Insegnamento DATA SCIENCE
| Nome del corso di laurea | Engineering management |
|---|---|
| Codice insegnamento | A005324 |
| Curriculum | Comune a tutti i curricula |
| CFU | 15 |
| Regolamento | Coorte 2025 |
| Erogato | Erogato nel 2025/26 |
| Erogato altro regolamento | |
| Anno | 1 |
| Periodo | Annuale |
| Tipo insegnamento | Obbligatorio (Required) |
| Tipo attività | Attività formativa integrata |
| Suddivisione |
INDUSTRIAL AND BUSINESS STATISTICS
| Codice | A005325 |
|---|---|
| CFU | 6 |
| Docente responsabile | Nicola Senin |
| Docenti |
|
| Ore |
|
| Attività | Caratterizzante |
| Ambito | Ingegneria gestionale |
| Settore | ING-IND/16 |
| Tipo insegnamento | Obbligatorio (Required) |
| Lingua insegnamento | Inglese |
| Contenuti | Il modulo esplora metodi e problematiche di modellazione ed analisi statistica dei processi aziendali legati all’approvvigionamento, la produzione, il marketing, la distribuzione e le vendite. Nell’ambito specifico della produzione manifatturiera, il modulo si concentra sugli strumenti di gestione e controllo della qualità, esplorando il monitoraggio statistico di processo ed i modelli statistici legati all’ispezione campionaria. |
| Testi di riferimento | Dispense a cura del docente |
| Obiettivi formativi | Possedere le capacità di applicare metodi di modellazione ed analisi statistica al fine di studiare problematiche legate alla valutazione delle prestazioni dei processi aziendali ed alla gestione e controllo della qualità nella produzione industriale. |
| Prerequisiti | Nessuna propedeuticità. E’ preferibile possedere conoscenze di base di statistica e analisi dei dati |
| Metodi didattici | Lezioni frontali |
| Altre informazioni | NA |
| Modalità di verifica dell'apprendimento | Esame finale |
| Programma esteso | Parte I – Qualità nella produzione industriale Introduzione al concetto di qualità nella produzione industriale: conformità alle specifiche, assenza di difetti e proprietà del prodotto. Strategie di controllo e gestione della qualità. Total quality management. ISO 9000. Parte II – monitoraggio e controllo statistico di processo La produzione industriale modellata come processo aleatorio: variabilità di processo, capacità di processo. Modellazione statistica di variabili ed attributi di processo. Monitoraggio statistico di processo. Carte di controllo per variabili ed attributi. Miglioramento di processo: metodi six-sigma e DMAIC. Metodi di Taguchi. Parte III – Modellazione statistica dei processi di ispezione Introduzione alla ispezione e testing. Risultati di ispezione binaria: confusion matrix ed errori di tipo 1 e tipo 2. Ispezione al 100% vs ispezione a campione. Ispezione campionaria per variabili e per attributi. Soluzioni di ispezione in uso nella produzione industriale. Parte IV – Modellazione statistica per altri processi aziendali Modellazione ed analisi statistica di reti di fornitura. Analisi dei principali processi aziendali complementari alla produzione (e.g. marketing, distribuzione). Modellazione ed analisi delle vendite. Analisi delle correlazioni tra vendite e business operations. Analisi dei clienti (pattern di spesa e di comportamento). |
| Obiettivi Agenda 2030 per lo sviluppo sostenibile | Obiettivi 8,9 e 12 |
MACHINE LEARNING
| Codice | A005326 |
|---|---|
| CFU | 9 |
| Docente responsabile | Gabriele Costante |
| Docenti |
|
| Ore |
|
| Attività | Caratterizzante |
| Ambito | Ingegneria gestionale |
| Settore | ING-INF/04 |
| Tipo insegnamento | Obbligatorio (Required) |
| Lingua insegnamento | INGLESE |
| Contenuti | Introduzione al Machine Learning. Regressione Lineare. Modelli Discriminativi e Generativi per la classificazione. Support Vector Machines. Reti neurali. Unsupervised learning. Esempi di Applicazione. Esercitazioni guidate in laboratorio su Python su analisi di dati con tecniche di Machine Learning. |
| Testi di riferimento | 1. "The Elements of Statistical Learning", T. Hastie, R. Tibishirani, J. Friedman, Springer (free) 2. "Pattern Recognition and Machine Learning", C. M. Bishop, Springer 3. "An Introduction to Statistical Learning, with application in R", G. James, D. Witten, T. Hastie, R. Tibshirani, Springer (free) 4. "Python Machine Learning", S. Raschka, PACKT Publishing 5. N. Cristianini, J. Shawe-Taylor, An Introduction to Support Vector Machines, Cambridge Univ. Press, 2000 6. R.O. Duda, P.E. Hart,D.G. Stork, Pattern Classification, 2nd ed., Wiley, 2012 Dispense a cura del docente disponibili su UNISTUDIUM - PIATTAFORMA DI E-LEARNING DELL'UNIVERSITÀ DEGLI STUDI DI PERUGIA (https://www.unistudium.unipg.it/unistudium/ ) |
| Obiettivi formativi | Conoscenza dei problemi di regressione e classificazione e delle tecniche principali per affrontarli. Capacità di pre-elaborare e analizzare dati al fine di sviluppare correttamente algoritmi di apprendimento su di essi. Capacità di analizzare e risolvere le criticità della pipeline di apprendimento, quando i risultati non siano soddisfacenti. Capacità di utilizzare alcune delle principali librerie per l'addestramento di algoritmi di apprendimento. |
| Prerequisiti | Al fine di comprendere i contenuti presentati e conseguire gli obiettivi di apprendimento è utile possedere una buona conoscenza di Algebra lineare, Analisi, Teoria della probabilità, Fondamenti di programmazione |
| Metodi didattici | L’insegnamento è organizzato come segue:- lezioni frontali in aula;- lezioni frontali a carattere seminariale- esercitazioni guidate presso il Laboratorio di Informatica sull’utilizzo di tecniche di Machine Learning per l’analisi di dati in Python. In ogni esercitazione gli studenti vengono distribuiti su 30 postazioni di lavoro. Strumenti di supporto alla didattica: lavagna e PC+proiettore, PC. |
| Altre informazioni | I Semestre (maggiori dettagli vengono riportati al link http: //www.ing.unipg.it/it/didattica/studiare-nei-nostri-corsi/orario-delle-lezioni ). |
| Modalità di verifica dell'apprendimento | Le conoscenze relative all’insegnamento vengono accertate attraverso una Prova orale e una Prova pratica (tesina). La prova orale prevede la discussione del progetto (tesina) presentato e due domande su argomenti scelti dal docente, e dura circa 45 minuti. La prova è volta ad accertare la compresione, da parte dello studente, degli strumenti teorici fondamentali forniti dall'insegnamento, nonchè le relazioni tra tali strumenti e le tematiche generali dell'ingegneria informatica. Il progetto presentato viene utilizzato per verificare le capacità di utilizzo di tecniche di Machine Learning per l’analisi di dati su problemi reali. Le prenotazioni alle prove di esame avvengono tramite il portale SOL: https://www.segreterie.unipg.it/ Per informazioni sui servizi di supporto agli studenti con disabilità e/o DSA visita la pagina http://www.unipg.it/disabilita-e-dsa |
| Programma esteso | Introduzione al Machine Learning Ottimizzazione Convessa Regressione Lineare Classificazione (Logistic Regression, KNN, LDA, QDA) Generative models (Probabilità, Naive Bayes Classifiers) Sviluppo di applicazioni di Machine Learning Model selection Support Vector Machines Neural Networks Unsupervised Learning (K-means, K-medoids, EM, Factor Analysis, PCA, ICA) Big data e Data Mining Applicazioni |
| Obiettivi Agenda 2030 per lo sviluppo sostenibile |