Data Scientist per Operational Excellence

Big Data: la centralità dei dati come fattore strategico per lo sviluppo del business

• Data Driven Economy e Data Driven Decision: il ruolo dei dati e delle informazioni nelle scelte aziendali
• Le applicazioni della Big Data Analysis
• Data Science e Data Analysis
• Il ruolo del Data Scientist nell’organizzazione aziendale

Elaborare i dati tramite strumenti di statistica industriale

• Introduzione alla statistica ed elementi di gestione dell’incertezza
• Modelli di analisi statistica
• Stratificazione e clustering dei campioni
• Sintesi statistica numerica: indicatori di tendenza centrale e di dispersione
• Sintesi statistica grafica: la costruzione di report efficaci (Istogrammi, Box-Plot & Whiskers, scatterplot)
• Analisi dei comportamenti dei campioni: le principali distribuzioni di probabilità continue e discrete
• Analisi di Capability dei processi

Strumenti di analisi inferenziale & model fitting

• Verifica dei comportamenti dei campioni: analisi degli outliers e delle anomalie
• Utilizzo industriale ed applicazioni del Test di Ipotesi
• Utilizzo ed interpretazione dell’ANOVA
• Utilizzo ed interpretazione dei modelli regressivi
• Analisi dei pattern e sintesi del comportamento dei residui (MAD, CV, ME,…)
• Cenni alle Carte di Controllo per la verifica dei comportamenti

Metodi di programmazione

• Introduzione ai linguaggi di programmazione: Phyton™ e l’ambiente Jupiter Notebook
• Costrutti e sintassi di base tipici del programma Phyton™ dai tipi di dato alle funzioni
• Librerie: Numpy, per operazioni su vettori e matrici; matplotlib per la visualizzazione
• La libreria di Data Analysis Pandas per la manipolazione dei dati: importazione, analisi, estrazione, ordinamento, raggruppamento ed esportazione dei dati.

Data Collection

• Strategie di raccolta, sistematizzazione e integrazione di dati eterogenei
• Modelli e formati dati principali: SQL vs NoSQL, CSV, Json, immagini, ecc.
• Tool di scraping (librerie SW e strumenti grafici interattivi) e REST API

Big Data

• Introduzione e concetti di base
• Data preparation: pulizia dei dati, normalizzazione, gestione dei dati mancanti e delle anomalie
• Criticità, evoluzione, strumenti e piattaforme per la gestione di Big Data

Data Visualization

• Introduzione all’information visualization (infoview): scopo, principi fondamentali, pattern e antipattern
• Strumenti per la Data Visualization: mockup, wireframe & UI Prototyping
• Realizzazione di dashboard interattive con Power BI
• Modelli e strumenti per la valutazione di interfacce e dashboard

Machine Learning

• Introduzione al Machine Learning ed alle metriche valutative per problemi discreti e continui
• Vantaggi e svantaggi dei sistemi supervised ed unsupervised, applicabilità delle diverse metodologie a seconda dei contest
• Classificazione e regressione
• Classificatori: k-Nearest Neighbor, Support Vector Machine, Random Forest
• Clustering (k-means) e Riduzione di dimensionalità (PCA)
• Introduzione al Deep Learning, Reti Neurali Convolutive, Reti Ricorrenti e Reinforcement Leraning