Industrial data scientist

Programma:

Mod. 1: Digital Transformation

Introduzione/obiettivi/idee progettuali

1. Digital Transformation: Innovazione tecnologica vs Strategia oganizzativa
2. Le 3 diverse strategie della Digital transformation: Matrice / Volumi / Valore
3. I fattori abilitanti
4. Il dato come miglioramento continuo
5. Un approccio alla Data analysis
6. Le competenze del Data scientist
7. Potenziali progetti di Data analytics - gruppo di lavoro

Project work operativo - Impostazione

Mod. 2: Data driven company

Data Driven Company - Data orientation

• Il percorso del dato per estrarne valore
• Raccolta ed elaborazione di dati strutturati, semi-strutturati e non-strutturati
• Lavorare sul flusso dei dati
• Integrazione delle diverse fonti dati
• Comprendere gli elementi fondamentali del percorso
• La catena di trasformazione del dato
• Architetture di riferimento
• La qualità e sicurezza del dato
• Il cloud
• Consumare il dato
• MES e Sensori
• Casi pratici e introduzione al Project work operativo

Data Driven Company - Data lake

• Differenza fra dati e informazioni
• Dinamicità ed eterogeneità dei dati
• Perchè “Data lake”?
• Ciclo di vita dei dati
• Basi dati relazionali e non relazionali
• Introduzione ai database a grafo
• Introduzione ai database per serie temporali
• Sistemi ibridi
• Flussi in real time
• Introduzione ai big data
• Big or not big? Scegliere la tecnologia
• Introduzione a Hadoop/Spark
• Introduzione al mondo cloud: pro e contro
• Feature engineering
• Data virtualization

Data Driven Company - Data preparation

• Modello trasduttore
• Sistema di misura
• Dato grezzo
• Pre-processing
• Rumore
• Pulizia dei dati
• Normalizzazione
• Trattamento dei dati mancanti
• Trattamento dei dati anomali (outliers)
• Feature extraction/engineering
• IoT data mining => Esempi pratici

Mod. 3.1: Data Analytics

Data Analytics & Artificial Intelligence Statistical learning 1

Opzionale per certificati Six Sigma Green Belt e/o Black Belt

• Introduzione ai modelli matematici
• Utilità e limiti di un modello matematico
• Terminologia di settore e caratteristiche: AI, ML, DL, SL
• Linguaggi e tecnologie dell’AI
• Low code, no code e frugal coding
• Modelli supervised e unsupervised
• Training, validation, test
• Regressione, classificazione, clusterizzazione
• Principali algoritmi usati per statistical learning
• Esempi pratici con il software Statistica

Data Analytics & Artificial Intelligence Statistical learning 2

Opzionale per certificati Six Sigma Green Belt e/o Black Belt

• Introduzione al concetto di qualità
• Introduzione agli strumenti statistici per la qualità
• Carte di controllo
• Capacità di processo
• Introduzione al DoE come strumento per creare e migliorare la qualità
• Carte di controllo e machine learning
• Classificazione di serie temporali
• Predizione dei valori di capacità
• Esempi pratici con R e il software Statistica

Mod 3.2: Artificial intelligence

Data Analytics & artificial Intelligence Machine learning

• Introduzione al Machine learning
• Conoscere gli algoritmi utilizzabili per il Machine learning (Tassonomia)
• Algoritmi supervisionati di classificazione e regressione
• Algoritmi per il rilevamento di anomalie
• Algoritmi per il clustering
• Introduzione alle reti neurali
• Fascino, potere e limiti del deep learning
• Metriche di valutazione delle performance dei modelli di Machine learning
• Compromesso bias-varianza (overfitting)
• Esercitazioni con Python

Data Analytics & artificial Intelligence Advanced analytics

• Il modo classico: Data warehouse, Data mart e linguaggio SQL
• SQL vs NoSQL
• Architettura Lambda
• Come gestire i big data: le infrastrutture disponibili (Hadoop, Spark, etc)
• Tipologie di processing (Multiparallel processing, Data streaming)
• Casi progettuali sulla piattaforma Azure

Data Analytics & artificial Intelligence Data visualisation

• Cosa dobbiamo fare vedere? Il contesto di visualizzazione
• Report-based tool vs Model-based tool
• Le fonti dati che abbiamo a disposizione
• Come distribuire le informazioni
• Rispondere alle domande (reporting efficace)
• Filtri e modalità di navigazione
• Esercitazioni ed esempi pratici con Power BI
• Casi progettuali sulla piattaforma Azure
• Best practice ed esempi dal campo