Insegnamenti a.a. 2019-2020   

L'evoluzione del contesto scientifico, tecnologico ed economico (tra cui high throughput data gathering, massive automation, Internet of Things, fintech; si veda WEF, the future of jobs e http://goo.gl/R3Ln2) richiedono figure professionali capaci di affrontare problemi sempre più complessi con un approccio integrato tra modellazione matematico-statistica, analisi statistica di grandi moli dati, e uso di risorse computazionali intensive.

Il corso di Laurea Magistrale in Data Science and Scientific Computing coglie questa sfida e si propone di formare dei laureati di profilo ampiamente multidisciplinare e caratterizzati da una solida preparazione in tre pilastri teorico-metodologici: calcolo intensivo, data analysis, e modellazione e simulazione numerica.
La solida formazione teorica sarà accompagnata e resa concreta da conoscenza ed esperienza in almeno un dominio applicativo, nell'ambito dell'ingegneria o delle scienze, ed integrata con capacità di comunicare ed interagire con esperti in ambiti dell'ingegneria, delle scienze dure, dell'economia e delle scienze sociali. I lavori di tirocinio e tesi, svolgibili presso laboratori di ricerca ed aziende, costituiranno un ulteriore elemento di formazione, permettendo di mettere in pratica le capacità di problem solving sviluppate e le conoscenze apprese.

Gli obiettivi formativi del percorso di studi sono i seguenti:
- saper affrontare in modo flessibile ma rigoroso problemi complessi in ambito multi-disciplinare, mediante la costruzione di modelli matematici e/o statistici, e la loro risoluzione numerica mediante l'uso di risorse computazionali di calcolo intensivo;
- saper valutare quali tecniche risolutive e quali strumenti computazionali e tecnologici usare, sviluppando un approccio ingegneristico finalizzato alla risoluzione di un problema nel modo più efficiente possibile;
- saper comunicare ed interagire con esperti in almeno un applicativo affine, comprendendo le problematiche principali ed il linguaggio specifico.

I laureati del corso in Data Science and Scientific Computing avranno una formazione che permetterà loro sia di entrare con successo nel mondo dell'impresa, che di continuare lo studio in un dottorato di ricerca negli ambiti modellistici, computazionali, e di analisi dei dati.

Gli insegnamenti erogati durante il corso sono organizzati in quattro aree:
- Modellazione e simulazione: corsi in quest'area forniscono strumenti teorici, implementativi ed applicativi, per la costruzione, l'addestramento, soluzione e simulazione numerica di modelli matematici.
- Metodi statistici per l'analisi dei dati e machine learning: verranno fornite nozioni e metodi di machine learning, applicato all'analisi di big data, nonché metodi statistici di analisi e visualizzazione dati.
- Informatica e calcolo intensivo: corsi in quest'area forniranno nozioni sulla tecnologia hardware e software del calcolo intensivo, sulla programmazione avanzata e parallela, sulla gestione di grandi moli di dati, nonchè nozioni di progettazione di algoritmi efficienti.
- Applicazioni: verranno forniti corsi in diversi ambiti applicativi, sia di tipo introduttivo alle problematiche dell'area che sull'applicazione a tale ambito delle conoscenze metodologiche acquisite. Il corso di studi proporrà diversi percorsi applicativi, in ambito medico, ingegneristico, scientifico ed economico, grazie anche alla collaborazione attiva con molti enti di ricerca del territorio.

Percorsi di studio daranno enfasi diversificata ai tre pilastri metodologici, creando figure professionali più versate in data analytics o più orientate alla modellizzazione in ingegneria e nelle scienze. Nello specifico, il percorso formativo prevede al primo anno sia una formazione comune metodologica nei tre macro ambiti che un approfondimento in un sottoinsieme di essi, in funzione del curriculum scelto. Al secondo anno, invece, lo studente acquisirà delle conoscenze in uno specifico ambito applicativo tra quelli proposti dal corso e la capacità di applicare gli strumenti metodologici in tale ambito, sia attraversi insegnamenti specifici che nel lavoro di tirocinio e tesi.
Il regolamento didattico del corso di studio e l'offerta formativa saranno in ogni caso tali da consentire agli studenti che lo vogliono di seguire percorsi formativi nei quali sia presente un'adeguata quantità di crediti in settori affini e integrativi che non sono già caratterizzanti.

Requisti

L'ammissione al corso di laurea magistrale in Data Science and Scientific Computing richiede il possesso di un titolo di laurea (o di laurea ante riforma) o Diploma Universitario di durata triennale, ovvero di altro titolo di studio equivalente conseguito all'estero. Inoltre, è necessario possedere i requisiti curriculari e un’adeguata preparazione personale. In particolare sono richiesti almeno 60 CFU conseguiti in uno o più dei seguenti ambiti scientifico-disciplinari: matematica (MAT/*), informatica (INF/01), ingegneria dell'informazione (ING-INF/*), ingegneria industriale (ING-IND/*), ingegneria civile (ICAR/01-09), fisica (FIS/*), statistica e metodi matematici per le decisioni (SECS-S/*), economia e finanza (SECS-P01,05,08,09,11), chimica (CHIM/*), biologia molecolare e genetica (BIO/10, BIO/11, BIO/18), geofisica e fisica terrestre (GEO/10-12).
Obbligatoriamente, almeno 9 di questi CFU dovranno essere conseguiti in ambito matematico(MAT/*,SECS-S/06). Lo studente ammesso, che non abbia conseguito almeno 21 CFU in ambito matematico-statistico (MAT/*,SECS-S/01,06), dovrà inserire nel piano di studi esami in tali settori per colmare eventuali lacune nella preparazione di base, in accordo con la commissione didattica del corso di studi. Similmente, studenti ammessi che non abbiano conseguito almeno 6 CFU in ambito informatico (INF/01, ING-INF/05) dovranno inserire in piano di studi corsi in tali ambiti per colmare la preparazione di base, sempre in accordo con la commissione didattica del CCS.
L'effettiva preparazione individuale sarà verificata secondo le modalità indicate nel regolamento didattico del corso. È richiesta altresì una buona conoscenza della lingua inglese (certificazione di livello B2 o equivalente).
Il corso di laurea magistrale in Data Science and Scientific Computing prevede il numero programmato di studenti in accesso. Il numero massimo di studenti, le modalità di verifica della personale preparazione e le modalità di selezione dei candidati saranno definite dal Consiglio di Corso di studi e saranno parte integrante del regolamento didattico del corso.

Modalità

Il corso di laurea magistrale in Data Science and Scientific Computing prevede il numero programmato in accesso. La selezione dei candidati sarà effettuata da un’apposita Commissione per l'accesso, nominata secondo le modalità previste dal regolamento didattico del corso di laurea. La procedura di selezione si svolge in due fasi. La prima fase prevede la verifica dei requisiti curriculari di accesso, secondo quanto previsto dal regolamento didattico e in seguito dettagliato. I candidati ammessi alla seconda fase verranno intervistati. Alla fine delle interviste, sarà stilata una graduatoria di accesso.
Sono ammessi automaticamente alla procedura di selezione al corso di Laurea magistrale in Data Science and Scientific Computing i candidati in possesso di tutti i seguenti requisiti:
a) un titolo di laurea (o di laurea ante riforma) o Diploma Universitario di durata triennale, ovvero di altro titolodi studio equivalente conseguito all'estero.
b) un voto di laurea almeno pari a 80/110.
c) almeno 60 cfu in uno o più dei seguenti ambiti disciplinari sotto specificati: matematica (MAT/*), informatica (INF/01), ingegneria dell'informazione (ING-INF/*), ingegneria industriale (ING-IND/*), ingegneria civile (ICAR/01-09), fisica (FIS/*), statistica e metodi matematici per le decisioni (SECS-S/*), economia e finanza (SECS-P01,05,08,09,11), chimica (CHIM/*), biologia molecolare e genetica (BIO/10, BIO/11, BIO/18), geofisica e fisica terrestre (GEO/10-12), di cui obbligatoriamente almeno 9 CFU in ambito matematico (MAT/*, SECS-S/06). Le conoscenze informatiche saranno verificate dalla presenza di CFU conseguiti in ambito informatico (INF/01, ING-INF/05), dal conseguimento di certificazioni ritenute idonee, o dalla verifica delle conoscenze durante il colloquio. Le conoscenze specifiche minime richieste per l'accesso nell'ambito dei settori sopra indicati saranno elencate in un syllabus apposito, e saranno accertati dalla Commissione per l'accesso durante la procedura di selezione.
c-bis) Lo studente ammesso, che non abbia conseguito almeno 21 CFU in ambito matematico-statistico (MAT/*, SECS-S/01,06), dovrà inserire nel piano di studi esami in tali settori per colmare eventuali lacune nella preparazione di base, in accordo con la commissione didattica del corso di studi. Similmente, studenti ammessi che non abbiano conseguito almeno 6 CFU in ambito informatico (INF/01, ING-INF/05) dovranno inserire in piano di studi corsi in tali ambiti per colmare la preparazione di base, sempre in accordo con la commissione didattica del CCS.
d) un’adeguata conoscenza della lingua inglese, certificata mediante il possesso di certificazione internazionalmente riconosciuta (livello B2 o equivalente), ovvero il superamento di un test di conoscenza della lingua inglese di livello B2.

La procedura di selezione, in capo alla Commissione per l'accesso si svolge in due fasi. La prima fase consta di una valutazione del curriculum e dei titoli. I candidati ammessi alla seconda fase verranno intervistati, in persona o per via telematica, qualora richiesto. L'intervista mira a verificare nel dettaglio l'effettiva competenza, preparazione e motivazione del candidato, ed è tenuta in lingua inglese. Durante il colloquio, sarà in ogni caso verificata l'effettiva conoscenza della lingua inglese. Ove ritenuto necessario, la commissione potrà richiedere l'effettuazione di una o più prove scritte e/o pratiche.

Prova Finale

La prova finale rappresenta un momento essenziale nel percorso formativo della laurea magistrale, in quanto permetterà al laureando non solo di applicare alcune metodologie apprese durante il corso, ma anche di sperimentare in pratica quali siano i problemi comunicativi e concettuali sottostanti la modellazione ed analisi di un problema complesso, in collaborazione con esperti del settore. Sarà anche un momento essenziale per perfezionare e fare propria l'idea di un uso integrato e flessibile delle metodologie e tecnologie computazionali, statistiche e matematiche fondanti del suo percorso di studi.
La prova finale consisterà in una tesi elaborata in modo originale sotto la guida di un relatore in cui il laureando affronterà un problema proposto da un laboratorio di ricerca o da un’azienda. Lo studente dovrà analizzare il problema, formalizzarlo, capire quali sono gli strumenti più efficaci per risolverlo, e presentare poi i risultati delle analisi in modo chiaro e comprensibile ad un pubblico non specialistico.

Modalità

La prova finale per il conseguimento del titolo di dottore magistrale in Data Science and Scientific Computing consiste nella preparazione di un elaborato, che proponga una soluzione originale ad un problema di natura scientifica o aziendale. L'elaborato deve inquadrare il problema affrontato all'interno del campo specifico ed essere corredato di una adeguata bibliografia.

La tesi viene svolta sotto la guida di un relatore, di norma un docente del corso di studi in Data Science and Scientific Computing. Possono esservi uno o più correlatori, anche non appartenenti al consiglio del Corso di Studi. La tesi potrà essere svolta presso un laboratorio di ricerca o un’azienda convenzionata.

La tesi sarà scritta e discussa in lingua inglese.

L'esame finale consiste in una discussione dell'elaborato, di fronte ad una Commissione nominata secondo le modalità specificate nel regolamento del Corso di Studi.

Il voto finale di Laurea Magistrale si basa sulla valutazione del curriculum degli studi, dei contenuti della Tesi, della sua presentazione e su ulteriori attività formative svolte dallo studente, secondo modalità dettagliate nel regolamento del Corso di Studi.

Esperto in Data Science

• Funzioni: L'esplosiva evoluzione tecnologica e l'avvento dirompente della quarta rivoluzione industriale stanno cambiando rapidamente e profondamente il tessuto economico e produttivo. Uno dei driver principali è l'enorme disponibilità di dati e il progresso delle tecniche di machine learning e di data analysis (MIUR, rapporto su big data: goo.gl/9LWHhC).
  L'impatto sul mercato del lavoro di questi cambiamenti riflette la sua natura data-driven: dall'ingegneria alla finanza, dall'entertainment ai servizi, esperti in data science e in data engineering sono sempre più richiesti in modo trasversale dal mercato, e questo trend si prevede stabilmente in crescita (World Economic Forum, the future of jobs: goo.gl/F7itAC, MIUR, rapporto su big data: goo.gl/9LWHhC).
  Queste figure professionali sono esperte nella gestione di dati di grandi dimensioni, hanno un'approfondita conoscenza di metodi statistici e di machine learning per l'analisi dei dati e l'estrazione e la visualizzazione di informazione e sono capaci altresì di dialogare con professionisti di altre discipline per affrontare in modo efficace e collaborativo la soluzione di problemi complessi. Esempi di ambiti in rapidissima espansione in cui queste competenze sono sempre più centrali includono business intelligence, smart cities, Internet of Things, smart health, fintech.
• Competenze: L'esperto in Data Science avrà accesso ad un parco di competenze teoriche ed esperienze pratiche che gli permetteranno di affrontare con successo le sfide del nuovo contesto lavorativo.
  La formazione teorico-metodologica è strutturata attorno a tre pilastri: modellazione matematica e simulazione, metodi statistici e di analisi dei dati e conoscenze tecnologiche ed algoritmiche di calcolo intensivo. A queste conoscenze metodologiche saranno affiancate competenze in uno o più domini applicativi.
  In particolare, l'esperto in Data Science avrà profonde competenze in metodi di data analysis per big data, sia di tipo più ingegneristico (gestione di grandi basi di dati) che di tipo più statistico e computazionale (machine learning). Queste saranno completate da competenze di natura più informatico-tecnologica (programmazione, HPC, cloud computing) e da competenze di modellazione numerica.
  Queste conoscenze formeranno delle solide basi concettuali per analizzare problemi complessi che coinvolgano l'analisi e la gestione di grandi moli di dati e proporre soluzioni che integrino in modo efficace questi strumenti.
  Tali abilità pratiche e l'attitudine al problem solving saranno sviluppate mediante un approccio didattico che complementerà formazione teorica con esercitazioni pratiche e computazionali, ed anche durante il lavoro di tirocinio e di tesi, in progetti applicativi anche di tipo aziendale.
  Il laureato svilupperà altresì buone capacità comunicative per interagire con altre figure professionali, capire i problemi proposti, e comunicare i risultati del suo lavoro, anche in contesto internazionale. Sarà capace di aggiornarsi in modo continuo sulle innovazioni tecnologiche e metodologiche e di proporre soluzioni innovative ed efficienti ai problemi proposti.
  Con tali competenze, il laureato magistrale potrà svolgere funzioni lavorative di elevata responsabilità in ambiti variegati, tra cui centri di ricerca, sviluppo e progettazione, sia pubblici che privati, sia in ambito tecnologico industriale che scientifico, società che forniscono servizi per il trattamento di grandi moli di dati, istituti finanziari o bancari, compagnie di assicurazioni, società di servizi e società di consulenza indipendente.
• Sbocco: - Aziende/ centri di ricerca che operano nel settore dell'elaborazione dell'informazione
  - Società ed enti pubblici coinvolte nella gestione di grandi moli di dati (per esempio: agenzia entrate, istat, poste, agenzie ambientali)
  - Laboratori di ricerca e sviluppo, pubblici e privati
  - Assicurazioni e istituzioni finanziarie
  - Industrie biomediche e farmaceutiche
  - Società di consulenza

Esperto in Computational Science and Engineering

• Funzioni: L'esplosiva evoluzione tecnologica e l'avvento dirompente della quarta rivoluzione industriale stanno cambiando rapidamente e profondamente il tessuto economico e produttivo, ed anche il modo in cui si fa ricerca scientifica e progettazione ingegneristica. L'integrazione di automazione, data science, intelligenza artificiale, robotica, internet of things sta alterando profondamente il tessuto produttivo ed il mondo dei servizi. Altrettanto profondo e rapido sarà l'impatto sul mercato del lavoro e sulle competenze richieste in modo trasversale, dall'ingegneria alla finanza, dall'entertainment ai servizi (World Economic Forum, the future of jobs: goo.gl/F7itAC).
  Diventa centrale in questo scenario la necessità di avere curriculum formativi flessibili ed innovativi, per produrre laureati capaci di muoversi agevolmente in questo contesto in mutazione. Laureati in grado di affrontare in squadra la progettazione di sistemi di elevatissima complessità dovranno necessariamente possedere una spiccata attitudine al problem solving, nonché solide competenze matematiche, informatiche e di data analytics.
  In questo contesto, continuerà a crescere d'importanza la cosiddetta Simulation-based Science and Engineering (http://goo.gl/R3Ln2), che fa della progettazione ed analisi in silico un elemento fondante. La figura dell'ingegnere matematico esperto in scientific computing guadagnerà momento. Inoltre, la capacità di formulare modelli matematici e di simularli dovrà sempre più integrarsi e fondersi con l'uso di metodi statistici per gestire la grande quantità di dati a disposizione (MIUR, rapporto su big data: goo.gl/9LWHhC), e con competenze in key technologies quali il calcolo intensivo (goo.gl/arve0P) .
  Questo impone la necessità di formare ingegneri esperti in queste tecnologie, competenti nella modellazione e simulazione matematica e in tecnologie innovative di data analytics, capaci altresì di dialogare con professionisti di altre discipline per affrontare la soluzione di problemi complessi, mediante un uso integrato e ponderato di questi strumenti. Esempi di ambiti in rapidissima espansione in cui queste competenze sono sempre più centrali sono ubiqui, qui citiamo a titolo di esempio self-driving cars, smart energy grids, Internet of Things, synthetic biology, smart health, nanomaterials.
• Competenze: L'esperto in Computational Science and Engineering avrà accesso ad un parco di competenze teoriche ed esperienze pratiche che gli permetteranno di affrontare con successo le sfide del nuovo contesto lavorativo.
  La formazione teorico-metodologica è strutturata attorno a tre pilastri: modellazione matematica e simulazione, metodi statistici e di analisi dei dati, e conoscenze tecnologiche ed algoritmiche di calcolo intensivo. A queste conoscenze metodologiche saranno affiancate conoscenze in uno o più domini applicativi della scienza e dell'ingegneria.
  In particolare, l'esperto in Computational Science and Engineering avrà solide competenze di calcolo scientifico, di modellizzazione numerica, di ottimizzazione, nonché solide competenze legate alla programmazione parallela e all'uso di diverse tipologie di risorse HPC e di data analytics.
  Queste conoscenze formeranno delle solide basi concettuali per analizzare problemi complessi e proporre soluzioni che integrino in modo efficace questi strumenti.
  Tali abilità pratiche e l'attitudine al problem solving saranno sviluppate mediante un approccio didattico che complementerà formazione teorica con esercitazioni pratiche e computazionali, ed anche durante il lavoro di tirocinio e di tesi, in progetti applicativi anche di tipo aziendale.
  Il laureato svilupperà altresì buone capacità comunicative per interagire con altre figure professionali, capire i problemi proposti, e comunicare i risultati del suo lavoro, anche in contesto internazionale. Sarà capace di aggiornarsi in modo continuo sulle innovazioni tecnologiche e metodologiche e di proporre soluzioni innovative ed efficienti ai problemi proposti.
  Con tali competenze, il laureato magistrale potrà svolgere funzioni lavorative di elevata responsabilità in ambiti variegati, tra cui centri di ricerca, sviluppo e progettazione, sia pubblici che privati, sia in ambito tecnologico industriale che scientifico, laboratori di calcolo, istituti finanziari o bancari, compagnie di assicurazioni, società di servizi, e società di consulenza indipendente.
• Sbocco: - Aziende/ centri di ricerca che operano nel settore dell'elaborazione dell'informazione
  - Centri di calcolo
  - Laboratori di ricerca e sviluppo, pubblici e privati
  - Assicurazioni e finanza
  - Ingegneria computazionale (simulation-based engineering)
  - Società informatiche che producono software tecnico scientifico
  - Industrie biomediche e farmaceutiche
  - Società di consulenza