Ricerca corsi
Ricerca

CAS Big Data Analytics e Machine Learning

  • Codice
  • DTI DA
  • Presentazione
  • Il CAS si rivolge a professionisti interessati ad operare nel campo dell’analisi dati. Il percorso formativo forma figure professionali capaci di scegliere, elaborare e utilizzare i dati al fine di estrapolare informazioni utili per i processi e la strategia aziendale. Al termine della formazione, le persone partecipanti saranno in grado di utilizzare algoritmi, tecnologie e piattaforme per l’analisi dati e implementare attraverso l’utilizzo di data set dei modelli di classificazione, profilazione, raccomandazione o decisione.
  • Obiettivi
  • - Conoscere le tecnologie e le piattaforme utilizzabili per l‘analisi di Big Data - Conoscere e imparare a utilizzare algoritmi per data analysis - Capire e implementare modelli di classificazione, regressione, clustering e raccomandazione; usarli per analizzare grandi quantità di dati - Conoscere il Machine Learning e imparare ad applicarlo a dei dataset - Conoscere strumenti e piattaforme software con cui realizzare applicazioni di data analysis.
  • Destinatari
  • Professionisti che operano nel campo della gestione dei dati in azienda e che intendono utilizzare i dati nell’ambito della business intelligence o nella predictive analytics.
  • Requisiti
  • Conoscenze di base di gestione e di analisi dei dati e di programmazione. Nell’ambito di alcuni corsi verrà utilizzato il linguaggio Python, a chi non ne avrà le basi verrà indicato un tutorial da seguire prima dell’inizio del corso.
  • Certificato
  • Attestato di frequenza. Certifificate of Advanced Studies SUPSI in Big Data Analytics e Machine Learning, subordinato al superamento degli esami previsti dal percorso formativo.
  • Crediti di studio
  • 10 ECTS
  • Programma
  • Modulo 1: Machine Learning e Data Mining (36 ore lezione) - Introduzione al machine learning/data mining. - Preparazione dei dati (discretizzazione, pulizia, dati mancanti, selezione delle variabili). - Apprendimento supervisionato (classificatori principali e meta-classificatori: bagging, boosting). - Valutazione empirica dei classificatori. - Dati temporali (serie storiche). - Cenni a bias-variance decomposition, classificazione cost-sensitive, test statistici di confronto. - Introduzione alle reti Bayesiane. - Grafi causali, d-separazione, probabilità condizionata. - Esempi di casi pratici durante tutto il modulo. Modulo 2: Tecnologie per i Big Data (28 ore-lezione) - Hadoop Distributed File System (HDFS) - Hadoop MapReduce - Apache Spark - Spark cluster manager - Stream e event processing - Data visualisation Tools - Esercizi Modulo 3: Big Data analytics con Spark (24 ore-lezione) - Classificazione: descrizione degli algoritmi (modelli lineari, naive Bayes, alberi di decisione) e dell’implementazione Spark. - Regressione: descrizione degli algoritmi (regressione lineare, random forest) e dell’implementazione Spark. - Clustering: descrizione degli algoritmi (k-means, mistura di Gaussiane) e caso di studio Spark. - Raccomandazione: descrizione degli algoritmi (collaborative filtering) e dell’implementazione in Spark. - Caso di studio pratico: raccomandazione di film, analisi di dati di bike sharing, sentiment analysis. Modulo 4: Piattaforme cloud per Analytics e Machine Learning (12 ore-lezione) Studio e utilizzo delle principali piattaforme cloud per Analytics e Machine Learning: - Amazon AWS - Microsoft Azure e Azure Machine Learning Studio - Google Cloud Computing Services e Google AI and machine learning products - Databricks - Studi di caso Modulo 5: Progetto finale Il progetto finale consentirà allo studente di mettere in pratica le competenze acquisite nei moduli precedenti ed entrerà a far parte della valutazione finale dello studio. Il tema del progetto verrà proposto da uno dei docenti del corso e verrà svolto dallo studente autonomamente con interazioni e incontri periodici con il relatore
  • Durata
  • 100 ore-lezione più progetto personale
  • Responsabile/i
  • Roberto Mastropietro, Professore, Istituto sistemi informativi e networking, SUPSI
  • Relatore/i
  • Patrick Ceppi, docente, Istittuto Sistemi Informativi e Networking, SUPSI Vanni Galli, ricercatore, Istittuto Sistemi Informativi e Networking, SUPSI David Huber, Software Engineer & Researcher, Istituto Dalle Molle di Studi sull’Intelligenza Artificiale, SUPSI
  • Iscrizione ai corsi
  • Entro il 3 febbraio 2023
  • Date
  • Machine Learning e Data Mining (36 ore-lezione) 13, 16, 27 febbraio 2, 6, 9, 13, 16, 20 marzo 2023 Tecnologie per i Big Data (28 ore-lezione) 23, 27, 30 marzo 3, 6, 17, 20 aprile 2023 Big Data analytics con Spark ( 24 ore-lezione) 24, 27 aprile 4, 8, 11, 15 maggio 2023 Piattaforme Cloud per Analytics e Machine Learning (12 ore-lezione) 22, 24, maggio 1 giugno 2023 Progetto personale (24 ore-lezione) 5, 7, 12, 14, 19, 22 giugno 2023
  • Orari
  • 17.30-21.00
  • Luogo
  • SUPSI, Dipartimento tecnologie innovative Il corso viene offerto in modalità blended learning.
  • Costo
  • CHF 4'800.– Tali costi comprendono il rilascio dei certificati e la documentazione didattica È previsto uno sconto del 10% per i soci individuali di AFTI, AITI, ATED e itSMF.
  • Informazioni di contatto
  • roberto.mastropietro@supsi.ch
  • Informazioni
  • SUPSI, Dipartimento tecnologie innovative Polo universitario Lugano - Campus Est Via La Santa 1 CH-6962 Lugano-Viganello T +41 (0)58 666 66 84 dti.fc@supsi.ch www.supsi.ch/dti