Organizzazioni e società digitali (Computer & Society)
A.A. 2020/2021
Obiettivi formativi
L'insegnamento rappresenta il complemento e la prosecuzione di Tecnologie Digitali per le Organizzazioni e si colloca anch'esso nel più ampio contesto dell'Analisi dei Dati per le Scienze Sociali.
Ha tre obiettivi generali:
1) Familiarizzare gli studenti con il passaggio tra e l'uso contemporaneo di tecnologie differenti per l'analisi e la visualizzazione di dati (ambienti R e Python);
2) Approfondire e ampliare l'uso di open data: dati forniti da enti pubblici e associazioni sia italiane che internazionali, dati da istituti di statistica sia italiani (ISTAT) che internazionali (Eurostat, etc.), altri dati nel pubblico dominio richiedenti analisi e operazioni di trasformazione di media e medio-alta complessità;
3) Approfondire la parte di visualizzazione di dati con una galleria di tipi di grafici ampliata e lo studio dei principi teorici e di esempi professionali.
Obiettivi più di dettaglio invece sono:
1) Analisi dei dati con tecnologie Python: liste, vettori, dataframe, uso di multiindici, pivoting;
2) Uso di Jupyter Notebook/Lab per l'utilizzo di documenti contenenti testo, codice eseguibile e risultati (dati o grafici);
3) Uso di Github come repository personale e sistema di versionamento;
4) Visualizzazione di dati e mappe dinamiche per dati georeferenziati: libreria Seaborn e choropleth maps annotate(librerie folium e geopandas)
Ha tre obiettivi generali:
1) Familiarizzare gli studenti con il passaggio tra e l'uso contemporaneo di tecnologie differenti per l'analisi e la visualizzazione di dati (ambienti R e Python);
2) Approfondire e ampliare l'uso di open data: dati forniti da enti pubblici e associazioni sia italiane che internazionali, dati da istituti di statistica sia italiani (ISTAT) che internazionali (Eurostat, etc.), altri dati nel pubblico dominio richiedenti analisi e operazioni di trasformazione di media e medio-alta complessità;
3) Approfondire la parte di visualizzazione di dati con una galleria di tipi di grafici ampliata e lo studio dei principi teorici e di esempi professionali.
Obiettivi più di dettaglio invece sono:
1) Analisi dei dati con tecnologie Python: liste, vettori, dataframe, uso di multiindici, pivoting;
2) Uso di Jupyter Notebook/Lab per l'utilizzo di documenti contenenti testo, codice eseguibile e risultati (dati o grafici);
3) Uso di Github come repository personale e sistema di versionamento;
4) Visualizzazione di dati e mappe dinamiche per dati georeferenziati: libreria Seaborn e choropleth maps annotate(librerie folium e geopandas)
Risultati apprendimento attesi
Lo studente dovrà dimostrare di avere acquisito una buona conoscenza dei metodi di analisi e una buona familiarità con gli strumenti open source per l'analisi e la visualizzazione dei dati. I risultati di apprendimento dovranno mostrare come la preparazione non si sia limitata a un uso sufficiente delle tecnologie, ma abbia compreso le difficoltà di analisi, il modo di procedere adeguato, e lo studente sia in grado di produrre valutazioni ragionate riguardante l'analisi di open data e la definizione della parte grafica per la visualizzazione dei risultati.
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.
Programma e organizzazione didattica
Edizione unica
Responsabile
Periodo
Primo trimestre
Metodi didattici
Le lezioni si terranno in modalità online, sia sincrona che asincrona. Le videoregistrazioni sono lasciate a disposizione degli studenti sul sito Ariel del corso. Il programma di videoconferenza utilizzato è Zoom.
Programma e materiale di riferimento
Il programma e il materiale di riferimento non subiranno variazioni.
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.
Verrà svolto in accordo con le disposizioni di Ateneo concernenti gli esami scritti. Se sarà possibile svolgere l'esame in presenza (per tutti gli studenti iscritti o solo per una parte di essi), questo si svolgerà in un'aula Unicloud informatizzata con i pc opportunamente configurati. Nel caso di esame remoto, si seguiranno le disposizioni per esami con Exam.net senza l'uso di SEB. Il programma di videoconferenza sarà Zoom.
Non sono previste prove intermedie e la valutazione non ha subito modifiche nella fase emergenziale.
Le lezioni si terranno in modalità online, sia sincrona che asincrona. Le videoregistrazioni sono lasciate a disposizione degli studenti sul sito Ariel del corso. Il programma di videoconferenza utilizzato è Zoom.
Programma e materiale di riferimento
Il programma e il materiale di riferimento non subiranno variazioni.
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.
Verrà svolto in accordo con le disposizioni di Ateneo concernenti gli esami scritti. Se sarà possibile svolgere l'esame in presenza (per tutti gli studenti iscritti o solo per una parte di essi), questo si svolgerà in un'aula Unicloud informatizzata con i pc opportunamente configurati. Nel caso di esame remoto, si seguiranno le disposizioni per esami con Exam.net senza l'uso di SEB. Il programma di videoconferenza sarà Zoom.
Non sono previste prove intermedie e la valutazione non ha subito modifiche nella fase emergenziale.
Programma
1. Introduzione alle tecnologie Python per l'analisi di dati
2. Open Data, Open Access, Open Source
3. Jupyter Notebook come strumento per l'esecuzione di script e la presentazione di contenuti testuali
4. Introduzione a IPython
5. Dati in forma di vettori e matrici (Libreria NumPy): discussione, funzioni, esempi, esercizi
6. Uso e trasformazione di dataset (Libreria Pandas): discussione, funzioni, esempi, esercizi
7. Visualizzazione di dati (Librerie Matplotlib e Seaborn): discussione, funzioni, esempi, esercizi
8. Casi di studio ed esercitazioni con dati open reali: la raccolta dei dati, la definizione degli obiettivi dell'analisi, la discussione del significato dei risultati
9. Approfondimento sulla Data Visualization: le forme della comunicazione attraverso grafici prodotti dall'analisi di dati
10 Analisi di casi di studio: successi e fallimenti
2. Open Data, Open Access, Open Source
3. Jupyter Notebook come strumento per l'esecuzione di script e la presentazione di contenuti testuali
4. Introduzione a IPython
5. Dati in forma di vettori e matrici (Libreria NumPy): discussione, funzioni, esempi, esercizi
6. Uso e trasformazione di dataset (Libreria Pandas): discussione, funzioni, esempi, esercizi
7. Visualizzazione di dati (Librerie Matplotlib e Seaborn): discussione, funzioni, esempi, esercizi
8. Casi di studio ed esercitazioni con dati open reali: la raccolta dei dati, la definizione degli obiettivi dell'analisi, la discussione del significato dei risultati
9. Approfondimento sulla Data Visualization: le forme della comunicazione attraverso grafici prodotti dall'analisi di dati
10 Analisi di casi di studio: successi e fallimenti
Prerequisiti
Lettura e comprensione testi in inglese: conoscenza di base
Conoscenza dei principi di base della logica computazionale e dell'uso di tecnologie per l'analisi di dati
Consigliato aver seguito il corso di Tecnologie Digitali per le Organizzazioni
Conoscenza dei principi di base della logica computazionale e dell'uso di tecnologie per l'analisi di dati
Consigliato aver seguito il corso di Tecnologie Digitali per le Organizzazioni
Metodi didattici
Metodi didattici
Le lezioni sono di tipo frontale. È consigliato avere un proprio laptop per seguire gli esempi e le esercitazioni discusse in aula.
Le lezioni sono di tipo frontale. È consigliato avere un proprio laptop per seguire gli esempi e le esercitazioni discusse in aula.
Materiale di riferimento
Tutto il materiale (libri, siti web, software) è disponibile online (open access, open source) e gratuitamente. I riferimenti vengono forniti durante la prima lezione.
Il materiale didattico è quasi interamente in inglese.
Il materiale didattico è quasi interamente in inglese.
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, in primo luogo, sul grado di comprensione della logica computazionale, della familiarità raggiunta nell'analisi dei dati e nell'uso delle tecnologie impiegate durante il corso. In aggiunta, la valutazione verterà sul grado di comprensione dei principi della visualizzazione dei dati e della comunicazione attraverso grafici.
Non sono previste prove intermedie.
La valutazione si baserà, in primo luogo, sul grado di comprensione della logica computazionale, della familiarità raggiunta nell'analisi dei dati e nell'uso delle tecnologie impiegate durante il corso. In aggiunta, la valutazione verterà sul grado di comprensione dei principi della visualizzazione dei dati e della comunicazione attraverso grafici.
Docente/i
Ricevimento:
da concordare
online