Percorso Industrial data scientist Programma e Date
7^ed. Milano
Modalità: Blended
Avvio: 15-05-2024
8^ed. Milano
Modalità: Blended
Avvio: 24-09-2024
Modulo 1
Digital Transformation
15 Mag 2024
06 Nov 2024
Modulo 2
Data driven company
16 Mag 2024
18-19 Giu 2024
Modulo 3.1
Data Analytics
03-04 Lug 2024
Modulo 3.2
Artificial intelligence
11-12 Set 2024
09-10 Ott 2024
05 Nov 2024
Mod. 1: Digital Transformation
top
Introduzione/obiettivi/idee progettuali
- Digital Transformation: Innovazione tecnologica vs Strategia oganizzativa
- Le 3 diverse strategie della Digital transformation: Matrice / Volumi / Valore
- I fattori abilitanti
- Il dato come miglioramento continuo
- Un approccio alla Data analysis
- Le competenze del Data scientist
- Potenziali progetti di Data analytics - gruppo di lavoro
Project work operativo - Impostazione
Continua a leggere
Introduzione/obiettivi/idee progettuali
- Digital Transformation: Innovazione tecnologica vs Strategia oganizzativa
- Le 3 diverse strategie della Digital transformation: Matrice / Volumi / Valore
- I fattori abilitanti
- Il dato come miglioramento continuo
- Un approccio alla Data analysis
- Le competenze del Data scientist
- Potenziali progetti di Data analytics - gruppo di lavoro
Project work operativo - Impostazione
Riduci
Mod. 2: Data driven company
top
Data Driven Company - Data orientation
- Il percorso del dato per estrarne valore
- Raccolta ed elaborazione di dati strutturati, semi-strutturati e non-strutturati
- Lavorare sul flusso dei dati
- Integrazione delle diverse fonti dati
- Comprendere gli elementi fondamentali del percorso
- La catena di trasformazione del dato
- Architetture di riferimento
- La qualità e sicurezza del dato
- Il cloud
- Consumare il dato
- MES e Sensori
- Casi pratici e introduzione al Project work operativo
Data Driven Company - Data lake
- Differenza fra dati e informazioni
- Dinamicità ed eterogeneità dei dati
- Perchè “Data lake”?
- Ciclo di vita dei dati
- Basi dati relazionali e non relazionali
- Introduzione ai database a grafo
- Introduzione ai database per serie temporali
- Sistemi ibridi
- Flussi in real time
- Introduzione ai big data
- Big or not big? Scegliere la tecnologia
- Introduzione a Hadoop/Spark
- Introduzione al mondo cloud: pro e contro
- Feature engineering
- Data virtualization
Data Driven Company - Data preparation
- Modello trasduttore
- Sistema di misura
- Dato grezzo
- Pre-processing
- Rumore
- Pulizia dei dati
- Normalizzazione
- Trattamento dei dati mancanti
- Trattamento dei dati anomali (outliers)
- Feature extraction/engineering
- IoT data mining => Esempi pratici
Continua a leggere
Data Driven Company - Data orientation
- Il percorso del dato per estrarne valore
- Raccolta ed elaborazione di dati strutturati, semi-strutturati e non-strutturati
- Lavorare sul flusso dei dati
- Integrazione delle diverse fonti dati
- Comprendere gli elementi fondamentali del percorso
- La catena di trasformazione del dato
- Architetture di riferimento
- La qualità e sicurezza del dato
- Il cloud
- Consumare il dato
- MES e Sensori
- Casi pratici e introduzione al Project work operativo
Data Driven Company - Data lake
- Differenza fra dati e informazioni
- Dinamicità ed eterogeneità dei dati
- Perchè “Data lake”?
- Ciclo di vita dei dati
- Basi dati relazionali e non relazionali
- Introduzione ai database a grafo
- Introduzione ai database per serie temporali
- Sistemi ibridi
- Flussi in real time
- Introduzione ai big data
- Big or not big? Scegliere la tecnologia
- Introduzione a Hadoop/Spark
- Introduzione al mondo cloud: pro e contro
- Feature engineering
- Data virtualization
Data Driven Company - Data preparation
- Modello trasduttore
- Sistema di misura
- Dato grezzo
- Pre-processing
- Rumore
- Pulizia dei dati
- Normalizzazione
- Trattamento dei dati mancanti
- Trattamento dei dati anomali (outliers)
- Feature extraction/engineering
- IoT data mining => Esempi pratici
Riduci
Mod. 3.1: Data Analytics
top
Data Analytics & Artificial Intelligence Statistical learning 1
Opzionale per certificati Six Sigma Green Belt e/o Black Belt
- Introduzione ai modelli matematici
- Utilità e limiti di un modello matematico
- Terminologia di settore e caratteristiche: AI, ML, DL, SL
- Linguaggi e tecnologie dell’AI
- Low code, no code e frugal coding
- Modelli supervised e unsupervised
- Training, validation, test
- Regressione, classificazione, clusterizzazione
- Principali algoritmi usati per statistical learning
- Esempi pratici con il software Statistica
Data Analytics & Artificial Intelligence Statistical learning 2
Opzionale per certificati Six Sigma Green Belt e/o Black Belt
- Introduzione al concetto di qualità
- Introduzione agli strumenti statistici per la qualità
- Carte di controllo
- Capacità di processo
- Introduzione al DoE come strumento per creare e migliorare la qualità
- Carte di controllo e machine learning
- Classificazione di serie temporali
- Predizione dei valori di capacità
- Esempi pratici con R e il software Statistica
Continua a leggere
Data Analytics & Artificial Intelligence Statistical learning 1
Opzionale per certificati Six Sigma Green Belt e/o Black Belt
- Introduzione ai modelli matematici
- Utilità e limiti di un modello matematico
- Terminologia di settore e caratteristiche: AI, ML, DL, SL
- Linguaggi e tecnologie dell’AI
- Low code, no code e frugal coding
- Modelli supervised e unsupervised
- Training, validation, test
- Regressione, classificazione, clusterizzazione
- Principali algoritmi usati per statistical learning
- Esempi pratici con il software Statistica
Data Analytics & Artificial Intelligence Statistical learning 2
Opzionale per certificati Six Sigma Green Belt e/o Black Belt
- Introduzione al concetto di qualità
- Introduzione agli strumenti statistici per la qualità
- Carte di controllo
- Capacità di processo
- Introduzione al DoE come strumento per creare e migliorare la qualità
- Carte di controllo e machine learning
- Classificazione di serie temporali
- Predizione dei valori di capacità
- Esempi pratici con R e il software Statistica
Riduci
Mod. 3.2: Artificial intelligence
top
Data Analytics & artificial Intelligence Machine learning
- Introduzione al Machine learning
- Conoscere gli algoritmi utilizzabili per il Machine learning (Tassonomia)
- Algoritmi supervisionati di classificazione e regressione
- Algoritmi per il rilevamento di anomalie
- Algoritmi per il clustering
- Introduzione alle reti neurali
- Fascino, potere e limiti del deep learning
- Metriche di valutazione delle performance dei modelli di Machine learning
- Compromesso bias-varianza (overfitting)
- Esercitazioni con Python
Data Analytics & artificial Intelligence Advanced analytics
- Il modo classico: Data warehouse, Data mart e linguaggio SQL
- SQL vs NoSQL
- Architettura Lambda
- Come gestire i big data: le infrastrutture disponibili (Hadoop, Spark, etc)
- Tipologie di processing (Multiparallel processing, Data streaming)
- Casi progettuali sulla piattaforma Azure
Data Analytics & artificial Intelligence Data visualisation
- Cosa dobbiamo fare vedere? Il contesto di visualizzazione
- Report-based tool vs Model-based tool
- Le fonti dati che abbiamo a disposizione
- Come distribuire le informazioni
- Rispondere alle domande (reporting efficace)
- Filtri e modalità di navigazione
- Esercitazioni ed esempi pratici con Power BI
- Casi progettuali sulla piattaforma Azure
- Best practice ed esempi dal campo
Continua a leggere
Data Analytics & artificial Intelligence Machine learning
- Introduzione al Machine learning
- Conoscere gli algoritmi utilizzabili per il Machine learning (Tassonomia)
- Algoritmi supervisionati di classificazione e regressione
- Algoritmi per il rilevamento di anomalie
- Algoritmi per il clustering
- Introduzione alle reti neurali
- Fascino, potere e limiti del deep learning
- Metriche di valutazione delle performance dei modelli di Machine learning
- Compromesso bias-varianza (overfitting)
- Esercitazioni con Python
Data Analytics & artificial Intelligence Advanced analytics
- Il modo classico: Data warehouse, Data mart e linguaggio SQL
- SQL vs NoSQL
- Architettura Lambda
- Come gestire i big data: le infrastrutture disponibili (Hadoop, Spark, etc)
- Tipologie di processing (Multiparallel processing, Data streaming)
- Casi progettuali sulla piattaforma Azure
Data Analytics & artificial Intelligence Data visualisation
- Cosa dobbiamo fare vedere? Il contesto di visualizzazione
- Report-based tool vs Model-based tool
- Le fonti dati che abbiamo a disposizione
- Come distribuire le informazioni
- Rispondere alle domande (reporting efficace)
- Filtri e modalità di navigazione
- Esercitazioni ed esempi pratici con Power BI
- Casi progettuali sulla piattaforma Azure
- Best practice ed esempi dal campo
Riduci
Modulo 1
Digital Transformation
24 Set 2024
18 Feb 2025
Modulo 2
Data driven company
25 Set 2024
17-18 Ott 2024
Modulo 3.1
Data Analytics
21-22 Nov 2024
Modulo 3.2
Artificial intelligence
12-13 Dic 2024
20-21 Gen 2025
17 Feb 2025
Mod. 1: Digital Transformation
top
Introduzione/obiettivi/idee progettuali
- Digital Transformation: Innovazione tecnologica vs Strategia oganizzativa
- Le 3 diverse strategie della Digital transformation: Matrice / Volumi / Valore
- I fattori abilitanti
- Il dato come miglioramento continuo
- Un approccio alla Data analysis
- Le competenze del Data scientist
- Potenziali progetti di Data analytics - gruppo di lavoro
Project work operativo - Impostazione
Continua a leggere
Introduzione/obiettivi/idee progettuali
- Digital Transformation: Innovazione tecnologica vs Strategia oganizzativa
- Le 3 diverse strategie della Digital transformation: Matrice / Volumi / Valore
- I fattori abilitanti
- Il dato come miglioramento continuo
- Un approccio alla Data analysis
- Le competenze del Data scientist
- Potenziali progetti di Data analytics - gruppo di lavoro
Project work operativo - Impostazione
Riduci
Mod. 2: Data driven company
top
Data Driven Company - Data orientation
- Il percorso del dato per estrarne valore
- Raccolta ed elaborazione di dati strutturati, semi-strutturati e non-strutturati
- Lavorare sul flusso dei dati
- Integrazione delle diverse fonti dati
- Comprendere gli elementi fondamentali del percorso
- La catena di trasformazione del dato
- Architetture di riferimento
- La qualità e sicurezza del dato
- Il cloud
- Consumare il dato
- MES e Sensori
- Casi pratici e introduzione al Project work operativo
Data Driven Company - Data lake
- Differenza fra dati e informazioni
- Dinamicità ed eterogeneità dei dati
- Perchè “Data lake”?
- Ciclo di vita dei dati
- Basi dati relazionali e non relazionali
- Introduzione ai database a grafo
- Introduzione ai database per serie temporali
- Sistemi ibridi
- Flussi in real time
- Introduzione ai big data
- Big or not big? Scegliere la tecnologia
- Introduzione a Hadoop/Spark
- Introduzione al mondo cloud: pro e contro
- Feature engineering
- Data virtualization
Data Driven Company - Data preparation
- Modello trasduttore
- Sistema di misura
- Dato grezzo
- Pre-processing
- Rumore
- Pulizia dei dati
- Normalizzazione
- Trattamento dei dati mancanti
- Trattamento dei dati anomali (outliers)
- Feature extraction/engineering
- IoT data mining => Esempi pratici
Continua a leggere
Data Driven Company - Data orientation
- Il percorso del dato per estrarne valore
- Raccolta ed elaborazione di dati strutturati, semi-strutturati e non-strutturati
- Lavorare sul flusso dei dati
- Integrazione delle diverse fonti dati
- Comprendere gli elementi fondamentali del percorso
- La catena di trasformazione del dato
- Architetture di riferimento
- La qualità e sicurezza del dato
- Il cloud
- Consumare il dato
- MES e Sensori
- Casi pratici e introduzione al Project work operativo
Data Driven Company - Data lake
- Differenza fra dati e informazioni
- Dinamicità ed eterogeneità dei dati
- Perchè “Data lake”?
- Ciclo di vita dei dati
- Basi dati relazionali e non relazionali
- Introduzione ai database a grafo
- Introduzione ai database per serie temporali
- Sistemi ibridi
- Flussi in real time
- Introduzione ai big data
- Big or not big? Scegliere la tecnologia
- Introduzione a Hadoop/Spark
- Introduzione al mondo cloud: pro e contro
- Feature engineering
- Data virtualization
Data Driven Company - Data preparation
- Modello trasduttore
- Sistema di misura
- Dato grezzo
- Pre-processing
- Rumore
- Pulizia dei dati
- Normalizzazione
- Trattamento dei dati mancanti
- Trattamento dei dati anomali (outliers)
- Feature extraction/engineering
- IoT data mining => Esempi pratici
Riduci
Mod. 3.1: Data Analytics
top
Data Analytics & Artificial Intelligence Statistical learning 1
Opzionale per certificati Six Sigma Green Belt e/o Black Belt
- Introduzione ai modelli matematici
- Utilità e limiti di un modello matematico
- Terminologia di settore e caratteristiche: AI, ML, DL, SL
- Linguaggi e tecnologie dell’AI
- Low code, no code e frugal coding
- Modelli supervised e unsupervised
- Training, validation, test
- Regressione, classificazione, clusterizzazione
- Principali algoritmi usati per statistical learning
- Esempi pratici con il software Statistica
Data Analytics & Artificial Intelligence Statistical learning 2
Opzionale per certificati Six Sigma Green Belt e/o Black Belt
- Introduzione al concetto di qualità
- Introduzione agli strumenti statistici per la qualità
- Carte di controllo
- Capacità di processo
- Introduzione al DoE come strumento per creare e migliorare la qualità
- Carte di controllo e machine learning
- Classificazione di serie temporali
- Predizione dei valori di capacità
- Esempi pratici con R e il software Statistica
Continua a leggere
Data Analytics & Artificial Intelligence Statistical learning 1
Opzionale per certificati Six Sigma Green Belt e/o Black Belt
- Introduzione ai modelli matematici
- Utilità e limiti di un modello matematico
- Terminologia di settore e caratteristiche: AI, ML, DL, SL
- Linguaggi e tecnologie dell’AI
- Low code, no code e frugal coding
- Modelli supervised e unsupervised
- Training, validation, test
- Regressione, classificazione, clusterizzazione
- Principali algoritmi usati per statistical learning
- Esempi pratici con il software Statistica
Data Analytics & Artificial Intelligence Statistical learning 2
Opzionale per certificati Six Sigma Green Belt e/o Black Belt
- Introduzione al concetto di qualità
- Introduzione agli strumenti statistici per la qualità
- Carte di controllo
- Capacità di processo
- Introduzione al DoE come strumento per creare e migliorare la qualità
- Carte di controllo e machine learning
- Classificazione di serie temporali
- Predizione dei valori di capacità
- Esempi pratici con R e il software Statistica
Riduci
Mod. 3.2: Artificial intelligence
top
Data Analytics & artificial Intelligence Machine learning
- Introduzione al Machine learning
- Conoscere gli algoritmi utilizzabili per il Machine learning (Tassonomia)
- Algoritmi supervisionati di classificazione e regressione
- Algoritmi per il rilevamento di anomalie
- Algoritmi per il clustering
- Introduzione alle reti neurali
- Fascino, potere e limiti del deep learning
- Metriche di valutazione delle performance dei modelli di Machine learning
- Compromesso bias-varianza (overfitting)
- Esercitazioni con Python
Data Analytics & artificial Intelligence Advanced analytics
- Il modo classico: Data warehouse, Data mart e linguaggio SQL
- SQL vs NoSQL
- Architettura Lambda
- Come gestire i big data: le infrastrutture disponibili (Hadoop, Spark, etc)
- Tipologie di processing (Multiparallel processing, Data streaming)
- Casi progettuali sulla piattaforma Azure
Data Analytics & artificial Intelligence Data visualisation
- Cosa dobbiamo fare vedere? Il contesto di visualizzazione
- Report-based tool vs Model-based tool
- Le fonti dati che abbiamo a disposizione
- Come distribuire le informazioni
- Rispondere alle domande (reporting efficace)
- Filtri e modalità di navigazione
- Esercitazioni ed esempi pratici con Power BI
- Casi progettuali sulla piattaforma Azure
- Best practice ed esempi dal campo
Continua a leggere
Data Analytics & artificial Intelligence Machine learning
- Introduzione al Machine learning
- Conoscere gli algoritmi utilizzabili per il Machine learning (Tassonomia)
- Algoritmi supervisionati di classificazione e regressione
- Algoritmi per il rilevamento di anomalie
- Algoritmi per il clustering
- Introduzione alle reti neurali
- Fascino, potere e limiti del deep learning
- Metriche di valutazione delle performance dei modelli di Machine learning
- Compromesso bias-varianza (overfitting)
- Esercitazioni con Python
Data Analytics & artificial Intelligence Advanced analytics
- Il modo classico: Data warehouse, Data mart e linguaggio SQL
- SQL vs NoSQL
- Architettura Lambda
- Come gestire i big data: le infrastrutture disponibili (Hadoop, Spark, etc)
- Tipologie di processing (Multiparallel processing, Data streaming)
- Casi progettuali sulla piattaforma Azure
Data Analytics & artificial Intelligence Data visualisation
- Cosa dobbiamo fare vedere? Il contesto di visualizzazione
- Report-based tool vs Model-based tool
- Le fonti dati che abbiamo a disposizione
- Come distribuire le informazioni
- Rispondere alle domande (reporting efficace)
- Filtri e modalità di navigazione
- Esercitazioni ed esempi pratici con Power BI
- Casi progettuali sulla piattaforma Azure
- Best practice ed esempi dal campo
Riduci
S
h
a
r
e