Scheda programma d'esame
PROJECT DESIGN & MANAGEMENT FOR DATA SCIENCE
FILIPPO CHIARELLO
Academic year2023/24
CourseDATA SCIENCE AND BUSINESS INFORMATICS
Code1075I
Credits6
PeriodSemester 1
LanguageEnglish

ModulesAreaTypeHoursTeacher(s)
PROJECT DESIGN & MANAGEMENT FOR DATA SCIENCEING-IND/35LEZIONI48
FILIPPO CHIARELLO unimap
ANTONELLA MARTINI unimap
Obiettivi di apprendimento
Learning outcomes
Conoscenze

Gli studenti acquisiranno conoscenze trasversali alla Laurea Magistrale in Data Science e Business Informatics. In particolare, gli studenti alla fine del corso acquisiranno sapranno:

• Essere consapevoli dell'intero processo di generazione di valore in un processo di data science

• Conoscere i metodi disponibili per la progettazione di prodotti e servizi basati sui dati

• Sviluppare spirito pratico e critico verso l'uso di sistemi di Generative AI per il Design

• Essere consapevoli dell'impatto aziendale, ambientale e sociale delle soluzioni di data science

Knowledge

The students will acquire knowledge that is transversal to the Master's Degree in Data Science and Business Informatics. In particular, the students at the end of the course will: 

  Be aware of the whole process of value generation in a data science process

  Know available methods for designing data-driven products and services

  Use critically Generative AI to support the Design Process

  Be aware of the business, environmental and social impact of data science solutions

Modalità di verifica delle conoscenze

Gli studenti saranno in grado di dimostrare questa conoscenza discutendo argomenti correlati con gli insegnanti e in discussioni peer-to-peer.

Assessment criteria of knowledge

The students will be able to demonstrate this knowledge by discussing related topics with the teachers and in peer-to-peer discussions.

Capacità

Il corso è focalizzato sulle abilità pratiche. Gli studenti impareranno ad applicare metodi quantitativi per risolvere problemi di design. In particolare, al termine del corso, gli studenti impareranno a:

 

• Utilizzare metodi per comprendere e mappare le esigenze degli utenti

• Misurare e valutare le esigenze degli utenti

• Mappare e classificare gli strumenti di data science ed AI disponibili per risolvere problemi individuati 

• Scegliere lo strumento migliore  per risolvere un problema di data science

• Conoscere e utilizzare tecniche di prEtotipazione

• Utilizzare tecniche di AI Generativa per il supporto al Design

• Conoscere e utilizzare metodi per comunicare i risultati del progetto

Skills

The course is focused on practical skills. Students will learn to apply quantitative methods for solving design and management problems. In particular, at the end of the course, students will learn to: 

  Use methods to think creatively and critically

  Build a search query for mapping the relevant documents in a technological or knowledge domain 

  Use methods to understand and map users' needs

  Map and classify available data science tools (methods and technologies) 

  Use methods to translate users' needs in technical specification

  Measure and evaluate the users’ needs

  Choose the best tool (methods and technologies) to solve a data science problem

  Know and use prEtotyping techniques

  Use Generative AI to support the Design Process

  Develop methods to assess data science competencies (personal and of the team)

  Know and use methods to communicate the project results

Modalità di verifica delle capacità

Gli studenti applicheranno queste abilità nel lavoro di squadra, dove verrà chiesto loro di progettare una soluzione di data science. Sia gli studenti frequentanti che quelli non frequentanti saranno seguiti nello sviluppo del progetto, fino alla discussione finale, grazie a consegne intermedie. Ove possibile, agli studenti sarà anche chiesto di partecipare alla valutazione peer-to-peer delle attività del progetto.

Assessment criteria of skills

The students will apply these skills in teamwork, where they will be asked to design a data-science solution. Both attending and non-attending students will be followed in the development of the project, towards the final discussion, thanks to mid-term deliveries. Where possible, students will also be asked to participate in the peer-to-peer evaluation of the project activities.

Comportamenti

Il corso ha un focus su diverse soft-skill. Alcune di queste abilità (cioè creatività e pensiero critico) saranno affrontate utilizzando approcci metodologici, per aiutare gli studenti a sviluppare comportamenti verso l'uso dei metodi (usando l'approccio sviluppato nel Progetto Europeo Ulisse, https://ulisseproject.eu/) . 

Behaviors

The course has a fo us on different soft-skills. Some of the these skills (i.e. creativity and crhticial-thinking) will be faced using methodological approaches, to help students develop behaviours towards the use of methods (using the approach developed in the European Project Ulissehttps://ulisseproject.eu/). During the activities of the course (lessons and project activities) the students will also develop the following behaviours:

 Be able to work and in a diverse, multi-cultural and interdisciplinary team

  Be positive and methodological towards complex socio-technical problems

  Be curious about the continuous development of the data science sector

  Work in a team of students to design and implement a project

  Listen and discuss actively in a team 

Modalità di verifica dei comportamenti

Gli studenti saranno aiutati a sviluppare questi comportamenti grazie ad attività di classe e valutazioni peer-to-peer. Gli studenti non saranno valutati direttamente per i comportamenti, ma questi aiuteranno a mostrare conoscenze e abilità.

Assessment criteria of behaviors

Students will be helped to develop these behaviours thanks to class activities and peer-to-peer evaluations. Students will not be assessed for the behaviours directly, but these will help show knowledges and skills. 

Prerequisiti (conoscenze iniziali)

Nessun prerequisito in particolare. Il corso è infatti code free, per questo motivo accessibile anche a studenti senza un background informatico. Ad ogni modo, alcuni atteggiamenti aiuteranno gli studenti ad avere successo nel corso:

- Curiosità e automotivazione

- Apertura a nuovi approcci e idee

- Leggere, guardare e ascoltare attivamente

Prerequisites

No prerequisites in particular. The course is in fact code-free, for this reason accessible also to students without a background in computer science. Anyway, sone attitudes will help students have success in the course: 

- Curiosity and self-motivation

- Openness to new approaches and ideas

- Reading, watching and listening actively

 

Indicazioni metodologiche

Il corso verrà insegnato utilizzando un approccio di apprendimento basato sui problemi. L'approccio sarà implementato utilizzando un approccio dinamico in classe in cui gli studenti esploreranno attivamente sfide e problemi del mondo reale. Le lezioni mescoleranno spiegazioni standard del docente ed esercizi/attività che gli studenti svolgeranno in gruppo.

Durante il corso, ai team per il progetto verrà chiesto di lavorare insieme durante la lezione e di mescolare i membri.

Teaching methods

The course will be taught using a Problem Based Learning Approach. The approach will be implemented using a dynamic classroom approach in which students will actively explore real-world challenges and problems. The lessons will mix standard explanations by the teacher and exercises/activities that the students will do in teams. 

During the course, the teams for the project will be asked to work together during the lesson and to mix the member.

Syllabus

(This is a tentative syllabus, that will be adapted considering the course scheduling)

Lesson 1 - Introduction to the course and overview of the design process (2 hr)
Lesson 2 - The scientific method (1 hr)
Lesson 3 - How to define research questions (1 hr)
Lesson 4 - Research vs Development (1 hr)
Lesson 5 - Products vs Services (1 hr)
Lesson 6 - Scope Definition (1 hr)
Lesson 7 - Project Kick-Off (1 hr)
Lesson 8 - Objective and OKR (1 hr)
Lesson 9 - Project Management for Data Science: Introduction (2 hr)
Lesson 10 - Project Management for Data Science: Methods (2 hr)
Lesson 11 - Project Management for Data Science (Lab) (2 hr)
Lesson 12 - Methods for user needs analysis (2 hr)
Lesson 13 - Methods for user needs analysis (Lab) (2 hr)
Lesson 14 - Quality function deployment for data science (lab) (2 hr)
Lesson 15 - Quality function deployment for data science (lab) (2 hr)
Lesson 16 - Writing product and services specifications (2 hr)
Lesson 17 - Project Review (1 hr)
Lesson 18 - Query Design (2 hr)
Lesson 19 - Technological Mapping (2 hr)
Lesson 20 - Methods for assessing technical and economical feasibility (2 hr)
Lesson 21 - Pre-Totyping (4 hr)
Lesson 22 - Project Review (1 hr)
Lesson 23 - Writing Reports (2 hr)
Lesson 24 - Writing Reports (Lab) (2 hr)
Lesson 25 - Project Review (1 hr)
Lesson 26 - Conflict Management (2 hr)
Lesson 27 - Creativity (2 hr)
Lesson 28 - Critical Thinking (2 hr)

Bibliography

Relevant books:

The Righ It: Why So Many Ideas Fail and How to Make Sure Yours, Alberto Savoia (2019)

The Signal and the Noise: Why So Many Predictions Fail - but Some Don't, Nate Silver (2015)

The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World, Pedro Domingos (2015)

Relevant websites:

https://www.ideou.com/pages/design-thinking-resources

https://ai.google/education/

https://nadiapiet.com/

Non-attending students info

Non-attending students are welcome to attend the exam. All the lessons will be recorded, and students will have access to the material of the course. Non-attending students are strongly encouraged to use office hours to interact with the teacher during the preparation for the exam. Also, students are encouraged to work in teams even if they are not attending the course. 

 

Modalità d'esame

Il corso verrà insegnato utilizzando un approccio di apprendimento basato sui problemi. L'approccio sarà implementato utilizzando un approccio dinamico in classe in cui gli studenti esploreranno attivamente sfide e problemi del mondo reale. Le lezioni mescoleranno spiegazioni standard del docente ed esercizi/attività che gli studenti svolgeranno in gruppo.

Agli studenti verrà chiesto di realizzare un progetto di lavoro di gruppo, in cui progetteranno un prodotto o un servizio basato sulla scienza dei dati. Sia gli studenti frequentanti che quelli non frequentanti saranno seguiti nello sviluppo del progetto, fino alla discussione finale, grazie a consegne intermedie. Ove possibile, agli studenti sarà anche chiesto di partecipare alla valutazione peer-to-peer delle attività del progetto (https://en.wikipedia.org/wiki/Peer_assessment).

 

Assessment methods

The students will be asked to make a teamwork project, where they will design a data-science based product or service. Both attending and non-attending students will be followed in the development of the project, towards the final discussion, thanks to mid-term deliveries. Where possible, students will also be asked to participate in the peer-to-peer evaluation of the project activities (https://en.wikipedia.org/wiki/Peer_assessment).

 

Updated: 18/09/2023 10:01