Matteo
Francia


Matteo Francia
Professore Assistente in Informatica e Ingegneria Università di Bologna Extended Faculty

Matteo Francia è professore assistente presso l’Università di Bologna, dove ha conseguito il dottorato di ricerca in Informatica e Ingegneria.
Le sue materie di insegnamento sono i big data, le piattaforme cloud e i principi dell’informatica.
La sua ricerca si concentra sull’analisi avanzata dei big data, con particolare riferimento ai database, ai dati sulla mobilità e all’agricoltura di precisione.
È autore di pubblicazioni in conferenze e riviste internazionali, tra cui Information Systems, Information Systems Frontiers, IEEE TKDE, DOLAP, ADBIS, ER e EDBT, dove è stato premiato come miglior documento dimostrativo nel 2021.
È stato presidente del programma del DATAPLAT (2022-2024) e guest editor per le riviste internazionali Future Generation Computer Systems e Information System Frontiers.
Ha collaborato con diverse aziende nei settori dei dati sulla mobilità e dell’agricoltura di precisione.
Nel 2019 è stato visiting scholar presso l’Università del Queensland.
Ha conseguito il master e la laurea con lode presso l’Università di Bologna rispettivamente nel 2017 e nel 2014.
È stato premiato dal Rotary nel 2018 e nel 2017 come miglior laureato rispettivamente della Scuola di Ingegneria e Architettura e di Informatica e Ingegneria.

CORSI

Questo corso introduce i principi e i metodi di base della Business Intelligence con particolare riferimento a Data Warehousing, analisi OLAP e social intelligence. Si concentra inoltre su come le soluzioni di Business Intelligence possono essere concepite in base ai requisiti e ai desideri degli utenti e prevede una sessione pratica con strumenti OLAP (principalmente Power BI).

Marketing Management – Analytics and AI for Marketing

Questo corso è la naturale continuazione del corso di Machine Learning. Fornisce le linee guida per l’esecuzione di un processo di Data Mining e poi discute, con esempi pratici, la pipeline completa dai dati alle nozioni di machine learning.
In particolare vengono affrontati i seguenti temi:

  • Le funzioni del Data Mining.
  • Apprendimento supervisionato e non supervisionato.
  • Algoritmi e metodi per la costruzione di modelli di classificazione.
  • Algoritmi di clustering.
  • Algoritmi di scoperta di regole associative.
  • Metodi di valutazione della qualità dei risultati del mining.

I principi sono introdotti in classe con la presentazione di slides e discussioni stimolanti con gli studenti. I metodi vengono poi applicati con esercitazioni di laboratorio.

Data Science and Business Analytics

  • Introduzione all’Intelligenza Artificiale
  • Tecniche, algoritmi e metodologie
  • Analisi di casi di studio
  • Laboratorio di Data Mining con Weka

  • Introduzione ai concetti fondazionali del machine learning
  • Principali tipi di modelli per apprendimento supervisionato
  • Interpretabilità dei modelli: white-box e black-box
  • Fine-tuning e valutazione dei modelli
  • Framework per l’automazione del processo di machine learning
AI-Ready Data Platform: Architetture, Agenti e Governance

  • Differenze e potenzialità dei paradigmi Model- & Data-Centric AI
  • Impatto della qualità dei dati sui modelli di machine learning
  • Problemi di data collection e qualità dati (per esempio, bias e fairness)
  • Semantica delle feature e feature engineering
AI-Ready Data Platform: Architetture, Agenti e Governance