Sei davanti ad un Master semipresenziale  MBA che ti porterà a progredire professionalmente nel settore della Data Science e far parte delle grandi aziende del settore"

Oggi, in un mondo globalizzato e sommerso dal commercio online, le informazioni e i dati fluiscono a grande velocità e in grandi quantità. Per questo, la raccolta di dati e la loro applicazione strategica ha dato un importante impulso alla Data Science. Ecco perché le aziende puntano sul suo utilizzo per poter tracciare strategie di business migliori, ampliare la loro conoscenza del consumatore, individuare il rischio di perdite o stabilire campagne di marketing più efficaci.

In questo modo, la Data Science comprende una combinazione di metodi matematici, informatica, capacità di analisi e comunicazione ottimale dei risultati ottenuti. Una specialità che richiede quindi professionisti qualificati e con capacità di gestione dei team. In questo scenario, TECH offre questo Master Semipresenziale MBA, che fornisce agli studenti un insegnamento di qualità, con un quadro teorico 100% online, che è completato da un tirocinio pratico in un'azienda di riferimento in questo settore.

Un programma che durerà 12 mesi, per approfondire i principali sistemi di gestione delle informazioni, il ciclo di vita dei dati, l'apprendimento automatico o l'analisi web. Il tutto con risorse didattiche multimediali facilmente accessibili, da qualsiasi dispositivo elettronico con connessione internet. 

Inoltre, lo studente potrà applicare tutti i concetti acquisiti durante le 3 settimane di specializzazione. Un periodo in cui gli studenti saranno istruiti da professionisti di eccellente livello e con esperienza in Data Science. Questo scenario non solo li porterà a conoscere in prima persona le tecniche e metodologie attuali utilizzate in questo settore, ma anche a raggiungere un apprendimento più completo in un'area di costante innovazione.

Questa istituzione offre così, un'eccellente opportunità per gli studenti che desiderano avanzare professionalmente in un settore in crescita. Tutto questo, attraverso un approccio teorico-pratico, che si avvicina alla realtà più attuale della Data Science, attraverso una qualifica unica nel panorama pedagogico presente. 

Grazie a questo Master semipresenziale otterrai una conoscenza avanzata dell'analisi web e contribuirai allo sviluppo di successo del business online"

Questo Master semipresenziale in MBA in Direzione Tecnica di Data Science possiede il programma più completo e aggiornato del mercato. Le caratteristiche principali del programma sono:  

• Sviluppo di oltre 100 casi clinici presentati da professionisti in Data Science aziendale
• Contenuti grafici, schematici ed eminentemente pratici che forniscono informazioni scientifiche e assistenziali sulle  discipline essenziali per l’esercizio della professione
• Sviluppo di attività e fasi del processo di valutazione dell'impatto sulla protezione dei dati
• Particolare attenzione alle normative per la gestione dei dati
• Conoscenza degli strumenti più utili per l'implementazione di modelli IaaS e PaaS
• Lezioni teoriche, domande all'esperto, forum di discussione su argomenti controversi e lavori di riflessione individuale
• Contenuti disponibili da qualsiasi dispositivo fisso o mobile dotato di connessione a internet
• Possibilità di svolgere un tirocinio all’interno di uno dei migliori centri di Data Science

Trascorri 3 settimane in un centro di prestigio e acquisisci le competenze necessarie per progredire professionalmente grazie a un team di esperti"

In questa proposta di Master, di carattere professionistico e modalità semipresenziale, il programma è finalizzato all'aggiornamento degli informatici che svolgono le loro funzioni in aziende tecnologiche, e che richiedono un alto livello di qualificazione. I contenuti sono basati sulle più recenti prove scientifiche, e orientati in modo didattico per integrare la conoscenza teorica nella pratica della direzione tecnica di Data Science, e gli elementi teorici-faciliteranno l'acquisizione di conoscenze e consentiranno un processo decisionale adeguato nel settore tecnologico.

I contenuti multimediali, sviluppati in base alle ultime tecnologie educative, forniranno al professionista un apprendimento coinvolgente e localizzato, ovvero inserito in un contesto reale. La creazione di questo programma è incentrata sull’Apprendimento Basato su Problemi, mediante il quale lo specialista deve cercare di risolvere le diverse situazioni che gli si presentano durante il corso. Lo studente potrà usufruire di un innovativo sistema di video interattivi creati da esperti di rinomata fama.

Grazie a questo corso universitario, padroneggerai i principali strumenti per l'implementazione di modelli IaaS e PaaS nel business"

Con questo programma potrai stabilire i protocolli e le tecnologie di comunicazione utilizzate nell'Internet of Things"

Il piano di studi di questo Master semipresenziale è stato elaborato da un personale docente multidisciplinare, che ha riversato in questo programma la sua vasta conoscenza in Data Science. In questo modo gli studenti possono approfondire i sistemi di gestione delle informazioni, i tipi di dati e i principali software per il loro sviluppo e analisi. Per questo, gli studenti avranno risorse didattiche multimediali di alta qualità, disponibili 24 ore al giorno. Questo percorso accademico è completato da un tirocinio pratico in una società tecnologica di prestigio, dove gli studenti potranno mostrare le loro capacità tecniche e analitiche in Data Science.

Video riassunti, video in dettaglio, casi di studio... Accedi a tutto questo, quando vuoi, da un dispositivo elettronico con connessione internet"

Modulo 1. Principali sistemi di gestione delle informazioni

 1.1. ERP e CRM

 1.1.1. ERP
 1.1.2. CRM
 1.1.3. Differenze tra ERP e CRM: Punto di vendita
 1.1.4. Successo aziendale

 1.2. ERP

 1.2.1. ERP
 1.2.2. Tipologie di ERP
 1.2.3. Sviluppo di un progetto di implementazione di ERP
 1.2.4. ERP Ottimizzatore di risorse
 1.2.5. Architettura di un sistema ERP

 1.3. Informazione fornita da ERP

 1.3.1. Informazione fornita da ERP
 1.3.2. Vantaggi e svantaggi
 1.3.3. L’informazione

 1.4. Sistemi ERP

 1.4.1. Sistemi e strumenti attuali di ERP
 1.4.2. Processo decisionale
 1.4.3. Quotidianità con un ERP

 1.5. CRM: progetto di implementazione

 1.5.1. CRM: Progetto di implementazione
 1.5.2. CRM come strumento commerciale
 1.5.3. Strategie per il sistemi di informazione

 1.6. CRM: Fedeltà del cliente

 1.6.1. Punto di partenza
 1.6.2. Vendere o fidelizzare
 1.6.3. Fattori di successo nel sistema di fidelizzazione
 1.6.4. Strategie multicanale
 1.6.5. Progettazione delle azioni di fidelizzazione
 1.6.6. E-fidelizzazione

 1.7. CRM: campagne di comunicazione

 1.7.1. Azioni e piano di comunicazione
 1.7.2. Importanza del cliente informato
 1.7.3. L’ascolto del cliente

 1.8. CRM: prevenire l'insoddisfazione

 1.8.1. Disdette dei clienti
 1.8.2. Identificazione di errori per tempo
 1.8.3. Processo di miglioramento
 1.8.4. Recupero del cliente insoddisfatto

 1.9. CRM: Azioni speciali di comunicazione

 1.9.1. Obiettivi e progettazione di un evento aziendale
 1.9.2. Disegno e realizzazione dell’evento
 1.9.3. Azioni del dipartimento
 1.9.4. Analisi dei risultati

 1.10. Marketing relazionale

 1.10.1. Implementazione: Errori
 1.10.2. Metodologia, segmentazione e processi
 1.10.3. Modi di muoversi a seconda del dipartimento
 1.10.4. Strumenti CRM

Modulo 2. Tipi e cicli di vita del dato

 2.1. La statistica

 2.1.1. Statistica: statistiche descrittive, inferenze statistiche
 2.1.2. Popolazione, campione, individuo
 2.1.3. Variabili: definizione, scale di misurazione

 2.2. Tipi di dati statistici

 2.2.1. Secondo la tipologia

 2.2.1.1. Quantitativi: dati continui e discreti
 2.2.1.2. Qualitativi: dati binominali, nominali e ordinali

 2.2.2. Secondo la forma

 2.2.2.1. Numerici
 2.2.2.2. Testuali
 2.2.2.3. Logici

2.2.3. Secondo la fonte

 2.2.3.1. Primari
 2.2.3.2. Secondari

 2.3. Ciclo di vita dei dati

 2.3.1. Fasi del ciclo
 2.3.2. Tappe del ciclo
 2.3.3. Principi FAIR

 2.4. Fasi iniziali del ciclo

 2.4.1. Definizione delle mete
 2.4.2. Determinazione delle risorse necessarie
 2.4.3. Diagramma di Gantt
 2.4.4. Struttura dei dati

 2.5. Raccolta di dati

 2.5.1. Metodologia di raccolta
 2.5.2. Strumenti di raccolta
 2.5.3. Canali di raccolta

 2.6. Pulizia del dato

 2.6.1. Fasi di pulizia dei dati
 2.6.2. Qualità del dato
 2.6.3. Elaborazione dei dati (con R)

 2.7. Analisi dei dati, interpretazione e valutazione dei risultati

 2.7.1. Misure statistiche
 2.7.2. Indici di relazione
 2.7.3. Data Mining

 2.8. Deposito del dato (Datawarehouse)

 2.8.1. Elementi che lo integrano
 2.8.2. Progettazione
 2.8.3. Aspetti da considerare

 2.9. Disponibilità del dato

 2.9.1. Accesso
 2.9.2. Utilità
 2.9.3. Sicurezza

Modulo 3. Numero di apprendimento automatico

 3.1. La conoscenza nei database

 3.1.1. Pre-elaborazione dei dati
 3.1.2. Analisi
 3.1.3. Interpretazione e valutazione dei risultati

 3.2. Machine Learning

 3.2.1. Apprendimento supervisionato e non
 3.2.2. Apprendimento per rinforzo
 3.2.3. Apprendimento semi-supervisionato: Altri modelli di apprendimento

 3.3. Classificazione

 3.3.1. Alberi di decisione e apprendimento basato su regole
 3.3.2. Macchine di Supporto Vettoriale (SVM) e algoritmi dei nearest neighbors (KNN)
 3.3.3. Metriche per gli algoritmi di ordinamento

 3.4. Regressione

 3.4.1. Regressione lineare e logistica
 3.4.2. Modelli di regressione non lineari
 3.4.3. Analisi di serie temporali
 3.4.4. Metriche per algoritmi di regressione

 3.5. Clustering

 3.5.1. Raggruppamento gerarchico
 3.5.2. Raggruppamento partizionale
 3.5.3. Metriche per algoritmi di clustering

3.6. Regole di associazione

3.6.1. Misure di interesse
3.6.2. Metodi per estrarre regole
3.6.3. Metriche per gli algoritmi di regole di associazione

3.7. Multiclassificatori

3.7.1. “Bootstrap aggregation” o “bagging”
3.7.2. Algoritmo di “Random Forests”
3.7.3. Algoritmo di “Boosting”

3.8. Modelli di ragionamento probabilistico

3.8.1. Ragionamento probabilistico
3.8.2. Reti bayesiane o reti di credenze
3.8.3. “Hidden Markov Models”

3.9. Percettrone Multistrato

3.9.1. Rete neuronale
3.9.2. Apprendimento automatico con reti neuronali
3.9.3. Diminuzione del grado, “backpropagation” e funzioni di attivazione
3.9.4. Implementazione di una rete neuronale artificiale

3.10. Apprendimento profondo

3.10.1. Rete neuronale profonda: Introduzione
3.10.2. Reti convoluzionali
3.10.3. Sequence Modeling
3.10.4. Tensorflow e Pytorch

Modulo 4. Web analytics

4.1. Web analytics

4.1.1. Introduzione
4.1.2. Evoluzione del web analytics
4.1.3. Processo di analisi

4.2. Google Analytics

4.2.1. Google Analytics
4.2.2. Uso
4.2.3. Obiettivi

4.3. Hits: Interazioni con il sito web

4.3.1. Metriche di base
4.3.2. KPI (Key Performance Indicators)
4.3.3. Percentuali di conversione adeguate

4.4. Dimensioni frequenti

4.4.1. Fonte
4.4.2. Mezzo
4.4.3. Keyword
4.4.4. Campagna
4.4.5. Tag personalizzato

4.5. Configurazione di Google Analytics

4.5.1. Installazione: Creazione dell’account
4.5.2. Versioni dello strumento: UA/GA4
4.5.3. Tag personalizzato
4.5.4. Obiettivi di conversione

4.6. Organizzazione di Google Analytics

4.6.1. Account
4.6.2. Proprietà
4.6.3. View

4.7. Relazioni di Google Analytics

4.7.1. In tempo reale
4.7.2. Pubblico
4.7.3. Acquisizione
4.7.4. Comportamento
4.7.5. Conversioni
4.7.6. E-commerce

4.8. Relazioni avanzate di Google Analytics

4.8.1. Relazioni personalizzate
4.8.2. Pannelli
4.8.3. API

4.9. Filtri e segmenti

4.9.1. Filtro
4.9.2. Segmento
4.9.3. Tipi di segmenti: predefiniti/personalizzati
4.9.4. Liste di Remarketing

4.10. Piano di digital analytics

4.10.1. Misurazione
4.10.2. Implementazione dell’ambiente tecnologico
4.10.3. Conclusioni

 Modulo 5. Sistemi scalabili ed affidabili per l’uso massivo dei dati

 5.1. Scalabilità, affidabilità e mantenimento

 5.1.1. Scalabilità
 5.1.2. Affidabilità
 5.1.3. Mantenimento

 5.2. Modelli di dati

 5.2.1. Evoluzione dei modelli di dati
 5.2.2. Confronto del modello relazionale con il modello NoSQL basato sui documenti
 5.2.3. Modello di grafi

 5.3. Motori di archiviazione e recupero dei dati

 5.3.1. Archiviazione strutturata in log
 5.3.2. Archiviazione in tabelle di segmenti
 5.3.3. Alberi B

 5.4. Servizi, messaggistica e formati per codificare dati

 5.4.1. Flusso di dati in servizio REST
 5.4.2. Flusso di dati nella messaggistica
 5.4.3. Formati di invio dei messaggi

5.5. Risposta

 5.5.1. Teorema CAP
 5.5.2. Modelli di consistenza
 5.5.3. Modelli di risposta in base ai concetti di capo e seguaci

 5.6. Transazioni distribuite

 5.6.1. Operazioni atomiche
 5.6.2. Transazioni distribuite da diversi punti di vista (Calvin, Spanner)
 5.6.3. Serialità

 5.7. Suddivisione

 5.7.1. Tipi di suddivisione
 5.7.2. Indici di suddivisione
 5.7.3. Bilanciamento delle suddivisioni

 5.8. Elaborazione per lotti

 5.8.1. Elaborazione per lotti
 5.8.2. MapReduce
 5.8.3. Approcci posteriori a MapReduce

 5.9. Processo dei flussi di dati

 5.9.1. Sistemi di messaggistica
 5.9.2. Persistenza dei flussi di dati
 5.9.3. Usi e operazioni con flussi di dati

 5.10. Casistica di uso: Twitter, Facebook, Uber

 5.10.1. Twitter: l’uso di Caches
 5.10.2. Facebook: modelli non relazionali
 5.10.3. Uber: diversi modelli per diversi propositi

Modulo 6. Amministrazione dei sistemi per distribuzioni ripartite

6.1. Amministrazione classica: Il modello monolitico

 6.1.1. Applicazioni classiche: Il modello monolitico
 6.1.2. Requisiti del sistema per applicazioni monolitiche
 6.1.3. L’amministrazione dei sistemi monolitici
 6.1.4. Automatizzazione

6.2. Applicazioni distribuite: Il microservizio

 6.2.1. Paradigma di computazione distribuita
 6.2.2. Modelli basati sui microservizi
 6.2.3. Requisiti del sistema per modelli distribuiti
 6.2.4. Applicazioni monolitiche vs. Applicazioni distribuite

 6.3. Strumenti per lo sfruttamento delle risorse

 6.3.1. Gestione del “ferro”
 6.3.2. Virtualizzazione
 6.3.3. Emulazione
 6.3.4. Paravirtualizzazione

 6.4. Modelli IaaS, PaaS e SaaS

 6.4.1. Modello IaaS
 6.4.2. Modello PaaS
 6.4.3. Modello SaaS
 6.4.4. Pattern di progettazione

 6.5. Contenitorizzazione

 6.5.1. Virtualizzazione con cgroups
 6.5.2. Contenitori
 6.5.3. Dall’applicazione al contenitore
 6.5.4. Orchestrazione dei contenitori

 6.6. Clustering

 6.6.1. Alto rendimento e alta disponibilità
 6.6.2. Modelli di alta disponibilità
 6.6.3. Cluster con piattaforma SaaS
 6.6.4. Securitizzazione dei cluster

 6.7. Cloud computing

 6.7.1. Cluster vs cloud
 6.7.2. Tipologie di cloud
 6.7.3. Modelli di servizio sul cloud
 6.7.4. Sottoscrizione

6.8. Monitoraggio e testing

 6.8.1. Tipi di monitoraggio
 6.8.2. Visualizzazione
 6.8.3. Prove di infrastruttura
 6.8.4. Ingegneria del caos

 6.9. Caso di studio: Kubernetes

 6.9.1. Struttura
 6.9.2. Amministrazione
 6.9.3. Distribuzione dei servizi
 6.9.4. Sviluppo dei servizi per K8S

 6.10. Caso di studio: OpenStack

 6.10.1. Struttura
 6.10.2. Amministrazione
 6.10.3. Distribuzione
 6.10.4. Sviluppo dei servizi per OpenStack

Modulo 7. Internet of Things

 7.1. Internet of Things (IoT)

 7.1.1. Internet del futuro
 7.1.2. Internet of Things e Industrial Internet of Things
 7.1.3. Il consorzio di internet industriale

 7.2. Architettura di riferimento

 7.2.1. Architettura di riferimento
 7.2.2. Strati e componenti

 7.3. Dispositivi IoT

 7.3.1. Classificazione
 7.3.2. Componenti
 7.3.3. Sensori e azionatori

 7.4. Protocolli di comunicazione

 7.4.1. Classificazione
 7.4.2. Modello OSI
 7.4.3. Tecnologie

 7.5. Piattaforme IoT e IIoT

 7.5.1. La piattaforma IoT
 7.5.2. Piattaforme cloud con obiettivo generale
 7.5.3. Piattaforme industriali
 7.5.4. Piattaforme con codice aperto

 7.6. Gestione dei dati in piattaforme IoT

 7.6.1. Meccanismi di gestione
 7.6.2. Dati aperti
 7.6.3. Scambio di dati
 7.6.4. Visualizzazione dei dati

 7.7. Sicurezza in IoT

 7.7.1. Requisiti di sicurezza
 7.7.2. Aree di sicurezza
 7.7.3. Strategie di sicurezza
 7.7.4. Sicurezza in IIoT

 7.8. Aree di applicazione dei sistemi IoT

 7.8.1. Cure intelligenti
 7.8.2. Salute e condizione fisica
 7.8.3. Casa intelligente
 7.8.4. Altre applicazioni

 7.9. Applicazione di IIoT nei vari settori industriali

 7.9.1. Fabbricazione
 7.9.2. Trasporto
 7.9.3. Energia
 7.9.4. Agricoltura e allevamento
 7.9.5. Altri settori

 7.10. Integrazione di IIoT nel modello di industria 4.0

 7.10.1. IoRT (Internet of Robotics Things)
 7.10.2. Fabbricazione additiva 3D
 7.10.3. Big Data Analytics

Modulo 8. Gestione di progetti e metodologie Agile

 8.1. Direzione e gestione di progetti

 8.1.1. Il progetto
 8.1.2. Fasi di un progetto
 8.1.3. Project Management

 8.2. Metodologia PMI per la gestione di progetti

 8.2.1. PMI (Project Management Institute)
 8.2.2. PMBOK
 8.2.3. Differenza tra progetti, programmi e portfolio di progetti
 8.2.4. Evoluzione delle organizzazioni che lavorano con progetti
 8.2.5. Patrimonio dei processi nelle organizzazioni

 8.3. Metodologia PMI per la gestione di progetti: processi

 8.3.1. Gruppi di processo
 8.3.2. Aree di conoscenza
 8.3.3. Matrice dei processi

 8.4. Metodologia Agile per la gestione di progetti

 8.4.1. Contesto VUCA (volatilità, incertezza, complessità e ambiguità)
 8.4.2. Valori di Agile
 8.4.3. Principi del manifesto Agile

 8.5. Framework Agile SCRUM per la gestione di progetti

 8.5.1. Scrum
 8.5.2. I pilastri della metodologia Scrum
 8.5.3. I valori di Scrum

 8.6. Framework Agile SCRUM per la gestione di progetti: Processo

 8.6.1. Il processo di Scrum
 8.6.2. Ruoli tipizzati in un processo Scrum
 8.6.3. Le cerimonie in Scrum

 8.7. Framework Agile SCRUM per la gestione di progetti: Artefatti

 8.7.1. Artefatti in un processo Scrum
 8.7.2. La squadra Scrum
 8.7.3. Metriche per la valutazione del rendimento di una squadra Scrum

 8.8. Framework Agile KANBAN per la gestione di progetti: Metodo Kanban

 8.8.1. Kanban
 8.8.2. Benefici di Kanban
 8.8.3. Metodo Kanban: Elementi

 8.9. Framework Agile KANBAN per la gestione di progetti: Pratiche del metodo Kanban

 8.9.1. I valori di Kanban
 8.9.2. Principi del metodo Kanban
 8.9.3. Pratiche generali del metodo Kanban
 8.9.4. Metriche per la valutazione del rendimento di Kanban

 8.10. Confronto: PMI, SCRUM e KANBAN

 8.10.1. PMI-SCRUM
 8.10.2. PMI-KANBAN
 8.10.3. SCRUM-KANBAN

 Modulo 9. Comunicazione, leadership e gestione di team

 9.1. Sviluppo organizzativo in azienda

 9.1.1. Clima, cultura e sviluppo organizzativo in azienda
 9.1.2. Gestione del capitale umano

 9.2. Modelli di direzione: Processo decisionale

 9.2.1. Cambio del paradigma nei modelli di direzione
 9.2.2. Processo direttivo dell’impresa tecnologica
 9.2.3. Processo decisionale: Strumenti di pianificazione

 9.3. Leadership: Delegazione ed Empowerment

 9.3.1. Leadership
 9.3.2. Delegazione ed empowerment
 9.3.3. Valutazione della prestazione

9.4. Leadership: Gestione della talento e dell’impegno

9.5. Coaching applicato in azienda

9.6. Mentoring applicato in azienda

9.7. Gestione dei team I. Le relazioni interpersonali

9.8. Gestione dei team II. I conflitti

9.9. Gestione dei team III. La negoziazione

9.10. Gestione dei team IV. Tecniche di negoziazione

Un programma che ti renderà un professionista di riferimento grazie ai contenuti specifici del settore”