Industrial data scientist
Corso
Blended a Milano
Hai bisogno di un coach per la formazione?
Ti aiuterà a confrontare vari corsi e trovare l'offerta formativa più conveniente.
Scopri i segreti dello sviluppo e nell'innovazione dei prodotti
-
Tipologia
Corso
-
Metodologia
Blended
-
Luogo
Milano
-
Ore di lezione
104h
-
Durata
13 Giorni
-
Inizio
Scegli data
Il Percorso Industrial data scientist, sviluppato in collaborazione con Microsoft, è il primo corso che che integra la statistica industriale con le competenze per la gestione dei dati per:
imparare a leggere i dati e trovare le informazioni a valore per abilitare il miglioramento, sviluppare il ruolo di data scientist in azienda e supportare i progetti Data analytics, identificare KPIs, punti di controllo e costruire dashboard focalizzati per il management e impostare un Project work operativo in azienda.
Sedi e date
Luogo
Inizio del corso
Inizio del corso
Profilo del corso
- Essere in grado di impostare un progetto di data analytics
- Analizzare i dati esistenti e generati dai processi produttivi per segnalare opportunità in ambito qualità, planning, manutenzione ecc
- Utilizzare algoritmi e sistemi per identificare pattern e fenomeni su cui intervenire in ottica process improvement
- Impostare la corretta architettura e data warehousing per sfruttare il potenziale offerto dal 4.0
- Responsabili e Professional IT, Sistemisti e Specialisti di analisi dati
- Responsabili e Professional del miglioramento dei processi industriali che possono sfruttare le potenzialità offerte da IoT e Data analytics in azienda
- Manager e Professional delle diverse aree aziendali interessati ad affrontare il tema dei Data analytics in modo operativo nel loro contesto
Opinioni
Materie
- Statistica
- Reti
- Algoritmi
- Reti neurali
- E-learning
- Supply-Chain Management
- R&D
- KPIU
- KPI
- Modelli di business
Professori
Luca Redaelli
Senior Consultant
Programma
Mod. 1: Industry 4.0 e IoT, Data science, Data scientist nelle Operations
- Introduzione al programma e roadmap
- Industry 4.0: quali opportunità e soluzioni per l'industria
- Internet of Things
- Capire il proprio contesto 4.0 (Maturity level del VDMA e Quick check i4.0 Festo)
- Che cosa è Data science?
- Data science process - Introduzione al CRISP-DM Model
- Data scientist: skills, competenze e ruolo in una realtà industriale
Mod. 2: Industrial Statistics, Process Control & Capability
- Che cos’è la statistica: la scienza dei dati
- Statistica descrittiva - Elementi fondamentali
- Calcolare e interpretare gli indici statistici sintetici
- Analisi grafiche (Runchart, Boxplot, Istogrammi, etc)
- Statistica inferenziale (indici di confidenza e test delle ipotesi)
- Come utilizzare e individuare le distribuzioni di probabilità dei fenomeni oggetto di analisi
- Uso delle distribuzioni più frequenti: Gaussiana, Binomiale, Poisson, etc
- Processs control: utilizzo delle carte di controllo per la verifica e il monitoraggio della stabilità di un processo
- Process capability: come valutare la capacità qualitativa di un processo
Mod. 3: DoE - Desing of Experiment
Come migliorare un processo/prodotto tramite il DoE
- Perché sperimentare?
- Il contributo degli esperimenti all'analisi dati e ai processi di Machine learning
Come pianificare un esperimento
- Piani fattoriali completi
- Piani fattoriali frazionati
- Piani per la stima di modelli di secondo ordine (RSM - Ottimizzazione)
Come analizzare e interpretare i risultati dell'esperimento
- Analisi della varianza per la determinazione dei fattori significativi
- Analisi di regressione: il modello predittivo
- Analisi grafiche: Contour plot, Surfce plot, Interactions plot
Mod. 4: Machine learning
- Introduzione al Machine learning
- Data preparation
- pulizia dei dati
- normalizzazione
- trattamento dei dati mancanti
- trattamento dei dati anomali (outliers)
- trattamento classi sbilanciate
- feature engineering
- dimensionality reduction (PCA)
- Conoscere gli algoritmi utilizzabili per il Machine learning
- Gli algoritmi supervisionati e non
- Classic algorithms:
- Algoritmi di classificazione
- Algoritmi per il rilevamento di anomalie
- Algoritmi per il clustering
- Algoritmi per l’identificazione di regole associative (association rules)
- Introduzione agli Advanced algorithms:
- Come usare le reti neurali e Deep learning per le diverse finalità di analisi
- Reti neurali per il trattamento di immagini e testi (NLP)
- Usare R per le Reti Neurali e il Deep Learning
- Metriche di valutazione delle performance dei modelli di Machine learning
Mod. 5: Advanced analytics, Data visualisation & Architetture per i big data
Big data, Advanced analytics e architetture
- 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)
- Introduzione agli Advanced analytics per i big data
Visualisation & Dashboarding
- 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
- Best Practice ed esempi dal campo
Mod. 6: Impostazione Project work operativo
- Analisi dei possibili Project work individuati
- Scelta e impostazione del Project work più adatto, in termini di obiettivi e vincoli aziendali
Hai bisogno di un coach per la formazione?
Ti aiuterà a confrontare vari corsi e trovare l'offerta formativa più conveniente.
Industrial data scientist