STRUTTURA PROGRAMMI E PIANO DI STUDI A.A. 2019-2020

Il Master ha durata annuale, da gennaio a dicembre, con un impegno didattico di 1.500 ore complessive, di cui 400 riservate a lezioni di didattica frontale e 325 ore alla prova finale, per un totale di 60 CFU riconosciuti. Le lezioni si terranno il Giovedì pomeriggio (14-18), il Venerdì (9-13 14-18) ed il Sabato mattina (9-13) a settimane alterne (compatibilmente con festività nazionali e/o esigenze accademiche). 

Oltre alle attività formative sotto elencate, gli studenti hanno la possibilità di acquisire la Certificazione SAS in Predictive Modeler usando SAS Enterprise Miner.

ATTIVITA' FORMATIVE
CFU

Modulo 1 “Acquisizione, generazione e gestione dati”

Il modulo si propone i seguenti obiettivi:

  • introdurre gli studenti al mondo dei database NoSQL, da intendersi come complemento ai database relazionali, ed alle loro prospettive di utilizzo nel campo dei Big Data. Si introdurranno i principali approcci ai database NoSQL, con alcuni approfondimenti verticali e prove di laboratorio;
  • introdurre gli studenti ad alcuni rudimenti della programmazione distribuita per il trattamento e l'analisi di Big Data. Si prenderà in considerazione il paradigma di calcolo MapReduce e la sua applicazione resa possibile dal framework Apache Spark;
  • introdurre gli studenti al linguaggio di programmazione Python;
  • utilizzare alcune tecniche di base e software per il reperimento, il trattamento e l’analisi di dati spaziali disponibili sotto forma di open data, dataset non strutturati o comunque reperibili in rete;
  • affrontare alcune questioni normative relative alla proprietà dei dati e al loro utilizzo (privacy, sicurezza, proprietà intellettuale).
9

Modulo 2 “Metodi e tecniche di analisi statistica di Big Data”
Il modulo si propone i seguenti obiettivi:

  • formare gli studenti all’utilizzo professionale di metodi inferenziali per le decisioni;
  • formare gli studenti all’utilizzo professionale di metodi di analisi multivariate (Previsive analytics, K-nearest neighbours, Classification and regression trees, Bayesian classifiers, Regression analysis);
  • formare gli studenti all’utilizzo professionale di strumenti di data visualization, data analytics e data modeling;
  • formare gli studenti all’utilizzo professionale di modelli a variabili latenti, e di tecniche di classificazione non supervisionata
9
Modulo 3 “Metodi di Analisi automatica dei testi e di analisi delle reti”
Il modulo si propone i seguenti obiettivi:
  • preparare gli studenti al test per l’acquisizione della Certificazione Internazionale di “Sas Enterprise Miner” di SAS Institute S.p.a., comprendente data mining, reti neurali, alberi di classificazione e metodi ensemble, machine learning, etc…;
  • formare gli studenti all’utilizzo professionale di procedure di pretrattamento del dato non strutturato, di Text Mining e di analisi del dato testuale con il software Taltac2.
12

Modulo 4 “Modelli decisionali e previsivi in ambito socio-economico, demografico e sanitario”
Il modulo si propone i seguenti obiettivi:

  • introdurre gli studenti alla problematica della previsione stocastica in campo demografico utilizzando un apposito software predisposto dal prof. Bertino.
  • l'apprendimento, da parte degli studenti, dei principali modelli previsivi in ambito assicurativo (financial risk modeling, risk simulation, stima del rischio di non autosufficienza) ed in particolare modelli stocastici di proiezione della mortalità; tecniche di data mining per la previsione della sinistrosità; metodi di machine learning per le assicurazioni sulla salute;
  • Modelli previsivi in ambito socio-economico
7

Modulo 5 “Big Data per la ricerca sociale”
Il modulo si propone i seguenti obiettivi:

  • formare gli studenti all’utilizzo professionale di tecniche di analisi reputazionale;
  • formare gli studenti all’utilizzo professionale di tecniche di analisi del sentiment degli utilizzatori dei social media;
  • formare gli studenti all’utilizzo professionale di tecniche di network analysis con Ucinet, Gephi e Netdraw;
  • favorire e, laddove già esistenti, potenziare lo sviluppo di competenze trasversali (Soft skills) indispensabili per un più efficace inserimento lavorativo (team building, decision making, problem solving, leadership, etc…)
  • fornire agli studenti le conoscenze necessarie per impostare in modo efficace un project work, sostenendoli nel percorso della sua messa a punto.
7

Laboratori ed esercitazioni guidate

Per rafforzare ulteriormente il lavoro svolto in aula dai docenti gli studenti svolgeranno esercitazioni assistite e guidate in laboratorio con l’assistenza del/dei tutor d’aula

3

TIROCINIO/STAGE

L’obiettivo principale del tirocinio, obbligatorio per gli studenti non lavoratori, è favorire un primo contatto con le aziende in vista dell’inserimento lavorativo in contesti legati agli argomenti e alle competenze sviluppate durante il Master.
Gli obiettivi specifici del tirocinio sono inseriti nel progetto formativo concordato fra l’azienda ed il tirocinante e successivamente approvati dalla Direttrice del Master tramite la piattaforma online Jobsoul.

Per vedere l'elenco delle società/enti pubblici dove è possibile svolgere i tirocini andare alla pagina "Stage e tirocini".

9

PROVA FINALE

La prova finale ha come obiettivo di verificare che lo studente sia in grado di applicare e sintetizzare nella forma di articolo scientifico quanto realizzato nel suo Project Work.
La discussione davanti alla commissione ha altresì l’obiettivo di valutare la capacità di argomentazione in modo personale del Project Work svolto.

4
TOTALE 60

 

PROJECT WORK

Alla redazione di un project work saranno dedicate 100 ore. I partecipanti, dopo i primi tre mesi di Corso, saranno chiamati a individuare il tema specifico sul quale sviluppare il loro project work, all’interno di una lista predisposta dai docenti, dopo un confronto con gli enti che sostengono il Master e tenendo conto di questioni di interesse per il mercato del lavoro di riferimento. Saranno privilegiati campi di utilizzo sperimentale dei Big Data, per stimolare maggiormente gli studenti al problem solving.Gli studenti saranno invitati a lavorare in piccoli gruppi composti da 3 partecipanti.
In tutto il percorso formativo gli studenti saranno supportati dalla presenza del tutor d’aula. Il project work potrà confluire in un elaborato finale, quale la tesi di Master.
Le tesi, previa autorizzazione degli studenti/autori, saranno pubblicate su un apposito spazio del sito web "Sapienza” dedicato al Master.
Le tesi potranno essere redatte in lingua inglese.