Essendo una rivoluzione culturale prima ancora che tecnologica, è fondamentale che sia introdotta e sostenuta dal management e dai profili business, prima ancora che dai tecnici veri e propri.

 

Per questo motivo, il corso di Data Science proposto da Galgano, in collaborazione con Kiwi è un corso pensato per profili business; un corso dove non si pone un accento pratico sui tecnicismi, ma piuttosto sulla cultura del dato e su come le nuove tecnologie stiano rivoluzionando il modo di fare di business.

 

Viene fatta chiarezza sulla terminologia e si spiega in modo dettagliato come le diverse tecnologie possano essere introdotte in azienda e con quale prospettiva di crescita.

 

Grande attenzione viene posta su come creare un team di data scientist e viene fornito un protocollo di lavoro completo e collaudato.

 

 

A chi é rivolto:

Solo un vero data scientist può raccontare cosa sia la Data Science, perchè la Data Science è fatta anche di reale esperienza di casi reali vissuti sul campo.   Per questo motivo scegliere Galgano e Kiwi Data Science è la scelta più idonea: corsi tenuti da veri data scientist che lavorano ogni giorno da anni sul campo, risolvendo reali problemi di business presso importanti aziende leader di mercato.   Il corso è supervisionato e in parte tenuto da Luigi Roggia, fondatore di Kiwi Data Science e external lead data scientist presso aziende di riferimento in ambito manufacturing e service.  

 

PROGRAMMA DEL CORSO

Capitolo uno: definizione di un nuovo mondo

• Introduzione al corso
• Definizione di Data Science e differenze rilevanti rispetto alla data analysis, alla business intelligence e al data mining
• Il concetto di big data
• Definizione di Industry 4.0 e suo legame profondo con la Data Science
• Introduzione al Machine Learning e all’Intelligenza Artificiale

  Capitolo due: basi di Data Science

• Alchimia del dato
• Il diagramma di Venn e le sue implicazioni
• I tre layer della Data Science
• Il team di Data Science
• Le 5 leggi fondamentali della Data Science

  Capitolo tre: problemi di business e soluzioni di Data Science

• Esempi reali di visione data driven
• Scopi generali per cui applicare la Data Science

  Capitolo quattro: macchine che imparano

• Introduzione al concetto di modello matematico
• Metodi di apprendimento unsupervised
• Metodi di apprendimento supervised
• Esempi pratici di casi reali di interesse business

Capitolo cinque: quando i dati si fanno grandi

• Big o non big? Questo è il dilemma..
• Le tecnologie abilitanti dei big data
• La rivoluzione di architettura e logica portata dai big data
• Implicazioni aziendali dei big data in termini di skills e costi
• Big data analysis
• Comprimere i big data tramite metodi matematici

  Capitolo sei: costruire il team

• Individuare e selezionare i profili necessari
• Dare forma al team e all’ambiente di lavoro
• Definizione di protocollo e metodologie per il team
• Gestione del team
• Progettazione e versionamento del codice
• Reporting dei progetti
• Metodologia Agile: Scrum e Kanban

  Capitolo sette: il layer del data lake

• Requisiti e scopi fondamentali di un data lake
• Architetture miste relazionali e noSQL
• Il ruolo fondamentale del data architect
• La rivoluzione dell’ICT
• L’importanza di una corretta raccolta dati
• Strumenti e tecnologie

  Capitolo otto: il layer scientifico

• Matematica e creatività
• Cosa serve per creare un modello matematico
• Validazione dei modelli
• Scalabilità, portabilità, costi: differenze tra un accademico e un data scientist
• Strumenti e tecnologie

  Capitolo nove: il layer di usabilità

• Industrializzare un modello matematico
• L’importanza della comunicazione
• Interfacce utente nell’era cloud based
• Strumenti e tecnologie

  Capitolo dieci: Data Science sul campo

• Esempi reali da diverse aree di business
• Piano operativo e leve strategiche per introdurre la Data Science in azienda