PORTALE DELLA DIDATTICA
Z
ENGINEERING
Course outline
 
Course description
 
Programme syllabus
 
Guide for Students
 
Degree Programme Regulation
 
Department
 
Collegio
 
Results of assessment questionnaires (C.P.D.)
 
Level of satisfaction of graduating students (AlmaLaurea)
 
Employment condition (AlmaLaurea)
 
Admission requirements
 
Final exam
 
SERVICES TO STUDENTS
Services
 
Tuition fees
 
Organization of academic structures
 
Students' representatives
 
Teaching staff
 
Examination sessions
 
FURTHER INFORMATION
SUA-CdS Information Model
 
Glossary en-it
 
DATA SCIENCE AND ENGINEERING, Laurea Magistrale (Master of science-level of the Bologna process)
Academic Year 2022/23
DEPARTMENT OF CONTROL AND COMPUTER ENGINEERING
Collegio di Ingegneria Informatica, del Cinema e Meccatronica
Campus: TORINO
Program duration: 2 years
Class LM-32 Degree: COMPUTER SYSTEMS ENGINEERING
Reference Faculty
GARZA PAOLO   referente.lm.dse@polito.it
Program held in English

Risultati di apprendimento attesi
Conoscenza e capacità di comprensione
Le conoscenze e competenze attese riguarderanno le diverse fasi del processo di data science e analisi dei dati, oggetto del corso di Laurea Magistrale in Data Science and Engineering. In particolare le figure formate acquisiranno le conoscenze necessarie per raccogliere correttamente e poi raffinare, analizzare, interpretare e valorizzare quantità consistenti di dati di elevata complessità, rendendoli disponibili in maniera efficace per le successive procedure decisionali.

Gli obiettivi di apprendimento attesi riguardano diverse aree e in particolare:
o gestione e analisi dei dati
o machine learning
o modellizzazione matematica e statistica
o ottimizzazione stocastica e simulazione
o gestionale

Ogni studente avrà l'opportunità di scegliere insegnamenti che gli permetteranno di raffinare le proprie conoscenze in ambiti applicativi specifici: ingegneria dell'informazione, ingegneria industriale, finanza e life science.

Modalità didattiche

Queste conoscenze e capacità sono acquisite dagli studenti attraverso lezioni frontali, esercitazioni in aula e in laboratori informatici, e di tipo sperimentale. Nella maggior parte degli insegnamenti sono anche presenti altre attività, condotte in modo autonomo da ciascuno studente o da gruppi di lavoro assistiti dai docenti e organizzati con specifici obiettivi, ad esempio progetti di processi di analisi dei dati. Ogni insegnamento indica quanti crediti sono riservati a ciascuna modalità didattica.

Modalità di accertamento

L'accertamento delle conoscenze e della capacità di comprensione avviene tramite esami scritti e orali, che comprendono quesiti relativi agli aspetti teorici ed applicativi e tramite la discussione dei risultati delle attività autonome singole o di gruppo. Si richiede la capacità di integrare le conoscenze acquisite in insegnamenti e contesti diversi e la capacità di valutare criticamente e scegliere modelli e metodi di soluzione.

Capacità di applicare conoscenza e comprensione
Al termine del percorso di studi lo studente sarà in grado di applicare le conoscenze e competenze acquisite nei vari ambiti in diversi contesti, fondendole insieme grazie ad un'intensa attività sperimentale e di laboratorio, quale ad esempio saper progettare e valutare processi di analisi dei dati mediante algoritmi di machine learning e data mining o la modellizzazione e risoluzione di problemi complessi, di tipo data-driven, tramite l'uso di modelli matematici e statistici.
Lo studente avrà inoltre la capacità di valutare l'impatto innovativo a livello azienzale delle soluzione realizzate e gli impatti etici che esso avrà sulla società.

Modalità didattiche

La capacità di applicare conoscenze e comprensione sono acquisite dallo studente tramite la progettazione guidata di processi di analisi dei dati in molteplici contesti applicativi. Le lezioni in aula sono dedicate all'approfondimento di aspetti teorici, mentre le esercitazioni in aula sono propedeutiche alle attività progettuali. Le attività in laboratorio sono finalizzate alla sperimentazione pratica delle metodologie di progettazione introdotte in aula. È stimolata l'applicazione integrata di conoscenze acquisite in differenti insegnamenti o in modo autonomo.

Modalità di accertamento

Gli accertamenti comprendono esami tradizionali (scritti e orali), con quesiti relativi agli aspetti teorici, all'analisi e al progetto di processi di analisi "data-driven" e applicazioni software. I quesiti di progetto richiedono la valutazione comparata di diverse scelte ("problem solving"). Viene verificata la capacità di applicare le conoscenze acquisite a problemi nuovi, frequentemente di carattere interdisciplinare. Un accertamento complessivo delle capacità di applicare quanto appreso nei diversi insegnamenti avviene con la elaborazione della tesi di laurea, che richiede l'integrazione di conoscenze acquisite e la capacità di apportare nuovi sviluppi.

 

Area di apprendimento Risultati di apprendimento attesi Insegnamenti / attivita formative
Area gestione e analisi dei dati   Conoscenza e comprensione
Gli obiettivi di apprendimento attesi riguarderanno i seguenti argomenti:
- Tecniche di data mining e data warehouse.
- Processi di analisi dei dati (processi "data-driven").
- Tecniche per la visualizzazione di dati e conoscenza.
- Infrastrutture distribuiti e paradigmi di programmazione parallela per acquisire e gestire i big data
- Aspetti etici e di protezione dei dati relativi alla gestione e all’analisi dei dati.
- Teoria dell’informazione per la quantificazione dell’informazione e del rumore presente nei dati analizzati.
Capacità di applicare conoscenza e comprensione
Lo studente dovrà essere in grado di applicare la conoscenza acquisita per il raggiungimento dei seguenti obiettivi:
- Conoscere i metodi di analisi dei dati basati su tecniche di data mining, quali estrazione di associazioni, classificazione e clustering
- Generare modelli descrittivi e predittivi per analizzare grandi moli di dati tramite l’utilizzo di algoritmi di data mining.
- Conoscere le tecniche di analisi, progetto e interrogazione di basi di dati OLAP (data warehouse) e la creazione di cruscotti per la visualizzazione dell’informazione
- Utilizzare infrastrutture distribuite e realizzare programmi distribuiti per acquisire, gestire e analizzare i big data.
- Conoscere gli aspetti etici e giuridici relativi alla gestione, protezione e analisi dei dati.
 
Applied data science project - 01TXXSM - ING-INF/05 (12 cfu)
Data Ethics and Data Protection - 01URZSM - ING-INF/05 (3 cfu)
Data Ethics and Data Protection - 01URZSM - IUS/01 (3 cfu)
Data management and visualization - 01TXASM - ING-INF/05 (8 cfu)
Data science lab: process and methods - 01TWZSM - ING-INF/05 (8 cfu)
Distributed architectures for big data processing and analytics - 01TUYSM - ING-INF/05 (8 cfu)
Information Theory for Data Science - 01DTGSM - ING-INF/03 (8 cfu)
 
Area machine learning   Conoscenza e comprensione
Gli obiettivi di apprendimento attesi riguarderanno i seguenti argomenti:
- Metodi per l’estrazione di conoscenza dai dati tramite algoritmi di machine learning.
- Modelli di reti neurali profonde (deep learning) e tecniche di addestramento.
- Modelli matematici per la rappresentazione, la trasformazione e la modellazione dei dati e dei processi di analisi dei dati.
- Metodi per l'analisi e l'estrazione di conoscenza da dati testuali tramite l'uso di algoritmi di deep natural language processing.
Capacità di applicare conoscenza e comprensione
Lo studente dovrà essere in grado di applicare la conoscenza acquisita per il raggiungimento dei seguenti obiettivi:
- Generare modelli predittivi tramite l’utilizzo di algoritmi di machine learning.
- Applicare e addestrare reti neurali profonde per effettuare analisi dati eterogenei.
- Applicare modelli matematici e statistici per la rappresentazione di dati e processi di analisi.
- Progettare e realizzare processi per l'analisi di dati testuali per mezzo di algoritmi e strumenti per il deep natural language processing.
 
Deep natural language processing - 01VIXSM - ING-INF/05 (8 cfu)
Machine learning and Deep learning - 01TXFSM - ING-INF/05 (10 cfu)
Machine learning for IOT - 01TXPSM - ING-INF/05 (8 cfu)
Mathematics in Machine Learning - 01TXGSM - MAT/03 (4 cfu)
Mathematics in Machine Learning - 01TXGSM - SECS-S/01 (4 cfu)
 
Area modellizzazione matematica e statistica   Conoscenza e comprensione
Gli obiettivi di apprendimento attesi riguarderanno i seguenti argomenti:
- Calcolo delle probabilità.
- Conoscenze teoriche e pratiche relative all'analisi dei processi stocastici e della statistica anche bayesiana, per problemi complessi
- Tecniche di decomposizione/fattorizzazione e tecniche per la riduzione della dimensionalità.
- Metodi di soluzione e decomposizione per problemi stocastici.
- Teoria dei grafi e ottimizzazione di flussi su reti.
Capacità di applicare conoscenza e comprensione
Lo studente dovrà essere in grado di applicare la conoscenza acquisita per il raggiungimento dei seguenti obiettivi:
- Analizzare le distribuzioni statistiche dei dati.
- Effettuare analisi basate su processi stocastici e statistica bayesiana.
- Ridurre e decomporre dati di grandi dimensioni utilizzando tecniche di decomposizione (ad esempio SVD) .
- Effettuare operazioni di ottimizzazione tramite il metodo del gradiente e sue varianti.
- Modellare e analizzare dati tramite grafi e teoria dei grafi.
 
Computational linear algebra for large scale problems - 02TWYSM - MAT/08 (8 cfu)
Network Dynamics and Learning - 01TXLSM - MAT/05 (8 cfu)
Statistical methods in data science - 01TWWSM - MAT/06 (4 cfu)
Statistical methods in data science - 01TWWSM - SECS-S/01 (4 cfu)
Time dependent data with Markov chains - 01DTFSM - MAT/06 (4 cfu)
Time dependent data with Markov chains - 01DTFSM - SECS-S/01 (4 cfu)
 
Area ottimizzazione stocastica e simulazione   Conoscenza e comprensione
Gli obiettivi di apprendimento attesi riguarderanno i seguenti argomenti:
- Metodologie, modelli e algoritmi per l’ottimizzazione applicati all’analisi dei dati.
- Ottimizzazione convessa e vincolata.
-Ottimizzazione non convessa e ottimizzazione non smooth.
- Ottimizzazione con metodi stocastici.
Capacità di applicare conoscenza e comprensione
Lo studente dovrà essere in grado di applicare la conoscenza acquisita per il raggiungimento dei seguenti obiettivi:
- Risoluzione di problemi data-driven tramite tecniche di ottimizzazione convessa, non convessa e vincolata.
 
Computer-aided simulations lab - 01DTHSM - ING-INF/03 (8 cfu)
Decision making and optimization - 01TXCSM - MAT/09 (8 cfu)
Numerical optimization for large scale problems and Stochastic Optimization - 01TXDSM - MAT/08 (6 cfu)
Numerical optimization for large scale problems and Stochastic Optimization - 01TXDSM - MAT/06 (2 cfu)
 
Area gestionale   Conoscenza e comprensione
Gli obiettivi di apprendimento attesi riguarderanno i seguenti argomenti:
- Gestione dell’innovazione basata sui processi "data-driven".
- Generazione di valore dai processi di analisi dei dati.
Capacità di applicare conoscenza e comprensione
Lo studente dovrà essere in grado di applicare la conoscenza acquisita per il raggiungimento dei seguenti obiettivi:
- Gestione del processo aziendale innovativo associato all’analisi dei dati e valorizzazione della conoscenza estratta dai processi di analisi dei dati.
 
Innovation management - 01TXISM - ING-IND/16 (3 cfu)
Innovation management - 01TXISM - ING-IND/35 (3 cfu)
 
Area programmazione   Conoscenza e comprensione
Gli obiettivi di apprendimento attesi riguarderanno i seguenti argomenti:
- Caratteristiche principali della programmazione a oggetti.
- Linguaggio Java.
- Programmazione distribuita.
Capacità di applicare conoscenza e comprensione
Lo studente dovrà essere in grado di applicare la conoscenza acquisita per il raggiungimento dei seguenti obiettivi:
- Realizzare lo sviluppo di un progetto software utilizzando i paradigmi della programmazione a oggetti.
- Progettare e sviluppare un programma distribuito per l’analisi dei dati.
 
Distributed architectures for big data processing and analytics - 01TUYSM - ING-INF/05 (8 cfu)
Object oriented programming - 04JEYSM - ING-INF/05 (8 cfu)
 
Crediti liberi     Free ECTS credits - 13OCDSM - *** N/A *** (12 cfu)
 
Tesi     Thesis - 17MBRSM - *** N/A *** (22 cfu)
 
Autonomia di giudizio
L'autonomia di giudizio viene esercitata dagli studenti quando viene loro chiesto di sviluppare
un progetto. Normalmente la definizione delle specifiche da sviluppare non è completa e lascia un certo grado di libertà allo studente che deve essere capace di fare delle scelte personali. E' anche previsto, come insegnamento a scelta, un insegnamento ("Applied data science project") dedicato allo sviluppo di un progetto interdisciplinare di ampio respiro.

La tesi di laurea è di norma un momento di sintesi nel quale lo studente è coinvolto nel gruppo di ricerca del relatore ed eventualmente in un contesto aziendale. Lo studente deve elaborare ed implementare soluzioni originali su un aspetto di tematiche spesso interdisciplinari.
Abilità comunicative
Le abilità comunicative vengono esercitate e valutate attraverso la specifica stesura di rapporti scritti e presentazioni per documentare i processi di analisi dei dati e per presentare l'informazione estratta tramite i processi di analisi.

Queste attività sono svolte spesso all'interno di piccoli gruppi. Ciò permette di sviluppare l'abilità di lavorare in gruppo, di sottoporre il proprio lavoro ad una valutazione esterna e di predisporre presentazioni tecniche con l'uso di slide o altre tecniche di comunicazione.
Alcuni insegnamenti prevedono la presentazione orale dei lavori individuali o di gruppo, come parte della prova di accertamento. Questa attività viene considerata come un esercizio di comunicazione in pubblico.

L'insegnamento a scelta "Applied data science project" prevede l'interazione con aziende esterne, inizialmente per la raccolta delle specifiche e in itinere e alla fine per la comunicazione dei risultati ottenuti. Questa attività permette di esercitare e incrementare le capacità comunicative.

Il corso di studi favorisce pertanto la crescita della capacità di ricercare, valutare criticamente e comunicare informazioni, idee, problemi e soluzioni, capacità di controllare e verificare le fonti documentali e di spiegare e documentare le proprie scelte, utilizzando opportunamente i mezzi che la moderna tecnologia informatica mette a disposizione.
Capacità di apprendimento
La capacità di apprendimento viene sviluppata ponendo lo studente nelle condizioni di imparare con la massima resa (o con il minimo sforzo) il materiale proposto in aula, per applicarlo nella fase di esercitazione in aula o in laboratorio e per sviluppare piccoli progetti, sottoponendogli anche del materiale aggiuntivo che deve essere elaborato autonomamente, in vista della prova d'esame e finale. Ciò permette allo studente di sviluppare le sue capacità di apprendere nello studio auto-diretto o autonomo, qualità indispensabile nell'aggiornamento continuo delle proprie conoscenze.
 


© Politecnico di Torino
Corso Duca degli Abruzzi, 24 - 10129 Torino, ITALY
WCAG 2.0 (Level AA)
Contatti