95638 - OPERATIONAL ANALYTICS

Conoscenze e abilità da conseguire

This course focuses on transforming data into better decisions. Specifically, it covers how to model future data uncertainties, predict the outcomes of alternative policy choices, and select the optimal course of action amidst uncertainties. The course provides the broad knowledge and skill base required to design and implement prescriptive analytics solutions for real-world problems. The forecasting section relies on machine learning methods (including statistical, neural and ensemble methods), while the optimization section covers search, specifically heuristic search and basic operational research methods. To succeed in the course, you will need a basic knowledge of probability and statistics, integer linear optimization, and linear algebra. Intermediate knowledge of Python programming and Excel formulas and functions is also expected.

Contenuti

Il corso fa parte di un curriculum di data science e fornisce alcuni strumenti per prevedere dati gestionali a breve/medio termine (analitica predittiva) e per ottimizzare processi con allocazione di risorse scarse in base ai dati previsti (analitica prescrittiva). Saranno presentati e integrati elementi di analitica predittiva e di ottimizzazione euristica.
Per la parte predittiva, il corso propone metodologie e tecniche per analizzare, modellare e prevedere serie temporali univariate, con accenni a quelle multivariate.
Si mostrerà, compatibilmente con il tempo a disposizione, che i dati previsionali possono essere elementi di modelli matematici di processi gestionali in cui ottimizzare l'allocazione di risorse scarse.
Gli strumenti proposti sono pensati per essere utilizzati in casi applicativi gestinali, casi di studio reali che saranno mostrati compatibilmente con il tempo, e/o richiesti nei progetti finali.
I contenuti scientifici del corso sono relativi alle conoscenze necessarie per sviluppare un modulo di analisi operativa su dati ottenuti da un sistema informativo aziendale. In particolare, verranno presentati
- breve riepilogo dei modelli stocastici, variabili casuali. distribuzioni di probabilità
- modelli predittivi: statistici (ARMA, ARIMA, SARIMA), neurali (MLP, LSTM, forse SVR se il tempo lo permette) e modelli di machine learning / decision tree (ensemble, random forest, boosting). Le tecniche già introdotte in corsi precedenti, saranno qui ricordate brevemente e applicate a casistiche di forecasting univariato con predittori esterni.
- indicatori di performance, statistiche descrittive, test di significatività statistica. Gli strumenti già introdotti in corsi precedenti, saranno qui ricordati solo brevemente.
- modelli introduttivi di programmazione intera
- cenni alle tecniche di risoluzione meta/mat-euristiche
I contenuti tecnologici saranno funzionali all'implementazione pratica del modulo citato, che sarà realizzato standalone in python, anche se sono accettabili altri ambienti e architetture.
Una soluzione completa sarà realizzata in aula e completata autonomamente da ogni studente, e potrà costituire il progetto per l'esame.

 

Testi/Bibliografia

Lucidi a cura del docente.

Letture consigliate saranno erse disponibili su virtuale.

Metodi didattici

Il corso sarà tenuto in inglese, a meno che ognuno di voi non mi chieda diversamente.

Insegnerò in laboratorio per quanto mi sarà consentito, al fine di garantire un'esperienza pratica dei metodi proposti. In ogni caso, gli studenti sono invitati a portare il proprio computer portatile per testare online gli elementi proposti.

Gli algoritmi saranno codificati, a scelta degli studenti, in c# o python. Per l'analisi rapida dei dati si utilizzerà Excel.

"In considerazione della tipologia di attività e dei metodi didattici adottati, la frequenza di questa attività formativa richiede la preventiva partecipazione di tutti gli studenti ai Moduli 1 e 2 di formazione sulla sicurezza nei luoghi di studio, in modalità e-learning [ https://corsi.unibo.it/laurea/TecnologieSistemiInformatici/formazione-obbligatoria-su-sicurezza-e-salute ]".

----------------------------- da indicazioni di ateneo:

prerequisiti utili per affrontare al meglio l’esperienza di apprendimento: conoscenze di algebra di base, programmazione python, excel

l’insegnamento è mono disciplinare, non suddiviso in moduli.

il contenuto è anche trattato in esercitazioni/laboratori che costituiscono parte dell’attività formativa

Testi / Bibliografia: i testi e i riferimenti bibliografici sono consigliati solo per eventuale approfondimento

metodi utilizzati: lezione frontale, lavoro di gruppo, soluzioni di casi di studio, esercitazioni da svolgere in aula, in laboratorio; in presenza.

Raccomandazione nel caso in cui l’insegnamento preveda laboratori (anche solo informatici):

Tutti gli studenti che, per motivi di studio e ricerca, frequentano i luoghi sopra elencati sono equiparati ai lavoratori per quanto riguarda la loro sicurezza, e come tali devono essere formati sulle corrette procedure da adottare da seguire nelle attività con rischi specifici.

indicazioni per i laboratori informatici: “In considerazione della tipologia di attività e dei metodi didattici adottati, la frequenza di questa attività formativa richiede la preventiva partecipazione di tutti gli studenti ai moduli 1 e 2 di formazione sulla sicurezza nei luoghi di studio, in modalità e-learning.

 

 

Modalità di verifica e valutazione dell'apprendimento

L'esame consiste nella presentazione di un progetto individuale che ogni studente completerà, relativo agli elementi introdotti durante il corso.

Per gli studenti che hanno familiarità con la programmazione, il progetto comprenderà competenze sia scientifiche che tecnologiche, che verranno verificate attraverso la presentazione. Il progetto potrebbe consistere in una soluzione informatica unitaria che includa la maggior parte degli elementi introdotti durante il corso. L'argomento specifico sarà suggerito dai candidati. Soluzioni molto complesse possono essere sviluppate in gruppi di massimo due studenti, previa mia approvazione esplicita. La soluzione proposta deve essere in grado di funzionare sulle macchine dei laboratori, e quindi anche sul mio server del corso.

In genere, se non diversamente concordato, il progetto sarà una soluzione in python. Non sono accettati notebook jupyter, e solo pandas, numpy, matplotlib e le librerie utilizzate nei lucidi come librerie aggiuntive, a meno che non siano state concordate esplicitamente librerie ulteriori.

Gli studenti con limitate eperienze precedenti di programmazione, potrenno presentare in dettaglio casi di studio complessi e significativi dal punto di vista economico, cui verranno applicati gli stessi algoritmi visti a lezione..

La partecipazione attiva alle lezioni darà diritto a bonus specifici, l'utilizzo di comuni dataset scaricati da internet cui vengono applicati solo semplici algoritmi predittivi limiterà il punteggio massimo ottenibile.

----------------------------- da indicazioni di ateneo:

Modalità di verifica e valutazione dell'apprendimento: discussione di un progetto individuale.

Indicare se si prevedono prove di verifica intermedie: no.

Indicare se la prova prevede elaborati da consegnare prima della data di esame: no.

Esplicitare i criteri di valutazione della prova di esame e relativa graduazione del voto: per la valutazione si considera la capacità di descrivere il lavoro con collegamenti agli elementi teorici introdotti nel corso, padronanza degli elementi del codice presentato, capacità di interpretare modelli e risultati nei termini del problema affrontato.

Indicare sempre se sono ammessi o meno durante le prove strumenti quali ausili di calcolo: la prova è una discussione del codice mentre viene fatto girare in modalità debug.

Eventuali indicazioni specifiche per l’iscrizione alla lista d’esame: nessuna lista, appuntamento definito via mail.

Nel caso studentesse e studenti con DSA o disabilità si consiglia di riportare quanto segue:/

Studenti e studentesse con DSA o disabilità temporanee o permanenti: si raccomanda di contattare per tempo l’ufficio di Ateneo responsabile (https://site.unibo.it/studenti-con-disabilita-e-dsa/it); sarà sua cura proporre agli studenti e alle studentesse interessati/e eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all’approvazione del/della docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell'insegnamento.

Per quanto riguarda l’utilizzo dell’Intelligenza Artificiale generativa (IA) nelle prove d’esame: se si include codice generato da IA è necessario essere in grado di giustificare ogni singola istruzione proposta. Incertezze al riguardo risulteranno in un invito a ripresentarsi in una data successiva.

Strumenti a supporto della didattica

I lucidi delle lezioni saranno scaricabili prima della lezione corrispondente.

Orario di ricevimento

Consulta il sito web di Vittorio Maniezzo