Tecnologie digitali per le organizzazioni
A.A. 2022/2023
Learning objectives
L'insegnamento ha il duplice obiettivo di 1) familiarizzare gli studenti con tecnologie professionali e di ampio utilizzo per l'organizzazione, l'analisi e la visualizzazione di dati strutturati; 2) introdurre alla logica e all'uso di sequenze di comandi e costrutti di controllo (scripting) per l'analisi di dati.
Più in dettaglio, il corso ha i seguenti obiettivi:
1) Introdurre gli studenti all'analisi di dati per le Scienze Sociali e alle tecnologie open source;
2) Apprendere i principi di analisi di dati con R: linguaggio R, librerie, RStudio;
3) Imparare i principi della logica computazionale con tecnologie a linea di comando;
4) Apprendere i passi fondamentali per l'analisi dei dati: operazioni di data tidying e trasformazione;
5) Introdurre ai principi di visualizzazione di dati e delle principali tipologie di grafici (scatterplot, lineplot, bar chart, istogrammi, boxplot, marginals e varianti) attraverso l'uso della libreria ggplot2;
6) Introdurre all'uso di open data con esercizi utilizzando dati nel pubblico dominio di medio-bassa complessità;
7) Utilizzo di testi e documentazione tecnica in formato open, online e in lingua inglese.
Più in dettaglio, il corso ha i seguenti obiettivi:
1) Introdurre gli studenti all'analisi di dati per le Scienze Sociali e alle tecnologie open source;
2) Apprendere i principi di analisi di dati con R: linguaggio R, librerie, RStudio;
3) Imparare i principi della logica computazionale con tecnologie a linea di comando;
4) Apprendere i passi fondamentali per l'analisi dei dati: operazioni di data tidying e trasformazione;
5) Introdurre ai principi di visualizzazione di dati e delle principali tipologie di grafici (scatterplot, lineplot, bar chart, istogrammi, boxplot, marginals e varianti) attraverso l'uso della libreria ggplot2;
6) Introdurre all'uso di open data con esercizi utilizzando dati nel pubblico dominio di medio-bassa complessità;
7) Utilizzo di testi e documentazione tecnica in formato open, online e in lingua inglese.
Expected learning outcomes
Lo studente dovrà essere in grado di comprendere il significato e gli effetti di comandi in serie per l'organizzazione, l'analisi e la visualizzazione di dati. Dovrà essere in grado di realizzare gli script corrispondenti a richieste di selezione, manipolazione e visualizzazione rispetto a dataset predefiniti. Dovrà essere inoltre in grado di interpretare e correggere errori di sintassi e semantica nell'uso del linguaggio di specifica dei comandi. Dovrà infine essere in grado presentare argomentazioni circa le possibilità di analisi di dataset predefiniti, i risultati attesi o ottenibili dallo strumento utilizzato e le potenziali applicazioni.
Periodo: Primo trimestre
Modalità di valutazione: Esame
Giudizio di valutazione: voto verbalizzato in trentesimi
Corso singolo
Questo insegnamento non può essere seguito come corso singolo. Puoi trovare gli insegnamenti disponibili consultando il catalogo corsi singoli.
Course syllabus and organization
Edizione unica
Responsabile
Periodo
Primo trimestre
Programma
1. Introduzione alla data science per le Scienze Sociali
2. Open Data, Open Access, Open Source
3. Il linguaggio R e il programma RStudio
4. Il processo di analisi dei dati: data import, tidy, transformation e visualization
5. La fase di Data Tidy: discussione, funzioni, esempi, esercizi
6. La fase di Data Transformation: discussione, funzioni, esempi, esercizi
7. La fase di Data Visualization: discussione, funzioni, esempi, esercizi
8. Casi avanzati (cenni) e note finali
Lo studio sarà fortemente orientato ad esercitarsi con casi ricavati da Open Data pubblicamente disponibili, in aggiunta a esercitazioni di tipo più didattico presenti nel testi utilizzati. Dati ed esercizi da Open Data verranno sia discussi a lezione sia assegnati come lavoro da svolgere in autonomia. Svolgere numerosi esercizi è parte indispensabile della preparazione richiesta.
2. Open Data, Open Access, Open Source
3. Il linguaggio R e il programma RStudio
4. Il processo di analisi dei dati: data import, tidy, transformation e visualization
5. La fase di Data Tidy: discussione, funzioni, esempi, esercizi
6. La fase di Data Transformation: discussione, funzioni, esempi, esercizi
7. La fase di Data Visualization: discussione, funzioni, esempi, esercizi
8. Casi avanzati (cenni) e note finali
Lo studio sarà fortemente orientato ad esercitarsi con casi ricavati da Open Data pubblicamente disponibili, in aggiunta a esercitazioni di tipo più didattico presenti nel testi utilizzati. Dati ed esercizi da Open Data verranno sia discussi a lezione sia assegnati come lavoro da svolgere in autonomia. Svolgere numerosi esercizi è parte indispensabile della preparazione richiesta.
Prerequisiti
Lettura e comprensione testi tecnici in inglese: conoscenza di base.
Uso di base di un personal computer e rete internet (es. creazione e gestione di file, cartelle, regole per i nomi dei file, installazione guidata di un programma, uso di browser e motori di ricerca, etc.) .
Uso di base di un personal computer e rete internet (es. creazione e gestione di file, cartelle, regole per i nomi dei file, installazione guidata di un programma, uso di browser e motori di ricerca, etc.) .
Metodi didattici
Metodi didattici
Le lezioni sono di tipo frontale. È utile avere un proprio laptop per seguire gli esempi e le esercitazioni discusse in aula.
Le lezioni sono di tipo frontale. È utile avere un proprio laptop per seguire gli esempi e le esercitazioni discusse in aula.
Materiale di riferimento
Tutto il materiale di riferimento (libri, siti web, software) sarà disponibile gratuitamente online (open access, open source).
I testi che saranno indicati hanno ampia diffusione internazionale in insegnamenti paragonabili. La lingua sarà l'inglese.
L'elenco dei riferimenti viene fornito durante la prima lezione.
I testi che saranno indicati hanno ampia diffusione internazionale in insegnamenti paragonabili. La lingua sarà l'inglese.
L'elenco dei riferimenti viene fornito durante la prima lezione.
Modalità di verifica dell’apprendimento e criteri di valutazione
L'esame è esclusivamente scritto con esercitazioni che richiedono l'uso del pc e dei software utilizzati durante il corso.
Non sono previste prove intermedie.
La valutazione si baserà sul grado di comprensione della logica computazionale, della familiarità raggiunta nell'analisi dei dati e nell'uso delle tecnologie impiegate durante il corso.
Non sono previste prove intermedie.
La valutazione si baserà sul grado di comprensione della logica computazionale, della familiarità raggiunta nell'analisi dei dati e nell'uso delle tecnologie impiegate durante il corso.
Educational website(s)
Professor(s)
Ricevimento:
da concordare
online