Obiettivi Formativi

Apprendimento dei principali metodi per l'analisi di grandi quantità di dati. Offrire una nuova prospettiva sul mondo dei dati e il loro potere informativo orientato ai professionisti della conoscenza, come comunicatori e giornalisti, per consentire loro di sapere dove trovarli e come analizzarli al fine di utilizzarli per estrarne comprensione e significato. Le novità principali che si stanno sviluppando in questo ambito risiedono proprio nelle modalità di ricerca, analisi e design utilizzate per estrarre contenuti dai dati e trasformarli in informazione. Imparare a interpretare i dati affinché siano non più solamente sequenze alfanumeriche, ma sistemi comprensibili nei quali si possano leggere differenze, tendenze, correlazioni, imperfezioni e persino sfumature di significato. Il modulo di Social Web Management (6 CFU) si pone l’obiettivo id fornire le competenze utili alla progettazione e alla gestione efficace di canali comunicativi digitali quali ad esempio il Web 2.0, i Social Media e i canali tradizionali dell'editoria multimediale.

Learning Goals

Students will be introduced to the main methods for analyzing large amounts of data. The module will offer a new perspective on the world of data and their information power oriented to knowledge professionals, such as communicators and journalists, to allow them to know where to find and how to analyze data in order to extract understanding and meaning. The main innovations that are being developed in this area lie precisely in the research, analysis and design methods used to extract content from data and transform it into information. Learn to interpret the data so that they are no longer just alphanumeric sequences, but understandable systems in which you can read differences, trends, correlations, imperfections and even nuances of meaning. The Social Web Management module (6 CFU) aims at providing the skills for the design and the effective management of digital communication channels such as the Web 2.0, Social Media and traditional channels of multimedia publishing.

Metodi didattici

Il corso è articolato in lezioni frontali teoriche e pratiche, con applicazioni su grandi basi di dati. A questo scopo, vengono utilizzati specifici package open source, resi disponibili sulla piattaforma online di Team.

Teaching Methods

Lectures deal with theoretical topics and related applications on large dataset. A support of "open source" packages, available the Team’s online platform, will be provided to students.

Prerequisiti

Conoscenze di Base della Statistica Sociale. Lo studente deve avere familiarità con le moderne piattaforme di produzione e disseminazione dei contenuti nel Web 2.0.

Prerequisites

Basic knowledge about Social Statistics. The student has to be familiar with modern platforms for the production and dissemination of contents in the Web 2.0

Verifiche dell'apprendimento

Colloquio orale sugli argomenti trattati nei testi in programma, nelle date riportate sul calendario degli appelli degli esami.

Assessment

An oral exam focusing on the main themes of the course programme on the dates indicated in the exam schedule.

Programma del Corso

------------------------------------------------------------ Modulo: A000120 - WEB 3.0 E SOCIAL MEDIA ------------------------------------------------------------ MODULO WEB 3.0 E SOCIAL MEDIA Il corso si compone di due parti. La prima parte ha per oggetto la Network Analysis. Verranno definiti gli obiettivi della Network Analysis e successivamente sarà illustrata la nozione di connettività di rete. Saranno in seguito introdotti i metodi per quantificare l’importanza di un nodo in una rete. La seconda parte riguarda il Machine Learning . Saranno considerate sia le tecniche di apprendimento supervisionato che quelle non supervisionate. Saranno discussi i modelli predittivi e le metriche per valutare la qualità di un modello. Introdurremo il pacchetto scikt-learn. ------------------------------------------------------------ Modulo: A000121 - ANALISI DEI BIG DATA ------------------------------------------------------------ MODULO DI “ANALISI DEI BIG DATA” Negli ultimi decenni, lo sviluppo delle reti di comunicazione, dei social media e la diffusione di un certo livello di conoscenza informatica di base ha contribuito a produrre un vertiginoso scambio di informazioni, soprattutto in rete. Circostanza, questa che ha portato all’accumulo di dati e all’elaborazione di grandi dataset di dimensioni impensabili fino a poco tempo fa. Come conseguenza, dall’approccio tradizionale all’analisi inferenziale dei dati, valida per campioni caratterizzati da un gran numero di osservazioni ricavate da piani di campionamento affidabili, si passa a un contesto in cui la composizione campionaria è caratterizzata, oltre che da molte osservazioni (ma “qualitativamente” scadenti), anche da molte variabili. Inoltre, mentre nel recente passato problemi quali la gestione della distorsione da mancate risposte veniva risolta appoggiandosi sulla qualità complessiva della rilevazione campionaria, ora le tecniche tradizionali di imputazione di dati mancanti o di post-stratificazione diventano sempre più difficili da applicare in presenza di dati eterogenei, non rilevati su base probabilistica e fortemente selezionati; caratterizzati, inoltre, da una pletora di variabili spesso ridondanti (“maledizione” della multidimensionalità). Pertanto, gestione delle informazioni mancanti e problemi derivanti dalla multidimensionalità sono due fra gli aspetti salienti dell’analisi statistica riferita a grandi dataset. Tali aspetti verranno discussi e analizzati nel presente corso di Analisi dei Big data. Il programma del corso, pertanto, è incentrato, in una fase iniziale, sulla conoscenza degli strumenti basilari di analisi in ambito sociale, principalmente con dati raccolti tramite questionario o intervista: Strumenti di misurazione in ambito sociale: scale di misura, differenze individuali, correlazione, regressione lineare e discreta. Affidabilità e validità di uno strumento di misura (ad esempio, un questionario, un test di profitto etc.). In una seconda fase, verranno discussi i problemi derivanti dalla “cattiva” qualità dei dati, tipica conseguenza delle rilevazioni su larga scala: Errori di misurazione: errori di rilevazione campionaria, di risposta, errori nella costruzione di un test o di un questionario. Infine, in una terza fase, verranno affrontati i problemi di natura inferenziale che caratterizzano I dataset con le caratteristiche tipiche dei Big Data. Big Data: informazione, tecnologia, metodi e impatto. Problemi connessi alla multidimensionalità.

Course Syllabus

------------------------------------------------------------ Modulo: A000120 - WEB 3.0 E SOCIAL MEDIA ------------------------------------------------------------ MODULE WEB 3.0 AND SOCIAL MEDIA The course consists of two parts. The first part is about Network Analysis. We first define the purposes of Network Analysis and we then illustrate the notion of network connectivity. We will then considering methods to measure the importance of nodes in networks. The second part is about Machine Learning. We will consider both supervised and unsupervised learning techniques. We will discuss predictive models and metrics to assess the quality of a model. We will introduce the scikt-learn package. ------------------------------------------------------------ Modulo: A000121 - ANALISI DEI BIG DATA ------------------------------------------------------------ MODULE “BIG DATA ANALYTICS” In last decades, the development of communication networks, social media and basic computer knowledge has contributed to develop a dizzying exchange of information, especially online. This is a circumstance that has led to the accumulation of data and to process large datasets whose dimensions were unthinkable until recently. As a consequence, the statistical analysis moved from the traditional approach to data inferential analysis based on the reliable sampling plans to a context in which the sample composition is characterized, as well as by many observations (but "qualitatively" poor), also by many variables. Furthermore, while in the recent past problems such as the management of non-response bias was solved by relying on the overall quality of the sample survey, now traditional missing data imputation or post-stratification techniques become difficult to apply in the presence of heterogeneous data, not detected on probabilistic basis and strongly selected. In addition, these data are often characterized by a plethora of redundant variables (“curse” of multidimensionality). Therefore, management of missing information and problems arising from multidimensionality are two of the salient aspects of statistical analysis referring to large datasets. These aspects will be discussed and analyzed in our Big Data Analysis course. Â The course program, therefore, focuses, in an initial phase, on the knowledge of the basic tools of analysis in the social field, mainly with data collected through questionnaire or interview: Measurement instruments in the social field: measurement scales, individual differences, correlation , linear and discrete regression. Reliability and validity of a measuring instrument (for example, a questionnaire, a profit test, etc.). In a second phase, the problems arising from the "bad" quality of the data will be discussed, as a typical consequence of large-scale surveys: Measurement errors: errors in sampling, missing responses, errors in the construction of a test or questionnaire. Finally, in a third phase, the problems of an inferential nature that characterize large dataset with the typical characteristics of Big Data. Big Data: information, technology, methods and impact. Problems related to multidimensionality.