Master in Ingegneria dei dati e Big Data

Il Master in Big Data e Data Engineering è rivolto a neolaureati o studi simili in uno dei rami dell'informatica.

• Ingegneri di varie specialità
• Per studenti provenienti da percorsi universitari diversi che abbiano una conoscenza preliminare della materia.
• Se hai precedenti esperienze in questo ambito, studieremo il caso per la tua eventuale amministrazione

• Piscina di lavoro e stage
• Settore in piena espansione
• Accordi di cooperazione con più di 900 aziende

Con questo Master in Big Data e Data Engineering entrerai a far parte di uno dei settori più ambiti tra le aziende.

• Big Data Architect
• Data Scientist
• Sviluppatore di Big Data
• Ingegnere di apprendimento automatico
• Consulente di PNL
• Chief Data Officer (CDO)
• Big Data Consultant
• Analista di dati
• Analista di affari

Modelli statistici e apprendimento

1. Linguaggio R ed elaborazione dei dati.

2. Analisi esplorativa dei dati.

3. Probabilità e inferenza statistica.

4. Modelli lineari e apprendimento statistico.

5. Regressione logistica, modelli ristretti di cresta e lazo e discesa del gradiente.

6. GLMS e serie storiche.

Apprendimento automatico applicato

1. Introduzione all'apprendimento automatico.

2. Modelli vigilati.

3. Modelli non supervisionati.

4. Fondamenti di programmazione Python

5. Condividi dati, codice e risorse nei repository.

6. Fondamenti di elaborazione dati con lo stack scientifico Python.

7. Progettazione delle funzionalità e selezione della modalità.

8. Regole associative e analisi del paniere di mercato.

Apprendimento approfondito

1. Introduzione al deep learning.

2. Modelli connessionisti.

3. Reti neurali multistrato.

4. Reti neurali convoluzionali.

5. Reti neurali ricorrenti.

6. Reti neurali avversarie.

Estrazione di testo ed elaborazione del linguaggio naturale (PNL)

1. Introduzione storica e tecnologica.

2. Strumenti PNL I: NLTK.

3. Strumenti della PNL II: Brat e Gate.

4. Text mining I: clustering.

5. Text mining II: sentimento e tematiche.

6. Altre applicazioni e tecniche della PNL.

Business Intelligence e visualizzazione

1. Introduzione alla Business Intelligence.

2. Fondamenti di database relazionali

3. Data warehouse e database analitici.

4. Metodologia Kimball.

5. Strumenti di estrazione, trasformazione e caricamento.

6. Applicazioni di business intelligence.

7. Fondamenti di visualizzazione dei dati.

8. Strumenti di visualizzazione.

Archiviazione e integrazione dei dati

1. Database non convenzionali.

2. Modelli di database basati su documenti.

3. Modelli di database basati su colonne.

4. Modelli di database basati su grafici.

5. Modelli di database basati su valori-chiave.

6. Acquisizione dati.

Infrastruttura per Big Data

1. Gestione di macchine virtuali e terminale di comando.

2. Fondamenti delle tecnologie Internet.

3. Elaborazione dei dati con Hadoop.

4. Strumenti Hadoop.

5. Elaborazione dei dati con Spark.

6. Architetture di streaming.

7. Componenti delle architetture di streaming.

Valore e contesto dell'analisi dei big data

1. Il business case dei Big Data.

2. Progetti di Big Data.

3. Applicazioni analitiche per settori.

4. Tecnologie emergenti nell'analisi.

5. Gestione del team e metodi agili.

6. Standard di gestione del progetto

7. Buone pratiche nei processi Big Data.

Applicazioni analitiche e sicurezza dei dati

1. Case study sull'analisi scalabile.

2. Caso di studio sull'analisi dei social media.

3. Caso di studio sull'Internet delle cose.

4. Caso di studio in analisi finanziaria (rating aziendale).

5. Caso di studio sull'analisi dei clienti: analisi della posizione.

6. Caso di studio di tecniche di recupero delle informazioni.

7. Principi di sicurezza dei dati.

8. Legislazione sulla sicurezza dei dati.

9. Audit e informatica forense.

10. Fondamenti e tecniche di sicurezza informatica.

Sviluppo del TFM

Corso di inglese

• Base, Pre-intermedio, Intermedio o Avanzato.
• Lo studente può scegliere uno dei quattro livelli.

Corso introduttivo a Python

1. Introduzione a Python

2. Condizionali in Python

3. Strutture ripetitive in Python

4. Collezioni. Elenchi

5. Funzioni di stringa

6. Collezioni. Dizionari

7. Caratteristiche

8. Gestione dei file

9. Orientamento agli oggetti

Introduzione al corso R

1. Introduzione a R

2. Vettori

3. Array

4. Elenchi

5. Frame di dati

6. Strutture di controllo

7. Caratteristiche

Metodologie agili. Mischia

1. Cos'è Scrum e come applicarlo

2. Il Framework di Scrum

3. Squadre auto-organizzate

4. Il ruolo dei clienti e degli stakeholder

5. Gestione agile di prodotti e progetti

6. Sviluppo e integrazione continua

7. Come evolvere verso un'organizzazione agile