TECH ti offre la migliore conoscenza dei Big Data, il tuo passaporto per una carriera piena di opportunità e sfide emozionanti" 

La disciplina dei Big Data è emersa come soluzione strategica, consentendo alle organizzazioni di trasformare dati complessi in opportunità preziose. Questa disciplina è stata caratterizzata dal suo volume, varietà e velocità, cambiando il modo in cui le aziende operano, prendono decisioni e competono nel mercato globale. Tuttavia, per sfruttare al meglio questa risorsa, è necessaria la presenza di esperti che capiscano come raccogliere e analizzare grandi quantità di informazioni.  

Consapevoli di questa necessità, il Master specialistico in Big Data Management di TECH si presenta come una porta d'ingresso in questo campo affascinante e dinamico. Progettato per specializzare i professionisti che guideranno la rivoluzione digitale, questo programma combina competenze tecniche avanzate con una formazione completa, che comprende sia lo studio di piattaforme, algoritmi e strumenti all'avanguardia che una solida preparazione strategica. Oggigiorno,
praticamente ogni interazione nell'ambiente digitale genera dati, sia attraverso gli acquisti online, l'uso dei social media o i sensori sui dispositivi connessi all'Internet of Things. Per questo motivo, la conoscenza e la gestione dei Big Data sono diventati aspetti chiave per tutti i settori aziendali. 

Questo Master Specialistico include nel suo programma lo studio delle piattaforme, degli algoritmi e degli strumenti più avanzati del settore, il tutto impartito attraverso l'innovativo metodo di apprendimento Relearning, adattato alle esigenze e al ritmo di studio di ogni studente. La cosa migliore è che il programma è completamente online e accessibile da qualsiasi dispositivo, offrendo la flessibilità di regolare gli orari e conciliare gli impegni lavorativi, senza trascurare una vita familiare attiva, mentre si avanza nella specializzazione professionale. 

Potenzia, grazie a TECH, il tuo profilo professionale con competenze specialistiche che ti faranno risaltare in qualsiasi settore" 

Questo Master specialistico in Big Data Management possiede il programma più completo e aggiornato del mercato. Le caratteristiche principali del corso sono:

• Sviluppo di casi di studio pratici presentati da esperti in informatica   
• Contenuti grafici, schematici ed eminentemente pratici che forniscono informazioni scientifiche e pratiche sulle discipline essenziali per l’esercizio della professione 
• Esercizi pratici che offrono un processo di autovalutazione per migliorare l'apprendimento 
• Speciale enfasi sulle metodologie innovative di Big Data Management 
• Lezioni teoriche, domande all'esperto, forum di discussione su argomenti controversi e lavoro di riflessione individuale 
• Disponibilità di accesso ai contenuti da qualsiasi dispositivo fisso o portatile dotato di connessione a Internet 

Padroneggia il futuro dell'analisi dei dati imparando al 100% online con il metodo Relearning, il più innovativo ed efficace sul mercato" 

Il personale docente del programma comprende rinomati specialisti del settore e altre aree correlate, che forniscono agli studenti le competenze necessarie a intraprendere un percorso di studio eccellente. 

I contenuti multimediali, sviluppati in base alle ultime tecnologie educative, forniranno al professionista un apprendimento coinvolgente e localizzato, ovvero inserito in un contesto reale. 

La creazione di questo programma è incentrata sull’Apprendimento Basato su Problemi, mediante il quale lo specialista deve cercare di risolvere le diverse situazioni che gli si presentano durante il corso. Lo studente potrà usufruire di un innovativo sistema di video interattivi creati da esperti di rinomata fama.  

Con la metodologia didattica più innovativa, costruisci il futuro che desideri in un campo dove la domanda di talento non cessa di crescere"

Espandi la tua capacità di innovare nel mondo con il miglior personale docente, che ti accompagnerà in questo Master Specialistico in Big Data Management"

Il Master specialistico in Big Data Management offre una conoscenza completa che spazia dalle fondamenta dei Big Data alle strategie più avanzate per la loro applicazione nell'ambiente aziendale. Nel corso del programma, gli studenti svilupperanno competenze chiave in aree ad alta domanda di lavoro, dando loro la capacità di analizzare e trasformare i dati in risorse preziose. Inoltre, il programma è progettato per consentire ai professionisti di adattarsi alle continue evoluzioni tecnologiche, preparandoli a guidare la gestione dei dati in vari settori.   

Impara, grazie alla metodologia di TECH, come decifrare i segreti dietro i dati e guidare la rivoluzione digitale" 

Modulo 1. Analitica dei dati nell'organizzazione aziendale

 1.1. Analisi di business
 

1.1.1. Analisi di business
 1.1.2. Struttura del dato
 1.1.3. Fasi e elementi

 1.2. Analisi dei dati nell'impresa

 1.2.1. Schede di valutazione e KPI per dipartimento
 1.2.2. Rapporto operativo, tattico e strategico
 1.2.3. Analisi dei dati applicata a ciascun dipartimento

 1.2.3.1. Marketing e comunicazione
 1.2.3.2. Commerciale
 1.2.3.3. Servizio clienti
 1.2.3.4. Acquisti
 1.2.3.5. Amministrazione
 1.2.3.6. Risorse Umane
 1.2.3.7. Produzione
 1.2.3.8. IT

 1.3. Marketing e comunicazione

 1.3.1. KPI da misurare, applicazioni e benefici
 1.3.2. Sistemi di marketing e data warehouse
 1.3.3. Implementazione di una struttura di analisi dei dati nel marketing
 1.3.4. Piano di marketing e comunicazione
 1.3.5. Strategia, previsione e gestione delle campagne

 1.4. Commerciale e vendite

 1.4.1. Contributi dell'analisi dei dati nell'area commerciale
 1.4.2. Esigenze del dipartimento di vendite
 1.4.3. Studi di mercato

 1.5. Servizio clienti

 1.5.1. Fidelizzazione
 1.5.2. Qualità personale e intelligenza emotiva
 1.5.3. Soddisfazione del cliente

 1.6. Acquisti

 1.6.1. Analisi dei dati per le ricerche di mercato
 1.6.2. Analisi dei dati per le ricerche di concorrenza
 1.6.3. Altre applicazioni

 1.7. Amministrazione

 1.7.1. Esigenze del dipartimento di amministrazione
 1.7.2. Data Warehouse e analisi dei rischi finanziari
 1.7.3. Data Warehouse e analisi dei rischi di credito

 1.8. Risorse Umane

 1.8.1. Risorse Umane e benefici dell’analisi dei dati
 1.8.2. Strumenti di analisi dei dati nel dipartimento di Risorse Umane
 1.8.3. Applicazioni di analisi dei dati nel dipartimento di Risorse Umane

 1.9. Produzione

 1.9.1. Analisi dei dati nel dipartimento di produzione
 1.9.2. Applicazioni
 1.9.3. Benefici

 1.10. IT

 1.10.1. Dipartimento di IT
 1.10.2. Analisi dei dati e trasformazione digitale
 1.10.3. Innovazione e produttività

Modulo 2. Gestione di dati e informazioni per la Data Science

 2.1. Statistica: Variabili, indici e rapporti
 

2.1.1. La statistica
 2.1.2. Dimensioni statistiche
 2.1.3. Variabili, indici e rapporti

 2.2. Tipologia del dato

 2.2.1. Qualitativi
 2.2.2. Quantitativi
 2.2.3. Caratterizzazione e categoria

 2.3. Conoscenza dei dati delle misurazioni

 2.3.1. Misure di centralizzazione
 2.3.2. Misure di dispersione
 2.3.3. Correlazione

2.4. Conoscenza dei dati dei grafici

 2.4.1. Visualizzazione in funzione al tipo di dato
 2.4.2. Interpretazione dell’informazione grafica
 2.4.3. Personalizzazione della grafica con R

 2.5. Probabilità

 2.5.1. Probabilità
 2.5.2. Funzione di probabilità
 2.5.3. Distribuzione

 2.6. Raccolta di dati

 2.6.1. Metodologia di raccolta
 2.6.2. Strumenti di raccolta
 2.6.3. Canali di raccolta

 2.7. Pulizia del dato

 2.7.1. Fasi di pulizia dei dati
 2.7.2. Qualità del dato
 2.7.3. Elaborazione dei dati (con R)

 2.8. Analisi dei dati, interpretazione e valutazione dei risultati

 2.8.1. Misure statistiche
 2.8.2. Indici di relazione
 2.8.3. Data Mining

 2.9. Deposito del dato (Datawarehouse)

 2.9.1. Elementi
 2.9.2. Progettazione

 2.10. Disponibilità del dato

 2.10.1. Accesso
 2.10.2. Utilità
 2.10.3. Sicurezza

Modulo 3. Dispositivi e piattaforme IoT come base per la Data Science

 3.1. Internet of Things
 

3.1.1. Internet del futuro, Internet of Things
 3.1.2. Il consorzio di internet industriale

 3.2. Architettura di riferimento

 3.2.1. Architettura di riferimento
 3.2.2. Livelli
 3.2.3. Componenti

 3.3. Sensori e dispositivi IoT

 3.3.1. Componenti principali
 3.3.2. Sensori e azionatori

 3.4. Comunicazioni e protocolli

 3.4.1. Protocolli: Modello OSI
 3.4.2. Tecnologie di comunicazione

 3.5. Piattaforme Cloud per IoT e IIoT

 3.5.1. Piattaforme con proposito generale
 3.5.2. Piattaforme industriali
 3.5.3. Piattaforme con codice aperto

 3.6. Gestione dei dati in piattaforme IoT

 3.6.1. Meccanismi di gestione di dati: Dati aperti
 3.6.2. Scambio e visualizzazione dei dati

 3.7. Sicurezza in IoT

 3.7.1. Requisiti e aree di sicurezza
 3.7.2. Strategie di sicurezza in IIoT

 3.8. Applicazioni IoT

 3.8.1. Cure intelligenti
 3.8.2. Salute e condizione fisica
 3.8.3. Casa intelligente
 3.8.4. Altre applicazioni

3.9. Applicazioni di IIoT

 3.9.1. Fabbricazione
 3.9.2. Trasporto
 3.9.3. Energia
 3.9.4. Agricoltura e allevamento
 3.9.5. Altri settori

 3.10. Industria 4.0

 3.10.1. IoRT (Internet of Robotics Things)
 3.10.2. Fabbricazione additiva 3D
 3.10.3. Big Data Analytics

Modulo 4. Rappresentazione grafica per l'analisi dei dati

 4.1. Analisi esplorativa
 

4.1.1. Rappresentazione per l'analisi delle informazioni
 4.1.2. Il valore della rappresentazione grafica
 4.1.3. Nuovi paradigmi della rappresentazione grafica

 4.2. Ottimizzazione per la Data Science

 4.2.1. Gamma di colori e design
 4.2.2. La Gestalt nella rappresentazione grafica
 4.2.3. Errori da evitare e consigli

 4.3. Fonti di dati base

 4.3.1. Per la rappresentazione della qualità
 4.3.2. Per la rappresentazione della quantità
 4.3.3. Per la rappresentazione del tempo

 4.4. Fonti di dati complessi

 4.4.1. Archivi, liste e database (DB)
 4.4.2. Dati aperti
 4.4.3. Dati di generazione continua

 4.5. Tipi di grafici

 4.5.1. Rappresentazioni di base
 4.5.2. Rappresentazione di blocchi
 4.5.3. Rappresentazione per l'analisi della dispersione
 4.5.4. Rappresentazioni circolari
 4.5.5. Rappresentazioni a bolla
 4.5.6. Rappresentazioni geografiche

 4.6. Tipi di visualizzazione

 4.6.1. Comparativo e relazionale
 4.6.2. Distribuzione
 4.6.3. Gerarchia

 4.7. Progettazione di report con rappresentazione grafica

 4.7.1. Applicazione dei grafici nei report di marketing
 4.7.2. Applicazione dei grafici in dashboard e KPI
 4.7.3. Applicazione dei grafici nei piani strategici
 4.7.4. Altri usi: Scienza, sanità, business

 4.8. Narrazione grafica

 4.8.1. Narrazione grafica
 4.8.2. Evoluzione
 4.8.3. Utilità

 4.9. Strumenti per la visualizzazione

 4.9.1. Strumenti avanzati
 4.9.2. Software online
 4.9.3. Open Source

 4.10. Nuove tecnologie per la visualizzazione dei dati

 4.10.1. Sistemi per la virtualizzazione della realtà
 4.10.2. Sistemi per l’aumento e il miglioramento della realtà
 4.10.3. Sistemi intelligenti

Modulo 5. Strumenti di Data Science

 5.1. Data Science
 

5.1.1. Data Science
 5.1.2. Strumenti avanzati per i data scientist

 5.2. Dati, informazioni e conoscenza

 5.2.1. Dati, informazioni e conoscenza
 5.2.2. Tipi di dati
 5.2.3. Fonti di dati

 5.3. Dai dati all’informazione

 5.3.1. Analisi dei dati
 5.3.2. Tipi di analisi
 5.3.3. Estrazione di informazioni da un dataset

5.4. Estrazione di informazioni tramite visualizzazione

 5.4.1. La visualizzazione come strumento di analisi
 5.4.2. Metodi di visualizzazione
 5.4.3. Visualizzazione di un insieme di dati

 5.5. Qualità dei dati

 5.5.1. Dati di qualità
 5.5.2. Pulizia di dati
 5.5.3. Pre-elaborazione base dei dati

 5.6. Dataset

 5.6.1. Arricchimento del dataset
 5.6.2. La maledizione della dimensionalità
 5.6.3. Modifica di un insieme di dati

 5.7. Squilibrio

 5.7.1. Squilibrio di classe
 5.7.2. Tecniche di mitigazione dello squilibrio
 5.7.3. Equilibrio di un dataset

 5.8. Modelli non supervisionati

 5.8.1. Modello non supervisionato
 5.8.2. Metodi
 5.8.3. Classificazione con modelli non supervisionati

 5.9. Modelli supervisionati

 5.9.1. Modello supervisionato
 5.9.2. Metodi
 5.9.3. Classificazione con modelli supervisionati

 5.10. Strumenti e best practice

 5.10.1. Best practice per i data scientist
 5.10.2. Il modello migliore
 5.10.3. Strumenti utili

 Modulo 6. Data Mining: Selezione, pre-elaborazione e trasformazione

6.1. Inferenza statistica
 

6.1.1. Statistica descrittiva vs inferenza statistica
 6.1.2. Procedure parametriche
 6.1.3. Procedure non parametriche

 6.2. Analisi esplorativa

 6.2.1. Analisi descrittiva
 6.2.2. Visualizzazione
 6.2.3. Preparazione dei dati

 6.3. Preparazione dei dati

 6.3.1. Integrazione e pulizia di dati
 6.3.2. Standardizzazione dei dati
 6.3.3. Trasformazione degli attributi

 6.4. I valori mancanti

 6.4.1. Trattamenti dei valori mancanti
 6.4.2. Metodi di imputazione a massima verosimiglianza
 6.4.3. Imputazione di valori mancanti mediante apprendimento automatico

 6.5. Rumore nei dati

 6.5.1. Classi di rumore e attributi
 6.5.2. Filtraggio del rumore
 6.5.3. Effetto del rumore

 6.6. La maledizione della dimensionalità

 6.6.1. Oversampling
 6.6.2. Undersampling
 6.6.3. Riduzione dei dati multidimensionali

 6.7. Da attributi continui a discreti

 6.7.1. Dati continui vs discreti
 6.7.2. Processo di discretizzazione

 6.8. I dati

 6.8.1. Selezione dei dati
 6.8.2. Prospettiva e criteri di selezione
 6.8.3. Metodi di selezione

6.9. Selezione di istanze

 6.9.1. Metodi per la selezione di istanze
 6.9.2. Selezione di prototipi
 6.9.3. Metodi avanzati per la selezione di istanze

 6.10. Pre-elaborazione dei dati negli ambienti Big Data

 6.10.1. Big data
 6.10.2. Pre-elaborazione "classica" vs massiva
 6.10.3. Smart Data

Modulo 7. Prevedibilità e analisi dei fenomeni stocastici

7.1. Serie temporale
 

7.1.1. Serie temporale
 7.1.2. Utilità e applicabilità
 7.1.3. Casi di studio correlati

 7.2. Serie temporali

 7.2.1. Andamento stagionale della serie temporale
 7.2.2. Variazioni tipiche
 7.2.3. Analisi dei residui

 7.3. Tipologie

 7.3.1. Stazionarie
 7.3.2. Non stazionarie
 7.3.3. Trasformazioni e adattamenti

 7.4. Schemi per le serie temporali

 7.4.1. Schema additivo (modello)
 7.4.2. Schema moltiplicano (modello)
 7.4.3. Procedure per determinare il tipo di modello

 7.5. Metodi di base di forecast

 7.5.1. Media
 7.5.2. Naïve
 7.5.3. Naïve stagionale
 7.5.4. Confronto di metodi

 7.6. Analisi dei residui

 7.6.1. Autocorrelazione
 7.6.2. ACF dei residui
 7.6.3. Test di correlazione

 7.7. Regressione nel contesto delle serie temporali

 7.7.1. ANOVA
 7.7.2. Fondamenti
 7.7.3. Applicazione pratica

 7.8. Modelli predittivi di serie temporali

 7.8.1. ARIMA
 7.8.2. Livellamento esponenziale

 7.9. Manipolazione e analisi delle serie temporali con R

 7.9.1. Preparazione dei dati
 7.9.2. Identificazione dei modelli
 7.9.3. Analisi del modello
 7.9.4. Previsione

 7.10. Analisi grafica combinata con R

 7.10.1. Situazioni tipiche
 7.10.2. Applicazione pratica per la risoluzione di problemi semplici
 7.10.3. Applicazione pratica per la risoluzione di problemi avanzati

Modulo 8. Progettazione e sviluppo di sistemi intelligenti

 8.1. Pre-elaborazione dei dati
 

8.1.1. Pre-elaborazione dei dati
 8.1.2. Trasformazione dei dati
 8.1.3. Data Mining

 8.2. Apprendimento automatico

 8.2.1. Apprendimento supervisionato e non
 8.2.2. Apprendimento per rinforzo
 8.2.3. Altri paradigmi di apprendimento

 8.3. Algoritmi di classificazione

 8.3.1. Apprendimento automatico indotto
 8.3.2. SVM e KNN
 8.3.3. Metriche e punteggi per la classificazione

8.4. Algoritmi di regressione

 8.4.1. Regressione lineare, regressione logistica e modelli non lineari
 8.4.2. Serie temporali
 8.4.3. Metriche e punteggi per la regressione

 8.5. Algoritmi di clustering

 8.5.1. Tecniche di clustering gerarchico
 8.5.2. Tecniche di clustering partizionale
 8.5.3. Metriche e punteggi per il clustering

 8.6. Tecniche di regole associative

 8.6.1. Metodi per l’estrazione di regole
 8.6.2. Metriche e punteggi per gli algoritmi di regole associative

 8.7. Tecniche di classificazione avanzata: Multiclassificatori

 8.7.1. Algoritmi di Bagging
 8.7.2. Classificatore Random Forests
 8.7.3. Boosting per alberi decisionali

 8.8. Modelli grafici probabilistici

 8.8.1. Modelli probabilistici
 8.8.2. Reti bayesiane: Proprietà, rappresentazione e parametrizzazione
 8.8.3. Altri modelli grafici probabilistici

 8.9. Reti neuronali

 8.9.1. Apprendimento automatico con reti neuronali artificiali
 8.9.2. Reti feedforward

 8.10. Deep Learning

 8.10.1. Reti feedforward profonde
 8.10.2. Reti neurali convoluzionali e modelli di sequenza
 8.10.3. Strumenti per l'implementazione di reti neurali profonde

Modulo 9. Architetture e sistemi ad alta intensità di dati

 9.1. Requisiti non funzionali: I pilastri delle applicazioni di big data
 

9.1.1. Affidabilità
 9.1.2. Adattamento
 9.1.3. Mantenimento

 9.2. Modelli di dati

 9.2.1. Modello relazionale
 9.2.2. Modello documentale
 9.2.3. Modello di dati di rete

 9.3. Database: Gestione di archiviazione e recupero dei dati

 9.3.1. Indici hash
 9.3.2. Archiviazione strutturata in log
 9.3.3. Alberi B

 9.4. Formati di codifica dei dati

 9.4.1. Formati specifici di linguaggio
 9.4.2. Formati standard
 9.4.3. Formati di codifica binari
 9.4.4. Flusso di dati tra i processi

 9.5. Risposta

 9.5.1. Obiettivi di risposta
 9.5.2. Modelli di risposta
 9.5.3. Problemi di risposta

 9.6. Transazioni distribuite

 9.6.1. Transazione
 9.6.2. Protocolli per le transazioni distribuite
 9.6.3. Transazioni serializzabili

 9.7. Suddivisione

 9.7.1. Forme di suddivisione
 9.7.2. Interazione dell'indice secondario e suddiviso
 9.7.3. Bilanciamento delle suddivisioni

 9.8. Elaborazione dei dati offline

 9.8.1. Elaborazione per lotti
 9.8.2. File system distribuiti
 9.8.3. MapReduce

 9.9. Elaborazione dei dati in tempo reale

 9.9.1. Tipi di broker di messaggi
 9.9.2. Rappresentazione dei database come flussi di dati
 9.9.3. Processo dei flussi di dati

9.10. Applicazioni pratiche nell’azienda

 9.10.1. Coerenza nelle letture
 9.10.2. Approccio olistico ai dati
 9.10.3. Scaling di un servizio distribuito

 Modulo 10. Applicazione pratica della Data Science nei settori aziendali

 10.1. Settore sanitario
 

10.1.1. Implicazioni dell'IA e dell'analisi dei dati nel settore sanitario
 10.1.2. Opportunità e sfide

 10.2. Rischi e tendenze nel settore sanitario

 10.2.1. Uso nel settore sanitario
 10.2.2. Potenziali rischi legati all'uso dell'IA

 10.3. Servizi finanziari

 10.3.1. Implicazioni dell'IA e dell'analisi dei dati nel settore dei servizi finanziari
 10.3.2. Uso nei servizi finanziari
 10.3.3. Potenziali rischi legati all'uso dell'IA

 10.4. Retail

 10.4.1. Implicazioni dell'IA e dell'analisi dei dati nel settore del retail
 10.4.2. Uso nel settore del retail
 10.4.3. Potenziali rischi legati all'uso dell'IA

 10.5. Industria 4.0

 10.5.1. Implicazioni dell'IA e dell'analisi dei dati nell’Industria 4.0
 10.5.2. Uso nell’Industria 4.0

 10.6. Rischi e tendenze nell’Industria 4.0

 10.6.1. Potenziali rischi legati all'uso dell'IA

 10.7. Pubblica amministrazione

 10.7.1. Implicazioni dell'IA e dell'analisi dei dati nella Pubblica Amministrazione
 10.7.2. Uso nella Pubblica Amministrazione
 10.7.3. Potenziali rischi legati all'uso dell'IA

 10.8. Educazione

 10.8.1. Implicazioni dell'IA e dell'analisi dei dati all’Istruzione
 10.8.2. Potenziali rischi legati all'uso dell'IA

 10.9. Silvicoltura e agricoltura

 10.9.1. Implicazioni dell'IA e dell'analisi dei dati alla silvicoltura e all’agricoltura
 10.9.2. Uso nella silvicoltura e nell’agricoltura
 10.9.3. Potenziali rischi legati all'uso dell'IA

 10.10. Risorse Umane

 10.10.1. Implicazioni dell'IA e dell'analisi dei dati nella gestione di Risorse Umane
 10.10.2. Applicazioni pratiche nel mondo degli affari
 10.10.3. Potenziali rischi legati all'uso dell'IA

Modulo 11. Visual Analytics nel contesto sociale e tecnologico

11.1. Ondate tecnologiche in diverse società: Verso una ‘Data Society’
 11.2. La globalizzazione: Contesto mondiale geopolitico e sociale
 11.3. Ambiente VUCA: Vivere sempre nel passato
 11.4. Conoscendo le nuove tecnologie: 5G e IoT
 11.5. Conoscendo le nuove tecnologie: Cloud e Edge Computing
 11.6. Critical Thinking in Visual Analytics
 11.7. I Know-mads: Nomadi tra i dati
 11.8. Imparare a utilizzare la Visual Analytics
 11.9. Teorie di anticipazione applicate alla Visual Analytics
 11.10. Il nuovo contesto aziendale: La Trasformazione Digitale

Modulo 12. Analisi e interpretazione dei dati

 12.1. Introduzione alla statistica
 12.2. Misure applicabili al trattamento delle informazioni
 12.3. Correlazione statistica
 12.4. Teoria della probabilità condizionata
 12.5. Variabili casuali e distribuzioni di probabilità
 12.6. Inferenza bayesiana
 12.7. Teoria dei campioni
 12.8. Intervalli di fiducia
 12.9. Test delle ipotesi
 12.10. Analisi di regressione

 Modulo 13. Tecniche di analisi dati e IA

 13.1. Analisi predittiva
 13.2. Tecniche di valutazione e selezione dei modelli
 13.3. Tecniche di ottimizzazione lineare
 13.4. Simulazioni di Montecarlo
 13.5. Analisi degli scenari
 13.6. Tecniche di Machine Learning
 13.7. Web analytics
 13.8. Tecniche di Text Mining
 13.9. Metodi di elaborazione del linguaggio naturale (NLP)
 13.10. Analisi di social network

Modulo 14. Strumenti di analisi dati

 14.1. Ambiente R di Data Science
 14.2. Ambiente Python di Data Science
 14.3. Grafici statici e statistici
 14.4. Trattamento dei dati in diversi formati e da diverse fonti
 14.5. Pulizia e preparazione dei dati
 14.6. Studi esplorativi
 14.7. Alberi decisionali
 14.8. Regole di classificazione e di associazione
 14.9. Reti neuronali
 14.10. Deep Learning

 Modulo 15. Sistemi di gestione di database e di parallelizzazione dei dati

 15.1. Database convenzionali
 15.2. Database non convenzionali
 15.3. Cloud computing: Gestione distribuita dei dati
 15.4. Strumenti di assunzione di grandi volumi di dati
 15.5. Tipi di parallelismi
 15.6. Elaborazione dei dati in streaming e in tempo reale
 15.7. Elaborazione parallela: Hadoop
 15.8. Elaborazione parallela: Spark
 15.9. Apache Kafka
 

15.9.1. Introduzione al Apache Kafka
 15.9.2. Architettura
 15.9.3. Struttura dei dati
 15.9.4. API Kafka
 15.9.5. Casi d'uso

 15.10. Cloudera Impala

 Modulo 16. Data-Driven soft skills nella direzione strategica della Visual Analytics

 16.1. Drive profile for Data-Driven
 16.2. Competenze avanzate di gestione delle organizzazioni Data-Driven
 16.3. Utilizzare i dati per migliorare le performance della comunicazione strategica
 16.4. Intelligenza emotiva applicata alla gestione in Visual Analytics
 16.5. Presentazioni efficaci
 16.6. Migliorare le prestazioni attraverso la gestione motivazionale
 16.7. Leadership nelle organizzazioni Data-Driven
 16.8. Talento digitale nelle organizzazioni Data-Driven
 16.9. Data-Driven Agile Organization I
 16.10. Data-Driven Agile Organization II

Modulo 17. Gestione strategica di progetti di Visual Analytics e Big Data

 17.1. Introduzione alla gestione strategica di progetti
 17.2. Best practices nella descrizione del processo di big data (PMI)
 17.3. Metodologia Kimball
 17.4. Metodologia SQuID

 17.4.1. Introduzione alla metodologia SQuID per affrontare i progetti Big Data
 17.4.2. Fase I. Sources
 17.4.3. Fase II. Data quality
 17.4.4. Fase III. Impossible questions
 17.4.5. Fase IV. Discovering
 17.4.6. Best practices nell’applicazione SQuID a progetti di Big Data

 17.5. Aspetti legali del mondo dei dati
 17.6. Privacy nei Big Data
 17.7. Cybersicurezza nei Big Data
 17.8. Identificazione e riconoscimento con grandi volumi di dati
 17.9. Etica dei dati I
 17.10. Etica dei dati II

Modulo 18. Analisi dei clienti: Applicando l'intelligenza dei dati al Marketing

 18.1. Concetto di marketing: Marketing strategico
 18.2. Marketing relazionale
 18.3. Il CRM come fulcro organizzativo per l'analisi dei clienti
 18.4. Tecnologie web
 18.5. Fonti di dati web
 18.6. Acquisizione di dati web
 18.7. Strumenti per l'estrazione dei dati web
 18.8. Web semantico
 18.9. OSINT: Intelligenza open source
 18.10. MasterLead o come migliorare la conversione in vendite utilizzando i Big Data 

Modulo 19. Visualizzazione interattiva dei dati

19.1. Introduzione all'arte di rendere visibili i dati
 19.2. Come produrre uno storytelling con dati
 19.3. Rappresentazione dei dati
 19.4. Scalabilità delle rappresentazioni visive
 19.5. Visual analytics vs. information visualization: Comprendere che non sono la stessa cosa
 19.6. Processo di analisi visiva (Keim)
 19.7. Reporting strategico, operativo e gestionale
 19.8. Tipi di grafica e funzione
 19.9. Interpretazione di rapporti e grafici: Interpretare il ruolo del ricevente
 19.10. Valutazione dei sistemi di Visual Analytics

Modulo 20. Strumenti di visualizzazione

 20.1. Introduzione agli strumenti di visualizzazione dei dati
 20.2. Many Eyes
 20.3. Google Charts
 20.4. jQuery
 20.5. Data-driven documents I
 20.6. Data-driven documents II
 20.7. Matlab
 20.8. Tableau
 20.9. SAS visual analytics
 20.10. Microsoft Power BI 

Un programma completo che ti porterà a padroneggiare l'area dei Big Data e diventare un architetto di strategia aziendale di successo"