Scheda programma d'esame
INTRODUZIONE ALLA DATA SCIENCE PER INGEGNERIA
ALESSIO FERRARI
Academic year2023/24
CourseENGINEERING MANAGEMENT
Code2047Z
Credits6
PeriodSemester 2
LanguageItalian

ModulesAreaTypeHoursTeacher(s)
INTRODUZIONE ALLA DATA SCIENCE PER INGEGNERIANNLEZIONI60
ALESSIO FERRARI unimap
Obiettivi di apprendimento
Learning outcomes
Conoscenze

Principi di analisi dei dati tramite il linguaggio R e la piattaforma R studio. Conoscenze relative alla pulizia dei dati, strutturazione, trasformazione, visualizzazione e modellazione. Principi di machine learning. Conoscenze base di statistica.

Knowledge

Principles of data analysis using the R language and the R studio platform. Knowledge of data cleaning, structuring, transformation, visualisation and modelling. Machine learning principles. Basic knowledge of statistics.

Modalità di verifica delle conoscenze

Esame finale orale, durante il quale verrà esposto il risultato di un progetto scelto dallo studente, e verranno fatte domande per verificare la conoscenza dei costrutti del linguaggio R e la corretta comprensione del loro uso.

Assessment criteria of knowledge

Final oral examination, during which the result of a project chosen by the student will be presented, and questions will be asked to test knowledge of the constructs of the R language and correct understanding of their use.

Capacità

Capacità di utilizzo del linguaggio R per l'analisi dei dati, e del linguaggio Markdown per la definizione di documenti che combinano testo e codice R.

Skills

Ability to use the R language for data analysis, and the Markdown language for defining documents combining text and R code.

Modalità di verifica delle capacità

Progetto di analisi di dati, in cui si richiede agli studenti la produzione di un file Markdown che costruisca una narrazione attorno ad un dataset scelto dallo studente tra quelli disponibili in TidyTuesday: https://github.com/rfordatascience/tidytuesday, o altri database o pagine web disponibili online.

Assessment criteria of skills

Data analysis project, in which students are required to produce a Markdown file that builds a narrative around a dataset chosen by the student from those available in TidyTuesday: https://github.com/rfordatascience/tidytuesday, or other databases or web pages available online.

Comportamenti

Prensenza e puntualità in classe, comportamenti adeguati all'ambiente universitario. 

Behaviors

Attendance and punctuality in class, behaviour appropriate to the university environment. 

Modalità di verifica dei comportamenti

Supervisione in presenza durante le lezioni. 

Assessment criteria of behaviors

In-person supervision during lessons. 

Prerequisiti (conoscenze iniziali)

Conoscenze base di analisi matematica e di statistica.

Prerequisites

Basic knowledge of mathematical analysis and statistics.

Indicazioni metodologiche

- Verranno effettuate lezioni frontali con slides

- Le lezioni saranno alternate con attività di laboratorio in classe

- Il docente condividerà dispense e slides con gli studenti

- Il docente sarà disponibile in presenza a seguito delle lezioni per il ricevimento, o online tramite prenotazione via e-mail

 

Teaching methods

- Lectures will be delivered with slides

- Lectures will be alternated with in-class laboratory activities, with support from the professor

- The lecturer will share handouts and slides with the students

- The lecturer will be available in person following the lectures for receptions, or online via e-mail booking

Programma (contenuti dell'insegnamento)
  • Introduzione al corso
  • Introduzione a R
  • Laboratory: R basics
  • Data Visualisation + Exploratory Data Analysis
  • Laboratory: Data Visualisation
  • Data Transformation
  • Laboratory: Data Wrangling Base
  • Data Wrangling
  • Laboratory: Data Wrangling
  • Data Types
  • Laboratory: Data Types and Import
  • Textual Data
  • Web scraping
  • Modeling
  • Laboratory: Modeling
  • Machine Learning Basics
Syllabus
  • Introduction to the course
  • Introduction to R
  • Lab: R basics
  • Data visualisation + Exploratory data analysis
  • Lab: Data visualisation
  • Data transformation
  • Lab: Basics of data processing
  • Data management
  • Lab: Data management
  • Data types
  • Lab: Data types and import
  • Textual data
  • Scraping from the Web
  • Modelling
  • Lab: Modelling
  • Machine learning fundamentals
Bibliografia e materiale didattico

https://r4ds.had.co.nz/

https://datasciencebox.org/

Bibliography

https://r4ds.had.co.nz/

https://datasciencebox.org/

Indicazioni per non frequentanti

Nessuna

Modalità d'esame

Esame orale con presentazione di un progetto di analisi dati concordato tra docente e studenti

Assessment methods

Oral examination with presentation of a data analysis project agreed between lecturer and students

Updated: 30/10/2023 11:09