Percorso formativo

Per maggiori informazioni si consulti il sito web alla pagina: http://datascience.i3s.uniroma1.it/it

Curriculum unico

Primo anno

Orientamento unico
Insegnamento		Semestre	CFU	SSD
1047221 - ALGORITHMIC METHODS OF DATA MINING AND LABORATORY	○ The course presents the main algorithmic techniques of data mining, necessary for data science. They offer to the student the basis for analyzing data for a variety of applications that deal with semistructured or unstructured data, such as textual data, transactions, and graph and information-network data. At the end of the course the student will have a knowledge of the main theoretical ideas of data mining, as well as some basic knowledge and experience in using programming tools for analyzing and mining data.	Primo semestre	9	ING-INF/05
1047264 - FUNDAMENTALS OF DATA SCIENCE AND LABORATORY	Learning from data in order to gain useful predictions and insights. At the end of the course students will have an understanding of the basic programming skills needed for data analysis and visualization. They will also have familiarity of the typical data processing workflow of data preparation and scraping, visualization and exploratory analysis and final statistical modeling. Students will become familiar with the main Python libraries for data science.	Primo semestre	9	INF/01
10589600 - STATISTICAL METHODS IN DATA SCIENCE AND LABORATORY	Learning goals Statistical Methods in Data Science is a two-semester course aimed at providing the fundamental tools for: setting up probabilistic models; understanding the basic principles of the main inferential problems: estimation, hypothesis testing, model checking and forecasting; understanding and contrasting the two main inferential paradigms, namely frequentist and Bayesian statistics; implementing inference on observed data through both optimization and simulation-based (approximation) techniques such as: Bootstrap Monte Carlo Monte Carlo Markov Chain (MCMC) understanding comparative merits of alternative strategies developing statistical computations within a suitable software environment like R (www.r-project.org), OpenBUGS (http://openbugs.net/w/FrontPage) and STAN (http://mc-stan.org/). Knowledge and understanding On successful completion of this course, students will: know the main statistical principles, inferential problems, paradigms and algorithms; assess the empirical and theoretical performance of different modeling approaches; know the main platforms, programming languages to develop effective implementations. Applying knowledge and understanding Besides the understanding of theoretical aspects, thanks to applied homeworks and a dedicated laboratory in the second semester focused on Bayesian modeling, students will be constantly challenged to use and evaluate all the techniques they have learned as well as to propose new modelization suitable for specific tasks at hand. Making judgements On successful completion of this course, students will develop a positive critical attitude towards the empirical and theoretical evaluation of statistical methodologies and results. Communication skills In preparing the report and oral presentation for the final project of the second semester laboratory, students will learn how to effectively communicate information, ideas, problems and solutions to specialists but also to a general audience. Learning skills In this course the students will develop the skills necessary for a successful understanding and application of new statistical methodologies together with their effective implementation. The goal is of course to grow an active attitude towards continued learning throughout a professional career.	Primo semestre	9
STATISTICAL METHODS IN DATA SCIENCE AND LABORATORY I		Primo semestre	9	SECS-S/01
10589600 - STATISTICAL METHODS IN DATA SCIENCE AND LABORATORY	Learning goals Statistical Methods in Data Science is a two-semester course aimed at providing the fundamental tools for: setting up probabilistic models; understanding the basic principles of the main inferential problems: estimation, hypothesis testing, model checking and forecasting; understanding and contrasting the two main inferential paradigms, namely frequentist and Bayesian statistics; implementing inference on observed data through both optimization and simulation-based (approximation) techniques such as: Bootstrap Monte Carlo Monte Carlo Markov Chain (MCMC) understanding comparative merits of alternative strategies developing statistical computations within a suitable software environment like R (www.r-project.org), OpenBUGS (http://openbugs.net/w/FrontPage) and STAN (http://mc-stan.org/). Knowledge and understanding On successful completion of this course, students will: know the main statistical principles, inferential problems, paradigms and algorithms; assess the empirical and theoretical performance of different modeling approaches; know the main platforms, programming languages to develop effective implementations. Applying knowledge and understanding Besides the understanding of theoretical aspects, thanks to applied homeworks and a dedicated laboratory in the second semester focused on Bayesian modeling, students will be constantly challenged to use and evaluate all the techniques they have learned as well as to propose new modelization suitable for specific tasks at hand. Making judgements On successful completion of this course, students will develop a positive critical attitude towards the empirical and theoretical evaluation of statistical methodologies and results. Communication skills In preparing the report and oral presentation for the final project of the second semester laboratory, students will learn how to effectively communicate information, ideas, problems and solutions to specialists but also to a general audience. Learning skills In this course the students will develop the skills necessary for a successful understanding and application of new statistical methodologies together with their effective implementation. The goal is of course to grow an active attitude towards continued learning throughout a professional career.	Secondo semestre	3
STATISTICAL METHODS IN DATA SCIENCE AND LABORATORY II		Secondo semestre	3	SECS-S/01
1047223 - NETWORKING FOR BIG DATA AND LABORATORY	These classes aim at providing the students with a comprehensive understanding of networking principles and current networking technologies at an introductory level. The focus in on the Internet evelution for big data support and the cloud networking with special attention to networking solution for data centers. A preliminary introductory part of the course is defined to equalize the background of potentially heterogneoeus classes and to unify networking concepts, terms and technical language.	Secondo semestre	9	ING-INF/03
- A SCELTA DELLO STUDENTE		Secondo semestre	6
GRUPPO OPZIONALE A		Vai al gruppo
GRUPPO OPZIONALE B		Vai al gruppo
GRUPPO OPZIONALE C		Vai al gruppo

Secondo anno

Orientamento unico
Insegnamento		Semestre	CFU
- A SCELTA DELLO STUDENTE		Primo semestre	6
AAF1149 - altre conoscenze utili per l'inserimento nel mondo del lavoro	The specific aim is to enable the student to assist him with the more specific knowledge for inclusion in the future world of work.	Secondo semestre	3
AAF1022 - PROVA FINALE	The student will present and discuss the results of a technical activity, producing a written thesis supervised by a professor and showing the ability to master the methodologies of data science	Secondo semestre	24
GRUPPO OPZIONALE B		Vai al gruppo
GRUPPO OPZIONALE C		Vai al gruppo
GRUPPO OPZIONALE D		Vai al gruppo

Gruppi Opzionali

**Lo studente deve acquisire 18 CFU dagli esami presenti nel gruppo**
Insegnamento		Anno	Semestre	CFU	SSD
1047197 - DATA MANAGEMENT FOR DATA SCIENCE	The main goal of the course is to present the basic concepts of data management systems. The first part of the course introduces the main aspects of relational database systems, including basic functionalities, file and index organizations, and query processing. The second part of the course aims at presenting the main non-relational approaches to data management, in particular, multidimensional data management, large-scale data management, and open data management.	Primo anno	Secondo semestre	6	ING-INF/05
1047205 - CLOUD COMPUTING	Cloud computing has entered the mainstream of information technology, providing highly elastic scalability in delivery of enterprise applications. At the end of the course students will have the tools to understand the impact of using Cloud services in a business environment and the technological implications of developing Cloud applications in practice, especially for storing and processing large data sets.	Primo anno	Secondo semestre	6	INF/01
1047200 - DATA MINING TECHNOLOGY FOR BUSINESS AND SOCIETY	The course will present fundamental technologies for advanced data mining applications. The course will start with presenting the methodologies for storing and retrieving information on the Web, mining application logs, mining social media, collaborative filtering and personalization. The course will also present the basic technlogies for mining geo-spatial data and data produced from large-scale sensing environments. Applications will include mining of consumer preferences, computational advertising, online marketplaces, digital marketing and mining data in physical spaces. As part of the course students will carry on a field study on a relevant use case for a selected application.	Primo anno	Secondo semestre	6	ING-INF/05
1047214 - DATA PRIVACY AND SECURITY	General Objectives Ensuring the privacy of personal data, and securing the computing infrastructures, are key concerns when collecting and analyzing sensitive data sets. Example of these data sets include medical data, personal communication, personal and company-wide financial information. The course is meant to cover an overview of modern techniques aimed at protecting data privacy and security in such applications. Specific Objectives The students will learn the basic cryptographic techniques and their application to obtaining privacy of data in several applications, including cloud computing, statistical databases, distributed computation, and cryptocurrencies. Knowledge and Understanding -) Modern cryptographic techniques and their limitations. -) Techniques for achieving privacy in statistical databases. -) Techniques for designing cryptographic currencies and distributed ledgers. -) Techniques for secure distributed multiparty computation. Applying knowledge and understanding: -) How to select the right cryptographic scheme for a particular application. -) How to design a differentially private mechanism. -) How to program a secure cryptosystem, or a secure smart contract, or a secure cryptographic protocol. Autonomy of Judgment The students will be able to judge the security of the main cryptographic applications. Communication Skills How to describe the security of cryptographic standards, privacy-preserving statistical databases, and blockchains. Next Study Abilities The students interested in research will learn what are the main open challenges in the area, and will obtain the necessary background for a deeper study of the subjects.	Secondo anno	Primo semestre	6	INF/01
1047202 - SIGNAL PROCESSING FOR BIG DATA	This is a methodological course whose objectives are to make the students able to represent information distributed over a graph and to solve complex optimization problems in distributed form. The problems concern the extraction of information from data distributed across various machines and to make inferences about networked data. These goals are achieved by first teaching the theoretical foundations necessary to formulate and solve the above problems and then inviting the students to write Matlab programs implementing the algorithms solving problems of interest.	Secondo anno	Primo semestre	6	ING-INF/03
10589623 - COMPUTATIONAL DATA ANALYSIS	Le sfide poste dall'analisi hanno evidenziato l'importanza della scalabilità. Algoritmi precedentemente considerati efficienti non sono adeguati al crescere della dimensione e della dimensionalità dei dati oltre certi limiti. Recentemente, tali problemi sono divenuti centrali nella ricerca algoritmica, che ha sviluppato nuovi modelli e paradigmi di progetto. Questo corso verterà sullo studio di alcune di queste tecniche. Gli argomenti di studio includeranno tecniche algoritmiche per importanti problemi di analisi di dati quali il clustering, in scenari in cui i tempi di calcolo debbono essere sub-lineari. Verranno anche considerati scenari on-line e altri in cui soluzioni precedentemente proposte vanno ricalcolate in modo efficiente a seguito di modifiche dinamiche dei dati. Oltre alla presentazione di importanti tecniche algoritmiche, lo scopo del corso è anche introdurre gli studenti alle tecniche di analisi usate per caratterizzarne le prestazioni.	Secondo anno	Primo semestre	6	ING-INF/05
1056023 - SMART ENVIRONMENTS	Goal of this course is to provide an overview of the large world of wireless and wired technologies that are will be used for the Smart Environments. These technologies will be able to provide infrastructures of networks and digital information used in the urban spaces and smart environments to build advanced applications. Recent advances in areas like pervasive computing, machine learning, wireless and sensor networking enable various smart environment applications in everyday life. The main goal of this course is to present and discuss recent advances in the area of the Internet of Things, in particular on technologies, architectures, algorithms and protocols for smart environments with emphasis on real smart environment applications. The course will present the communication and networking aspects as well as the processing of data to be used for the application design. The course will propose two cases studies in the field of smart environments: Vehicular Traffic monitoring for ITS applications and Network cartography. In both cases instruments, models and methodologies for the design of smart environments applications will be provided.	Secondo anno	Secondo semestre	6	ING-INF/03
10589621 - ADVANCED MACHINE LEARNING		Secondo anno	Secondo semestre	6	INF/01

**Lo studente deve acquisire 6 CFU dagli esami presenti nel gruppo**
Insegnamento		Anno	Semestre	CFU	SSD
1047208 - STATISTICAL LEARNING	Devising new machine learning methods and statistical models is a fun and extremely fruitful “art”. But these powerful tools are not useful unless we understand when they work, and when they fail. The main goal of statistical learning theory is thus to study, in a statistical framework, the properties of learning algorithms mainly in the form of so-called error bounds. This course introduces the techniques that are used to obtain such results, combining methodology with theoretical foundations and computational aspects. It treats both the basic principles to design successful learning algorithms and the “science” of analyzing an algorithm’s statistical properties and performance guarantees. Theorems are presented together with practical aspects of methodology and intuition to help students develop tools for selecting appropriate methods and approaches to problems in their own data analyses. Methods for a wide variety of applied problems will be explored and implemented on open-source software like R (www.r-project.org), Keras (https://keras.io/) and TensorFlow (https://www.tensorflow.org/). Knowledge and understanding On successful completion of this course, students will: know the main learning methodologies and paradigms with their strengths and weakness; be able to identify a proper learning model for a given problem; assess the empirical and theoretical performance of different learning models; know the main platforms, programming languages and solutions to develop effective implementations. Applying knowledge and understanding Besides the understanding of theoretical aspects, thanks to applied homeworks and a final project possibly linked to hackathons or other data analysis competitions, the students will constantly be challenged to use and evaluate modern learning techniques and algorithms. Making judgements On successful completion of this course, students will develop a positive critical attitude towards the empirical and theoretical evaluation of statistical learning paradigms and techniques. Communication skills In preparing the report and oral presentation for the final project, students will learn how to effectively communicate original ideas, experimental results and the principles behind advanced data analytic techniques in written and oral form. They will also understand how to offer constructive critiques on the presentations of their peers. Learning skills In this course the students will develop the skills necessary for a successful understanding as well as development of new learning methodologies together with their effective implementation. The goal is of course to grow a active attitude towards continued learning throughout a professional career.	Primo anno	Secondo semestre	6	SECS-S/01
1047209 - QUANTITATIVE MODELS FOR ECONOMIC ANALYSIS AND MANAGEMENT	General Objectives of the course The general objectives of the course are: - Present a general framework for the development of quantitative models for economic analysis and management; - Provide the basic concepts and a guide to analyse the specialised literature; - Propose a unified framework on the main methodologies available to compare the productivity and efficiency of Decision Making Units (DMUs); - Introduce to the relevant roles played by the data for the development of effective quantitative models of socio-economic systems; - Make an introduction to the main softwares available to implement the quantitative models presented during the course; - Provide laboratory sessions to implement the quantitative models presented during the course in practice; - Present several applications in the field of economics and management, including public sector services as potential group project works, to be developed by the students according to their personal interest and background; - Interact with students through seminars, assisted laboratory, oral presentations and the realization of a project work on real data. Specific objectives of the course • KNOWLEDGE AND UNDERSTANDING: DEMONSTRATE THE KNOWLEDGE OF THE BASIC METHODS FOR THE DEVELOPMENT OF QUANTITATIVE MODELS FOR ECONOMIC ANALYSIS AND MANAGEMENT ; • ABILITY TO APPLY KNOWLEDGE AND UNDERSTANDING: TO BE ABLE TO DEVELOP QUANTITATIVE ECONOMIC MODELS ON THE BASE OF THE KNOWLEDGE AND TECHNIQUES LEARNED DURING THE COURSE; • JUDGMENT AUTONOMY: TO BE ABLE TO DEVELOP A QUANTITATIVE ECONOMIC MODEL WITH CRITICAL SPIRIT, CHOOSING THE APPROPRIATE METHOD AND CORRECTLY IMPLEMENTING IT. • COMMUNICATION SKILLS: BEING ABLE TO COMMUNICATE THE RESULTS OF THE ANALYSIS AND ITS INFORMATION TO DIFFERENT TYPES OF INTERLOCUTORS; • LEARNING SKILLS: TO DEVELOP THE NECESSARY SKILLS TO APPLY AND DEVELOP AUTONOMOUSLY THE METHODS AND MODELS LEARNED DURING THE COURSE.	Primo anno	Secondo semestre	6	ING-IND/35
1041415 - OPTIMIZATION METHODS FOR MACHINE LEARNING	Knowledge and understanding The aim of the course is to introduce students to the application of optimization techniques to training problems arising in machine learning. Students are expected to gain insight into standard models in Machine Learning (Deep Networks and Support Vector Machines) and into more recent optimization algorithms for determining the parameters (training) of such models that best fit to the available data. Applying knowledge and understanding By the end of the course, students should be able to select the correct model for the problem at hand and either to use standard software specialized to the application and/or to develop their own optimization algorithm. modelli di apprendimento automatico applicati ai casi studio in apprendimento automatico. Making judgements Lectures, practical exercises and project sessions will provide students with the ability to assess the main strengths and weaknesses of the different machine learning models applied to case studies in machine learning. Communication By the end of the course, students are able to point out the main features of a machine learning problem and explain techniques for its solution both with a specialized and a non-specialized audience. These abilities are tested and evaluated in the projects developed in small groups thus encouraging team building and a proactive learning process coupling with collaborative learning. These abilities can also be checked in the final oral exam. Lifelong learning skills Students are expected to develop those learning skills necessary to undertake additional studies on the relevant topics with a high degree of autonomy. During the classes, students are encouraged to work on projects into small groups thus stimulating student activity and engagement. They are pushed to consult supplementary research publications and internet sites to exploit tricks and detailed choices needed to accomplish the tasks effectively. These capabilities are tested and evaluated in the development of the final reports of the projects where students have to discuss the main issues of the addressed problems and their choices to overcome the difficulties, based on the topics and material covered in class.	Secondo anno	Primo semestre	6	MAT/09
1056087 - STATISTICS FOR STOCHASTIC PROCESSES	Lo scopo principale del corso è quello di insegnare le più popolari metodologie di inferenza non parametrica, soprattutto da un punto di vista bayesiano. Lo studente, alla fine del corso, sarà in grado di utilizzare processi di Dirichlet e loro ramificazioni nei più consueti contesti inferenziali di data science	Secondo anno	Secondo semestre	6	SECS-S/01

**Lo studente deve acquisire 6 CFU dagli esami presenti nel gruppo**
Insegnamento		Anno	Semestre	CFU	SSD	Lingua
1047215 - INTELLECTUAL PROPERTY COMPETITION AND DATA PROTECTION LAW	The aim of the course is to provide students with an overview of the functioning of intellectual property, competition and data protection law from both an economic and legal perspective. By the end of the course students are expected to have acquired a general understanding of the main policy issues involved, and should be able to identify and apply the relevant legal rules, both substantial and procedural, in situations that can be considered routinary to professionals and businesses operating in the data science industry.	Primo anno	Secondo semestre	6	IUS/04
1047212 - ECONOMICS OF NETWORK INDUSTRIES	Knowledge and understanding The course introduces students to the economics and management of networks. On the one hand, the course illustrates the main features of the new information economy, and discusses the prevailing and emerging business models. On the other hand, it explores competition and regulation issues in liberalized network industries, such as telecommunications, energy, and transportation. Applying knowledge and understanding Students are expected to be able to use methods and models of microeconomics and industrial organization to understand and analyze the impact of technology and demand on market structure, firms’ strategies and business models in the new information economy. They will also gain insight on the rationale and the scope for public policy in network industries. Making judgements Lectures, practical exercises and problem-solving sessions will provide students with the ability to assess the main strengths and weaknesses of theoretical models when used to explain empirical evidence and case studies in the new information economy and in network industries. Communication By the end of the course, students are able to point out the main features of the new information economy and network industries, and to discuss relevant information, ideas, problems and solutions both with a specialized and a non-specialized audience. These capabilities are tested and evaluated in the final written exam and possibly in the oral exam as well as in the project work. Lifelong learning skills Students are expected to develop those learning skills necessary to undertake additional studies on relevant topics in the field of the new information economy and network industries with a high degree of autonomy. During the course, students are encouraged to investigate further any topics of major interest, by consulting supplementary academic publications, specialized books, and internet sites. These capabilities are tested and evaluated in the final written exam and possibly in the oral exam as well as in the project work, where students may have to discuss and solve some new problems based on the topics and material covered in class.	Primo anno	Secondo semestre	6	SECS-P/06

**Lo studente deve acquisire 12 CFU dagli esami presenti nel gruppo**
Insegnamento		Anno	Semestre	CFU	SSD
1047220 - BIOINFORMATICS	This course aims to provide students with a practical and hands-on experience with common bioinformatics tools and databases. Students will be trained in the basic theory and application of programs used for database searching, protein and DNA/RNA sequence analysis, microarray and next generation sequencing data processing and interpretation.It would be expected that after completing this course a student would have a good working knowledge basic bioinformatics tools and databases such as GenBank, BLAST, UCSC genome browser, RNA-seq tools (Tophatt, Cufflinks), and analysis/visualization tools (CIRCOS, Cytoscape). Further, students will understand the basic theory behind these procedures and be able to critically analyze the results of their analysis using such tools.	Secondo anno	Primo semestre	6	ING-INF/06
1056085 - BIG DATA FOR OFFICIAL STATISTICS	What subset of Big Data can be used in the ambit of Official Statistics and what domains of Official Statistics can be enriched through the availability of new data sources. How new data sources can be used in Official Statistics, by taking into account challenges, needs and risks in this exercise. Definition of the role of Big Data in the context of Official Statistics. How to frame the measurement of social, demographic and economic phenomena through Big Data by considering challenges, needs and risks.	Secondo anno	Primo semestre	6	SECS-S/05
1047216 - DIGITAL EPIDEMIOLOGY	Digital data sources and digital traces of human behaviour have the potential to provide local and timely information about disease and health dynamics at the population level. This course will deal with the opportunities and challenges of mining digital data sources for epidemiological and public health signals and will provide an overview of the state of the art of this emerging field.	Secondo anno	Primo semestre	6	ING-INF/06
10589627 - NEURAL NETWORKS FOR DATA SCIENCE APPLICATIONS	Il corso introduce le reti neurali nel contesto delle applicazioni legate al mondo della data science. Dopo un riepilogo dei concetti teorici di base, verranno introdotte alcune delle tecniche ed algoritmi sviluppati negli ultimi anni sotto il nome di “deep learning”, che hanno permesso di applicare con successo le reti neurali a problemi come la computer vision ed il natural language processing. A tal fine saranno introdotte prima le reti convolutive (per l’analisi di immagini), ed in seguito le reti ricorrenti per processare sequenze di dati ed affrontare problemi cosiddetti di ‘sequence to sequence’ (es., traduzione automatica). Ciascun argomento del corso sarà seguito da un laboratorio pratico in cui i concetti saranno sviluppati su casi d’uso concreti tramite l’utilizzo della libreria TensorFlow, rilasciata da Google in open source due anni fa. Risultati di apprendimento attesi: Gli studenti acquisiranno la capacità di sviluppare ed implementare tecniche di apprendimento automatiche (basate sulle reti neurali) per numerosi scenari applicativi, fra cui il riconoscimento di immagini e l’analisi del testo). Inoltre, gli studenti acquisiranno i concetti chiave che gli permetteranno di avvicinarsi a sotto-campi più avanzati in autonomia, come la neural machine translation. A livello pratico, gli studenti impareranno ad utilizzare le più recenti librerie per il deep learning, in particolare con l’utilizzo di TensorFlow (rilasciata da Google).	Secondo anno	Primo semestre	6	ING-IND/31
1047218 - EARTH OBSERVATION DATA ANALYSIS	The module aims at providing a general background on the remote sensing systems for Earth Observation from space‐borne platforms and on data processing techniques. It describes, using a system approach, the characteristics of the system to be specified to fulfil the final user requirements in different domains of application. Remote sensing basics and simple wave‐interaction models useful for data interpretation are reviewed together with technical principles of the main remote sensors. The course also provides an overview of the most important applications and bio‐geophysical parameters (of the atmosphere, the ocean and the land) which can be retrieved. The most important techniques for data processing and product generation, also by proposing practical exercises using the computer, are analysed together with an overview of the main Earth Observation satellite missions and the products they provide to the final user.	Secondo anno	Secondo semestre	6	ING-INF/02
1056129 - DATA DRIVEN ECONOMICS	A first objective of the course is to provide a basic toolbox for the analysis of agent and group interaction under uncertainty and asymmetric information, and its main consequences on markets enabled from large-scale digital platforms. A second objective of the course will be to provide the basic methods for the use of big data for estimating relevant economic indices. The active participation of students will be stimulated with game-theoretic examples, presentations, simple experiments, case-studies and projects involving the use of real-world data.	Secondo anno	Secondo semestre	6	SECS-P/02
1047222 - EFFICIENCY AND PRODUCTIVITY ANALYSIS	This course has the target of providing the students with the modern techniques of measuring quantitatively advanced topics in economic statistics. In particular our focus will be on three main interrelated directions: 1) the analysis of production and efficiency, specifically in the private but also in the public sectors, 2) economic dynamics of sectorial systems founded on micro data, 3) growth, ICT and technology in the modern economy. This course uses statistical methods, both stochastic and deterministic, to analyze topics such as productivity, efficiency and growth at micro, sectorial, and for coherence at macro level. We first take into exam data from firms that will be useful for the mentioned three-levels study, then, as regards the efficiency analysis of productive units, such data will be employed in order to evaluate mergers and acquisitions of plants and firms and management of productive factors. Efficiency will be evaluated from the sides of costs, profits and revenues. As for the sectorial analysis, static and dynamic models will be considered to allow for forecasts and simulations in each sector for variables like production, labour, capital, raw materials, prices and capital gains. As a consequence, an aggregate analysis on the production, growth and prices will follow. We also deal with ICT and technical progress in the production process considering how and if the associated externalities are effective. We will use the following techniques for data analysis: accounting rules for the database, panel data econometrics, time series analysis for systems of equations, methods for differential equation systems. Topics on private and also public sectors will contribute to explain the relationship between economic structure and the actual crisis. Specifically, lectures also include the examinations of cases study concerning the efficiency and productivity analysis on the recent patterns of the banking sector in the international context.	Secondo anno	Secondo semestre	6	SECS-S/03
10589730 - GEOMATICS AND GEOINFORMATION	The vast majority (a percentage close to 80%) of the currently available data has a geographical connotation, is intrinsically linked to a position; they are therefore named geospatial data. Furthermore, the ever-increasing availability of sensors capable of acquiring geospatial data, allowing the acquisition of larger and larger amounts of data, raises several important issues related to the correct, efficient and effective use of these geospatial big data. This course therefore finds its motivation in the great availability and relevance of geospatial data (in particular big data), and it aims to provide the fundamentals on the main methodologies and techniques currently available for their acquisition, verification, analysis, storage and delivery. Special attention is given to data coming from global navigation satellite systems (GNSS), remote sensing and photogrammetry, volunteered geographic information (VGI) and crowdsourcing, both regarding their analysis and management with freely available software and open source software and their applications. As overall transversal competences, starting from the specific geomatic methods and techniques, students will be trained to develop skills to design both experiments encompassing geospatial big data acquisition, analysis and interpretation, and to use these data to solve interdisciplinary problems also with original approaches. Moreover, students will get the skills enabling the continuous and autonomous update of their methodological and technical competences during their professional life.	Secondo anno	Secondo semestre	6	ICAR/06

Regolamento Didattico del
Corso di Laurea Magistrale
in
Data Science
(Master of Science in Data Science)
Classe LM-91
TECNICHE E METODI PER LA SOCIETA’ DELL'INFORMAZIONE
Ordine degli Studi 2018/2019

Obiettivi formativi specifici

Il corso di studio qui proposto si caratterizza per un'offerta didattica interdisciplinare che raccoglie contributi dell’ingegneria, dall’informatica, della statistica, delle scienze economiche e organizzative, insieme a conoscenze specifiche dei principali domini applicativi di Data Science. In particolare, la laurea magistrale in Data Science che proponiamo offre le conoscenze professionali adeguate per lo sviluppo delle tecnologie di raccolta, gestione, elaborazione e analisi dei big data, e la conseguente traduzione in informazioni fondamentali per il processo conoscitivo e decisionale all'interno dei settori innovativi di business e sociali.

Un percorso formativo in Data Science deve rispondere alle notevoli sfide scientifiche e tecnologiche legate all’emergere di piattaforme globali di memorizzazione ed elaborazione dei dati: i dati personali, governativi e commerciali e le relative applicazioni abbandonano i sistemi proprietari per approdare ai sistemi di cloud computing e cloud storage con i relativi problemi di affidabilità, privacy e sicurezza.

La laurea magistrale in Data Science si pone l'obiettivo della formazione di nuove figure professionali che possano contribuire ad aumentare l'efficienza ed affidabilità delle istituzioni pubbliche, delle aziende private e delle amministrazioni locali, con particolare riferimento agli open data, al loro utilizzo per lo sviluppo di servizi più efficienti per le aziende e i cittadini e per l'ottimizzazione della gestione delle risorse nei contesti urbani. La laurea magistrale in data science si pone come obiettivo anche la formazione di professionisti in grado di operare all'interno delle agenzie pubbliche e private al fine di integrare i big data all'interno dei processi di analisi economico e sociali.

Le caratteristiche di interdisciplinarietà della laurea magistrale in Data Science e la sua rigorosa impostazione metodologica la rendono adatta ad essere fruita da studenti che abbiano conseguito la laurea di primo livello in tutti i settori dell'Ingegneria dell'Informazione, dell'Informatica e della Statistica, nonché nelle facoltà di Economia, Matematica e Fisica.

Oltre alle conoscenze specifiche del settore, costituiscono parti fondamentali dell'offerta formativa gli aspetti teorico-scientifici necessari a descrivere e a interpretare i problemi del contesto applicativo in cui si pone il problema di sviluppare metodologie innovative di Data Science, lo sviluppo di capacità di ideazione, pianificazione, progettazione e gestione di complessi sistemi di gestione e analisi di grandi moli di dati, lo sviluppo di capacità di sperimentazione, la conoscenza e l'uso fluente della lingua inglese.

Costituisce un elemento di completamento essenziale della formazione la prova finale o tesi di laurea magistrale, che permette al laureando di applicare la pluralità di nozioni e metodologie acquisite in un campo di applicazione industriale, scientifico o di analisi economico-sociale, e che dimostra la padronanza degli argomenti, la capacità di operare in modo autonomo e un buon livello di comunicazione.

Il percorso formativo è orientato alla fruibilità della laurea magistrale in ambito internazionale, fruibilità garantita dalla quantità e dalla qualità delle relazioni internazionali di ricerca facenti capo ai docenti, nonché dall'erogazione in lingua inglese. Il percorso formativo è inoltre orientato a mantenere una stretta connessione con il tessuto lavorativo, connessione garantita da gran numero e prestigio dei progetti di ricerca applicata di cooperazione tra università e aziende nazionali, internazionali e pubblica amministrazione in cui i docenti sono coinvolti.

Il laureato magistrale in Data Science avrà anche livello di preparazione adeguato per una sua collocazione in contesti di ricerca sia di base che applicata, sia presso università e centri di ricerca che presso settori aziendali di ricerca e sviluppo, sia in ambito nazionale e internazionale.

L'offerta didattica si avvarrà di tutte le competenze multidisciplinari offerte da tutti i 4 Dipartimenti della Facoltà di Ingegneria dell’Informazione, Informatica e Statistica (I3S), il Dipartimento di Scienze Statistiche, il Dipartimento di Ingegneria Informatica, Automatica e Gestionale “Antonio Ruberti”, il Dipartimento di Informatica e il Dipartimento di Ingegneria dell’Informazione, Elettronica e Telecomunicazioni.

Il regolamento didattico del corso di studio definirà, nel rispetto dei limiti normativi, la quota dell'impegno orario complessivo a disposizione dello studente per lo studio personale e per altre attività formative di tipo individuale.

Requisiti di ammissione e crediti riconoscibili

- Requisiti curriculari

I requisiti curriculari sono i seguenti:
(a) Il possesso della laurea o del diploma universitario di durata triennale, ovvero di altro titolo di studio conseguito all'estero, ritenuto idoneo
(b) L'aver acquisito almeno 90 crediti formativi universitari nell'insieme dei seguenti settori:
- Scienze matematiche e informatiche: MAT/*, INF/01
- Scienze fisiche: FIS/*
- Scienze economiche e statistiche: SECS-P/*, SECS-S/*
- Ingegneria industriale e dell'informazione: ING-IND/*, ING-INF/*
- Scienze biologiche: BIO/*
- Scienze giuridiche: IUS/*
(c) Conoscenza della lingua inglese a livello B2 o superiore.

Tali requisiti curriculari intendono garantire l'accesso al corso di studi da parte di tutti gli studenti che abbiano conseguito la laurea di primo livello nelle classi di laurea L-8 (Ingegneria dell'informazione), L-31 (Scienze e tecnologie informatiche) e L-41 (Statistica), nonché nelle classi di laurea L-18 (Scienze dell'economia e della gestione aziendale), L-30 (Scienze e tecnologie fisiche), L-33 (Scienze economiche) e L-35 (Scienze matematiche) e nelle corrispondenti classi di cui al D.M. 509/1999.

- Modalità di ammissione

(A) In assenza dei requisiti (a) e (b) non è possibile iscriversi al corso di studi.

(B) Per gli studenti che soddisfano i requisiti (a) e (b), l'adeguatezza della personale preparazione è accertata in base ai risultati ottenuti ai fini del conseguimento del titolo di studio utilizzato per accedere al corso di laurea magistrale.
In particolare, verrà verificata la personale preparazione relativamente alle seguenti conoscenze:
1. Matematica: Calcolo differenziale ed integrale per funzioni di una o più variabili reali; nozioni base di algebra lineare e geometria analitica nel piano e nello spazio.
2. Probabilità: Variabili aleatorie, distribuzioni e valori attesi; principali modelli di variabili aleatorie; convergenza per successioni di variabili aleatorie.
3. Informatica: Principi di programmazione; almeno un linguaggio di programmazione tra C, C++, C#, Java, Python.
Il possesso delle suddette conoscenze sarà verificato da una apposita commissione nominata dal Consiglio di Area Didattica, che approverà automaticamente l'ammissione alla laurea magistrale degli studenti che abbiano acquisito almeno:

1. 12 crediti nei settori MAT/03 (Geometria), MAT/05 (Analisi Matematica)
2. 6 crediti nel settore MAT/06 (Probabilità)
3. 6 crediti nei settori INF/01 (Informatica) o ING-INF/05 (Sistemi di elaborazione delle informazioni)

Gli studenti non in possesso dei crediti sopra indicati dovranno sostenere un colloquio di verifica del possesso delle conoscenze richieste.

(C) Gli studenti non in possesso di certificazione della lingua inglese a livello B2 o che non abbiano acquisito almeno 3 crediti di lingua inglese (anche idoneità), dovranno sostenere un colloquio di verifica della conoscenza della lingua inglese.

Descrizione del percorso formativo

La proposta formativa prevede un primo insieme di 39 CFU su settori scientifico disciplinari caratterizzanti miranti a fornire le conoscenze statistiche, ingegneristiche e informatiche di base necessarie per lo sviluppo degli strumenti software e delle infrastrutture necessarie per la raccolta, l’elaborazione, e l’organizzazione delle grandi moli di dati e dei modelli matematico statistici utili per la loro analisi. I 39 CFU includeranno almeno 10 CFU di attività di laboratorio o di studio individuale. Tali corsi caratterizzanti saranno obbligatori per tutti gli studenti. I 39 CFU obbligatori si dividono in 27 CFU sulle tecnologie informatiche e 12 CFU sulle discipline statistiche.

Lo studente potrà quindi scegliere fino a 30 CFU di indirizzo su settori scientifico disciplinari caratterizzanti. almeno 6 dei 36 CFU dovranno essere scelti tra le discipline umane, sociali, giuridiche ed economiche. Tali insegnamenti sono volti alla formazione di un profilo professionale che unisce le competenze ingegneristiche e informatiche con le competenze statistiche e gestionali, economico e giuridiche. Tali competenze devono essere sviluppate insieme ad una profonda conoscenza del contesto economico, sociale e organizzativo in cui le metodologie di Data Science si vanno ad applicare.

Il percorso formativo si completerà con 12 CFU a scelta dello studente e 12 CFU di attività su settori scientifici disciplinari affini.

Non sono previsti obblighi di frequenza se non per attività di laboratorio e attività pratiche.

Tutti gli insegnamenti sono erogati in Lingua Inglese

Le conoscenze raggiunte sono valutate tramite prove intermedie, discussione di lavori di gruppo o
elaborati redatti singolarmente dai discenti e accertate tramite esami di tipo tradizionale.

Caratteristiche della prova finale

La prova finale potrà essere inerente ad un'attività progettuale, di ricerca, metodologica o di tirocinio, presso una struttura industriale, istituzioni pubbliche di ricerca o presso i laboratori stessi dell'università. L'esame finale di laurea consiste nella presentazione e discussione di un progetto con caratteri di originalità e di una relazione supervisionata da un docente di riferimento. Il lavoro svolto dovrà dimostrare che lo studente ha raggiunto una padronanza delle metodologie di Data Science e/o della loro applicazione in un settore specifico a un livello di competenza in linea con le esigenze imposte dai processi di innovazione tecnologica. La prova finale sarà impostata in maniera tale da costituire una credenziale importante per l'inserimento del laureato nel tessuto lavorativo.

Sbocchi occupazionali e professionali previsti per i laureati

I profili professionali individuati sono quelli di Data Scientist, Open Data Manager, Data Intelligence Professional, Big Data Infrastructure Professional. Le funzioni professionali svolte dai laureati in Data Science sono quelle di analizzare, presentare e prevedere le tendenze fondamentali nei flussi di dati, identificare gli strumenti software necessari per l'elaborazione di grandi moli di dati, coordinare la raccolta e la pubblicazione di open data nel settore pubblico e privato, coordinare gruppi di programmatori e progettare nuove classi di servizi basati sui big data, integrare le metodologie di data science all’interno dei processi organizzativi e di strategie di mercato delle aziende, gestire le più importanti infrastrutture software, hardware e di rete per i big data.

Le principali competenze associate alla funzione sono quelle di analisi statistica dei dati, comprensione delle infrastrutture software, data management e data mining, comprensione dei flussi di dati e dei loro formati, management e business analytics, progettazione e analisi di architetture hardware, software e di rete per i big data, competenze giuridiche economiche nel campo dell'ICT. Gli sbocchi professionali si troveranno all’interno di grandi, medie e piccole aziende, pubblica amministrazione, amministrazioni locali, enti di ricerca pubblici e privati, istituti di analisi economico-sociale.

Trasferimenti

Gli studenti che intendono trasferirsi al Corso di Laurea Magistrale in Data Science devono presentare domanda presso la Segreteria Amministrativa delle Facoltà di Ingegneria dell’Informazione, Informatica e Statistica (c/o città universitaria). La domanda deve essere redatta secondo le modalità previste dalla Segreteria Amministrativa e dovrà comunque prevedere l’elenco degli esami superati per i quali si richiede il riconoscimento. Il Consiglio di Corso di Studi delibererà gli esami riconosciuti e i crediti attribuiti e provvederà, inoltre, di concerto con lo studente, alla definizione del percorso formativo che, nel rispetto dell'ordinamento didattico e dei contenuti formativi del Corso di Laurea Magistrale in Data Science, potrà tenere conto del percorso già svolto.

Periodi di studio all’estero

I corsi seguiti nelle Università Europee o estere, con le quali la Facoltà di Ingegneria dell’Informazione, Informatica, Statistica, ha in vigore accordi, progetti e/o convenzioni, vengono riconosciuti secondo le modalità previste dagli accordi.
Gli studenti possono, previo autorizzazione del Consiglio di Corso di Studi, svolgere un periodo di studio all’estero nell’ambito del progetto LLP Erasmus. In conformità con il Regolamento didattico di Ateneo nel caso di studi, esami e titoli accademici conseguiti all’estero, il Consiglio di Corso di Studi esamina di volta in volta il programma ai fini dell’attribuzione dei crediti nei corrispondenti settori scientifici disciplinari.

Info generali

Programmi e testi d’esame: il programma dei corsi e i testi d’esame sono consultabili sul sito internet: http://datascience.i3s.uniroma1.it/it

Servizi di tutorato: I docenti Aris Anagnostopoulos, Pierpaolo Brutti, Antonio Cianfrani, Brunero Liseo svolgono attività di tutorato e orientamento, secondo le modalità e gli orari indicati sul sito del Corso di Laurea. Inoltre il Corso di Laurea si avvale dei servizi di tutorato messi a disposizione dalla Facoltà, compatibilmente alle risorse economiche, utilizzando anche appositi contratti integrativi.

Valutazione della qualità: Il Corso di Laurea, in collaborazione con la Facoltà, effettua la rilevazione dell’opinione degli studenti frequentanti per tutti i corsi di insegnamento tenuti. Il sistema di rilevazione è integrato con un percorso qualità la cui responsabilità è affidata al gruppo di auto-valutazione, docenti, studenti e personale del corso di studio. I risultati delle rilevazioni e delle analisi del gruppo di auto-valutazione sono utilizzati per effettuare azioni di miglioramento delle attività formative.