Master universitari in Machine Learning e Data Science (parte prima)

mooc immagine tratta da https://commons.wikimedia.org/wiki/File:Artificial_intelligence.jpg

Un Master universitario è un titolo post laurea di perfezionamento scientifico e di alta formazione successivo al conseguimento della laurea triennale o della laurea magistrale della durata di almeno un anno e che prevede l’attribuzione di almeno 60 crediti formativi universitari. I Master universitari si differenziano tra primo e secondo livello: si accede ai master di 1° livello a seguito di una laurea triennale, ai master di 2° livello a seguito di una laurea magistrale.

Per chi desidera specializzarsi dopo la laurea in aree quali l’Intelligenza Artificiale, il Machine Learning, la Data Science le università italiane offrono diverse opportunità la maggior parte delle quali anche in modalità online.

Di seguito una tabella riassuntiva di alcuni master universitari e il dettaglio delle informazioni per ciascun master.

Università Master livello costo on line scandenza domanda Open day
La Sapienza Roma Metodi statistici per la società della conoscenza II 6.000 euro si 16 gennaio 2023 22 novembre 2022
Tor Vergata Roma Customer Experience, Statistics, Machine Learning e Artificial Intelligence II 6.500 euro No 15 gennaio 2023 18 novembre 2022
Roma Tre Master in Data Analytics (MDA) I 2.500 euro Si 9 gennaio 2023 No
Firenze Master in Data Science and Statistical Learning (MD2S) II 4.500 euro si 15 novembre 2022 27 ottobre 2022

Indice

Big data. Metodi statistici per la società della conoscenza, La Sapienza Roma

Sito web del master

Open Day

Open day di presentazione del master, 22 novembre 2022, ore 9 (su Zoom, in questo pdf i dettagli per la connessione)

Informazioni generali

Prova di ammissione

Giorno: 19 gennaio 2023, ore 11,00 Dettagli in questo pdf

Didattica

Lezioni in presenza presso “Aula Master”, viale Regina Elena 295, Roma. Le lezioni sono anche erogate in sincrono a distanza. Gli studenti possono scegliere se seguire in presenza o a distanza.

Calendario didattico A week-end alterni: Giovedì ore 14.00 – 18.00. Venerdì ore 9.00 – 13.00/ ore 14.00 – 18.00. Sabato ore 9.00 – 13.00

Contenuti del Master

I dettagli del piano formativo sono disponibili in questo pdf

Modulo I: “Acquisizione, generazione e gestione dati”

INF/01:

IUS/05

Modulo II: “Metodi e tecniche di analisi statistica di Big Data”

SECS-S/01

SECS-S/05

Modulo III:“Metodi di analisi automatica dei testi e di analisi delle reti

SECS-S/01

Modulo IV:“Modelli decisionali e previsivi in ambito socio economico, demografico e sanitario”

SECS-S06

SECS-S04

SECS-S03

Modulo V “BigData per la ricerca sociale”

SPS/08

SPS/07

Il calendario complete delle lezioni è disponibile in questo pdf

Customer Experience, Statistics, Machine Learning e Artificial Intelligence, Tor Vergata Roma

(Ex Master Customer Experience e Social Media Analytics - CESMA)

Sito web del master

Brochure in pdf del master

Open Day

Qui maggiori dettagli

Informazioni generali

Ammissione

Possono partecipare al Master tutti i laureati in materie scientifiche (Statistica, Matematica, Fisica, Scienze, Informatica, Ingegneria, Economia, …) in possesso di laurea magistrale, specialistica o titolo equipollente, con buona predisposizione per la tecnologia. Verranno considerati anche laureati in materie non scientifiche se dimostrano di aver acquisito comunque le competenze necessarie per affrontare i corsi del master. L’ammissione del candidato si baserà sulla valutazione del curriculum da parte del Consiglio di Corso e da un colloquio conoscitivo da parte del Direttore e delle aziende partner del Master. Per l’ammissione al Master e l’eventuale attribuzione di borse di studio, verranno particolarmente considerati i seguenti parametri: valutazione del CV, Titolo di laurea, Età, Capacità logico-relazionali.

Coloro in possesso della sola laurea triennale, possono essere ammessi al master in qualità di uditori (nel numero massimo di iscrivibili non superiore al 20% dei partecipanti), e sarà loro rilasciato un certificato di partecipazione senza attribuzione di crediti formativi universitari.

Didattica

La didattica è articolata in 4 moduli: Generale; Analytics; Social Media Analytics; Customer Experience all’interno dei quali sono articolati i sotto moduli riguardanti le tecniche informatico/statistiche necessarie per diventare un data scientist rivolto al Data Mining, al Text Mining, al Machine Learning, all’Artificial Intelligence e all’esplorazione dei Big Data.

Le attività didattiche del Master si svolgono dal lunedì al venerdì dalle ore 9.00 alle 16.00 (0 18:00 a seconda dei casi) presso l’Università di Roma Tor Vergata, Via Columbia 2, 00133, Roma, nei locali della Facoltà di Economia (Aula S8, edificio A).

Altro

Certificazione SAS: Al termine dell’attività didattica si svolgerà la certificazione SAS presso il centro di formazione SAS di Roma

Master in Data Analytics (MDA), Roma Tre

Sito web del master

Informazioni generali

Didattica

I corsi sono organizzati in quattro gruppi; il primo comprende gli strumenti fondamentali per l’analisi dei dati, mentre gli altri tre gruppi si occupano di specializzazioni specifiche:

  1. Fundamentals - Introduzione a Python; Python; Linguaggi per dati scalabili; Database; Statistica di base; Introduzione al Machine Learning; Introduzione alla crittografia; Text analytics & Natural Language Processing.
  2. Machine Learning - TensorFlow; Reti neurali con Matlab; Statistica e ottimizzazione per il Machine Learning; Machine Learning; Meta Learning.
  3. CyberSecurity - Crittografia; Crittografia: casi di studio; Fintech e introduzione alle criptovalute; Cybersecurity e gestione della privacy.
  4. Scienza e società - Social data analytics; Algoritmi grafici; Python avanzato; Cloud Computing; Elaborazione dati; Elaborazione dati biotecnologici; Servizi pubblici; Digitalizzazione per la PA; Analisi dati di business intelligence.

Gli studenti possono organizzare un piano di studi personale in base alle seguenti regole:

Ad esempio:

Al completamento dell’intero programma, gli studenti ottengono 60 crediti ECTS.

Contenuti

FUNDAMENTALS Python Basics Python Advanced I Languages for scalable data/Python advanced II Database Basic Statistics Introduction to Machine Learning Cryptography I Text Analytics and Natural Language Processing

MACHINE LEARNING TensorFlow Neural Networks with MATLAB Explainable Machine Learning Statistics and Optimization for Machine Learning Machine Learning II

CYBERSECURITY Cryptography II Cryptography: case study Fintech and introduction to Crypto Currency Cybersecurity and privacy management

SCIENCE AND SOCIETY Social Data Analytics Graph Algorithms Python Advanced II Cloud Computing Data Processing Sparse Methods for high-dimensional data Public Services: the Digital Approach Digitalization for PA: Case Studies Database and Data processing hands-on Data Analysis for Business Intelligence

Dettagli sui corsi qui

Master in Data Science and Statistical Learning (MD2S), Unifi

Sito web del master

brochure in pdf del master

Open Day

L’Open Day Online di MD2S si è tenuto il 27 ottobre 2022, qui la video-registrazione (richiede registrazione account); qui la FAQ

Informazioni generali

Ammissione

La selezione dei candidati consiste nell’esame delle domande di partecipazione e in un colloquio in lingua inglese, a distanza, al fine di verificare la preparazione del candidato, volta ad una proficua frequenza dei corsi del master, su statistica, matematica e programmazione/informatica, oltre che la conoscenza della lingua inglese a livello B2.

Didattica

Il master MD2SL, si articola in tre distinti blocchi di insegnamento e un laboratorio di analisi dei dati:

  1. Il primo blocco, “Data Science Bootcamp”, permette agli studenti di acquisire una solida conoscenza delle discipline alla base della Data Science (matematica, statistica, programmazione informatica), grazie ad una serie di corsi tali da assicurare una preparazione omogenea di studenti con background potenzialmente molto diversi tra loro.
  2. Il secondo blocco si compone dei “Core Courses” e permette agli studenti di acquisire le competenze teoriche e pratiche proprie della Data Science e della Data Analytics.
  3. Il terzo blocco di insegnamento si compone degli “Elective Courses” ed è pensato per l’acquisizione di competenze specifiche in due distinti ambiti applicativi in cui il Data Scientist può avere un ruolo di centrale importanza: l’ambito medico-sanitario e l‘ambito economico-aziendale.

Block I – Bootcamp corse

Mathematics and Statistics for Data Science

Optimization MAT/09 Numerical calculus and linear algebra MAT/08 Probability and stochastic processes MAT/06 Statistical inference and modelling SECS-S/01

Algorithmic Foundations and Programming Skills

Algorithms and programming in Python and R for data science INF/01 Machine learning ING-INF/05 Optimization for machine learning MAT/09

Block II – Core corse

Statistical Learning for Data Science

Statistical learning SECS-S/01 Geo-spatial data analysis SECS-S/01 Network data analysis SECS-S/01

Supervised and Unsupervised Learning

Advanced machine learning MAT/09 Deep learning, neural networks, and reinforcement learning ING-INF/05

Complex Systems

Text mining and NLP ING-INF/05 Network and media analysis FIS/03 Complex system analysis FIS/03

Decision Theory for Data Science

Bayesian inference and causal machine learning SECS-S/01 Analytics in economics and business SECS-P/06 Ethics and law for data science IUS/01

Block III – Elective corse

Two tracks chosen from

1) Data Science for Economics

Experiments and real-world evidence in economics SECS-P/02 Policy evaluation and impact analysis SECS-P/06

2) Data Science for Business

Time series analysis SECS-S/03 Optimization of financial portfolios SECS-S/06

3) Data Science for Health

Health analytics and data-driven medicine SECS-P/02 Environmental and genomic data analysis MED/01

Per una descrizione più dettagliata degli insegnamenti consultare Syllabus MD2SL in pdf

Università   Machine-Learning