Course Syllabus

Export

Modulo Advanced Data Management
L'obiettivo principale del modulo "Advanced Data Management" è quello di introdurre i principali strumenti concettuali, teorici e pratici atti alla gestione del dato. Il modulo si pone, in particolare, quattro obiettivi: 1) Fornire agli studenti le basi pratico-teoriche dei sistemi di data management, inclusi temi legati alla distribuzione del dato; 2) Illustrate e introdurre i principali paradigmi di rappresentazione, memorizzazione e manipolazione del dato; 3) Fornire una solida base ai concetti fondamentali al processamento del dato in contesti large-scale; 4) Fornire un'introduzione ai principali concetti di data governance, data quality e data engineering.

Alla fine del corso, gli studenti dovrebbero acquisito ed essere in grado di dimostrare la loro conoscenza nei seguenti argomenti (DdD1, DdD4):

  • Basi e principi di design dei sistemi di data management
  • Modelli concettuali, logici e fisici per la rappresentazione e gestione del dato
  • Principi di data management in contesti distribuiti (replicazione, sharding, consenso distribuito, transazioni)
  • Fondamenti di data processing large-scale (MapReduce/Hadoop, Spark)
  • Principi di data governance, data quality e data engineering

Dovrebbero inoltre aver acquisito l'abilità di applicare le nozioni impartite in contesti pratici, in particolare (DdD2):

  • Abilità di tradurre requisiti utente in un modello dei dati e sua implementazione
  • Abilità di gestire dati utilizzando diversi linguaggi di query (SQL, Cipher)
  • Abilità di implementare pipeline di gestione e processamento del dato in contesti large-scale, utilizzando strumenti come Apache Spark

Dovrebbero infine aver raggiunto un grado di maturità sufficiente a permettere di comprendere autonomamente gli sviluppi nel settore del data management (DdD5), incluse la capacità di valutare criticamente diverse soluzioni di gestione del dato, loro benefici e limitazioni (DdD3).

Modulo Decision Support Systems
L'obiettivo del corso è duplice: da un lato, introdurre gli studenti ai principali strumenti concettuali e teorici per modellare scelte razionali nel decision-making; dall'altro lato, fornire agli studenti modelli e strumenti che consentano di progettare sistemi di supporto alle decisioni usabili (i.e., efficaci, efficienti e facili da usare) e di valutarli nel mondo reale.

Alla fine del corso, gli studenti dovrebbero aver acquisito ed essere in grado di dimostrare la loro conoscenza nei summenzionati ambiti, in particolare (DdD1, DdD4):
- Modelli e definizioni del decision-making
- Fondamenti teorici del decision-making
- Automazione di processi decisionali
- Dimensioni di qualità dei sistemi di supporto alle decisioni: usabilità, fiducia, dipendenza, compliance, reliance

Dovrebbero inoltre aver acquisito l'abilità di applicare le nozioni acquisite in contesti pratici, in particolare (DdD2):
	- Abilità di definire e analizzare scenari di decision-making
	- Abilità di progettare e valutare sistemi di supporto alle decisioni

Dovrebbero infine aver raggiunto un grado di maturità sufficiente a permettere di comprendere autonomamente gli sviluppi nel settore della scienza delle decisioni (DdD5), incluse la capacità di valutare criticamente diverse soluzioni di supporto alla decisione, loro benefici e limitazioni (DdD3).

Modulo Data Management
Basi di data management moderno
Modelli del dato e query relazionali e NoSQL
Distributed data management
Distributed data processing

Modulo Decision Support Systems
Sistemi a supporto delle decisioni: definizioni e principi di dessign
Elementi di teoria delle decisioni: singolo agente, multi-agente, sequenziale
Elementi di teoria delle decisioni comportamentale: razionalità limitata, euristiche, bias
Principi di valutazione di DSS

Modulo Data Management

Fondamenti dei sistemi di gestione dei dati (lezione erogativa, 1h)
Principi di progettazione: affidabilità, scalabilità, manutenibilità (lezione erogativa, 1h)
Modelli di dati (relazionale, key-value, documentale, a grafo) e linguaggi di interrogazione (lezione erogativa, 2h)
* Modello concettuale dei dati (modello Entity-Relationship)
* Modelli logici dei dati (relazionale, key-value, documentale, a grafo, embedding vettoriali)
* Modelli fisici dei dati e formati di memorizzazione
Utilizzo pratico di DBMS relazionali e SQL (lezione laboratoriale, 4h)
Utilizzo pratico di DBMS NoSQL (Redis, MongoDB, Neo4J) (lezione laboratoriale, 4h)
Transazioni e proprietà ACID (lezione erogativa, 2h)
Gestione distribuita dei dati (replicazione, sharding, consenso) (lezione erogativa, 4h)
Elaborazione distribuita dei dati (MapReduce, Hadoop, Spark) (lezione erogativa, 2h)
Utilizzo pratico di Apache Spark (lezione laboratoriale, 4h)
Principi di Data Governance, sicurezza dei dati e ingegneria responsabile dei dati (lezione erogativa, 4h)

Modulo Decision Support Systems
Tutte le lezioni sono in forma erogativa.

  • Fondamenti dei Decision Support Systems (4h)

    • Definizioni di Decision Support Systems
    • Architetture dei DSS
    • Principi di progettazione dei DSS

  • Teoria della decisione e teoria dell’utilità attesa (4h)

    • Teoria della decisione per agente singolo (decisione in condizioni di ignoranza, decisione in condizioni di rischio)
    • Aspetti computazionali del decision-making (reti bayesiane, reti decisionali)

  • Teoria dei giochi non cooperativi (4h)

    • Concetti di soluzione (ottimalità paretiana, equilibri di Nash, soluzioni minimax/maximin, equilibri correlati)
    • Aspetti computazionali della teoria dei giochi (algoritmi e complessità computazionale)
    • Fondamenti di mechanism design

  • Decision-making sequenziale e Reinforcement Learning (4h)

    • Processi decisionali di Markov e programmazione dinamica
    • Fondamenti di Reinforcement Learning (trade-off esplorazione/sfruttamento, Q-learning)
    • Ricerca e pianificazione (Monte Carlo Tree Search)

  • Fondamenti di approcci alternativi ai DSS (4h)

    • DSS basati sulla conoscenza (basi di conoscenza, motori inferenziali)
    • DSS conversazionali e basati su IA generativa

  • Teoria comportamentale della decisione, euristiche e bias (4h)

    • Razionalità limitata
    • Euristiche
    • Bias cognitivi
    • Razionalità ecologica e decision-making naturalistico
    • Prospect Theory

  • Valutazione dei Decision Support Systems (4h)

    • Principi di valutazione quantitativa (metriche di accuratezza e qualità decisionale, progettazione sperimentale)
    • Oltre le metriche quantitative (robustezza, fairness, explainability)
    • Qualità dell’interazione uomo-DSS

Modulo Data Management
Conoscenza di base del modello relazionale e del linguaggio SQL

Modulo Decision Support Systems
Nozioni di basi di teoria delle probabilità, intelligenza artificiale e sufficiente maturità matematica

Modulo Data Management
Lezioni erogative frontali (16h), esercitazioni di laboratorio computer-based (12h).
Tutte le lezioni vengono svolte in presenza.

Module Decision Support Systems
Lezioni erogative frontali (28h)
Tutte le lezioni vengono svolte in presenza.

Module Data Management
Slide fornite dal docente.

Libri di testo (consigliati)
Kleppmann, Martin. Designing Data-Intensive Applications: The Big Ideas Behind Reliable, Scalable, and Maintainable Systems. Sebastopol, CA: O’Reilly Media, 2017. ISBN: 978-1449373320.
Silberschatz, Abraham, Henry F. Korth, and S. Sudarshan. Database System Concepts. 7th ed. New York: McGraw-Hill Education, 2019. ISBN: 978-0078022159.
van Steen, Maarten, and Andrew S. Tanenbaum. Distributed Systems. 4th ed. CreateSpace Independent Publishing Platform, 2023. ISBN: 978-1718502642.
Karau, Holden, Andy Konwinski, Patrick Wendell, and Matei Zaharia. Learning Spark: Lightning-Fast Data Analytics. 2nd ed. Sebastopol, CA: O’Reilly Media, 2020. ISBN: 978-1492050049.
Redmond, Eric, and Jim R. Wilson. Seven Databases in Seven Weeks: A Guide to Modern Databases and the NoSQL Movement. 2nd ed. Raleigh, NC: Pragmatic Bookshelf, 2018. ISBN: 978-1680502534.

Eventuale materiale aggiuntivo sarà reso disponibile tramite e-learning.

Modulo Decision Support Systems
Slide fornite dal docente.

Libri di testo (consigliati)
Peterson, Martin. An Introduction to Decision Theory. 2nd ed. Cambridge: Cambridge University Press, 2017. ISBN: 978-1107151598.
Shoham, Yoav, and Kevin Leyton-Brown. Multiagent Systems: Algorithmic, Game-Theoretic, and Logical Foundations. Cambridge: Cambridge University Press, 2008. ISBN: 978-0521899437.
Kochenderfer, Mykel J., Tim A. Wheeler, and Kyle H. Wray. Algorithms for Decision Making. Cambridge, MA: MIT Press, 2022. ISBN: 978-0262047012.
Wickens, Christopher D., Justin G. Hollands, Simon Banbury, and Raja Parasuraman. Engineering Psychology and Human Performance. 5th ed. New York: Routledge, 2021. ISBN: 978-1138087514.
Gigerenzer, Gerd. Rationality for Mortals: How People Cope with Uncertainty. Oxford: Oxford University Press, 2008. ISBN: 978-0195171143.
Russell, Stuart. Human Compatible: Artificial Intelligence and the Problem of Control. New York: Viking, 2019. ISBN: 978-0525558613.

Eventuale materiale aggiuntivo sarà reso disponibile tramite e-learning.

Secondo semestre

Modulo Data Management
Il modulo prevede due diverse (esclusive) modalità d'esame, a scelta dello studente (in accordo col docente):

Esame scritto (domande a risposta aperta) sui contenuti del corso.
Gli studenti dovranno rispondere a 5 domande aperte che possono vertere su tutti i contenuti del corso, in cui verrà richiesta una discussione critica circa diversi aspetti dei sistemi di data managemente. Ogni domanda vale fino a 6 punti, valutati sulla base dei seguenti elementi: completezza, correttezza, comunicazione e proprietà linguaggio.

OPPURE

Progetto implementativo relativo agli argomenti del modulo E esame orale sui contenuti del corso.
Il progetto può essere svolto sia individualmente che in piccoli gruppi (2/3 studenti), l'esame orale è individuale.
Il progetto verrà valutato fino a 24 punti sulla base dei seguenti elementi: completezza, correttezza, comunicazione e reporting.
L'esame orale consisterà di tre domande sui contenuti del corso, ciascuna delle quali verrà valutata fino a 3 punti.

Il modulo non prevede prove in itinere.

Modulo Decision Support Systems
Esame scritto (domande aperte) sui contenuti del corso (voto massimo 30). Gli studenti dovranno rispondere a 5 domande aperte che possono vertere su tutti i contenuti del corso, in cui verrà richiesta una discussione critica circa diversi aspetti dei sistemi di supporto alle decisioni. Ogni domanda vale fino a 6 punti, valutati sulla base dei seguenti elementi: completezza, correttezza, comunicazione e proprietà linguaggio.

Il corso prevede inoltre la possibilità di svolgere un progetto originale opzionale (saggio scritto) per gli studenti il cui voto nello scritto >= 18 (massimo 4 punti aggiuntivi).

Il modulo non provede prove in itinere.

Modulo Data Management
Su appuntamento (email: andrea.campagner@unimib.it).
Module Decision Support Systems
Su appuntamento (email: andrea.campagner@unimib.it).

ISTRUZIONE DI QUALITÁ
Export

Module Data Management
The aim of the data management module is to introduce the main conceptual and theoretical tools to manage data. The aim is four-fold: Provide students with the practical and theoretical foundations of data management systems, including issues of data distribution; Illustrate and introduce the main paradigms to structure, store and manipulate data (including both relational and the most important noSQL paradigms); Provide a solid foundation to the basic concepts of large-scale data processing; Introduce the main concepts in modern data governance, data quality and engineering.
At the end of the course, students should have acquired and should be able to prove and communicate sufficient knowledge in the above mentioned topics, in particular (DdD1, DdD4):

  • Data management systems' design principles
  • Conceptual, logical and physical models for data management
  • Data management principles in distributed settings (replication, sharding, distributed consensus solutions, transactions)
  • Foundations of large-scale data processing (MapReduce/Hadoop, Spark)
  • Foundations of data governance and data engineering

They should also have acquired the ability to apply the taught notions in practical contexts, in particular (DdD2):

  • Ability to translate user requirements in data models and how to practically implement these latter
  • Ability to practically manage data using different query and data models (SQL, Cipher)
  • Ability to implement large-scale data processing pipeline, using tools such as Apache Spark

Finally, they should have reached a sufficient maturity enabling them to autonomously understand up-to-date development in data-management (DdD5), as well as the capacity to critically evaluate different data management solutions, their benefits and limitations (DdD3).

Module Decision Support Systems
The aim of the course is twofold: on the one hand, to introduce students to the main conceptual and theoretical tools to model rational choices in decision making; on the other hand, to provide students with models and tools to design usable (i.e., effective, efficient and easy-to-use) decision support systems and evaluate them in the real world.

At the end of the course, students should have acquired and should be able to prove sufficient knowledge in the above mentioned topics, in particular (DdD1, DdD4):
- Models and definitions of decision-making
- Theoretical foundations of decision making
- Automation of decision making processes
- Quality dimensions of decision support systems: usability, trust, dependence, compliance, reliance

They should also have acquired the ability to apply the taught notions in practical contexts, in particular (DdD2):
	- Ability to formally define and analyze decision-making scenarios
	- Ability to design decision support systems
	- Ability to evaluate decision support systems

Finally, they should have reached a sufficient maturity enabling them to autonomously understand up-to-date developments in decision-making and related disciplines (DdD5), as well as the capacity to critically evaluate different decision support sytems, their benefits and limitations (DdD3)...

Module Data Management
Basics of modern data management
Relational and NoSQL data and query models
Distributed data management
Distributed data processing

Module Decision Support Systems
Decision Support Systems principles and design
Elements of formal decision theory: single agent, multi-agent, sequential.
Elements of behavioral decision theory: bounded rationality, heuristics, biases
Evaluation principles for Decision Support Systems

Module Data Management
Basics of Data Management systems (erogative lesson, 1h)
Data Management system design principles: reliability, scalability, maintainability (erogative lesson, 1h)
Data models (relational, key-value, document, graph) and query languages (erogative lesson, 2h)
- Conceptual data model (Entity Relationship model)
- Logical data models (relational, key-value, document, graph, vector embedding)
- Physical data models and storage formats
Practical usage of Relational DBMS and SQL (laboratory lesson, 4h)
Practical usage of NoSQL DBMS (Redis, MongoDB, Neo4J) (laboratory lesson, 4h)
Transactions and ACID properties (erogative lesson, 2h)
Distributed data management (replication, sharding, consensus) (erogative lesson, 4h)
Distributed data processing (MapReduce, Hadoop, Spark) (erogative lesson, 2h)
Practical usage of Apache Spark (laboratory lesson, 4h)
Principles of Data Governance, Data Security and Responsible Data Engineering (erogative lesson, 4h)

Module Decision Support Systems
All lessons are in erogative form.

  • Foundations of Decision Support Systems (4h)
    Definitions of Decision Support Systems
    DSS Architectures
    DSS Design Principles
  • Decision-Making and Expected Utility Theory (4h)
    Single-Agent Decision Theory (Decision under Ignorance, Decision under Risk)
    Computational Aspects of Decision-Making (Bayesian Networks, Decision Networks)
  • Non-cooperative Game Theory (4h)
    Solution Concepts (Pareto optimality, Nash equilibria, Minimax/Maximin solutions, Correlated equilibria)
    Computational Aspects of Game Theory (Algorithms and Computational Complexity)
    Basics of Mechanism Design
  • Sequential Decision-Making and Reinforcement Learning (4h)
    Markov Decision Processes and Dynamic Programming
    Basics of Reinforcement Learning (Exploration-Exploitation Trade-off, Q-learning)
    Search and Planning (Monte Carlo Tree Search)
  • Foundations of Alternative DSS Approaches (4h)
    Knowledge-based DSS (Knowledge bases, Inference Engines)
    Conversational and Generative AI-based DSS
  • Behavioural Decision Theory, Heuristics and Biases (4h)
    Bounded Rationality
    Heuristics
    Biases
    Ecological Rationality and Naturalistic Decision Making
    Prospect Theory
  • Evaluation of Decision Support Systems (4h)
    Quantitative Evaluation Principles (Accuracy and Decision Quality Metrics, Experimental Design)
    Beyond Quantitative Metrics (Robustness, Fairness, Explainability)
    Human-DSS Interaction Quality

Module Data Management
Basic notion of the relational model, SQL query language

Module Decision Support Systems
Basic notions of probability theory and artificial intelligence, mathematical maturity

Module Data Management
Class-room taught classes (16h), computer-based programming exercises (12h).
All lessons will be held in presence.

Module Decision Support Systems
Class-room taught classes.
All lessons will be in erogative form.
Lessons will be held in presence.

Module Data Management
Slides presented by the teachers.

(Suggested) Textbooks
Kleppmann, Martin. Designing Data-Intensive Applications: The Big Ideas Behind Reliable, Scalable, and Maintainable Systems. Sebastopol, CA: O’Reilly Media, 2017. ISBN: 978-1449373320.
Silberschatz, Abraham, Henry F. Korth, and S. Sudarshan. Database System Concepts. 7th ed. New York: McGraw-Hill Education, 2019. ISBN: 978-0078022159.
van Steen, Maarten, and Andrew S. Tanenbaum. Distributed Systems. 4th ed. CreateSpace Independent Publishing Platform, 2023. ISBN: 978-1718502642.
Karau, Holden, Andy Konwinski, Patrick Wendell, and Matei Zaharia. Learning Spark: Lightning-Fast Data Analytics. 2nd ed. Sebastopol, CA: O’Reilly Media, 2020. ISBN: 978-1492050049.
Redmond, Eric, and Jim R. Wilson. Seven Databases in Seven Weeks: A Guide to Modern Databases and the NoSQL Movement. 2nd ed. Raleigh, NC: Pragmatic Bookshelf, 2018. ISBN: 978-1680502534.

Additional materials, readings and resources will be available on the e-learning platform.

Module Decision Support Systems
Slides presented by the teachers.

(Suggested) Textbooks
Peterson, Martin. An Introduction to Decision Theory. 2nd ed. Cambridge: Cambridge University Press, 2017. ISBN: 978-1107151598.
Shoham, Yoav, and Kevin Leyton-Brown. Multiagent Systems: Algorithmic, Game-Theoretic, and Logical Foundations. Cambridge: Cambridge University Press, 2008. ISBN: 978-0521899437.
Kochenderfer, Mykel J., Tim A. Wheeler, and Kyle H. Wray. Algorithms for Decision Making. Cambridge, MA: MIT Press, 2022. ISBN: 978-0262047012.
Wickens, Christopher D., Justin G. Hollands, Simon Banbury, and Raja Parasuraman. Engineering Psychology and Human Performance. 5th ed. New York: Routledge, 2021. ISBN: 978-1138087514.
Gigerenzer, Gerd. Rationality for Mortals: How People Cope with Uncertainty. Oxford: Oxford University Press, 2008. ISBN: 978-0195171143.
Russell, Stuart. Human Compatible: Artificial Intelligence and the Problem of Control. New York: Viking, 2019. ISBN: 978-0525558613.

Additional materials, readings and resources will be available on the e-learning platform.

2nd semester

Module Data Management
The module has two different (exclusive) exam modalities, that can be selected by the student in accordance with the teacher:

Written exam (open questions) to ascertain understanding of the concepts taught in class.
The students will have to answer to 5 open questions on the contents of the course (all taught contents can be in the exam), where they will be asked to critically discuss different aspects of data management systems. Each question can be graded up to 6 points based on the following requirements: completeness (the student has exhaustively answered to all of the question elements), correctness (the student's answer is correct), communication (the student has demonstrated the ability to think critically about different aspects of the discussed topic).

OR

Project related to the topics of the module AND oral exam to ascertain understanding of the concepts taught in class.
The project can be performed in small groups (up to 2/3 persons, depending on the project) but the oral exam is individual.
The project can be graded up to 24 points based on the following requirements: completeness (the student(s) has exhaustively answered to all of aspects of the project assignment), correctness (the student(s) implementation is correct and exempt of errors), communication (the student(s) has demonstrated the ability to reason critically and report about the produced implementation).
The oral exam consists of three questions on the contents of the course (all taught contents can be in the exam), each of which can be graded up to 3 points.

The module does not have any in-progress tests.

Module Decision Support Systems
Written exam (open questions) to ascertain understanding of the basic concepts taught in class and their relationships (max. grade mark 30).
The students will have to answer to 5 open questions on the contents of the course (all taught contents can be in the exam), where they will be asked to critically discuss different aspects of data management systems. Each question can be graded up to 6 points based on the following requirements: completeness (the student has exhaustively answered to all of the question elements), correctness (the student's answer is correct), communication (the student has demonstrated the ability to think critically about different aspects of the discussed topic).

The course also offers the students the possibility to conduct an optional original essay for students with a written exam grade >= 18 (max. additional 4 points)

Module Data Management
Available by appointment (email: andrea.campagner@unimib.it).
Module Decision Support Systems
Available by appointment (email: andrea.campagner@unimib.it).

QUALITY EDUCATION
Enter

Key information

Field of research
INFO-01/A
ECTS
6
Term
Second semester
Activity type
Mandatory to be chosen
Course Length (Hours)
56
Degree Course Type
2-year Master Degree
Language
English

Staff

    Teacher

  • AC
    Andrea Campagner

Students' opinion

View previous A.Y. opinion

Bibliography

Find the books for this course in the Library

Enrolment methods

Manual enrolments

Sustainable Development Goals

QUALITY EDUCATION - Ensure inclusive and equitable quality education and promote lifelong learning opportunities for all