DATA SCIENCE

Business Analyst e Data-Driven Manager Le laureate e i laureati con questo profilo possono trovare occupazione in imprese industriali e di servizi, società di consulenza, banche, assicurazioni, pubblica amministrazione, organismi regolatori e centri di innovazione digitale. Esperto in Statistica Computazionale, Big Data e Informatica Applicata Le laureate e i laureati con questo profilo possono trovare occupazione in centri di ricerca, università, imprese ICT, cloud provider, settore finanziario e assicurativo, industria 4.0, sanità digitale e organizzazioni che sviluppano o utilizzano sistemi avanzati di analisi dei dati e intelligenza artificiale

La prova finale consiste nella stesura e nella discussione di un elaborato (tesi di laurea) coerente con le discipline di riferimento del corso di laurea. La tesi di laurea deve essere elaborata sotto la guida di un relatore. Nella redazione della tesi di laurea il/la laureando/a dovrà mostrare la capacità di utilizzare effettivamente le competenze acquisite, nonché il raggiungimento degli obiettivi formativi trasversali relativi alla capacità di comunicazione, auto- apprendimento e autonomia di giudizio.

Per essere ammessi al CdLM occorre essere in possesso della Laurea o del Diploma Universitario di durata triennale, ovvero di altro titolo di studio conseguito all'estero, riconosciuto idoneo, nonché dei requisiti curriculari e di un'adeguata preparazione personale. Lo studente deve possedere: • una laurea triennale nelle classi di laurea: L-8 (Ingegneria dell'informazione); L-9 (Ingegneria Industriale); L-15 (Scienze del Turismo); L-16 (Scienze dell'amministrazione e dell'organizzazione); L-18 (Scienze dell'Economia e della Gestione Aziendale); L-20 (Scienze della Comunicazione); L-24 (Scienze e Tecniche Psicologiche); L-30 (Scienze e tecnologie fisiche); L-31 (Scienze e Tecnologie Informatiche); L-33 (Scienze Economiche); L-35 (Scienze Matematiche); L-36 (Scienze Politiche e delle Relazioni Internazionali); L-40 (Sociologia); L-41(Statistica) o vecchi corsi di laurea quadriennali equiparati. • In ogni caso è necessario aver acquisito almeno 30 CFU nei seguenti settori scientifico disciplinari: MATH-02/A (Geometria); MATH-02/B (Algebra); MATH-03/A (Analisi matematica); MATH-03/B (Probabilità e statistica matematica); MATH-05/A (Analisi numerica); INFO-01/A (Informatica); IEGE01/A (Ingegneria economico-gestionale); IINF-05/A (Sistemi di elaborazione delle informazioni); ECON-01/A (Economia politica); ECON-05/A (Econometria); ECON-06/A (Economia Aziendale); ECON-07/A (Economia e gestione delle imprese); STAT-01/A (Statistica); STAT-03/A (Demografia); STAT-03/B (Statistica sociale); STAT-04/A (Metodi matematici dell'economia e delle scienze attuariali e finanziarie) e GSPS-05/A (Sociologia Generale), di cui almeno 12 nei SSD ECON-01/A, ECON-05/A, ECON-06/A, ECON-07/A. Inoltre, è richiesta una certificazione linguistica che attesti la conoscenza della lingua inglese di livello pari almeno al B2 del Quadro Comune Europeo di Riferimento (QCER) per la conoscenza delle lingue; in alternativa, è richiesto il superamento, prima del colloquio di ammissione, del test di piazzamento per il livello B2 presso il Centro Linguistico di Ateneo (CLA). La verifica del possesso dei requisiti curriculari e/o delle conoscenze e competenze richieste, nonché dell'adeguatezza della personale preparazione, è demandata ad un'apposita commissione nominata dal Consiglio del CdS.

Area Informatica OF5 - Progettare, configurare e gestire infrastrutture dati complesse, incluse architetture cloud ibride e sistemi di data storage scalabili. OF6 - Sviluppare pipeline ETL/ELT per l'integrazione, pulizia e trasformazione dei dati. OF7 - Implementare applicazioni di data processing e machine learning in ambienti cloud e distribuiti. OF8 -Garantire la sicurezza, la qualità e la conformità normativa dei dati gestiti. L'accertamento delle conoscenze e delle capacità applicative avviene tramite esami scritti e/o prove pratiche al computer; prove orali; progetti individuali o di gruppo; valutazione di report tecnici e presentazioni. Area statistico-matematica Capacità di applicare conoscenza e comprensione OF13 - Applicare modelli statistici e algoritmici per la previsione, classificazione e segmentazione di fenomeni complessi. OF14 - Implementare modelli di apprendimento supervisionato e non supervisionato su dataset di grandi dimensioni. OF15 - Sviluppare e validare pipeline di analisi e simulazione numerica, garantendo riproducibilità e robustezza dei risultati. OF16 - Utilizzare strumenti di calcolo e librerie scientifiche per la statistica computazionale e l'analisi dei Big Data. La verifica delle conoscenze e capacità applicative avviene tramite: esami scritti; prove pratiche al computer per accertare la capacità di implementare modelli, utilizzare librerie scientifiche, costruire pipeline di analisi e interpretarne i risultati; prove orali volte a verificare la comprensione critica dei metodi utilizzati, la capacità di collegare teoria e applicazioni e la consapevolezza dei limiti dei modelli; progetti individuali o di gruppo; report tecnici e presentazioni Area economico-aziendale OF21 - Analizzare dati economico-finanziari per il supporto a decisioni strategiche e operative. OF22 - Costruire e monitorare indicatori di performance (KPI) e dashboard di controllo direzionale. OF23 - Applicare metodi di web e social analytics per analisi di mercato e valutazione dell'impatto delle strategie digitali. OF24 - Integrare modelli analitici nei processi aziendali, traducendo risultati quantitativi in azioni gestionali concrete. La verifica delle conoscenze e capacità applicative avviene tramite: esami scritti; prove pratiche al computer per accertare la capacità di elaborare dati economici, costruire dashboard, utilizzare strumenti di business intelligence e applicare tecniche di web e social analytics; prove orali volte a verificare la comprensione critica delle logiche organizzative e gestionali; progetti individuali o di gruppo su problemi aziendali e processi data-driven; elaborati e presentazioni tecniche per valutare la capacità di argomentare e comunicare analisi e risultati a supporto delle decisioni. Area economica OF28 - Applicare strumenti quantitativi all'analisi economica e finanziaria dei mercati. OF29 - Valutare l'impatto economico delle decisioni aziendali basate sui dati e dei progetti di trasformazione digitale. OF30 - Interpretare le relazioni tra modelli economici, comportamenti di mercato e strategie aziendali supportate da evidenze quantitative. OF31 - Utilizzare tecniche di analisi empirica per stimare e verificare modelli economici e previsioni. La verifica delle conoscenze e capacità applicative avviene tramite: esami scritti; prove al computer per accertare la capacità di applicare tecniche econometriche, analisi empiriche e strumenti di stima; prove orali volte a verificare la comprensione critica delle dinamiche micro e macroeconomiche e la capacità di collegare modelli e dati; progetti individuali o di gruppo che prevedono analisi economiche, valutazioni di impatto e costruzione di modelli previsionali; report tecnici e presentazioni per verificare la capacità di sintetizzare e comunicare risultati economici e implicazioni decisionali.

Area Informatica OF1 - Conoscere le architetture dei sistemi informativi e i principi di progettazione di basi di dati relazionali e NoSQL. OF2 - Comprendere le logiche di funzionamento dei sistemi distribuiti, del cloud computing e delle tecnologie di virtualizzazione e containerizzazione. OF3 - Conoscere i linguaggi di programmazione più diffusi in ambito Data Science (Python, R, SQL) e gli strumenti per la gestione del codice (Git, ambienti virtuali). OF4 - Comprendere i paradigmi di elaborazione dei Big Data e i principali framework di analisi distribuita (Hadoop, Spark). Le conoscenze e capacità di comprensione dell'area informatica sono acquisite mediante lezioni frontali; esercitazioni guidate dedicate allo sviluppo di codice e alla progettazione di basi di dati e sistemi cloud; laboratori volti all'implementazione pratica di pipeline ETL/ELT, sistemi di data engineering e applicazioni distribuite (Hadoop, Spark); project work e casi di studio finalizzati alla progettazione e realizzazione di soluzioni applicative in ambienti cloud e infrastrutture reali o simulate; seminari specialistici sulle tecnologie emergenti in ambito Big Data, Machine Learning su larga scala e sicurezza dei dati. Area statistico-matematica OF9 - Conoscere i fondamenti della statistica descrittiva, inferenziale e della teoria della probabilità. OF10 - Comprendere i principi della modellazione statistica, della stima e della verifica d'ipotesi. OF11 - Conoscere i metodi e gli algoritmi di machine learning, deep learning e ottimizzazione numerica. OF12 - Comprendere le tecniche di validazione, interpretazione e valutazione dei modelli predittivi. Le conoscenze e capacità di comprensione dell'area statistico-matematica sono acquisite attraverso lezioni frontali, esercitazioni finalizzate alla specificazione e stima di modelli predittivi e interpretazione dei risultati; laboratori di statistica computazionale e machine learning per implementare modelli e pipeline di analisi su dataset di grandi dimensioni; project work applicativi che prevedono l'analisi di casi reali; seminari metodologici su temi avanzati quali modelli generativi, algoritmi di ottimizzazione, explainable AI, robustezza dei modelli ecc. Area economico-aziendale OF17 - Comprendere le logiche di funzionamento delle organizzazioni e dei processi aziendali. OF18 - Conoscere i principi di contabilità direzionale, controllo di gestione e analisi delle performance. OF19 - Comprendere il ruolo dei dati nelle strategie di marketing, innovazione e digital transformation. OF20 - Conoscere i fondamenti della business intelligence, dei sistemi ERP e della process analytics. Le conoscenze e capacità di comprensione dell'area economico-aziendale sono acquisite attraverso lezioni frontali; esercitazioni finalizzate all'analisi di dati economico-finanziari, alla costruzione e interpretazione di KPI e alla valutazione delle performance; laboratori di business analytics e process analytics per l'utilizzo di strumenti di visualizzazione e sistemi informativi aziendali; project work che prevedono l'analisi di casi reali in contesti di marketing, innovazione e gestione dei processi; seminari tematici su strategie data-driven, digital transformation e analisi dei mercati. Area economica OF25 - Conoscere i fondamenti di micro e macroeconomia, con particolare attenzione ai processi decisionali e all'interazione tra mercati, imprese e istituzioni. OF26 - Comprendere le dinamiche dell'innovazione e dell'economia digitale. OF27 - Conoscere i concetti chiave di competitività, valore, rischio e sostenibilità economica dei processi data-driven. Le conoscenze e capacità di comprensione dell'area economica sono acquisite attraverso lezioni frontali; esercitazioni finalizzate all'analisi dei mercati, alla quantificazione dell'impatto della competitività, del valore, del rischio e della sostenibilità economica; laboratori di analisi economica; project work su casi di studio riguardanti valutazione economica di progetti digitali e analisi del comportamento dei mercati; seminari tematici dedicati a temi di economia dell'innovazione, trasformazione digitale e impatti economici dell'intelligenza artificiale.

Business Analyst e Data-Driven Manager Le laureate e i laureati con questo profilo possono trovare occupazione in imprese industriali e di servizi, società di consulenza, banche, assicurazioni, pubblica amministrazione, organismi regolatori e centri di innovazione digitale. Esperto in Statistica Computazionale, Big Data e Informatica Applicata Le laureate e i laureati con questo profilo possono trovare occupazione in centri di ricerca, università, imprese ICT, cloud provider, settore finanziario e assicurativo, industria 4.0, sanità digitale e organizzazioni che sviluppano o utilizzano sistemi avanzati di analisi dei dati e intelligenza artificiale

ITALIANO

Business Analyst e Data-Driven Manager - Funzioni in un contesto di lavoro: professionista capace di analizzare, interpretare e comunicare i dati a supporto dei processi decisionali strategici e operativi. Opera nell'ambito dell'analisi dei dati aziendali, della business intelligence, della valutazione delle performance e della gestione della trasformazione digitale. - Competenze associate alla funzione: analisi statistica e modellazione dei dati a fini decisionali; data management, SQL, strumenti di business intelligence e data visualization; analisi e ottimizzazione dei processi aziendali; definizione di KPI e valutazione economico-finanziaria dei risultati; conoscenze di marketing digitale, process mining e innovazione data-driven; padronanza dei principi di data governance, privacy e cybersecurity (GDPR, Data Act); capacità di comunicazione e traduzione dei risultati analitici in raccomandazioni operative comprensibili ai decisori; competenze di change management e gestione di progetti di digital transformation. Esperto in Statistica Computazionale, Big Data e Informatica Applicata - Funzioni in un contesto di lavoro: nel proprio contesto lavorativo questo/a professionista si inserisce come figura tecnico-scientifica specializzata nello sviluppo e nell'applicazione di modelli statistici, algoritmici e computazionali per l'analisi predittiva, l'apprendimento automatico e la gestione di grandi basi di dati. Opera in contesti di ricerca, industria tecnologica, sanità e finanza. - Competenze associate alla funzione: statistica inferenziale, modellazione probabilistica e teoria delle decisioni; machine learning, deep learning e intelligenza artificiale; analisi di serie temporali, previsione e valutazione della robustezza dei modelli; big data analytics, cloud computing, architetture distribuite e pipeline ETL/ELT; programmazione scientifica (Python, R, SQL) e version control; data engineering e progettazione di infrastrutture per la gestione dei dati; metodi di ottimizzazione numerica e simulazione; conoscenza dei principi di etica, sicurezza e responsabilità algoritmica; capacità di lavorare in team interdisciplinari e di comunicare risultati quantitativi complessi.

Gli obiettivi formativi del Corso di Laurea in Data Science mirano a fornire una preparazione interdisciplinare con una forte componente statistico-computazionale. In particolare, il corso intende fornire solide competenze nelle discipline matematico-statistiche, informatiche, economico-aziendali, ed economiche al fine di permettere ai laureati di: • padroneggiare metodi matematico-statistici, algoritmi di machine learning e strumenti di deep learning per l'analisi di dati complessi; • progettare, implementare e gestire sistemi informativi e architetture Big Data, inclusi cloud e database distribuiti; • integrare competenze quantitative con conoscenze giuridiche, aziendali e sociali per applicare la Data Science a diversi contesti (economico, sanitario, tecnologico, sociale); • applicare metodologie di Data Science per la risoluzione di problemi complessi, formulando soluzioni originali e data-driven; • operare in team interdisciplinari, comunicare efficacemente risultati anche a non specialisti, rispettare principi etici e di data governance, mantenersi aggiornati rispetto a evoluzioni tecnologiche. Il corso si articola in due curriculum Il primo curriculum, denominato “Business Analyst (BA)” è strutturato per integrare e potenziare le competenze di studenti che già possiedono una solida visione di business, finanziaria e gestionale e che intendono consolidare le proprie competenze economico-aziendali abbinandole a competenze di tipo statistico-computazionale per operare con Data Scientist con un forte orientamento al business e alle strategie aziendali. Gli obiettivi formativi specifici sono: a) Relativamente all'analisi e gestione dei dati aziendali 1. Capacità di acquisire, organizzare e gestire grandi moli di dati eterogenei provenienti da sistemi informativi aziendali, basi di dati relazionali e piattaforme digitali. 2. Competenza nell'uso di strumenti di database management, SQL e librerie Python per l'analisi dei dati. b) Relativamente ai metodi statistici e di machine learning per il decision-making 1. Capacità di applicare modelli statistici di apprendimento supervisionato e non supervisionato per la previsione, classificazione e segmentazione dei fenomeni economici e di mercato. 2. Capacità di valutare la qualità dei modelli e di interpretare i risultati in ottica gestionale e strategica c) Relativamente all'ambito Business analytics e controllo di gestione 1. Capacità di analizzare le performance aziendali, il controllo dei costi e la costruzione di indicatori chiave (KPI). 2. Capacità di integrare i risultati delle analisi quantitative con strumenti di management e visualizzazione per il supporto alle decisioni. d) Relativamente all'ambito innovazione digitale e marketing data-driven 1. Capacità di comprendere le dinamiche della digital transformation e dei nuovi modelli di business basati sui dati. 2. Capacità di applicare tecniche di web e social analytics, text mining e analisi dei Big Data a contesti di marketing e innovazione. e) Relativamente alle competenze trasversali e professionali 1. Padronanza dei metodi di comunicazione e visualizzazione dei risultati analitici verso interlocutori non tecnici. 2. Capacità di operare in team interdisciplinari, collaborando con figure tecniche e manageriali per la definizione e realizzazione di progetti data-driven. 3. Acquisizione di autonomia nell'analisi critica dei problemi e nella formulazione di soluzioni basate su evidenze quantitative. Il secondo curriculum, denominato “Statisitca Computazioanale, Big Data e Informatica Applicata (SCoBiDIA)” è istituito per arricchire le basi tecnico-scientifiche di laureati triennali, in particolare in discipline STEM, fornendo loro una prospettiva aziendale e competenze analitiche all'avanguardia. L'obiettivo è dotare gli studenti di questo curriculum di un'eccellente padronanza tecnica e algoritmica, arricchita da una comprensione funzionale del business e dell'ambiente economico in cui si troveranno ad operare. Gli obiettivi formativi specifici sono: a) Relativamente alla progettazione e gestione di infrastrutture dati: 1. Capacità di progettare, configurare e mantenere sistemi per l'archiviazione e l'elaborazione di dati su larga scala (data warehouse, data lake, database NoSQL). 2. Competenze nella gestione di flussi di dati complessi (ETL/ELT) e nell'integrazione di sorgenti eterogenee. b) Relativamente all'ambito cloud computing e calcolo distribuito: 1. Padronanza dei paradigmi e dei modelli di servizio cloud e delle tecnologie di virtualizzazione e containerizzazione. 2. Capacità di utilizzare framework di elaborazione distribuita per l'analisi efficiente di Big Data in ambienti cloud e on-premise. c) Relativamente ai metodi e algoritmi per la Data Science 1. Padronanza delle tecniche di machine learning, deep learning e ottimizzazione numerica per grandi dataset. 2. Capacità di sviluppare pipeline analitiche scalabili e riproducibili, con attenzione alla validazione dei modelli e alla gestione del ciclo di vita dei dati. d) Relativamente all'ambito ingegneria del software per la Data Science: 1. Conoscenza di metodologie di progettazione software, controllo di versione, testing automatizzato e documentazione del codice. 2. Capacità di implementare soluzioni modulari e interoperabili in linguaggi di programmazione scientifica (Python, R, SQL). e) Relativamente alla sicurezza, governance e gestione operativa dei dati: 1. Conoscenza dei principi di sicurezza informatica, privacy e compliance normativa (GDPR, data governance). 2. Capacità di monitorare le risorse e ottimizzare i costi e le prestazioni dei sistemi di elaborazione dati. Il corso di laurea prevede un totale di 120 CFU distribuiti su 2 anni. Gli insegnamenti obbligatori coprono le aree della statistica, della matematica, dell'informatica e della business analytics mentre i tirocini e i laboratori offrono agli studenti e alle studentesse un approccio pratico alle competenze acquisite. Alcuni insegnamenti sono stati collocati nel primo semestre del primo anno dei percorsi formativi di entrambi i curriculum allo scopo di riallineare le competenze in ingresso relativamente agli ambiti disciplinari dell'informatica, della statistica e della matematica. Il CdS promuove la partecipazione a programmi di mobilità internazionale, come Erasmus+ e altri programmi di scambio, per consentire agli studenti e alle studentesse di sviluppare competenze in contesti globali. L'obiettivo è formare professionisti in grado di operare non solo a livello locale, ma anche in un contesto internazionale, rispondendo alle sfide della Data Science favorendo interazioni interculturali e sostenibilità. Per garantire coerenza e complementarità tra i vari insegnamenti, il CdS adotta un approccio integrato e coordinato. Ogni anno di corso segue una progressione logica delle competenze, dove i docenti collaborano per armonizzare i contenuti e le metodologie di insegnamento. Gli studenti e le studentesse partecipano a studi di caso (case studies) che permettono di applicare criticamente le conoscenze acquisite a scenari concreti del Data Science applicato all'economia e all'azienda. Questi strumenti offrono un'opportunità pratica di sviluppare capacità di problem-solving e decision-making. La presenza di laboratori, spesso gestiti in collaborazione con professionisti del settore, contribuisce a unire l'aspetto teorico a quello più operativo, rendendo la formazione ancora più completa. Nel piano di studi, è stata evitata una frammentazione eccessiva delle attività didattiche, scegliendo di offrire insegnamenti opzionali per garantire una maggiore flessibilità. Questa flessibilità consente una diversificazione e personalizzazione del percorso formativo, con una preparazione mirata su competenze trasversali e innovative, in linea con le esigenze del mercato del lavoro. L'offerta di esami opzionali consente inoltre agli studenti e alle studentesse di adattare il percorso formativo ai propri interessi specifici, valorizzando così le loro capacità individuali e migliorando la loro competitività nel mondo del lavoro. Il CdS in Data Science (DS) prevede verifiche intermedie e finali per ciascun insegnamento, garantendo un monitoraggio continuo delle competenze acquisite. Le verifiche intermedie possono includere test scritti, presentazioni orali, discussioni di case studies e progetti pratici, favorendo un approccio dinamico e collaborativo all'apprendimento. Le verifiche finali consistono generalmente in esami scritti o orali, che valutano la padronanza teorica e pratica delle conoscenze acquisite durante il corso. In aggiunta, alcuni insegnamenti prevedono la stesura e presentazione di project work o l'elaborazione di report, che richiedono agli studenti e alle studentesse di dimostrare la capacità di applicare le competenze apprese a situazioni reali e complesse del settore turistico. Questo approccio pratico consolida le capacità analitiche e decisionali necessarie nel mondo del lavoro. Le principali modalità di verifica includono: esami scritti (quiz, domande aperte, problemi da risolvere) per valutare la conoscenza teorica e la capacità di analisi critica; esami orali, utili per verificare la chiarezza espositiva e la padronanza di concetti complessi; progetti di gruppo e individuali, volti a verificare la capacità di lavorare in team e di applicare le conoscenze teoriche a problemi concreti; presentazioni di casi studio, che consentono agli studenti e alle studentesse di dimostrare capacità di analisi, esposizione di soluzioni e creatività. Le verifiche sono progettate per essere coerenti con gli obiettivi di apprendimento indicati nelle schede di insegnamento, garantendo che gli studenti e le studentesse acquisiscano competenze pratiche e teoriche fondamentali per il loro futuro professionale. Conoscenza e capacità di comprensione - Conoscenze teoriche e metodologiche Il laureato in Data Science possiede una solida preparazione teorica nelle discipline matematico-statistiche, informatiche e metodologiche necessarie per analizzare, modellare e interpretare dati complessi. Conosce i fondamenti dei metodi di machine learning, deep learning, ottimizzazione numerica e statistica computazionale per la costruzione di modelli predittivi e descrittivi. E' in grado di comprendere le architetture e i principi dei sistemi informativi, dei database relazionali e non relazionali, e delle infrastrutture Big Data e cloud. Possiede, inoltre, una comprensione approfondita delle logiche di funzionamento dei sistemi economico-aziendali, delle metriche di performance e dei processi decisionali basati sui dati. Ha conoscenza dei principi di etica, sicurezza e governance dei dati, con riferimento alle normative europee (GDPR, Data Governance Act) e agli standard di gestione e qualità dei dati. - Comprensione interdisciplinare Il laureato in Data Science è in grado di integrare concetti provenienti da informatica, statistica, economia e management per comprendere i processi di generazione, gestione e utilizzo dei dati nei diversi contesti applicativi (aziendale, economico, sanitario, tecnologico, pubblico). Ha una consapevolezza critica del ruolo del Data Science come strumento per l'innovazione e la trasformazione digitale, riconoscendone potenzialità e limiti. Le conoscenze e la capacità di comprensione sono acquisite essenzialmente attraverso la frequenza delle lezioni di didattica erogativa ed interafrontale, integrate dai materiali predisposti dai docenti e da testimonianze di ospiti esterni che rappresentano il mondo professionale di riferimento del corso di studi. Inoltre, le stesse conoscenze sono acquisite attraverso lo studio individuale e di gruppo dei materiali didattici indicati nel programma e di eventuali ulteriori supporti integrativi che il docente individua per approfondire e definire al meglio i contenuti didattici. Infine, l'acquisizione della capacità di applicare conoscenza e comprensione viene valutata attraverso verifiche d'esame scritte, verifiche d'esame orali, prove intermedie, valutazioni di assignment individuali, e valutazione di project work di gruppo. Capacità di applicare conoscenza e comprensione - Applicazione tecnica e metodologica Il laureato in Data Science è in grado di progettare, implementare e validare modelli statistici e algoritmici per la previsione, classificazione, clustering e analisi esplorativa dei dati, nonchè sviluppare pipeline di analisi dei dati scalabili, replicabili e documentate, utilizzando linguaggi di programmazione (Python, R, SQL) e strumenti di version control (Git). E' altresì in grado di costruire e gestire architetture dati complesse (data warehouse, data lake, sistemi cloud e distribuiti) garantendo sicurezza, efficienza e conformità normativa. Infine, ha dimestichezza nell'utilizzo di strumenti di visualizzazione, e nella realizzazione di reportistica in ottica business-intelligence per comunicare efficacemente risultati e insight a decisori aziendali e stakeholder non tecnici. - Capacità analitiche e progettuali Il laureato in Data Science è in grado di applicare le metodologie della Data Science per la soluzione di problemi complessi in ambiti reali, individuando le tecniche più idonee e interpretando criticamente i risultati. E' autonomo nella progettazione di esperimenti e nell'esecuzione di analisi quantitative con approccio scientifico e riproducibile. E' in grado di integrare modelli e strumenti di analisi in processi aziendali e strategici, contribuendo a decisioni basate su evidenze quantitative e a progetti di innovazione digitale. - Competenze trasversali e operative Il laureato in Data Science è capace di lavorare in team interdisciplinari e di comunicare i risultati analitici in modo chiaro, rigoroso e comprensibile. Possiede autonomia di giudizio nell'individuare soluzioni tecniche, metodologiche o organizzative fondate sui dati. E' in grado di aggiornarsi costantemente rispetto all'evoluzione delle tecnologie, delle metodologie e delle normative in ambito data-driven. Le capacità di applicare conoscenza e comprensione sono acquisite attraverso differenti modalità– a seconda della tipologia di attività formativa: - esercitazioni; - laboratori; - tirocini; - discussioni che prevedono interazione docente – studenti finalizzate ad applicare le nozioni teoriche alla realtà (analisi di casi, analisi di testi su temi di attualità, ecc.); - presentazioni in aula degli studenti dei lavori individuali e di gruppo assegnati dal docente; - altre attività d'aula interattive (es. role playing); - realizzazione di elaborati scritti relativi ai lavori individuali e di gruppo assegnati dal docente; -partecipazione a competizioni fuori università. L'acquisizione della capacità di applicare conoscenza e comprensione viene valutata attraverso verifiche d'esame scritte, verifiche d'esame orali, prove intermedie, valutazioni di assignment individuali, e valutazione di project work di gruppo. Autonomia di giudizio I laureati e le laureate in Data Science saranno in grado di formulare valutazioni autonome nell'analisi, selezione e applicazione di metodi, modelli e strumenti per la gestione e interpretazione di dati complessi. Sarannno in grado di scegliere criticamente le tecniche statistiche, computazionali e di machine learning più appropriate rispetto al problema e alla natura dei dati. Inoltre, sapranno integrare prospettive quantitative, tecnologiche, economiche ed etiche nella formulazione di soluzioni data-driven. Saranno altresì in grado di valutare l'affidabilità e la validità delle fonti e dei risultati, riconoscendo i limiti metodologici e interpretativi delle analisi, e di esprimere giudizi informati sull'impatto organizzativo, sociale ed etico delle tecnologie di analisi dei dati e dell'intelligenza artificiale. Tali capacità saranno sviluppate attraverso attività di laboratorio, project work, casi di studio interdisciplinari, discussioni seminariali e la redazione della tesi magistrale, che richiede l'elaborazione autonoma di un progetto di ricerca o di analisi applicata. Abilità comunicative I laureati e le laureate in Data Science saranno in grado di comunicare in modo chiaro, efficace e rigoroso i risultati delle analisi a interlocutori tecnici e non tecnici, di redigere relazioni tecniche, report analitici e documentazione metodologica in linguaggio scientifico appropriato. Questi risultati saranno comunicati anche utilizzando strumenti di visualizzazione interattiva e dashboard per la rappresentazione intuitiva dei dati e dei risultati. Saranno presentati i progetti, i modelli e i risultati in contesti professionali o accademici, anche in lingua inglese. Infine, i laureati e le laureate in Data Science saranno in grado di collaborare efficacemente in team multidisciplinari, adattando il linguaggio tecnico ai diversi livelli di competenza dei destinatari. Le abilità comunicative saranno potenziate mediante attività didattiche interattive, presentazioni di gruppo, discussioni di casi reali e la preparazione e difesa dell'elaborato finale. Capacità di apprendimento I laureati e le laureate in Data Science dovranno dimostrare capacità di apprendere in modo autonomo e continuo le evoluzioni scientifiche e tecnologiche del settore. Saranno indirizzati verso l'aggiornamento sull'uso di nuovi linguaggi, strumenti e piattaforme per l'analisi dei dati e l'intelligenza artificiale, e verso l'acquisizione di capacità di autoformazione mediante l'utilizzo di risorse digitali, letteratura scientifica e strumenti open source. Parallelamente, dovranno dimostrare capacità di integrare conoscenze provenienti da diversi ambiti disciplinari per affrontare problemi complessi e in continua evoluzione, di sviluppare capacità di riflessione critica sui propri processi di apprendimento e di adattamento a nuovi contesti lavorativi o di ricerca. Tali competenze saranno acquisite attraverso un percorso che incoraggia l'apprendimento attivo, l'autonomia nello studio, l'uso di piattaforme digitali e la partecipazione a seminari, progetti e tirocini, nonché attraverso l'elaborazione autonoma della tesi magistrale.