Syllabus del corso
Obiettivi formativi
Alla fine del corso, gli studenti saranno in grado di:
- Comprendere i fondamenti della gestione, pulizia e organizzazione dei dati (data management).
- Acquisire competenze pratiche nell'utilizzo di strumenti e linguaggi moderni come SQL e Python per la manipolazione dei dati.
- Esplorare dataset per identificare pattern, anomalie e insight significativi attraverso l'analisi esplorativa.
- Comunicare efficacemente i risultati delle analisi realizzando visualizzazioni e dashboard interattive con strumenti come Tableau o Power BI.
Contenuti sintetici
- Gestione dei dati (Data Management): ciclo di vita, database, pulizia e qualità.
- Esplorazione dei dati (Data Exploration): statistiche descrittive, analisi con Python (o similari) e feature engineering.
- Visualizzazione dei dati (Data Visualization): principi di visualizzazione, creazione di grafici e dashboard interattive.
Programma esteso
- Data Management (6 ore): Introduzione al ciclo di vita dei dati, ai database relazionali e NoSQL, tecniche di pulizia e pre-elaborazione (Data Cleaning e Preprocessing), principi di Data Governance.
- Data Exploration (7 ore): Applicazione di statistiche descrittive, analisi esplorativa dei dati (EDA) con Python e le sue librerie (o strumento similare), tecniche di Feature Engineering per la creazione di nuove variabili.
- Data Visualization (8 ore): Introduzione ai principi di visualizzazione efficace, creazione di grafici e dashboard con Python (es. Plotly) e software di mercato (Tableau/Power BI), sviluppo di un project work.
Prerequisiti
Nozioni di logica matematica, inclusi i concetti di insiemi, logica proposizionale, teoria dei grafi e insiemistica per i modelli relazionali. Consigliabile una familiarità di base con i concetti di informatica e logica di programmazione.
Metodi didattici
Il corso prevede un'attività didattica totale di 21 ore, che combina lezioni teoriche frontali con esercitazioni pratiche guidate per ogni modulo.
Modalità di verifica dell'apprendimento
L'esame consiste in una prova orale obbligatoria (colloquio sugli argomenti svolti a lezione). La prova orale ha lo scopo di verificare la conoscenza integrata di tutte le competenze acquisite durante il corso ed applicabili ad un dataset reale. Saranno inoltre tenuti in considerazione il coinvolgimento attivo durante le lezioni ed il completamento degli esercizi proposti.
Testi di riferimento
Il materiale didattico verrà fornito durante il corso in forma di slide, materiale pubblicamente disponibile, esercizi, dataset e workflow. Il materiale include l'utilizzo di software specifici.
Periodo di erogazione dell'insegnamento
Secondo semestre.
Lingua di insegnamento
Italiano.
Sustainable Development Goals
Learning objectives
By the end of the course, students will be able to:
- Understand the fundamentals of data management, including data cleaning and organization.
- Gain practical skills in using modern tools and languages such as SQL and Python for data manipulation.
- Explore datasets to identify patterns, anomalies, and meaningful insights through exploratory analysis.
- Effectively communicate analysis results by creating interactive visualizations and dashboards with tools such as Tableau or Power BI.
Contents
- Data Management: data lifecycle, databases, data cleaning, and data quality.
- Data Exploration: descriptive statistics, analysis using Python (or similar tools), and feature engineering.
- Data Visualization: visualization principles, creating charts, and interactive dashboards.
Detailed program
- Data Management (6 hours): Introduction to the data lifecycle, relational and NoSQL databases, data cleaning and preprocessing techniques, and principles of data governance.
- Data Exploration (7 hours): Application of descriptive statistics, exploratory data analysis (EDA) using Python and its libraries (or a similar tool), and feature engineering techniques for creating new variables.
- Data Visualization (8 hours): Introduction to the principles of effective visualization, creating charts and dashboards with Python (e.g., Plotly) and commercial software (Tableau/Power BI), and developing a project.
Prerequisites
Basic knowledge of mathematical logic, including the concepts of sets, propositional logic, graph theory, and set theory for relational models. A basic familiarity with computer science concepts and programming logic is recommended.
Teaching methods
The course consists of a total of 21 hours of instruction, combining theoretical lectures with guided practical exercises for each module.
Assessment methods
The exam consists of a mandatory oral exam (an interview on the topics covered in class). The purpose of the oral exam is to assess students’ comprehensive understanding of all the skills acquired during the course and their ability to apply them to a real-world dataset. Active participation in class and the completion of the assigned exercises will also be taken into account.
Textbooks and Reading Materials
Course materials will be provided during the course in the form of slides, publicly available resources, exercises, datasets, and workflows. The materials include the use of specific software.
Semester
Second semester.
Teaching language
Italian.
