Data Science, Creare una cultura del dato, il ruolo dei Manager

Capitolo uno: definizione di un nuovo mondo

• Introduzione al corso
• Definizione di Data Science e differenze rilevanti rispetto alla data analysis, alla business intelligence e al data mining
• Il concetto di big data
• Definizione di Industry 4.0 e suo legame profondo con la Data Science
• Introduzione al Machine Learning e all’Intelligenza Artificiale

Capitolo due: basi di Data Science

• Alchimia del dato
• Il diagramma di Venn e le sue implicazioni
• I tre layer della Data Science
• Il team di Data Science
• Le 5 leggi fondamentali della Data Science

Capitolo tre: problemi di business e soluzioni di Data Science

• Esempi reali di visione data driven
• Scopi generali per cui applicare la Data Science

Capitolo quattro: macchine che imparano

• Introduzione al concetto di modello matematico
• Metodi di apprendimento unsupervised
• Metodi di apprendimento supervised
• Esempi pratici di casi reali di interesse business

Capitolo cinque: quando i dati si fanno grandi

• Big o non big? Questo è il dilemma..
• Le tecnologie abilitanti dei big data
• La rivoluzione di architettura e logica portata dai big data
• Implicazioni aziendali dei big data in termini di skills e costi
• Big data analysis
• Comprimere i big data tramite metodi matematici

Capitolo sei: costruire il team

• Individuare e selezionare i profili necessari
• Dare forma al team e all’ambiente di lavoro
• Definizione di protocollo e metodologie per il team
• Gestione del team
• Progettazione e versionamento del codice
• Reporting dei progetti
• Metodologia Agile: Scrum e Kanban

Capitolo sette: il layer del data lake

• Requisiti e scopi fondamentali di un data lake
• Architetture miste relazionali e noSQL
• Il ruolo fondamentale del data architect
• La rivoluzione dell’ICT
• L’importanza di una corretta raccolta dati
• Strumenti e tecnologie

Capitolo otto: il layer scientifico

• Matematica e creatività
• Cosa serve per creare un modello matematico
• Validazione dei modelli
• Scalabilità, portabilità, costi: differenze tra un accademico e un data scientist
• Strumenti e tecnologie

Capitolo nove: il layer di usabilità

• Industrializzare un modello matematico
• L’importanza della comunicazione
• Interfacce utente nell’era cloud based
• Strumenti e tecnologie

Capitolo dieci: Data Science sul campo

• Esempi reali da diverse aree di business
• Piano operativo e leve strategiche per introdurre la Data Science in azienda