Dipartimento di Elettronica, Informatica
e Bioingegneria del Politecnico di Milano.
In più di 15 anni di ricerca, i suoi interessi di
ricerca coperti Big Data, Stream Processing,
tecnologie semantiche, Data Science, Web
Information Retrieval e SOA. Ha iniziato il
campo di ricerca dello Stream Reasoning
per indagare come gestire contemporaneamente le dimensioni velocità (analizzanare
i flussi di dati per consentire decisioni in
tempo reale) e varietà (integrazione di
dati eterogenei) dei Big Data. Nel 2015, ha
aperto una società (Fluxedo) per commercializzare i risultati open source della
ricerca su Stream Reasoning.
Dal 2001 al 2008, ha lavorato in CEFRIEL.
Tra il 2001 e il 2004, ha lavorato in progetti di consulenza strategica in IT del
CEFRIEL su eBusiness, eGovernment e
eHealth. Nel 2003, ha avviato il gruppo
Semantic Web del CEFRIEL, che ha coordinato fino al 2008. Nello stesso periodo
di tempo, è stato professore aggregato
di Sistemi Informativi Avanzati presso
il Politecnico di Milano (2007-2009) e
professore aggregato di Ingegneria della
Conoscenza presso l’Università dell’Insubria (2006-2010).
DOCENTI
Riccardo Silvi
Riccardo Silvi è
professore associato
di Management Accounting alla Scuola
di Economia, Management e Statistica
dell’Università di Bologna, dove insegna Sistemi di Misurazione
della Performance, Cost Management e
Business Analytics.
È docente di Performance Measurement
Systems nell’ambito dei programmi
MBA e Data Science di Bologna Business School. La sua attività di ricerca
è incentrata principalmente sui temi
del controllo di gestione, sistemi di
misurazione della performance, cost
management e analytical performance
management. Partecipa regolarmente in
qualità di relatore a workshop e convegni
internazionali sui temi di ricerca che lo
riguardano.
Giovanni Vaia
Professore aggregato
di Economia Aziendale
e Global Sourcing
presso il Dipartimento
di Management
dell’Università Ca’
Foscari di Venezia, e dottore di ricerca in
Organizzazione e Tecnologia, è coinvolto
attualmente nell’elaborazione di ricerche
che si focalizzano sul design organizzativo e in particolare sui Sistemi Informativi
e Servizi IT (IT Service Management),
su network governance e outsourcing,
governance dei sistemi informativi, IT
Outsourcing. A Ca’ Foscari è Direttore
del Digital Enteprise Lab.
Claudia Cevenini
Professoressa a contratto di “Informatica
e diritto” presso la
Scuola di Scienze, sede
di Cesena e di “Diritto
dell’informatica”
presso la Scuola di Ingegneria e Architettura, Università di Bologna. Docente
del Master in Informatica giuridica e
diritto delle nuove tecnologie, Università
di Bologna. Principal Investigator del
progetto H2020 BISON (Big speech
data analytics for contact centers) per
gli aspetti etico-legali della protezione
dei dati personali, Dipartimento di Informatica – Scienza e Ingegneria, Università
di Bologna. Innovation expert, Ethics
expert, Evaluator, monitor e rapporteur
per la Commissione europea (DG CNECT,
DG RTD, REA, ERCEA). È autrice di oltre
70 pubblicazioni in monografie, riviste
e conferenze internazionali e ha colla-
borato a numerosi progetti europei e
nazionali nei settori dell’informatica giuridica e del diritto delle nuove tecnologie.
Dottore di ricerca in Informatica giuridica
e Diritto dell’informatica. Consulente per
start up innovative presso incubatori
facenti parte della Rete Alta Tecnologia
della Regione Emilia-Romagna. Consulente tecnico del Tribunale di Bologna.
Parla correntemente inglese, tedesco,
francese e spagnolo.
Pier Luca Lanzi
Pier Luca Lanzi è
professore ordinario
presso il Politecnico di
Milano, Dipartimento
di Elettronica, Informazione e Bioingegneria,
dove insegna Data Mining and Text
Mining e Videogame Design and Programmming. Si interessa di intelligenza
artificiale applicata ai giochi, uso di videogiochi per la riabilitazione e machine
learning for data mining.
Domenico
Beneventano
Professore Associato
al Dipartimento di Ingegneria “Enzo Ferrari”
dell’Università degli
DOCENTI
studi di Modena e Reggio Emilia
Domenico Beneventano è Professore
Associato al Dipartimento di Ingegneria
“Enzo Ferrari” dell’Università degli Studi
di Modena e Reggio Emilia; ha ricevuto
la laurea in Ingegneria Elettronica ed il
titolo di Dottore di Ricerca in Informatica
ed Ingegneria Elettronica, entrambi
dall’Università di Bologna.
L’attività scientifica è stata principalmente rivolta alla problematica della rappresentazione e gestione dell’informazione,
con particolare attenzione sia agli aspetti
teorici e formali di rappresentazione della
conoscenza che alla necessità di interagire con basi di dati di elevate dimensioni.
I principali argomenti di ricerca hanno
riguardato tecniche di ragionamento applicate alle basi di dati. Successivamente
l’interesse scientifico è stato rivolto
all’area della Integrazione Intelligente
di Informazione. In tale ambito è stato
sviluppato un sistema di Data Integration,
chiamato MOMIS, con l’obiettivo di
fornire un accesso integrato a sorgenti di
informazioni eterogenee (www.dbgroup.
unimore.it). Domenico Beneventano è
stato co-fondatore della start-up accademica “DataRiver” il cui scopo principale è
lo sviluppo di una versione open-source
del sistema MOMIS (www.datariver.it).
Dal 2010 la sua attività di ricerca è stata
estesa ai seguenti argomenti: Provenance
in Data Integration, Semantic Web e
Linked Open Data.
Domenico Beneventano ha pubblicato articoli in riviste e conferenze internaziona ed
ha partecipato a vari progetti di ricerca sia
nazionali che internazionali.
Sonia Bergamaschi
È professore ordinario di Ingegneria
Informatica presso il
Dipartimento di Ingegneria “Enzo Ferrari”
– Università degli Studi
di Modena e Reggio Emilia (UNIMORE),
docente di Basi di dati e Tecnologia delle
basi di Dati e guida il “DBGroup”, vale
a dire il gruppo di ricerca sui database
(www.dbgroup.unimo.it).
La sua attività di ricerca è stata dedicata
principalmente alla rappresentazione
e gestione della conoscenza nel contesto di database di grandi dimensioni,
affrontando sia gli aspetti teorici che di
implementazione.
Dal 1999, i suoi sforzi di ricerca sono
stati dedicati al tema dell’ Integrazione
Intelligente dei Dati. È stato sviluppato
un sistema di integrazione dei dati,
chiamato MOMIS, che permette di creare
uno schema globale, integrando sorgenti
di dati strutturati e semistrutturati in
modo semi-automatico e di interrogarlo
ottenendo risposte che integrano i dati
provenienti dalle diverse sorgenti.
Nel 2009 ha fondato la start-up accademica UNIMORE “DataRiver” il cui
obiettivo era la distribuzione di una
versione open source del sistema MOMIS
(prima release in aprile 2010). Datariver è
attualmente un’azienda di successo, per
una descrizione delle sue attività si veda:
www.datariver.it.
Dal 2010 (e fino ad ora ) la sua attività
di ricerca è stata estesa alla tematica di
Search Engine semantici e, in particolare,
a keyword Search su database, Semantic
Web, annotazione automatica di sorgenti
di dati eterogenee, Open Linked Data.
Dal 2014 le attività di ricerca sono state
estese ai temi emergenti dei Big Data e
Big Analytics; è referente del laboratorio
CINI sui Big Data per UNIMORE.
Sonia Bergamaschi è stata coordinatore e
partecipante di numerosi progetti europei
di ICT : SEWASIE (2002-2005),
WINK (2002-2003), STASIS (20062009), FACIT-SME (2010-2012), Keystone
(2013-2017). È stata inoltre coordinatrice
nazionale del progetto MURST FIRB “NeP4B”(2006-2009).
Ha pubblicato più di duecento articoli su
riviste e conferenze internazionali e le sue
ricerche sono state finanziate da MURST,
CNR, ASI e Comunità Europea.
Ha fatto parte dei comitati di programma
di conferenze internazionali e nazionali
DOCENTI
di Database e Intelligenza Artificiale. È
membro di IEEE Computer Society e di
ACM. Per una descrizione dettagliata
dell’attività di ricerca e dei sistemi sviluppati vedere: www.dbgroup.unimo.it.
Furio Camillo
Professore di Statistica
Aziendale presso il Dipartimento di Scienze
Statistiche dell’Università di Bologna. Docente in vari corsi della
School of Economics, Statistics and Management dell’Alma Mater, fra i quali Business
Intelligence e Analytical Techniques for
CRM and Marketing Research. È direttore
del Master in Investigation de Mercado y
Data Mining presso la sede di Buenos Aires
dell’Università di Bologna.
È membro del collegio dei docenti dei
Dottorati in Statistica dell’Università di
Bologna e della Università Federico II di
Napoli.
I suoi recenti interessi di ricerca sono
legati a studi per l’implementazione di
sistemi analitici semi-industriali che integrino le moderne tecniche di analisi dei
dati con approcci di ricerca qualitativa,
usando come piattaforme finali le recenti
innovazioni della Computer Science. In
particolare, si è occupato di metodi e
modelli di Statistical Data Mining per la
diminuzione di scelte soggettive nella
definizione dei parametri di guida di un
progetto di customer profiling, modelli
discriminanti stimati con kernel space e
approccio di selezione legato alla teoria
dell’information complexity. È parte del
comitato tecnico del Consorzio Almalaurea, collabora con numerosi Organizzazioni private e pubbliche di ricerca in
Italia e all’estero, fra cui Doxa, Sas, Swg,
Indec, Istat, Cnam.
È responsabile scientifico di DataScienceLAB.
È autore di oltre 60 pubblicazioni scientifiche e ha partecipato a oltre 250 progetti di consulenza per attività di Business
Intelligence applicate a problematiche di
tipo economico o sociale. È laureato in
Economia e nei suoi primi anni di carriera
è stato ricercatore presso Prometeia.
Raffaele Pesenti
Professore ordinario
di Ricerca Operativa
presso il Dipartimento
di Management dell’Università “Ca’ Foscari”
Venezia. In precedenza,
Pesenti ha insegnato presso le università
di Trieste e di Palermo. Pesenti svolge
attività di ricerca sia di carattere teorico
che applicativo nel campo della logistica
e del trasporto, nonché della modellistica
matematica per i sistemi biologici. Queste attività hanno prodotto numerose
pubblicazioni su riviste scientifiche internazionali. Collabora con aziende ed enti
nazionali e internazionali nel campo della
logistica e i trasporti, ultimo in ordine
temporale il Porto di Venezia.
Paolo Ciuccarelli
Professore Associato
presso il Dipartimento
di Design del Politecnico di Milano, dove
insegna regolarmente
dal 1999 nel Corso di
Studi in Design della
Comunicazione.
Nel 2012 e poi nel 2016 è eletto Presidente del Corso di Studi in Design della
Comunicazione.
Membro del collegio del Dottorato in
Design (Politecnico di Milano), co-editor
della rivista scientifica “Big Data and
Society” (SAGE) dal 2014, conduce dal
2004 attività didattica su temi legati alla
Data Visualization.
Nel 2010 fonda il laboratorio di ricerca
DensityDesign di cui è Direttore Scientifico. L’attività di ricerca del laboratorio e
personale è focalizzata sullo sviluppo
di interfacce visuali per la rappresentazione di dati e informazioni relativi a
fenomeni sociali complessi.
AMMISSIONE E SELEZIONE
Mads è rivolto a laureati triennali e magistrali in
Statistica, Economia, Informatica, Ingegneria
Informatica e Ingegneria Gestionale. In mancanza di
questi requisiti sarà valutata l’esperienza professionale.
Per pre-iscriversi al Master è sufficiente inviare
via mail all’indirizzo [email protected] la
seguente documentazione:
• lettera motivazionale
• curriculum vitae con dati anagrafici completi
La pre-iscrizione verrà confermata entro pochi giorni
attraverso un contatto diretto.
L’ammissione al Master è condizionata al superamento del colloquio di selezione.
CALENDARIO
• 10/10/2016 – Open Day
• 30/10/2016 – Termine ultimo per presentare le iscrizioni
•
•
•
7-8/11/2016 – Colloqui di selezione
9/11/2016 – Pubblicazione della graduatoria finale degli ammessi al master
28/11/2016 – Inizio del Master
Per informazioni di dettaglio è possibile contattare:
Cristina Pirani
mads hunter
T. 051 7094810
Centralino: 051 7094811
[email protected]
SEDE DI SVOLGIMENTO
Il master si svolgerà a Cesena, città universitaria e
polo di eccellenza nel settore ICT, presso il Centro
Polifunzionale “Ex Macello”, Via Mulini, 25 - Cesena.
QUOTA DI ISCRIZIONE
Il prezzo ufficiale del Master in Applied Data Science
è di euro 13.800
Mads è stato progettato sulla base della richiesta di
importanti aziende che ritengono la figura del Data
Scientist centrale per le strategie di sviluppo dei
prossimi anni.
Il taglio del Master, fortemente orientato alle
competenze pratiche ed operative, ha convinto
queste aziende ad investire direttamente sul progetto
attraverso l’istituzione di una borsa di studio
per ciascuno studente pari ad euro 4.000:
la quota studente risulta pertanto
pari ad euro 9.800
BORSE DI STUDIO PER MERITO
Oltre alla borsa di studio da 4.000 euro, riconosciuta
a tutti coloro che superando il colloquio di selezione
saranno ufficialmente iscritti al Master, verranno
assegnate altre 4 borse di studio.
I 4 migliori studenti, individuati sulla base dei
risultati del primo ciclo di esami, si aggiudicheranno
un ulteriore bonus di euro 3.000.
MODALITÀ DI PAGAMENTO
La quota di Iscrizione è suddivisa in 3 rate:
• Euro 1.900 al momento dell’ammissione
• Euro 4.900 all’inizio della formazione
• Euro 3.000 prima dell’avvio degli stage
Possibilità di ottenere finanziamenti a tasso agevolato
STUDENT CARE
La quota d’iscrizione comprende la frequenza al
Master, il materiale didattico (scaricabile online) e
l’accesso ai servizi Ser.In.Ar.:
Elenco dei servizi Ser.In.Ar.:
• disponibilità di alloggi a prezzo calmierato;
• consulenze giuridiche su contratti di locazione;
• convenzioni per ristoranti;
• indicazioni per la scelta del supporto medico
a Cesena;
• segnalazioni su iniziative culturali e sportive
a Forlì e Cesena;
• disponibilità aule studio ed elenco delle biblioteche
Partner organizzativi
Sponsor
Sede del master: Cesena - città universitaria e polo di eccellenza nel settore ICT
mads
Referente: Cristina Pirani |
T. 051 7094810 |
Centralino: T. 051 7094811 | [email protected] | www.madsmaster.it