Genoveffa TORTORA | IOT DATA ANALYTICS (ENGLISH)

cod. 0522500131

IOT DATA ANALYTICS (ENGLISH)

	0522500131
	DIPARTIMENTO DI INFORMATICA
	CORSO DI LAUREA MAGISTRALE
	INFORMATICA
	2019/2020

CURRICULUM DATA SCIENCE & MACHINE LEARNING

	ANNO CORSO 1
	ANNO ORDINAMENTO 2016
	SECONDO SEMESTRE

MODULI

	SSD	CFU	ORE	ATTIVITÀ	TIPO DI ATTIVITÁ FORMATIVA
	INF/01	9	45	LEZIONE	CARATTERIZZANTE

DOCENTI

	GIUSEPPE POLESE T Curriculum
	GENOVEFFA TORTORA Curriculum

	Obiettivi
	L’OBIETTIVO FORMATIVO DELL’INSEGNAMENTO È QUELLO DI FORNIRE LE COMPETENZE METODOLOGICHE E TECNOLOGICHE NECESSARIE PER ANALIZZARE IN TEMPO REALE ENORMI FLUSSI DI DATI SCAMBIATI CON DISPOSITIVI IOT. IN SOSTANZA, SI INTENDONO INTEGRARE CONOSCENZE DI DATA MANAGEMENT ACQUISITE NELL’AMBITO DEL CORSO DI BASI DI DATI DELLA LAUREA TRIENNALE CON COMPETENZE INERENTI L’ESTRAZIONE DI DATI SENSORISTICI, IL CONTROLLO DELLA LORO QUALITÀ, I MODELLI ANALITICI E LE TECNICHE DI MACHINE LEARNING PER IOT, AL FINE DI FORNIRE LE BASI PER LO SVOLGIMENTO DELLA PROFESSIONE DEL DATA SCIENTIST FOR IOT (IOT ANALYST). CONOSCENZA E CAPACITÀ DI COMPRENSIONE (KNOWLEDGE AND UNDERSTANDING): FAR ACQUISIRE ALLO STUDENTE CONOSCENZE SUI MODELLI E SULLE TECNOLOGIE PER LA GESTIONE DI GRANDI FLUSSI DI DATI PROVENIENTI DA SENSORI O DATI SCAMBIATI CON DISPOSITIVI IOT DI VARIO GENERE, AL FINE DI CONSENTIRE ANALISI UTILI PER UNA GESTIONE OTTIMALE DI PROCESSI PRODUTTIVI E DI RETI TECNOLOGICHE. IN PARTICOLARE, IL CORSO MIRA A SVILUPPARE NELLO STUDENTE LE SEGUENTI CONOSCENZE: - ELABORAZIONE DI DATI SENSORISTICI - EDGE PROCESSING - DATA QUALITY E DATA PRE-PROCESSING PER IOT - MODELLI ANALITICI PER IOT - MACHINE LEARNING PER IOT - SEQUENCE DATA MINING - REAL TIME PROCESSING IN IOT - CONCETTI DI DATA PRIVACY PER IOT - TECNICHE DI ML PER L’ADDESTRAMENTO MACHINE TO MACHINE CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE (APPLYING KNOWLEDGE AND UNDERSTANDING): IL MODULO CORSO MIRA A SVILUPPARE NELLO STUDENTE LE SEGUENTI CAPACITÀ: • SAPER ACQUISIRE, GESTIRE ED ELABORARE GRANDI FLUSSI DI DATI SCAMBIATI CON DISPOSITIVI IOT • SAPER ANALIZZARE E MIGLIORARE IN TEMPO REALE LA QUALITÀ DI DATI SCAMBIATI CON DISPOSITIVI IOT • SAPER SELEZIONARE LE TECNICHE DI ANALISI E DI MACHINE LEARNING PIÙ IDONEE PER L’ANALISI DI DATI SENSORISTICI E DI DISPOSITIVI IOT • SAPER APPLICARE TECNICHE DI ADDESTRAMENTO MACHINE TO MACHINE.

L’OBIETTIVO FORMATIVO DELL’INSEGNAMENTO È QUELLO DI FORNIRE LE COMPETENZE METODOLOGICHE E TECNOLOGICHE NECESSARIE PER ANALIZZARE IN TEMPO REALE ENORMI FLUSSI DI DATI SCAMBIATI CON DISPOSITIVI IOT. IN SOSTANZA, SI INTENDONO INTEGRARE CONOSCENZE DI DATA MANAGEMENT ACQUISITE NELL’AMBITO DEL CORSO DI BASI DI DATI DELLA LAUREA TRIENNALE CON COMPETENZE INERENTI L’ESTRAZIONE DI DATI SENSORISTICI, IL CONTROLLO DELLA LORO QUALITÀ, I MODELLI ANALITICI E LE TECNICHE DI MACHINE LEARNING PER IOT, AL FINE DI FORNIRE LE BASI PER LO SVOLGIMENTO DELLA PROFESSIONE DEL DATA SCIENTIST FOR IOT (IOT ANALYST).

CONOSCENZA E CAPACITÀ DI COMPRENSIONE (KNOWLEDGE AND UNDERSTANDING):
FAR ACQUISIRE ALLO STUDENTE CONOSCENZE SUI MODELLI E SULLE TECNOLOGIE PER LA GESTIONE DI GRANDI FLUSSI DI DATI PROVENIENTI DA SENSORI O DATI SCAMBIATI CON DISPOSITIVI IOT DI VARIO GENERE, AL FINE DI CONSENTIRE ANALISI UTILI PER UNA GESTIONE OTTIMALE DI PROCESSI PRODUTTIVI E DI RETI TECNOLOGICHE. IN PARTICOLARE, IL CORSO MIRA A SVILUPPARE NELLO STUDENTE LE SEGUENTI CONOSCENZE:
- ELABORAZIONE DI DATI SENSORISTICI
- EDGE PROCESSING
- DATA QUALITY E DATA PRE-PROCESSING PER IOT
- MODELLI ANALITICI PER IOT
- MACHINE LEARNING PER IOT
- SEQUENCE DATA MINING
- REAL TIME PROCESSING IN IOT
- CONCETTI DI DATA PRIVACY PER IOT
- TECNICHE DI ML PER L’ADDESTRAMENTO MACHINE TO MACHINE

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE (APPLYING KNOWLEDGE AND UNDERSTANDING):

IL MODULO CORSO MIRA A SVILUPPARE NELLO STUDENTE LE SEGUENTI CAPACITÀ:

• SAPER ACQUISIRE, GESTIRE ED ELABORARE GRANDI FLUSSI DI DATI SCAMBIATI CON DISPOSITIVI IOT
• SAPER ANALIZZARE E MIGLIORARE IN TEMPO REALE LA QUALITÀ DI DATI SCAMBIATI CON DISPOSITIVI IOT
• SAPER SELEZIONARE LE TECNICHE DI ANALISI E DI MACHINE LEARNING PIÙ IDONEE PER L’ANALISI DI DATI SENSORISTICI E DI DISPOSITIVI IOT
• SAPER APPLICARE TECNICHE DI ADDESTRAMENTO MACHINE TO MACHINE.

	Prerequisiti
	LO STUDENTE DEVE CONOSCERE I FONDAMENTI DI DATA MANAGEMENT, SISTEMI DISTRIBUITI, PARADIGMA AD OGGETTI ED UN LINGUAGGIO DI PROGRAMMAZIONE.

	Contenuti
	DOPO UNA PANORAMICA SUI SISTEMI IOT E SUI NUOVI SCENARI APPLICATIVI LEGATI ALLA GESTIONE DI GRANDI SEQUENZE DI DATI PROVENIENTI DA DISPOSITIVI IOT, IL CORSO SI CONCENTRERÀ SUI SEGUENTI ARGOMENTI: BIG DATA (2 ORE DI TEORIA) • PROBLEMATICHE DI BIG DATA (1 ORA DI TEORIA) • TECNOLOGIE DI SUPPORTO AI BIG DATA (1 ORA DI TEORIA) ELABORAZIONE DI DATI IOT (4 ORE DI TEORIA) • ESTRAZIONE DI DATI IOT (2 ORE DI TEORIA) • CONTROLLO DELLA QUALITÀ DEI DATI IOT (2 ORE DI TEORIA) MINING DI SEQUENZE IN TEMPO REALE (16 ORE DI TEORIA) • IL MODELLO DATA STREAM (1 ORA DI TEORIA) • CAMPIONAMENTO DEI DATI IN UNO STREAM (2 ORE DI TEORIA) • FILTRAGGIO DI STREAM: IL FILTRO DI BLOOM (2 ORE DI TEORIA) • CONTEGGIO DI ELEMENTI DISTINTI IN UNO STREAM (2 ORE DI TEORIA) • STIMA DEI MOMENTI (2 ORE DI TEORIA) • CONTEGGIO DI ELEMENTI IN UNA FINESTRA DI UNO STREAM (2 ORE DI TEORIA) • FINESTRE DECADENTI (2 ORE DI TEORIA) • MINING DI PATTERN SEQUENZIALI (3 ORE DI TEORIA) MACHINE LEARNING PER IOT (18 ORE DI TEORIA) • CARATTERIZZAZIONE DEI SISTEMI DI MACHINE LEARNING (2 ORE DI TEORIA) • GESTIONE DI UN PROGETTO DI MACHINE LEARNING (6 ORE DI TEORIA) • ALBERI DI DECISIONE (2 ORE DI TEORIA) • ENSEMLE LEARNING AND RANDOM FOREST (2 ORE DI TEORIA) • ONLINE LEARNING (2 ORE DI TEORIA) • RETI NEURALI (4 ORE DI TEORIA) LABORATORIO (5 ORE DI LABORATORIO) • IL LINGUAGGIO PYTHON (3 ORE DI LABORATORIO) • WEKA (2 ORE DI LABORATORIO)

Contenuti

DOPO UNA PANORAMICA SUI SISTEMI IOT E SUI NUOVI SCENARI APPLICATIVI LEGATI ALLA GESTIONE DI GRANDI SEQUENZE DI DATI PROVENIENTI DA DISPOSITIVI IOT, IL CORSO SI CONCENTRERÀ SUI SEGUENTI ARGOMENTI:

BIG DATA (2 ORE DI TEORIA)
• PROBLEMATICHE DI BIG DATA (1 ORA DI TEORIA)
• TECNOLOGIE DI SUPPORTO AI BIG DATA (1 ORA DI TEORIA)

ELABORAZIONE DI DATI IOT (4 ORE DI TEORIA)
• ESTRAZIONE DI DATI IOT (2 ORE DI TEORIA)
• CONTROLLO DELLA QUALITÀ DEI DATI IOT (2 ORE DI TEORIA)

MINING DI SEQUENZE IN TEMPO REALE (16 ORE DI TEORIA)
• IL MODELLO DATA STREAM (1 ORA DI TEORIA)
• CAMPIONAMENTO DEI DATI IN UNO STREAM (2 ORE DI TEORIA)
• FILTRAGGIO DI STREAM: IL FILTRO DI BLOOM (2 ORE DI TEORIA)
• CONTEGGIO DI ELEMENTI DISTINTI IN UNO STREAM (2 ORE DI TEORIA)
• STIMA DEI MOMENTI (2 ORE DI TEORIA)
• CONTEGGIO DI ELEMENTI IN UNA FINESTRA DI UNO STREAM (2 ORE DI TEORIA)
• FINESTRE DECADENTI (2 ORE DI TEORIA)
• MINING DI PATTERN SEQUENZIALI (3 ORE DI TEORIA)

MACHINE LEARNING PER IOT (18 ORE DI TEORIA)
• CARATTERIZZAZIONE DEI SISTEMI DI MACHINE LEARNING (2 ORE DI TEORIA)
• GESTIONE DI UN PROGETTO DI MACHINE LEARNING (6 ORE DI TEORIA)
• ALBERI DI DECISIONE (2 ORE DI TEORIA)
• ENSEMLE LEARNING AND RANDOM FOREST (2 ORE DI TEORIA)
• ONLINE LEARNING (2 ORE DI TEORIA)
• RETI NEURALI (4 ORE DI TEORIA)

LABORATORIO (5 ORE DI LABORATORIO)
• IL LINGUAGGIO PYTHON (3 ORE DI LABORATORIO)
• WEKA (2 ORE DI LABORATORIO)

	Metodi Didattici
	L’INSEGNAMENTO PREVEDE 40 ORE DI DIDATTICA FRONTALE E 5 ORE SU LINGUAGGI E STRUMENTI APPLICATIVI, CON L’OBIETTIVO DI PRESENTARE I CONCETTI E SVILUPPARE CAPACITÀ DI PROGETTARE ED IMPLEMENTARE SOLUZIONI PER L’ANALISI IN TEMPO REALE DI SEQUENZE DI DATI PROVENIENTI DA SISTEMI E DISPOSITIVI IOT. GLI ARGOMENTI DEL PROGRAMMA VENGONO PRESENTATI CON L’AUSILIO DI PRESENTAZIONI POWERPOINT, STIMOLANDO DISCUSSIONI CRITICHE CON LA CLASSE. PER OGNI ARGOMENTO TRATTATO, VENGONO ILLUSTRATI POSSIBILI TASK CHE POSSONO ESSERE OGGETTO DI UN PROGETTO DI CORSO DA PARTE DI UNO O PIÙ STUDENTI. PER QUANTO RIGUARDA GLI STRUMENTI APPLICATIVI, OLTRE ALL’UTILIZZO DI PRESENTAZIONI POWERPOINT, ATTRAVERSO LE QUALI VENGONO PRESENTATI CONCETTI ED EVENTUALI LINK A FORUM, MANUALI E SITI DI APPROFONDIMENTO, VIENE PERMESSO AGLI STUDENTI DI EFFETTUARE SIMULAZIONI AL COMPUTER, CHIEDERE CHIARIMENTI E RISOLVERE EVENTUALI PROBLEMI TECNICI INSIEME AL DOCENTE.

Metodi Didattici

L’INSEGNAMENTO PREVEDE 40 ORE DI DIDATTICA FRONTALE E 5 ORE SU LINGUAGGI E STRUMENTI APPLICATIVI, CON L’OBIETTIVO DI PRESENTARE I CONCETTI E SVILUPPARE CAPACITÀ DI PROGETTARE ED IMPLEMENTARE SOLUZIONI PER L’ANALISI IN TEMPO REALE DI SEQUENZE DI DATI PROVENIENTI DA SISTEMI E DISPOSITIVI IOT. GLI ARGOMENTI DEL PROGRAMMA VENGONO PRESENTATI CON L’AUSILIO DI PRESENTAZIONI POWERPOINT, STIMOLANDO DISCUSSIONI CRITICHE CON LA CLASSE. PER OGNI ARGOMENTO TRATTATO, VENGONO ILLUSTRATI POSSIBILI TASK CHE POSSONO ESSERE OGGETTO DI UN PROGETTO DI CORSO DA PARTE DI UNO O PIÙ STUDENTI. PER QUANTO RIGUARDA GLI STRUMENTI APPLICATIVI, OLTRE ALL’UTILIZZO DI PRESENTAZIONI POWERPOINT, ATTRAVERSO LE QUALI VENGONO PRESENTATI CONCETTI ED EVENTUALI LINK A FORUM, MANUALI E SITI DI APPROFONDIMENTO, VIENE PERMESSO AGLI STUDENTI DI EFFETTUARE SIMULAZIONI AL COMPUTER, CHIEDERE CHIARIMENTI E RISOLVERE EVENTUALI PROBLEMI TECNICI INSIEME AL DOCENTE.

	Verifica dell'apprendimento
	IL RAGGIUNGIMENTO DEGLI OBIETTIVI DELL’INSEGNAMENTO E CERTIFICATO MEDIANTE IL SUPERAMENTO DI UN ESAME CON VALUTAZIONE IN TRENTESIMI. L'ESAME PREVEDE UNA PROVA SCRITTA (SI PUÒ ESSERE ESONERATI SUPERANDO TRAMITE UNA PROVA IN ITINERE), LO SVILUPPO DI UN PROGETTO ED UNA PROVA ORALE. LA PROVA SCRITTA (O QUELLA IN ITINERE) È FINALIZZATA AD ACCERTARE L’ACQUISIZIONE DEI CONCETTI TEORICI PRESENTATI DURANTE IL CORSO. IL PROGETTO È FINALIZZATO AD ACCERTARE LA CAPACITA DI APPLICARE LE CONOSCENZE ACQUISITE. ESSO PUÒ ESSERE SVOLTO INDIVIDUALMENTE O IN GRUPPI DI MASSIMO 3 PERSONE, SCEGLIENDO LA TEMATICA TRA UN VENTAGLIO DI PROPOSTE FATTE DAI DOCENTI. DURANTE LO SVOLGIMENTO DEL PROGETTO GLI STUDENTI DOVRANNO INTERAGIRE CON I DOCENTI AL FINE DI COMUNICARE GLI STATI DI AVANZAMENTO DELLO STESSO E LE EVENTUALI CRITICITÀ EMERSE, CONCORDANDO OBIETTIVI E MODALITÀ DI PROSECUZIONE DEL PROGETTO. AL TERMINE, GLI STUDENTI DEVONO CONSEGNARE AI DOCENTI UNA TESINA CONTENENTE LA DOCUMENTAZIONE DI PROGETTO, OLTRE AD UNA PRESENTAZIONE POWERPOINT DELLA DURATA DI CIRCA 30 MINUTI. SUCCESSIVAMENTE AL SUPERAMENTO DELLA PROVA SCRITTA (O DELLA PROVA IN ITINERE) ED ALLA PRESENTAZIONE DEL PROGETTO, GLI STUDENTI DEVONO SOSTENERE UNA PROVA ORALE INDIVIDUALE. TALE PROVA CONSISTE IN UN COLLOQUIO CON DOMANDE E DISCUSSIONI SUI CONTENUTI TEORICI E METODOLOGICI TRATTATI A LEZIONE ED E FINALIZZATA AD ACCERTARE LA CAPACITA DI CONOSCENZA E COMPRENSIONE, NONCHÉ LA CAPACITA DI ESPOSIZIONE DEI CONCETTI. LA PROVA ORALE PUÒ ESSERE SVOLTA NELLA STESSA DATA DELLA PRESENTAZIONE DEL PROGETTO, OPPURE IN ALTRA DATA CHE I SINGOLI MEMBRI DEL GRUPPO POSSONO CONCORDARE CON I DOCENTI. IL VOTO FINALE SCATURISCE, GENERALMENTE, DALLA MEDIA PESATA DEI VOTI IN TRENTESIMI CONSEGUITI IN CIASCUNA DELLE TRE PROVE, 30% PER LA PROVA SCRITTA (OD IN ITINERE) 40% PER IL PROGETTO E 30% PER LA PROVA ORALE.

Verifica dell'apprendimento

IL RAGGIUNGIMENTO DEGLI OBIETTIVI DELL’INSEGNAMENTO E CERTIFICATO MEDIANTE IL SUPERAMENTO DI UN ESAME CON VALUTAZIONE IN TRENTESIMI. L'ESAME PREVEDE UNA PROVA SCRITTA (SI PUÒ ESSERE ESONERATI SUPERANDO TRAMITE UNA PROVA IN ITINERE), LO SVILUPPO DI UN PROGETTO ED UNA PROVA ORALE. LA PROVA SCRITTA (O QUELLA IN ITINERE) È FINALIZZATA AD ACCERTARE L’ACQUISIZIONE DEI CONCETTI TEORICI PRESENTATI DURANTE IL CORSO. IL PROGETTO È FINALIZZATO AD ACCERTARE LA CAPACITA DI APPLICARE LE CONOSCENZE ACQUISITE. ESSO PUÒ ESSERE SVOLTO INDIVIDUALMENTE O IN GRUPPI DI MASSIMO 3 PERSONE, SCEGLIENDO LA TEMATICA TRA UN VENTAGLIO DI PROPOSTE FATTE DAI DOCENTI. DURANTE LO SVOLGIMENTO DEL PROGETTO GLI STUDENTI DOVRANNO INTERAGIRE CON I DOCENTI AL FINE DI COMUNICARE GLI STATI DI AVANZAMENTO DELLO STESSO E LE EVENTUALI CRITICITÀ EMERSE, CONCORDANDO OBIETTIVI E MODALITÀ DI PROSECUZIONE DEL PROGETTO. AL TERMINE, GLI STUDENTI DEVONO CONSEGNARE AI DOCENTI UNA TESINA CONTENENTE LA DOCUMENTAZIONE DI PROGETTO, OLTRE AD UNA PRESENTAZIONE POWERPOINT DELLA DURATA DI CIRCA 30 MINUTI. SUCCESSIVAMENTE AL SUPERAMENTO DELLA PROVA SCRITTA (O DELLA PROVA IN ITINERE) ED ALLA PRESENTAZIONE DEL PROGETTO, GLI STUDENTI DEVONO SOSTENERE UNA PROVA ORALE INDIVIDUALE. TALE PROVA CONSISTE IN UN COLLOQUIO CON DOMANDE E DISCUSSIONI SUI CONTENUTI TEORICI E METODOLOGICI TRATTATI A LEZIONE ED E FINALIZZATA AD ACCERTARE LA CAPACITA DI CONOSCENZA E COMPRENSIONE, NONCHÉ LA CAPACITA DI ESPOSIZIONE DEI CONCETTI. LA PROVA ORALE PUÒ ESSERE SVOLTA NELLA STESSA DATA DELLA PRESENTAZIONE DEL PROGETTO, OPPURE IN ALTRA DATA CHE I SINGOLI MEMBRI DEL GRUPPO POSSONO CONCORDARE CON I DOCENTI.
IL VOTO FINALE SCATURISCE, GENERALMENTE, DALLA MEDIA PESATA DEI VOTI IN TRENTESIMI CONSEGUITI IN CIASCUNA DELLE TRE PROVE, 30% PER LA PROVA SCRITTA (OD IN ITINERE) 40% PER IL PROGETTO E 30% PER LA PROVA ORALE.

	Testi
	1.HWAIYU GENG, INTERNET OF THINGS AND DATA ANALYTICS HANDBOOK, JOHN WILEY & SONS, 2017. 2.JURE LESKOVEC, ANAND RAJARAMAN, JEFFREY D. ULLMAN, “MINING OF MASSIVE DATASETS”, 2^ EDIZIONE, CAMBRIDGE UNIVERSITY PRESS, 2014. 3.AURÉLIEN GÉRON, "HANDS-ON MACHINE LEARNING WITH SCIKIT-LEARN AND TENSORFLOW“, O REILLY ED. 4.C. BISHOP, NEURAL NETWORKS FOR PATTERN RECOGNITION, CLARENDON PRESS, OXFORD, 1995. 5.FOSTER PROVOST, TOM FAWCETT, DATA SCIENCE FOR BUSINESS: WHAT YOU NEED TO KNOW ABOUT DATA MINING AND DATA-ANALYTIC THINKING, O REILLY ED.

Testi

1.HWAIYU GENG, INTERNET OF THINGS AND DATA ANALYTICS HANDBOOK, JOHN WILEY & SONS, 2017.
2.JURE LESKOVEC, ANAND RAJARAMAN, JEFFREY D. ULLMAN, “MINING OF MASSIVE DATASETS”, 2^ EDIZIONE, CAMBRIDGE UNIVERSITY PRESS, 2014.
3.AURÉLIEN GÉRON, "HANDS-ON MACHINE LEARNING WITH SCIKIT-LEARN AND TENSORFLOW“, O REILLY ED.
4.C. BISHOP, NEURAL NETWORKS FOR PATTERN RECOGNITION, CLARENDON PRESS, OXFORD, 1995.
5.FOSTER PROVOST, TOM FAWCETT, DATA SCIENCE FOR BUSINESS: WHAT YOU NEED TO KNOW ABOUT DATA MINING AND DATA-ANALYTIC THINKING, O REILLY ED.

	Altre Informazioni
	LA FREQUENZA DEL CORSO È FORTEMENTE CONSIGLIATA. GLI STUDENTI DEVONO ESSERE PREPARATI A TRASCORRERE UNA CONGRUA QUANTITÀ DI TEMPO NELLO STUDIO AL DI FUORI DELLE LEZIONI. UNA PREPARAZIONE SODDISFACENTE RICHIEDE IN MEDIA 1 ORA DI STUDIO PER CIASCUNA ORA TRASCORSA IN AULA E CIRCA 80 ORE PER LO SVILUPPO DEL PROGETTO. IL MATERIALE DELLE LEZIONI SARÀ DISPONIBILE SULLA PIATTAFORMA E-LEARNING DIPARTIMENTALE HTTP://ELEARNING.INFORMATICA.UNISA.IT/EL-PLATFORM/ CONTATTI PROF. GIUSEPPE POLESE GPOLESE@UNISA.IT

Altre Informazioni

LA FREQUENZA DEL CORSO È FORTEMENTE CONSIGLIATA. GLI STUDENTI DEVONO ESSERE PREPARATI A TRASCORRERE UNA CONGRUA QUANTITÀ DI TEMPO NELLO STUDIO AL DI FUORI DELLE LEZIONI. UNA PREPARAZIONE SODDISFACENTE RICHIEDE IN MEDIA 1 ORA DI STUDIO PER CIASCUNA ORA TRASCORSA IN AULA E CIRCA 80 ORE PER LO SVILUPPO DEL PROGETTO.
IL MATERIALE DELLE LEZIONI SARÀ DISPONIBILE SULLA PIATTAFORMA E-LEARNING DIPARTIMENTALE HTTP://ELEARNING.INFORMATICA.UNISA.IT/EL-PLATFORM/

CONTATTI

PROF. GIUSEPPE POLESE
GPOLESE@UNISA.IT

BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2021-02-19]

Genoveffa TORTORA | IOT DATA ANALYTICS (ENGLISH)